CN111025396B - 基于人工智能算法的油藏物性参数地震预测方法 - Google Patents

Abstract

本发明提供一种基于人工智能算法的油藏物性参数地震预测方法，包括：步骤1，利用地震数据反演出油气储层的纵波阻抗、横波阻抗和密度；步骤2，进行岩石物理模型分析，将孔隙度、油气饱和度和渗透率等油藏物性参数与地震数据反演结果联系起来；步骤3，基于岩石物理模型分析，利用人工智能算法反演出油藏的物性参数。该基于人工智能算法的油藏物性参数地震预测方法借助了混合遗传算法等人工智能算法的优点和地震数据对油藏具有覆盖面积大的能力，不仅将计算效率提高了30%，更为重要的是将反演结果的收敛度提高到了100%，由此大大提高了油藏物性参数地震预测的准确度。

Description

基于人工智能算法的油藏物性参数地震预测方法

技术领域

本发明涉及地震资料处理解释领域，特别是涉及到一种基于人工智能算法的油藏物性参数地震预测方法。

背景技术

地震波在复杂油气储层中传播时会激发岩石孔隙中流体的流动，流体压力处处平衡的静态环境会被打破，从而体现在接收到的地震数据中。从地震数据反演推测出岩石的各种参数一直是勘探的努力方向。油气储层日益呈现复杂化的趋势，构造、岩性和流体性质都出现了非均质化，油气的规模日益变小且分布规律更加复杂，这些都对勘探技术提出了更高的要求，近年来，国际上越来越多的公开研究表明，流体特性的地震响应特征起到了关键作用，掌握了这一技术，就可以提高油气识别的精确度。

油藏物性参数的反演是油气勘探开发中的关键环节。针对这个课题，建立合理的储层介质模型和设计高效的反演算法是两个重要的组成部分。在复杂油气储层中，储层介质模型往往也更为复杂，这也就导致本发明需要寻求更为高效的反演算法。反演算法的优劣直接影响到反演结果的准确性。由于储层参数反演存在强非线性、局部最优解多等问题，传统的局部搜索算法，如内点法、最速下降法、共轭梯度法等均很难获得全局最优解。为弥补传统遗传算法的这些缺点，同时保留其优点，本发明提出了一种新的基于人工智能算法的油藏物性参数地震预测方法。

发明内容

本发明的目的是提供一种对选择、交叉、变异这三个算子进行了改进的基于人工智能算法的油藏物性参数地震预测方法。

本发明的目的可通过如下技术措施来实现：基于人工智能算法的油藏物性参数地震预测方法，该基于人工智能算法的油藏物性参数地震预测方法包括：步骤1，利用地震数据反演出油气储层的纵波阻抗、横波阻抗和密度；步骤2，进行岩石物理模型分析，将孔隙度、油气饱和度和渗透率等油藏物性参数与地震数据反演结果联系起来；步骤3，基于岩石物理模型分析，利用人工智能算法反演出油藏的物性参数。

本发明的目的还可通过如下技术措施来实现：

在步骤2中，利用流固耦合的岩石物理模型将油藏物性参数与地震三参数反演结果联系起来，模型中考虑了流体流动效应的地震响应。

在步骤2中，在理论模型中，三维各向同性弹性体的应力应变本构关系表示为：

σ_ij＝λε_kkδ_ij+2με_ij (1)

其中σ_ij为应力张量的分量，i，j＝1，2，3，ε_ij为应变张量的分量，ε_kk为主应变，δ_ij为克罗内克符号，i＝j时δ_ij＝1，否者为0，λ和μ是拉梅系数；为了将上式推广至粘弹性情形，将(1)进行形式上的重写，如下

其中

二者分别对应于应力偏张量与应变偏张量分量；K_m为弹性体的体积模量；

(2)中的两式都成正比例关系，形式上与一维情形的胡克定律类似；仿照一维情形下胡克定律向Zener粘弹性本构关系推广，再将本构关系中的整数阶时间导数替换为分数阶，获得了三维情形下的分数阶粘弹性本构关系如下：

其中，p₁，p₂，q₀，q₁，q₂，q₃为粘弹性参数，ξ和β为分数阶导数的阶数；为了便于讨论，重新定义一组参数来替代上述粘弹性参数，如下：

之后将(4)变化至频率域

其中

分别对应σ_kk,ε_kk,S_ij,d_ij的傅里叶变换；为了将它们变化会时间域，如下定义两个松弛函数ψ₁和ψ₂：

之后,再变换回时间域，得到：

将(7)中的两式合并可得：

由此，得到了分数阶粘弹性本构关系的表达式；此表达式双相孔隙介质岩石物理模型的基础，将(8)引入Biot波动方程即可得到油藏物性参数与地震波纵波阻抗、横波阻抗和密度之间的关系式。

在步骤3中，按照步骤2中油藏物性参数和地震反演结果的关系，利用人工智能算法对油藏物性参数进行反演计算，得到油藏孔隙度、油气饱和度、渗透率和含油气概率这些物性参数。

在步骤3中，使用的人工智能算法为混合遗传算法，利用与自适应方法相似的方法对交叉概率进行修正，具体步骤如下：

第一步：利用选择算子选择一个母亲个体x_i；

第二步：利用选择算子选择一个父亲个体x_j；

第三步：计算x_i与x_j间的相对距离d_ij；

第四步：对初始交叉概率P_crs进行修正，得到修正后的交叉概率：

其中g为罚函数，

d为两个个体的相对距离，a和c是两个可调节的常数；g(d)越接近0则其对适应值的影响越大；越接近1则其对适应值的影响越小；

第五步：产生一个[0,1]区间上的随机随机数r，如果

则可以进行之后的交叉操作，否则回到第二步。

本发明中的基于人工智能算法的油藏物性参数地震预测方法，是一种油藏物性参数地震预测方法，该基于人工智能算法的油藏物性参数地震预测方法借助了混合遗传算法等人工智能算法的优点和地震数据对油藏具有覆盖面积大的能力，不仅大大提高了计算效率，更为重要的是提高了油藏物性参数地震预测的准确度。

附图说明

图1为本发明的基于人工智能算法的油藏物性参数地震预测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岩石物理模型的示意图；

图3为本发明的一具体实施例中岩石物理模型正演结果的波场图；

图4为本发明的一具体实施例中人工智能算法收敛情况的对比图；

图5为本发明的一实施例中油藏物性参数地震预测结果图。

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为本发明的基于人工智能算法的油藏物性参数地震预测方法的流程图。

在步骤101，利用地震数据反演出油气储层的纵波阻抗、横波阻抗和密度。

在步骤102，进行岩石物理模型分析，如图2所示，将孔隙度、油气饱和度和渗透率等油藏物性参数与地震数据反演结果联系起来，图2给出了不同观测尺度下(大尺度(米)、中尺度(厘米)和微尺度(微米))的储层介质模型。

针对地震波激励导致的孔隙流体运动(wave-induced fluid flow，以下简称WIFF)，我们在不同的观测尺度下进行刻画会导出不同的耗散机制。因此这里创新性地分别给出了在宏观尺度下、介观尺度下以及微观尺度下的波动模型。Biot于1956年率先考虑了宏观尺度下的WIFF。他选取孔隙双相介质中的一个立方体作为参考单元，以参考单元中流体与固体的平均位移作为变量，给出了参考单元的动能函数与耗散函数，并利用Lagrange力学推导了参考单元上两相的广义力公式，再结合本构关系，首次给出了孔隙双相介质中的波传播方程，为孔隙双相介质的动力学研究奠定了基础。1980年，Plona在人工合成的孔隙介质中观测到了Biot理论所预测的慢P波，证明了Biot双相介质理论的正确性。

对于微观尺度，Mavko&Nur于1979年首先考虑了孔隙尺度下的WIFF。基于孔隙微观几何结构，他们考虑了与压力梯度相垂直方向上的流体运动，提出了喷射流的理论。1993年，Dvorkin将喷射流理论与Biot流相结合，将孔隙内局部流动与宏观流动的机制相结合，创立了具有启发性的BISQ理论。后来，很多学者针对这个理论展开了一系列拓展研究，获得了丰富的研究成果。

对于中观尺度，White等人于1975年提出了中观尺度非均匀性的概念，并用“斑块饱和”模型(或称White模型)很好地解释了波的强衰减。1995年，Berryman等人在White启发下，将孔隙介质分为具有不同孔隙度的“背景相”与“嵌入相”，称之为双孔模型，并给出了双孔介质中的本构关系以及各参数的确定法则，其后于1998年给出了双孔介质中弹性传播的动力学方程，并探讨了双孔双渗介质中的波频散与衰减。

但是，不同尺度下的数学物理模型都有存在一定的不足，在实际生产中无法准确刻画每种情形。因此，我们针对具体的情形建立了合适的物理模型予以描述，使之能够更贴合实际，为生产开发提供依据。

在Biot理论中，孔隙双相系统的能量耗散主要来源于固流相对运动造成的摩擦耗散，并没有考虑其它的耗散机制。对于这种情况，储层岩石是低孔渗的，Biot理论中孔隙流体在宏观尺度下发生的粘性层流或许并不存在；而且即使有Biot耗散与频散存在，也会发生在超声波频段，与实验数据在地震波频段出现的高频散与强衰减现象无法吻合。因此，我们希望引入新的耗散机制来描述出现在低频段的衰减与频散，为此我们将岩石骨架的粘弹性机制纳入考虑。

对于粘弹性的研究早已有之，19世纪人们先后发展了线性的粘弹性理论。但是，对于实际介质而言，一般的线粘弹性模型未必能够很好刻画其粘弹性性质，我们希望考虑更普遍的情形。考虑到线粘弹性的本构关系中会出现应力和应变的整数阶导数项，这里我们将其推广到分数阶导数的情形。基于粘弹性的定义，它指的是介质的应力与应变与历史相关，即当下的应力应变状态会受到此前一段时间内应力应变积累的影响。用数学语言来刻画就是可以看成一段时间内的积分，而这正好与分数阶导数的定义相契合。因此，我们在本构关系中引入分数阶导数，以此更为精细地刻画介质的特性。

在理论模型中，三维各向同性弹性体的应力应变本构关系可以表示为

σ_ij＝λε_kkδ_ij+2με_ij (1)

其中σ_ij为应力张量的分量(i，j＝1，2，3)，ε_ij为应变张量的分量，ε_kk为主应变，δ_ij为克罗内克符号(i＝j时δ_ij＝1，否者为0)，λ和μ是拉梅系数。为了将上式推广至粘弹性情形，我们可以将(1)进行形式上的重写，如下

其中

二者分别对应于应力偏张量与应变偏张量分量。K_m为弹性体的体积模量。不难看出，(2)中的两式都成正比例关系，形式上与一维情形的胡克定律类似。因此，我们仿照一维情形下胡克定律向Zener粘弹性本构关系推广，再将本构关系中的整数阶时间导数替换为分数阶，获得了三维情形下的分数阶粘弹性本构关系如下

其中，p₁，p₂，q₀，q₁，q₂，q₃为粘弹性参数，ξ和β为分数阶导数的阶数；为了便于讨论，重新定义一组参数来替代上述粘弹性参数，如下：

之后将(4)变化至频率域

其中

分别对应σ_kk,ε_kk,S_ij,d_ij的傅里叶变换。我们如下定义两个松弛函数ψ₁和ψ₂：

之后,再变换回时间域，可以得到

将(7)中的两式合并可得

由此，本发明得到了分数阶粘弹性本构关系的表达式。这就是双相孔隙介质岩石物理模型的基础，将(8)引入Biot波动方程即可得到油藏物性参数与地震波纵波阻抗、横波阻抗和密度之间的关系式。

根据本岩石物理模型进行正演，结果如图3所示，本实施例使用了一个双层介质模型，模拟了波向下传播遇到高阻抗地层界面被反射回来的情况；很好地捕捉到了地震波在双层介质中的反射和透射规律，对于分数阶模型，由于粘弹性机制的引入，快P波的振幅要比弹性情形小，且相速度与粘弹性参数的取值相关，在针对非均匀介质数值模拟的过程中，我们观察到了高速区域和低速区域边界产生的强反射，以及平均场和内部场之间的能量转移。这些结果证明了本岩石物理模型处理实际情况的有效性。

在步骤103，基于岩石物理模型分析，利用人工智能算法反演出油藏的物性参数。

按照步骤102中油藏物性参数和地震反演结果的关系，利用人工智能算法对油藏物性参数进行反演计算，得到油藏孔隙度、油气饱和度、渗透率和含油气概率等物性参数。

由于储层参数反演存在强非线性、局部最优解多等问题，传统的局部搜索算法，如内点法、最速下降法、共轭梯度法等均很难获得全局最优解。为此，本发明使用具有全局搜索能力的遗传算法作为反演的基本算法。

为此，本发明使用具有全局搜索能力的遗传算法作为反演的基本算法。遗传算法是一种基于达尔文的自然选择学说与孟德尔的遗传学说思想而形成的一种全局随机搜索算法。事实上，上世纪60年代，遗传算法的思想就已被提出。Holland(1975)将遗传算法的整体思想进行了系统的整理，首次较为系统地提出了遗传算法的基本理论框架。同年，De-Jong首次实现了利用遗传算法求解优化问题。Goldberg(1988)进一步总结和介绍了遗传算法的主要理论和应用实例，从而拓宽了遗传算法的应用范围。2010年，Yu和Gen总结、整理了近15年来遗传算法的发展和新的应用。传统遗传算法是一种模拟生物进化过程的随机搜索算法，其搜索迭代过程比较清晰。首先通过选择运算在第t代的种群中获取进行进化的个体。接着对这些个体进行交叉运算、变异运算产生新的个体，形成第t+1代种群。最后对第t+1代种群中每个个体进行解码，并计算适应值完成一代进化过程。传统遗传算法具有全局搜索、易并行、按概率收敛、适应性强以及对先验知识要求少等优点。但同时，遗传算法存在着局部搜索能力弱、易“早熟”、搜索速度慢等缺点(Goldberg，1988)。

为了避免早熟现象的发生，提高算法的搜索能力，必须保持种群的多样性。而选择算子作为遗传算法中的三大算子之一，正是保持种群多样性的主要部分。在选择的过程中，最重要的就是要防止少数适应值特别高的个体被选中的次数过多。为了实现这个目标，本发明利用自适应的思想，提出了一种自适应的选择算子。这种新的自适应选择算子主要由两个步骤构成：(1)修正每个个体的自适应值；(2)限制每个个体被选中的次数。

在遗传算法中，交叉算子是产生新个体的主要算子，是进行搜索的主要部分。本发明通过引入一种自适应杂交方法对传统交叉算子进行改进，从而获得一种新的自适应杂交交叉算子。这种自适应杂交方法包含三个方面：(1)修正交叉概率；(2)利用自适应方法确定搜索区域扩展比例；(3)利用模拟退火方法评价新生个体。

当两个亲代的各个分量非常相似时，利用传统遗传算法的交叉算子产生的新个体的各分量往往也与亲代的各分量非常相似，这就导致了这次利用交叉算子进行搜索的效率很低。为了解决这个问题，防止两个相似亲代个体进行交叉情况的发生，提高搜索效率，本发明利用与之前提出的自适应方法相似的方法对交叉概率进行修正。具体步骤如下：

第一步：利用选择算子选择一个母亲个体x_i；

第二步：利用选择算子选择一个父亲个体x_j；

第三步：计算x_i与x_j间的相对距离d_ij；

第四步：对初始交叉概率P_crs进行修正，得到修正后的交叉概率：

其中g为罚函数，

d为两个个体的相对距离，a和c是两个可调节的常数。g(d)越接近0则其对适应值的影响越大；越接近1则其对适应值的影响越小。

第五步：产生一个[0,1]区间上的随机随机数r，如果

则可以进行之后的交叉操作，否则回到第二步。

经过修正后，两个相似或相同个体间的交叉概率将降至约等于零，而那些相互间不相似的个体间的交叉概率仍会维持在一个较高的水平。这种修正方法能够有效防止相似亲代个体间进行交叉的发生，从而提高交叉算子的搜索效率。

如图4所示，为本发明的一具体实施例中人工智能算法收敛情况的对比图；(a)为本发明算法的收敛情况，(b)为传统遗传算法的收敛情况。由图中对比可见，本发明算法在迭代次数很小的情况下孔隙度就可收敛到精确值，计算效率得到了大幅度地提高，且总是能够收敛到精确值，而传统遗传算法的收敛效果要差很多。

图5为本发明的一实施例中油藏物性参数地震预测结果图。此例为经由人工智能算法计算得到的孔隙度区域分布图。可以看到，计算得到的孔隙度分布符合已知的地质规律，与沉积相带吻合，且符合已知的钻测井信息，预测结果准确可靠。

本发明的基于人工智能算法的油藏物性参数地震预测方法借助了混合遗传算法等人工智能算法的优点和地震数据对油藏具有覆盖面积大的能力，不仅将计算效率提高了30％，更为重要的是将反演结果的收敛度提高到了100％，由此大大提高了油藏物性参数地震预测的准确度。

Claims (3)

1.基于人工智能算法的油藏物性参数地震预测方法，其特征在于，该基于人工智能算法的油藏物性参数地震预测方法包括：

步骤1，利用地震数据反演出油气储层的纵波阻抗、横波阻抗和密度；

步骤2，进行岩石物理模型分析，将孔隙度、油气饱和度和渗透率这些油藏物性参数与地震数据反演结果联系起来；

步骤3，基于岩石物理模型分析，利用人工智能算法反演出油藏的物性参数；

在步骤2中，利用流固耦合的岩石物理模型将油藏物性参数与地震三参数反演结果联系起来，模型中考虑了流体流动效应的地震响应；

在理论模型中，三维各向同性弹性体的应力应变本构关系表示为：

σ_ij＝λε_kkδ_ij+2με_ij (1)

其中σ_ij为应力张量的分量，i，j＝1，2，3，ε_ij为应变张量的分量，ε_kk为主应变，δ_ij为克罗内克符号，i＝j时δ_ij＝1，否者为0，λ和μ是拉梅系数；为了将上式推广至粘弹性情形，将(1)进行形式上的重写，如下

其中

二者分别对应于应力偏张量与应变偏张量分量；K_m为弹性体的体积模量；

(2)中的两式都成正比例关系，形式上与一维情形的胡克定律类似；仿照一维情形下胡克定律向Zener粘弹性本构关系推广，再将本构关系中的整数阶时间导数替换为分数阶，获得了三维情形下的分数阶粘弹性本构关系如下：

其中，t为时间，p₁，p₂，q₀，q₁，q₂，q₃为粘弹性参数，ξ和β为分数阶导数的阶数；为了便于讨论，重新定义一组参数来替代上述粘弹性参数，如下：

之后将(4)变化至频率域

其中ij为坐标轴，ω为频率，

分别对应σ_kk,ε_kk,S_ij,d_ij的傅里叶变换；为了将它们变化会时间域，我们如下定义两个松弛函数ψ₁和ψ₂：

其中i为虚数，ω为频率，之后,再变换回时间域，得到：

其中t为时间，将(7)中的两式合并可得：

其中t为时间，由此，得到了分数阶粘弹性本构关系的表达式；此表达式双相孔隙介质岩石物理模型的基础，将(8)引入Biot波动方程即可得到油藏物性参数与地震波纵波阻抗、横波阻抗和密度之间的关系式。

2.根据权利要求1所述的基于人工智能算法的油藏物性参数地震预测方法，其特征在于，在步骤3中，按照步骤2中油藏物性参数和地震反演结果的关系，利用人工智能算法对油藏物性参数进行反演计算，得到油藏孔隙度、油气饱和度、渗透率和含油气概率这些物性参数。

3.根据权利要求1所述的基于人工智能算法的油藏物性参数地震预测方法，其特征在于，在步骤3中，使用的人工智能算法为混合遗传算法，利用与自适应方法相似的方法对交叉概率进行修正，具体步骤如下：

第一步：利用选择算子选择一个母亲个体x_i；

第二步：利用选择算子选择一个父亲个体x_j；

第三步：计算x_i与x_j间的相对距离L_ij；

第四步：对初始交叉概率P_crs进行修正，得到修正后的交叉概率：

其中g为罚函数，

L为两个个体的相对距离，a和c是两个可调节的常数，g(L)越接近0则其对适应值的影响越大；越接近1则其对适应值的影响越小；

第五步：产生一个[0,1]区间上的随机数r，如果

则可以进行之后的交叉操作，否则回到第二步。

Images