CN112162316B - 一种avo波形数据驱动的高分辨率井震融合叠前反演方法 - Google Patents

Abstract

本发明公开了一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，通过基于AVO波形驱动建立高精度弹性参数初始模型的新的井震融合方式，实现了高分辨率叠前反演方法。一方面通过AVO波形聚类建立代表不同储层、流体特征的AVO波形数据‑弹性参数曲线样本组，实现了地震相控下的叠前反演；另一方面通过小波变换求取样本组内弹性参数曲线的共性结构建立初始模型，实现了高分辨率叠前反演。旨在解决现有技术中存在的在进行井震叠前反演时薄储层、流体预测的纵向和横向分辨率不高的技术问题。

Description

一种AVO波形数据驱动的高分辨率井震融合叠前反演方法

技术领域

本发明涉及油气地球物理勘探技术领域，尤其涉及一种AVO波形数据驱动的高分辨率井震融合叠前反演方法。

背景技术

通过叠前反演能够获得研究储层和流体变化规律所需的纵波速度、横波速度、密度以及纵横波速度比等弹性参数，从而能更加可靠地揭示地下储层的孔隙度、渗透性、含油气性空间分布规律，更有利于油气藏的勘探与开发。

目前常用的叠前反演方法有叠前同时反演及叠前地质统计学反演两种，但是两种方法都存在一定的缺陷：其中叠前同时反演成果受地震资料频带限制，其纵向分辨率过低，难以满足薄储层、流体预测的需求；叠前地质统计学反演虽然满足了纵向高分辨率的需求，但其横向变化受控于变差函数，无法充分利用地震横向分辨率高的优势，成果随机性高，且对井样本分布要求均匀，适用性较窄。因此，如何提高薄储层、流体预测的纵向和横向分辨率，是一个亟需解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，旨在解决现有技术中存在的在进行井震叠前反演时薄储层、流体预测的纵向和横向分辨率不高的技术问题。

为实现上述目的，本发明提出一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，所述叠前反演方法包括如下步骤：

对获取的CRP道集进行角度叠加，得到近角度、中角度和远角度三个分角度叠加数据体，并根据计算得到的截距和梯度特征获得AVO波形数据；

根据采集的实测横波测井数据建立岩石物理模型，并进行横波曲线预测，进而获得包括纵波速度曲线、横波速度曲线和密度曲线的所有已钻井弹性参数曲线；

建立已钻井目的层段AVO波形数据-弹性参数曲线数据库；利用自组织映射神经网络分类法对数据库内所有样本进行波形聚类，建立代表不同储层、流体特征的AVO波形数据-弹性参数曲线样本组；

提取所有地震道目的层段AVO波形数据，逐道与建立的样本组中的AVO波形数据进行比较，在该样本组中取相似程度最高的前预设比例的样本井的弹性参数曲线，开展小波变换求取共性结构作为该道的初始弹性参数模型；

以统计的弹性参数曲线作为先验信息，在AVO波形驱动下对初始弹性参数模型进行贝叶斯反演，按照后验概率应用Gibbs抽样法计算得到模型期望值，获得高精度的反演结果。

优选的，一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，所述叠前反演方法还包括对初始CRP道集进行包括开展去噪、提高分辨率、道集拉平的优化处理，用以提高CRP道集的信噪比和分辨率。

优选的，一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，所述建立岩石物理模型包括如下子步骤：

收集实测的横波测井数据，并进行曲线校正和标准化处理；

根据处理后的横波测井数据建立岩石物理模型，通过预测横波速度和实测横波数据进行比较，修正岩石物理模型参数；

取与实测横波吻合度最高的预测横波参数作为最终岩石物理参数，进而建立最终岩石物理模型。

优选的，一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，所述初始弹性参数模型的获取通过如下实现：

其中：l为测井曲线共性结构相关截止频率，W为样本井集测井曲线，

为样本井集测井曲线平均值，ψ(ω,t)为小波函数。

优选的，一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，所述初始弹性参数模型的获取中，所述预设比例为50％。

优选的，一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，所述弹性参数曲线作为先验信息包括如下处理步骤：

利用Aki-Richards近似与任意角入射时的反射系数的关系得出的弹性阻抗公式为：

α，β，ρ—分别为纵波速度、横波速度和密度；

推导出反射PP波的反射系数近似式为：

R_pp—PP波的反射系数；

其中：

α₀，β₀，ρ₀—反射界面上下纵波速度、横波速度和密度的均值，Δα，Δβ，Δρ—反射界面上下的纵波速度、横波速度和密度差，θ为入射角度。

优选的，一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，所述在AVO波形驱动下对初始弹性参数模型进行贝叶斯反演包括如下步骤：

将获取的反射系数公式转换成矩阵表达式：R＝Am，式中：R—反射系数矩阵，A为系数矩阵，m＝[α,β,ρ]为弹性参数模型矩阵；

获取地震反演褶积模型表达式：d＝Gm+n，式中：n为噪声矩阵；G＝WA为正演算子，W为地震子波矩阵；

将褶积模型代入噪声n高斯分布表达式，建立地震数据释然函数，其中噪声n高斯分布表达式为：

获取的释然函数为：

根据弹性参数模型m高斯分布表达式，进行贝叶斯反演，得到模型的先验分布：

I—先验信息矩阵，σ—地震数据的协方差，σ_m—模型的方差。

优选的，一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，所述按照后验概率应用Gibbs抽样法计算得到模型期望值包括如下步骤：

通过将数据条件概率分布于模型先验概率分布的乘积作为模型的后验概率分布函数：

按照后验概率应用Gibbs抽样法对给定的地震波形d计算得到模型m的期望值。

优选的，一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，所述叠前反演方法还包括修正反演结果步骤，通过将弹性阻抗模型引入作为先验信息，通过目标函数趋势控制，防止过度拟合，其中目标函数为：

J-目标函数；L-观测矩阵；μ—正则化因子；R(m)—正则化方程。

本发明中，提出了一种基于AVO波形驱动建立高精度弹性参数初始模型的新的井震融合方式，实现了高分辨率叠前反演方法。一方面通过AVO波形聚类建立代表不同储层、流体特征的AVO波形数据-弹性参数曲线样本组，实现了地震相控下的叠前反演；另一方面通过小波变换求取样本组内弹性参数曲线的共性结构建立初始模型，实现了高分辨率叠前反演。旨在解决现有技术中存在的在进行井震叠前反演时薄储层、流体预测的纵向和横向分辨率不高的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明提出的AVO波形数据驱动的高分辨率井震融合叠前反演方法流程示意图；

图2为本发明中AVO波形数据-弹性参数曲线样本示意图；

图3为本发明中正则化因子优选示意图；

图4为本发明中正则化因子约束前后正演效果对比示意图；其中图4a为正则化因子约束前正演效果对比图；图4b为正则化因子约束后正演效果对比图；

图5为本发明中得到的反演结果与叠前同时反演效果对比示意图；其中图5a为本发明得到的高分辨率Vp/Vs反演结果；图5b为叠前同时反演Vp/Vs反演结果；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出了一种实施例，如图1所示，本发明提出了一种AVO波形数据驱动的高分辨率叠前反演方法，首先对所有已钻井利用波形聚类技术建立代表不同储层、流体特征的AVO波形数据-弹性参数曲线样本组；然后逐道与样本组中的AVO波形数据波形进行比较，求取样本组内弹性参数曲线的共性结构建立高精度的初始模型；最后开展贝叶斯反演获得高精度的叠前反演结果。具体实现步骤如下：

步骤一：在CRP道集优化处理的基础上进行分角度叠加，得到近角度、中角度和远角度三个分角度叠加数据体，计算截距、梯度特征，获得AVO波形数据；

步骤二：建立岩石物理模型进行横波曲线预测，获得所有已钻井弹性参数曲线(包括纵波速度曲线、横波速度曲线和密度曲线)；

步骤三：建立已钻井目的层段AVO波形数据-弹性参数曲线数据库；利用自组织映射神经网络分类法对数据库内所有样本进行波形聚类，建立代表不同储层、流体特征的AVO波形数据-弹性参数曲线样本组；

步骤四：在三维工区内提取所有地震道目的层段AVO波形数据，逐道与步骤三建立的样本组中的AVO波形数据进行比较，确定与该道相似程度最高的样本组，然后在该样本组中取相似程度最高的前50％的样本井的弹性参数曲线开展小波变换求取共性结构作为该道的初始弹性参数模型；

步骤五：应用贝叶斯反演框架，并以统计的弹性参数曲线作为先验信息，在AVO波形驱动下对初始弹性参数模型，按照后验概率应用Gibbs抽样法计算得到模型期望值，获得高精度的反演结果。

在本实施例中，结合附图对本发明提供的方法做进一步描述：

(1)对CRP道集开展去噪、提高分辨率、道集拉平等优化处理，提高CRP道集的信噪比和分辨率；利用地震处理均方根速度转换得到层速度场，对CRP道集进行分角度叠加，得到近角度、中角度和远角度三个分角度叠加数据体；进一步计算截距、梯度特征。利用近角度、中角度和远角度叠加数据以及截距和梯度5个数据表征AVO波形数据，并计算弹性阻抗数据体；

(2)收集研究区实测的横波测井数据，在曲线校正、标准化处理的基础上，建立岩石物理模型，通过预测横波速度和实测横波数据进行比较，不断修正岩石物理模型参数，当预测横波与实测横波吻合度最高时的参数作为研究区最佳的岩石物理参数，进而建立最终的岩石物理模型；对所有已钻井进行横波曲线预测，获得所有已钻井弹性参数曲线(包括纵波速度曲线、横波速度曲线和密度曲线)；

(3)提取已钻井目的层段AVO波形数据-弹性参数曲线作为井样本(如图2)，建立数据库；利用自组织映射神经网络分类法对数据库内所有样本进行波形聚类，建立代表不同储层、流体特征的AVO波形数据-弹性参数曲线样本组；

(4)在三维工区内提取所有地震道目的层段AVO波形数据，逐道与步骤三建立的样本组中的AVO波形数据进行比较，确定与该道相似程度最高的样本组，然后在该样本组中取相似程度最高的前50％的样本井的弹性参数曲线开展小波变换求取共性结构作为该道的初始弹性参数模型；具体实现过程为：

式中，l为共性结构相关截止频率，W为样本井集测井曲线，

为样本井集测井曲线平均值，ψ(ω,t)为小波函数。

(5)AVO波形数据驱动下的贝叶斯反演

利用Aki-Richards近似与任意角入射时的反射系数的关系得出的弹性阻抗公式为：

可进一步推导出反射PP波的反射系数近似式为：

式中：

式中：α₀，β₀，ρ₀是反射界面上下弹性参数的均值，Δα，Δβ，Δρ是反射界面上下的弹性参数差，θ为入射角度。

为简化公式表达，可将反射系数公式写成矩阵的形式：

R＝Am (5)

式中：A为系数矩阵，m＝[α,β,ρ]为模型。

地震反演的基础是褶积模型表达为：

d＝Gm+n (6)

式中：n代表噪声；G＝WA为正演算子，W为地震子波矩阵。这样，从已知的地震数据d中估计弹性参数模型m的后验概率分布可以看成是贝叶斯反演问题。假设噪声n满足高斯分布：

将褶积模型代入上式，可以建立地震数据的似然函数：

式中σ表示地震数据的协方差。

在贝叶斯反演中，假设弹性参数模型m也符合高斯分布，可以得到模型的先验分布：

式中σ_m表示模型的方差。

将数据条件概率分布与模型先验概率分布的乘积作为模型的后验概率分布函数：

这样对于给定的地震波形d可按照后验概率应用Gibbs抽样法计算得到模型m的期望值。

在叠前波形指示反演的过程中，为了求取在样本井点的弹性阻抗与预测地震中频的弹性阻抗直接的匹配系数，预测样本井点与非样本井点弹性参数的相关系数，均衡两者的相关性而设置的重要参数即正则化因子。

通过正则化因子加强约束，进行趋势控制，防止过度拟合。因此，我们引入弹性阻抗模型作为先验信息，使得我们可以给反演成果一个修正的解，这个解能够满足样本要求而且稳定。目标函数形为：

其中μ为正则化因子，可以定义为R(m)正则化方程的权重。如果μ的值域选取过低，或者说大部分权重分配给了差异条件

那么反演成果会倾向于样本模型，反演成果模型化严重(包括信号和噪声)。反之，如果μ的值域选取过高，反演成果则会偏重于正则化条件，成果完全基于地震，样本井无法起到约束的效果(如图3所示)。

实际应用中，正则化因子选择在(0,1)之间。如果信噪比高，正则化因子可以相应的降低；信噪比低，正则化因子相应的提高，从而得到满足于地震及井样本约束的期望特征的解。从图3中反演结果与实测曲线效果对比可以看出(图4a为正则化因子约束前，图4b为正则化因子约束后)，经过合适的正则化因子约束，反演结果与实测曲线吻合度大大提高，保证了反演的精度。

实际地震工区的叠前反演结果表明，本发明方法计算得到的Vp/Vs结果可以识别厚度为2米的油层(图5a)，而传统的叠前同时反演结果只能识别厚度为20米的油层组(如图5b所示，两套油层厚度分别为6米和2米，两套泥岩隔夹层厚度分别为6米和5米，合计厚度为20米)，因此本发明方法大大提高了叠前反演的精度。

在本实施例中，提出了一种基于AVO波形驱动建立高精度弹性参数初始模型的新的井震融合方式，实现了高分辨率叠前反演方法。一方面通过AVO波形聚类建立代表不同储层、流体特征的AVO波形数据-弹性参数曲线样本组，实现了地震相控下的叠前反演；另一方面通过小波变换求取样本组内弹性参数曲线的共性结构建立初始模型，实现了高分辨率叠前反演。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，其特征在于，所述叠前反演方法包括如下步骤：

对获取的CRP道集进行角度叠加，得到近角度、中角度和远角度三个分角度叠加数据体，并根据计算得到的截距和梯度特征获得AVO波形数据；

根据采集的实测横波测井数据建立岩石物理模型，并进行横波曲线预测，进而获得包括纵波速度曲线、横波速度曲线和密度曲线的所有已钻井弹性参数曲线；

建立已钻井目的层段AVO波形数据-弹性参数曲线数据库；利用自组织映射神经网络分类法对数据库内所有样本进行波形聚类，建立代表不同储层、流体特征的AVO波形数据-弹性参数曲线样本组；

提取所有地震道目的层段AVO波形数据，逐道与建立的样本组中的AVO波形数据进行比较，在该样本组中取相似程度最高的前预设比例的样本井的弹性参数曲线，开展小波变换求取共性结构作为该道的初始弹性参数模型；

以统计的弹性参数曲线作为先验信息，在AVO波形驱动下对初始弹性参数模型进行贝叶斯反演，按照后验概率应用Gibbs抽样法计算得到模型期望值，获得高精度的反演结果。

2.如权利要求1所述的一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，其特征在于，所述叠前反演方法还包括对初始CRP道集进行包括开展去噪、提高分辨率、道集拉平的优化处理，用以提高CRP道集的信噪比和分辨率。

3.如权利要求1所述的一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，其特征在于，所述建立岩石物理模型包括如下子步骤：

收集实测的横波测井数据，并进行曲线校正和标准化处理；

根据处理后的横波测井数据建立岩石物理模型，通过预测横波速度和实测横波数据进行比较，修正岩石物理模型参数；

取与实测横波吻合度最高的预测横波参数作为最终岩石物理参数，进而建立最终岩石物理模型。

4.如权利要求1所述的一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，其特征在于，所述初始弹性参数模型的获取通过如下实现：

其中：l为测井曲线共性结构相关截止频率，W为样本井集测井曲线，

为样本井集测井曲线平均值，ψ(ω,t)为小波函数。

5.如权利要求1所述的一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，其特征在于，所述初始弹性参数模型的获取中，所述预设比例为50％。

6.如权利要求1所述的一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，其特征在于，所述弹性参数曲线作为先验信息包括如下处理步骤：

利用Aki-Richards近似与任意角入射时的反射系数的关系得出的弹性阻抗公式为：

其中：EI为弹性阻抗，α，β，ρ分别为纵波速度、横波速度和密度，K＝(β/α)²，θ为入射角，

推导出反射PP波的反射系数近似式为：

其中：R_pp为PP波的反射系数，

α₀，β₀，ρ₀为反射界面上下纵波速度、横波速度和密度的均值，Δα，Δβ，Δρ为反射界面上下的纵波速度、横波速度和密度差，θ为入射角度。

7.如权利要求6所述的一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，其特征在于，所述在AVO波形驱动下对初始弹性参数模型进行贝叶斯反演包括如下步骤：

将获取的反射系数公式转换成矩阵表达式：R＝Am，式中：A为系数矩阵，m＝[α,β,ρ]为弹性参数模型矩阵，R为反射系数矩阵；

获取地震反演褶积模型表达式：d＝Gm+n，式中：d为地震数据矩阵，n为噪声矩阵；G为地震子波矩阵；

将褶积模型代入噪声n高斯分布表达式，建立地震数据释然函数，其中噪声n高斯分布表达式为：

获取的释然函数为：

其中，I为先验信息矩阵，σ为地震数据的协方差；

根据弹性参数模型m高斯分布表达式，进行贝叶斯反演，得到模型的先验分布：

其中，σ_m-模型的方差。

8.如权利要求7所述的一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，其特征在于，所述按照后验概率应用Gibbs抽样法计算得到模型期望值包括如下步骤：

通过将数据条件概率分布于模型先验概率分布的乘积作为模型的后验概率分布函数：

按照后验概率应用Gibbs抽样法对给定的地震波形d计算得到模型m的期望值。

9.如权利要求7所述的一种AVO波形数据驱动的高分辨率井震融合叠前反演方法，其特征在于，所述叠前反演方法还包括修正反演结果步骤，通过将弹性阻抗模型引入作为先验信息，通过目标函数趋势控制，防止过度拟合，其中目标函数为：

L为观测矩阵；μ为正则化因子；R(m)为正则化方程。

Images