CN112578447B - 一种基于数据降维及重构的储层预测方法 - Google Patents

Abstract

本发明公开了一种基于数据降维及重构的储层预测方法，所述储层预测方法包括如下步骤：S1：计算与储层相关的两个第一属性数据体，并进行归一化处理得到两个第二属性数据体，并计算关于模型道权重系数计算的属性数据体；S2：对两个第二属性数据体进行降维处理得到降维数据体，并确定该降维数据体的门槛值，并对关于模型道权重系数计算的属性数据体进行重构赋值后得到模型道权重系数数据体；S3：利用降维数据体及门槛值进行数据重构处理，得到储层重构数据体，并对模型道权重系数数据体进行关于储层品质系数数据体的计算，得到储层品质系数数据体；S4：利用储层重构数据体及储层品质系数数据体进行相关计算，得到一个用于储层预测的储层品质数据体。

Description

一种基于数据降维及重构的储层预测方法

技术领域

本发明属于地球物理勘探中的地震资料解释技术领域，尤其涉及一种基于数据体降维及重构、属性波形分类等计算储层品质数据体来进行储层预测及评价的方法。

背景技术

在地球物理勘探领域中，通过常规的方法获取地震数据后，需要对地震数据进行解释，一般要进行相应的储层预测解释流程。在储层预测解释流程中，需要对相关的测井资料进行分析，并对地震资料进行有关的属性提取、反演等计算，然后就是利用原始地震资料、测井资料、提取或反演的属性数据相互进行定性和定量分析，识别出储层可能的发育区域和层段，从而完成储层预测工作。

众所周知，储层是具有一定的物理特性，储层的类型也具有多种多样的物理特性。在一个研究区内也可能发育有多种类型的储层，如有的储层是裂缝型储层或孔隙型储层，而有的储层则可能是裂缝-孔隙型储层，甚至于岩溶型储层。所以，一个研究区内发育多种类型的储层是较多见的。总体上，这些不同类型的储层有多个物理表现形式，可有不同的地球物理技术对其进行反演计算。如裂缝、岩溶的物理特性可有相干、曲率等地球物理技术对其进行描述；而孔隙度则可利用波阻抗等反演数据与之对应；储层所含的流体性质则可利用频率及振幅、衰减属性等成果对其进行表述。

常规的储层预测技术方法有很多种，基本上可分为叠前、叠后反演两个大类。但对于一个研究区内有多种类型的储层时，往往此时的单一反演或属性成果往往不能很好地对这些多种类型的储层进行描述。如申请号为201110325780.3的发明专利《一种地震多属性RGBA颜色融合方法》利用地震数据的三个不同属性数据进行RGBA颜色融合，生成一个RGBA颜色融合数据体；申请号为201110171068.2的发明专利公开了一种地震反演数据预测储层的方法，实现了基于模型反演得到的波阻抗或速度数据进行岩性或储层预测的一种新手段。可见近年来，对储层的各种物理特性预测的技术方法很多，研究相对比较成熟。但是，针对储层多种类型的综合的预测技术还不够完善，主要体现在以下几个方面：

(1)采用常规储层预测技术通常只能预测储层的综合类型或单一类型响应，而不能预测及区分出储层的多个类型。

(2)同一属性数据体往往包含了储层及非储层的信息，并难以在数据中对其进行识别、区分。

为了针对上述常规储层预测技术的不足，解决对同一研究区内的多种储层类型进行相应的区分及描述，本发明提供了一个相对简单的技术流程来实现对其多种储层类型及储层优劣等进行预测及评价，使其很方便了解不同储层类型或综合型储层的平面分布情况，从而更好的为油气勘探服务。

发明内容

本发明的目的在于，为克服现有技术缺陷，准确地识别出优质储层在平面及空间上的分布状态，为此，本发明提供一种基于数据降维及重构、属性波形分类等计算形成储层品质数据体来进行储层预测的方法。

本发明目的通过下述技术方案来实现：

一种基于数据降维及重构的储层预测方法，所述储层预测方法包括如下步骤：S1：计算与储层相关的两个第一属性数据体，并进行归一化处理得到两个第二属性数据体，并计算关于模型道权重系数计算的属性数据体；S2：对两个第二属性数据体进行降维处理得到降维数据体，并确定该降维数据体的门槛值，并对关于模型道权重系数计算的属性数据体进行重构赋值后得到模型道权重系数数据体；S3：利用降维数据体及门槛值进行数据重构处理，得到储层重构数据体，并对模型道权重系数数据体进行关于储层品质系数数据体的计算，得到储层品质系数数据体；S4：利用储层重构数据体及储层品质系数数据体进行相关计算，得到一个用于储层预测的储层品质数据体。

根据一个优选的实施方式，，所述步骤S1具体包括：

S11：针对储层的孔隙度、裂缝、流体，利用地震资料进行两个第一属性数据体计算，且所述两个第一属性数据体的计算包括采用叠前或叠后的三维地震数据来进行反演或属性计算；

S12：将获得的两个第一属性数据体进行归一化处理，得到两个第二属性数据体；

S13：计算关于模型道权重系数计算的属性数据体。

根据一个优选的实施方式，，所述步骤S12中的归一化处理是将二个第一属性数据体采样点的数据值经归一化计算到n～m值域，具体包括：

归一化处理中，设样本数据为x_p(p＝1，2，…，P)，定义x_max＝max{x_p}，x_min＝min{x_p}，归一化处理计算将样本数据转化为n～m区间的数据，归一化处理计算公式如下：

式中，X_p为归一化处理前的样本值，x_pi为归一化处理后的样本值，x_max＝max{x_p}，x_min＝min{x_p}，n及m为正整数，m＞n≥0。

根据一个优选的实施方式，，步骤S2中对两个第二属性数据体进行降维处理，具体包括：

提取井点处两个第二属性数据体的曲线数据，并利用二维坐标系统进行交会得到交会图，从交会图中找到能够将储层及非储层数据点的分布区域划分开的斜直线；

以该斜直线与横轴之间的夹角θ为旋转角度进行坐标旋转，将原坐标系转换为新坐标系，其中，原坐标系转换为新坐标系利用如下计算公式实现的：

X^/＝Xcosθ+Ysinθ

Y^/＝Ycosθ-Xsinθ

式中X、Y为原坐标系中的横轴及纵轴坐标；X^/、Y^/为新坐标系中的横轴及纵轴坐标，θ为原坐标系中斜直线与横轴之间的夹角；

利用函数公式X^/＝Xcosθ+Ysinθ或Y^/＝Ycosθ-Xsinθ对两个第二属性数据体进行降维处理计算，得到降维数据体。

根据一个优选的实施方式，，若新坐标系中的横轴与所述斜直线平行，新坐标系中的纵轴与所述斜直线的法线方向平行；如新坐标系中的纵轴与所述斜直线平行，新坐标系中的横轴与所述斜直线的法线方向平行；

且，当新坐标系中的所述斜直线平行于横坐标轴，则采用公式Y^/＝Ycosθ-Xsinθ进行降维处理；如新坐标系中的所述斜直线平行于纵坐标轴，则采用公式X^/＝Xcosθ+Ysinθ进行降维处理。

根据一个优选的实施方式，，步骤S2中确定降维数据体的门槛值的方法包括：

交点方法，利用斜直线在新坐标系中与纵坐标轴或横坐标轴相交上的交点数据，得到该降维数据体的门槛值；和

选点计算方法，选取斜直线上的一个点的原坐标值通过公式X^/＝Xcosθ+Ysinθ及Y^/＝Ycosθ-Xsinθ计算，即得到门槛值数据。

根据一个优选的实施方式，，所述步骤S2中对关于模型道权重系数计算的属性数据体进行重构赋值后得到模型道权重系数数据体，具体包括：

利用相关联的地震属性数据及目的层位数据进行地震相波形分类，得到对应于各自模型道的波形分类平面数据；

对各模型道设定不同的模型道权重系数数据值，权重系数一般设为常数值；

对波形分类平面上的各个模型道对应的区域内的各个CDP的每个采样值经重构赋值到相对应的设定模型道权重系数，从而得到一个模型道权重系数体。

根据一个优选的实施方式，，所述步骤S3中利用降维数据体及门槛值实施数据重构处理，得到储层重构数据体，具体包括：

根据新坐标系中斜直线与交会图中储层与非储层数据分布关系和门槛值实施数据重构，得到储层重构数据体，其中，相关数据重构赋值具体方式如下：

若设定小于门槛值的为储层数据，则数据重构原则如下：若降维数据体的第i个CDP点道集上的第k个采样点的数据值为

当

时，J_m为该降维数据体的门槛值，此时设定

当

时，此时设定

若设定大于或等于门槛值的为储层数据，则数据重构原则如下：若降维数据体的第i个CDP点道集上的第k个采样点的数据值为

当

时，J_m为该降维数据体的门槛值，此时设定

当

时，此时设定

根据一个优选的实施方式，，所述步骤S3中对模型道权重系数数据体进行关于储层品质系数数据体的计算得到储层品质系数数据体，具体包括：

有两种以上的地震属性数据经相关的波形分类、模型道的权重系数赋值及重构后得到的模型道权重系数数据体，则其储层品质系数体的计算方法如下：

乘积法，将各个模型道权重系数数据体进行相乘，得到储层品质系数体，相关计算公式如下：

N_i＝k₁*k₂*...*k_i

式中，N_i为储层品质系数体中某个CDP点的第i个采样点的储层品质系数数据值，k₁为第一类属性数据体的该采样点上的模型道权重系数值，k₂为第二类属性数据体在该采样点上的模型道权重系数值，k_i为第i类属性数据体的该采样点上的模型道权重系数值；

平均法，将各个模型道权重系数数据体进行相加后取平均值，得到储层品质系数体，相关计算公式如下：

式中，N_i为储层品质系数体中某个CDP点的第i个采样点的储层品质系数数据值，k_i为第i类属性数据体的该采样点上的模型道权重系数值，t为参与计算的模型道权重系数数据体的个数，1≤t。

根据一个优选的实施方式，所述步骤S4具体包括：

利用储层品质系数体及储层重构数据体进行数据重构处理，得到用于储层预测的一个储层品质数据体；

其中，储层品质数据体中目的层段的采样点数据重构的计算公式如下：

式中A_i为储层品质数据体的某个采样点数据值，N_i为该采样点对应的储层品质系数体的数据值，

为降维后储层重构数据体的该采样点的数据值。

前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本发明可采用并要求保护的方案；且本发明，(各非冲突选择)选择之间以及和其他选择之间也可以自由组合。本领域技术人员在了解本发明方案后根据现有技术和公知常识可明了有多种组合，均为本发明所要保护的技术方案，在此不做穷举。

本发明的有益效果：通过计算与储层相关的两个第一属性数据体并进行归一化处理，这样所得到的第二属性数据体就能更好地进行交会分析；通过交会分析确定斜直线及相关的降维计算函数，利用计算函数、第二属性数据体进行降维处理得到降维数据体，并确定门槛值及储层、非储层的分布特征；利用降维数据体及门槛值、储层品质系数进行数据重构处理，得到的储层品质数据体更好地实施储层预测。通过对本发明的实施，明显提高了储层预测的精度，有效降低了勘探风险，可以大幅度提高储层的勘探经济效益。如在四川某盆地的陆相致密砂岩储层的预测及评价中，使用了本发明技术很好地预测优质砂岩储层的平面分布形态，从而为某一口水平井轨迹设计提供布井依据。该水平井在实钻中，在目的层段钻遇优质砂岩储层，与本发明技术的预测成果吻合率可达到87.8％，该水平井经测试获得高产工业气流。

附图说明

图1是本发明储层预测方法的流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

另外，本发明要指出的是，本发明中，如未特别写出具体涉及的结构、连接关系、位置关系、动力来源关系等，则本发明涉及的结构、连接关系、位置关系、动力来源关系等均为本领域技术人员在现有技术的基础上，可以不经过创造性劳动可以得知的。

参考图1所示，本发明公开了一种基于数据降维及重构的储层预测方法。本发明原理上利用不同属性数据体之间的函数关系对数据体之间进行归一化、数学转换得到降维数据体，并进行降维数据体的数据重构处理及计算储层品质系数体，并经再次的数据重构计算后得到的一个储层品质数据体，利用该储层品质数据体突出储层响应，提高对优质储层识别能力及预测精度。

本发明通过以下技术方案实现，具体步骤如下：

步骤1：计算与储层相关的二个第一属性数据体，进行归一化计算得到第二属性数据体，并计算关于模型道权重系数计算的属性数据体。

步骤2：对二个第二属性数据体进行降维处理得到降维数据体，并确定该降维数据体的门槛值，并对关于模型道权重系数计算的属性数据体进行重构赋值后得到模型道权重系数数据体。

步骤3：利用降维数据体及门槛值实施数据重构处理，得到储层重构数据体，并对模型道权重系数数据体进行关于储层品质系数数据体的计算，得到储层品质系数数据体；

步骤4：利用储层重构数据体及储层品质系数数据体进行相关计算，得到一个用于储层预测的储层品质数据体。

针对步骤1。计算与储层相关的二个第一属性数据体，进行归一化计算得到第二属性数据体，并计算关于模型道权重系数计算的属性数据体，包括以下步骤：

i、针对储层的孔隙度、裂缝、流体等物理类型利用地震资料及计算方法进行二个第一属性数据体计算。这二个第一属性数据可包括采用叠前或叠后的三维地震数据来进行反演或属性计算，要求第一属性数据体能有效地突出储层的响应，储层与非储层在数据值上差异较为明显。其中，孔隙度是指岩石中所有孔隙空间体积之和与该岩石体积的比值；裂缝是指岩石的一种重要储集空间，大体上呈线状或网状空间展布；流体是指储层所含的气、水、油等的总称。一般情况下，可以根据井数据的直方图统计及交会分析、对比，从相关多个数据体中优选出两个第一属性数据体。

ii、将这二个第一属性数据体进行归一化计算，得到二个第二属性数据体。归一化处理是将二个第一属性数据体采样点的数据值经归一化计算到n～m值域。归一化处理为一种无量纲处理手段，是使物理系统数值的绝对值变成某种相对值关系，归一化处理亦即是利用加、减、乘、除或它们之间的组合进行运算；

归一化处理具体为设样本数据为x_p(p＝1，2，…，P)，定义x_max＝max{x_p}，x_min＝min{x_p}，归一化处理计算将样本数据转化为n～m区间的数据，归一化处理计算公式如下：

式(1)中，x_p为归一化处理前的样本值，x_pi为归一化处理后的样本值，x_max＝max{x_p}，X_min＝min{x_p}，n及m为正整数，m＞n≥0。

一般情况下，经计算后，大多数情况下将归一化后的第二属性数据体的数据范围设定为0～1。归一化处理主要是对不同的属性数据使其在交会分析时减小误差，并利于进行后续处理。

iii、计算关于模型道权重系数计算的属性数据体。该步骤主要是针对储层的孔隙、裂缝及含气性等进行地震属性数据体的计算，从而得到用于模型道权重系数计算的属性数据体。

针对步骤2。对二个第二属性数据体进行降维处理得到降维数据体，并确定该降维数据体的门槛值，并对关于模型道权重系数计算的属性数据体进行重构赋值后得到模型道权重系数数据体，包括以下步骤：

i、对二个第二属性数据体进行降维处理及门槛值求取，其主要步骤如下：

(1)提取井点处两个第二属性数据体的曲线数据，并利用二维坐标系统进行交会得到交会图，从交会图中找到能够将储层及非储层数据点的分布区域划分开的斜直线。原则上，要求该斜直线能在交会图上可将大部分的储层与非储层数据点进行分开，要求所分开的储层及非储层数据点数目大于或等于整个交会数据点总数的85％；否则，则重新实施上述步骤1，计算相关的第二属性数据体并进行斜直线的确定。

(2)以该斜直线与横轴之间的夹角θ为旋转角度进行坐标旋转，将原坐标系转换为新坐标系。如新坐标系中的横轴与所属与所述斜直线平行，新坐标系中的纵轴与所述斜直线的法线方向平行；如新坐标系中的纵轴与所属与所述斜直线平行，新坐标系中的横轴与所述斜直线的法线方向平行。原坐标系转换为新坐标系是利用计算公式(2)和公式(3)实现的：

X^/＝Xcosθ+Ysinθ (2)

Y^/＝Ycosθ-Xsinθ (3)

式中X、Y为原坐标系中的横轴及纵轴坐标；X^/、Y^/为新坐标系中的横轴及纵轴坐标，θ为原坐标系中斜直线与横轴之间的夹角。

(3)利用函数公式(2)或(3)对两个第二属性数据体进行降维处理计算，得到降维数据体。当新坐标系中的所述斜直线平行于横坐标轴，则采用公式(3)进行降维处理；如新坐标系中的所述斜直线平行于纵坐标轴，则采用公式(2)进行降维处理。

(4)对储层与非储层进行分割的门槛值求取。其求取方法如下：

1)交点方法。利用斜直线在新坐标系中与纵坐标轴或横坐标轴相交上的交点数据，得到该降维数据体的门槛值。当新坐标系中的所述斜直线平行于横坐标轴，与纵坐标垂直，则采用与纵坐标的交点数据作为门槛值；如新坐标系中的所述斜直线平行于纵坐标轴，与横坐标轴垂直，则采用与横坐标的交点数据作为门槛值。

2)选点计算方法。选取所述斜直线上的一个点的原坐标值及公式(2)及(3)参与计算，即得到门槛值数据。具体计算方法如下：

①如斜直线在新坐标系中与纵坐标轴呈垂直状时，门槛值的计算公式为：

J_m＝Y_icosθ-X_isinθ (4)

公式(4)中J_m为降维数据的门槛值，X_i、Y_i为原坐标系中斜直线上某个i点的横轴及纵轴坐标，θ为原坐标系中斜直线与横轴之间的夹角。

②如斜直线在新坐标系中与横坐标轴呈垂直状时，门槛值的计算公式为：

J_m＝X_icosθ+Y_isinθ (5)

公式(5)中J_m为降维数据的门槛值，X_i、Y_i为原坐标系中斜直线上某个i点的横轴及纵轴坐标，θ为原坐标系中斜直线与横轴之间的夹角。

多种属性降维处理主要是对优选的属性数据进行两两交会分析，通过两种属性之间的函数关系将两种属性综合为一个属性数据，降维后的新属性为降维前两属性的函数，以此类推，可达到将多种属性最终综合为一个属性的目的。该属性结合多种属性的对储层识别能力，可以区分出不同的储层类型——对应于不同的降维数据体或一个降维数据体。

ii、利用新坐标系中的斜直线所确定的门槛值及储层与非储层数据的分布区域，确定储层数据是否大于或小于门槛值。原则上，一般要求斜直线划分后的储层数据大于门槛值。

优选地，利用相关的降维计算方法在进行储层与非储层的斜直线划分、门槛值等计算后，也可以根据上述步骤及方法，对储层中的不同类型储层进行划分。在实际操作中，可以利用关于储层与非储层降维计算后的属性数据，再与其它属性数据体进行降维计算得到再次降维计算的地震属性数据体，从而可以实现对储层中的不同类型储层进行分类。

iii、对关于模型道权重系数计算的属性数据体进行数据重构赋值后得到模型道权重系数数据体。

一般情况下，设定不同的模型道权重系数，进行相对应的采样点重构赋值后得到模型道权重系数数据体。

一般情况下，具体操作为利用相关的地震属性数据及目的层位数据开固定时窗进行地震相波形分类，得到不同的对应于各自模型道的波形分类平面数据。对不同的模型道设定不同的模型道权重系数数据值，权重系数一般设为常数值；有利储层对应的模型道的权重系数数值一般设定相对较大，而不利储层或致密储层对应的模型道的权重系数值一般设定相对较小。对波形分类平面上的各个模型道对应的区域内的各个CDP的每个采样值经重构赋值到相对应的设定模型道权重系数，从而得到一个模型道权重系数体。

原则上，所设定一个模型道对应于一个设定的模型权重系数数据值，不同的模型道对应于不同权重系数数据值。一般情况下，不同的权重系数的取值范围为[0，1]之间的数值，也可以设定为某一值域范围的正整数值。原则上，可以根据专家经验、实际赋值需要及预测精度及井资料等决定每一个模型道的权重系数的取值。

一般情况下，波形分类的固定时窗应该包含一个地震反射波形的长度，具体可以根据专家经验、沉积相及井资料等情况决定；波形分类数目应该是实际沉积相数目的1.5到3倍之间，也可以根据实际情况、专家经验等确定波形分类数目及时窗长度。另外，针对非储层或储层不发育的模型道(井上关于目的层段的储层分析结果得到)，均将其权重系数值设定为零值。

优选地，对同一种地震属性数据体的波形分类来说，可以建立模型道(或典型波形)与权重系数赋值表格，利用赋值表格中设定的不同模型道与权重系数的对应关系，根据各个CDP点所划分的相关模型道对目的层段的各个采样点实施统一权重系数赋值，从而生成一个模型道权重系数数据体。

优选地，波形地震相分析技术原理是利用地震道波形特征对某一层间内地震数据道进行逐道对比，细致刻画地震信号的横向变化，从而得到地震异常体平面分布规律。其技术方法是基于神经网络技术，神经网络技术是在地震反射层段内对地震道进行训练，通过多次迭代之后，构造合成地震道，然后与实际地震数据进行对比，再通过自适应试验和误差处理，合成道在每次迭代后被改变，在模型道和实际地震道之间寻找更好的相关性。其特点是在某一目的层段内估算地震信号的可变性，利用神经网络算法对地震道波形进行分类，并把这种分类形成离散的“地震相”，再根据“拟合度”准则对实际地震道进行对比、分类，细致刻画出地震信号的横向变化，得出地震波形分类平面分布图。在实际波形地震相分析中，所设定的时窗大小、分类数目及迭代次数应视实际研究区决定。一般情况下，实际处理中波形分类的时窗大小应为100-120ms，分类数为9-12类，迭代次数为20-30次即可。

优选地，属性数据的波形分类所输入的数据体可以为叠后地震数据体或与相关的储层预测的属性数据体。与储层相关的属性数据体是指利用叠前/叠后地震数据经相关的反演或属性计算所得到的属性数据体，或者它们之间的加权融合数据体。

优选地，如果有多种属性数据体进行波形分类及模型道权重系数的计算，可以依据相关波形分类结果、井上的储层发育情况、专家经验等，从而对不同种类的属性数据体的目的层段的每个模型道(分类数决定模型道数目)分别设定不同的权重系数。并参与后续的关于储层品质系数数据体的计算。如在某勘探区中，针对储层的孔隙、裂缝、含气性等方面进行相关地震属性计算，得到相关的地震属性数据体，并根据沉积相的划分需要计算叠后地震数据体；再根据各个井上孔隙度、裂缝强度及含气性(测试情况)、沉积相分析等，结合相关的地震属性数据目的层段的波形分类结果及专家经验等，分别进行上述相关的地震属性目的层段的模型道权重系数赋值及数据重构处理，得到对应的模型道权重系数数据体。其中，本发明示例为针对储层的裂缝强度所实施的波形分类，则必须根据各个分类波形内相关井上的目的层段的综合裂缝强度发育情况，比较各个波形内井上的裂缝发育强度的大小后再实施对不同的模型道内的各个CDP点目的层各个采样点进行模型道权重系数赋值。赋值的原则为如果裂缝强度越大，则其权重系数值越大；反之，则权重系数值越小，甚至为0值。依此重构赋值方法，可以实施针对储层的孔隙、含气性等方面的权重系数赋值，并得到相关的模型道权重系数数据体。

针对步骤3，利用降维数据体及门槛值实施数据重构处理，得到储层重构数据体，并对模型道权重系数数据体进行储层品质系数数据体的计算，得到储层品质系数数据体，包括以下步骤：

i、根据新坐标系中所述斜直线与交会图中储层与非储层数据分布关系、门槛值实施数据重构，得到储层重构数据体。若采样点的数据值落在储层范围内(斜直线分割控制)，则保留该数据值；若采样点的数据值在非储层范围内(斜直线分割控制)，则将该采样点的的数据值赋值为零。其中，相关数据重构赋值具体方式如下：

(1)若设定小于门槛值的为储层数据，则数据重构原则如下：

①、若降维数据体的第i个CDP点道集上的第k个采样点的数据值为

假设当

时，J_m为该降维数据体的门槛值，此时设定

②、假设当

时，此时设定

(2)若设定大于或等于门槛值的为储层数据，则数据重构原则如下：

①、若降维数据体的第i个CDP点道集上的第k个采样点的数据值为

假设当

时，J_m为该降维数据体的门槛值，此时设定

②、假设当

时，此时设定

ii、利用相关的模型道权重系数数据体进行储层品质系数数据体的计算，得到储层品质系数数据体。如果有两种以上的地震属性数据经相关的波形分类、模型道的权重系数赋值及重构后得到的模型道权重系数数据体，则其储层品质系数体的计算方法如下：

①、乘积法。该方法就是将各个模型道权重系数数据体进行相乘，得到储层品质系数体，相关计算公式如下：

N_i＝k₁*k₂*...*k_i (6)

公式(6)中，N_i为储层品质系数体中某个CDP点的第i个采样点的储层品质系数数据值，k₁为第一类属性数据体的该采样点上的模型道权重系数值，k₂为第二类属性数据体在该采样点上的模型道权重系数值，k_i为第i类属性数据体的该采样点上的模型道权重系数值。

②、平均法。该方法就是将各个模型道权重系数数据体进行相加后取平均值，得到储层品质系数体，相关计算公式如下：

公式(7)中，N_i为储层品质系数体中某个CDP点的第i个采样点的储层品质系数数据值，k_i为第i类属性数据体的该采样点上的模型道权重系数值，t为参与计算的模型道权重系数数据体的个数，1≤t。

上述两种关于储层品质系数体的计算公式，可以根据实际情况、专家经验等进行选取，并将其用于后续的储层品质系数体的计算。本发明只是示例性地列出了储层品质系数体的计算公式，也可以包括基于上述计算公式的原理，产生出其它变形或改进的计算公式(所取得的效果相同)，具体计算方法在本发明不再详细阐述。

优选地，如果只有一个模型道权重系数数据体，则其就为参与后续计算的储层品质系数数据体。

其中，利用储层重构数据体及储层品质系数数据体进行相关计算，得到一个用于储层预测的储层品质数据体，包括以下步骤：

在本步骤中主要利用储层品质系数体及储层重构数据体进行数据重构处理，得到用于储层预测的一个储层品质数据体。其中，储层品质数据体中目的层段的采样点数据重构的计算公式如下：

公式(8)中A_i为储层品质数据体的某个采样点数据值，N_i为该采样点对应的储层品质系数体的数据值，

为降维后储层重构数据体的该采样点的数据值。

优选地，储层品质数据体的数据值越大，则储层的品质越好(优质储层)；反之，则储层为差储层，主要表现为储层不发育或储层品质相对较差。在实际操作中，可以对储层品质数据体进行沿层属性的计算，从而对储层在平面上的分布进行预测及评价。

本发明实例为：

根据本次发明技术流程(图1)，制定工作步骤，实例是对四川盆地某三维工区的陆相致密砂岩(目的层段)进行储层预测及评价，并为水平井轨迹设计提供相关依据。

在步骤1中根据研究区陆相砂岩储层段的技术特点、计算机及硬盘的情况，针对研究区砂岩储层孔隙及裂缝等特点及有利沉积相分析成果，利用叠前道集数据及叠后地震数据、测井数据等计算及提取了各向异性数据体、相干数据体、泊松比体、叠后波阻抗数据等四个数据体，并根据井上储层段与非储层段的直方图数据分析，从四个数据体中优选各向异性数据体及泊松比数据体作为第一属性数据参与后续处理；另外的两个属性数据体及叠后地震数据体参与储层品质系数数据体的计算。在实际操作中，将各向异性数据体及泊松比数据体等这两个第一属性数据体采样点上的数据值进行归一化处理，使两个数据体的值域均变为0～1之间，得到两个第二属性数据体。

在步骤2中利用研究区内已有的11口钻井，并根据测井资料所得到的陆相砂岩目的层段的储层段及非储层段的深度数据，利用相关的井-震标定结果所得到的时深关系进行关于井中储层段及非储层段的第二地震属性曲线数据由时间域到深度域的转换、重采样处理后，确定了储层段及非储层段所对应的两个第二属性数据值；对相关地震属性进行二维坐标系的投影后，再进行关于两个属性数据降维处理函数公式的求取及储层门槛值确定。在实际操作中，利用各个井的目的层段的第二属性曲线数据进行关于二维坐标数据对的交会投影并对储层及非储层的交会数据点进行颜色显示，并根据储层与非储层的分布区域确定二维坐标系统中对储层及非储层分布区域进行分割的斜直线位置。实例中在二维坐标系统中对储层及非储层进行分割的斜直线进行确定，使该斜直线能在交会图上可将大部分的储层与非储层数据点(实际操作显示所能划分的储层及非储层数据点数目大于或等于整个交会数据点总数的89％，符合对斜直线确定的相关要求)进行划分，确定斜直线与横轴的夹角为27°，并使用第二属性数据体、降维函数公式进行降维处理，降维函数公式为L＝Kcos27°-Psin27°，(式中L为降维数据体，K为第二属性数据体中的各向异性数据体数据体，P为第二属性数据体中的泊松比数据体)，经计算转换后得到降维数据体。另外，斜直线在新坐标系中的交点的纵坐标值为0.131，则将该数据值设定为门槛值，从新坐标系交会图中也能看到小于或等于该值的为储层数据；而大于该值的为非储层数据。

在步骤3中利用降维数据体及门槛值、模型道权重系数进行数据重构计算，得到储层重构数据体及储层品质系数数据体。实例中对降维数据体中每道的采样点进行数据赋值重构，当采样点数据值大于0.131的则赋值为0；而小于或等于0.131的数据值则设定为原值，从而得到一个降维后储层重构数据体。另外，在实际计算中对研究区利用叠后地震数据体、相干数据体及叠后波阻抗数据进行目的层段的地震相波形分类，对三者分别设计9个模型道、7个模型道、12个模型道，所设定的计算时窗均为120ms、迭代次数为25次，经计算后得到三种属性数据各自的目的层段的波形分类平面图，并分别进行关于各自的各个模型道的各个CDP点的目的层段的采样点的模型道权重系数值后，再依据平均法的计算公式进行储层品质系数数据值的计算，从而得到一个储层品质系数体。另外，在关于储层品质系数体的实际操作中，主要根据井上的砂岩储层分布情况、沉积相分析结果，分别对三种属性数据体的相关模型道所对应的平面上的各个CDP点目的层段的各个采样点实施模型道权重系数赋值及重构处理。其中，对于叠后地震数据体的模型道权重系数的赋值情况为①类模型道对应的模型道权重系数为0.5；②类模型道对应的模型道权重系数为0.8；③类模型道对应的模型道权重系数为0.7；④类模型道对应的模型道权重系数为0.9；⑤类模型道对应的模型道权重系数为0.6；⑥类模型道对应的模型道权重系数为0.4；⑦类模型道对应的模型道权重系数为0.3；⑧类模型道对应的模型道权重系数为0.1；⑨类模型道对应的模型道权重系数为0；依此类推，完成后两者模型道权重系数数据体的赋值。

在步骤4中利用降维后储层重构数据体及储层品质系数体对各个采样点再次进行数据重构计算，得到一个储层品质数据体。对该数据体提取过井的数据剖面或沿目的层的品质属性分析，并经该研究区后续相关钻井资料验证，吻合率可以达到84.6％。

利用本发明技术所预测的砂岩储层分布状态(特别是针对河道砂岩)，由于在数据中剔除非储层因素的影响，使其更能突出砂岩优质储层的响应，利于对储层的分布状态进行分析，优于常规储层预测技术所取得的成果。

前述本发明基本例及其各进一步选择例可以自由组合以形成多个实施例，均为本发明可采用并要求保护的实施例。本发明方案中，各选择例，与其他任何基本例和选择例都可以进行任意组合。本领域技术人员可知有众多组合。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于数据降维及重构的储层预测方法，其特征在于，所述储层预测方法包括如下步骤：

S1：计算与储层相关的两个第一属性数据体，并进行归一化处理得到两个第二属性数据体，并计算关于模型道权重系数计算的属性数据体；

S2：对两个第二属性数据体进行降维处理得到降维数据体，并确定该降维数据体的门槛值，并对关于模型道权重系数计算的属性数据体进行重构赋值后得到模型道权重系数数据体；

步骤S2中对两个第二属性数据体进行降维处理，具体包括：

提取井点处两个第二属性数据体的曲线数据，并利用二维坐标系统进行交会得到交会图，从交会图中找到能够将储层及非储层数据点的分布区域划分开的斜直线；

以该斜直线与横轴之间的夹角θ为旋转角度进行坐标旋转，将原坐标系转换为新坐标系，其中，原坐标系转换为新坐标系利用如下计算公式实现的：

X^/＝Xcosθ+Ysinθ

Y^/＝Ycosθ-Xsinθ

式中X、Y为原坐标系中的横轴及纵轴坐标；X^/、Y^/为新坐标系中的横轴及纵轴坐标，θ为原坐标系中斜直线与横轴之间的夹角；

利用函数公式X^/＝Xcosθ+Ysinθ或Y^/＝Ycosθ-Xsinθ对两个第二属性数据体进行降维处理计算，得到降维数据体；

若新坐标系中的横轴与所述斜直线平行，新坐标系中的纵轴与所述斜直线的法线方向平行；如新坐标系中的纵轴与所述斜直线平行，新坐标系中的横轴与所述斜直线的法线方向平行；

且，当新坐标系中的所述斜直线平行于横坐标轴，则采用公式Y^/＝Ycosθ-Xsinθ进行降维处理；如新坐标系中的所述斜直线平行于纵坐标轴，则采用公式X^/＝Xcosθ+Ysinθ进行降维处理；

步骤S2中确定降维数据体的门槛值的方法包括：

交点方法，利用斜直线在新坐标系中与纵坐标轴或横坐标轴相交上的交点数据，得到该降维数据体的门槛值；和

选点计算方法，选取斜直线上的一个点的原坐标值通过公式X^/＝Xcosθ+Ysinθ及Y^/＝Ycosθ-Xsinθ计算，即得到门槛值数据；

所述步骤S2中对关于模型道权重系数计算的属性数据体进行重构赋值后得到模型道权重系数数据体，具体包括：

利用相关联的地震属性数据及目的层位数据进行地震相波形分类，得到对应于各自模型道的波形分类平面数据；

对各模型道设定不同的模型道权重系数数据值，权重系数一般设为常数值；

对波形分类平面上的各个模型道对应的区域内的各个CDP的每个采样值经重构赋值到相对应的设定模型道权重系数，从而得到一个模型道权重系数体；

S3：利用降维数据体及门槛值进行数据重构处理，得到储层重构数据体，并对模型道权重系数数据体进行关于储层品质系数数据体的计算，得到储层品质系数数据体；

所述步骤S3中利用降维数据体及门槛值实施数据重构处理，得到储层重构数据体，具体包括：

根据新坐标系中斜直线与交会图中储层与非储层数据分布关系和门槛值实施数据重构，得到储层重构数据体，其中，相关数据重构赋值具体方式如下：

若设定小于门槛值的为储层数据，则数据重构原则如下：若降维数据体的第i个CDP点道集上的第k个采样点的数据值为

当

时，J_m为该降维数据体的门槛值，此时设定

当

时，此时设定

若设定大于或等于门槛值的为储层数据，则数据重构原则如下：若降维数据体的第i个CDP点道集上的第k个采样点的数据值为

当

时，J_m为该降维数据体的门槛值，此时设定

当

时，此时设定

所述步骤S3中对模型道权重系数数据体进行关于储层品质系数数据体的计算得到储层品质系数数据体，具体包括：

有两种以上的地震属性数据经相关的波形分类、模型道的权重系数赋值及重构后得到的模型道权重系数数据体，则其储层品质系数体的计算方法如下：

乘积法，将各个模型道权重系数数据体进行相乘，得到储层品质系数体，相关计算公式如下：

N_i＝k₁*k₂*...*k_i

式中，N_i为储层品质系数体中某个CDP点的第i个采样点的储层品质系数数据值，k₁为第一类属性数据体的该采样点上的模型道权重系数值，k₂为第二类属性数据体在该采样点上的模型道权重系数值，k_i为第i类属性数据体的该采样点上的模型道权重系数值；

平均法，将各个模型道权重系数数据体进行相加后取平均值，得到储层品质系数体，相关计算公式如下：

式中，N_i为储层品质系数体中某个CDP点的第i个采样点的储层品质系数数据值，k_i为第i类属性数据体的该采样点上的模型道权重系数值，t为参与计算的模型道权重系数数据体的个数，1≤t；

S4：利用储层重构数据体及储层品质系数数据体进行相关计算，得到一个用于储层预测的储层品质数据体。

2.如权利要求1所述的基于数据降维及重构的储层预测方法，其特征在于，所述步骤S1具体包括：

S11：针对储层的孔隙度、裂缝、流体，利用地震资料进行两个第一属性数据体计算，且所述两个第一属性数据体的计算包括采用叠前或叠后的三维地震数据来进行反演或属性计算；

S12：将获得的两个第一属性数据体进行归一化处理，得到两个第二属性数据体；

S13：计算关于模型道权重系数计算的属性数据体。

3.如权利要求2所述的基于数据降维及重构的储层预测方法，其特征在于，所述步骤S12中的归一化处理是将二个第一属性数据体采样点的数据值经归一化计算到n～m值域，具体包括：

归一化处理中，设样本数据为x_p,定义x_max＝max{x_p}，x_min＝min{x_p}，归一化处理计算将样本数据转化为n～m区间的数据，归一化处理计算公式如下：

式中，x_p为归一化处理前的样本值，x_pi为归一化处理后的样本值，x_max＝max{x_p}，x_min＝min{x_p}，n及m为正整数，m>n≥0。

4.如权利要求1所述的基于数据降维及重构的储层预测方法，其特征在于，所述步骤S4具体包括：

利用储层品质系数体及储层重构数据体进行数据重构处理，得到用于储层预测的一个储层品质数据体；

其中，储层品质数据体中目的层段的采样点数据重构的计算公式如下：

式中A_i为储层品质数据体的某个采样点数据值，N_i为储层品质系数体中某个CDP点的第i个采样点的储层品质系数数据值，

为降维数据体的第i个CDP点道集上的第k个采样点的数据值。

Images