CN110568488A - 一种基于非线性混沌算法的生物礁储层识别方法 - Google Patents
一种基于非线性混沌算法的生物礁储层识别方法 Download PDFInfo
- Publication number
- CN110568488A CN110568488A CN201810574793.6A CN201810574793A CN110568488A CN 110568488 A CN110568488 A CN 110568488A CN 201810574793 A CN201810574793 A CN 201810574793A CN 110568488 A CN110568488 A CN 110568488A
- Authority
- CN
- China
- Prior art keywords
- inversion
- wave impedance
- biological reef
- identifying
- seismic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 239000011435 rock Substances 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 24
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000008021 deposition Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 10
- 150000003839 salts Chemical class 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 235000019738 Limestone Nutrition 0.000 description 5
- 239000006028 limestone Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005291 chaos (dynamical) Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01V1/306—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
- G01V2210/622—Velocity, density or impedance
- G01V2210/6226—Impedance
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
本发明涉及一种基于非线性混沌算法的生物礁储层识别方法:具体步骤包括:步骤1:推导非线性反演算法;步骤2:引入混沌算法;步骤3:利用反演成果识别及预测生物礁储层。本发明基于地震非线性反演理论,在重新推导反演迭代方程过程中,引入混沌中的Lyapunov指数,利用正则化因子和松弛因子使反演中的分辨率和稳定性到达折衷,最终使得生物礁储层能清晰成像,并得到反演速度成果;通过建立不同岩性的反演预测模式和岩性识别量版,指导生物礁储层预测,最终达到生物礁体识别及预测的目的。
Description
技术领域
本发明属于石油勘探储层预测技术领域,具体涉及一种基于地震反演的生物礁储层识别方法。
背景技术
碳酸盐岩的分布约占全球沉积岩总面积的20%,所蕴藏的油气储量占油气总储量的50%以上,全球高达90%的油气储量发现于海相地层,生物礁油气藏在碳酸盐高产油气田中占有重要的地位。碳酸盐岩储层沉积类型多样、成岩作用复杂、普遍埋藏较深、非均质性强。碳酸盐岩油气勘探的主要问题是储层识别,其识别和预测所涉及的理论与技术是世界级难题。国外对碳酸盐岩储层的地震预测研究,已经涉及到叠后、叠前地震的多个方面,技术方法层出不穷;国内碳酸盐岩储层地震综合研究领域取得了重大进展,并渐渐发展成为一门新的学科。目前碳酸盐岩储层预测主要技术包括:地震反演技术、频谱成像技术、地震属性分析技术、叠前地震裂缝检测技术、AVO分析及高频衰减流体检测技术等。
现有的利用地震反演来预测储层的方法主要是通过地震资料和井约束实现,通过建立初始的波阻抗或速度模型,对上述的判别模型进行内插外推,再利用储层参数判别准则对反演数据进行判别,从而对反演成果数据进行储层预测。
现有的技术方法不足有三点:(1)碳酸盐岩生物礁形态特殊,厚度变化大,非均质性强,与围岩接触关系复杂,目前还没有针对生物礁储层预测的反演技术研究;(2)目前常规的软件的反演结果十分依赖初始的单井波阻抗条件,对地层要求较高,如果出现储盖薄互层,或者波阻抗差较小的地层,所得到的反演结果就很难识别储层;(3)现有技术中的地震非线性的反演方法,虽然提高了地震反演分辨率,运算速度快,但是由于方法中的协方差矩阵多为病态矩阵,反演算法不稳定性,在求解上容易陷入局部最优的陷阱,不能达到全局最优解。
发明内容
为了解决上述问题,本发明提供了一种基于非线性混沌算法的生物礁储层识别方法,改进后的方法能够有效的识别和预测生物礁储层;利用地震非线性反演理论,并加入混沌算法,通过非线性混沌算法的反演方法使得埋藏深的生物礁储层隐蔽信息能清晰成像,这样进一步提高了生物礁体储层预测能力,进一步提高运算效率和稳定性;从而达到识别和精确描述生物礁储层的目的,为油气勘探开发提供更佳技术手段。
根据本发明提供了一种基于非线性混沌算法的生物礁储层识别方法,具体步骤包括:
步骤1:推导非线性反演算法;
步骤2:引入混沌算法;
步骤3:利用反演成果识别及预测生物礁储层。
在一个实施例中,所述步骤1,又具体包括以下步骤:
步骤1.1:将实际地震记录D表达为褶积形式:s=w*r=W·r;
式中,s表示地震道,序列形式记为:s=(s1,s2,s3,…,sm+L-2)T;
式中,w表示地震子波,序列形式记为:w=(w1,w2,w3,…,wm)T;
式中,r表示反射系数,序列形式记为:r=(r1,r2,r3,…,rL-1)T;
其中,m表示子波长度;L表示采样点数,L>m;T表示矩阵转置符号;*代表褶积符号;公式中各符号均为序列或向量形式。
在一个实施例中,所述步骤1.1后还有以下两个步骤:
步骤1.2:反射系数与波阻抗存在非线性的数学关系式:
式中,z表示波阻抗,序列形式记为:z=(z1,z2,z3,…,zL)T;
因此,
步骤1.3:将褶积形式展开,便得到地震子波序列矩阵W,此时的地震道s表达式为:
在一个实施例中,所述步骤2,又具体包括以下步骤:
步骤2.1:构建目标函数:f(z)=||S-D||→min,其中,S为合成地震道。
在一个实施例中,所述步骤2.1后还有步骤2.2:对f(z)等式的两边求偏导数并令等式为0,得:
展开化简得:
进一步展开,并用泰勒公式在波阻抗初始值z0处展开并舍掉高阶项,得到:
G(z-z0)=D-S0
其中,S0为初始合成地震道,z0为波阻抗的初始值;G为雅克比矩阵;令Δz=z-z0,ΔS=D-S0,将公式表示为最小二乘的形式:
其中,Δz为波阻抗修正量,ΔS为合成地震道修正量;
其中,反射系数r与波阻抗z的矩阵展开式为:
通过最小二乘的计算,最终得到波阻抗反演迭代表达式为:
zk=zk-1+Δzk
其中,k表示迭代次数,zk为第k次迭代的波阻抗值,zk-1为第k-1次迭代的波阻抗值,Δzk表示在第k次迭代的波阻抗修正量,Gk-1和GT k-1表示第k-1次迭代的雅克比矩阵,Sk-1表示在第k-1次迭代的合成地震道。
在一个实施例中,所述步骤2.2后还有步骤2.3:利用波阻抗反演迭代表达式进行反演迭代,直至Δzk<ε,得到的zk为最佳解;其中,ε为预设值。
在一个实施例中,所述步骤2.3后还有步骤2.4:由于选取的地震子波的长度有限,导致推导的矩阵多为病态的,得到迭代过程中,解会发散;因此,在反射系数与波阻抗的矩阵展开式中引入Tikhonov正则化,重新构建目标函数:
其中,λ为正则化算子。
在一个实施例中,所述步骤2.4后还有步骤2.5:用Lyapunov指数得到导致混沌运动的一维Poincare映射:
xk+1=f(xk)
其中,xk+1表示x的第k+1次迭代值;
此时,Lyapunov指数定义为:
其中,x0为初始值,fk(x0)为第k次迭代的Poincare映射,σ为初始值x0的小偏差;
可知,Lyapunov指数则表示迭代k次后系统偏离的指数;此时,把Lyapunov指数则定义为:
其中,δ表示波阻抗的偏差,δ=||z-z0||;L(z0)表示δ随反演的变化值。
在一个实施例中,所述步骤2.5后还有步骤2.6:将随L(z0)变化的Tikhonov正则化算子λ,带入波阻抗反演迭代表达式中进行运算,最终得到波阻抗反演迭代表达式为:
zk=zk-1+μΔzk-1
其中,I为单位矢量矩阵,μ为松弛因子,且满足:0<λ<1,0<μ<1;
针对波阻抗反演迭代表达式,给出Poincare映射的系统方程为:
若正则化算子λ随松弛因子μ变化,则Poincare映射的系统方程变为:
其中,μk表示迭代k次时松弛因子的值。
在一个实施例中,所述步骤3,又具体包括以下步骤:
步骤3.1:基于非线性混沌反演获得的波阻抗,再结合测井信息进行岩石物理分析,确定岩性的敏感参数,最终建立岩石物理识别量版;
步骤3.2:通过上述分析,筛选出与生物礁发育相关性最高的储层参数,并指导生物礁储层预测和综合解释;
步骤3.3:在地震反演成果上,根据碳酸盐岩不同岩石类型的岩石物理特征,建立不用岩性的反演预测模式,最终达到识别生物礁储层的目的;
步骤3.4:在识别生物礁的基础上,对生物礁储层进行追踪解释,刻画出生物礁储层的平面分布和形态变化,为生物礁的沉积规律研究提供依据。
本发明针对现有的非线性方法不能获得分辨率高和稳定性强的反演效果这一难题,通过改进算法,引入混沌算法,重新推导迭代矩阵,从而得到基于非线性混沌算法的反演技术。通过数值模拟,给定理论初始化模型及参数,经过计算,得到的反演结果与理论模型十分接近。本方法算法合理,运算速度快,经过有限次迭代后,结果收敛,并获得良好的结果。通过实际研究区地震资料测试表明,计算结果忠实于地震资料,低频信息稳定,能够很好地识别和预测生物礁;利用本次技术手段对巴西某油田实际测试区块进行储层预测,并实现了有利目标区预测,为该油田后续的井位部署提供了有效钻探目标。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中:
图1为本发明的技术流程图;
图2中的a和b分别为纵波速度和波阻抗一维理论模型模拟的非线性混沌反演的效果图;
图3为本发明研究区一条二维地震剖面;
图4为本发明一条研究区二维地震速度反演剖面;
图5为本发明研究区实际地震资料;
图6为本发明研究区多井速度分布直方图;
图7为本发明不同岩性组合的反演预测图版。
在附图中相同的部件使用相同的附图标记。附图并未按照实际的比例绘制。
具体实施方式
下面将结合附图对本发明作进一步说明。借此对本发明如何应用技术手段解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不存在冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
本发明提供一种基于非线性混沌算法的生物礁储层识别方法,总的技术思路是以地震资料为基础,以非线性地震混沌反演为技术手段,结合测井信息、岩石物理分析等对碳酸盐岩生物礁储层进行识别与预测。将地震反演、岩石物理、储层预测紧密结合,制定了本次发明的技术路线及流程图(如图1所示)。具体步骤包括:
步骤1:推导非线性反演算法;
步骤2:引入混沌算法;
步骤3:利用反演成果识别及预测生物礁储层。
在一个实施例中,所述步骤1,又具体包括以下步骤:
步骤1.1:基于褶积模型,利用地震道最优化理论,推导出波阻抗或纵波速度的反演迭代表达式;
本次在推导过程中,忽略振幅衰减、球面扩散等因素,我们将实际地震记录D表达为褶积形式:s=w*r=W·r;
式中,s表示地震道,序列形式记为:s=(s1,s2,s3,…,sm+L-2)T;
式中,w表示地震子波,序列形式记为:w=(w1,w2,w3,…,wm)T;
式中,r表示反射系数,序列形式记为:r=(r1,r2,r3,…,rL-1)T;
其中,m表示子波长度;L表示采样点数,L>m;T表示矩阵转置符号;*代表褶积符号;公式中各符号均为序列或向量形式。
步骤1.2:反射系数与波阻抗存在非线性的数学关系式:
式中,z表示波阻抗,序列形式记为:z=(z1,z2,z3,…,zL)T;
因此,
步骤1.3:将褶积形式展开,便得到地震子波序列矩阵W,此时的地震道s表达式为:
所述步骤2,又具体包括以下步骤:
步骤2.1:构建目标函数:f(z)=||S-D||→min,其中,S为合成地震道。
步骤2.2:由于S中包含地震子波与反射系数关系,利用最小二乘方法对目标函数求取波阻抗的偏导数时,此时的合成地震记录与波阻抗高度非线性,对f(z)等式的两边求偏导数并令等式为0,得:
展开化简得:
进一步展开,并用泰勒公式在波阻抗初始值z0处展开并舍掉高阶项,得到:
G(z-z0)=D-S0
其中,S0为初始合成地震道,z0为波阻抗的初始值;G为雅克比矩阵;令Δz=z-z0,ΔS=D-S0,将公式表示为最小二乘的形式:
其中,Δz为波阻抗修正量,ΔS为合成地震道修正量;
其中,反射系数r与波阻抗z的矩阵展开式为:
通过最小二乘的计算,最终得到波阻抗反演迭代表达式为:
zk=zk-1+Δzk
其中,k表示迭代次数,zk为第k次迭代的波阻抗值,zk-1为第k-1次迭代的波阻抗值,Δzk表示在第k次迭代的波阻抗修正量,Gk-1和GT k-1表示第k-1次迭代的雅克比矩阵,Sk-1表示在第k-1次迭代的合成地震道。
步骤2.3:利用波阻抗反演迭代表达式进行反演迭代,直至Δzk<ε,得到的zk为最佳解;其中,ε为预设值。
步骤2.4:由于选取的地震子波的长度有限,导致推导的矩阵多为病态的,得到迭代过程中,解会发散;因此,在反射系数与波阻抗的矩阵展开式中引入Tikhonov正则化(吉洪诺夫正则化),重新构建目标函数:其中,λ为正则化算子。
步骤2.5:值得注意的是,在在常规非线性的反演计算方法当中,一般取正则化算子λ为常数,这样虽然计算简单但无法调节稳定性与分辨率关系,这会使得反演不稳定。λ值越大,则稳定性越好,分辨率越低;反之,稳定性越差,分辨率越高,这样很容易出现无序现象。这种由反演系统的非线性导致的无序状态问题,就是所谓的“混沌”现象。
对于非线性问题,如果不控制迭代次数,输出的解最终会变得无序。这个过程类似于非线性动力系统内部熵增加引起的混沌相位。非线性动力学将混沌定义为非线性动力系统中的无序状态。对于非线性系统来说,从有序运动到无序运动再到混沌似乎有规律可寻,这些现象及规律定律通常被称为混沌理论。在混沌理论中,存在一个关键指数量,叫做Lyapunov指数(李雅普诺夫指数)。因此,对于非线性反演来说,如何定义或者计算Lyapunov指数能帮助我们控制反演过程。
在非线性地震反演过程中,由于噪声的地震数据和随机的初始模型,使得在逐次迭代过程中输出序列最终会变成无序状态。为了有效的规避这种无序状态,使得输出值在可接受的范围内,而且进一步实现对的反射信号的输出序列有序,这里就要引入混沌算法中的Lyapunov指数和Poincare映射(庞加莱映射)。
我们利用仿照确定性混沌理论定义的Lyapunov指数,得到导致混沌运动的一维Poincare映射:
xk+1=f(xk)
其中,xk+1表示x的第k+1次迭代值;
此时,Lyapunov指数定义为:
其中,x0为初始值,fk(x0)为第k次迭代的Poincare映射,σ为初始值x0的小偏差;
从物理角度说,Lyapunov指数表示迭代k次后系统偏离的指数。混沌运动对初始条件极为敏感和依赖,因此对非线性反演来说,反演的好坏取决于数据的误差和初始条件。
此时,把Lyapunov指数则定义为:
其中,δ表示波阻抗的偏差,δ=||z-z0||;L(z0)表示δ随反演的变化值。
步骤2.6:将随L(z0)变化的Tikhonov正则化算子λ,带入波阻抗反演迭代表达式中进行运算,最终得到波阻抗反演迭代表达式为:
zk=zk-1+μΔzk-1
其中,I为单位矢量矩阵,μ为松弛因子,且满足:0<λ<1,0<μ<1;
针对波阻抗反演迭代表达式,给出Poincare映射的系统方程为:
若正则化算子λ随松弛因子μ变化,则Poincare映射的系统方程变为:
其中,μk表示迭代k次时松弛因子的值。可知,松弛因子μ的选取对系统至关重要。
对于上述问题,分辨率的提高和方差的减小是矛盾的。在迭代过程中,μ的作用是控制解中的搜索步长,防止搜索半径大或者搜索方向出现偏差。而正则因子则决定了每一步迭代后输出量的分辨率。为了使迭代中的输出变量包含弱信号的解,就要求松弛因子保持变化。通常认为选取平滑的初始模型和由大变小的松弛因子是提高地震反演分辨率的关键。
所述步骤3,又具体包括以下步骤:
步骤3.1:基于非线性混沌反演获得的波阻抗,再结合测井信息进行岩石物理分析,确定岩性的敏感参数,最终建立岩石物理识别量版;
步骤3.2:通过上述分析,筛选出与生物礁发育相关性最高的储层参数,并指导生物礁储层预测和综合解释;
步骤3.3:在地震反演成果上,根据碳酸盐岩不同岩石类型的岩石物理特征,建立不用岩性的反演预测模式,最终达到识别生物礁储层的目的;
步骤3.4:在识别生物礁的基础上,对生物礁储层进行追踪解释,刻画出生物礁储层的平面分布和形态变化,为生物礁的沉积规律研究提供依据。
图2为a,b分别是纵波速度/波阻抗一维理论模型模拟的非线性混沌反演的效果图,从图2中看到,理论速度/波阻抗模型与反演得到的速度/波阻抗十分接近,只是在数值突变点处有差异,充分说明此算法稳定,可靠。
图3为研究区一条二维地震剖面,在BVE100顶界面下,我们可以看到顶部丘状反射特征,内部弱反射甚至杂乱反射特征。初步认为是生物礁滩体的地震响应特征,从地震剖面只能定性生物礁体的存在,但是却无法看到起具体形态特征,也就无法确定其分布范围。
图4为一条研究区二维地震速度反演剖面,与附图2中测线一致。在附图2地震剖面中,证实生物礁体的存在,本图更清晰的展现了生物礁生长特征。从图中看出,在BVE100顶界面下,“叠瓦状”的生物礁体特征清晰可见,与周围岩石体速度存在明显差异。同一测线下的速度反演剖面与地震剖面描述的生物礁体相得益彰,但是,对比观察不难发现,反演剖面能清晰的展现生物礁形态特征,而地震剖面则无法识别。这也从实际案例角度验证了本发明的可行性和适用性。
实施例
在前面反演测试的基础上,选取巴西某油田为例,对巴西桑托斯盆地盐下碳酸盐岩储层进行实际三维地震数据测试,并开展生物礁储层预测研究。
工区概况
研究区叠后三维地震资料面积240km2,由于盐岩的吸收作用,使得该区域盐下地震资料品质差,主频低,约17Hz。如附图5所示。该油田水深2000-2400米,目的层在巨厚盐岩下面距海平面5000多米,BVE组是盐下主力油层。钻井揭示了该区域碳酸盐岩储层发育,部分井试油结果良好。前人研究表明该区主力油层为一套微生物礁滩层。通过单一的地震剖面很难识别出生物礁的生长特征,即使有生物礁的地震特征响应,也只能识别出大体轮廓,无法精确的预测生物礁生长特征。因此,如何准确识别和预测生物礁滩体是研究的关键。
岩石物理特征分析
选取工区内的测井资料进行岩性-弹性参数分析,在目的层段,叠层石灰岩速度表现为高速,泥灰岩或泥质灰岩表现为低速。从单井相上看,碳酸盐岩储层表现出低GR,低AC,高RT的“两低一高”特征规律,“箱型”曲线特征明显。对工区15口井进行岩性分类和速度分析,得出石膏、泥粒灰岩为高速,范围约为5500-6200m/s;生物灰岩、颗粒灰岩为中高速,约为5000-5800m/s;盐岩、泥灰岩为低速,约为4000-5000m/s,如附图6。
生物礁预测
经过上述岩石物理分析,我们确定了研究区岩性速度范围。再利用本次发明的非线性混沌反演技术对研究区实际地震资料进行反演测试。如图1所示,步骤为:(1)整理地震资料,分析地震资料主频,抽取井旁道的地震子波;(2)整理研究区参与反演井,进行标准化校正和归一化处理;(3)建立地震反演的低频速度模型,进行反演试算,不断调节反演参数,经多次反演演算后,最终获得反演速度体。通过识别生物礁特有的地震反演响应,建立岩性组合反演预测模式,进一步指导生物礁储层预测和有利区分布。
如图7所示,不同岩性组合的地层其反演特征与地震反射特征不同,利用非线性混沌反演技术使地下隐蔽性高的生物礁储层清晰成像,极大了提高了预测准确性。从附图3中可以清晰看出生物礁的生长形态特征,其“丘状”或“叠瓦状”的生物礁特征十分明显。利用反演预测的解释模式,我们能进一步追踪刻画出生物礁的分布范围,最终确定生物礁储层范围,对后续有利区预测也奠定了基础。
虽然已经参考如上优选实施例对本发明进行了描述,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种基于非线性混沌算法的生物礁储层识别方法,其特征在于,具体步骤包括:
步骤1:推导非线性反演算法;
步骤2:引入混沌算法;
步骤3:利用反演成果识别及预测生物礁储层。
2.根据权利要求1所述的基于非线性混沌算法的生物礁储层识别方法,其特征在于,所述步骤1,又具体包括以下步骤:
步骤1.1:将实际地震记录D表达为褶积形式:s=w*r=W·r;
式中,s表示地震道,序列形式记为:s=(s1,s2,s3,…,sm+L-2)T;
式中,w表示地震子波,序列形式记为:w=(w1,w2,w3,…,wm)T;
式中,r表示反射系数,序列形式记为:r=(r1,r2,r3,…,rL-1)T;
其中,m表示子波长度;L表示采样点数,L>m;T表示矩阵转置符号;*代表褶积符号;公式中各符号均为序列或向量形式。
3.根据权利要求2所述的基于非线性混沌算法的生物礁储层识别方法,其特征在于,所述步骤1.1后还有以下两个步骤:
步骤1.2:反射系数与波阻抗存在非线性的数学关系式:
式中,z表示波阻抗,序列形式记为:z=(z1,z2,z3,…,zL)T;
因此,
步骤1.3:将褶积形式展开,便得到地震子波序列矩阵W,此时的地震道s表达式为:
4.根据权利要求3所述的基于非线性混沌算法的生物礁储层识别方法,其特征在于,所述步骤2,又具体包括以下步骤:
步骤2.1:构建目标函数:f(z)=||S-D||→min,其中,S为合成地震道。
5.根据权利要求4所述的基于非线性混沌算法的生物礁储层识别方法,其特征在于,所述步骤2.1后还有步骤2.2:
对f(z)等式的两边求偏导数并令等式为0,得:
展开化简得:
进一步展开,并用泰勒公式在波阻抗初始值z0处展开并舍掉高阶项,得到:
G(z-z0)=D-S0
其中,S0为初始合成地震道,z0为波阻抗的初始值;G为雅克比矩阵;令△z=z-z0,△S=D-S0,将公式表示为最小二乘的形式:
其中,△z为波阻抗修正量,△S为合成地震道修正量;
其中,反射系数r与波阻抗z的矩阵展开式为:
通过最小二乘的计算,最终得到波阻抗反演迭代表达式为:
zk=zk-1+△zk
其中,k表示迭代次数,zk为第k次迭代的波阻抗值,zk-1为第k-1次迭代的波阻抗值,△zk表示在第k次迭代的波阻抗修正量,Gk-1和GT k-1表示第k-1次迭代的雅克比矩阵,Sk-1表示在第k-1次迭代的合成地震道。
6.根据权利要求5所述的基于非线性混沌算法的生物礁储层识别方法,其特征在于,所述步骤2.2后还有步骤2.3:
利用波阻抗反演迭代表达式进行反演迭代,直至△zk<ε,得到的zk为最佳解;其中,ε为预设值。
7.根据权利要求6所述的基于非线性混沌算法的生物礁储层识别方法,其特征在于,所述步骤2.3后还有步骤2.4:
由于选取的地震子波的长度有限,导致推导的矩阵多为病态的,得到迭代过程中,解会发散;因此,在反射系数与波阻抗的矩阵展开式中引入Tikhonov正则化,重新构建目标函数:其中,λ为正则化算子。
8.根据权利要求7所述的基于非线性混沌算法的生物礁储层识别方法,其特征在于,所述步骤2.4后还有步骤2.5:
用Lyapunov指数得到导致混沌运动的一维Poincare映射:
xk+1=f(xk)
其中,xk+1表示x的第k+1次迭代值;
此时,Lyapunov指数定义为:
其中,x0为初始值,fk(x0)为第k次迭代的Poincare映射,σ为初始值x0的小偏差;
可知,Lyapunov指数则表示迭代k次后系统偏离的指数;此时,把Lyapunov指数则定义为:
其中,δ表示波阻抗的偏差,δ=||z-z0||;L(z0)表示δ随反演的变化值。
9.根据权利要求8所述的基于非线性混沌算法的生物礁储层识别方法,其特征在于,所述步骤2.5后还有步骤2.6:
将随L(z0)变化的Tikhonov正则化算子λ,带入波阻抗反演迭代表达式中进行运算,最终得到波阻抗反演迭代表达式为:
zk=zk-1+μ△zk-1
其中,I为单位矢量矩阵,μ为松弛因子,且满足:0<λ<1,0<μ<1;
针对波阻抗反演迭代表达式,给出Poincare映射的系统方程为:
若正则化算子λ随松弛因子μ变化,则Poincare映射的系统方程变为:
其中,μk表示迭代k次时松弛因子的值。
10.根据权利要求9所述的基于非线性混沌算法的生物礁储层识别方法,其特征在于,所述步骤3,又具体包括以下步骤:
步骤3.1:基于非线性混沌反演获得的波阻抗,再结合测井信息进行岩石物理分析,确定岩性的敏感参数,最终建立岩石物理识别量版;
步骤3.2:通过上述分析,筛选出与生物礁发育相关性最高的储层参数,并指导生物礁储层预测和综合解释;
步骤3.3:在地震反演成果上,根据碳酸盐岩不同岩石类型的岩石物理特征,建立不用岩性的反演预测模式,最终达到识别生物礁储层的目的;
步骤3.4:在识别生物礁的基础上,对生物礁储层进行追踪解释,刻画出生物礁储层的平面分布和形态变化,为生物礁的沉积规律研究提供依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810574793.6A CN110568488A (zh) | 2018-06-06 | 2018-06-06 | 一种基于非线性混沌算法的生物礁储层识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810574793.6A CN110568488A (zh) | 2018-06-06 | 2018-06-06 | 一种基于非线性混沌算法的生物礁储层识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110568488A true CN110568488A (zh) | 2019-12-13 |
Family
ID=68771963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810574793.6A Pending CN110568488A (zh) | 2018-06-06 | 2018-06-06 | 一种基于非线性混沌算法的生物礁储层识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110568488A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462423A (zh) * | 2020-11-03 | 2021-03-09 | 中国石油天然气集团有限公司 | 生物礁厚度预测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1588128A (zh) * | 2004-10-22 | 2005-03-02 | 石油大学(北京) | 利用地震记录预测井眼待钻井段坍塌压力和破裂压力的方法 |
CA2375412C (en) * | 1999-06-03 | 2008-01-08 | Schlumberger Canada Limited | An improved simulation method and apparatus |
CN101788789A (zh) * | 2010-01-12 | 2010-07-28 | 北京交通大学 | 基于混沌混合优化算法的单元机组非线性预测控制方法 |
CN103257363A (zh) * | 2013-05-21 | 2013-08-21 | 西南石油大学 | 一种探测地下裂缝性储层中裂缝倾角的方法 |
CN103488971A (zh) * | 2013-09-06 | 2014-01-01 | 电子科技大学 | 生物礁储层的几何形态识别方法 |
CN103760081A (zh) * | 2013-12-31 | 2014-04-30 | 中国石油天然气股份有限公司 | 基于孔隙结构特征的碳酸盐岩储层的气藏预测方法及系统 |
-
2018
- 2018-06-06 CN CN201810574793.6A patent/CN110568488A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2375412C (en) * | 1999-06-03 | 2008-01-08 | Schlumberger Canada Limited | An improved simulation method and apparatus |
CN1588128A (zh) * | 2004-10-22 | 2005-03-02 | 石油大学(北京) | 利用地震记录预测井眼待钻井段坍塌压力和破裂压力的方法 |
CN101788789A (zh) * | 2010-01-12 | 2010-07-28 | 北京交通大学 | 基于混沌混合优化算法的单元机组非线性预测控制方法 |
CN103257363A (zh) * | 2013-05-21 | 2013-08-21 | 西南石油大学 | 一种探测地下裂缝性储层中裂缝倾角的方法 |
CN103488971A (zh) * | 2013-09-06 | 2014-01-01 | 电子科技大学 | 生物礁储层的几何形态识别方法 |
CN103760081A (zh) * | 2013-12-31 | 2014-04-30 | 中国石油天然气股份有限公司 | 基于孔隙结构特征的碳酸盐岩储层的气藏预测方法及系统 |
Non-Patent Citations (6)
Title |
---|
刘国萍等: "元坝长兴组生物礁储层精细雕刻技术", 《石油地球物理勘探》 * |
姜亮等: "地震道的非线性约束反演", 《石油地球物理勘探》 * |
杨文采: "地震道的非线性混沌反演-I.理论与数值试验", 《地球物理学报》 * |
杨文采: "非线性地震道的混沌反演-II.关于Lyapunov指数和吸引子", 《地球物理学报》 * |
杨磊等: "地震道非线性反演的参数反馈控制及效果", 《地球物理学报》 * |
陈志德等: "用于储层追踪的地震波阻抗混沌反演", 《石油地球物理勘探》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462423A (zh) * | 2020-11-03 | 2021-03-09 | 中国石油天然气集团有限公司 | 生物礁厚度预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6654692B1 (en) | Method of predicting rock properties from seismic data | |
US8706420B2 (en) | Seismic fluid prediction via expanded AVO anomalies | |
CN106154323B (zh) | 基于地震拓频处理的相控随机反演薄储层预测方法 | |
CA2692425C (en) | Method, program and computer system for scaling hydrocarbon reservoir model data | |
CN108139499A (zh) | Q-补偿的全波场反演 | |
EP3631523B1 (en) | System and method for predicting fault seal from seismic data | |
NO337423B1 (no) | Fremgangsmåte for oppdatering av en geologisk modell med seismiske data | |
WO1998034190A9 (en) | Method for determining distribution of reservoir permeability, porosity and pseudo relative permeability | |
AU6051598A (en) | Method for determining distribution of reservoir permeability, porosity and pseudo relative permeability | |
NO315824B1 (no) | Ikke-entydig seismisk litologisk inversjon for modellering av undergrunnen | |
EP3963374B1 (en) | System and method for lateral statistical estimation of rock and fluid properties in a subsurface formation | |
Veeken et al. | Nonlinear multitrace genetic inversion applied on seismic data across the Shtokman field, offshore northern Russia | |
CN109655918B (zh) | 地面浅井微地震监测观测台站位置确定方法及系统 | |
EP3631524B1 (en) | System and method for predicting fault seal from seismic data | |
CN111506861B (zh) | 一种目的层有利区域裂缝强度计算方法 | |
CN114994758B (zh) | 碳酸盐岩断控储层的波阻抗提取与结构表征方法和系统 | |
EP4337993A1 (en) | Method and system for seismic imaging using s-wave velocity models and machine learning | |
EP3167314B1 (en) | Method for obtaining estimates of a model parameter so as to characterise the evolution of a subsurface volume | |
CN112505754B (zh) | 基于高精度层序格架模型的井震协同划分沉积微相的方法 | |
CN107703548B (zh) | 基于沉积物品质因子和回波损失级曲线峰谷的浅地层层界划分方法 | |
CN114861515A (zh) | 层速度数据体的计算方法、装置、设备及介质 | |
Eikrem et al. | Bayesian estimation of reservoir properties—effects of uncertainty quantification of 4D seismic data | |
CN113219531A (zh) | 致密砂岩气水分布的识别方法及装置 | |
CN110568488A (zh) | 一种基于非线性混沌算法的生物礁储层识别方法 | |
RU2619803C2 (ru) | Определение пути движения флюида |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |
|
RJ01 | Rejection of invention patent application after publication |