CN104502997B - 一种利用裂缝密度曲线预测裂缝密度体的方法 - Google Patents

Abstract

一种利用裂缝密度曲线预测裂缝密度体的方法，它包括以下步骤：（1）地质、测井、地震数据准备，并对相关数据进行归一化处理、反演和属性数据体优选，得到归一化后的各井的裂缝密度曲线及优选数据体；（2）建立多种裂缝密度计算模型，将归一化后的各井的裂缝密度曲线上的数据以及优选数据体的曲线数据带入计算，选择计算结果与实际裂缝密度情况最接近的裂缝密度计算模型；（3）将优选数据体带入选取的裂缝密度计算模型进行计算，得到归一化后的裂缝密度体，再经过反归一化处理获得时间域的裂缝密度体。本发明的实施可完成对时间域的裂缝密度数据体的精细描述，进而减少钻井风险，提高页岩气勘探效益。

Description

一种利用裂缝密度曲线预测裂缝密度体的方法

技术领域

本发明属于石油天然气勘探领域，具体涉及一种利用裂缝密度曲线进行裂缝密度体预测的方法。

背景技术

裂缝是地下油气聚集和运移的重要通道，裂缝预测是指预测裂缝的发育强度或与裂缝分析有关的参数。大多数情况下裂缝主要为构造裂缝——归因于局部构造事件或与局部构造事件相伴生的裂缝，包括与断层有关的裂缝系统、与隆升上拱有关的裂缝系统、与褶皱有关的裂缝系统等等。四川盆地南方海相的龙马溪组优质页岩储层基本上都发育有微型裂缝，这种类型的裂缝起到沟通页岩储层的作用。所以，寻找裂缝型优质页岩储层是海相油气勘探的重要目标之一。

目前，大多数常规裂缝预测技术采用叠前或叠后地震数据来预测裂缝；另外，也有采用有限元分析、构造应力场分析等地质经验分析技术对裂缝进行预测。对裂缝敏感的反演或属性类主要有相干、曲率、P波各向异性强度、振幅及频率类属性等，它们各有优、缺点，对微型裂缝预测的准确度相对较差。一些专利如发明《用于精细断层解释的优势频带相干处理方法》(专利号：200410058167.X)的专利公开了一种相干处理预测小断层及裂缝，经过优势频带相干技术处理后的地震剖面，显示出新的遗漏的小断层，小断层的断点位置更加准确，伸展方向连续；发明《裂缝预测方法和装置》(专利号：201010205983.4)的专利提出利用拾取的目标层时窗获取每个地震道的反射振幅，通过获取的方位角及反射振幅来进行椭圆拟合，以此来预测裂缝的方向及裂缝密度。目前利用地震技术开展裂缝预测方面的相关研究成果国内外均较多，但预测效果都差强人意，结合现有地质、测井及地震上的认识，认为主要存在如下几个问题：

(1)常规裂缝预测技术难以有效描述微型裂缝在垂向及横向上的变化情况，准确度往往不理想；

(2)常规裂缝预测技术对微型裂缝预测的结果与井中实测结果往往匹配不好，预测准确率相对较低。

发明内容

本发明目的在于解决上述现有常规裂缝预测技术中存在的难题，提供一种利用裂缝密度曲线预测时间域的裂缝密度体的方法，实现对微型裂缝在垂向、横向上变化的精细描述，进而减少钻井风险，提高油气勘探的经济效益。

本发明的技术方案是：

一种利用裂缝密度曲线预测裂缝密度体的方法，它包括以下步骤：

(1)地质、测井、地震数据准备，并对相关数据进行归一化处理、反演和属性数据体优选，得到归一化后的各井的裂缝密度曲线及优选数据体；

(2)建立多种裂缝密度计算模型，将归一化后的各井的裂缝密度曲线上的数据以及优选数据体的曲线数据带入计算，选择计算结果与实际裂缝密度情况最接近的裂缝密度计算模型；

(3)将优选数据体带入选取的裂缝密度计算模型进行计算，得到归一化后的裂缝密度体，再经过反归一化处理获得时间域的裂缝密度体。

本发明的步骤(1)中，具体包括以下步骤：

(1-1)地质、测井以及地震数据准备。地质数据包括岩芯录井资料，测井数据包括声波和密度测井曲线、FMI地层微电阻率扫描成像数据，并根据地质数据、测井数据形成裂缝密度曲线，地震数据为常规三维叠前道集或叠后地震数据体；

(1-2)通过对常规三维叠前道集或叠后地震数据体进行反演、属性提取得到地震反演、属性数据体；再从地震反演、属性数据体中提取各个井点上目的层的地震反演、属性数据平均值；

(1-3)将各个井点上目的层的地震反演、属性数据平均值与对应的井点上目的层的总裂缝密度值分别进行归一化后，再进行数据值之间的相关系数计算；选取与总裂缝密度值进行相关系数计算时所得相关系数较高的M个反演、属性数据平均值；并在M个反演、属性数据平均值中选取它们之间的相关系数较低的P个反演、属性数据平均值；其中，井点上目的层的总裂缝密度值由目的层的裂缝密度值进行加权求和获取，所述的目的层的裂缝密度值由各井的裂缝密度曲线中获取；

(1-4)将井点上目的层的总裂缝密度值与井点上目的层的P个地震反演、属性数据平均值分别进行归一化计算，得到各自的归一化处理的函数公式；

(1-5)根据步骤(1-4)得到的各自的归一化处理的函数公式，分别将各井上的裂缝密度曲线的数据值及P个反演、属性数据平均值所对应的数据体进行归一化处理计算，得到归一化后的各井的裂缝密度曲线及P个归一化后的地震反演、属性数据体，这P个归一化后的地震反演、属性数据体作为优选数据体。

本发明的步骤(1-1)中，地质、测井以及地震数据准备通过地球物理勘探、测井资料或者查表获取。

本发明的步骤(1-3)中，选取相关系数较高的M个反演、属性值是指相关系数大于0.6的M个反演、属性数据体，在M个反演、属性值中选取相关系数较低的P个反演、属性值是指相关系数小于0.5的P个反演、属性数据体。

本发明的步骤(1-3)中，归一化处理为一种无量纲处理手段，是使物理系统数值的绝对值变成某 种相对值关系，归一化处理亦即是利用加、减、乘、除或它们之间的组合进行运算；

归一化处理具体为设样本数据为X_p(p＝1，2，…,P),定义X_max＝max{X_p}，X_min＝min{X_p}，归一化处理计算将样本数据转化为n～m区间的数据，归一化处理计算公式如下：

式(1)中，X_p为归一化处理前的样本值，X_pi为归一化处理后的样本值，X_max＝max{X_p}，X_min＝min{X_p}，n及m为正整数，m>n≥0。

本发明的步骤(1-3)中，相关系数计算公式为：

式(2)中X_i及Y_i为进行相关计算的两种数据的第i个数据值，及分别为两种数据值的等级排序平均值，r的取值范围为0至1。

本发明的步骤(2)中，所述的裂缝密度计算模型包括多元线性回归模型、BP神经网络回归数学模型及其相关改进型。

本发明的步骤(2)中，裂缝密度计算模型的选取步骤包括：提取各个井点上与目的层段的裂缝密度曲线数据对应的优选数据体的曲线数据；利用这些相对应的数据建立多种裂缝密度计算模型，并根据盲井点上的预测裂缝密度曲线与盲井上实测的裂缝密度曲线的相关计算结果选取最优的一个模型参与后续步骤的计算。

本发明的有益效果：

本发明的实施可完成对时间域的裂缝密度数据体的精细描述，进而减少钻井风险，提高页岩气勘探效益。当然也可利用本发明技术推广到其它物理量的预测方面，如预测密度、速度、TOC及含烃量等方面。

附图说明

图1为本发明的流程图；

图2为归一化处理后的裂缝密度数据与各个反演、属性数据之间相关系数示意图；

图3为实例中M1井龙马溪组页岩段的裂缝密度曲线示意图；

图4为实例中盲井B井龙马溪组页岩段的实测归一化处理后的裂缝密度曲线与采用BP神经网络计 算的裂缝密度曲线示意图；

图5为实例中盲井B井龙马溪组页岩段的实测归一化处理后的裂缝密度曲线与采用三元二次多项式回归模型计算的裂缝密度曲线示意图；

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

本发明首先对一系列反演、属性数据体进行优选，选取适合的反演、属性数据体进行裂缝密度体计算，再对归一化后井上的裂缝密度曲线以及过井优选数据体曲线建立相关的裂缝密度计算模型；然后对优选数据体及选取的裂缝密度计算模型进行裂缝密度值计算得到归一化后时间域的裂缝密度数据体，再经过对其进行反归一化计算得到时间域的裂缝密度数据体，便可达到利用地震技术预测研究区裂缝发育情况的目的。

由图1可知，本发明包括以下步骤：

(1)地质、测井、地震数据准备，并对相关数据进行归一化处理、反演和属性数据体优选，得到归一化后的各井的裂缝密度曲线及优选数据体。

(1-1)地质、测井以及地震数据准备。其中，地质数据包括岩芯录井资料，测井数据包括声波和密度测井曲线、FMI地层微电阻率扫描成像数据，并根据地质数据、测井数据形成裂缝密度曲线，地震数据为常规三维叠前道集或叠后地震数据体。其中，裂缝密度曲线可通过岩芯观察、测录井所进行的裂缝数据采集及后期处理所形成的表格数据获取。裂缝密度曲线原则上是按一定的采样间隔进行计算，将该采样间隔内的裂缝条数除于该采样间隔得到裂缝密度值，并将该裂缝密度值赋值到该采样间隔的中点深度上，得到深度值——裂缝密度值数据对，依此类推计算，得到裂缝密度曲线。

(1-2)通过对常规三维叠前道集或叠后地震数据体进行反演、属性提取得到地震反演、属性数据体；再从地震反演、属性数据体中提取各个井点上目的层的地震反演、属性数据平均值；其中，地震反演、属性的提取可有相关的地球物理勘探商业软件来实现，如Landmark公司的PAL模块，可对三维地震叠后数据提取振幅类、频率类、瞬时类地震属性，如jason软件则可计算波阻抗反演数据，VVA软件则可提取曲率、相干体、分频体等数据，FRS软件则可利用三维叠前道集数据进行P波各向异性强度计算，提取P波各向异性强度数据。

(1-3)将各个井点上目的层的地震反演、属性数据平均值与对应的井点上目的层的总裂缝密度值分别进行归一化后，再进行数据值之间的相关系数计算；选取与总裂缝密度值进行相关系数计算时所得相关系数较高的M个反演、属性数据平均值；并在M个反演、属性数据平均值中选取它们之间的相关系数较低的P个反演、属性数据平均值；其中，井点上目的层的总裂缝密度值由目的层的裂缝密度值进 行加权求和获取，所述的目的层的裂缝密度值由各井的裂缝密度曲线中获取；其中，选取相关系数较高的M个反演、属性值是指相关系数大于0.6的M个反演、属性数据体，在M个反演、属性值中选取相关系数较低的P个反演、属性值是指相关系数小于0.5的P个反演、属性数据体；归一化处理为一种无量纲处理手段，是使物理系统数值的绝对值变成某种相对值关系，归一化处理亦即是利用加、减、乘、除或它们之间的组合进行运算。归一化处理具体为设样本数据为X_p(p＝1，2，…,P),定义X_max＝max{X_p}，X_min＝min{X_p}，归一化处理计算将样本数据转化为n～m区间的数据。归一化处理计算公式为：

式(1)中X_p为归一化处理前的样本值，X_pi为归一化处理后的样本值，

X_max＝max{X_p}，X_min＝min{X_p}，n及m为正整数，m>n≥0。

其中，相关系数计算公式为：

式(2)中X_i及Y_i为进行相关计算的两种数据的第i个数据值，及分别为两种数据值的等级排序平均值，r的取值范围为0至1。

(1-4)将井点上目的层的总裂缝密度值与井点上目的层的P个地震反演、属性数据平均值分别进行归一化计算，得到各自的归一化处理的函数公式；

(1-5)根据步骤(1-4)得到的各自的归一化处理的函数公式，分别将各井上的裂缝密度曲线的数据值及P个反演、属性数据对应的数据体进行归一化处理计算，得到归一化后的各井的裂缝密度曲线及P个归一化后的地震反演、属性数据体，这P个归一化后的地震反演、属性数据体作为优选数据体。

(2)建立多种裂缝密度计算模型，将归一化后的各井的裂缝密度曲线上的数据以及提取井点上优选数据体的曲线数据带入计算，选择计算结果与实际裂缝密度情况最接近的裂缝密度计算模型。

(2-1)提取各个井点上与目的层段的裂缝密度曲线数据对应的优选数据体的曲线数据。实现方法为：根据各井井中的声波、密度测井曲线及叠后地震资料进行井——震标定，确定各井的时深关系。利用时深关系将过井的优选数据体的曲线数据从时间域转换到深度域，并对深度域的优选数据体的曲线数据进行重采样计算，使其与裂缝密度曲线的采样间隔一致，并形成数据值之间的一一对应关系。

(2-2)建立多种裂缝密度计算模型并对模型进行优选，选取最优的一个模型参与后续步骤的计算。利用井上裂缝密度曲线的各个裂缝密度值与其对应深度域的优选数据体曲线上的数据值建立相关的裂 缝密度计算模型，如建立多元线性回归、BP神经网络回归及其相关的改进型的数学模型来进行裂缝密度值计算，并可开发基于地震反演、属性数据预测裂缝密度值的算法程序。详细步骤如下：

(a)多元回归分析。使用各井井上归一化后的裂缝密度曲线上的数据及其对应的井点上的优选数据体的曲线数据建立多元高次多项式回归模型。计算公式如下：

式(3)中，y_i是预测的某一井井中归一化后裂缝密度曲线的第i个裂缝密度值，x_ii为该井井点上第i条归一化处理、深度转换及重采样处理后的优选数据曲线与第i个裂缝密度值对应的数据，i≤p；a_ij(i＝0,1,…,p；j＝1,2,…,m,m为样本数)为回归系数。

根据该井上的实际归一化后的裂缝密度曲线上的值y_in与预测的该井井点上裂缝密度曲线上的值——y_i值之间的残差平方和为最小，用最小二乘法求取各个系数a_ij的值。残差平方和的计算公式如下：

Q＝∑(y_in-y_i)² (4)

式(4)中，y_in是实测的归一化后某一井上实测第i个裂缝密度值，y_i为预测的裂缝密度曲线上与实测的第i个裂缝密度值相对应的值，Q为残差平方和。

(b)BP神经网络及其相关改进型。这类算法主要利用反向传播学习建立裂缝密度预测的神经网络模型，以实测的裂缝密度曲线数据作为学习训练和测试样本，井点上的优选数据体上的曲线数据作为学习样本，对网络进行训练。设立学习样本为(x_1i，x_2i，…，x_pi；t_p)(p＝1,2,…,P；P为样本数)。随机给出w(W_ij，θ_i，v_i)后，根据(5)～(7)式计算网络第p个样本的输出y_p.。

其中，n为输入层的神经元数；m为隐层的神经元数；W_ij为隐层的神经元i与输入层的神经元j的连接权；θ_i为隐层的神经元i的阀值。

其中，I_i为第i个隐层的神经元的输入；O_i为第i个隐层的神经元的输出。

其中，v_i为输出层神经元与隐层神经元i的连接权；y_p为第p个样本的输出。

定义由隐层神经元与输入层神经元的连接权W_ij、隐层的神经元的阀值θ_i和输出层神经元与隐层神经元的连接权v_i组成的向量为网络的连接权向量W。

对于样本p，定义网络的输出误差为

并定义误差函数为

沿着误差函数e_p随W变化的负梯度方向对W进行修正。设W的修正值为△W，取

式(10)中η为学习率，取0～1间的数。

求得△W后，采用迭代式

W+ΔW→W (11)

对原W进行修正计算，得到新的连接权向量W。

对于所有的学习，均按照样本排列顺序进行上述的计算过程，然后固定W的值。对P个样本分别进行正向计算，从而求出学习样本的能量函数值。

通过反复迭代，对网络连接权W进行修正，使E满足某一精度要求。

上式中，E为标准估计误差，其值越小说明所建模型越好，R为决定系数，其值越大说明所建模型越好。

(c)裂缝密度计算模型优选。利用上述所得的各个数学模型分别计算某盲井段预测的目的层段的裂缝密度曲线，并与实测的裂缝密度曲线进行相关系数计算，优选相关系数最高的预测密度曲线所对应得数学模型作为裂缝密度计算模型。具体为首先提取该盲井的时深关系，利用该时深关系将盲井井点上的各个数学模型计算所得的曲线数据由时间域转换进深度域，并按裂缝密度曲线的采样率进行重采样计算，得到处理后深度域的预测密度曲线数据；并分别与盲井的目的层段的实测裂缝密度曲线上 的数据值进行相关系数计算，选取相关系数值最高的预测密度曲线所对应的数学模型作为裂缝密度计算模型。

(3)将优选数据体带入选取的裂缝密度计算模型进行计算，得到归一化后的裂缝密度体，再经过反归一化处理获得时间域的裂缝密度体。

(3-1)根据选取的裂缝密度计算模型、P个优选数据体，进行裂缝密度值计算，得到预测的归一化的时间域裂缝密度数据体。将P个优选数据体上相同CDP点上的同一个具有相同双程反射时间的采样点上的P个数据值利用裂缝密度计算模型进行计算，得到该CDP点上该采样点上的归一化的时间域裂缝密度值；对各个CDP点进行依次类推计算，即得到归一化的时间域裂缝密度数据体。

(3-2)对归一化的时间域裂缝密度数据体进行反归一化处理，得到时间域的裂缝密度体。利用裂缝密度值进行归一化处理的函数计算公式，将归一化后预测的时间域的裂缝密度数据体最终转换为时间域的裂缝密度体。反归一化处理计算公式为：

式(14)中，y_(x，y，t)为预测的归一化的时间域裂缝密度数据体的某一个采样点上的裂缝密度数据；y′_(x，y，t)为其对应的时间域的裂缝密度数据；X_max＝max{X_p}，X_min＝min{X_p}，n及m为正整数,与式(1)相同，X_p为实测的裂缝密度值样本数。

本发明实例为：

根据本次发明技术流程(图1)，制定工作步骤，实例是对某三维工区的页岩段进行裂缝密度预测。

在步骤①中对各井井中的裂缝密度值进行测井重采样计算，得到各井的裂缝密度曲线，并统计各井井中目的层页岩段的总裂缝密度值，人工定义裂缝密度曲线的采样间隔为5m(图2)；利用各井的测井数据进行井——震标定，确定地震数据体中页岩段的位置，对其进行相关的层位解释并得到相关的时深关系表；针对裂缝预测采用常规商业软件——VVA软件、FRS软件分别计算并提取了P波各向异性数据体、瞬时振幅、曲率体及相干体、瞬时频率体、35hz分频数据体，共计六个地震反演、属性数据体。并利用解释层位提取出各个数据体过井目的层段的反演、属性数据值，并与各井井中目的层段的总裂缝密度值进行归一化处理计算，得到相关的函数计算公式，并利用各自对应的归一化函数计算公式分别进行裂缝密度曲线、反演、属性数据体的归一化处理，将各种数据都归一化处理到(5，100)值域里，其中裂缝密度归一化函数计算公式为y＝3.8x+5，公式中x为实测的裂缝密度值；y为归一化的裂缝密度值。根据归一化后井点目的层段的总裂缝密度值及反演、属性数据体井点上的目的层的数据平均值进行相关系数计算(图3)，优选相关系数较高的数据体并进行这些数据体之间相关系数计算，在此基础上优选相 关系数较低的反演、属性数据体进行下一步骤，实例中根据步骤1的操作程序，优选P波各向异性反演数据体、35hz分频数据体及曲率体进行下一步骤的计算，这三个数据体为优选数据体。

在步骤②中首先提取井点上的P波各向异性数据体、35hz分频数据体及曲率体属性数据曲线，根据各井的时深关系将相应的归一化后的P波各向异性数据体、35hz分频数据体及曲率体的三种属性曲线由时间域转换进深度域，并按裂缝密度曲线的采样间隔对深度域的反演、属性曲线数据进行重采样计算，得到深度域转换及重采样处理后的反演、属性曲线，实例中深度域内各种属性曲线的采样间隔为5m，与裂缝密度的采样间隔一致。用井上裂缝密度曲线的裂缝密度值与其对应处理后的三种曲线上的属性数据值建立相关的裂缝密度计算模型，再对裂缝密度计算模型进行优选。实例中分别建立裂缝密度值与三种属性值之间的三元二次多项式回归模型及BP神经网络模型，根据盲井B井实测的归一化处理后的裂缝密度曲线与三元二次多项式回归模型及BP神经网络模型计算的两种裂缝密度曲线进行对比分析(图4、图5)，BP神经网络模型所得的裂缝密度曲线与实测的裂缝密度曲线两者吻合较好，相关系数最高，这证明利用该模型所计算的裂缝密度是与研究区的裂缝密度相吻合的。

在步骤③中利用优选的BP神经网络模型及归一化处理后时间域的P波各向异性数据体、35hz分频数据体及曲率体进行裂缝密度值的计算，得到预测的归一化后时间域的裂缝密度体，再利用裂缝密度值归一化处理的函数计算公式，对归一化后时间域的裂缝密度体进行反归一化处理，就得到时间域的裂缝密度数据体，实例中裂缝密度反归一化处理的计算公式为x＝0.26y-1.32，公式中x为时间域的裂缝密度值；y为归一化的时间域的裂缝密度值。

利用本发明技术所得到的裂缝预测成果，经后续钻井的页岩岩芯、FMI测井资料证实，吻合率达到83％以上，优于常规裂缝预测技术所取得的成果，这也证明了本发明技术对微型裂缝预测是有效的，值得在裂缝或其它物理量——含烃量、TOC等预测方面运用本发明技术。

上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (7)

1.一种利用裂缝密度曲线预测裂缝密度体的方法，其特征是它包括以下步骤：

(1)地质、测井、地震数据准备，并对相关数据进行归一化处理、反演和属性数据体优选，得到归一化后的各井的裂缝密度曲线及优选数据体；

(2)建立多种裂缝密度计算模型，将归一化后的各井的裂缝密度曲线上的数据以及优选数据体的曲线数据带入计算，选择计算结果与实际裂缝密度情况最接近的裂缝密度计算模型；

(3)将优选数据体带入选取的裂缝密度计算模型进行计算，得到归一化后的裂缝密度体，再经过反归一化处理获得时间域的裂缝密度体；

步骤(1)中，具体包括以下步骤：

(1-1)地质、测井以及地震数据准备，地质数据包括岩芯录井资料，测井数据包括声波和密度测井曲线、FMI地层微电阻率扫描成像数据，并根据地质数据、测井数据形成裂缝密度曲线，地震数据为常规三维叠前道集或叠后地震数据体；

(1-2)通过对常规三维叠前道集或叠后地震数据体进行反演、属性提取得到地震反演、属性数据体；再从地震反演、属性数据体中提取各个井点上目的层的地震反演、属性数据平均值；

(1-3)将各个井点上目的层的地震反演、属性数据平均值与对应的井点上目的层的总裂缝密度值分别进行归一化后，再进行数据值之间的相关系数计算；选取与总裂缝密度值进行相关系数计算时所得相关系数较高的M个反演、属性数据平均值；并在M个反演、属性数据平均值中选取它们之间的相关系数较低的P个反演、属性数据平均值；其中，井点上目的层的总裂缝密度值由目的层的裂缝密度值进行加权求和获取，所述的目的层的裂缝密度值由各井的裂缝密度曲线中获取；

(1-4)将井点上目的层的总裂缝密度值与井点上目的层的P个地震反演、属性数据平均值分别进行归一化计算，得到各自的归一化处理的函数公式；

(1-5)根据步骤(1-4)得到的各自的归一化处理的函数公式，分别将各井上的裂缝密度曲线的数据值及P个反演、属性数据平均值所对应的数据体进行归一化处理计算，得到归一化后的各井的裂缝密度曲线及P个归一化后的地震反演、属性数据体，这P个归一化后的地震反演、属性数据体作为优选数据体。

2.根据权利要求1所述的利用裂缝密度曲线预测裂缝密度体的方法，其特征是：步骤(1-1)中，地质、测井以及地震数据准备通过地球物理勘探、测井资料或者查表获取。

3.根据权利要求1所述的利用裂缝密度曲线预测裂缝密度体的方法，其特征是：步骤(1-3)中，选取相关系数较高的M个反演、属性值是指相关系数大于0.6的M个反演、属性数据体，在M个反演、属 性值中选取相关系数较低的P个反演、属性值是指相关系数小于0.5的P个反演、属性数据体。

4.根据权利要求1所述的利用裂缝密度曲线预测裂缝密度体的方法，其特征是：步骤(1-3)中，归一化处理为一种无量纲处理手段，是使物理系统数值的绝对值变成某种相对值关系，归一化处理亦即是利用加、减、乘、除或它们之间的组合进行运算；

归一化处理具体为设样本数据为X_p(p＝1，2，…,P),定义x_max＝max{X_p}，x_min＝min{X_p}，归一化处理计算将样本数据转化为n～m区间的数据，归一化处理计算公式如下：

式(1)中，X_p为归一化处理前的样本值，X_pi为归一化处理后的样本值，X_max＝max{X_p}，X_min＝min{X_p}，n及m为正整数，m>n≥0。

5.根据权利要求4所述的利用裂缝密度曲线预测裂缝密度体的方法，其特征是：步骤(1-3)中，相关系数计算公式为：

式(2)中X_i及Y_i为进行相关计算的两种数据的第i个数据值，及分别为两种数据值的等级排序平均值，r的取值范围为0至1。

6.根据权利要求1所述的利用裂缝密度曲线预测裂缝密度体的方法，其特征是：步骤(2)中，所述的裂缝密度计算模型包括多元线性回归模型、BP神经网络回归数学模型及其相关改进型。

7.根据权利要求1所述的利用裂缝密度曲线预测裂缝密度体的方法，其特征是：步骤(2)中，裂缝密度计算模型的选取步骤包括：提取各个井点上与目的层段的裂缝密度曲线数据对应的优选数据体的曲线数据；利用这些相对应的数据建立多种裂缝密度计算模型，并根据盲井点上的预测裂缝密度曲线与盲井上实测的裂缝密度曲线的相关计算结果选取最优的一个模型参与后续步骤的计算。