[發明專利]一種河流相儲層地震敏感參數模板分析方法

有效

• 申請號: 201610095145.3
• 申請日: 2016-02-22
• 公開（公告）號: CN105760673B
• 公開（公告）日: 2018-05-25
• 發明（設計）人: 胡光義;范廷恩;尹成;高云峰;丁峰;羅浩然;張顯文;樊鵬軍;宋來明;王宗俊;聶妍;趙衛平
• 申請（專利權）人: 中國海洋石油集團有限公司;中海油研究總院有限責任公司
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 徐寧;孫楠

本發明涉及一種河流相儲層地震敏感參數模板分析方法，其步驟：選定待測位置，根據預先設定的時窗提取地震屬性，并將所述地震屬性做平滑、濾波預處理，去除所述地震屬性數據中的異常值，提取的地震屬性并得到優選敏感地震屬性參數，將其進行優化，采用正演模擬分析法、多側面、多角度的儲層相關相容性分析法和決策優選、組合降維方法等得到儲層參數最敏感的優選屬性集合，實現地震屬性的相容性約簡；該分析方法能夠在河流相等復雜地質條件下有效建立儲層敏感地震屬性組合，根據所得的優選地震屬性繪制地震敏感參數模板圖；將地震敏感參數模板圖與已知樣本井或已知儲層信息坐標處模板進行對比，最終確定測試區域內選定處儲層的特征性質。

技術領域

本發明涉及一種地震參數模板分析方法，特別是關于一種河流相儲層地震敏感參數模板分析方法。

背景技術

目前，為了提高儲層預測精度，屬性優選法被逐漸引入，以期望尋找到最敏感且最具代表性的敏感屬性來解決儲層預測這一問題。然而地震屬性之間往往存在一定的相關性，優選出的單一地震敏感屬性可能僅僅只能反映出該工區某一方面或某個局部的地質信息，甚至可能只表現為某一種偶然出現的現象，導致儲層預測的結果可能存在著多解性，難以獲得最優且最準確的預測結果。

地震屬性與儲層信息存在著某些較為復雜的關系。儲層地震預測，主要是以地震信息或地震屬性為理論依據，并綜合地質、測井及巖石物理等資料作為儲層預測的約束條件，對油氣儲層的幾何特征、地質特征及儲層的巖性、形態、物性及含油氣性等進行預測研究的一門專項技術。儲層地震預測不僅應用于油氣勘探過程中的儲層參數預測及油氣田開發階段中的油氣藏動態描述，而且在某種程度上還可以用于提高鉆井成功率，降低勘探風險。目前有逐步回歸、神經網絡、協克里金、相關濾波方法、支持向量機方法、判別分析法、非參數回歸分析方法、灰色識別等地震屬性預測儲層參數的方法。每種方法各有特點，目前應用較多的方法類別是人工神經網絡模式識別。人工神經網絡模式識別，是將地震信息作為輸入，儲層預測參數作為學習樣本，利用訓練后的網絡對全工區進行儲層預測。人工神經網絡最早出現在1800年Freud的精神分析學中，1986年，Rumelhart,Hinton,Williams發展了BP算法，迄今BP算法已被用于解決大量實際問題。1988年，Linsker對感知機網絡提出了新的自組織理論，并在Shanon信息論的基礎上形成了最大互信息理論，從而點燃了基于NN的信息應用理論的光芒。1988年，Broomhead和Lowe用徑向基函數(Radial basis function,RBF)提出分層網絡的設計方法，從而將NN的設計與數值分析和線性適應濾波相掛鉤。90年代初，Vapnik等提出了支持向量機(Support vector machines,SVM)和VC(Vapnik-Chervonenkis)維數的概念。RBF網絡，即徑向基神經網絡，是前饋型網絡的一種。它的設計思想和BP網絡完全不一樣。RBF網絡是一個三層的網絡，除了輸入輸出層之外僅有一個隱層。隱層中的轉換函數是局部響應的高斯函數，而其他前向型網絡，轉換函數一般都是全局響應函數。由于這樣的不同，要實現同樣的功能，RBF需要更多的神經元，這就是RBF網絡不能取代標準前向型網絡的原因。但是RBF的訓練時間更短。它對函數的逼近是最優的，可以以任意精度逼近任意連續函數。隱層中的神經元越多，逼近越精確。利用徑向基神經網絡進行儲層預測，首先要從地震數據中提取出特征參數，并將它們組成多維的特征矢量，與此同時設計一個非線性網絡。在該網絡中以井旁地震參數作為輸入，井上儲層參數作為學習樣本，且若輸入層中有N個神經元，那么就會對應N個敏感屬性。而且，每一個輸入單元只與一個模式單元相連接，反過來，每一個模式單元與M個輸出單元中的其中一個相連接。將輸入樣本經過訓練以后，再根據實際情況將其輸出，將訓練好的神經網絡應用于整個工區，就可以對全區進行儲層預測。

使用神經網絡作儲層預測時，要得到較高精度的儲層預測結果，對參與訓練的樣本就需要一定的要求，一方面需要足夠的樣本數，即已知樣本井要達到一定的數量；另一方面，樣本井在工區中分布要盡量均勻，若樣本井分布太過于集中，就可能會造成少井或井間距離較大的區域預測精度不高。同時，需要考慮參與訓練樣本的各種特殊性，假如對所有參與學習的樣本同等對待，務必會對結果造成一定的影響，引起誤差。