CN112230283B - 一种基于测井曲线支持向量机建模的地震孔隙度预测方法 - Google Patents

Abstract

本发明公开了一种基于测井曲线支持向量机建模的地震孔隙度预测方法，采用支持向量机学习方法建立井上弹性参数、伽马和孔隙度的非线性映射模型，将岩石物理建模问题转化为以数据为驱动的统计学习问题，避免了复杂的岩石物理建模和参数调整过程；其次，让储层划分功能的伽马曲线参与统计建模，使孔隙度预测结果具有可解释性和合理性；最后，支持向量机学习方法适用于小样本低特征维度的训练样本数据，支持向量机通过核函数可实现非线性映射，采用运算效率高的序列最小最优化算法求解目标函数。旨在解决现有技术中存在的地震孔隙度预测依赖概率模型，适用性不高的技术问题。

Description

一种基于测井曲线支持向量机建模的地震孔隙度预测方法

技术领域

本发明涉及油气勘探技术领域，尤其涉及一种基于测井曲线支持向量机建模的地震孔隙度预测方法。

背景技术

在油气地球物理研究中，孔隙度是描述油气藏储层特征的重要参数，对于储层预测有着重要的意义。

地震孔隙度反演的主要方法有井上线性回归建模预测、地质统计反演和随机模拟这三种方法，其中井上线性回归建模预测方法是最常用的地震孔隙度计算方法，具体做法是利用井上的孔隙度曲线与弹性参数曲线建立线性回归方程，对线性回归模型作用至地震相同弹性参数属性体上，预测得到地震孔隙度，这种方法计算速度较快，但预测值存在较大的误差，只适应于岩性较单一、变化小的地层；地质统计反演的具体方法基于目标点和已知点的空间关系，建立变差函数，通过研究孔隙度测井曲线数值与地震数据的空间相关度，将地震振幅值通过变差函数映射至目标曲线域，基于地质统计学方法考虑了测井数据与地震数据的空间相关性，反演结果横向纵向分辨率高，但是反演结果依赖变差函数，不适合少井情况；基于随机模拟的方法，弥补了地质统计反演的平均效应，建立孔隙度属性的概率模型，基于概率模型抽样，产生高分辨率地震孔隙度模拟结果，但随机模拟结果依赖于概率模型，建立概率模型的过程计算度复杂。因此，如何提高地震孔隙度预测效率及精准度，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基于测井曲线支持向量机建模的地震孔隙度预测方法，旨在解决现有技术中存在的地震孔隙度预测依赖概率模型，适用性不高的技术问题。

为实现上述目的，本发明提出一种基于测井曲线支持向量机建模的地震孔隙度预测方法，所述地震孔隙度预测方法包括如下步骤：

将获取的井上纵波、横波、密度曲线与伽马曲线进行第一非线性支持向量机映射模型建模；将获取的井上纵波、横波、密度曲线、伽马曲线与孔隙度进行第二非线性支持向量机映射模型建模；

地震叠前道集反演获得井上弹性参数体，所述井上弹性参数体包括纵波、横波和密度；

将获得的井上弹性参数送入第一非线性支持向量机映射模型预测得到地震伽马体，将预测得到的地震伽马体与弹性参数体送入第二非线性支持向量机映射模型预测得到地震孔隙度体。

优选的，一种基于测井曲线支持向量机建模的地震孔隙度预测方法，所述地震孔隙度预测还包括对获取的井曲线进行数据预处理，所述预处理包括缺失值预测、重复值与异常值剔除以及数据标准化处理。

优选的，一种基于测井曲线支持向量机建模的地震孔隙度预测方法，所述第一非线性支持向量机映射模型建模包括如下子步骤：

创建样本训练集D＝{x₁,x₂,x₃}(x₁＝Vp,x₂＝Vs,x₃＝Rhob)，其中：V_p是纵波，V_s是横波，Rhob是密度，样本标签为：y(y＝GR)，其中GR是伽马，

根据软间隔参数约束建立支持向量机回归映射目标函数；

其中：m是样本个数，f(φ(x))＝wφ(x)+b映射，使得它与y的值尽可能的接近，f是回归映射关系，φ(x)是非线性函数，它将训练样本x映射到高维特征空间，数据w,b是待定的参数。式中l_ε是损失函数，C是软约束系数，ξ_i和

是松弛因子。

利用带不等式约束的拉格朗日优化思想获得相应的回归估计函数：

其中：

是即拉格朗日乘子，K(x_i,x_j)＝φ(x_i)φ(x_j)是核函数。

根据拉格朗日对偶问题需满足KKT条件的约束，采用启发式的序列最小最优化算法求解回归估计函数，得到第一非线性支持向量机映射模型。

优选的，一种基于测井曲线支持向量机建模的地震孔隙度预测方法，所述第二非线性支持向量机映射模型建模包括如下子步骤：

创建样本训练集D＝{x₁,x₂,x₃,x₄}(x₁＝Vp,x₂＝Vs,x₃＝Rhob,x₄＝GR)，其中：V_p是纵波，V_s是横波，Rhob是密度，GR是伽马，样本标签为y(y＝Por)，Por是孔隙度。

根据软间隔参数约束建立支持向量机回归映射目标函数；

其中：m是样本个数，f(φ(x))＝wφ(x)+b映射，使得它与y的值尽可能的接近，f是回归映射关系，φ(x)是非线性函数，它将训练样本x映射到高维特征空间，数据w,b是待定的参数。式中l_ε是损失函数，C是软约束系数，ξ_i和

是松弛因子。

利用带不等式约束的拉格朗日优化思想获得相应的回归估计函数：

根据拉格朗日对偶问题需满足KKT条件的约束，采用启发式的序列最小最优化算法求解回归估计函数，得到第二非线性支持向量机映射模型。

优选的，一种基于测井曲线支持向量机建模的地震孔隙度预测方法，所述地震叠前道集反演包括如下子步骤：

根据zeoppritz方程的近似式建立目标函数求解弹性参数，采用同步反演计算得到地震叠前弹性参数反演体，所述zeoppritz方程的近似式为：

S＝R*w；

其中：θ是叠前道集的角度，S是叠前道集振幅，w是子波。

本发明中，采用支持向量机学习方法建立井上弹性参数、伽马和孔隙度的非线性映射模型，将岩石物理建模问题转化为以数据为驱动的统计学习问题，避免了复杂的岩石物理建模和参数调整过程；其次，孔隙度预测通常是在有效储层中才会有意义，而本发明中让储层划分功能的伽马曲线参与统计建模，使孔隙度预测结果具有可解释性和合理性；最后，支持向量机学习方法适用于小样本低特征维度的训练样本数据，而测井数据具备此特征，支持向量机通过核函数可实现非线性映射，采用运算效率高的序列最小最优化算法求解目标函数，因此支持向量学习方法适合解决本发明问题。旨在解决现有技术中存在的地震孔隙度预测依赖概率模型，适用性不高的技术问题。

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为本发明提出的基于测井曲线支持向量机建模的地震孔隙度预测方法的流程处理示意图；

图2为本发明中井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机回归建模与预测示意图；

图3为本发明中井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机回归建模与预测示意图；

图4为本发明中叠前同时反演算法验证示意图；其中：图4(a)为原始叠前部分叠加道集与正演部分叠加道集对比示意图；图4(b)为叠前地震纵波(V_p)、横波(V_s)、密度(Rhob)同时反演结果与井曲线对比示意图；

图5为本发明中叠前地震部分叠加体示意图；其中：图5(a)为小角度叠加地震示意图；图5(b)为中角度叠加地震示意图；图5(c)为大角度叠加地震示意图；

图6为本发明中地震叠前同时反演弹性参数体示意图；其中：图6(a)为纵波(V_p)反演体示意图；图6(b)为横波(V_s)反演体示意图；图6(c)为密度(Rhob)反演体示意图；

图7为本发明中的测井曲线支持向量机建模的孔隙度预测效果示意图；其中：图7(a)为伽马(GR)预测体示意图；图7(b)为孔隙度(Por)预测体示意图；

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，本发明提出了一种基于测井曲线支持向量机建模的地震孔隙度预测方法，本方法利用支持向量机学习建立井上的纵波(V_p)、横波(V_s)、密度曲线(Rhob)与伽马曲线(GR)之间的非线性映射模型和纵波(V_p)、横波(V_s)、密度(Rhob)、伽马(GR)与孔隙度(Por)之间的非线性映射模型，然后将井上的非线性映射模型外推作用至叠前地震弹性参数体(V_p、V_s、Rhob)，得到地震范围的孔隙度预测体，具体步骤如下：

步骤一：井曲线分层预处理；

步骤二：井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机映射模型学习；

步骤三：井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)、伽马曲线(GR)和孔隙度(Por)的支持向量机非线性映射模型学习；

步骤四：地震叠前道集同时反演出纵波、横波和密度；

步骤五：步骤二模型作用于步骤四的弹性参数体(纵波、横波和密度)，预测得到地震伽马(GR)体；

步骤六：步骤三模型作用于步骤五的弹性参数体(V_p、V_s、Rhob)与伽马体(GR),预测得到地震孔隙度体。

在本实施例中，结合技术流程图以及其它附图展开对本发明的详细介绍。

步骤一：井曲线分层预处理。

取预测目的层段的井数据进行支持向量机的曲线建模，建模之前，井数据的预处理至关重要，不合理的井数据不利于训练和预测，井数据的预处理包括：缺失值预测，重复值与异常值剔除，标准化处理。

步骤二：井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机映射模型学习。

支持向量机是一种风险结构最小的经典机器学习方法，适合小样本低特征维度数据，它不同于依据大数定律的其它统计方法，不涉及概率测度。本质上，支持向量机学习问题是全局凸优化问题，它避开了对训练数据的归纳演绎的推导过程，而是依靠少数的关键样本参与模型训练，训练结果模型具有很好的鲁棒性和泛化力。测井数据具有低维特点，支持向量机建模过程中使用核函数可实现非线性映射和挖掘数据的潜在特征，因此，本发明采用支持向量机进行数据非线性回归建模。

首先创建样本训练集D＝{x₁,x₂,x₃}(x₁＝Vp,x₂＝Vs,x₃＝Rhob)，样本标签为y(y＝GR)，样本个数为m，支持向量机建模的目标是学习一个f(φ(x))＝wφ(x)+b映射，使得它与y的值尽可能的接近，f是回归映射关系，φ(x)是非线性函数，它将训练样本x映射到高维特征空间，数据w,b是待定的参数。

软间隔参数约束是支持向量机非线性映射的重要特征，它指f(φ(x))和y之间容许的偏差，设为ε，建立支持向量机回归映射目标函数(式2-1)：

式中l_ε是损失函数，C是软约束系数，引入松弛因子ξ_i和

式(2-1)改进为式(2-2)：

求解式(2-2)的约束优化问题，利用带不等式约束的拉格朗日优化思想将原始问题转化为对偶问题，通过求解对偶问题而得到原始问题的解，如式(2-3)所示：

式中的

是即拉格朗日乘子，K(x_i,x_j)＝φ(x_i)φ(x_j)是核函数，则相应的回归估计函数为：

根据拉格朗日对偶问题需满足KKT条件的约束，采用启发式的序列最小最优化算法求解上式，得到井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)与伽马曲线(GR)的支持向量机非线性回归映射模型。

图2井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机回归建模与预测，其中虚线表示支持向量机回归模型预测的伽马曲线。

步骤三：井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)、伽马曲线(GR)和孔隙度(Por)的支持向量机非线性映射模型学习。

创建样本训练集D＝{x₁,x₂,x₃,x₄}(x₁＝Vp,x₂＝Vs,x₃＝Rhob,x₄＝GR)，样本标签为y(y＝Por)，样本个数为m，建立井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)、伽马曲线(GR)和孔隙度(Por)的非线性支持向量机映射模型，回归模型的求解过程同步骤二。

图3井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机回归建模与预测，其中虚线表示支持向量机回归模型预测的孔隙度；

步骤四：地震叠前道集同时反演出纵波、横波和密度。

S＝R*w

根据zeoppritz方程的近似式(4-1)建立目标函数求解弹性参数，采用同步反演计算得到地震叠前弹性参数反演体(V_p、V_s、Rhob)，其中θ是叠前道集的角度，S是叠前道集振幅，w是子波。

图4叠前同时反演算法验证，(a)原始叠前部分叠加道集与正演部分叠加道集对比，黑色表示原始道集，灰色表示正演道集；(b)叠前地震纵波(V_p)、横波(V_s)、密度(Rhob)同时反演结果与井曲线对比，灰色实线表示井曲线，黑色实线表示叠前地震弹性参数(V_p、V_s、Rhob)同时反演结果；图5叠前地震部分叠加体，(a)小角度叠加地震；(b)中角度叠加地震；(c)大角度叠加地震；图6地震叠前同时反演弹性参数体，(a)纵波(V_p)反演体，(b)横波(V_s)反演体，(c)密度(Rhob)反演体；

步骤五：步骤二模型作用于步骤四的弹性参数体(纵波、横波和密度)，预测得到地震伽马(GR)体。

将步骤二的井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机映射模型，作用于步骤四的叠前弹性参数体，预测得到地震伽马(GR)体。

图7(a)本发明方法的测井曲线支持向量机建模的地震伽马(GR)体预测效果。

步骤六：步骤三模型作用于步骤五的弹性参数体(V_p、V_s、Rhob)与伽马体(GR),预测得到地震孔隙度体。

将步骤三的井上纵波(V_p)、横波(V_s)、密度曲线(Rhob)、伽马曲线(GR)和孔隙度(Por)的支持向量机非线性映射模型作用于步骤四和步骤五的弹性参数体与伽马体，预测得到地震孔隙度(Por)体。

图7(b)本发明方法的测井曲线支持向量机建模的地震孔隙度(Por)预测效果。

本发明提出了一种基于测井曲线支持向量机建模的地震孔隙度预测方法，首先，本发明采用支持向量机学习方法建立井上弹性参数、伽马和孔隙度的非线性映射模型，将岩石物理建模问题转化为以数据为驱动的统计学习问题，避免了复杂的岩石物理建模和参数调整过程；其次，孔隙度预测通常是在有效储层中才会有意义，而本发明中让储层划分功能的伽马曲线参与统计建模，使孔隙度预测结果具有可解释性和合理性；最后，支持向量机学习方法适用于小样本低特征维度的训练样本数据，而测井数据具备此特征，支持向量机通过核函数可实现非线性映射，采用运算效率高的序列最小最优化算法求解目标函数，因此支持向量学习方法适合解决本发明问题。

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 (5)

1.一种基于测井曲线支持向量机建模的地震孔隙度预测方法，其特征在于，所述地震孔隙度预测方法包括如下步骤：

将获取的井上纵波、横波、密度曲线与伽马曲线进行第一非线性支持向量机映射模型建模；将获取的井上纵波、横波、密度曲线、伽马曲线与孔隙度进行第二非线性支持向量机映射模型建模；

地震叠前道集反演获得井上弹性参数体，所述井上弹性参数体包括纵波、横波和密度；

将获得的井上弹性参数送入第一非线性支持向量机映射模型预测得到地震伽马体，将预测得到的地震伽马体与弹性参数体送入第二非线性支持向量机映射模型预测得到地震孔隙度体。

2.如权利要求1所述的一种基于测井曲线支持向量机建模的地震孔隙度预测方法，其特征在于，所述地震孔隙度预测还包括对获取的井曲线进行数据预处理，所述预处理包括缺失值预测、重复值与异常值剔除以及数据标准化处理。

3.如权利要求1所述的一种基于测井曲线支持向量机建模的地震孔隙度预测方法，其特征在于，所述第一非线性支持向量机映射模型建模包括如下子步骤：

创建样本训练集D＝{x₁,x₂,x₃}，x₁＝Vp,x₂＝Vs,x₃＝Rhob，其中：V_p是纵波，V_s是横波，Rhob是密度，样本标签为：y，y＝GR，其中GR是伽马；

根据软间隔参数约束建立支持向量机回归映射目标函数；

其中：m是样本个数，f(φ(x))＝wφ(x)+b映射，使得它与y的值尽可能的接近，f是回归映射关系，φ(x)是非线性函数，它将训练样本x映射到高维特征空间，数据w,b是待定的参数；式中l_ε是损失函数，C是软约束系数，ξ_i和

是松弛因子；

利用带不等式约束的拉格朗日优化思想获得相应的回归估计函数：

其中：

是即拉格朗日乘子，K(x_i,x_j)＝φ(x_i)φ(x_j)是核函数；

根据拉格朗日对偶问题需满足KKT条件的约束，采用启发式的序列最小最优化算法求解回归估计函数，得到第一非线性支持向量机映射模型。

4.如权利要求1所述的一种基于测井曲线支持向量机建模的地震孔隙度预测方法，其特征在于，所述第二非线性支持向量机映射模型建模包括如下子步骤：

创建样本训练集D＝{x₁,x₂,x₃,x₄}，x₁＝Vp,x₂＝Vs,x₃＝Rhob,x₄＝GR，其中：V_p是纵波，V_s是横波，Rhob是密度，GR是伽马，样本标签为y，y＝Por，Por是孔隙度；

根据软间隔参数约束建立支持向量机回归映射目标函数：

其中：m是样本个数，f(φ(x))＝wφ(x)+b映射，使得它与y的值尽可能的接近，f是回归映射关系，φ(x)是非线性函数，它将训练样本x映射到高维特征空间，数据w,b是待定的参数；式中l_ε是损失函数，C是软约束系数，ξ_i和

是松弛因子；

利用带不等式约束的拉格朗日优化思想获得相应的回归估计函数：

根据拉格朗日对偶问题需满足KKT条件的约束，采用启发式的序列最小最优化算法求解回归估计函数，得到第二非线性支持向量机映射模型。

5.如权利要求1所述的一种基于测井曲线支持向量机建模的地震孔隙度预测方法，其特征在于，所述地震叠前道集反演包括如下子步骤：

根据zeoppritz方程的近似式建立目标函数求解弹性参数，采用同步反演计算得到地震叠前弹性参数反演体，所述zeoppritz方程的近似式为：

S＝R*w；

其中：θ是叠前道集的角度，S是叠前道集振幅，w是子波。

Images