CN108802812A - 一种井震融合的地层岩性反演方法 - Google Patents

Abstract

本发明公开了一种井震融合的地层岩性反演方法，属于地震反演领域。该方法包括：根据测井曲线，建立测井波阻抗数据体和测井岩性数据体；根据地震资料和测井波阻抗数据体，建立地震波阻抗数据体；根据地震波阻抗数据体，建立地震岩性数据体；基于神经网络算法，对测井岩性数据体和地震岩性数据体进行对比，确定岩性融合参数体；利用岩性融合参数体，对测井岩性数据体和地震岩性数据体进行分层段加权融合，获取反演岩性体。该方法得到的反演岩性体能提高地震岩性预测的纵向分辨率，对于地层岩性预测具有重要的意义。

Description

一种井震融合的地层岩性反演方法

技术领域

本发明涉及地震反演领域，特别涉及一种井震融合的地层岩性反演方法。

背景技术

在油气勘探开发过程中，通常地震反演技术为其提供可靠的数据基础。地震反演计算能够采用地震资料反推地下波阻抗或速度分布、估算储层参数、进行储层预测和油藏描述。可见，提供一种地震反演方法是十分必要的。

现有技术提供了一种综合测井-地震资料的地震反演方法，其包括如下所示的步骤：通过测井资料获得合成地震记录，将该合成地震记录与地震资料相结合进行地震标定，并从其中提取地震子波，然后利用地震子波对地震资料进行约束稀疏脉冲反演，获得相对波阻抗。利用合成地震记录和地质分析资料获得地层结构模型，对其进行滤波处理获得低频成分，然后将该低频成分与相对波阻抗进行道合并，获得地震反演结果。

发明人发现现有技术至少存在以下问题：

现有技术提供的反演方法对地震岩性预测的纵向分辨率较低。

发明内容

本发明实施例所要解决的技术问题在于，提供了一种能够提高地震岩性预测的纵向分辨率的井震融合的地层岩性反演方法。具体技术方案如下：

一种井震融合的地层岩性反演方法，所述方法包括：根据测井曲线，建立测井波阻抗数据体和测井岩性数据体；

根据地震资料和所述测井波阻抗数据体，建立地震波阻抗数据体；

根据所述地震波阻抗数据体，建立地震岩性数据体；

基于神经网络算法，对所述测井岩性数据体和所述地震岩性数据体进行对比，确定岩性融合参数体；

利用所述岩性融合参数体，对所述测井岩性数据体和所述地震岩性数据体进行分层段加权融合，获取反演岩性体。

具体地，作为优选，所述根据测井曲线，建立测井波阻抗数据体和测井岩性数据体，包括：

利用由地震资料解释好的地震层位和断层，构建地层结构模型；

基于所述地层结构模型，根据地层沉积模式选择地层空间插值方式；

基于所选择的地层空间插值方式，采用局部克里金插值算法，对测井曲线进行插值处理，从而建立测井波阻抗数据体、测井岩性数据体。

具体地，作为优选，所述基于所述地层结构模型，根据地层沉积模式选择地层空间插值方式，包括：

基于所述地层结构模型，剥蚀面之上地层选择平行于地层顶部层位的方式，剥蚀面之下地层选择平行于地层底部沉积层的方式，正常沉积地层选择平行于地层顶部和底部的方式。

具体地，作为优选，所述根据地震资料和所述测井波阻抗数据体，建立地震波阻抗数据体，包括：

针对单口井，提取目的层段的地震资料主频，给定与地震资料主频相匹配的雷克子波，利用所述雷克子波与测井曲线进行褶积，获取合成地震记录；

获取所述单口井所在工区的平均时深曲线；

对所述平均时深曲线进行时移，来将所述合成地震记录与地震资料的标志层一一对应，获得井震时深匹配的时深曲线；

根据所述井震时深匹配的时深曲线，从所述单口井的地震资料中提取地震子波；

针对多口井，按照与所述单口井的地震资料中提取地震子波的步骤，从各自对应的地震资料中分别提取对应的地震子波；

将多个地震子波进行平均，获得平均子波；

根据所述平均子波和所述测井波阻抗数据体，采用软约束，开展约束稀疏脉冲波阻抗反演，从而建立地震波阻抗数据体。

具体地，作为优选，所述方法还包括：从地震资料中提取地震子波后，再利用所述地震子波对相应的井震时深匹配的时深曲线进行局部拉伸与压缩，将大套地层间的小层一一对应。

具体地，作为优选，所述根据所述地震波阻抗数据体，建立地震岩性数据体，包括：

对所述测井资料进行岩性解释，获得测井岩性解释结果；

依据所述测井岩性解释结果，绘制不同测井曲线的直方图和交会图；

根据所述直方图和交会图，开展岩石物理分析；

根据所述岩石物理分析，确定岩性-波阻抗的对应关系，进而将所述地震波阻抗数据体转化为所述地震岩性数据体。

具体地，作为优选，所述根据所述岩石物理分析，确定岩性-波阻抗的对应关系，包括：

设定不同类别岩性体的岩性波阻抗阈值，根据所述岩性波阻抗阈值，将所述地震波阻抗数据体转化为所述地震岩性数据体。

具体地，作为优选，所述基于神经网络算法，对所述测井岩性数据体和所述地震岩性数据体进行对比，获取岩性融合参数体，包括：

从所述测井岩性数据体中提取井旁道测井岩性数据，以及从所述地震岩性数据体中分别提取井旁道地震岩性数据；

对所述井旁道测井岩性数据和所述井旁道地震岩性数据进行对比，以确定井旁道岩性融合参数：若两者吻合，则所述井旁道岩性融合参数为1，若两者不吻合，则所述井旁道岩性融合参数为0；

对所述井旁道岩性融合参数进行平滑处理；

基于神经网络算法对平滑处理后的所述井旁道岩性融合参数进行插值计算，逐层建立所述岩性融合参数体。

具体地，作为优选，所述对所述井旁道测井岩性数据和所述井旁道地震岩性数据进行对比，以确定井旁道岩性融合参数，包括：

针对井点处的第i个样点，提取所述样点处的井旁道测井岩性数据D_i和井旁道地震岩性数据D_i＇；

将所述井旁道测井岩性数据D_i和所述井旁道地震岩性数据D_i＇进行等深度对比：若D_i＝D_i＇，则所述样点处的井旁道岩性融合参数为1，若D_i≠D_i＇，则所述样点处的井旁道岩性融合参数为0。

具体地，作为优选，所述对所述井旁道岩性融合参数进行平滑处理，包括：

根据地震资料主频，确定扫描时窗，所述扫描时窗内对应j个样点，从多个所述j个样点中选取目标样点；

若邻近所述目标样点的多数样点的D_i和D_i＇吻合，则所述目标样点处的井旁道岩性融合参数为1；

若邻近所述目标样点的多数样点的D_i和D_i＇不吻合，则所述目标样点处的井旁道岩性融合参数为0；

若邻近所述目标样点的D_i和D_i＇吻合的点数与邻近所述目标样点的D_i和D_i＇不吻合的点数持平，则按照下述公式确定所述目标样点处的井旁道岩性融合参数R_i＇：

其中，δ_L为第L层的地震整体可信度权重系数，取值范围为0～1；

τ_L为第L层井震矛盾时地震融合权重系数，取值范围为0～1。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例提供的上述反演方法，通过将测井曲线(即测井资料)和地震资料相结合，在客观反映地震资料所含信息的基础上，充分利用了测井信息，依据地震资料品质和地质沉积特点，基于神经网络算法对测井岩性数据体和地震岩性数据体进行对比，来获得岩性融合参数体，并利用其对测井岩性数据体和地震岩性数据体进行分层段加权融合，获取反演岩性体。该反演岩性体能够提高地震岩性预测的纵向分辨率，对于地层岩性预测具有重要的意义。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例1提供的砂泥岩地质模型的剖面图；

图2是本发明实施例1提供的合成地震记录的剖面图；

图3是本发明实施例1提供的WellB井井震标定图；

图4是本发明实施例1提供的，针对WellB井，井震岩性数据对比与井旁道岩性融合参数之间关系示意图，其中，a代表井旁道测井岩性数据，b代表井旁道地震岩性数据，c代表井旁道岩性融合参数，d代表对c平滑处理后的井旁道岩性融合参数；

图5是本发明实施例1提供的，基于本发明提供的反演方法获得的反演岩性体的剖面图；

图6是本发明实施例1提供的，基于现有技术提供的常规反演方法获得的反演岩性体的剖面图；

图7是本发明实施例2提供的多井连井精细标定剖面图；

图8是本发明实施例2提供的馆二段砂泥岩波阻抗直方图；

图9是本发明实施例2提供的馆二段砂泥岩伽马直方图；

图10是本发明实施例2提供的井震岩性数据对比与井旁道岩性融合参数之间关系示意图，其中，a代表井旁道测井岩性数据，b代表井旁道地震岩性数据，c代表井旁道岩性融合参数，d代表对c平滑处理后的井旁道岩性融合参数；

图11是本发明实施例2提供的，基于本发明提供的反演方法获得的反演岩性体的剖面图；

图12是本发明实施例2提供的，基于现有技术提供的常规反演方法获得的反演岩性体的剖面图。

具体实施方式

除非另有定义，本发明实施例所用的所有技术术语均具有与本领域技术人员通常理解的相同的含义。为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明实施例提供了一种井震融合的地层岩性反演方法，该方法包括以下步骤：

步骤101、根据测井曲线，建立测井波阻抗数据体和测井岩性数据体。

步骤102、根据地震资料和测井波阻抗数据体，建立地震波阻抗数据体。

步骤103、根据地震波阻抗数据体，建立地震岩性数据体。

步骤104、基于神经网络算法，对测井岩性数据体和地震岩性数据体进行对比，确定岩性融合参数体；

步骤105、利用步骤104获得的岩性融合参数体，对测井岩性数据体和地震岩性数据体进行分层段加权融合，获取反演岩性体。

本发明实施例提供的上述反演方法，通过将测井曲线(即测井资料)和地震资料相结合，在客观反映地震资料所含信息的基础上，充分利用了测井信息，依据地震资料品质和地质沉积特点，基于神经网络算法对测井岩性数据体和地震岩性数据体进行对比，来获得岩性融合参数体，并利用其对测井岩性数据体和地震岩性数据体进行分层段加权融合，获取反演岩性体。该反演岩性体能够提高地震岩性预测的纵向分辨率，对于地层岩性预测具有重要的意义。

具体地，对于步骤101，根据测井曲线，建立测井波阻抗数据体和测井岩性数据体，包括：

步骤1011、利用由地震资料解释好的地震层位和断层，构建地层结构模型。

对于步骤1011来说，通过地震资料对地震层位和断层进行解释，以构建真实可靠的构建地层结构模型，进而为后续地层插值处理提供基础。

步骤1012、基于地层结构模型，根据地层沉积模式选择地层空间插值方式。

对于步骤1012，为了使步骤1013中所述的插值处理更加精确，基于地层结构模型，根据地层沉积模式选择地层空间插值方式，即选择地层空间插值算法。

具体地，基于地层结构模型，剥蚀面之上地层选择平行于地层顶部层位的方式，剥蚀面之下地层选择平行于地层底部沉积层的方式，正常沉积地层选择平行于地层顶部和底部的方式。即在地层结构模型的基础上，对其中不同特点的地层选择不同的地层空间插值方式。

步骤1013、基于所选择的地层空间插值方式，采用局部克里金插值算法，对测井曲线进行插值处理，从而建立测井波阻抗数据体、测井岩性数据体。

对于步骤1013，在步骤1012所确定的地层空间插值方式的基础上，确定采用局部克里金插值算法对测井曲线进行插值处理，从而由多口井的测井曲线获得测井波阻抗数据体、测井岩性数据体。其中，局部克里金算法是一种空间自由协方差最佳内插方法，不仅考虑已知样本与未知样点的距离，而且通过变异函数和结构分析，考虑了已知样本点的空间分布与未知样点的空间方位关系，有效确保了上述插值处理的精确性。

具体地，对于步骤102，根据地震资料和测井波阻抗数据体，建立地震波阻抗数据体，包括：

步骤1021、针对单口井，提取目的层段的地震资料主频，给定与地震资料主频相匹配的雷克子波，利用雷克子波与测井曲线进行褶积，获取合成地震记录。

步骤1022、获取单口井所在工区的平均时深曲线，可以理解为是单口井所在地下特定区域处的区域平均速度，其能够将测井曲线(深度域)和地震资料(时间域)建立对应关系，即地震波在什么时间传播到什么深度。

步骤1023、对平均时深曲线进行时移，来将合成地震记录与地震资料的标志层一一对应，获得井震时深匹配的时深曲线。通过步骤1023来使基于测井曲线得到的合成地震记录和地震资料达到井震时深匹配。

步骤1024、根据井震时深匹配的时深曲线，从单口井的地震资料中提取地震子波。

其中，上述的地震子波具体指的是子波的振幅和相位。提取上述地震子波是对时深曲线进行局部拉伸和压缩的基础。

为了确保所建立的地震波阻抗数据体足够精确可靠，要求井震资料高质量匹配，确保目的层段的匹配率能达到70％以上，本发明实施例所述的方法还包括：从地震资料中提取地震子波后，再利用地震子波对相应的井震时深匹配的时深曲线进行局部拉伸与压缩，将大套地层间的小层一一对应。

其中，大套地层可以划分为多个小层。大层标定准了，小层不一定准，通过上述的局部拉伸与压缩，将小层对准，则能确保整个时深关系正确。

具体地，根据井震时深匹配的时深曲线，利用声波测井曲线和密度测井曲线，计算测井波阻抗曲线，利用测井波阻抗曲线，计算测井反射系数曲线，利用反射系数曲线与提取的子波进行褶积，获得合成地震记录。将合成地震记录与井旁道地震资料进行比对，看两者的吻合程度，如果两者吻合程度较高，则井震时深匹配过程完成，提取的子波也就是符合要求的子波，如果不吻合，则重新调整时深曲线(局部拉伸与压缩)，重新改变子波的振幅相位，重新计算合成地震记录，直到合成地震记录与井旁道地震资料吻合程度达到要求，从而保证时深曲线和地震子波接近实际情况。

步骤1025、针对多口井，按照与单口井的地震资料中提取地震子波的步骤，从各自对应的地震资料中分别提取对应的地震子波。

在对单口井的地震资料中提取得到地震子波后，利用相同的方法，对多口井进行地震子波的提取，来获得多个地震子波。

步骤1026、将多个地震子波进行平均，获得平均子波。

具体来说，假定地下地震波传播过程中，振幅、相位、频率相对是稳定的，而多口井提取的子波，由于各种条件影响，不尽相同，因此步骤1026利用平均的方法来求取一个更接近地下实际情况的子波。

步骤1027、根据平均子波和测井波阻抗数据体，采用软约束，开展约束稀疏脉冲波阻抗反演，从而建立地震波阻抗数据体。

其中，约束稀疏脉冲波阻抗反演对于油田勘探过程为常见的，举例来说，朱金富等在《内蒙古石油化工》2008,34(14):114-116中公开了约束稀疏脉冲波阻抗反演在油田开发中的应用，本领域通过参考该文献即能够进行步骤1027。

对于步骤103，根据地震波阻抗数据体，建立地震岩性数据体，包括：

步骤1031、对测井资料进行岩性解释，获得测井岩性解释结果。

步骤1032、依据测井岩性解释结果，绘制不同测井曲线的直方图和交会图。

步骤1033、根据直方图和交会图，开展岩石物理分析。

步骤1034、根据岩石物理分析，确定岩性-波阻抗的对应关系，进而将地震波阻抗数据体转化为地震岩性数据体。

其中，步骤1034又包括：设定不同类别岩性体的岩性波阻抗阈值，根据岩性波阻抗阈值，将地震波阻抗数据体转化为地震岩性数据体。

举例来说，对于含油砂岩、含水砂岩、干砂岩、泥岩等不同类别的岩性体，它们分别对应有一个岩性波阻抗阈值，例如干砂岩对应的岩性波阻抗范围为10000-20000，泥岩对应的岩性波阻抗范围为8000-10000，这样根据波阻抗就可以划分岩性，从而实现将地震波阻抗数据体转化为地震岩性数据体。

对于步骤4，基于神经网络算法，对测井岩性数据体和地震岩性数据体进行对比，获取岩性融合参数体，包括：

步骤401、从测井岩性数据体中提取井旁道测井岩性数据，以及从地震岩性数据体中分别提取井旁道地震岩性数据。

步骤402、对井旁道测井岩性数据和井旁道地震岩性数据进行对比，以确定井旁道岩性融合参数：若两者吻合，则井旁道岩性融合参数为1，若两者不吻合，则井旁道岩性融合参数为0。

步骤403、对井旁道岩性融合参数进行平滑处理，其目的是使得岩性过渡更加合理、更符合实际地下情况。

步骤404、基于神经网络算法对平滑处理后的井旁道岩性融合参数进行插值计算，逐层建立岩性融合参数体。

其中，步骤402又包括：

步骤4021、针对井点处的第i个样点，提取样点处的井旁道测井岩性数据D_i和井旁道地震岩性数据D_i＇。

步骤4022、将井旁道测井岩性数据D_i和井旁道地震岩性数据D_i＇进行等深度对比：若D_i＝D_i＇，则样点处的井旁道岩性融合参数为1，若D_i≠D_i＇，则样点处的井旁道岩性融合参数为0。

步骤403又包括：

步骤4031、根据地震资料主频，确定扫描时窗，扫描时窗内对应j个样点，从多个j个样点中选取目标样点。

步骤4032、若邻近目标样点的多数样点的D_i和D_i＇吻合，则目标样点处的井旁道岩性融合参数为1。此时的多数样点指的是占j个样点数目至少70％的样点。

步骤4033、若邻近目标样点的多数样点的D_i和D_i＇不吻合，则目标样点处的井旁道岩性融合参数为0。

步骤4034、若邻近目标样点的D_i和D_i＇吻合的点数与邻近目标样点的D_i和D_i＇不吻合的点数持平，则认为处于岩性变化界面，或者井震识别精度有差异，此时为了获得更真实的井旁道岩性融合参数，需给定地震融合权重，同时依据地震资料品质和地层沉积特点，逐层给定地震可信度权重。

其中，地震融合权重，指地震岩性数据和测井岩性数据分别占的比例，以便在地震和测井数据不一致时作出权衡。

地震可信度权重，是每一层地震岩性数据体与测井岩性数据体之间的融合系数，是整体添加，与上述的地震融合权重(局部添加)不同。

具体地，在上述情况下，按照下述公式确定目标样点处的井旁道岩性融合参数R_i＇：

其中，δ_L为第L层的地震整体可信度权重系数，取值范围为0～1；

τ_L为第L层井震矛盾时地震融合权重系数，取值范围为0～1。

上述δ_L和τ_L的取值依据地震资料信噪比、分辨率和技术人员的经验确定。

对于步骤104，基于神经网络算法对平滑处理后的井旁道岩性融合参数进行插值计算，逐层建立岩性融合参数体。其中，该神经网络算法为基于遗传算法优化的BP神经网络算法。

举例来说，在本发明实施例中，采用如下所述的神经网络算法来实现对井旁道岩性融合参数的插值计算，以建立岩性融合参数体：

给定学习样本P，每个样本的输入变量有三个分量，为空间坐标(x₁，x₂，x₃)值，输出变量为该点的井旁道岩性融合参数T_i，将样本中的融合输出变量统一为T，实际输出变量统一为R，隐层数为一个。

(1)针对第L个地层，定义输入、输出、隐层各变量、计算精度ε和最大学习次数M。

给定激励函数为：

则对第k个样本，输入层函数、隐层函数、输出层函数依次为：

输入层函数：I_i＝x_i，i＝1,2,3

隐层函数：

输出层函数：

其中，W_i为第i个输入单元与隐层的连接权重，θ为输入层与隐层的阈值，Y为隐层与输出层的连接权重，V为隐层与输出层直接的阈值。

(2)随机选取第k个样本，得到其输入和期望输出，计算隐层输入、隐层输出、输出层输入和输出层输出，将输出层的实际输出与期望输出对比，调整输入层与隐层的连接权重、输出层与隐层的输出权重。

对于第k个样本，其误差函数为：

输入层与隐层的连接权重调整量为：

ΔW_i ^p＝Z·E’_kH+UΔW_i ^p-1

隐层单元的阈值调整量为：

隐层与输出层的连接权重调整量为：

输出层的阈值调整量为：

其中，p指的是样本总个数，E_k′、E_k分别为隐层和输出层单元的误差，Z为网络训练速率系数，U为训练因子，Z与U的取值范围为0.01-1。Z与U的取值根据经验选取。

通过步骤(2)来针对某一样本进行训练，以调整连接权重和输出层的阈值。

(3)计算全局误差E，判断计算精度是否满足要求(即全局误差小于设定值或者达到学习次数，全局误差也是根据实际情况设定的)。若精度满足要求或者学习次数超出设定值，则算法终止，否则选取下一样本重复上述过程，继续进行网络学习，直至计算满足要求。

其中，T_K指的是期望输出，R_K指的是实际输出。通过该误差计算公式来对整个样本的所有数据计算总误差，如果误差在允许范围内，则训练结束。

(4)针对第L+1个地层，重复上述过程，计算得到岩性融合参数体R。

对于步骤105，利用上述的岩性融合参数体R，对测井岩性数据体D和地震岩性数据体D＇进行分层段加权融合，获取反演岩性体S。

具体地，采用如下所述的公式进行上述分层段加权融合：

其中，D指的是测井岩性数据体，D＇指的是地震岩性数据体，R指的是岩性融合参数体。

基于神经网络训练得到的岩性融合参数体R，再次对测井岩性数据体D和地震岩性数据体D＇进行分层段加权融合，如此获得的反演岩性体S能提高地震岩性预测的纵向分辨率，对于地层岩性预测具有重要的意义。

综上，本发明实施例提供的反演方法，其核心是：根据测井曲线，建立测井波阻抗数据体和测井岩性数据体；根据地震资料和测井波阻抗数据体，建立地震波阻抗数据体；根据地震波阻抗数据体，建立地震岩性数据体；基于神经网络算法，对测井岩性数据体和地震岩性数据体进行对比，确定岩性融合参数体；利用岩性融合参数体，对测井岩性数据体和地震岩性数据体进行分层段加权融合，获取反演岩性体。一方面，通过引入岩性融合参数体，进行井震融合反演，这样做的目的是，既尊重地震数据本身(不是随意依照测井信息硬性修改地震所含信息，也不同于伽马重构反演，将物理量纲不同的两个参数硬性建立关系)，又充分利用了测井数据；另一方面，引入不同层段的地震整体可信度权重和井震矛盾地震融合权重，建立井震矛盾的容错机制，同时依据地质沉积模式使得结果更加合理。

为了突出本发明实施例所述反演方法的优势，以下就现有技术提供的反演方法作对比，举例来说，现有技术采用地质统计学的反演方法进行的岩性与孔隙度反演方法，由于地质统计学反演以地质框架模型、测井和地震资料为基础，应用地质统计学理论，产生多种可能的预测结果。技术关键是求取正确的变量统计函数和变差函数。存在问题：①只适用于三维工区，运算速度慢；②结果不唯一，具有随机性；③测井资料的外推运算符合率低，④地质统计学无法处理井震矛盾时反演结果的外推。而本发明实施例提供的方法与其相比，具体步骤和机理均不相同，得到的是确定性的结果，并且针对地质统计学井震矛盾时的外推运算问题有很大改进。

以下将通过具体实施例进一步地描述本发明。

实施例1

本实施例依据渤海湾盆地某凹陷实际资料地质特点与资料品质，给定地质模型和伪井，开展地震资料正演模拟，利用正演数据，分别开展常规约束稀疏脉冲反演与本发明实施例提供的井震融合的地层岩性反演，并就这两种方法进行对比。

首先，建立砂泥岩地质模型，其剖面图如图1所示，模型长度为1000道，道间距12.5m，砂岩速度为3280m/s，密度为2.28g/cm³，泥岩速度为3600m/s，密度为2.4g/cm³，馆陶组有巨厚火成岩遮挡，中深层地震资料品质较差。

采用本发明实施例提供的井震融合的地层岩性反演，包括如下步骤：

基于上述砂泥岩理论模型，利用由地震资料解释好的地震层位和断层，建立地层结构模型，基于该地层结构模型，剥蚀面之上地层选择平行于地层顶部层位的方式，采用局部克里金算法对测井曲线进行插值处理，从而建立测井波阻抗数据体、测井岩性数据体。

提取目的层段的地震资料主频，选用与其匹配的20Hz的雷克子波开展基于褶积的正演模拟，获取合成地震记录，其剖面图如图2所示。

获取单口井所在工区的平均时深曲线，对该平均时深曲线进行时移，来将合成地震记录与地震资料的标志层一一对应，获得井震时深匹配的时深曲线，根据该井震时深匹配的时深曲线，从单口井的地震资料中提取地震子波。

针对多口井，按照与单口井的地震资料中提取地震子波的步骤，从各自对应的地震资料中分别提取对应的地震子波。将多个地震子波进行平均，获得平均子波。根据平均子波和测井波阻抗数据体，采用软约束，开展约束稀疏脉冲波阻抗反演，从而建立地震波阻抗数据体。

上述步骤中所涉及的具体操作及相关信息如下所示：

利用功率谱法，提取目的层段地震信噪比约为20，有效带宽为5-70Hz，主频为20Hz，地震采样间隔为1ms，地震极限分辨率约为40m。利用20Hz雷克子波进行单井井震精细标定，然后进行多井连井精细标定。由图3可知，由于模型数据噪音较少，目的层段平均匹配系数可达到95％。

利用平均子波、述测井波阻抗数据体进行约束稀疏脉冲波阻抗反演时，软约束为5％。

对测井资料进行岩性解释，获得测井岩性解释结果；依据测井岩性解释结果，绘制不同测井曲线的直方图和交会图；根据直方图和交会图，开展岩石物理分析；根据岩石物理分析，确定砂岩波阻抗门槛值为7300～7950g/cm³·m/s,泥岩波阻抗门槛值为8500～8700g/cm³·m/s，将地震波阻抗数据体转化为地震岩性数据体。

从测井岩性数据体中提取井旁道测井岩性数据，以及从地震岩性数据体中分别提取井旁道地震岩性数据，对井旁道测井岩性数据和井旁道地震岩性数据进行等深度对比，获得井旁道岩性融合参数，并对该井旁道岩性融合参数进行修正平滑处理。

由于正演数据地震信噪比较高，地震整体可信度权重δ为1，井震不匹配部分地震融合权重τ为0.9，具体地，以本实施例所涉及的WellB井为例，其井震岩性数据对比与井旁道岩性融合参数之间的关系如图4所示。

基于神经网络算法，对平滑处理后的井旁道岩性融合参数进行插值计算，逐层建立岩性融合参数体。

利用上述的岩性融合参数体，对测井岩性数据体和地震岩性数据体进行分层段加权融合，获取反演岩性体。该反演岩性体的剖面图如图5所示。

图6示出了采用常规约束脉冲地震反演的方式所获得的反演岩性体的剖面图。

由图5和图6对比可知，常规约束稀疏脉冲反演对于一个薄层具备识别能力，但不具备厚度预测能力，单层可识别最小厚度为20m的砂体，对于超出地震资料分辨率的薄互层则失去识别能力，整体表现为一个砂组。

而本发明实施例提供的方法，具备识别一个薄层厚度的能力，单层可识别最小厚度为10m的砂体，并且可以有效识别常规约束稀疏脉冲反演不能识别的薄互层，提高地震岩性预测的纵向分辨率10m，与砂泥岩理论模型吻合度更高。

实施例2

MTY凸起位于渤海湾盆地某凹陷的东北部，是发育在太古界花岗岩基底上的披覆构造，馆陶组河流相储层是油气主要分布区，储层厚度薄、变化快。馆三段沉积处于填平补齐阶段，馆二段为平稳沉积阶段。岩石物理分析表明，砂泥岩波阻抗有交叉现象，利用约束稀疏脉冲反演无法准确识别馆二段薄砂层和馆三段巨厚的砂体，而地质统计学反演不能客观地反映砂体的横向展布特征，无法识别河道砂体边界。

基于上述背景，本实施例采用与实施例1相同的方法进行地层岩性反演。从而进行储层预测：

利用由地震资料解释好的地震层位和断层，建立地层结构模型，基于该地层结构模型，确立馆三段插值方式为平行于于地层顶部层位，馆二段插值方式为平行于地层顶部层位，采用局部克里金算法对测井曲线进行插值处理，从而建立测井波阻抗数据体、测井岩性数据体。

提取目的层段(馆二段和馆三段)的地震资料主频，选用与其匹配的45Hz的雷克子波开展基于褶积的正演模拟，获取合成地震记录。

获取单口井所在工区的平均时深曲线，对该平均时深曲线进行时移，来将合成地震记录与地震资料的标志层一一对应，获得井震时深匹配的时深曲线，根据该井震时深匹配的时深曲线，从单口井的地震资料中提取地震子波。

针对多口井，按照与单口井的地震资料中提取地震子波的步骤，从各自对应的地震资料中分别提取对应的地震子波。将多个地震子波进行平均，获得平均子波。根据平均子波和测井波阻抗数据体，采用软约束，开展约束稀疏脉冲波阻抗反演，从而建立地震波阻抗数据体。

上述步骤中所涉及的具体操作及相关信息如下所示：

利用功率谱法，提取目的层段地震信噪比约为15，有效带宽为5-80Hz，主频为45Hz，地震采样间隔为2ms，地震资料品质较高，地震极限分辨率约为8m。利用45Hz雷克子波进行单井井震精细标定，然后进行多井连井精细标定(参见图7)。由于模型数据噪音较少，目的层段平均匹配系数可达到95％。

利用平均子波、述测井波阻抗数据体进行约束稀疏脉冲波阻抗反演时，软约束为5％。

对测井资料进行岩性解释，获得测井岩性解释结果；依据测井岩性解释结果，绘制不同测井曲线的直方图和交会图；根据直方图和交会图，开展岩石物理分析。由图8和图9可知，MTY地区测井波阻抗区分岩性能力中等，而测井岩性解释结果与伽马解释结果基本一致。

根据岩石物理分析，确定砂岩波阻抗门槛值为4300～5750g/cm³·m/s,泥岩波阻抗门槛值为5750～9000g/cm³·m/s，基于此将地震波阻抗数据体转化为地震岩性数据体。

从测井岩性数据体中提取井旁道测井岩性数据，以及从地震岩性数据体中分别提取井旁道地震岩性数据，对井旁道测井岩性数据和井旁道地震岩性数据进行等深度对比，获得井旁道岩性融合参数，并对该井旁道岩性融合参数进行修正平滑处理。

上述步骤具体涉及的操作及相关参数如下所示：馆二段为曲流河相沉积，砂体变化快，以3m时窗对井旁道岩性融合参数进行平滑，对应24个样点，馆二段地震整体可信度权重系数δ为0.9，井震不匹配部分的地震融合权重系数τ为0.85。

馆三段为冲积扇相、辫状河相沉积的特点，以5m时窗对井旁道岩性融合参数进行平滑，对应40个样点，馆三段地震整体可信度权重系数δ为0.8，井震不匹配部分的地震融合权重系数τ为0.85。具体地，以本实施例所涉及的某口井为例，井震岩性数据对比与井旁道岩性融合参数之间的关系如图10所示。

基于神经网络算法，对平滑处理后的井旁道岩性融合参数进行插值计算，逐层建立岩性融合参数体。

利用上述的岩性融合参数体，对测井岩性数据体和地震岩性数据体进行分层段加权融合，获取反演岩性体。该反演岩性体的剖面图如图11所示。

图12示出了采用常规约束脉冲地震反演的方式所获得的反演岩性体的剖面图。

由图11和图12对比可知，利用本发明实施例提供的方法，井震融合反演分辨率更高，与实钻结果吻合度更高。

以上所述仅为本发明的较佳实施例，并不用以限制本发明的保护范围，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种井震融合的地层岩性反演方法，其特征在于，所述方法包括：根据测井曲线，建立测井波阻抗数据体和测井岩性数据体；

根据地震资料和所述测井波阻抗数据体，建立地震波阻抗数据体；

根据所述地震波阻抗数据体，建立地震岩性数据体；

基于神经网络算法，对所述测井岩性数据体和所述地震岩性数据体进行对比，确定岩性融合参数体；

利用所述岩性融合参数体，对所述测井岩性数据体和所述地震岩性数据体进行分层段加权融合，获取反演岩性体。

2.根据权利要求1所述的方法，其特征在于，所述根据测井曲线，建立测井波阻抗数据体和测井岩性数据体，包括：

利用由地震资料解释好的地震层位和断层，构建地层结构模型；

基于所述地层结构模型，根据地层沉积模式选择地层空间插值方式；

基于所选择的地层空间插值方式，采用局部克里金插值算法，对测井曲线进行插值处理，从而建立测井波阻抗数据体、测井岩性数据体。

3.根据权利要求2所述的方法，其特征在于，所述基于所述地层结构模型，根据地层沉积模式选择地层空间插值方式，包括：

基于所述地层结构模型，剥蚀面之上地层选择平行于地层顶部层位的方式，剥蚀面之下地层选择平行于地层底部沉积层的方式，正常沉积地层选择平行于地层顶部和底部的方式。

4.根据权利要求1所述的方法，其特征在于，所述根据地震资料和所述测井波阻抗数据体，建立地震波阻抗数据体，包括：

针对单口井，提取目的层段的地震资料主频，给定与地震资料主频相匹配的雷克子波，利用所述雷克子波与测井曲线进行褶积，获取合成地震记录；

获取所述单口井所在工区的平均时深曲线；

对所述平均时深曲线进行时移，来将所述合成地震记录与地震资料的标志层一一对应，获得井震时深匹配的时深曲线；

根据所述井震时深匹配的时深曲线，从所述单口井的地震资料中提取地震子波；

针对多口井，按照与所述单口井的地震资料中提取地震子波的步骤，从各自对应的地震资料中分别提取对应的地震子波；

将多个地震子波进行平均，获得平均子波；

根据所述平均子波和所述测井波阻抗数据体，采用软约束，开展约束稀疏脉冲波阻抗反演，从而建立地震波阻抗数据体。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：从地震资料中提取地震子波后，再利用所述地震子波对相应的井震时深匹配的时深曲线进行局部拉伸与压缩，将大套地层间的小层一一对应。

6.根据权利要求1所述的方法，其特征在于，所述根据所述地震波阻抗数据体，建立地震岩性数据体，包括：

对所述测井资料进行岩性解释，获得测井岩性解释结果；

依据所述测井岩性解释结果，绘制不同测井曲线的直方图和交会图；

根据所述直方图和交会图，开展岩石物理分析；

根据所述岩石物理分析，确定岩性-波阻抗的对应关系，进而将所述地震波阻抗数据体转化为所述地震岩性数据体。

7.根据权利要求6所述的方法，其特征在于，所述根据所述岩石物理分析，确定岩性-波阻抗的对应关系，包括：

设定不同类别岩性体的岩性波阻抗阈值，根据所述岩性波阻抗阈值，将所述地震波阻抗数据体转化为所述地震岩性数据体。

8.根据权利要求1所述的方法，其特征在于，所述基于神经网络算法，对所述测井岩性数据体和所述地震岩性数据体进行对比，获取岩性融合参数体，包括：

从所述测井岩性数据体中提取井旁道测井岩性数据，以及从所述地震岩性数据体中分别提取井旁道地震岩性数据；

对所述井旁道测井岩性数据和所述井旁道地震岩性数据进行对比，以确定井旁道岩性融合参数：若两者吻合，则所述井旁道岩性融合参数为1，若两者不吻合，则所述井旁道岩性融合参数为0；

对所述井旁道岩性融合参数进行平滑处理；

基于神经网络算法对平滑处理后的所述井旁道岩性融合参数进行插值计算，逐层建立所述岩性融合参数体。

9.根据权利要求8所述的方法，其特征在于，所述对所述井旁道测井岩性数据和所述井旁道地震岩性数据进行对比，以确定井旁道岩性融合参数，包括：

针对井点处的第i个样点，提取所述样点处的井旁道测井岩性数据D_i和井旁道地震岩性数据D_i＇；

将所述井旁道测井岩性数据D_i和所述井旁道地震岩性数据D_i＇进行等深度对比：若D_i＝D_i＇，则所述样点处的井旁道岩性融合参数为1，若D_i≠D_i＇，则所述样点处的井旁道岩性融合参数为0。

10.根据权利要求9所述的方法，其特征在于，所述对所述井旁道岩性融合参数进行平滑处理，包括：

根据地震资料主频，确定扫描时窗，所述扫描时窗内对应j个样点，从多个所述j个样点中选取目标样点；

若邻近所述目标样点的多数样点的D_i和D_i＇吻合，则所述目标样点处的井旁道岩性融合参数为1；

若邻近所述目标样点的多数样点的D_i和D_i＇不吻合，则所述目标样点处的井旁道岩性融合参数为0；

若邻近所述目标样点的D_i和D_i＇吻合的点数与邻近所述目标样点的D_i和D_i＇不吻合的点数持平，则按照下述公式确定所述目标样点处的井旁道岩性融合参数R_i＇：

其中，δ_L为第L层的地震整体可信度权重系数，取值范围为0～1；

τ_L为第L层井震矛盾时地震融合权重系数，取值范围为0～1。