CN109765609A - 一种基于目的层与相邻层地震属性的砂体预测方法及系统 - Google Patents

Abstract

本发明涉及一种基于目的层与相邻层地震属性的砂体预测方法及系统，其包括提取目的层井点处的砂体厚度，对目的层及相邻层的地震层位进行精细层位解释；提取井点附近的地震属性值，通过分析井点附近各地震属性与测井解释的砂体厚度的相关性，选出能够反映目标参数的地震属性；以目的层测井解释砂体厚度作为目标数据集，以目的层和上部、下部相邻地层井点附近的地震属性值作为训练样本数据集，将目标数据与训练数据全部作为输入数据，进行非线性映射，即得到训练后的多元回归模型；根据训练后的多元回归模型，将目的层及上部、下部相邻地层的地震属性层切片进行融合，得到能够反映目的层砂体厚度分布的融合地震属性图，即完成了砂体分布预测。

Description

一种基于目的层与相邻层地震属性的砂体预测方法及系统

技术领域

本发明涉及一种地震属性分析预测技术领域，特别是关于一种基于目的层与相邻层地震属性的砂体预测方法及系统。

背景技术

随着三维地震资料品质的提高，地震属性分析技术取得快速发展并广泛应用于储层预测。然而，在实际生产过程中，如何利用地震属性分析技术提高储层的解释精度始终是地质解释人员不断努力的方向。目前，在提高地震属性的储层预测精度方面，众多学者主要从以下两个方面进行努力：一是探索全新的地震属性，以期望通过更合理的数学算法，更好的识别储层的分布；二是合理的利用已有的多种地震属性，即选取多种已有的地震属性，通过某种算法进行融合，以期保留更多的有效地震信息，得到更加可靠地、全面地反映储层特征的融合地震属性。

众多研究表明，受到地震数据分辨率较低的限制，目的层的储层分布特征不仅与目的层的地震属性分布特征相关，也和相邻地层的属性分布特征相关。同理，目的层的地震属性分布特征，与目的层及相邻地层的储层分布特征均相关。然而，目前基于地震属性的储层预测方法只考虑了目的层地震属性与储层分布的关系，几乎从未考虑相邻地层的地震属性与目的层的关系。

现有的基于地震属性预测砂体的方法众多。典型的方法，分析地震属性分布特征与储层分布特征的相关性，例如振幅属性一般与砂体的分布呈正相关性，即储层发育的位置，地震属性值较高；相反砂体不发育的位置，振幅值一般较低。因此，可以根据振幅属性异常高值的分布刻画砂体的分布。但是，在实际研究中，目的层的振幅属性高值，很有可能是相邻地层储层的干扰，即相邻储层发育砂体，导致目的层的振幅属性较高。比如，目的层中等幅度的振幅属性高值，可能是目的层中等厚度的砂体，也有可能是相邻地层厚层砂体的响应。因此，根据目的层的地震属性刻画砂体的分布，往往会导致储层预测结果出现较大的误差。

研究表明，尽管砂体会在本地层(砂体所在的地层)和相邻层形成振幅属性异常高值，但砂体所在地层与相邻层形成的振幅异常高值的幅度有明显不同。具体表现为，砂体所在地层的振幅异常高值的幅度明显高于在相邻地层形成的异常高值。一般而言，目的层的中等幅度的振幅属性异常高值可能是本层的中-薄层砂体的响应，也有可能是相邻地层厚层砂体的响应。因此，仅仅根据目的层的振幅属性，存在明显的多解性，无法准确预测目的层的砂体分布。

如果能同时考虑目的层与相邻层的地震属性，将目的层与相邻地层的振幅属性差异特征考虑进去，则能较为准确的判断形成异常属性高值区域的砂体位置，即砂体位于目的层还是相邻地层。

发明内容

针对上述问题，本发明的目的是提供一种基于目的层与相邻层地震属性的砂体预测方法及系统，其能有效降低上下围岩对目的层的影响，准确的预测砂体的分布，并实现砂体厚度的定量化表征(即能定量表征砂体厚度)。

为实现上述目的，本发明采取以下技术方案：一种基于目的层与相邻层地震属性的砂体预测方法，其包括以下步骤：1)基于测井曲线进行单井砂体解释，提取目的层井点处的砂体厚度；2)对目的层及相邻层的地震层位进行精细层位解释，提取井点附近的地震属性值；3)通过分析井点附近各地震属性与测井解释的砂体厚度的相关性，选出能够反映目标参数的地震属性；4)以目的层测井解释砂体厚度作为目标数据集，以目的层和上部、下部相邻地层井点附近的地震属性值作为训练样本数据集，将目标数据与训练数据全部作为输入数据，进行非线性映射，即得到训练后的多元回归模型；5)根据训练后的多元回归模型，将目的层及上部、下部相邻地层的地震属性层切片进行融合，得到能够反映目的层砂体厚度分布的融合地震属性图，即完成了砂体分布预测。

进一步，所述步骤1)中，针对测井数据，根据测井曲线形态进行单井上的砂体解释，进而基于测井解释的砂体，提取目的层井点处的砂体厚度；针对地震数据，通过合成地震记录的方法或井间VSP速度资料进行时深标定，对目的层及相邻层的地震层位进行精细层位解释。

进一步，所述步骤2)中，根据层位解释及井震联合时深标定结果，提取目的层及上部、下部相邻地层的多种地震属性的地层切片，进而提取井点附近的地震属性值。

进一步，所述步骤3)中，能够反映目标参数的地震属性，是指与目标参数的相关性较高的地震属性。

进一步，所述相关性较高采用以下两个选择标准中的一种：一是在提取的地震属性中，选择与目标参数的相关性最高的一种地震属性；二是选取具有较为明显相关性的几种地震属性，其中，明显相关性是指相关系数大于0.5。

进一步，所述步骤2)中，提取井点附近数据具体方法：以井点所在位置为中心，以预先设定的半径，求取井点附近的地震属性平均值。

进一步，所述步骤4)中，采用机器学习的方法建立地震属性与砂体厚度之间的非线性映射关系。

进一步，所述步骤5)中，地震属性层切片融合是将目的层及上部、下部相邻地层的地震属性层切片，通过训练后的非线性回归模型进行转化。

一种基于目的层与相邻层地震属性的砂体预测系统，其包括砂体厚度提取模块、精细层位解释模块、地震属性选取模块、多元回归模型获取模块和砂体分布预测模块；所述砂体厚度提取模块基于测井曲线进行单井砂体解释，提取目的层井点处的砂体厚度；所述精细层位解释模块根据对目的层及相邻层的地震层位进行精细层位解释，提取井点附近的地震属性值；所述地震属性选取模块是通过分析井点附近各地震属性与测井解释的砂体厚度的相关性，选出能够反映目标参数的地震属性；所述多元回归模型获取模块以目的层测井解释砂体厚度作为目标数据集，以目的层和上部、下部相邻地层井点附近的地震属性值作为训练样本数据集，将目标数据与训练数据全部作为输入数据，进行非线性映射，即得到训练后的多元回归模型；所述砂体分布预测模块根据训练后的多元回归模型，将目的层及上部、下部相邻地层的地震属性层切片进行融合，得到能够反映目的层砂体厚度分布的融合地震属性图，即完成了砂体分布预测。

进一步，所述地震属性选取模块中，根据层位解释及井震联合时深标定结果，提取目的层及上部、下部相邻地层的多种地震属性的地层切片，进而提取井点附近的地震属性值。

本发明由于采取以上技术方案，其具有以下优点：1、本发明综合考虑了目的层及上下围岩的地震属性值，降低了上下围岩的影响，融合后的地震属性与目的层测井参数拟合度更高，提高了地震属性的解释进度。2、本发明基于智能算法的机器学习能够建立复杂的、非线性的映射关系，该关系能够更加合理的表征目的层及相邻层地震属性与地质参数之间的关系。3、本发明能够根据测井解释的硬数据，对多层地震属性进行融合，融合结果充分考虑了测井解释的结果。4、本发明得到的融合地震属性图更加直观，且能定量反映砂体厚度。

附图说明

图1是本发明的整体流程示意图；

图2是本发明提取井点附近地震属性值示意图；

图3是本发明机器学习与回归模型的建立流程；

图4是本发明的属性融合流程示意图；

图5是传统方法与本发明方法的成果对比，其中图(a)是常规的只考虑目的层地震属性的砂体预测结果，图(b)是同时考虑目的层与相邻层地震属性的砂体预测结果。

具体实施方式

由于砂体在目的层及相邻地层形成的地震属性异常差异较为复杂，因此本发明以测井数据为依据(测井数据可靠性高)，采用机器学习(智能算法包括支撑向量机、遗传神经网络、深度学习)的方法，在测井解释的砂体厚度与目的层及上下相邻地层之间建立非线性映射关系；然后根据训练后的映射关系，将目的层与相邻层的地震属性融合成为一种新的属性，该融合属性也即预测的砂体厚度。下面结合附图和实施例对本发明进行详细的描述。

本发明提供一种基于目的层与相邻层地震属性的砂体预测方法，以目的层测井解释的砂体厚度依据，采用机器学习的方法，对目的层及相邻地层的地震属性进行训练，进而融合得到一个新的、能反映目的层砂体厚度的属性，新的融合属性图即为目的层砂体厚度的预测结果。如图1所示，本发明包括以下步骤：

1)针对测井数据，根据测井曲线形态，比如能够反映岩性的自然电位、伽马曲线，进行单井上的砂体解释，进而基于测井解释的砂体，提取目的层井点处的砂体厚度。

2)针对地震数据，通过合成地震记录的方法(或井间VSP速度资料)进行时深标定，在此基础上，对目的层及相邻层的地震层位进行精细层位解释。

3)根据层位解释及井震联合时深标定结果，提取目的层及上部、下部相邻地层的多种地震属性的地层切片，进而提取井点(井轨迹)附近的地震属性值。通过分析井点附近各地震属性与测井解释的砂体厚度的相关性，选出能够反映目标参数的地震属性；

其中，能够反映目标参数的地震属性，是指与目标参数的相关性较高的地震属性，如与井点处砂体厚度的相关性较高。相关性较高可以采用以下两个选择标准中的一种：一是在提取的地震属性中，选择与目标参数的相关性最高的一种地震属性；二是选取具有较为明显相关性(即相关系数大于0.5)的几种地震属性。

提取井点附近数据具体方法：以井点所在位置为中心，以预先设定的半径，求取井点附近的地震属性平均值(如图2所示)。在一个优选的实施例中，预先设定的半径为10～30m，最优半径为15m。

4)以目的层测井解释砂体厚度作为目标数据集，以目的层和上部、下部相邻地层井点附近的地震属性值作为训练样本数据集，将目标数据与训练数据全部作为输入数据，进行非线性映射(如图2所示)，即得到训练后的多元回归模型；

采用机器学习的方法建立地震属性与砂体厚度之间的非线性映射关系。如图3所示，具体方法如下：

4.1)由于实际油田开发区块的钻井数量通常在几十口到几百不等，在相邻层与目的层的井点附近各有一个训练数据，即样本点通常在几千个以内，属于小样本数据，优先考虑支持向量机(SVM)算法与遗传神经网络算法。

在本实施例中，支持向量机的核函数采用径向基函数，输入的训练数据可以表示为(x_i,y_i)，i＝1,…,m；x_i属于多维输入数据，记为x∈R³(R³表示3维训练数据，由于有3个层的地震属性数据输入，即为3维训练数据)；y_i是对应位置的目标数据，记为y∈R(R表示目标数据)；m为训练样本的个数。

SVM回归模型表达式如下：

f(x)＝＜w,x>+b，w,x∈R³,b∈R

其中，f(x)是运算后的输出结果，w为R³中某个数，其具体值会在梯度递降过程中不断自动优化，<w,x>代表w与x的点积，b为常数调节因子。

遗传神经网络(GA Neural Network)为一个遗传算法与神经网络模型的混合算法。其神经网络的激活函数如下：

f(x)＝1/(1+e^(-x))，x∈R³

其中，f(x)为学习结果的输出数据，x为输入的地震属性数据。

此外，如果研究区内有足够多的井点，也可以考虑深度学习(深信度网络)作为学习方法。

4.2)分别建立基于支持向量机算法与遗传神经网络算法的初步回归模型。

4.3)对初步回归模型的准确性进行评估：如果测试数据的正确率(吻合度)大于80％，则认为模型合理，输出训练后的回归模型；反之，小于80％，则自动调整初始参数，继续重复上述学习步骤，直到测试数据的正确率大于80％，最终输出合理的回归模型。

5)根据训练后的多元回归模型(支持向量机回归模型与遗传神经网络回归模型)，将目的层及上部、下部相邻地层的地震属性层切片进行融合，得到能够反映目的层砂体厚度分布的融合地震属性图，即完成了砂体分布预测。如图4所示，地震属性层切片融合是将目的层及上部、下部相邻地层的地震属性层切片，通过训练后的非线性回归模型(映射关系)进行转化。

如图5所示，由其中图(a)、图(b)可以看出，本发明的方法能够明显建立相邻地层中围岩的影响，明显提高储层预测的精度。

本发明还提供一种基于目的层与相邻层地震属性的砂体预测系统，其包括砂体厚度提取模块、精细层位解释模块、地震属性选取模块、多元回归模型获取模块和砂体分布预测模块；

砂体厚度提取模块基于测井曲线进行单井砂体解释，提取目的层井点处的砂体厚度；

精细层位解释模块根据对目的层及相邻层的地震层位进行精细层位解释，提取井点附近的地震属性值；

地震属性选取模块是通过分析井点附近各地震属性与测井解释的砂体厚度的相关性，选出能够反映目标参数的地震属性；

多元回归模型获取模块以目的层测井解释砂体厚度作为目标数据集，以目的层和上部、下部相邻地层井点附近的地震属性值作为训练样本数据集，将目标数据与训练数据全部作为输入数据，进行非线性映射，即得到训练后的多元回归模型；

砂体分布预测模块根据训练后的多元回归模型，将目的层及上部、下部相邻地层的地震属性层切片进行融合，得到能够反映目的层砂体厚度分布的融合地震属性图，即完成了砂体分布预测。

上述实施例中，在地震属性选取模块中，根据层位解释及井震联合时深标定结果，提取目的层及上部、下部相邻地层的多种地震属性的地层切片，进而提取井点附近的地震属性值。

综上所述，本发明采用机器学习方法，同时考虑目的层与上部、下部相邻地层地震属性，建立目的层及上下相邻地层地震属性与砂体厚度之间的非线性映射关系，并根据该关系，将目的层及上下相邻地层的地震属性进行融合，消除了上下围岩的影响，融合后的地震属性与目的层测井参数拟合度更高，提高的储层解释精度。

上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种基于目的层与相邻层地震属性的砂体预测方法，其特征在于包括以下步骤：

1)基于测井曲线进行单井砂体解释，提取目的层井点处的砂体厚度；

2)对目的层及相邻层的地震层位进行精细层位解释，提取井点附近的地震属性值；

3)通过分析井点附近各地震属性与测井解释的砂体厚度的相关性，选出能够反映目标参数的地震属性；

4)以目的层测井解释砂体厚度作为目标数据集，以目的层和上部、下部相邻地层井点附近的地震属性值作为训练样本数据集，将目标数据与训练数据全部作为输入数据，进行非线性映射，即得到训练后的多元回归模型；

5)根据训练后的多元回归模型，将目的层及上部、下部相邻地层的地震属性层切片进行融合，得到能够反映目的层砂体厚度分布的融合地震属性图，即完成了砂体分布预测。

2.如权利要求1所述砂体预测方法，其特征在于：所述步骤1)中，针对测井数据，根据测井曲线形态进行单井上的砂体解释，进而基于测井解释的砂体，提取目的层井点处的砂体厚度；针对地震数据，通过合成地震记录的方法或井间VSP速度资料进行时深标定，对目的层及相邻层的地震层位进行精细层位解释。

3.如权利要求1所述砂体预测方法，其特征在于：所述步骤2)中，根据层位解释及井震联合时深标定结果，提取目的层及上部、下部相邻地层的多种地震属性的地层切片，进而提取井点附近的地震属性值。

4.如权利要求1所述砂体预测方法，其特征在于：所述步骤3)中，能够反映目标参数的地震属性，是指与目标参数的相关性较高的地震属性。

5.如权利要求4所述砂体预测方法，其特征在于：所述相关性较高采用以下两个选择标准中的一种：一是在提取的地震属性中，选择与目标参数的相关性最高的一种地震属性；二是选取具有较为明显相关性的几种地震属性，其中，明显相关性是指相关系数大于0.5。

6.如权利要求1至5任一项所述砂体预测方法，其特征在于：所述步骤2)中，提取井点附近数据具体方法：以井点所在位置为中心，以预先设定的半径，求取井点附近的地震属性平均值。

7.如权利要求1所述砂体预测方法，其特征在于：所述步骤4)中，采用机器学习的方法建立地震属性与砂体厚度之间的非线性映射关系。

8.如权利要求1所述砂体预测方法，其特征在于：所述步骤5)中，地震属性层切片融合是将目的层及上部、下部相邻地层的地震属性层切片，通过训练后的非线性回归模型进行转化。

9.一种基于目的层与相邻层地震属性的砂体预测系统，其特征在于：包括砂体厚度提取模块、精细层位解释模块、地震属性选取模块、多元回归模型获取模块和砂体分布预测模块；

所述砂体厚度提取模块基于测井曲线进行单井砂体解释，提取目的层井点处的砂体厚度；

所述精细层位解释模块根据对目的层及相邻层的地震层位进行精细层位解释，提取井点附近的地震属性值；

所述地震属性选取模块是通过分析井点附近各地震属性与测井解释的砂体厚度的相关性，选出能够反映目标参数的地震属性；

所述多元回归模型获取模块以目的层测井解释砂体厚度作为目标数据集，以目的层和上部、下部相邻地层井点附近的地震属性值作为训练样本数据集，将目标数据与训练数据全部作为输入数据，进行非线性映射，即得到训练后的多元回归模型；

所述砂体分布预测模块根据训练后的多元回归模型，将目的层及上部、下部相邻地层的地震属性层切片进行融合，得到能够反映目的层砂体厚度分布的融合地震属性图，即完成了砂体分布预测。

10.如权利要求1所述砂体预测系统，其特征在于：所述地震属性选取模块中，根据层位解释及井震联合时深标定结果，提取目的层及上部、下部相邻地层的多种地震属性的地层切片，进而提取井点附近的地震属性值。