CN103543478A - 地质形态插值的km方法 - Google Patents

Abstract

本发明提供一种地质形态插值的KM方法，该方法包括：步骤1，基于地质特征训练图像进行地质结构特征的提取；步骤2，基于该地质结构特征进行插值模拟；步骤3，基于多点地质统计学和传统地质统计学进行插值模拟；以及步骤4，基于图像分析技术的插值进行结果优化。该方法得出的地质结构直观模型既能定性的体现出专家知识（训练图像）表达出的复杂结构特征，又能定量的反映出测井数据中那些实际的测井点体现出来的真实的地质特征分布情况。

Description

地质形态插值的KM方法

技术领域

本发明涉及地质统计学技术领域，特别是涉及到一种地质形态插值的KM方法。

背景技术

近年来，地质统计学在石油勘探开发中的应用日益广泛、深入，效果也越来越明显。主要应用包括储层预测，估计地层的埋深、层厚、孔隙度、渗透率和含油饱和度等地质和地球物理参数的空间分布，绘制各种地质图件等。利用地质统计学研究储层的非均质性, 整合地质、地震、测井、钻井和露头等各种数据和信息,进行油气藏地质建模。随机模拟方法和油藏数值模拟相结合预测油藏的动态特征,为制定和调整开发方案并提高采收率提供依据。一般的地质统计学建模只是通过少量确定性参数(如钻井取心及测井数据), 用经典统计方法进行参数求取和空间分布内插去建立储层地质模型。我国储层多为陆相沉积, 储层横向变化大而储层预测中更关心的是井间储层性质的实际变化。这样的建模结果不能如实地反映地质体的非均质性、不确定性和结构性, 也不能满足油藏数值模拟的要求，制约着油田下一步开发。尤其对于那些仍处于早期开发阶段的油田，在只有很少几口井控制的区域，根据有限井控建立的地质模型，会导致不精确的油藏描述，而且会贯穿于流体模拟研究的全过程，进而影响储量估算及油藏动态估测。

自马特隆教授1967年创立了地质统计学以来，地质统计学广泛地应用于地理学、生态学、环境科学、土壤学等诸多领域的研究中，地质统计最大的优势是整合数据，同时根据数据的可靠性，不同程度的尊重不同来源的数据。地质统计学主要有以下优点：通过引入随机函数，能正确表达真实储层地质体变化的随机性；可以整合不同来源的数据。油田勘探开发中得数据通常具有代价昂贵、多来源、准度不一的特点。舍弃任何数据都是应该慎重考虑的。地质统计学提供了多种方法能够在建模过程中以不同的权重整合不同来源、不同精准程度的数据。传统的地质统计学主要有两个方面的应用：一方面应用是运用各种克里金方法建立的回归模型；另一方面应用使用各种随机建模方法建立的各种等可能概率模型。随机模型技术适合于定量刻画数据场的非均质和不确定性，而克里金方法并不强调理论模型的作用，而是实现局部平滑值。所有的这些应用都是基于变差函数的，因此又被合称为两点地质统计法，以区别后来的多点地质统计法。但是，随着研究深入发现变差函数只能反映出两点间的空间相关性，难以表征复杂的空间结构和再现复杂目标的几何形态，尤其是具有曲线形状的地理对象。

基于传统地质统计学的先天不足，多点地质统计学应运而生。多点地质统计学最初被用来模拟油藏和河道等连续地质实体。其模拟过程简单来讲分为两步：首先从训练图像中提取结构特征信息，形成一些特征结构库；然后将这些结构特征按照概率原则复制到重构的图像中去。

多点地质统计学是相对于基于变差函数的传统地质统计学而言的。在多点地质统计学中使用训练图像（Training image）来代替变差函数表达地质变量的空间结构性，因而能够克服传统地质统计学不能再现目标复杂的几何形态的不足。同时由于该方法仍然以像元为模拟单元，而且采用序贯非迭代算法（Single Normal Equation Simulation-SNESIM），能够忠实于硬数据（采样数据），速度也优于基于目标的随机模拟算法。所以，多点地质统计学能够很好的用于复杂几何形态地物的建模，而且还有更好的计算速度。多点地质统计学最主要的应用是多点模拟，SNESIM本身就是一个多点模拟算法，比起传统序贯高斯模拟等使用多点模拟能够更好的反映出地物的复杂几何形态。

多点地质统计学中得训练图像通常由地质领域的专家根据区域的地质结构给出，作为训练依据，这种方法包含很多专家知识，具有很强的主观色彩，精度一般难以保障。如何改善训练图像的精度也成为一个重要的研究方向。但是值得注意的是现阶段的多点地质统计学还停留在对地质特征进行简单定性分析阶段，只能进行二值化的地质特征模拟，而对于需要多值化的地质特征插值模拟，则存在计算耗费时间长，存储地质结构特征数据量大等问题。如果尝试采用直接将二值化的多点地质统计学方法扩展到多值化的地质结构特征模拟上来，也将难以避免地面对诸多新出现的实际问题，比如从训练图像中提取出来的特征库不足以支持多值化的地质特征模拟，导致最后插值结果不能很好的体现出原本的地质结构特征；同时，在针对大规模地质区域特征模拟时，考虑在最坏的情况下，要想仿真需要所需的存储容量和运算时间呈指数形式递增，超出了所能接受的时间和容量要求。

针对胜利油田的油气藏开发已经进入高含水阶段，井间距离多小于300米，这样就需要更加准确的了解和掌握储层小尺度的参数变化，以便最大限度的挖掘老油气田和高效开发新区油气藏。因此如果充分利用实际测井硬数据模拟出更接近真实情况的地质特征分布，得到更准确和精细的地质特征模型是非常有研究价值的实际问题，对辅助新老油气田的开发有重要的参考价值。

发明内容

本发明的目的是提供一种得出的地质结构直观模型既能定性的表达出复杂结构特征，又能定量的反映实际的测井点体现出来的真实的地质特征分布情况的地质形态插值的KM方法。   

本发明的目的可通过如下技术措施来实现：地质形态插值的KM方法，该地质形态插值的KM方法包括：步骤1，基于地质特征训练图像进行地质结构特征的提取；步骤2，基于该地质结构特征进行插值模拟；步骤3，基于多点地质统计学和传统地质统计学进行插值模拟；以及步骤4，基于图像分析技术的插值进行结果优化。

本发明的目的还可通过如下技术措施来实现：

步骤1包括：

a)逐点扫描该地质特征训练图像；

b）以n阶正方形模板为扫描范围，扫描该搜索节点周围的点；

c）遍历该搜索节点的搜索单元；

d）记录搜索事件到该搜索单元；

e）判断是否遍历完搜索单元，当未遍历完搜索单元时，返回到步骤c；

f）判断是否扫描完该n阶正方形模板，当未扫描完该n阶正方形模板时，返回到步骤b；以及

g）判断是否扫描完该地质特征训练图像，当未扫描完该地质特征训练图像时，返回到步骤a。

在步骤1中，利用自定义的数据模板扫描用户输入的该地质特征训练图像，构造得到该动态地质特征库即搜索树特征库，并预留该地质特征训练图像的用户接口。

在步骤2中，结合该动态地质特征库和测井数据中每个实际井测出来的硬数据点数据信息，进行基于条件概率的插值运算，挑选一条插值路径遍历所有的未知点，估算出各个未知点的地质特征数据信息，模拟出一系列的地质结构图。

该插值路径默认从图像左上角第一个像素点开始遍历，并预留了用户输入指定遍历该插值路径的接口。

在步骤2中，在该搜索树建立完成后，通过访问得到该搜索树中记录的数据事件重复次数来计算相应决定待插值点取何种状态值的条件概率分布函数(conditional probability distribution function, cpdf)。

访问该搜索树的步骤包括：

确定一个访问待插值点的插值路径，在每一个待插值点u处，使得条件数据置于一个以该待插值点u为中心的数据模板中，令n表示条件数据个数，                                                

为条件数据事件，从该搜索树中检索

和

并求取该待插值点u的条件概率分布函数；

从该待插值点u的条件概率分布中按照蒙特卡罗方法提取一个状态值作为该待插值点u的随机模拟值，将该随机模拟值加入到原来的条件数据集中，作为后续模拟的条件数据；以及

沿插值路径的下一个节点，重复上述步骤，直到所有的节点都被模拟到为止，以产生一个随机模拟实现。

在步骤3中，多点地质统计学方法进行模拟插值的步骤包括：

提取搜索树叶子节点；

分组该叶子节点；

遍历插值路径；

获取待插值点周围状态值；

与该搜索树对比得到条件概率；

基于该地质特征训练图像进行概率优化；

根据该条件概率插值；以及

判断是否遍历完插值路径，当未遍历完插值路径时，返回到该遍历插值路径的步骤。

在步骤3中，以插值出来的具有一定地质结构特征的区域为约束，结合测井数据中每个实际井测出来的硬数据点数据信息，通过传统地质统计学的方法模拟出贴近实际油层分布的地质结构图。

在步骤4中，提供一系列基于图像分析学的优化图像显示效果的功能，以选择该功能对最终的插值出来的该地质结构图进行进一步的优化处理。

本发明中的地质形态插值的KM（Kriging & Multiple-point geostatistics, K-M）方法，将传统的地质统计学中的克里金（Kriging）方法和多点地质统计学（Multiple-Point Geostatistics, MPG）方法进行有机结合，因此称之为KM方法。本发明中的地质形态插值的KM方法有效避免传统地质统计学难以表征复杂空间结构和再现复杂目标几何特征的不足的同时，又弥补多点地质统计学暂时只能定性地再现目标特征的缺陷。首先，利用多点地质统计学方法，将蕴含在训练图像中地质结构所表示出来的模糊特征归结成一种准确的数学概念表示，利用适当的数学模型扫描训练图像，把这些定量的特征信息提取出来，并设计出便于高效访问的存储模型来存储特征信息便于后续操作访问。然后基于测井数据（硬数据图像），以硬数据点为约束通过科学的插值方法对硬数据图像中的待插值点进行插值，得出能定性描述训练图像中所蕴含的地质形态特征的二值化图像。

然后，再通过传统的地质统计学中的克里金方法，基于前面得出的二值化的图像和硬数据图像中硬数据点的具体信息来对定性插值结果进行定量分析处理，从而得出的地质结构直观模型既能定性的体现出专家知识（训练图像）表达出的复杂结构特征，又能定量的反映出测井数据中那些实际的测井点体现出来的真实的地质特征分布情况。

附图说明

图1为本发明的地质形态插值的KM方法的一具体实施例的流程图；

图2为本发明的一具体实施例中基于地质特征训练图像进行特征提取的流程图；

图3为本发明的一具体实施例中数据模板扫描训练图像产生一个数据事件的示意图；

图4为本发明的一具体实施例中多点地质统计学方法进行模拟插值的流程图；

图5为本发明的一具体实施例中曲流河的训练图像；

图6为本发明的一具体实施例中曲流河的测井数据图像；

图7为本发明的一具体实施例中曲流河的KM模拟结果的示意图；

图8为本发明的一具体实施例中网状河的训练图像；

图9为本发明的一具体实施例中网状河的测井数据图像；

图10为本发明的一具体实施例中网状河的KM模拟结果的示意图；

图11为本发明的一具体实施例中三角洲浊积的训练图像；

图12为本发明的一具体实施例中三角洲浊积的测井数据图像；

图13为本发明的一具体实施例中三角洲浊积的KM模拟结果的示意图；

图14为本发明的一具体实施例中扇三角洲的训练图像；

图15为本发明的一具体实施例中扇三角洲的测井数据图像；

图16为本发明的一具体实施例中扇三角洲的KM模拟结果的示意图。 

具体实施方式

为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合所附图式，作详细说明如下。

如图1所示，图1为本发明的地质形态插值的KM方法的一具体实施例的流程图。在步骤101，基于地质特征训练图像进行特征提取。训练图像用来描述地层中各向异性，地质体的走向、分布等等。训练图像包含了待模拟区域想要包含的各种结构特征模式，它只是一种概念上得特征模式的集合，不需要有很高的精确度或者符合某种条件数据分布。

通过扫描训练图像，先验地质结构知识被明确而定量地引入到地质结构特征模拟当中。先验知识包含了被研究的属性值中存在的结构特征，而训练图像则是该结构特征的一种直观表达，可以说训练图像中的特征信息决定了最终的模拟结果。现在需要把这种先验模型中的概率信息用一种可以方便插值计算的数学方式表达出来，我们提出数据模板和事件的概念。

训练图像的特征模式可以被在其上方滑动的窗口所捕获，我们就把这个窗口称呼为数据模板。数据事件是由数据模板中所有向量位置的各自状态值所组成，如图3所示，图3为本发明的一具体实施例中数据模板扫描训练图像产生一个数据事件的示意图。

以上推导出来计算条件概率信息所需要用到的各种可能的数据事件重复次数即是我们应该扫描训练图像从中提取出来的能够反映出特征模式的数学信息。

构建一个地质特征库（搜索树）来记录存储各种可能出现的数据事件重复次数。搜索树来存储计算cpdf需的数据事件重复次数，只需要扫描一次训练图像就可以把以数据模板约束下地各种可能的数据事件重复次数存储在搜索树中。

也就是说，在此步骤中，利用自定义的数据模板扫描用户输入的训练图像，构造得到动态特征库（例如：“搜索树”结构），并预留了用户输入训练图像的用户接口（用户手绘接口和图像文件导入接口）。流程进入到步骤102。

在步骤102，多点地质统计学方法进行模拟插值。在地质特征库即搜索树建立完成后，开始通过访问得到搜索树中记录的数据事件重复次数来计算相应决定待插值点取何种状态值的cpdf。其中按需求访问搜索树的思路如下：

1) 确定一个访问待插值点的插值路径。在每一个待插值点u处，使得条件数据置于一个以u为中心的数据模板中。令n表示条件数据个数，

为条件数据事件。从搜索树中检索和

并求取u处的条件概率分布函数；

2) 从u处的条件概率分布中按照蒙特卡罗方法提取一个状态值作为u处的随机模拟值。该模拟值加入到原来的条件数据集中，作为后续模拟的条件数据；

3) 沿插值路径的下一个节点，重复上述步骤。如此循环下去，直到所有的节点都被模拟到为止，从而产生了一个随机模拟实现。

总之，结合步骤101中扫描训练图像得到的动态特征库和硬数据（测井数据），进行基于条件概率的插值运算，挑选一条插值路线遍历所有的未知点，估算出各个未知点的地质特征数据信息，最后得到模拟出一系列的地质特征图。值得注意的是为了改进模拟插值的效果，插值路径采取一种灵活可选的机制，默认从图像左上角第一个像素点开始遍历，同时也预留了用户输入指定遍历路径的接口。流程进入到步骤103。

在步骤103,基于多点地质统计学和传统地质统计学进行插值模拟。

对于区域内的地质结构特征量，采用结合传统地质统计学的方法，即结合经典的克里金方法来进行区域内的模拟插值。因为通过多点地质统计学已知地质结构特征的定性分布区域，结合实际测井数据中某些已知点的地质结构特征量的取值，我们可以在定性区域的约束下进行地质结构特征量的插值。

在模拟插值区域中的未知点A时只考虑离待估计未知点A最近的相同区域内的已知条件点B以及AB连线与区域边界相交的交点C。即只考虑已知点B和分界点C对待估计未知点A的影响，在这里引入最常见的普通克里金方法进行模拟插值运算。

也就是说，在此步骤中，以插值出来的具有一定地质结构特征的区域为约束，结合测井数据中每个实际井测出来的硬数据点数据信息，通过传统地质统计学的方法模拟出贴近实际油层分布的模拟图像。流程进入到步骤104。

在步骤104，基于图像分析技术的插值进行结果优化。鉴于传统地质统计学和多点地质统计学都是一种基于概率的处理实际问题科学方法，由于概率问题本身的不确定性，导致处理结果不可避免会有不同程度的偏差。比如我们不是单纯的由条件概率来决定待插值点所取的具体状态值，而是引入的蒙特卡罗方法。由于计算机本身的局限性而不能产生绝对的服从平均分布的随机数，只能通过数理统计的相关定理而产生一些伪随机数。因此存在有些个别极端情况下产生一些明显的误差，具体体现在插值结果图像中就是一些零零散散的噪声点。运用图像分析理解中的中值滤波、开运算、灰度均衡化三种方法处理插值结果，能够有效的去除那些噪声点，即由概率本身不确定性产生的一部分明显的错误插值点。当然，这只是提供给用户可选的一个优化方法。

即在此步骤中，提供一系列基于图像分析学的优化图像显示效果的功能，用户可以选择性的选择这些功能对最终的插值出来的地质结构图进行进一步的优化处理。因为以地质统计学为基础的插值方法本来就是一种基于条件概率的插值方法，概率本身就隐藏着一些不确定的因素，所以可以通过一些图像分析算法找出插值结果中某些由于不稳定因素造成的明显误差并予以消除，最终得到一个更加优化的插值结果。

图2为本发明的一具体实施例中基于地质特征训练图像进行特征提取的流程图。在步骤201，逐点扫描训练图像。流程进入到步骤202。

在步骤202，以n阶正方形模板为扫描范围，扫描该点周围的点。流程进入到步骤203。

在步骤203，遍历该搜索节点的搜索单元。流程进入到步骤204。

在步骤204，记录搜索事件到该搜索单元。流程进入到步骤205。

在步骤205，判断是否遍历完搜索单元，当遍历完搜索单元时，流程进入到步骤206，否则，流程返回到步骤203。

在步骤206，判断是否扫描完n阶模板，当扫描完n阶模板时，流程进入到步骤207，否则，流程返回到步骤202。

在步骤207，判断是否扫描完训练图像，当扫描完训练图像时，流程结束，否则，流程返回到步骤201。

图4为本发明的一具体实施例中多点地质统计学方法进行模拟插值的流程图。在步骤401，提取搜索树叶子节点。流程进入到步骤402。

在步骤402，分组叶子节点。流程进入到步骤403。

在步骤403，遍历插值路径。流程进入到步骤404。

在步骤404，获取待插值点周围状态值。流程进入到步骤405。

在步骤405，与搜索树对比得到条件概率。流程进入到步骤406。

在步骤406，基于训练图像的概率优化。流程进入到步骤407。

在步骤407，根据条件概率插值。流程进入到步骤408。

在步骤408，判断是否遍历完插值路径，当遍历完插值路径时，流程结束，否则，流程返回到步骤403。

图5为本发明的一具体实施例中曲流河的训练图像；图6为本发明的一具体实施例中曲流河的测井数据图像；图7为本发明的一具体实施例中曲流河的KM模拟结果的示意图。从图5到图7可以看出，模拟结果很好的再现了训练图像所蕴含的曲流河沉积相特征。

图8为本发明的一具体实施例中网状河的训练图像；图9为本发明的一具体实施例中网状河的测井数据图像；图10为本发明的一具体实施例中网状河的KM模拟结果的示意图。从图8到图10可以看出，模拟结果很好的再现了训练图像所蕴含的网状河沉积相特征。

图11为本发明的一具体实施例中三角洲浊积的训练图像；图12为本发明的一具体实施例中三角洲浊积的测井数据图像；图13为本发明的一具体实施例中三角洲浊积的KM模拟结果的示意图。从图11到图13可以看出，模拟结果很好的再现了训练图像所蕴含的三角洲浊积岩沉积相特征。

图14为本发明的一具体实施例中扇三角洲的训练图像；图15为本发明的一具体实施例中扇三角洲的测井数据图像；图16为本发明的一具体实施例中扇三角洲的KM模拟结果的示意图。从图14到图16可以看出，模拟结果较好的再现了训练图像所蕴含的扇三角洲沉积相特征。

本发明中的地质形态插值的KM方法根据提供的实际专家知识（训练图像）和测井数据（硬数据图像），按照项目计划的解决方案进行了多组测试仿真，得到了大量具有一定说服力的效果不错的插值图像，既很好的体现出了专家知识（训练图像）中蕴含的复杂地质结构特征，又把测井数据（硬数据图像）中包含的实际地质结构信息考虑了进来。

Claims (10)

1.地质形态插值的KM方法，其特征在于，该地质形态插值的KM方法包括：

步骤1，基于地质特征训练图像进行地质结构特征的提取；

步骤2，基于该地质结构特征进行插值模拟；

步骤3，基于多点地质统计学和传统地质统计学进行插值模拟；以及

步骤4，基于图像分析技术的插值进行结果优化。

2.根据权利要求1所述的地质形态插值的KM方法，其特征在于，步骤1包括：

a)逐点扫描该地质特征训练图像；

b）以n阶正方形模板为扫描范围，扫描该搜索节点周围的点；

c）遍历该搜索节点的搜索单元；

d）记录搜索事件到该搜索单元；

e）判断是否遍历完搜索单元，当未遍历完搜索单元时，返回到步骤c；

f）判断是否扫描完该n阶正方形模板，当未扫描完该n阶正方形模板时，返回到步骤b；以及

g）判断是否扫描完该地质特征训练图像，当未扫描完该地质特征训练图像时，返回到步骤a。

3.根据权利要求1所述的地质形态插值的KM方法，其特征在于，在步骤1中，利用自定义的数据模板扫描用户输入的该地质特征训练图像，构造得到该动态地质特征库即搜索树特征库，并预留该地质特征训练图像的用户接口。

4.根据权利要求3所述的地质形态插值的KM方法，其特征在于，在步骤2中，结合该动态地质特征库和测井数据中每个实际井测出来的硬数据点数据信息，进行基于条件概率的插值运算，挑选一条插值路径遍历所有的未知点，估算出各个未知点的地质特征数据信息，模拟出一系列的地质结构图。

5.根据权利要求4所述的地质形态插值的KM方法，其特征在于，该插值路径默认从图像左上角第一个像素点开始遍历，并预留了用户输入指定遍历该插值路径的接口。

6.根据权利要求3所述的地质形态插值的KM方法，其特征在于，在步骤2中，在该搜索树建立完成后，通过访问得到该搜索树中记录的数据事件重复次数来计算相应决定待插值点取何种状态值的条件概率分布函数(conditional probability distribution function, cpdf)。

7.根据权利要求6所述的地质形态插值的KM方法，其特征在于，访问该搜索树的步骤包括：

确定一个访问待插值点的插值路径，在每一个待插值点u处，使得条件数据置于一个以该待插值点u为中心的数据模板中，令n表示条件数据个数，                                                

为条件数据事件，从该搜索树中检索

和

并求取该待插值点u的条件概率分布函数；

从该待插值点u的条件概率分布中按照蒙特卡罗方法提取一个状态值作为该待插值点u的随机模拟值，将该随机模拟值加入到原来的条件数据集中，作为后续模拟的条件数据；以及

沿插值路径的下一个节点，重复上述步骤，直到所有的节点都被模拟到为止，以产生一个随机模拟实现。

8.根据权利要求2所述的地质形态插值的KM方法，其特征在于，在步骤3中，多点地质统计学方法进行模拟插值的步骤包括：

提取搜索树叶子节点；

分组该叶子节点；

遍历插值路径；

获取待插值点周围状态值；

与该搜索树对比得到条件概率；

基于该地质特征训练图像进行概率优化；

根据该条件概率插值；以及

判断是否遍历完插值路径，当未遍历完插值路径时，返回到该遍历插值路径的步骤。

9.根据权利要求1所述的地质形态插值的KM方法，其特征在于，在步骤3中，以插值出来的具有一定地质结构特征的区域为约束，结合测井数据中每个实际井测出来的硬数据点数据信息，通过传统地质统计学的方法模拟出贴近实际油层分布的地质结构图。

10.根据权利要求1所述的地质形态插值的KM方法，其特征在于，在步骤4中，提供一系列基于图像分析学的优化图像显示效果的功能，以选择该功能对最终的插值出来的该地质结构图进行进一步的优化处理。

Images