CN110261897B - 基于组稀疏的叠前四参数反演方法 - Google Patents
基于组稀疏的叠前四参数反演方法 Download PDFInfo
- Publication number
- CN110261897B CN110261897B CN201910343188.2A CN201910343188A CN110261897B CN 110261897 B CN110261897 B CN 110261897B CN 201910343188 A CN201910343188 A CN 201910343188A CN 110261897 B CN110261897 B CN 110261897B
- Authority
- CN
- China
- Prior art keywords
- reflection coefficient
- parameter
- inversion
- quality factor
- wave velocity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 45
- 238000005070 sampling Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 23
- 238000005755 formation reaction Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 239000012530 fluid Substances 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical group 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
-
- 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
- G01V1/303—Analysis for determining velocity profiles or travel times
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
本发明提供一种基于组稀疏的叠前四参数反演方法，包括:根据反射透射系数方程推导含品质因子Q的四参数反射系数近似式；将模型参数的分组结果加入到先验信息中，构造先验信息及似然函数的表达式；加入低频约束，由贝叶斯公式，构建组稀疏四参数反演的目标函数；根据最大角不能超过最大偏移距的原则将地震数据分为四个角道集数据，并分别提取分角度道集的地震子波；计算测井曲线Q值，构建Q低频模型；用加权迭代最小二乘的方法求取模型参数的最大后验概率，从而得到反演问题的解。该基于组稀疏的叠前四参数反演方法能够定量表述地震波的衰减，能得到横向连续性更好、稳定性更强的反演结果，在油气识别中具有更大的优势。
Description
技术领域
本发明涉及油田开发技术领域，特别是涉及到一种基于组稀疏的叠前四参数反演方法。
背景技术
寻找隐蔽性油气藏和非常规油气已经成为地震勘探的重点，由于非常规油气储层与常规储层存在很大差异，因此对地震勘探提出了新的要求，需要对地震勘探的所基于的理论假设和方法、技术进行相应的改进。地震波衰减对于岩石及其中所含流体非常敏感，因此在隐蔽性油气藏和非常规油气藏勘探中具有很大潜力。同时组稀疏反演也能进一步提高反演结果的稳定性及横向连续性。
地震波在具有非弹性性质的地层中传播时发生频散和衰减，其频率成分随传播距离(时间)变化。信号分解方法是分析地震频率成分变化的重要工具。傅里叶变换是最基本的信号分解方法，由于对时域信号整体进行分解，无法反映信号随时间变化特征。实际地震数据是非平稳信号，即频率特征随时间变化，在非弹性介质中传播的地震波更是如此。地震波能量衰减可以用品质因子Q值进行定量表征，从而利用信号分解方法，得到各频率成分的能量随时间的变化。Taner等(1979)使用复地震道分析地震剖面的瞬时特征时发现在含烃储层的下方出现较强的低频成分，表明地震波穿过含烃储层后频率成分会发生变化，与地层流体有关的非弹性性质可能是导致出现“低频伴影”的原因(Castagna等，2003)。Liu等(2011)将相应的频变反射系数研究推广到纵波倾斜入射的情形。正如同Aki-Richards近似在弹性介质AVO反演中发挥的重要作用，研究出一种具有物理意义、参数明确、表达简单的非弹性介质反射系数近似公式是当前的热点方向。Innanen(2011)研究了平面波在声波衰减介质和非弹性介质中的反射系数随角度和频率的变化特征，并对反射系数进行级数展开，分别得到线性近似和高阶近似表达式。Luo和Wang(2013)对Aki近似进行推广，将Futterman模型所描述的频散关系代入，得到一种纵波反射系数近似表达式。根据速度频散，通过直接从AVO反射系数近似表达式出发，避开非弹性介质模型的多样性和复杂的表达形式，将反射系数表示成与频率有关的形式并用于频变AVO属性反演具有一定的现实意义。王小杰(2012)根据张玉华(2007)推导的粘弹性介质纵波入射时的反射透射系数方程，使用介质分解理论，在小扰动和弱衰减假设条件下得到粘弹性介质中纵波反射系数的近似表达式，并以此为基础建立了针对非弹性介质的叠前地震反演方法。通过实验研究可以增进对介质非弹性性质的认识，Lines等(2014)通过物理模型实验研究发现：当介质的声波阻抗相同而品质因子不同时，由于品质因子差异会引起反射，且品质因子差异较大时，引起较明显的反射，这种反射会引起地震波相位变化，这些结论与早期White(1965)的研究一致。Bourbié和Nur(1982)开展了类似的实验，没有发现由于衰减差异引起明显的相位变化。Morozov(2011)提出了衰减声波阻抗的概念，能够解释以上关于衰减差异引起反射的实验研究结果。
A Buland和H More(2003)基于贝叶斯理论提出新的AVO反演方法，该方法不仅能够获得纵横波速度及密度的后验分布，也可以估算出其他弹性参数的分布。该反演算法是基于褶积模型和Zoeppritz线性近似方程的弱对比，它的解可以用后验期望和协方差都有显式表达的高斯后验分布表示。Alemie等(2011)结合贝叶斯理论和稀疏性，将稀疏性和标度矩阵应用到AVO反演中，提高了反演的分辨率。Li等(2014)基于贝叶斯理论获得了稀疏反射系数，使反演结果能够很好的刻画地层边界。刘亚楠(2010)将稀疏理论应用到视频数据的处理中，首次提出了组稀疏的概念。Deng等(2013)研究了基于组稀疏信号重构的组稀疏最优化算法，表明组稀疏编码可以更好的恢复信号。刘建伟(2015)对目前已有的组稀疏模型及相应的优化算法做了总结，提出该模型将会在以后的高维数据建模中越来越重要。组稀疏算法也应用到了越来越多的领域。Pei等(2017)应用组稀疏算法通过控制传播过程来预测传染病的发展动态。Kumar等(2017)研究基于动物的多重特征使计算机自动识别动物。
地震波衰减对于岩石及其中所含流体非常敏感，因此在反演纵横波速度、密度等弹性参数的同时，结合地层衰减参数识别隐蔽性油气藏和非常规油气藏中具有很大优势。而反演算法的稳定性及结果的分辨率、横向连续性也需要进一步提高，以便于更好的反映地下介质反射的实际情况。目前我国油田的勘探形式十分严峻，需要发展高精度的预测储层展布、评价储层含油气性的有效方法，创新地球物理综合识别油气分布的技术。为此我们发明了一种新的基于组稀疏的叠前四参数反演方法，解决了以上技术问题。
发明内容
本发明的目的是提供一种考虑地层反射系数的内部结构特征，利用反射系数向量稀疏性的同时，考虑了不同参数反射系数之间的结构稀疏特征，从而得到更加稳定、真实的反演结果，结合与地层衰减相关的品质因子参数，使储层识别更加准确的基于组稀疏的叠前四参数反演方法。
本发明的目的可通过如下技术措施来实现：基于组稀疏的叠前四参数反演方法，该基于组稀疏的叠前四参数反演方法包括:步骤1，根据反射透射系数方程推导含品质因子Q的四参数反射系数近似式；步骤2，将模型参数的分组结果加入到先验信息中，构造先验信息及似然函数的表达式；步骤3，加入低频约束，由贝叶斯公式，构建组稀疏四参数反演的目标函数；步骤4，根据最大角不能超过最大偏移距的原则将地震数据分为四个角道集数据，并分别提取分角度道集的地震子波；步骤5，计算测井曲线Q值，构建Q低频模型；步骤6，用加权迭代最小二乘的方法求取模型参数的最大后验概率，从而得到反演问题的解。
本发明的目的还可通过如下技术措施来实现：
在步骤1中，根据Aki-Richards叠前反射系数近似式，推导出含Q的四参数反射系数近似式。
在步骤1中，含Q叠前反射系数近似式为
R(θ,t)＝Cp(θ)Rp(t)+Cs(θ)Rs(t)+Cd(θ)Rd(t)+CqRq(t)
其中，θ为地震数据入射角，t为时间，Cp、CS、Cd、Cq分别是纵横波速度、密度及品质因子的加权系数，其表达式为，Cp(θ)＝1+tan2θ，
Rp、RS、Rd、Rq分别为纵波速度反射系数，横波速度反射系数，密度反射系数及品质因子反射系数；其中α，β分别是纵波速度和横波速度；类比于垂直入射的公式，四个反射系数写为
其中，α、β、ρ、q为纵波速度、横波速度、密度及品质因子；
根据叠前角道集地震数据的特点，正演算子G可以表示为
其中，CP(θ)、CS(θ)、Cd(θ)、Cq(θ)分别为不同入射角对应的纵横波速度、密度及品质因子的加权系数；W(θ)为不同入射角对应的子波表达式；
待反演模型参数向量m的表达式为m＝[Rp Rs Rd Rq]T
因此叠前角道集正演模型为d＝Gm+n；
其中，d为地震数据，n为随机噪声。
在步骤2中，由于地层品质因子的倒数能够反应地震波能量衰减特征，因此综合考虑了待反演参数反射系数的向量稀疏性及结构稀疏性，增加了与吸收衰减相关的地层品质因子参数的反演；同时对待反演参数进行分组，在贝叶斯框架下，将分组结果代入修正柯西分布作为先验信息构建目标函数，得到更符合实际情况的先验信息。
在步骤2中，模型参数m的后验概率分布为
p(m|d)∝p(m)p(d|m)
其中，p(m|d)为后验概率，p(m)为待求模型参数的先验概率，p(d|m)表示将反演结果再进行正演得到的数据与观测数据的相似度；
假定观测数据中噪声服从均值为0、协方差为Xn的高斯分布，则似然函数可表示为
其中，G为正演算子，d为地震数据；
选择修正柯西分布作为反射系数的先验分布，它的数学表达为
其中，mi为采样点为i时的待反演模型参数矩阵，
为采样点为i时模型参数对应的方差；
对上述公式做一定改进，当地震数据的采样点为N时，首先按时间采样点将模型参数向量分为N组，使每组向量都包含该采样点处的纵波反射系数、横波反射系数、密度反射系数及品质因子反射系数，即
其中，Rp(ti)、RS(ti)、Rd(ti)、Rq(ti)分别为采样点为i时刻的纵波速度反射系数，横波速度反射系数，密度反射系数及品质因子反射系数；
将分组情况代入修正柯西分布得到该方法先验信息的表达式
其中，Rp、RS、Rd、Rq分别为纵波速度反射系数，横波速度反射系数，密度反射系数及品质因子反射系数；
为按照时间采样点分组后的模型参数矩阵，
为分组后的模型参数矩阵的转置，
为分组后的模型参数的协方差。
在步骤3中，为降低地震数据带限特征对反演结果的影响，通过四个积分算子构建出矩阵算子，利用贝叶斯理论，推导出四参数反演的低频约束方程，在目标函数中增加该约束并进行多道反演，便于得到横向连续性更强、更稳定的反演结果。
在步骤3中，由于地震数据是带限的，往往导致反演结果不稳定，受噪声的影响极大，此时通过补充低频信息进行改善，即在目标函数中增加低频约束：
其中，X为协方差，C称为算子，其对角线为四个积分算子
ξ为列向量，包括相对纵横波速度、相对密度及相对品质因子：
上式中α、β、ρ、q表示纵横波速度、密度及品质因子，α0、β0、ρ0、q0为纵横波速度、密度及品质因子初始采样点的值；
以改进后的稀疏约束和低频约束作为反演的先验信息，因此先验分布为
P(m)＝PLFM(m)Pmc(m)
其中，P(m)为模型参数m的先验分布，PLFM(m)为模型参数m的低频约束，Pmc(m)为模型参数m的稀疏约束；
最终的目标函数为
其中，G为正演算子，d为地震数据。
在步骤4中，根据最大角不能超过最大偏移距的原则将地震数据分为四个角道集数据，在尽可能多的保留地震数据中蕴含的信息时保证目的层位有最高的照明度，再分别提取分角度道集的地震子波。
在步骤5中，根据目标层位的深度，选取适合的公式计算测井曲线Q值，并对得到的Q值进行高频滤波，然后以该Q值为初始值进行插值构建Q低频模型。
在步骤6中，加权迭代最小二乘算法稳定，计算效率高，利用该算法根据贝叶斯理论求取反演目标函数的最大后验概率，即可得到四参数反演结果。
本发明中的基于组稀疏的叠前四参数反演方法，在利用反射系数向量稀疏性的同时，考虑了不同参数反射系数之间的结构稀疏特征，在贝叶斯框架下，实现组稀疏叠前四参数多道反演。不仅反演了弹性参数纵横波速度及密度，而且增加了与地层衰减相关的品质因子的反演结果。由于地层品质因子能够定量表述地震波的衰减，同时组稀疏方法也能得到横向连续性更好、稳定性更强的反演结果，因此该方法在油气识别，尤其是非常规油气藏、隐藏油气藏等中具有更大的优势。本发明具有以下效果：①组稀疏叠前四参数反演方法利用相邻地震道的关系，同时考虑了地层弹性参数及吸收衰减参数的内在结构特征；②在贝叶斯框架下构建目标函数，并引入加权迭代最小二乘方法求解目标函数，得到了更加稳定、横向连续性更好的弹性参数及衰减参数反演结果；③以弹性参数纵波速度、横波速度及密度值的变化为基础，结合地层衰减参数1/Q圈出低速高衰减的区域，可以有效的识别储层。尤其是对于非常规油气储层及隐蔽油气储层，地层衰减参数具有更大的优势。
附图说明
图1为本发明的基于组稀疏的叠前四参数反演方法的一具体实施例的流程图；
图2为本发明的一具体实施例中三种分布的概率密度函数图；
图3为本发明的一具体实施例中12°16°21°30°四个角度的叠前地震数据的示意图；
图4为本发明的一具体实施例中纵波速度、横波速度、密度、逆品质因子(1/Q)的反演结果的示意图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。
如图1所示，图1为本发明的基于组稀疏的叠前四参数反演方法的流程图。
在步骤101中，推导含Q的反射系数方程
含Q叠前反射系数近似式为
R(θ,t)＝Cp(θ)Rp(t)+Cs(θ)Rs(t)+Cd(θ)Rd(t)+CqRq(t)
其中，θ为地震数据入射角，t为时间，Cp、CS、Cd、Cq分别是纵横波速度、密度及品质因子的加权系数，其表达式为，Cp(θ)＝1+tan2θ，
Rp、RS、Rd、Rq分别为纵波速度反射系数，横波速度反射系数，密度反射系数及品质因子反射系数；其中α，β分别是纵波速度和横波速度。类比于垂直入射的公式，四个反射系数可以写为
其中，α、β、ρ、q为纵波速度、横波速度、密度及品质因子。
根据叠前角道集地震数据的特点，正演算子G可以表示为
其中，CP(θ)、CS(θ)、Cd(θ)、Cq(θ)分别为不同入射角对应的纵横波速度、密度及品质因子的加权系数；W(θ)为不同入射角对应的子波表达式。
模型参数向量m的表达式为m＝[Rp Rs Rd Rq]T
因此叠前角道集正演模型为d＝Gm+n
其中，d为地震数据，n为随机噪声。
在步骤102中，将模型参数的分组结果加入到先验信息中，写出先验信息及似然函数的表达式。
对正演问题直接求逆往往是不适定问题，因此需对目标函数增加先验约束使反演变得稳定。贝叶斯理论是根据已知信息，首先假定待求参数服从某种分布，然后利用似然函数与先验分布求最大后验概率解。模型参数m的后验概率分布为
p(m|d)∝p(m)p(d|m)
其中，p(m|d)为后验概率，p(m)为待求模型参数的先验概率，p(d|m)表示将反演结果再进行正演得到的数据与观测数据的相似度。
假定观测数据中噪声服从均值为0、协方差为Xn的高斯分布，则似然函数可表示为
可用来表示稀疏性的分布有Cauchy分布、Laplace分布、修正Cauchy分布等。三种分布都具有稀疏性，但修正Cauchy分布两边与其他两种分布有明显区别，该分布没有在最大值的两侧快速趋于0，而是基本稳定在3左右，这种特征可以有效保护弱小反射，因此本文选择修正Cauchy分布作为反射系数的先验分布，它的数学表达为
其中，mi为采样点为i时的待反演模型参数矩阵，
为采样点为i时模型参数对应的方差。
将上式直接作为先验信息代入贝叶斯公式得到目标函数，这在数学的逻辑中是合理的，但为了使反演结果更接近真实情况，还需要考虑待反演参数的地球物理以及地质意义，即待反演参数的结构稀疏特征。上式是对所有待求参数的稀疏约束，并没有考虑不同参数反射系数之间的结构特征。为此，需要对上述公式做一定改进，当地震数据的采样点为N时，首先按时间采样点将模型参数向量分为N组，使每组向量都包含该采样点处的纵波反射系数、横波反射系数、密度反射系数及品质因子反射系数，即
其中，Rp(ti)、RS(ti)、Rd(ti)、Rq(ti)分别为采样点为i时刻的纵波速度反射系数，横波速度反射系数，密度反射系数及品质因子反射系数；
将分组情况代入修正柯西分布得到该方法先验信息的表达式
其中，Rp、RS、Rd、Rq分别为纵波速度反射系数，横波速度反射系数，密度反射系数及品质因子反射系数；
为按照时间采样点分组后的模型参数矩阵，
为分组后的模型参数矩阵的转置，
为分组后的模型参数的协方差。
在步骤103中，加入低频约束，构建组稀疏四参数反演的目标函数。
由于地震数据是带限的，往往导致反演结果不稳定，受噪声的影响极大，此时可以通过补充低频信息进行改善，即在目标函数中增加低频约束：
其中，C称为算子，其对角线为四个积分算子
ξ为列向量，包括相对纵横波速度、相对密度及相对品质因子：
上式中α、β、ρ、q表示纵横波速度、密度及品质因子，α0、β0、ρ0、q0为纵横波速度及密度初始采样点的值。
以改进后的稀疏约束和低频约束作为反演的先验信息，因此先验分布为
P(m)＝PLFM(m)Pmc(m)
其中，P(m)为模型参数m的先验分布，PLFM(m)为模型参数m的低频约束，Pmc(m)为模型参数m的稀疏约束。
最终的目标函数为
在步骤104中，根据最大角不能超过最大偏移距的原则将地震数据分为四个角道集数据，在尽可能多的保留地震数据中蕴含的信息时保证目的层位有最高的照明度，再分别提取分角度道集的地震子波。
在步骤105中，根据目标层位的深度，选取适合的公式计算测井曲线Q值，并对得到的Q值进行高频滤波，而后以该Q值为初始值进行插值构建Q低频模型，可以有效提高Q值反演的精度。
步骤105所述的合适的测井曲线Q值计算公式，需针对不同工区的地层结构特点和目的层深度进行优选，通过Q值与纵波速度之间的经验关系，得到能够反映地层Q值变化的曲线。经验公式由大量的实际资料综合统计获取，较常用的有以下四种：分别是Waters经验公式、李氏经验公式、东部地区浅层经验公式和中深层经验公式。
Waters经验公式：
李氏经验公式：
东部地区浅层经验公式：
东部地区中深层经验公式：
利用不同工区、不同深度的经验公式，即可计算得到测井Q值曲线，通过插值即可获得Q值反演的初始低频模型。
在步骤106中，利用加权迭代最小二乘算法稳定、计算效率高的特点，利用该算法基于贝叶斯理论求取反演目标函数的最大后验概率，即可得到四参数反演结果。
图2为本发明的一具体实例中指数分布、柯西分布及修正柯西分布的后验概率分布图，从图中可看出修正柯西分布与其他两种分布明显不同，它在最大值的两边没有快速趋于零，而是稳定在常数3附近，这种特征有利于保护弱小反射，因此本发明选择修正柯西分布作为先验约束。图3为部分角度叠加的地震数据，叠加角度依次为12°16°21°30°。图4为纵横波速度、密度及逆品质因子的反演结果，可以看出逆品质因子在油气识别具有很大的优势，尤其是在含气储层中衰减较大。
本发明中的基于组稀疏的叠前四参数反演方法，充分利用高质量地震数据与先进的地球物理储层与油气识别技术，可以为复杂储层描述、含气储层识别、井位优选等提供可靠的依据。基于贝叶斯理论的组稀疏叠前四参数反演方法就是为了同时获得地层的弹性参数和描述地层非弹性性质的品质因子，由于衰减与介质内部的结构特征以及孔隙度和流体特性密切相关，尤其在含气储层，地震波的衰减比波速更敏感，一方面可以突出气藏的特征，识别一些常规反演结果无法找到的隐蔽性气藏；另一方面可以用于判断气藏是否具有商业价值，例如，当储层含有少量天然气时，在地震剖面上就会产生较明显的反映，判断含气储层是否具有商业开采价值成为一个难点，利用地层吸收衰减特征识别储层的含油气性，可以对气体的分布状态进行预测，进而提高储层和油藏描述的准确性和可靠性，这对刻画储层含流体性和空间变化，降低勘探风险具有十分重要的意义。
Claims (6)
1.基于组稀疏的叠前四参数反演方法，其特征在于，该基于组稀疏的叠前四参数反演方法包括:
步骤1，根据反射透射系数方程推导含品质因子Q的四参数反射系数近似式；
步骤2，将模型参数的分组结果加入到先验信息中，构造先验信息及似然函数的表达式；
步骤3，加入低频约束，由贝叶斯公式，构建组稀疏四参数反演的目标函数；
步骤4，根据最大角不能超过最大偏移距的原则将地震数据分为四个角道集数据，并分别提取分角度道集的地震子波；
步骤5，计算测井曲线Q值，构建Q低频模型；
步骤6，用加权迭代最小二乘的方法求取模型参数的最大后验概率，从而得到反演问题的解；
在步骤1中，根据Aki-Richards叠前反射系数近似式，推导出含Q的四参数反射系数近似式；
含Q叠前反射系数近似式为
R(θ,t)＝Cp(θ)Rp(t)+Cs(θ)Rs(t)+Cd(θ)Rd(t)+Cq(θ)Rq(t)
其中，θ为地震数据入射角，t为时间，Cp、Cs、Cd、Cq分别是纵横波速度、密度及品质因子的加权系数，其表达式为，Cp(θ)＝1+tan2θ，
Rp、Rs、Rd、Rq分别为纵波速度反射系数，横波速度反射系数，密度反射系数及品质因子反射系数；其中α，β分别是纵波速度和横波速度；类比于垂直入射的公式，四个反射系数写为
其中，α、β、ρ、q为纵波速度、横波速度、密度及品质因子；
根据叠前角道集地震数据的特点，正演算子G表示为
其中，Cp(θ)、Cs(θ)、Cd(θ)、Cq(θ)分别为不同入射角对应的纵横波速度、密度及品质因子的加权系数；W(θ)为不同入射角对应的子波表达式；
待反演模型参数向量m的表达式为m＝[Rp Rs Rd Rq]T
因此叠前角道集正演模型为d＝Gm+n；
其中，d为地震数据，n为随机噪声；
在步骤2中，模型参数m的后验概率分布为
p(m|d)∝p(m)p(d|m)
其中，p(m|d)为后验概率，p(m)为待求模型参数的先验概率，p(d|m)表示将反演结果再进行正演得到的数据与观测数据的相似度；
假定观测数据中噪声服从均值为0、协方差为Xn的高斯分布，则似然函数可表示为
其中，G为正演算子，d为地震数据；
选择修正柯西分布作为反射系数的先验分布，它的数学表达为
其中，mi为采样点为i时的待反演模型参数矩阵，
为采样点为i时模型参数对应的方差；
对上述公式做一定改进，当地震数据的采样点为N时，首先按时间采样点将模型参数向量分为N组，使每组向量都包含该采样点处的纵波反射系数、横波反射系数、密度反射系数及品质因子反射系数，即
其中，Rp(ti)、Rs(ti)、Rd(ti)、Rq(ti)分别为采样点为i时刻的纵波速度反射系数，横波速度反射系数，密度反射系数及品质因子反射系数；
将分组情况代入修正柯西分布得到该方法先验信息的表达式
其中，Rp、Rs、Rd、Rq分别为纵波速度反射系数，横波速度反射系数，密度反射系数及品质因子反射系数；
为按照时间采样点分组后的模型参数矩阵，
为分组后的模型参数矩阵的转置，
为分组后的模型参数的协方差；
在步骤3中，由于地震数据是带限的，往往导致反演结果不稳定，受噪声的影响极大，此时通过补充低频信息进行改善，即在目标函数中增加低频约束：
其中，X为协方差，C称为算子，其对角线为四个积分算子
ξ为列向量，包括相对纵横波速度、相对密度及相对品质因子：
上式中α、β、ρ、q表示纵横波速度、密度及品质因子，α0、β0、ρ0、q0为纵横波速度、密度及品质因子初始采样点的值；
以改进后的稀疏约束和低频约束作为反演的先验信息，因此先验分布为
P(m)＝PLFM(m)Pmc(m)
其中，P(m)为模型参数m的先验分布，PLFM(m)为模型参数m的低频约束，Pmc(m)为模型参数m的稀疏约束；
最终的目标函数为
其中，G为正演算子，d为地震数据。
2.根据权利要求1所述的基于组稀疏的叠前四参数反演方法，其特征在于，在步骤2中，由于地层品质因子的倒数能够反应地震波能量衰减特征，因此综合考虑了待反演参数反射系数的向量稀疏性及结构稀疏性，增加了与吸收衰减相关的地层品质因子参数的反演；同时对待反演参数进行分组，在贝叶斯框架下，将分组结果代入修正柯西分布作为先验信息构建目标函数，得到更符合实际情况的先验信息。
3.根据权利要求1所述的基于组稀疏的叠前四参数反演方法，其特征在于，在步骤3中，为降低地震数据带限特征对反演结果的影响，通过四个积分算子构建出矩阵算子，利用贝叶斯理论，推导出四参数反演的低频约束方程，在目标函数中增加该约束并进行多道反演，便于得到横向连续性更强、更稳定的反演结果。
4.根据权利要求1所述的基于组稀疏的叠前四参数反演方法，其特征在于，在步骤4中，根据最大角不能超过最大偏移距的原则将地震数据分为四个角道集数据，在尽可能多的保留地震数据中蕴含的信息时保证目的层位有最高的照明度，再分别提取分角度道集的地震子波。
5.根据权利要求1所述的基于组稀疏的叠前四参数反演方法，其特征在于，在步骤5中，根据目标层位的深度，选取适合的公式计算测井曲线Q值，并对得到的Q值进行高频滤波，然后以该Q值为初始值进行插值构建Q低频模型。
6.根据权利要求1所述的基于组稀疏的叠前四参数反演方法，其特征在于，在步骤6中，加权迭代最小二乘算法稳定，计算效率高，利用该算法根据贝叶斯理论求取反演目标函数的最大后验概率，即可得到四参数反演结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910343188.2A CN110261897B (zh) | 2019-04-26 | 2019-04-26 | 基于组稀疏的叠前四参数反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910343188.2A CN110261897B (zh) | 2019-04-26 | 2019-04-26 | 基于组稀疏的叠前四参数反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110261897A CN110261897A (zh) | 2019-09-20 |
| CN110261897B true CN110261897B (zh) | 2021-07-20 |
Family
ID=67913909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910343188.2A Active CN110261897B (zh) | 2019-04-26 | 2019-04-26 | 基于组稀疏的叠前四参数反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110261897B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111175824B (zh) * | 2020-01-06 | 2022-07-12 | 中国石油化工股份有限公司 | 岩相驱动下的时频联合域地震反演方法 |
| CN113933896A (zh) * | 2020-06-29 | 2022-01-14 | 中国石油化工股份有限公司 | 弹性波阻抗反演方法、装置、电子设备及存储介质 |
| CN112162316B (zh) * | 2020-09-28 | 2021-10-26 | 北京中恒利华石油技术研究所 | 一种avo波形数据驱动的高分辨率井震融合叠前反演方法 |
| CN113156498B (zh) * | 2021-02-26 | 2024-01-26 | 中海石油(中国)有限公司 | 一种基于同伦延拓的叠前avo三参数反演方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104007467A (zh) * | 2014-04-16 | 2014-08-27 | 孙赞东 | 一种基于混合范数正则化的叠前三参数反演实现的储层与流体预测方法 |
| CN106842310A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 叠前地震四参数同步反演方法 |
| CN106842313A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 基于方位叠前地震数据的各向异性参数反演方法 |
| CN108508489A (zh) * | 2018-03-19 | 2018-09-07 | 中国海洋石油集团有限公司 | 一种基于波形微变化匹配的地震反演方法 |
| CN108873066A (zh) * | 2018-06-26 | 2018-11-23 | 中国石油大学(华东) | 弹性介质波动方程反射波旅行时反演方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10520621B2 (en) * | 2016-11-23 | 2019-12-31 | Cgg Services Sas | Method and apparatus for simultaneous geostatistical inversion of time-lapse seismic data |
-
2019
- 2019-04-26 CN CN201910343188.2A patent/CN110261897B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104007467A (zh) * | 2014-04-16 | 2014-08-27 | 孙赞东 | 一种基于混合范数正则化的叠前三参数反演实现的储层与流体预测方法 |
| CN106842310A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 叠前地震四参数同步反演方法 |
| CN106842313A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 基于方位叠前地震数据的各向异性参数反演方法 |
| CN108508489A (zh) * | 2018-03-19 | 2018-09-07 | 中国海洋石油集团有限公司 | 一种基于波形微变化匹配的地震反演方法 |
| CN108873066A (zh) * | 2018-06-26 | 2018-11-23 | 中国石油大学(华东) | 弹性介质波动方程反射波旅行时反演方法 |
Non-Patent Citations (1)
| Title |
|---|
| "叠前地震Q值反演在储层流体识别中的应用研究";郑静静 等;《地球物理学进展》;20181231;第33卷(第1期);第334-340页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110261897A (zh) | 2019-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110261897B (zh) | 基于组稀疏的叠前四参数反演方法 | |
| Yuan et al. | Sparse Bayesian learning-based time-variant deconvolution | |
| Chai et al. | Sparse reflectivity inversion for nonstationary seismic data | |
| Wang | Seismic time-frequency spectral decomposition by matching pursuit | |
| CN108873066B (zh) | 弹性介质波动方程反射波旅行时反演方法 | |
| Alaei et al. | Seismic resolution enhancement using scale transform in the time-frequency domain | |
| Wang et al. | Seismic, waveform modeling and tomography | |
| Bashir et al. | Influence of seismic diffraction for high-resolution imaging: applications in offshore Malaysia | |
| CN108508489B (zh) | 一种基于波形微变化匹配的地震反演方法 | |
| Sun et al. | Intelligent AVA inversion using a convolution neural network trained with pseudo-well datasets | |
| Sun et al. | Multiple attenuation using λ-f domain high-order and high-resolution Radon transform based on SL0 norm | |
| Feng et al. | AVO principles, processing and inversion | |
| Sava et al. | Interferometric imaging condition for wave-equation migration | |
| Serdyukov et al. | Research Note: Reconstruction of seismic signals using S‐transform ridges | |
| Nikonenko et al. | Efficient acoustic scalar wave equation modeling in VTI media | |
| Zhang et al. | Analysis of surface waves in shallow water environment of the Persian Gulf using S and tfk transform | |
| Chengliang et al. | Angle‐domain common‐image gathers in reverse‐time migration by combining the Poynting vector with local‐wavefield decomposition | |
| Volkov et al. | From qualitative interpretation to quantitative analysis: prediction of properties of geological bodies by using the spectral decomposition attribute–case study of Achimov turbidity system in West-Siberia | |
| Bao-Li et al. | Prestack seismic stochastic inversion based on statistical characteristic parameters | |
| CN105891882A (zh) | 一种基于裂缝时频表征的匹配追踪分频方法 | |
| Ge et al. | A fast-convergence POCS seismic denoising and reconstruction method | |
| Huang et al. | Shannon entropy-based seismic local correlation measure and enhancement | |
| Gebregergs et al. | Compensation of Absorption Effects in Seismic Data | |
| Chen et al. | Iterative deblending using the POCS algorithm in the approximate flattened domain | |
| Huff et al. | Near offset reconstruction for marine seismic data using a convolutional neural network |
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 |