[發明專利]高分辨率非線性儲層物性反演方法

有效

• 申請號: 200710177234.3
• 申請日: 2007-11-13
• 公開（公告）號: CN101149439A
• 公開（公告）日: 2008-03-26
• 發明（設計）人: 符力耘
• 申請（專利權）人: 符力耘;中國科學院地質與地球物理研究所
• 主分類號: G01V1/40
• 分類號: G01V1/40;G01V1/28;G01V1/36
• 代理公司: 北京海虹嘉誠知識產權代理有限公司
• 代理人: 張濤

1.高分辨率非線性儲層物性反演方法，其特征在于，采用一種非線性儲層巖性物性褶積模型，建立波阻抗與孔隙度/泥質含量的函數關系；通過多級結構分解和雙向邊沿子波檢測來刻畫復雜巖石物理關系；通過Caianiello褶積神經網絡實現確定性反演、統計反演和非線性理論三者有機結合；最后聯合應用基于逆算子的反演方法和基于正算子的重建算法實現了綜合地質、測井和地震波阻抗信息進行高分辨率儲層物性參數反演，獲得高分辨率儲層物性剖面。

2.根據權利要求1所述的高分辨率非線性儲層物性反演方法，其特征在于，所述建立波阻抗與孔隙度/泥質含量的函數關系，主要包括以下方法：

1)利用隱含非線性因子的儲層物性模型f(.)以及相關截止參數來擬合數據點“云”狀分布的整體變化趨勢；

2)通過對巖性物性參數褶積雙向邊沿子波檢測來描述沿趨勢線—擬合曲線—附近數據點的散狀分布特征；

從而將趨勢線—擬合曲線—附近數據點散狀分布特征與儲層巖性物性特征相關聯。

3.根據權利要求1或2所述的高分辨率非線性儲層物性反演方法，其特征在于，以孔隙度反演為例，所述儲層物性反演流程，包括以下步驟：

1)將已知測井孔隙度數據由深度域轉換到時間域，并進行重采樣，與地震數據采樣率相同；

利用傅氏變換對測井孔隙度數據進行多尺度分解，得到低、中、高頻測井孔隙度數據；

2)對已知地震剖面進行層位解釋，模擬大斷距斷層及地層尖滅的復雜構造特征，建立外推反演解釋層位控制系統；

3)從已知地震波阻抗剖面上提取井旁地震波阻抗道；

4)由1)步和3)步得到的數據，結合非線性儲層物性模型和Caianiello神經網絡算法，提取井旁分頻多級縱向邊沿檢測子波和估計非線性因子；

采用如下的波阻抗與孔隙度的非線性儲層巖性物性模型：

$\frac{{\mathrm{\φ}}_m\left(t\right)({\mathrm{\φ}}_m\left(t\right)-2\mathrm{\φ}\left(t\right))}{\mathrm{\φ}\left(t\right)({\mathrm{\φ}}_m\left(t\right)-\mathrm{\φ}\left(t\right))}=\mathrm{\λ}\left(t\right)\ln \left[\frac{z_p\left(t\right)-z_f\left(t\right)}{z_m\left(t\right)-z_p\left(t\right)}\right]---\left(2\right)$

式中：φ(t)是時間域孔隙度曲線，φ_m(t)為儲層砂巖的最大孔隙度，z_p(t)，z_f(t)，z_m(t)分別為時間域縱波阻抗、孔隙流體波阻抗和巖石骨架波阻抗，λ(t)為時變非線性因子，可以非線性地調整方程的函數形式，以擬合實際的數據關系；

通常，在不同沉積環境下，不同巖性物性構成的巖石其數據點具有不同的分散分布特征，為了將巖性物性交會圖中數據點的這種分散分布特征引入到非線性儲層巖性物性模型中，將地震波阻抗與儲層物性參數之間的關系統一表示為一種隱式的關系：

z(t)＝f(φ(t)，w(t)，λ(t))????(4)

式中：z(t)為時間域地震阻抗，φ(t)為時間域孔隙度，w(t)為數據點散狀分布的邊沿檢測子波，f(.)為非線性變換，表示非線性因子λ(t)的影響，為了利用Caianiello褶積神經網絡實現統計反演，對(4)式進行多級分解為

z(t)＝f_i(f_i-1(f_i-2(φ(t)*w_i-2(t))*w_i-1(t))*w_i(t))????(5)

式中：i可以取1，2，或3，代表不同的級數；f_i(·)(i＝1，2，3)是多級非線性變換，隱含非線性因子λ(t)；w_i(t)(i＝1，2，3)為多級邊沿檢測子波；

為了實現同時估計波阻抗與孔隙度之間的整體趨勢變化和沿趨勢線數據點的散狀分布特征，利用邊沿檢測子波作為掃描因子從兩個方向確定趨勢線周圍數據點散狀分布特征，一個是沿著平行z軸的方向，另一個是沿著平行φ軸的方向，前者可表示為：

φ(t)＝f(z(t)，w_z(t)，λ(t))????(15)

式中：w_z(t)稱為縱向邊沿檢測子波，利用隱含非線性因子的儲層物性模型f(.)以及相關截止參數可以確定趨勢線，波阻抗z(t)與縱向邊沿檢測子波的褶積運算可以確定數據點沿z軸方向的散狀分布范圍，后者可表示為：

z(t)＝f(φ(t)，w_φ(t)，λ(t))????(16)

式中w_φ(t)稱為橫向邊沿檢測子波，孔隙度φ(t)與橫向邊沿檢測子波w_φ(t)的褶積運算可以確定數據點沿φ軸方向的散狀分布特征；

5)結合2)步產生的層位控制系統和4)步結果進行井間分頻多級縱向邊沿檢測子波和非線性因子插值；

6)利用基于(15)式的多級形式通過直接反演得到初始孔隙度模型；

7)由1)步和3)步得到的數據結合基于(16)式的非線性儲層物性模型和Caianiello神經網絡算法，提取井旁分頻多級橫向邊沿檢測子波和估計非線性因子；

8)結合2)步產生的層位控制系統和7)步結果，進行井間分頻多級橫向邊沿檢測子波和非線性因子插值；

9)由6)步產生的初始孔隙度模型和井間分頻多級橫向邊沿檢測子波及非線性因子間接反演最終孔隙度，得到中低頻和高頻孔隙度剖面；

10)由中低頻和高頻孔隙度剖面合成全頻孔隙度剖面，用于儲層預測和描述。