生物礁滩灰岩是南海珠江口盆地东沙隆起带油气成藏规模仅次于砂岩的储层类型。广大地质工作者深入研究了生物礁滩沉积环境、成岩作用及生长、沉积岩相古地理、古构造等相关控制因素和分布规模[1-3],地球物理工作者则从地震资料采集、处理、正演模拟和储层预测方面广泛探索了生物礁滩的地球物理特征[4-9]。礁滩灰岩储层固有的强非均质性导致储层品质差别较大,而寻找优质的储层甜点则直接影响油气藏储量规模和后续开发井部署。对于厚层灰岩油藏,储层甜点研究的成功案例较多,但对于薄礁滩灰岩地层,储层与非储层的地震响应差别不大、储层厚度很小,加之海上钻井资料少等情况,导致基于地震资料预测储层甜点存在许多挑战,目前尚无成功案例。南海珠江口盆地东沙隆起带的A油田属于典型的薄层礁滩相低渗灰岩油藏,开发前期仅有2口钻井,在构造高部位仅钻遇厚度为37 m的灰岩地层,有效储层厚度合计仅14 m(6层)。基于现有资料研究低渗储层甜点有如下难点:①不规则灰岩地质体的地层厚度小,在原始地震剖面上呈强波峰—波谷,储层的地震响应特征不明显,地震资料纵、横向分辨率偏低,灰岩内幕及储层边界不清晰;②复杂灰岩的孔、渗关系复杂,即常规解释的不同岩相(生物礁、生物滩)灰岩对应不同孔、渗关系(特别是礁相灰岩呈多段式特征),为满足单井渗透率吻合率大多使用电阻率等非弹性参数,导致构建具备明确岩石物理意义的低渗储层甜点因子的难度较大;③灰岩储层非均质性强,解释油层厚度大多为2~ 8m,井间横向对比困难,加之海上钻井资料少、储层超薄,精细描述低渗灰岩储层甜点的空间展布特征难度较大。为此,本文充分利用岩心、测井、地震及地质等资料,建立了物探—测井—地质一体化的低渗薄礁滩灰岩储层甜点研究思路与技术流程,有效提高了描述储层甜点的能力,为推动油田快速开发以及潜力评价提供了重要技术支撑。
1 研究思路为提升低渗薄灰岩储层甜点识别精度,针对不规则、小尺度的高速灰岩地质体,在高分辨率地震资料保真、保幅宽频处理和地震波场正演模拟的基础上,应用全波形反演(FWI)速度建模及深度域偏移成像技术,提升地震资料品质和灰岩内幕识别能力。基于数字岩心和岩石物理分析,首次利用孔隙形态因子校正技术优化复杂的礁滩灰岩孔、渗关系,直接使用弹性参数构建渗透率解释模型,在岩心和测井尺度上均满足精度要求,为利用地震反演弹性参数构建低渗储层甜点因子奠定了岩石物理基础,也使在三维空间利用地震反演扩展渗透率解释模型成为可能。根据新处理的高品质三维地震资料和低渗储层甜点因子,在薄层和少井条件下,首次运用综合一维测井岩相和二维平面相联合嵌套约束的分级相控叠前高分辨率地震反演技术,充分利用地震相先验信息,使薄层反演结果既满足测井岩相比例,又符合平面沉积规律,从而定量解释复杂低渗薄礁滩灰岩储层甜点。
2 技术方法与应用效果 2.1 小尺度灰岩地质体地震成像技术实际地震数据处理中,在充分去噪、多次波压制以及提高宽频资料的分辨率的基础上,建立精细速度模型是成像的关键因素[10]。目前FWI速度建模是计算精度最高的建模方法[11-12],在南海东部海域,针对浅海常规窄方位、拖缆长度有限的地震资料,FWI反演结果与常规层析法相比具有更高的纵、横向分辨率[13-14]。
A油田采用常规的双源四拖缆采集地震数据,电缆长度为4000 m,目的层埋深为1800~1900 m。为解决常规速度建模技术难以刻画薄层及高速、复杂的小尺度灰岩的速度空间变化的问题,避免地震构造成像畸变,同时考虑电缆长度和地质体埋深等因素,结合FWI浅中层速度建模和网格层析中深层速度建模方法,由浅至深分层系逐级建模,方法为:①针对目的层灰岩之上地层,将叠前时间偏移速度场转换到深度域作为FWI初始模型,再进行折射波FWI;②联合FWI速度建模和高精度网格层析提高速度分辨率,同时结合层位、井速度信息约束速度场更新,以刻画灰岩边界;③针对目标区,结合井速度信息和相控边界精细刻画灰岩内幕速度变化;④针对灰岩之下地层,采用层位、井速度信息约束的大尺度网格层析建模或反射波FWI速度建模。
图 1为FWI速度建模流程。在速度模型更新、迭代过程中进行5个频段的速度更新,其中在第一个(主频为10 Hz)和第二个(主频为13 Hz)频段应用相位差信息作为目标函数,以更新长波长背景;后续采用常规的基于振幅联合相位的最小二乘法FWI(LSFWI),以快速更新高分辨率速度场。
由高分辨率速度场得到的地震叠前深度偏移成像可以刻画不规则礁滩灰岩地质体。图 2为FWI前、后连井地震剖面。由图可见,与FWI前连井地震剖面(图 2上)相比,FWI后连井地震剖面(图 2下)增强了生物滩灰岩储层的弱波峰反射信号,地震纵、横向分辨率均有提升,改善了灰岩内幕成像品质,储层横向尖灭等地质现象明显,显著提升了层序解释和礁滩体结构解剖精度。
根据岩心数据标定及前人认识,A油田灰岩储层的渗透率决定产能,储层渗透率是孔隙度和孔喉结构复杂程度的综合体现,因此选择渗透率参数作为区分灰岩储层甜点和非甜点的标准。结合多种数据统计方法和最小孔喉法,认为灰岩储层甜点的渗透率截止值为1.5 mD。
2.2.1 复杂灰岩孔、渗关系优化对于孔隙度与渗透率对应关系存在明显差异的地层,渗透率解释在业界仍主要以测井数据和岩心分析为主[15-17]。首先在岩性识别的基础上解释孔隙度,然后针对不同岩相使用相应孔、渗关系计算渗透率曲线。此外,为满足单井吻合率,常规渗透率模型构建大多使用电阻率等非弹性参数,而地震反演无法获得非弹性参数体,难以研究储层渗透率横向分布规律。
根据岩矿鉴定分析,A油田生物礁滩的有效储集空间有原生孔隙、次生孔隙、微裂缝、破裂缝和溶缝等,其中原生孔隙不发育,次生孔隙为主要孔隙类型,微孔隙少量存在,破裂缝和溶缝局部发育。为提高基于地震反演预测储层甜点的精度,提出以下构建复杂灰岩储层渗透率模型的新方法:
(1) 基于岩心资料成果分析弹性参数、孔隙度以及渗透率之间的变化规律;
(2) 以弹性参数为基础,结合泥质含量等因素建立灰岩层段孔隙度解释模型,优化测井孔隙度解释模型;
(3) 利用声波测井和密度测井数据均可计算岩石孔隙度,二者的差异主要反映了岩石后期改造的孔隙形态,因此可以构建一个孔隙形态因子表征这些差异。
纵波传播受地层岩性、孔隙度、孔隙结构、含流体性质、压实及胶结等诸多因素影响,因此利用声波时差可以计算岩石孔隙度。因为声波总会沿最快路径传播,所以对岩石结构及孔隙结构最敏感。密度测井采用中等强度伽马射线源,其康普顿效应主要取决于单位体积岩石中的光电子数,密度测量是一个体积测量,反映了仪器接收器周围单位球体内的平均岩石密度,可计算纯矿物孔隙度,得到的孔隙度曲线和岩石的孔隙结构、形态及胶结无关。A油田的孔隙形态因子PDD为
$ \mathrm{PDD}=\operatorname{Por}_{\mathrm{DT}}-\text { Por }_{\mathrm{Den}} $ | (1) |
其中
$ \operatorname{Por}_{\mathrm{DT}}=\frac{\mathrm{DT}-\mathrm{DT}_{\min }}{\mathrm{DT}_{\max }-\mathrm{DT}_{\min }} $ | (2) |
$ \text { Por }_{\text {Den }}=\frac{\operatorname{Den}-\operatorname{Den}_{\max }}{\operatorname{Den}_{\min }-\mathrm{Den}_{\max }} $ | (3) |
式中:PorDT为声波孔隙度;DT为测井声波时差,DTmin、DTmax分别为灰岩骨架、地层流体的声波时差;PorDen为密度孔隙度;Den为测井密度,Denmax、Denmin分别为灰岩骨架、地层流体的密度。
(4) 结合测井解释孔隙度曲线与PDD,建立统一的灰岩地层渗透率PermAI模型
$ {\rm{ Per}}{{\rm{m}}_{{\rm{AI}}}} = {10^{ - 2.9 + 20{\rm{Po}}{{\rm{r}}_{{\rm{AI}}}}^{(1 - 5{\rm{PDD}})}}} $ | (4) |
式中PorAI为由反演纵波阻抗计算的孔隙度。
图 3为孔隙度、渗透率解释成果。由图可见:新解释孔隙度曲线与岩心孔隙度曲线吻合更好;PDD曲线的整体形态特征与泥质含量曲线的相关性较好;新解释的渗透率曲线与岩心分析结果吻合好;基于1.5 mD截止值得到的储层甜点分布与由电阻率等非弹性参数构建的渗透率模型整体一致,局部细节更精细。
A油田仅1口井实测了横波数据,但质量稍差,因此采用数字岩心测量的岩石物理参数点标定结果开展岩石物理建模与横波预测。岩石物理建模的技术流程为:①在理论岩石物理模型基础上,利用测井解释的矿物构成、流体组成等基础信息,调整各种岩性的理论骨架参数值以及岩石孔隙形态结构,通过正演获得不同深度的有效岩石弹性属性;②根据数字岩心实测值及实测弹性波曲线与正演曲线的对比结果优化、调整骨架模型参数,使数字岩心实测值与骨架模型参数尽量吻合;③利用建立的岩石物理模型剔除建模井中不存在的弹性曲线或修正有问题的曲线,从而真正反映岩石骨架弹性性质,并进一步开展流体替换和侵入校正。
图 4为岩样物性参数、弹性参数的实测值、岩心分析值及测井值对比图。由图可见,实测值与岩心分析值及测井值均吻合较好。图 5为渗透率优化前、后岩石物理分析图。由图可见:优化前渗透率与弹性参数的相关性差(图 5左);优化后渗透率与弹性参数相关性较好,灰岩低渗储层甜点呈纵波阻抗、纵横波速度比低值特征(图 5右)。
为定量分析弹性参数对储层甜点的敏感性,分井计算储层甜点和非储层的累计概率曲线,观察储层甜点累计概率为80%时存在非储层的可能,并统计两口井的截止值相同时的综合相对误差(表 1)。可见,利用单一弹性参数区分储层甜点的精度不高,利用坐标旋转融合纵波阻抗和纵横波速度比可以更好地区分储层甜点。如,取纵波阻抗为0、纵横波速度比为1.40为圆点,按顺时针旋转45°得到融合弹性因子EEI_rot(45°)作为甜点因子,综合误判率为5.8%,可显著提高灰岩低渗储层甜点的识别精度。
实际地震数据处理中,由纵波阻抗和纵横波速度比数据体构建精细融合弹性因子识别低渗储层甜点,因此有必要开展叠前同时反演。考虑到灰岩油层超薄,本文主要采用地质统计类随机算法进行高分辨反演。综合地震数据、测井曲线、概率分布函数及变差函数等信息,以概率密度和变差函数描述储层的空间展布特征,在统计意义上根据概率分布函数利用随机算法模拟正确的样点集,且在引入高频数据信息的同时,保证每个模拟结果对应的合成地震记录与实际地震数据的相似度很高,因此在地震数据有效带宽范围内,模拟结果的精度与确定性方法的结果相同[18-21]。
针对少井及复杂的沉积背景,在叠前高分辨率反演中首次运用分级相控约束:一级相控利用生物礁滩生长模式、沉积特征及测井韵律指导纵向储层概率变化,结合测井资料和沉积特征统计纵向一维概率密度函数的先验信息;二级相控利用地震属性、叠后阻抗及叠前岩相概率结果融合多属性,以了解不同研究单元的有利储层平面变化规律,从而综合预测二维储层岩性(物性)。
图 6为一维概率密度函数与灰岩层段纵向单元划分结果。根据沉积特征采用测井资料建立灰岩层段一维概率密度函数(图 6a左)并进行大尺度平滑(图 6a右),结合地震数据及反演结果精细解释礁滩体层位,将灰岩层段分为碳酸盐岩致密台地(ZJ20-ZJ10Bs)、生物滩(ZJ10Bs-ZJ10B)、下部生物礁(ZJ10B-ZJ10As)以及上部生物礁(ZJ10 As-ZJ10A)共四个研究单元(图 6b)。
新地震资料的分辨率较高,可清晰地反映灰岩储层内幕,如ZJ10A和ZJ20均为明显的阻抗界面,ZJ10As对应波谷反射,ZJ10B对应波峰反射(图 6b)。将优质储层发育概率约束相得到的相类型以及相边界等地质因素用于随机反演,再结合图 6a联合约束高分辨率薄层反演,得到灰岩层段纵向单元优质储层发育概率约束相(图 7)。
图 8为分级相控约束叠前高分辨率地震反演与叠后确定性反演的纵波阻抗。由图可见,在地震数据有效带宽范围内,分级相控约束叠前高分辨率地震反演结果的趋势(图 8上)与叠后确定性反演结果(图 8下)基本一致,表明前者忠实于地震资料,同时由于采用地质统计类随机算法,提升了分辨率,反演结果反映了地震数据带宽外的丰富细节,与实钻结果更吻合。
图 9为低渗储层甜点弹性因子过井剖面。由图可见:反演结果和井数据吻合好,在纵向上不仅可指示大套储层段的分布趋势,而且很好地刻画了薄储层甜点分布;横向空间分布受地震数据约束,变化自然,与先验沉积规律一致。
由地震反演可得到岩相体、融合弹性因子体以及储层概率体,为了定量评价储层品质,进一步利用岩石物理量板的协模拟变换得到孔隙度和渗透率参数体,以更好地表征储层物性空间变化(图 10)。由高分辨率反演得到多个等概率实现,它们在数学上是等价的,每个实现的正演合成记录与地震数据基本匹配,但又存在差异,优选、叠合多个实现的岩性体得到岩性概率体,利用概率大于0.5的多实现岩性概率体得到极大似然岩性体(图 10a),从而定量确定储层有效厚度。
以极大似然岩性体作为孔、渗研究的基础,通过反演数据计算融合弹性因子体,并由地质统计学协模拟得到孔隙度体和渗透率(对数)体,再采用极大似然岩性体将非甜点层去掉,只保留储层甜点,对纵向某个层段的孔隙度或渗透率进行平均即可得到该层段的孔隙度(图 10b)或渗透率(对数)(图 10c)平面分布图。上述解释结果与连井剖面(图 10d)吻合。
结合地质分析和地层发育情况,将A油田灰岩地层划分为礁基(ZJ20-ZJ10Bs)、滩相礁坪(ZJ10Bs-ZJ10B)、生物礁下部的礁核(ZJ10B-ZJ10As)以及生物礁上部(ZJ10As-ZJ10A)物性较差的礁核和相对致密的礁盖共五个亚相。以ZJ10A下部的礁核为例,该套地层在ZJ10B滩相礁坪上继续生长形成礁核,岩性以藻屑灰岩、生物碎屑灰岩为主。图 11为礁核低渗储层甜点的平面分布特征。由图可见:储层有效厚度向四周明显减小,在油水界面以内,储层有效平均厚度为4.6 m(图 11a);在礁体主体部位孔隙度相对较高,向四周明显变低,平均孔隙度约为16%(图 11b);在礁主体及北部渗透率相对较高,向东、南、西变低,平均渗透率约为8 mD,最大渗透率约为42 mD(图 11c)。图 11表明,灰岩低渗储层甜点局部发育,主要分布在1井以北、2井以南的礁主体部位。因此,在开发井网设计与实施中充分考虑了储层非均质性,以确保开发井轨迹处于相对高孔、高渗且厚度较大的甜点储层中,从而最大程度地动用地质储量,有效保障开发产能。
面对珠江口盆地A油田开发阶段储层精细研究的需要,针对海上少井、岩相变化快、储层超薄及岩石物理规律复杂等难题,本文充分利用岩心、测井、地震及地质等资料,建立了物探—测井—地质一体化的低渗薄礁滩灰岩储层甜点研究思路与技术流程,取得了良好的应用效果,具有一定推广价值。
针对灰岩速度异常、厚度小、横向变化快等复杂油气藏,结合FWI的浅中层速度建模和网格层析中深层速度建模方法,利用反射波和折射波能量更新速度模型,减少速度误差,有效改善了成像质量,从而确保相带划分精度。基于孔隙形态因子校正技术优化复杂灰岩孔、渗关系,直接使用稳定的地震反演弹性参数解释渗透率,从而将渗透率解释模型向三维空间扩展。对于薄层、少井条件的地震反演,相控随机反演是提高精度的重要手段。首次运用综合一维测井岩相和二维平面相联合嵌套约束的分级相控叠前高分辨率地震反演技术,定量表征了礁滩灰岩油藏低渗储层甜点。
尚需指出,考虑到A油田生物礁滩的有效储集空间主要以次生孔隙为主,而对于以溶洞、裂缝等作为储集空间的灰岩,基于孔隙形态因子校正优化孔、渗关系技术的适用性还有待进一步验证。
[1] |
吴婷婷, 周小康, 张丽丽. 东沙隆起珠江组礁滩相储层主要成岩作用及演化模式[J]. 中国海上油气, 2021, 33(1): 42-49. WU Tingting, ZHOU Xiaokang, ZHANG Lili. Main diagenesis and evolution model of reef flat facies reservoir in Zhujiang Formation, Dongsha uplift[J]. China Offshore Oil and Gas, 2021, 33(1): 42-49. |
[2] |
梁卫, 周小康, 卫哲, 等. 珠江口盆地东沙隆起珠江组碳酸盐岩储层特征及主控因素[J]. 成都理工大学学报(自然科学版), 2015, 42(2): 169-179. LIANG Wei, ZHOU Xiaokang, WEI Zhe, et al. Chara-cteristics and key controlling factors of Zhujiang Formation carbonate rock reservoir in Pearl River Mouth Basin, China[J]. Journal of Chengdu University of Technology (Science & Technology Edition), 2015, 42(2): 169-179. DOI:10.3969/j.issn.1671-9727.2015.02.04 |
[3] |
邵先杰, 王彩凤, 黄伟, 等. 苏北盆地金湖凹陷碳酸盐岩沉积特征及演化模式[J]. 石油学报, 2013, 34(4): 701-711. SHAO Xianjie, WANG Caifeng, HUANG Wei, et al. Sedimentary characteristics and evolutionary patterns of carbonates in Jinhu depression, Subei Basin[J]. Acta Petrolei Sinica, 2013, 34(4): 701-711. |
[4] |
陈端新, 吴时国, 施和生, 等. 珠江口盆地流花碳酸盐台地灰岩坑的地震反射特征及成因探讨[J]. 吉林大学学报(地球科学版), 2012, 42(6): 1935-1943. CHEN Duanxin, WU Shiguo, SHI Hesheng, et al. Seismic characteristics and generations of sinkholes in the Liuhua carbonate platform, Pearl River Mouth Basin[J]. Journal of Jilin University(Earth Science Edition), 2012, 42(6): 1935-1943. |
[5] |
熊晓军, 贺振华, 黄德济. 生物礁地震响应特征的数值模拟[J]. 石油学报, 2009, 30(1): 75-79. XIONG Xiaojun, HE Zhenhua, HUANG Deji. Numerical simulation on seismic response features of reef[J]. Acta Petrolei Sinica, 2009, 30(1): 75-79. |
[6] |
文晓涛, 黄德济, 等. 礁滩储层地震识别[M]. 北京: 科学出版社, 2014.
|
[7] |
曾驿, 汪瑞良, 刘军, 等. 东沙隆起碳酸盐岩储层特征及预测[J]. 石油天然气学报(江汉石油学院学报), 2011, 33(6): 69-73. ZENG Yi, WANG Ruiliang, LIU Jun, et al. Carbonate reservoir characteristics and its prediction of Dongsha massif[J]. Journal of Oil and Gas Technology, 2011, 33(6): 69-73. |
[8] |
熊晓军, 张鑫, 张本健, 等. 裂缝融合分析的窄方位叠前裂缝预测技术[J]. 石油地球物理勘探, 2021, 56(5): 1150-1156. XIONG Xiaojun, ZHANG Xin, ZHANG Benjian, et al. Fracture prediction technology on prestack narrow azimuth data with fracture fusion analysis[J]. Oil Geophysical Prospecting, 2021, 56(5): 1150-1156. |
[9] |
闫星宇, 李宗杰, 顾汉明, 等. 基于深度卷积神经网络的地震数据溶洞识别[J]. 石油地球物理勘探, 2022, 57(1): 1-11. YAN Xingyu, LI Zongjie, GU Hanming, et al. Identification of Karst caves in seismic data based on deep convolutional neural network[J]. Oil Geophysical Prospecting, 2022, 57(1): 1-11. |
[10] |
张涛, 王小卫, 王孝, 等. 特殊岩性体的速度—深度建模方法[J]. 石油地球物理勘探, 2020, 55(增刊): 49-55. ZHANG Tao, WANG Xiaowei, WANG Xiao, et al. The velocity-depth modeling method of special litho-logic bodies[J]. Oil Geophysical Prospecting, 2020, 55(S): 49-55. |
[11] |
HA W, PYUN S, YO J, et al. Acoustic full waveform inversion of synthetic land and marine data in the Laplace domain[J]. Geophysical Prospecting, 2010, 58(6): 1033-1048. |
[12] |
邵祥奇, 何兵寿, 史才旺. 基于分频编码的弹性波全波形反演[J]. 石油地球物理勘探, 2020, 55(6): 1321-1329. SHAO Xiangqi, HE Bingshou, SHI Caiwang, et al. Elastic full inversion based on frequency division encoding[J]. Oil Geophysical Prospecting, 2020, 55(6): 1321-1329. |
[13] |
CHOI Y, ALKHALIFAH T. Application of multi-source waveform inversion to marine streamer data using the global correlation norm[J]. Geophysical Prospecting, 2012, 60(4): 748-758. |
[14] |
胡光辉, 李熙盛, 郭丽, 等. 构造约束全波形反演及其海上资料应用[J]. 石油物探, 2018, 57(4): 592-596. HU Guanghui, LI Xisheng, GUO Li, et al. Structure-constrained full waveform inversion and its application in marine seismic data[J]. Geophysical Prospecting for Petroleum, 2018, 57(4): 592-596. |
[15] |
张凤生, 隋秀英, 段朝伟, 等. 高孔隙度低渗透率碳酸盐岩储层岩心核磁共振实验研究[J]. 测井技术, 2018, 42(5): 497-502, 529. ZHANG Fengsheng, SUI Xiuying, DUAN Chaowei, et al. NMR experimental study on carbonate reservoirs with high porosity and low permeability[J]. Well Logging Technology, 2018, 42(5): 497-502, 529. |
[16] |
甘利灯, 王峣钧, 罗贤哲, 等. 基于孔隙结构参数的相控渗透率地震预测方法[J]. 石油勘探与开发, 2019, 46(5): 883-890. GAN Lideng, WANG Yaojun, LUO Xianzhe, et al. A permeability prediction method based on pore structure and lithofacies[J]. Petroleum Exploration and Development, 2019, 46(5): 883-890. |
[17] |
李雄炎, 秦瑞宝, 曹景记, 等. 复杂储层连通孔隙度评价与渗透率定量计算方法[J]. 石油地球物理勘探, 2022, 57(2): 377-385. LI Xiongyan, QIN Ruibao, CAO Jingji, et al. Method of connected porosity evaluation and quantitative permeability calculation for complex reservoirs[J]. Oil Geophysical Prospecting, 2022, 57(2): 377-385. |
[18] |
HASS A, DUBRULE O. Geostatistical inversion: a sequential method of stochastic reservoir modeling constrained by seismic data[J]. First Break, 1994, 12(11): 561-569. |
[19] |
黄捍东, 罗群, 付艳, 等. 地震相控非线性随机反演研究与应用[J]. 石油地球物理勘探, 2007, 42(6): 694-698. HUANG Handong, LUO Qun, FU Yan, et al. Study and application of seismic phase-controlled non-liner random inversion[J]. Oil Geophysical Prospecting, 2007, 42(6): 694-698. |
[20] |
周爽爽, 印兴耀, 裴松, 等. 地震波形约束的蒙特卡洛—马尔科夫链随机反演方法[J]. 石油地球物理勘探, 2021, 56(3): 543-554, 592. ZHOU Shuangshuang, YIN Xingyao, PEI Song, et al. Monte Carlo-Markov Chain stochastic inversion constrained by seismic waveform[J]. Oil Geophysical Prospecting, 2021, 56(3): 543-554, 592. |
[21] |
王保丽, 蔺营, 张广智, 等. 非均匀介质特征参数地震随机反演方法[J]. 石油地球物理勘探, 2021, 56(6): 1301-1310. WANG Baoli, LIN Ying, ZHANG Guangzhi, et al. Study on seismic stochastic inversion method based on characteristic parameters of inhomogeneous media[J]. Oil Geophysical Prospecting, 2021, 56(6): 1301-1310. |