CN106569272B - 一种基于数据性质空间升维的地震属性融合方法 - Google Patents

一种基于数据性质空间升维的地震属性融合方法 Download PDF

Info

Publication number
CN106569272B
CN106569272B CN201610994092.9A CN201610994092A CN106569272B CN 106569272 B CN106569272 B CN 106569272B CN 201610994092 A CN201610994092 A CN 201610994092A CN 106569272 B CN106569272 B CN 106569272B
Authority
CN
China
Prior art keywords
attribute
domain
max
reservoir
equation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610994092.9A
Other languages
English (en)
Other versions
CN106569272A (zh
Inventor
李婷婷
马世忠
许承武
范广娟
文慧俭
丛琳
王岁宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN201610994092.9A priority Critical patent/CN106569272B/zh
Publication of CN106569272A publication Critical patent/CN106569272A/zh
Application granted granted Critical
Publication of CN106569272B publication Critical patent/CN106569272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种基于数据性质空间升维的地震属性融合方法。该方法属于地震资料油气预测、油气资源勘探及井震结合储层预测等领域。该方法的主要步骤为：对多个单一属性在一维性质空间进行高维展开，并在高维性质空间中建立曲线方程，在储层预测符合率的控制下，分区寻找储层域。该方法提高了地震属性数据分析的准确性和广度，实现了在高维数据性质空间中的地震属性分析研究，从而能够更准确的进行储层预测，尤其是在断裂复杂区，对薄互层，薄砂层的预测效果更佳。

Description

一种基于数据性质空间升维的地震属性融合方法
技术领域：
本发明涉及一种应用于地震资料油气预测、油气资源勘探及井震结合储层预测领域中的地震多属性融合方法。
背景技术：
地震属性的提出是在19世纪70年代，后期迅速发展是在90年代，由于大量先进算法的引入，使得地震属性得到迅速、良好的发展，同时与层序地层学的结合使得地震属性分析技术逐渐成为油藏地球物理的重要部分，在储层预测等方面发挥着重要的作用。地震属性提取自三维地震资料，受资料品质的影响，地震属性中常常出现大量的异常值；在断层复杂区，地震属性也会受到断层的严重干扰，使得储层预测效果不佳；在薄互储层区，砂泥岩界面的严重干涉会造成属性与储层的相关关系变差，同样影响储层预测精度。地震属性是一个非常庞大的家族，面对大量具有丰富信息的地震属性数据，如何有效的压制噪音，减少断层干扰，除去冗杂的重复信息，凸显有效信息是现阶段的首要任务。
地震属性融合技术是在储层物性、地质规律、沉积特征的指导下，综合考虑不同地震属性的物理意义，选取能够表征储层特征的多个地震属性，将这多个地震属性经过一定的数学运算融合在一起，使融合属性能同时考虑每一种地震属性对储层的影响，达到更好的预测储层的目的。通过地震属性融合，可充分挖掘数据内含信息，去除重复冗杂信息，降低储层预测的多解性，提高储层预测的精度。
目前常用的地震属性融合方法有：(1)聚类分析地震属性融合方法，该方法是通过计算每一种地震属性之间的相关系数，将彼此相关的属性合并成一个新的属性类别，依次对各个单属性进行分析，合并。(2)多元线性回归地震属性融合方法，该方法对两个或两个以上的属性进行线性回归，回归对象一般为储层的厚度。(3)人工神经网络地震属性融合方法，该方法是通过修正网络权值与阈值，使误差函数沿负梯度方向下降，从而达到误差的最小值。以上所采用的地震融合方法都是对多个地震属性在一维数据性质空间中的分析与计算。当数据在其性质空间中一维展示时，所表现出来的信息是缺失和不完备的，所以导致部分数据点识别与分类错误。
发明内容：
为了解决背景技术中所提到的技术问题，本发明提供了一种利用多个地震属性在数据性质空间高维交会后分区来实现多属性融合的方法。采用本发明方法得到的地震属性融合结果消除了冗杂信息和背景噪声 干扰，使储层域和非储层域分布明确，从而降低了单一地震属性对储层预测的多解性，为后期剩余油挖潜做出科学合理的指导。
本发明的技术方案是：该种基于数据性质空间升维的地震属性融合方法，该方法包括以下步骤：
(1)提取地震属性，优选出与研究区储层相关性最好的属性A1，A2。
(2)对优选的属性首先进行数据所在空间的降维处理，在此基础上进行标准化得到[A1]和[A2]，随后对标准化后的一维属性采用交会的方式，在数据性质空间中显示；
(3)标准化后的属性[A1]和[A2]，具有值域为正，且值域范围相等的特点，在此基础上建立[A1]和[A2]的交会，使两个属性在二维数据性质空间中显示；
(4)按照以下步骤在升维后的数据性质空间中确定储层域，形成数据性质空间中的地震属性融合结果图，所述步骤如下：
①确定野值域F1，F2，F3；
首先读取由步骤(2)中得到的标准化后的属性[A1]和[A2]各自的最大值aMax1和aMax2确定最大值点A(aMax1，aMax2)，其次在X轴和Y轴建立两个可动点，分别为B(b，0)和C(0，c)；初步建立野值域边界曲线方程，即；
由：点(b，0)和(aMax1，aMax2)确定方程：
点(0，c)和(aMax1，aMax2)确定方程：
点(0，c)和(b，0)确定方程：
其中aMax1，aMax2表示两个不同属性标准化后的最大值，b，c，b3是循环变量；建立的线性方程y1，y2，y3是野值域的边界方程；
在区间[0，aMax1]内逐步改变b，直到野值域F1内的点有85％都在断层边界内时确定b；在区间[0，aMax2]内逐步改变c，直到野值域F2内的点有85％都在断层边界内时确定c；在区内逐步改变b3，当野值域F3内的点有85％都在断层边界内时确定b3；由此确定野值域三条边界曲线y1，y2，y3；
②确定储层域S1，S2，S3
以①中野值域边界作为外边界，结合单属性标准化后目标区的分布特点，在X轴和Y轴分别建立可动点E(M1，0)和点F(0，M2)；
由：点(M1，0)建立垂直于x轴的方程：
x4＝M1 M1∈[0，aMax1] (4)
点(0，M2)建立垂直于y轴的方程：
y5＝M2 M2∈[0，aMax2] (5)
其中M1，M2表示两个不同属性标准化后的储层阈值，为可变参数；由方程y1，y2，y3，x4，y5作为边界形成了S1，S2，S3，U四个区域；在区间[0，aMax1]内逐步改变M1，在区间[0，aMax2]内逐步改变M2，当S1，S2，S3区域内属性的储层预测符合率都大于75％时，确定E，F两个点中的未知变量M1和M2，从而确定S1，S2，S3三个储层域的边界；
③确定储层域S4；
在区域U中确定S4域的边界方程：
方程y6代表U域中储层域的边界方程，截距b6为可变参数；b，c为B,C两点的横纵坐标；
在区间[0,2c]中逐步增大b6，计算由方程y6确定的S4区域内属性的储层预测符合率，当储层预测符合率大于75％时确定b6，并确定有效域S4；
(5)确定y1至y6六条曲线后，即确定了储层域(S1，S2，S3，S4)，野值域(F1，F2，F3)和非储层域；在边界方程的控制下赋予储层域、野值域、非储层域内的点各自不同的颜色，形成数据性质空间中的地震属性融合结果图。
其中，前述步骤(1)中地震属性的优选按以下步骤依次进行：
(a)查重；即利用属性之间的相关性可以除去大量属性中冗杂的重复信息，简少属性的种类；
(b)测井-属性相关性确定；即按照各井点属性与井点砂厚的关系，从步骤(a)中所得结果中确定与砂厚相关性较高的属性。
前述步骤(2)中的地震属性标准化，是按照原有地震属性值域的分布特点，对精选的地震属性A1和A2分别进行标准化处理；首先对A1和A2的数据进行降维处理，即按地震道一维化，得到一维数组A11(x)和A12(x)；其次确定A11(x)的最小值amin,1和最大值amax,1以及砂岩储层对应A11(x)的最小属性值zmin,1和最大属性值zmax,1；A12(x)的最大值amin,2和最小值amax,2以及砂岩储层对应A12(x)的最小属性值zmin,2和最大属性值zmax,2；最后按下面四种情况分别对属性进行标准化处理，即：
①当amin，i<0，且zmax,i<1/2(amin,i+amax,i)时，逐次采用公式(7)，(8)，(9)，(10)对A1i(x)进行标准化处理，i＝1，2；
A2i(x)＝A1i(x)+|amin，i|+1；i＝1，2 (7)
其中A1i(x)表示对Ai进行一维展开的结果；|amin，i|表示A1i(x)的最小值的绝对值；
其中bmax，i为A2i(x)的最大值；
cmin，1和cmin，2是A31(x)和A32(x)最小值；cmax，1和cmax，2是A31(x)和A32(x)最大值；
A4i(x)＝K*A3i(x)；i＝1，2 (10)
A4i(x)为对Ai标准化后的属性值；
②当amin,i<0且zmax,i>1/2(amin,i+amax,i)时逐次采用公式(11)、(12)、(13)对A1i(x)进行标准化处理，i＝1，2；
A2i(x)＝A1i(x)+|amin，i|+1；i＝1，2 (11)
其中A1i(x)表示对Ai进行一维展开的结果；|amin，i|表示A1i(x)的最小值的绝对值；
cmin，1和cmin，2是A21(x)和A22(x)最小值；cmax，1和cmax，2是A21(x)和A22(x)最大值；
A3i(x)＝K*A2i(x)；i＝1，2 (13)
A3i(x)为对Ai标准化后的属性值；
③当amin,i>0且zmax,i<1/2(amin,i+amax,i)时逐次采用公式(14)，(15)，(16)对A1i(x)进行标准化处理，i＝1，2；
其中bmax，i为A1i(x)的最大值。
cmin，1和cmin，2是A21(x)和A22(x)最小值；cmax，1和cmax，2是A21(x)和A22(x)最大值；
A3i(x)＝K*A2i(x)；i＝1，2 (16)
A3i(x)为对Ai标准化后的属性值；
④当amin,i>0且zmax,i>1/2(amin,i+amax,i)时逐次采用公式(17)，(18)对A1i(x)进行标准化处理，i＝1，2。
cmin，1和cmin，2是A11(x)和A12(x)最小值；cmax，1和cmax，2是A11(x)和A12(x)最大值；
A2i(x)＝K*A1i(x)；i＝1，2 (18)
A2i(x)为对Ai标准化后的属性值；
按照上述4种情况分别对属性A1和A2进行标准化后，其属性值域为正，且值域范围相等。标准化之后的属性用符号[Ai]表示，即属性A1标准化后用[A1]表示，属性A2标准化后用[A2]表示
本发明具有如下有益效果：本发明提出的数据性质空间升维的地震属性融合方法就是对多个单属性分别在其所在的二维空间按地震道一维展开，再进行高维交会，在高维展开的数据性质空间中确定储层域。首先，本发明解决了单属性和线性回归地震属性融合等方法中存在的地震属性在一维数据性质空间的一维不完备性问题，数据高维展开后使得原有的隐含信息在高维性质空间中展示出来，有利于数据信息的挖掘；其次，单属性和现有地震属性融合结果中所蕴含的丰富信息由于其数据性质空间表现形式为一维的，造成了大量有用信息被淹没。只有通对多个一维单属性进行高维展开，其各自所含有的丰富信息才能够完整的在高维数据性质空间中展示，并有利于寻找出与储层关系密切的数据空间域；再次，本发明应用不同地质因素所引起的地球物理响应特点，结合高维交会结果，可以除去断层等特殊反射所带来的噪音，使得背景影响减小。同时可以确定储层域和非储层域的分布。
综上所述，本发明以数据性质空间的高维交会融合结果为指导，该方法可有效提高断层发育区，薄互层和薄砂层的储层预测效果，结合测井信息可以准确预测储层的分布，可以解决在断层附近少井区的储层预测困难，为下一步剩余油挖潜起到准确的指导作用。
附图说明：
图1是本发明的流程示意图；
图2a是本发明的一个具体实施例下原始的地层体均方根振幅属性切片。
图2b是本发明的一个具体实施例下，原始的地层体70Hz分频属性切片。
图3a是本发明的一个具体实施例下，交会结果的第一次分区。
图3b是本发明的一个具体实施例下，对交会结果阴影区F1，F2，F3的投影，及断层边界的对比结果。
图4是本发明的一个具体实施例下，对交会结果的最终分区。
图5是本发明的一个具体实施例下，对交会结果的最终分区，可以将其分为8个区域，其中S1，S2，S3，S4四个域为储层域。
图6是利用本发明实施70Hz分频属性和均方根振幅属性在数据性质空间的高维交会融合结果。
具体实施方式：
下面结合附图给出本发明的一个具体实施例，以求对本发明作出进一步说明：
本实施例数据取自大庆油田南一区西部，研究目的层为萨尔图油层，该层断裂系统复杂，储层薄，互层严重，利用单属性的储层预测效果差。
本发明所述的基于数据性质空间升维的地震属性融合方法，该方法包括以下步骤：
(1)提取地震属性，优选出与研究区储层相关性最好的属性A1，A2。
(2)对优选的属性首先进行数据所在空间的降维处理，在此基础上进行标准化得到[A1]和[A2]，随后对标准化后的一维属性采用交会的方式，在数据性质空间中显示；
(3)标准化后的属性[A1]和[A2]，具有值域为正，且值域范围相等的特点，在此基础上建立[A1]和[A2]的交会，使两个属性在二维数据性质空间中显示；
(4)按照以下步骤在升维后的数据性质空间中确定储层域，形成数据性质 空间中的地震属性融合结果图，所述步骤如下：
①确定野值域F1，F2，F3；
首先读取由步骤(2)中得到的标准化后的属性[A1]和[A2]各自的最大值aMax1和aMax2确定最大值点A(aMax1，aMax2)，其次在X轴和Y轴建立两个可动点，分别为B(b，0)和C(0，c)；初步建立野值域边界曲线方程，即；
由：点(b，0)和(aMax1，aMax2)确定方程：
点(0，c)和(aMax1，aMax2)确定方程：
点(0，c)和(b，0)确定方程：
其中aMax1，aMax2表示两个不同属性标准化后的最大值，b，c，b3是循环变量；建立的线性方程y1，y2，y3是野值域的边界方程；
在区间[0，aMax1]内逐步改变b，直到野值域F1内的点有85％都在断层边界内时确定b；在区间[0，aMax2]内逐步改变c，直到野值域F2内的点有85％都在断层边界内时确定c；在区间内逐步改变b3，当野值域F3内的点有85％都在断层边界内时确定b3；由此确定野值域三条边界曲线y1，y2，y3；
②确定储层域S1，S2，S3
以①中野值域边界作为外边界，结合单属性标准化后目标区的分布特点，在X轴和Y轴分别建立可动点E(M1，0)和点F(0，M2)；
由：点(M1，0)建立垂直于x轴的方程：
x4＝M1 M1∈[0，aMax1] (4)
点(0，M2)建立垂直于y轴的方程：
y5＝M2 M2∈[0，aMax2] (5)
其中M1，M2表示两个不同属性标准化后的储层阈值，为可变参数；由方程y1，y2，y3，x4，y5作为边界形成了S1，S2，S3，U四个区域；在区间[0，aMax1]内逐步改变M1，在区间[0，aMax2]内逐步改变M2，当S1，S2，S3区域内属性的储层预测符合率都大于75％时，确定E，F两个点中的未知变量M1和M2，从而确定S1，S2，S3三个储层域的边界；
③确定储层域S4；
在区域U中确定S4域的边界方程：
方程y6代表U域中储层域的边界方程，截距b6为可变参数；b，c为B,C两点的横纵坐标；
在区间[0,2c]中逐步增大b6，计算由方程y6确定的S4区域内属性的储层预测符合率，当储层预测符合率大于75％时确定b6，并确定有效域S4；
(4)确定y1至y6六条曲线后，即确定了储层域(S1，S2，S3，S4)，野值域(F1，F2，F3)和非储层域；在边界方程的控制下赋予储层域、野值域、非储层域内的点各自不同的颜色，形成数据性质空间中的地震属性融合结果图。
根据前述方法的步骤(1)，提取了萨尔图油层6种地震属性，分别是均方根振幅，70Hz分频属性，最大频率，最大振幅，总绝对值振幅，瞬时相位，计算这6种属性的两两相关性(表1)，去除相关性大于90％的2种属性，留下4种属性，分别是均方根振幅，70Hz分频属性，瞬时相位，最大振幅。
表1不同属性之间的相关性
根据本发明所述方法的步骤(2)计算4种地震属性与井点砂岩厚度之间的相关性(表2)，其中相关性最大的两种地震属性是70Hz分频属性，均方根振幅属性，记为A1和A2。(如图2(a)、2(b))。
表2不同属性与井点砂厚之间的相关性
根据本发明所述方法的步骤(3)，首先对A1和A2的数据进行降维处理，即按地震道一维化，得到一维数组A11(x)和A12(x)；其次确定A11(x)的最小值amin,1为2，最大值amax,1为871，砂岩储层对应A11(x)的最小属性值zmin,1为256和最大属性值zmax,1为580；A12(x)的最小值amin,2为3和最大值amax,2为8653以及砂岩储层对应A12(x)的最小属性值zmin,2为2550和最大属性值zmax,2为3802。
因amin,1>0且zmax,1>(amin,1+amax,1)/2，则
A21(x)＝A11(x)； (7)
因amin,2>0且zmax,2<(amin,2+amax,2)/2，则
cmin，1和cmin，2是A21(x)和A22(x)最小值；cmax，1和cmax，2是A21(x)和A22(x)最大值；cmin，1＝2和cmin，2＝1；cmax，1＝871和cmax，2＝2884
A31(x)＝A21(x) (10)
A32(x)＝k*A22(x)＝0.3*A22(x)； (11)
A31(x)为对地震属性A1标准化后的结果，A32(x)为对地震属性A2标准化后的结果。
对地震属性A1和A2进行标准化后，其值域为正，且值域范围相等。属性A1标准化后用[A1]表示，属性A2标准化后用[A2]表示。
根据本发明所述方法的步骤(4)，建立[A1]和[A2]的交会图(图3a)。
读取[A1]和[A2]各自的最大值aMax1为871，aMax1为864，从而确定点A(871，864)；其次在X轴和Y轴建立两个可动点，分别为B(b，0)和C(0，c)；初步建立野值域边界曲线方程y1、y2和y3。
由：点(b，0)和(aMax1，aMax2)确定方程：
点(0，c)和(aMax1，aMax2)确定方程：
点(0，c)和(b，0)确定方程：
其中b，c，b3是循环变量。
在区间[0，871]内逐步改变b，步长为1，当b＝300时，野值域F1内的点有85％都在断层边界内；在区间[0，864]内逐步改变c，步长为1，当c＝370时，野值域F2内的点有85％都在断层边界内。在区间[300，1937]内逐步改变b3，步 长为1，当b3＝1120时，野值域F3内的点有85％都在断层边界内(如图3b)。确定野值域三条边界曲线y1，y2，y3为：
y1＝1.513*x-453.9 (15)
y2＝0.567*x+370 (16)
y3＝-1.233x+1120 (17)
②储层域S1，S2，S3的确定。在X轴和Y轴分别建立可动点E(M1，0)和点F(0，M2)。
由：点(M1，0)建立垂直于x轴的方程：
x4＝M1 M1∈[0，300] (18)
由：点(0，M2)建立垂直于y轴的方程：
y5＝M2 M2∈[0，370] (19)
其中M1，M2表示[A1]和[A2]的储层阈值，为可变参数。方程x4，y5代表储层域边界方程；
由方程y1，y2，y3，x4，y5作为边界形成了S1，S2，S3，U四个区域。在区间[0，300]内逐步改变M1，在区间[0，370]内逐步改变M2，步长为0.5，当M1＝260，M2＝281时，S1，S2，S3区域内属性的储层预测符合率都大于75％时，如图4确定S1，S2，S3三个储层域的边界，其中边界方程x4和y5为：
x4＝281 (20)
y5＝260 (21)
储层域S4的确定。对于任何一个单属性[A1]和[A2]，U域不是储层域。但在两个属性交会后，U域当中仍然有可能存在可以反映储层的另外一个储层域S4。在区域U中确定S4域的边界方程：
方程y6代表U域中储层域的边界方程，截距b6为可变参数。
在区间[0，740]中逐步增大b6，步长为0.5，计算由方程y6确定的S4区域内属性的储层预测符合率，当b6＝330时，储层预测符合率大于75％，如图5确定有效域S4，边界方程y6为：
y6＝-1.233*x+330 (23)
如果采用单属性分析，或简单的线性回归等在一维性质空间中的地震属性融合方法，S3区域可以被确定为有效域，但S1，S2，S4三个有效域会被误判，从而导致地震属性有效信息的丢失。
(5)确定六条曲线(y1至y6)后，交会空间被分为8个区域，其中S1，S2，S3，S4为储层域，F1，F2，F3为野值域，其它为非储层域。在边界方程的控制下分别赋予储层域、野值域、非储层域内的属性点以不同的颜色，形成数据性质空间中的地震属性融合结果图。还可以设定S1，S2，S3，S4为同一个颜色，其余为同一个颜色，从而在整体数据的背景下凸显储层的展布特征。
经过上述步骤，得到分频属性和均方根振幅属性高维交会的融合结果(如图6)。利用实例中所选取的研究区内1252口井，利用评价参数(Q)分别对各单属性切片和融合后的结果进行评价，得到：70Hz分频属性储层预测符合率为57.1％，均方根振幅属性储层预测符合率为60.4％，利用本发明所述方法融合结果的储层预测符合率为79.2％。比较各单属性和融合结果的符合率，可以看出交会融合结果能明显的提高地震属性对河道砂的预测能力。由此证明高维交会融合方法可以实现对现有边界方程进行调整，得到最佳分区边界，提高地震属性数据分析的准确性和广度，实现在高维度数据性质空间中的地震属性分析研究，从而能够更准确的进行储层预测，尤其对断裂复杂区，薄互层，薄砂层以及砂体发育规模较小的储层的可预测能力有很明显的提高。

Claims (3)

1.一种基于数据性质空间升维的地震属性融合方法，该方法包括以下步骤：
(1)提取地震属性，优选出与研究区储层相关性最好的属性A1，A2；
(2)对优选的属性首先进行数据所在空间的降维处理，在此基础上进行标准化，得到标准化后的一维属性[A1]和[A2]；
(3)对标准化后的一维属性[A1]和[A2]采用交会的方式，在二维数据性质空间中进行显示；
(4)按照以下步骤在升维后的二维数据性质空间中确定储层域，形成二维二维数据性质空间中的地震属性融合结果图，所述步骤如下：
①确定野值域F1，F2，F3；
首先读取步骤(2)中得到的标准化后的一维属性[A1]和[A2]各自的最大值aMax1和aMax2，确定最大值点A(aMax1，aMax2)；其次在X轴和Y轴建立两个可动点，分别为B(b，0)和C(0，c)；初步建立野值域边界曲线方程，即；
由：点(b，0)和(aMax1，aMax2)确定方程：
点(0，c)和(aMax1，aMax2)确定方程：
点(0，c)和(b，0)确定方程：
式中y1，y2，y3是野值域边界曲线方程，b，c，b3是循环变量；
在区间[0，aMax1]内逐步改变b，直到野值域F1内的点有85％都在断层边界内时确定b；在区间[0，aMax2]内逐步改变c，直到野值域F2内的点有85％都在断层边界内时确定c；在区间内逐步改变b3，当野值域F3内的点有85％都在断层边界内时确定b3；由此确定野值域三条边界曲线；
②确定储层域S1，S2，S3
以步骤①中野值域边界作为外边界，结合单属性标准化后目标区的分布特点，在X轴和Y轴分别建立可动点E(M1，0)和点F(0，M2)；
由点(M1，0)建立垂直于x轴的方程：
x4＝M1 M1∈[0，aMax1] (4)
由点(0，M2)建立垂直于y轴的方程：
yS＝M2 M2∈[0，aMax2] (5)
其中M1，M2表示两个不同属性标准化后的储层阈值，为可变参数；由方程y1，y2，y3，x4，y5作为边界形成S1，S2，S3，U四个区域；在区间[0，aMax1]内逐步改变M1，在区间[0，aMax2]内逐步改变M2，当S1，S2，S3区域内属性的储层预测符合率都大于75％时，确定E和F两个点中的未知变量M1和M2，从而确定S1，S2，S3三个储层域的边界；
③确定储层域S4；
在区域U中确定S4域的边界方程：
方程y6代表U域中储层域的边界方程，截距b6为可变参数；
在区间[0,2c]中逐步增大b6，计算由方程y6确定的S4区域内属性的储层预测符合率，当储层预测符合率大于75％时确定b6，并确定有效域S4；
(4)确定y1、y2、y3、x4、y5和y6六个方程后，即确定了储层域(S1，S2，S3，S4)，野值域(F1，F2，F3)和非储层域；在边界方程的控制下赋予储层域、野值域、非储层域内的点各自不同的颜色，形成二维数据性质空间中的地震属性融合结果图。
2.根据权利要求1所述的一种基于数据性质空间升维的地震属性融合方法，其特征在于：
所述步骤(1)中地震属性的优选按以下步骤依次进行：
(a)查重：利用属性之间的相关性除去大量属性中冗杂的重复信息，简少属性的种类；
(b)测井-属性相关性确定：按照各井点属性与井点砂厚的关系，从步骤(a)中所得到的结果中确定与砂厚相关性较高的属性。
3.根据权利要求1所述的一种基于数据性质空间升维的地震属性融合方法，其特征在于：
所述步骤(2)中的地震属性标准化，是按照原有地震属性值域的分布特点，对优选的地震属性A1和A2分别进行标准化处理；首先，对A1和A2的数据进行降维处理，即按地震道一维化，得到一维数组A11(x)和A12(x)；其次，确定A11(x)的最小值amin,1和最大值amax,1以及砂岩储层对应A11(x)的最小属性值zmin,1和最大属性值zmax,1；A12(x)的最大值amin,2和最小值amax,2以及砂岩储层对应A12(x)的最小属性值zmin,2和最大属性值zmax,2；最后，按下面四种情况分别对属性进行标准化处理，即：
1)当amin，i<0，且zmax,i<1/2(amin,i+amax,i)时，逐次采用公式(7)、(8)、(9)和(10)对A1i(x)进行标准化处理，i＝1，2；
A2i(x)＝A1i(x)+|amin，i|+1；i＝1，2 (7)
其中A1i(x)表示对Ai进行一维展开的结果，A2i(x)为对Ai标准化后的属性值；
|amin，i|表示A1i(x)的最小值的绝对值；
其中bmax，i为A2i(x)的最大值，A3i(x)为对Ai标准化后的属性值；
cmin，1和cmin，2是A31(x)和A32(x)最小值；cmax，1和cmax，2是A31(x)和A32(x)最大值；
A4i(x)＝K*A3i(x)；i＝1，2 (10)
A4i(x)为对Ai标准化后的属性值；
2)当amin,i<0且zmax,i>1/2(amin,i+amax,i)时逐次采用公式(11)、(12)和(13)对A1i(x)进行标准化处理，i＝1，2；
A2i(x)＝A1i(x)+|amin，ii|+1；i＝1，2 (11)
其中A1i(x)表示对Ai进行一维展开的结果；|amin，i|表示A1i(x)的最小值的绝对值；
cmin，1和cmin，2是A21(x)和A22(x)最小值；cmax，1和cmax，2是A21(x)和A22(x)最大值；
A3i(x)＝K*A2i(x)；i＝1，2 (13)
3)当amin,i>0且zmax,i<1/2(amin,i+amax,i)时逐次采用公式(14)、(15)和(16)对A1i(x)进行标准化处理，i＝1，2；
其中bmax，i为A1i(x)的最大值，
cmin，1和cmin，2是A21(x)和A22(x)最小值；cmax，1和cmax，2是A21(x)和A22(x)最大值；
A3i(x)＝K*A2i(x)；i＝1，2 (16)
4)当amin,i>0且zmax,i>1/2(amin,i+amax,i)时逐次采用公式(17)、(18)对A1i(x)进行标准化处理，i＝1，2，
cmin，1和cmin，2是A11(x)和A12(x)最小值；cmax，1和cmax，2是A11(x)和A12(x)最大值；
A2i(x)＝K*A1i(x)；i＝1，2 (18)
按照上述4种情况分别对属性A1和A2进行标准化，标准化之后的属性用符号[Ai]表示；即属性A1标准化后用[A1]表示，属性A2标准化后用[A2]表示。
CN201610994092.9A 2016-11-11 2016-11-11 一种基于数据性质空间升维的地震属性融合方法 Active CN106569272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610994092.9A CN106569272B (zh) 2016-11-11 2016-11-11 一种基于数据性质空间升维的地震属性融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610994092.9A CN106569272B (zh) 2016-11-11 2016-11-11 一种基于数据性质空间升维的地震属性融合方法

Publications (2)

Publication Number Publication Date
CN106569272A CN106569272A (zh) 2017-04-19
CN106569272B true CN106569272B (zh) 2018-06-26

Family

ID=58541761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610994092.9A Active CN106569272B (zh) 2016-11-11 2016-11-11 一种基于数据性质空间升维的地震属性融合方法

Country Status (1)

Country Link
CN (1) CN106569272B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110441823B (zh) * 2019-08-09 2021-06-01 浙江财经大学 基于多源数据融合的地层对比不确定性可视化方法
CN111427085B (zh) * 2020-04-01 2023-02-10 中国石油天然气股份有限公司 一种碳酸盐岩层间岩溶储层预测方法及装置
AU2020101108A4 (en) * 2020-06-24 2020-07-30 Institute Of Geology And Geophysics, Chinese Academy Of Sciences A method for geophysical observation information fusion
CN112233235B (zh) * 2020-10-16 2023-04-28 中国石油化工股份有限公司 页岩气水平井空间分析方法、装置及存储介质
CN113255155B (zh) * 2021-06-11 2024-05-28 中海石油(中国)有限公司 一种储层不连续界限的阻渗能力等级的评价方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6704658B2 (en) * 2001-01-29 2004-03-09 Masatoshi Kawashima Method for predicting seismic event using value of magnitude, position of seismic event, time of seismic event, using seismograph for measuring quake of earth
US8185316B2 (en) * 2007-05-25 2012-05-22 Prime Geoscience Corporation Time-space varying spectra for seismic processing
CN102879822B (zh) * 2012-09-28 2015-09-30 电子科技大学 一种基于Contourlet变换的地震多属性融合方法
CN105388525B (zh) * 2015-10-21 2018-02-16 中国石油化工股份有限公司 储层预测方法及装置
CN105334535B (zh) * 2015-11-13 2018-04-17 中国石油化工股份有限公司 一种识别薄储层隐蔽岩性油气藏的方法

Also Published As

Publication number Publication date
CN106569272A (zh) 2017-04-19

Similar Documents

Publication Publication Date Title
CN106569272B (zh) 一种基于数据性质空间升维的地震属性融合方法
CN109061765B (zh) 非均质薄砂岩互层油藏的圈闭评价方法
Krumbein Regional and local components in facies maps
Cooper et al. Quantitative biostratigraphy of the Taranaki Basin, New Zealand: A deterministic and probabilistic approach
CN109184677A (zh) 用于非均质互层砂体的储层评价方法
CN110082840A (zh) 基于Fisher判别分析的泥页岩岩相划分方法
Zhu et al. Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm
CN107966732A (zh) 基于空间结构导向的地震属性变化率求取方法
CN112796738A (zh) 一种阵列声波测井和常规测井结合的地层渗透率计算方法
CN106777707B (zh) 一种利用改进的蜘蛛网图进行测井岩性定量识别的方法
Alameedy et al. Evaluating machine learning techniques for carbonate formation permeability prediction using well log data
CN114609675A (zh) 基于高频旋回对碳酸盐岩地层沉积微地貌的定量恢复方法
Zhao et al. Data-driven diagenetic facies classification and well-logging identification based on machine learning methods: A case study on Xujiahe tight sandstone in Sichuan Basin
CN112765527B (zh) 页岩气资源量计算方法及系统
Kumar et al. Active morphogenic faulting and paleostress analyses from the central Nahan Salient, NW Siwalik Himalaya
Wang et al. Joint rough sets and Karhunen-Loève transform approach to seismic attribute selection for porosity prediction in a Chinese sandstone reservoir
Zhang et al. An initial guess for the Levenberg–Marquardt algorithm for conditioning a stochastic channel to pressure data
CN113065286B (zh) 一种基于常规测井的致密砂砾岩储层孔隙结构评价方法
Kakouei et al. Lithological facies identification in Iranian largest gas field: A comparative study of neural network methods
CN112379435A (zh) 相控岩溶型缝洞集合体刻画方法及装置
CN115857015B (zh) 一种火山地层中定量预测沉凝灰岩分布的方法
CN113361111B (zh) 一种低渗透油藏储层特征模型的划分方法
Zhang Quantitative prediction of median particle size of conventional logged sandstone based on machine learning algorithm
CN113176613B (zh) 一种基于三级体控的多信息融合低频模型建立方法
Hamada et al. Parallel Self Organizing Neural Network (PSONN) Prediction of Water Saturation in Carbonate Reservoirs

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant