[發明專利]一種快速求出地震屬性約簡的方法

無效

• 申請號: 201110325871.7
• 申請日: 2011-10-13
• 公開（公告）號: CN103048686A
• 公開（公告）日: 2013-04-17
• 發明（設計）人: 陳紅兵
• 申請（專利權）人: 陳紅兵
• 主分類號: G01V1/28
• 分類號: G01V1/28
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種快速求出地震屬性約簡的方法。

背景技術

隨著地震屬性技術的發展，地震儲層預測已成為指導油氣勘探開發的有效手段。然而，由于地震屬性種類繁多，與預測對象之間的關系復雜，不同工區和不同儲層對所預測目標敏感的(最有效、最具代表性的)地震屬性是不完全相同的。即使是同一工區、同一儲層，預測對象不同，對應的敏感屬性也存在差異。

由于地震屬性的這種多解性，使得某些屬性會嚴重影響儲層預測的精度，因此對地震屬性進行優化選擇就顯得十分必要。地震屬性優化方法可以明顯的提高地震儲層預測的精度，更有效地進行儲層描述，進一步提高鉆井成功率，具有明顯的經濟效益和社會效益。

由于地震屬性是指由疊前或疊后地震數據，經過數學變換而導出的一些包括外部幾何形態、內部反射結構、連續性、振幅、頻率和速度等代表地震相特征的參數。而地震相是特定地震反射參數所限定的三維空間中的地震反射單元，它是特定沉積相或地質體的地震響應。因此，應用地震屬性劃分地震相類型是非常有意義的。最后，通過地震相分析解釋這些地震相所代表的沉積相和沉積環境，以達到地震相轉換為沉積相的目的。

目前，常采用自組織神經網絡對地震屬性進行聚類分析以達到劃分地震相類型的目的，但是傳統的自組織神經網絡由于每輸入一個訓練樣本就被歸到距離最近的一類子集中，這種訓練方式可能過于倉促，影響網絡對所有訓練樣本特征的掌握，進而影響分類的正確性。同時也極易引起網絡權值的振蕩，使得學習時間較長。另外，自組織神經網絡的增益函數、界限函數、鄰域等網絡參數的選取是一個十分棘手的問題，它們隨著劃分類數的不同而變化。鑒于自組織神經網絡的這些問題，本文采用一種模糊自組織神經網絡與地震屬性結合的方式進行地震相模式識別。模糊自組織神經網絡不同于傳統的自組織神經網絡，它是一次輸入所有的訓練樣本點，確定每個樣本點對每類子集的隸屬程度。網絡權值的調整綜合考慮了所有樣本的特征信息，一輪學習只調整一次，大大節約了學習時間。而且這種方法進行地震相分析，可以有效地識別河道、三角洲、沖積扇、斷層、巖性異常體等沉積相特征和地質現象，形成一種實用性強、精度高的儲層預測技術。

地震屬性優化就是優選出對求解問題最敏感、最有效或最有代表的屬性，以便提高儲層預測的精度。在進行地震屬性優化處理前，通常要對提取的所有屬性進行標準化處理(如歸一化等)。地震屬性的優化始于20世紀70年代出現的“亮點”技術，在該技術中，選擇反射波的振幅和極性等，即早期的“專家優化”。隨著人工智能技術的發展，更多數學方法被引入到地震屬性的優化方法中。

目前屬性的優化方法較多，但可將其分為兩大類：利用專家知識進行優化和利用數學方法進行自動優化。專家方法已不能滿足目前儲層預測的要求，只能作為一種輔助的手段。當前國內外的地震屬性優選方法主要是數學方法，主要有K-L變換、局部線性嵌入算法(LLE)、等距映射(ISOMAP)、多重判別分析法(MDA)、屬性貢獻量法、搜索算法、遺傳算法、粗集理論(RS)等。

隨著地震屬性技術的發展，地震儲層預測技術作為一個分支也得到了較快的發展。從早期的單屬性預測到后來利用多種地震屬性進行儲層預測的技術；從早期的專家方法到后來的人工智能方法。自80年代起，“模式識別”受到特別重視，先后研究出了“模糊模式識別”、“統計模式識別”、“神經網絡模式識別”和“函數逼近”等方法，這以后儲層預測技術得到了快速的發展。預測對象從預測油氣發展到預測儲層參數和地層巖性等。目前，根據預測方法可以分為：函數逼近類預測和模式識別類預測。函數逼近類方法主要是對儲層參數等進行預測，主要參數包括砂泥巖百分比、孔隙度、含油飽和度、儲層厚度、地層壓力等，常采用BP神經網絡、徑向基神經網絡、CUSI網絡等。模式識別類方法主要用于含油氣性預測、地震相模式識別，采用的方法已經從統計模式識別、模糊模式識別過渡到自組織神經網絡、BP神經網絡、分形理論、灰色理論等。