CN101430386B - 一种地震多参数融合气藏检测方法 - Google Patents

Abstract

一种地球物理勘探烃类检测的地震多参数融合气藏检测方法，步骤是：采集地震数据并处理，提取各种属性参数，计算隶属度函数，采集常规声波测井和密度测井数据，与地震子波褶积形成合成道，计算观测数据与气藏或非气藏的匹配程度和各观测数据的可信度值：对所有属性参数的可信度值进行融合，得到多参数融合的气藏、非气藏和不确定区的可信度值并确定气藏。本发明利用模糊集理论的隶属度函数和证据理论中的支持区间、信度区间和拒绝区间以及证据融合法则，精确地刻画了地震数据的不确定性，本发明预测准确率由传统方法的70％左右提高到80％以上，显著提高了气藏钻井的成功率。

Description

一种地震多参数融合气藏检测方法

技术领域

本发明涉及地球物理勘探烃类检测技术，是一种地震多参数融合气藏检测方法。

背景技术

在地球物理勘探烃类检测技术中，利用地震数据进行天然气藏检测除了采用“亮点”技术和AVO技术外，多种信息的综合检测方法越来越受到了人们的高度重视。

常用的多参数融合气藏检测的方法有模式识别和神经网络。模式识别方法是先取得测井资料，再将测井资料作为学习样本，根据试井结果把学习样本分类，通过标定，提取井旁道地震属性并进行组合，根据类内距最小、类间距最大的原则确定各属性系数，然后对其它地震道的属性值进行运算、分类，得到油气分布情况。神经网络方法通过井位置处地震属性与测井数据(如伽玛测井、密度测井等)或储层物性的学习，建立这些属性参数与期望类型测井或储层物性参数间的关系，对非井旁道的地震属性参数进行运算，得到相应的测井参数或储层物性参数，进行储层预测和烃类检测。与模式识别相比，神经网络具有更好的鲁棒性和更强的适用性。这两类方法都要求各属性参数相互独立，且都没有给出地震数据不确定性的精确刻画。

由于地下环境复杂和地球物理数据采集的不完备和测量误差等，获得地球物理信号具有不确定性。上述地震气藏检测方法存在两个缺陷：一是都缺乏对观测数据和检测结果不确定性的精确刻画能力；一是不能充分利用地震信息的冗余性，容易造成多个观测值检测结果的不一致，即准确度低。

发明内容

本发明的目的是提供一种精确刻画地球物理参数的不确定性，充分利用地震多参数的冗余和互补，提高气藏检测的准确度的地震多参数融合气藏检测方法。

本发明提供如下技术方案：

本发明具体实现步骤是：

1)采集地震数据工作区，进行常规的数据处理，形成叠后数据；

步骤1所述的数据处理包括叠前去噪、地表一致性振幅补偿、静校正、动校正、叠加和偏移。

步骤1所述的数据处理是进行常规的叠前去噪、地表一致性振幅补偿、静校正和动校正，形成道集数据。

2)用常规方法从叠后地震数据中提取各种属性参数，并用下式计算各地震道属性参数的高斯分布，作为它们的隶属度函数，

${\mathrm{\γ}}_o\left(A_i\right)=e^{-{(A_i-{\stackrel{\‾}{A}}_{\mathrm{oi}})}^2/{2\mathrm{\σ}}_{\mathrm{oi}}^2}$

式中γ_o表示观测数据的隶属度函数，A_i(i＝1，2，…n)为第i个观测数据，

为第i个观测数据的平均值，σ_oi为方差；

步骤2所述的属性参数包括频率、相位、振幅。

步骤2用常规叠前地震反演方法从道集数据中反演地层弹性参数，计算各地层参数的高斯分布，作为它们的隶属度函数。

步骤2所述的反演地层弹性参数为拉梅常数、密度。

3)在工作区测井采集常规声波测井和密度测井数据，计算反射系数，与地震子波褶积形成合成道，标定层位，按常规地震属性同样的提取方法提取合成道的属性，用下式计算这些属性参数的高斯分布，并作为模型数据的隶属度函数，

${\mathrm{\γ}}_m\left(A_i\right)=e^{-{(A_i-{\stackrel{\‾}{A}}_{\mathrm{mi}})}^2/{2\mathrm{\σ}}_{\mathrm{mi}}^2}$

其中γ_m表示模型数据的隶属度函数，A_i(i＝1，2，…n)为第i个模型数据，

为第i个模型数据的平均值，σ_mi为方差。

步骤3所述的在工作区测井，由常规纵、横波测井和密度测井计算相应的弹性参数测井，计算高斯分布作为模型数据的隶属度函数。

步骤3所述的工作区测井，没有横波测井时，用纵波速度与横波速度的经验公式计算横波速度，再计算弹性参数。

4)用下式计算观测数据与气藏或非气藏的匹配程度：

R_Ai(o|a)＝E{[γ_o(A_i)-E(γ_o)]}E{[γ_am(A_i)-E(γ_am)]}

R_Ai(o|b)＝E{[γ_o(A_i)-E(γ_o)]}E{[γ_bm(A_i)-E(γ_bm)]}

R_Ai(o|a，b)＝1-max(R_Ai(o|a)，R_Ai(o|b))

其中：a表示气藏，b表示非气藏，A_i(i＝1，2，…n)表示第i个观测数据，E(·)为数学期望，γ_am(A_i)为模型数据A_i对a的隶属度函数，γ_bm(A_i)为模型数据A_i对b的隶属度函数，γ_o(A_i)为观测数据A_i的隶属度函数，R_Ai(o|a)表示观测数据A_i反映气藏的程度，R_Ai(o|b)表示观测数据A_i反映非气藏的程度，R_Ai(o|a，b)表示观测数据A_i的不确定程度；

5)按下式计算各观测数据的可信度值：

m_Ai(a)＝w_aR_Ai(o|a)/[w_aR_Ai(o|a)+w_bR_Ai(o|b)+w_a，bR_Ai(o|a，b)]

m_Ai(b)＝w_bR_Ai(o|b)/[w_aR_Ai(o|a)+w_bR_Ai(o|b)+w_a，bR_Ai(o|a，b)]

m_Ai(a，b)＝w_aR_Ai(o|a，b)/[w_aR_Ai(o|a)+w_bR_Ai(o|b)+w_a，bR_Ai(o|a，b)]

其中，w为权系数，按下列情况取值：

信噪比＞2时，w_a＝w_b＝0.4，w_a，b＝0.2

1＜信噪比≤2时，w_a＝w_b＝0.3，w_a，b＝0.4

信噪比≤1时，w_a＝w_b＝0.2，w_a，b＝0.6；

步骤5所述的信噪比是经步骤1处理后的地震数据有效信号与噪声能量的比值。

6)用Dempster-Shafer组合规则，按下式对所有属性参数的可信度值进行融合，得到多参数融合的气藏、非气藏和不确定区的可信度值；

$m\left(\mathrm{\β}\right)=\underset{i=1,j=1}{\overset{i=n,j=n}{\mathrm{\Σ}}}{m}_{A_i}\left(\mathrm{\β}\right)m_{A_j}\left(\mathrm{\β}\right)$

式中β表示a或b或(a，b)；

7)按下列方法确定气藏：

当m(a)＞m(b)，m(a)＞m(a，b)时，为气藏；

当m(b)＞m(a)，m(b)＞m(a，b)时，为非气藏；

当m(a，b)＞m(a)，m(a，b)＞m(b)时，为不确定区。

本发明利用模糊集理论的隶属度函数和证据理论中的支持区间、信度区间和拒绝区间以及证据融合法则，精确地刻画了地震数据的不确定性，同时充分利用了地球物理数据的冗余性和互补性，很好地解决了多个观测数据检测结果可能不一致的问题，显著提高了油气藏检测的准确率。本发明预测准确率由传统方法的70％左右提高到80％以上，显著提高了气藏钻井的成功率。

附图说明

图1是用信度函数和似然函数刻画证据不确定性图，(Bel：信度函数，Pl：似然函数)；

图2是多参数融合检测气藏的流程图；

图3是实例1气藏分布预测图，图中深色表示气藏区，浅灰色为非气藏区，白色为不确定区；

图4是实例2气藏分布预测图，图中深色表示气藏区，浅灰色为非气藏区，白色为不确定区。

具体实施方式

本发明利用模糊集理论中隶属函数描述由噪声、测量的不完整和处理过程的误差引起的数据模糊性，并用隶属函数建立信度函数，然后根据证据组合规则对信度函数进行融合和气藏检测。该方法可以精确刻画地震属性参数的不确定性，并明确划分气藏检测结果的“不确定”和“不知道”。

实例1：

系统中有2个目标，分别是气藏(目标a)和非气藏(目标b)，则气藏的识别框架为Θ＝{a，b}，焦元为{a}，{b}和{a，b}。有4个属性，即拉梅常数、剪切模量、密度和泊松比，用A_i表示，A_i＝{拉梅常数，剪切模量，密度，泊松比}。下面以拉梅常数为例(其它属性参数情况类似)，具体实现步骤为：

1.采集地震数据，进行常规的叠前去噪、地表一致性振幅补偿、静校正和动校正，形成道集数据。

2.用常规叠前地震反演方法从道集数据中反演地层的拉梅常数、剪切模量、密度(观测数据)，并计算泊松比，用下式计算拉梅常数、剪切模量、密度和泊松比的高斯分布，作为它们的隶属度函数。

${\mathrm{\γ}}_o\left(A_i\right)=e^{-{(A_i-{\stackrel{\‾}{A}}_{\mathrm{oi}})}^2/{2\mathrm{\σ}}_{\mathrm{oi}}^2}$

其中γ_o表示反演数据的隶属度函数，A_i(i＝1，2，…n)为第i个反演参数，

为第i个反演参数的平均值，σ_oi为方差。

3.由常规纵、横波测井和密度测井计算拉梅常数、剪切模量和泊松比测井(模型数据)，用下式计算这些测井数据的高斯分布作为模型数据的隶属度函数。

${\mathrm{\γ}}_m\left(A_i\right)=e^{-{(A_i-{\stackrel{\‾}{A}}_{\mathrm{mi}})}^2/2{\mathrm{\σ}}_{\mathrm{mi}}^2}$

其中γ_m表示模型数据的隶属度函数，A_i(i＝1，2，…n)为第i个模型，

为第i个模型数据的平均值，σ_mi为方差。

4.用下式计算观测数据与模型数据的相似程度：

R_Ai(o|a)＝E{[γ_o(A_i)-E(γ_o)]}E{[γ_am(A_i)-E(γ_am)]}

R_Ai(o|b)＝E{[γ_o(A_i)-E(γ_o)]}E([γ_bm(A_i)-E(γ_bm)]}

R_Ai(o|a，b)＝1-max(R_Ai(o|a)，R_Ai(o|b))

其中：a表示气藏，b表示非气藏，E(·)为数学期望，γ_am(A_i)为模型数据A_i对a的隶属度函数，γ_bm(A_i)为模型数据A_i对b的隶属度函数，γ_o(A_i)为观测数据A_i的隶属度函数，R_Ai(o|a)表示观测数据A_i反映气藏的程度，R_Ai(o|b)表示观测数据A_i反映非气藏的程度，R_Ai(o|a，b)表示观测数据A_i的不确定程度。

5.按下式计算各观测数据的可信度值：

m_Ai(a)＝w_aR_Ai(o|a)/[w_aR_Ai(o|a)+w_bR_Ai(o|b)+w_a，bR_Ai(o|a，b)]

m_Ai(b)＝w_bR_Ai(o|b)/[w_aR_Ai(o|a)+w_bR_Ai(o|b)+w_a，bR_Ai(o|a，b)]

m_Ai(a，b)＝w_aR_Ai(o|a，b)/[w_aR_Ai(o|a)+w_bR_Ai(o|b)+w_a，bR_Ai(o|a，b)]

其中，

(1)信噪比＞2时，w_a＝w_b＝0.4，w_a，b＝0.2

(2)1＜信噪比≤2时，w_a＝w_b＝0.3，w_a，b＝0.4

(3)信噪比≤1时，w_a＝w_b＝0.2，w_a，b＝0.6

6.用Dempster-Shafer组合规则，按下式对各属性参数的可信度值进行融合，得到m(a)、m(b)和m(a，b)。

$m\left(\mathrm{\β}\right)=\underset{i=1,j=1}{\overset{i=n,j=n}{\mathrm{\Σ}}}{m}_{A_i}\left(\mathrm{\β}\right)m_{A_j}\left(\mathrm{\β}\right)$

其中β表示a或b或(a，b)。

7.按下列方法进行气藏检测：

(1)当m(a)＞m(b)，m(a)＞m(a，b)时，为气藏；

(2)当m(b)＞m(a)，m(b)＞m(a，b)时，为非气藏；

(3)当m(a，b)＞m(a)，m(a，b)＞m(b)时，为不确定区。

图3为地震测线气藏检测结果。该测线上共有8口井，W1～W7为原有井，W8为后钻井，除W1井外，其它7口井气藏检测结果均与钻井一致。

实例2：

实例2气田为辫状河沉积，储层横向变化大，连续性差。实例2与实例1不同之处是它有3个属性，分别为纵波速度、横波速度和泊松比。按照实例1同样的方法得到m_vp(a)、m_vp(b)、m_vp(a，b)，m_vs(a)、m_vs(b)、m_vs(a，b)和m_σ(a)、m_σ(b)、m_σ(a，b)。对m_vp(a)、m_vs(a)和m_σ(a)进行融合，得m(a)；对m_vp(b)、m_vs(b)和m_σ(b)进行融合，得m(b)；m_vp(a，b)、m_vs(a，b)和m_σ(a，b)进行融合，得m(a，b)。根据m(a)、m(b)和m(a，b)值的大小进行气藏检测。图4显示了某测线的气藏预测结果。该测线上只有2口井，且均为气井，与预测结果一致。

Claims (8)

1.一种地震多参数融合气藏检测方法，其特征在于具体实现步骤是：

1)采集地震数据工作区，进行常规的数据处理，形成叠后数据；

2)用常规方法从叠后地震数据中提取各种属性参数，并用下式计算各地震道属性参数的高斯分布，作为它们的隶属度函数，

${\mathrm{\γ}}_o\left(A_i\right)=e^{-{(A_i-{\stackrel{\‾}{A}}_{\mathrm{oi}})}^2/{2\mathrm{\σ}}_{\mathrm{oi}}^2}$

式中γ_o表示观测数据的隶属度函数，A_i(i＝1，2，…n)为第i个观测数据，

为第i个观测数据的平均值，σ_oi为方差；

3)在工作区测井采集常规声波测井和密度测井数据，计算反射系数，与地震子波褶积形成合成道，标定层位，按常规地震属性同样的提取方法提取合成道的属性，用下式计算这些属性参数的高斯分布，并作为模型数据的隶属度函数，

${\mathrm{\γ}}_m\left(A_i\right)=e^{-{(A_i-{\stackrel{\‾}{A}}_{\mathrm{mi}})}^2/{2\mathrm{\σ}}_{\mathrm{mi}}^2}$

其中γ_m表示模型数据的隶属度函数，A_i(i＝1，2，…n)为第i个模型数据，

为第i个模型数据的平均值，σ_mi为方差；

4)用下式计算观测数据与气藏或非气藏的匹配程度：

R_Ai(o|a)＝E{[γ_o(A_i)-E(γ_o)]}E{[γ_am(A_i)-E(γ_am)]}

R_Ai(o|b)＝E{[γ_o(A_i)-E(γ_o)]}E{[γ_bm(A_i)-E(γ_bm)]}

R_Ai(o|a，b)＝1-max(R_Ai(o|a)，R_Ai(o|b))

其中：a表示气藏，b表示非气藏，A_i(i＝1，2，…n)表示第i个观测数据，E(·)为数学期望，γ_am(A_i)为模型数据A_i对a的隶属度函数，γ_bm(A_i)为模型数据A_i对b的隶属度函数，γ_o(A_i)为观测数据A_i的隶属度函数，R_Ai(o|a)表示观测数据A_i反映气藏的程度，R_Ai(o|b)表示观测数据A_i反映非气藏的程度，R_Ai(o|a，b)表示观测数据A_i的不确定程度；

5)按下式计算各观测数据的可信度值：

m_Ai(a)＝w_aR_Ai(o|a)/[w_aR_Ai(o|a)+w_bR_Ai(o|b)+w_a，bR_Ai(o|a，b)]

m_Ai(b)＝w_bR_Ai(o|b)/[w_aR_Ai(o|a)+w_bR_Ai(o|b)+w_a，bR_Ai(o|a，b)]

m_Ai(a，b)＝w_aR_Ai(o|a，b)/[w_aR_Ai(o|a)+w_bR_Ai(o|b)+w_a，bR_Ai(o|a，b)]

其中，w为权系数，按下列情况取值：

信噪比＞2时，w_a＝w_b＝0.4，w_a，b＝0.2

1＜信噪比≤2时，w_a＝w_b＝0.3，w_a，b＝0.4

信噪比≤1时，w_a＝w_b＝0.2，w_a，b＝0.6；

所述的信噪比是经步骤1处理后的地震数据有效信号与噪声能量的比值；

6)用Dempster-Shafer组合规则，按下式对所有属性参数的可信度值进行融合，得到多参数融合的气藏、非气藏和不确定区的可信度值；

$m\left(\mathrm{\β}\right)=\underset{i=1,j=1}{\overset{i=n,j=n}{\mathrm{\Σ}}}{m}_{A_i}\left(\mathrm{\β}\right)m_{A_j}\left(\mathrm{\β}\right)$

式中β表示a或b或(a，b)；

7)按下列方法确定气藏：

当m(a)＞m(b)，m(a)＞m(a，b)时，为气藏；

当m(b)＞m(a)，m(b)＞m(a，b)时，为非气藏；

当m(a，b)＞m(a)，m(a，b)＞m(b)时，为不确定区。

2.根据权利要求1所述的地震多参数融合气藏检测方法，其特征在于，步骤1所述的数据处理是进行常规的叠前去噪、地表一致性振幅补偿、静校正和动校正，形成道集数据。

3.根据权利要求1或2所述的地震多参数融合气藏检测方法，其特征在于，步骤1所述的数据处理包括叠前去噪、地表一致性振幅补偿、静校正、动校正、叠加和偏移。

4.根据权利要求1所述的地震多参数融合气藏检测方法，其特征在于，步骤2所述的属性参数包括频率、相位、振幅。

5.根据权利要求1所述的地震多参数融合气藏检测方法，其特征在于，步骤2用常规叠前地震反演方法从道集数据中反演地层弹性参数，计算各地层参数的高斯分布，作为它们的隶属度函数。

6.根据权利要求1所述的地震多参数融合气藏检测方法，其特征在于，步骤2所述的反演地层弹性参数为拉梅常数、密度。

7.根据权利要求1所述的地震多参数融合气藏检测方法，其特征在于，步骤3所述的在工作区测井，由常规纵、横波测井和密度测井计算相应的弹性参数测井，计算高斯分布作为模型数据的隶属度函数。

8.根据权利要求1或7所述的地震多参数融合气藏检测方法，其特征在于，步骤3所述的工作区测井，没有横波测井时，用纵波速度与横波速度的经验公式计算横波速度，再计算弹性参数。

Images