CN105005079A - 一种井曲线反演方法 - Google Patents

Abstract

本发明涉及一种井曲线反演方法，所述方法包括(1)选择工区的井和井曲线；(2)井曲线时深转换；(3)沿井轨迹提取地震属性；(4)井曲线地震属性交互关系分析；(5)选择层位；(6)建立地层格架；(7)建立初始模型；(8)神经网络训练；(9)输出训练结果。本发明的有益效果为：本发明由RBF径向基函数神经网络算法进行井曲线反演算法把地质统计和神经网络技术很好地融合到一起，实现了多属性驱动，地质统计为基础的裂缝密度反演。该方法是对现有随机模拟和多属性井曲线反演的一次超越。它即能得到稳定的反演结果，又能体现地震多属性对反演结果的非线性约束，预测精度高于其他单纯依赖地质统计的软件。

Description

一种井曲线反演方法

技术领域

本发明属于石油勘探开发技术，具体涉及一种井曲线反演方法。

背景技术

目前井曲线反演方法有两种：井曲线的随机反演和神经网络井曲线反演。井曲线的随机反演方法采用协模拟方法，用地震数据做“软”约束进行井曲线反演，地震属性在反演中约束作用的大小取决于地震属性和井曲线的相关性，相关系数越大，地震起的约束作用越大。神经网络井曲线反演方法利用神经网络建立井曲线和地震属性的非相关关系，并利用该相关关系进行井曲线反演。上述的两种反演方法都有一定的弊端，井曲线的随机反演方法只能引入一个地震属性做约束，同时约束过程是简单的线性映射，如果地震信息和井曲线的相关性较复杂，地震信息对反演结果的约束作用就大大降低，反演结果基本就是插值结果。神经网络算法不够稳定，如果地震属性和井曲线的相关性不是非常明显，神经网络的井曲线反演结果往往不好，而且多解性很强。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种井曲线反演方法。采用径向基函数神经网络(RBF)把地质统计和神经网络技术很好地融合到一起，实现了多属性驱动，地质统计为基础的井曲线反演。该方法是对现有随机模拟和多属性井曲线反演的一次超越。它即能得到稳定的反演结果，又能体现地震多属性对反演结果的非线性约束，预测精度比其他单纯依赖地质统计的软件

本发明所采用的技术方案为：

一种井曲线反演方法，其改进之处在于：所述方法包括

(1)选择工区的井和井曲线；

(2)井曲线时深转换；

(3)沿井轨迹提取地震属性；

(4)井曲线地震属性交互关系分析；

(5)选择层位；

(6)建立地层格架；

(7)建立初始模型；

(8)神经网络训练；

(9)输出训练结果。

优选的，所述步骤(1)包括选择曲线目录树中目标井曲线和该曲线的井或在编辑框中输入曲线名直接显示选择的对象。

优选的，所述步骤(2)包括采用数据管理单元将时深转换为时深表；时深转换后生成新的时间域的曲线。

优选的，所述步骤(3)包括用户界面中选择地震测网，该测网中的数据列表中，选择一个或多个地震属性，沿井轨迹提取选择的地震属性。

优选的，所述步骤(4)包括将在目录树中显示选择的井曲线，重采样经过时深转换后，得到的时间域曲线以及沿井轨迹提取的地震属性，进入交会图分析界面，选择X轴和Y轴的井曲线，设定每条曲线的左右刻度，绘制出交会图；在交会图界面中可选择不同的回归公式对交会图进行回归分析。

优选的，所述步骤(5)包括采用层位建立地层格架，在地层格架内进行井曲线反演；选择层位用户界面，选择用户建立地层格架的层位。

优选的，所述步骤(6)包括利用选择的层位建立地层格架，选择地层格架的顶底层位，对于上超选择平行于顶，底部削截；顶超选择平行于底，顶部削截。

优选的，所述步骤(7)包括建立初始模型，初始模型为利用层位做约束，采用插值算法计算；建立初始模型插值方法可采用距离反加权插值方法或克里金插值方法。

优选的，所述步骤(8)包括从列表中选择地震属性，并给定地震属性与井曲线的相关系数，相关系数通过井曲线与地震属性交会图获得，选择地震属性后，进行神经网络训练；利用地震属性与井曲线的相关关系得到由该地震属性重构的新曲线，将重构的新曲线值作为高斯分布的均值，重构曲线与样本曲线的方差作为高斯分布的方差，高斯分布作为神经网络的输入层，经过样本点的网络训练确定输入层到隐层，隐层到输入层的权系数。

优选的，所述步骤(9)包括根据步骤(8)的神经网络训练结果计算井曲线反演结果；选择输出的数据格式和线道范围；输出的数据体为利用地震属性做约束，采用RBF神经网络预测得到的井曲线反演数据体，对于井曲线反演，输入的是裂缝密度曲线，地震属性利用地震几何属性做约束，输出的数据体为裂缝密度数据体。

本发明的有益效果为：

本发明由RBF径向基函数神经网络算法进行井曲线反演算法把地质统计和神经网络技术很好地融合到一起，实现了多属性驱动，地质统计为基础的裂缝密度反演。该方法是对现有随机模拟和多属性井曲线反演的一次超越。它即能得到稳定的反演结果，又能体现地震多属性对反演结果的非线性约束，预测精度高于其他单纯依赖地质统计的软件。

附图说明

图1是本发明提供的的一种井曲线反演方法示意图；

图2是本发明提供的选择井和井曲线界面示意图；

图3是本发明提供的井曲线深时转换界面示意图；

图4是本发明提供的沿井轨迹提取地震属性界面示意图；

图5是本发明提供的时间域井曲线和地震属性界面示意图；

图6是本发明提供的地震属性与井曲线交会分析界面示意图；

图7是本发明提供的建立地层格架界面示意图；

图8是本发明提供的选择层位界面示意图；

图9是本发明提供的地质统计学方法建立初始模型界面示意图；

图10是本发明提供的神经网络训练界面示意图；

图11是本发明提供的神经网格结构示意图。

具体实施方式

下面将结合附图，对本发明做进一步说明：

名词解释：

井曲线反演技术是由井出发，利用地震信息做约束，反演井曲线的三维变化规律。当前的石油勘探开发已经从简单的构造油气藏，转向勘探和开发岩性等隐蔽油气藏。

井曲线反演能很好预测储层和油气的空间分布规律，是进行隐蔽油气探勘开发的关键技术。

如图1所示，本发明提供的一种井曲线反演方法；具体采用下述技术方案实现了RBF(径向基函数神经网络)井曲线反演：

第一步：如图2所示，选择工区的井和井曲线目录树。在底部选择框中选择目标曲线，这时目录树中会自动把包含该曲线的井选择下来。选择井曲线的另外一种方式是在下部的编辑框中输入曲线名，如果同类曲线在不同井中名字不用，可输入曲线名和多个别名，用“，”号分开。例如对时差曲线输入AC，DT。

第二步：井曲线时深转换

如图3所示，由于井曲线反演要用地震属性做约束，需要对井曲线进行时深转换。该页面主要用于对井数据进行时深转换。

时深转换所需的时深表可以通过数据管理输入。

Time Space：时间采样间隔，通常情况选择与输入地震数据体一致。

Resample mode:重采样方式，可选择临近点、算术平均和几何平均三种方式。

时深转换后会生成新的时间域的曲线，新曲线名是原曲线名+“_time”。

第三步：沿井轨迹提取地震属性

如图4所示，为用户界面，首先在Survey栏选择地震测网，Seismic Data列表把该测网中的所有数据列出来，选择一个或多个地震属性，流程会沿井轨迹把选择的地震属性提取出来。

第四步:井曲线地震属性交互关系分析

如图5所示，用户界面，在目录树中会显示选择的井曲线，时深转化重采样得到的时间域曲线以及沿井轨迹提取的地震属性。

如图6所示，用户可以按View Cross plot进入交会图分析界面。选择X轴的Y轴的井曲线，定义每条曲线的左右刻度，就可绘制出交会图。在交会图界面中按右键可选择不同的回归公式对交会图进行回归分析。

第五步：选择层位

如图7所示，井曲线反演需用层位建立地层格架，在地层格架内进行井曲线反演。图7位选择层位用户界面。选择用户建立地层格架的层位，选择层位。

第六步：建立地层格架

如图8所示，利用选择的层位建立地层格架，选择地层格架的顶底层位。地层格架需考虑地层的上超、顶超等地质现象，缺省状态是平行顶底；对于上超选择平行于顶，底部削截。顶超选择平行于底，顶部削截。

第七步：建立初始模型

如图9所示，建立初始模型，初始模型是利用层位做约束，采用插值算法计算得到的。图9为建立初始模型界面，建立初始模型插值方法可以采用距离反加权插值方法或克里金插值方法。

对于克里金算法，各参数意义如下：

Auto Calculation Parameter按钮：按该按钮能根据井信息，采用最小二乘算法自动拟合变差函数参数。

Range1：横向变程1，变差函数长轴的长度。

Range2：横向变程2，变差函数横向短轴的长度。

Angle：变差函数长轴与X轴的夹角。

Max Point nums：最大邻近点数量。

Sill：基台值。

Nuget：块金常数。

Vertical Range：垂向变程。

Vertical Sill：垂向基台值。

第八步：神经网络训练

如图10所示，从列表Select Seismic Attributes中选择地震属性，并给定地震属性与井曲线的相关系数，相关系数通过井曲线与地震属性交会图获得。

Maximum training times:神经网络训练次数。

Network Name：神经网络名称。

如图11所示，为本发明神经网络结构图，与其他网络的主要不同之处在网络的输入端。本发明利用地震属性(attr1,attr2….attri....attrn)与井曲线(curve)的关系能得到由该地震属性重构的新曲线，本发明把重构的新曲线值作为高斯分布的均值，重构曲线与样本曲线的方差作为高斯分布的方差，这样由n个地震属性和样本曲线就能得到n个高斯分布(G1,G2…Gn)。这些高斯分布作为神经网络的输入层，从输入层、隐层到输出层的结构与PNN网络类似。经过样本点的网络训练确定输入层到隐层，隐层到输入层的权系数。

与PNN网络不同的是在输入端的高斯函数，不仅只受地震属性的影响，而且受到了井曲线的影响。这样在地震属性与井曲线关系不好的情况下，仍能得到稳定的反演结果。

结构图中： $G_i=\exp (-\frac{|x-c_i{|}^2}{2{\mathrm{\σ}}^2})$

其中Ci由地震属性attr_i重构获得，即根据attr_i与井曲线的相关关系由地震属性得到的新曲线。

网络训练结束后，利用网络模型对井曲线进行反演，网络所需要的地震属性，可以直接由地震属性体获得。而输入端所需要的“curve”信息，可以由井曲线经过Krig插值获得，插值过程中，用地震层位做约束，沿层分析变差函数。

选择地震属性后，进行神经网络训练。

第九步：输出训练结果

根据第八步的神经网络结果计算井曲线反演结果。如果第八步没有完成神经网络训练，这里将不能输出训练结果。

输出数据可以选择输出的数据格式，线道范围等等。

输出的数据体就是本发明利用地震属性做约束，采用RBF神经网络预测得到的井曲线反演数据体，对于井曲线反演，本发明输入的是裂缝密度曲线，地震属性利用地震几何属性做约束，输出的数据体就是裂缝密度数据体。

本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (10)

1.一种井曲线反演方法，其特征在于：所述方法包括

(1)选择工区的井和井曲线；

(2)井曲线时深转换；

(3)沿井轨迹提取地震属性；

(4)井曲线地震属性交互关系分析；

(5)选择层位；

(6)建立地层格架；

(7)建立初始模型；

(8)神经网络训练；

(9)输出训练结果。

2.根据权利要求1所述的一种井曲线反演方法，其特征在于：所述步骤(1)包括选择曲线目录树中目标井曲线和该曲线的井或在编辑框中输入曲线名直接显示选择的对象。

3.根据权利要求1所述的一种井曲线反演方法，其特征在于：所述步骤(2)包括采用数据管理单元将时深转换为时深表；时深转换后生成新的时间域的曲线。

4.根据权利要求1所述的一种井曲线反演方法，其特征在于：所述步骤(3)包括用户界面中选择地震测网，该测网中的数据列表中，选择一个或多个地震属性，沿井轨迹提取选择的地震属性。

5.根据权利要求1所述的一种井曲线反演方法，其特征在于：所述步骤(4)包括将在目录树中显示选择的井曲线，重采样经过时深转换后，得到的时间域曲线以及沿井轨迹提取的地震属性，进入交会图分析界面，选择X轴和Y轴的井曲线，设定每条曲线的左右刻度，绘制出交会图；在交会图界面中可选择不同的回归公式对交会图进行回归分析。

6.根据权利要求1所述的一种井曲线反演方法，其特征在于：所述步骤(5)包括采用层位建立地层格架，在地层格架内进行井曲线反演；选择层位用户界面，选择用户建立地层格架的层位。

7.根据权利要求1所述的一种井曲线反演方法，其特征在于：所述步骤(6)包括利用选择的层位建立地层格架，选择地层格架的顶底层位，对于上超选择平行于顶，底部削截；顶超选择平行于底，顶部削截。

8.根据权利要求1所述的一种井曲线反演方法，其特征在于：所述步骤(7)包括建立初始模型，初始模型为利用层位做约束，采用插值算法计算；建立初始模型插值方法可采用距离反加权插值方法或克里金插值方法。

9.根据权利要求1所述的一种井曲线反演方法，其特征在于：所述步骤(8)包括从列表中选择地震属性，并给定地震属性与井曲线的相关系数，相关系数通过井曲线与地震属性交会图获得，选择地震属性后，进行神经网络训练；利用地震属性与井曲线的相关关系得到由该地震属性重构的新曲线，将重构的新曲线值作为高斯分布的均值，重构曲线与样本曲线的方差作为高斯分布的方差，高斯分布作为神经网络的输入层，经过样本点的网络训练确定输入层到隐层，隐层到输入层的权系数。

10.根据权利要求1所述的一种井曲线反演方法，其特征在于：所述步骤(9)包括根据步骤(8)的神经网络训练结果计算井曲线反演结果；选择输出的数据格式和线道范围；输出的数据体为利用地震属性做约束，采用RBF神经网络预测得到的井曲线反演数据体，对于井曲线反演，输入的是裂缝密度曲线，地震属性利用地震几何属性做约束，输出的数据体为裂缝密度数据体。