CN109444957B - 基于决策树评价的水合物储层地震预测方法及处理终端 - Google Patents
基于决策树评价的水合物储层地震预测方法及处理终端 Download PDFInfo
- Publication number
- CN109444957B CN109444957B CN201811176308.6A CN201811176308A CN109444957B CN 109444957 B CN109444957 B CN 109444957B CN 201811176308 A CN201811176308 A CN 201811176308A CN 109444957 B CN109444957 B CN 109444957B
- Authority
- CN
- China
- Prior art keywords
- data
- decision tree
- gas hydrates
- prediction method
- hydrate reservoir
- 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
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. analysis, for interpretation, for correction
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
Abstract
本发明涉及一种基于决策树评价的水合物储层地震预测方法及处理终端,所述方法包括如下步骤:步骤1:提取输入数据;步骤2:提取训练数据;步骤3:数据清洗;步骤4:获取样本;步骤5:样本泛化处理;步骤6:数据优选;步骤7:构建决策树评价模型;步骤8:天然气水合物分布预测。本发明将决策树评价模型应用于天然气天然气水合物地震预测中,充分利用地震数据中的相关地震属性,无需人工干预,纯数据驱动,效率更高;同时,采用本发明对天然气水合物的预测结果更准确。
Description
技术领域
本发明涉及天然气水合物储层预测技术领域,具体是一种基于决策树评价的天然气水合物储层地震预测方法及处理终端。
背景技术
在天然气水合物储层中,由于随着天然气天然气水合物含量的增加,纵、横波速度也会逐渐增加,这与天然气水合物非储层有着较为明显的区别,因此可以依靠含天然气水合物沉积物速度的变化来预测天然气水合物储层的饱和度情况,也即预测天然气水合物的分布,针对天然气天然气水合物储层的地震预测方法基本来源于该依据。目前,对天然气水合物储层的地震预测方法主要有叠加速度分析、旅行时反演、弹性阻抗反演、AVO反演、全波形反演和叠前同步反演等等,但这些方法仅仅利用了地震属性中的振幅属性与速度参数,人为主观上抛弃了其它更多的地震属性来参与天然气水合物储层预测,可能会影响天然气天然气水合物分布预测结果的准确度,可见现有的天然气水合物储层地震预测方法的预测结果并不很准确,需要进一步完善。
发明内容
针对现有技术的不足,本发明的目的之一提供一种基于决策树评价的水合物储层地震预测方法,其能够解决天然气水合物储层的饱和度预测问题;
本发明的目的之二提供一种处理终端,其能够解决天然气水合物储层的饱和度预测问题。
实现本发明的目的之一的技术方案为:一种基于决策树评价的水合物储层地震预测方法,包括如下步骤:
步骤1:提取输入数据
获取原始地震数据,对原始地震数据进行保幅和高分辨率处理,然后从经保幅和高分辨率处理后的地震数据中提取相关地震属性作为第一输入数据,同时对经过保幅和高分辨率处理后的地震数据进行叠前与叠后反演,反演后得到的反演结果作为第二输入数据;
步骤2:提取训练数据
从第一输入数据和第二输入数据中提取井眼附近的数据作为训练数据;
步骤3:数据清洗
对训练数据进行清洗,得到清洗后的数据;
步骤4:获取样本
获取由钻井实测得到的天然气水合物饱和度数据,作为样本;
步骤5:样本泛化处理
对步骤4获取的样本进行泛化处理,将样本进行分类,得到泛化处理后的数据;
步骤6:数据优选
对步骤3中的清洗后的数据和步骤5中泛化处理后的数据进行数据优选,得到优选后的数据;
步骤7:构建决策树评价模型
采用现有决策树算法,并以信息增益率作为判别标准,以及事前剪枝和事后剪枝的方式控制决策树的深度,将步骤6的优选后的数据以及步骤5的泛化后的数据生成决策树评价模型;
步骤8:天然气水合物分布预测
采用决策树评价模型对天然气水合物进行分布预测,得到对天然气水合物储层的预测结果。
进一步地,所述高分辨率处理为虚反射压制、反褶积和反Q滤波中的任意一种。
进一步地,所述相关地震属性包括振幅、振幅包络、振幅包络导数、振幅包络二级导数、绝对振幅、瞬时相位、瞬时相位余弦、主频、瞬时频率、加权平均频率、频率标准偏差、均方根频率、平均频率,瞬时带宽、瞬时Q值、瞬时加速度和薄层检测因子中的一种或多种。
进一步地,所述样本泛化处理具体为对于饱和度≥40%为高含量天然气水合物,20%≤饱和度<40%为中含量天然气水合物,5%≤饱和度<20%的天然气水合物为低含量天然气水合物,饱和度<5%为无天然气水合物。
进一步地,所述数据优选具体过程为采用SVM加权方法计算得到的权值来优选数据,并丢弃权值小于0.1的数据。
进一步地,所述信息增益率最小值为0.1。
进一步地,所述决策树的深度为5层。
进一步地,所述决策树算法为C4.5、C5.0、CART、CHAID和LMT中的任意一种。
实现本发明的目的之二的技术方案为:一种处理终端,其包括,
存储器,用于存储程序指令;
处理器,用于运行所述程序指令,以执行基于决策树评价的水合物储层地震预测方法的步骤。
本发明的有益效果为:本发明将决策树评价模型应用于天然气天然气水合物地震预测中,充分利用地震数据中的相关地震属性,无需人工干预,纯数据驱动,效率更高;同时,采用本发明对天然气水合物的预测结果更准确。
附图说明
图1为本发明的较佳实施例的流程图;
图2为采用本发明对天然气水合物预测的结果与常规方法预测的结果对比图;
图3为采用本发明对天然气水合物预测结果的剖面展示图;
图4为本发明一种处理终端的结构示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述:
如图1和2所示,一种基于决策树评价的水合物储层地震预测方法,包括如下步骤:
步骤1:提取输入数据
首先获取原始地震数据,对原始地震数据进行保幅和高分辨率处理,高分辨处理可以选用比如虚反射压制、反褶积和反Q滤波等现有高分辨率处理技术中的任意一种,然后从经过保幅和高分辨率处理后的地震数据中提取相关地震属性作为第一输入数据,相关地震属性包括振幅、振幅包络、振幅包络导数、振幅包络二级导数、绝对振幅、瞬时相位、瞬时相位余弦、主频、瞬时频率、加权平均频率、频率标准偏差、均方根频率、平均频率,瞬时带宽、瞬时Q值、瞬时加速度和薄层检测因子中的一种或多种,具体的相关地震属性可以根据实际情况进行增删来选择,同时对经过保幅和高分辨率处理后的地震数据进行叠前与叠后反演,反演后得到的纵波阻抗、横波阻抗和密度等反演结果作为第二输入数据;
步骤2:提取训练数据
由于原始地震数据是包含了坐标信息的,第一输入数据和第二输入数据作为本发明的输入数据,因此通过坐标从步骤1中的第一输入数据和第二输入数据中提取井眼附近的数据作为训练数据;这里所谓井眼附近是通过坐标来确定的,本实施中,具体以井眼为中心且距井眼在±10米(这里以米为单位)范围以内的数据均作为井眼附近的数据,当然,在实际情况,该范围可以调整;
步骤3:数据清洗
对步骤2得到的训练数据进行清洗,采用如中值滤波或平均估计等方法将训练数据中的异常数据进行删除,异常数据可通过来人工确定,只需要接收人工确定的异常数据结果即可,以及采用如多项式插值或赋0等方法将有缺少值的数据进行替换,得到清洗后的数据;
步骤4:获取样本
获取由钻井实测得到的天然气水合物饱和度数据,作为样本;
步骤5:样本泛化处理
对步骤4获取的样本进行泛化处理,泛化处理具体为对于饱和度≥40%为高含量天然气水合物,20%≤饱和度<40%为中含量天然气水合物,5%≤饱和度<20%的天然气水合物为低含量天然气水合物,饱和度<5%为无天然气水合物,得到泛化处理后的数据,从而将实测天然气水合物饱和度数据的样本进行了分类,便于后续处理;
步骤6:数据优选
对步骤3经过清洗后的数据和步骤5样本泛化处理后的数据进行数据优选,具体为通过SVM(支持向量机)加权方法计算得到的权值来优选数据,并丢弃权值小于0.1的数据,得到优选后的数据,当然,在实际使用时也可以采用其他数据优选的方法;
步骤7:构建决策树评价模型
采用现有决策树算法,并以信息增益率作为判别标准,最小信息增益率设为0.1,并采用事前剪枝和事后剪枝的方式控制决策树最大深度为5层,从而将步骤6的优选后的数据以及步骤5的泛化后的数据生成决策树评价模型,现有决策树算法包括C4.5、C5.0、CART、CHAID和LMT等等算法;
步骤8:天然气水合物分布预测
采用步骤7构建得到的决策树评价模型对天然气水合物进行分布预测,具体为:将需要预测的原始地震数据先经过步骤1处理得到的第一输入数据和第二输入数据,再输入至决策树评价模型,从而得到对天然气水合物储层的预测结果,即得到天然气水合物饱和度的分布情况。
如图2和图3所示,其中,图2为针对南海北部某海域的天然气水合物储层采用本发明对天然气水合物预测的结果与常规方法预测的结果对比图,可以清楚地看出,采用本发明对天然气水合物预测的结果准确率和分辨率均远大于常规方法对天然气水合物预测的结果,比如深度在大约1470-1482米之间,采用本发明预测的结果为天然气水合物饱和度大于40%、介于20%-40%之间以及介于5%-20%之间均有分布,与实测的样本值较接近,而采用采购方法只有天然气水合物饱和度大于40%的一种预测结果,与样本值不符,导致常规方法预测的结果偏差较大。
通过针对南海北部某海域的天然气水合物储层采用本发明对天然气水合物预测与实际取芯结果(也即是图2中的样本值)进行对比发现,采用本发明对天然气水合物储层预测准确率达到88%,并且发现:在决策树评价模型中,振幅包络起主要作用,并有如下关联规则:当振幅包络值小于等于2.276,主频属性小于等于129.671,且振幅小于等于1.514时,预测为无天然气水合物或者含量较低天然气水合物的支持率为100%(29个样本全部支持),其中预测为无天然气水合物的支持率为89.7%(29个样本中26个支持);而当振幅包络大于2.276时,基本预测均含有天然气水合物,只是在含量上有所差异,当薄层检测因子小于等于-8.454时,基本预测为高含量天然气水合物(5个样本全部支持)。
如图4所示,本发明还涉及一种实现以上方法的实体装置的处理终端100,其包括,
存储器101,用于存储程序指令;
处理器102,用于运行所述程序指令,以执行所述基于决策树评价的水合物储层地震预测方法的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (9)
1.一种基于决策树评价的水合物储层地震预测方法,其特征在于:包括如下步骤:
步骤1:提取输入数据;
获取原始地震数据,对原始地震数据进行保幅和高分辨率处理,然后从经保幅和高分辨率处理后的地震数据中提取相关地震属性作为第一输入数据,同时对经过保幅和高分辨率处理后的地震数据进行叠前与叠后反演,反演后得到的反演结果作为第二输入数据;
步骤2:提取训练数据;
从第一输入数据和第二输入数据中提取井眼附近的数据作为训练数据;
步骤3:数据清洗;
对训练数据进行清洗,得到清洗后的数据;
步骤4:获取样本;
获取由钻井实测得到的天然气水合物饱和度数据,作为样本;
步骤5:样本泛化处理;
对步骤4获取的样本进行泛化处理,将样本进行分类,得到泛化处理后的数据;
步骤6:数据优选;
对步骤3中的清洗后的数据和步骤5中泛化处理后的数据进行数据优选,得到优选后的数据;
步骤7:构建决策树评价模型;
采用现有决策树算法,并以信息增益率作为判别标准,以及事前剪枝和事后剪枝的方式控制决策树的深度,将步骤6的优选后的数据以及步骤5的泛化后的数据生成决策树评价模型;
步骤8:天然气水合物分布预测;
采用决策树评价模型对天然气水合物进行分布预测,得到对天然气水合物储层的预测结果。
2.根据权利要求1所述的基于决策树评价的水合物储层地震预测方法,其特征在于:所述高分辨率处理为虚反射压制、反褶积和反Q滤波中的任意一种。
3.根据权利要求1所述的基于决策树评价的水合物储层地震预测方法,其特征在于:所述相关地震属性包括振幅、振幅包络、振幅包络导数、振幅包络二级导数、绝对振幅、瞬时相位、瞬时相位余弦、主频、瞬时频率、加权平均频率、频率标准偏差、均方根频率、平均频率,瞬时带宽、瞬时Q值、瞬时加速度和薄层检测因子中的一种或多种。
4.根据权利要求1所述的基于决策树评价的水合物储层地震预测方法,其特征在于:所述样本泛化处理具体为对于饱和度≥40%为高含量天然气水合物,20%≤饱和度<40%为中含量天然气水合物,5%≤饱和度<20%的天然气水合物为低含量天然气水合物,饱和度<5%为无天然气水合物。
5.根据权利要求1所述的基于决策树评价的水合物储层地震预测方法,其特征在于:所述数据优选具体过程为采用SVM加权方法计算得到的权值来优选数据,并丢弃权值小于0.1的数据。
6.根据权利要求1所述的基于决策树评价的水合物储层地震预测方法,其特征在于:所述信息增益率最小值为0.1。
7.根据权利要求1所述的基于决策树评价的水合物储层地震预测方法,其特征在于:所述决策树的深度为5层。
8.根据权利要求1所述的基于决策树评价的水合物储层地震预测方法,其特征在于:所述决策树算法为C4.5、C5.0、CART、CHAID和LMT中的任意一种。
9.一种处理终端,其特征在于:其包括,
存储器,用于存储程序指令;
处理器,用于运行所述程序指令,以执行如权利要求1至8任一项所述的基于决策树评价的水合物储层地震预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811176308.6A CN109444957B (zh) | 2018-10-10 | 2018-10-10 | 基于决策树评价的水合物储层地震预测方法及处理终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811176308.6A CN109444957B (zh) | 2018-10-10 | 2018-10-10 | 基于决策树评价的水合物储层地震预测方法及处理终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109444957A CN109444957A (zh) | 2019-03-08 |
CN109444957B true CN109444957B (zh) | 2019-09-27 |
Family
ID=65545875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811176308.6A Active CN109444957B (zh) | 2018-10-10 | 2018-10-10 | 基于决策树评价的水合物储层地震预测方法及处理终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444957B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781640B (zh) * | 2020-06-30 | 2022-04-15 | 广州海洋地质调查局 | 一种基于bsr特征快速判别水合物含量的方法及处理终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227033B (zh) * | 2018-01-05 | 2020-09-08 | 中国石油天然气股份有限公司 | 砂岩储层的孔隙度的预测方法、装置及计算机存储介质 |
-
2018
- 2018-10-10 CN CN201811176308.6A patent/CN109444957B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109444957A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Dust emission from Chinese desert sources linked to variations in atmospheric circulation | |
CN108931814B (zh) | 一种基于多属性融合的基岩裂缝预测的方法 | |
Soulsby | Selecting record length and digitization rate for near-bed turbulence measurements | |
Lagerloef | Interdecadal variations in the Alaska Gyre | |
SA520412321B1 (ar) | تحديد تفاوتات لسرعة كثبان رملية | |
CN107272062B (zh) | 一种数据驱动的地下介质q场估计方法 | |
CN107765298B (zh) | 一种确定近地表速度模型的方法及装置 | |
CN110502801B (zh) | 海洋温度锋自动追踪和特征参数信息提取方法 | |
CN109165766A (zh) | 一种南海鸢乌贼渔情预报的方法 | |
CN107966732A (zh) | 基于空间结构导向的地震属性变化率求取方法 | |
CN103292792A (zh) | 一种适用海底探测与假地形处理的实测svp重构方法 | |
CN107817520A (zh) | 海相泥页岩地层的压力系数预测方法及系统 | |
CN109444957B (zh) | 基于决策树评价的水合物储层地震预测方法及处理终端 | |
CN110007340A (zh) | 基于角度域直接包络反演的盐丘速度密度估计方法 | |
WO2005026776A1 (en) | Wide-offset-range pre-stack depth migration method for seismic exploration | |
CN109633749A (zh) | 基于散射积分法的非线性菲涅尔体地震走时层析成像方法 | |
CN104656140B (zh) | 一种基于垂直地震衰减规律的中值滤波方法以及系统 | |
Kim | Investigation of ENSO variability using cyclostationary EOFs of observational data | |
Naidu et al. | Monsoon upwelling effects on test size of some planktonic foraminiferal species from the Oman Margin, Arabian Sea | |
CN107065007B (zh) | 一种地震资料振幅调整方法和装置 | |
CN109856672B (zh) | 基于深度波数谱的瞬变波包提取方法、存储介质与终端 | |
Jiang et al. | Constraining the focal mechanism of the Lushan earthquake with observations of the Earth’s free oscillations | |
CN116201535B (zh) | 油气藏目标井标志地层自动划分方法、装置及设备 | |
Yokoyama et al. | Sixty year variation in a time series of the geomagnetic Gauss coefficients between 1910 and 1983 | |
CN112013910A (zh) | 一种排水管网流量检测方法、装置、服务器和存储介质 |
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 |