CN112578475A - 基于数据挖掘的致密储层双甜点识别方法 - Google Patents

Abstract

本发明涉及一种基于数据挖掘的致密储层双甜点识别方法，包括如下步骤：1)地震数据的整理；2)致密储层甜点测井曲线的整理；3)测井曲线交会分析：4)甜点识别训练样本集构建；5)地震层位数据的排列和插值：6)全局和局部连接网络的建立；7)全局和局部连接网络的融合。本发明建立了一种可以高效、准确进行致密储层甜点识别的技术。

Description

基于数据挖掘的致密储层双甜点识别方法

技术领域

本发明涉及油气资源勘探技术领域，具体是关于一种基于数据挖掘的致密储层双甜点识别方法。

背景技术

致密储层具有储层薄、低孔渗、横向非均质性强等特点，此类非常规储层甜点识别是勘探工作所遇到的核心和难点问题。现有的储层反演等技术在解决此类问题时，主要依靠人工从属性数据体中寻找规律并确定甜点的最大可能区域。目前主要应用的方法如下：

(1)叠前反演方法，该方法通过反演地层纵横波速度，并利用岩石物理方法确定甜点与纵横波速度的相关关系，来间接识别甜点的分布。但叠前反演往往分辨率低、信噪比低，很难满足甜点精细表征的需要。而且目前致密储层甜点(包括地层的物性、脆性)与地震数据(包括叠前数据)并无明确的因果关系，导致甜点识别结果准确率低。

(2)地震属性的方法，利用地震属性提取多种地震属性，通过交会分析、主成分分析等确定对甜点敏感的地震属性集，利用该地震属性集综合分析来确定甜点的分布。该方法存在人为主观性强、不同地震属性容易冲突等问题，因而使用效率较低。

事实上，地震波场中隐含有地层的影响，但由于地层参数与地震波之间复杂的响应机制，目前还没有系统的理论来描述致密储层甜点与地震响应之间的因果关系，尚未建立确定的正演模型。而深度学习能够从数据本身挖掘有效信息，不需要确定的正演模型便可以建立预测模型。然而利用深度学习进行致密储层甜点识别，存在地震数据多，井数据少且空间分布不规则、地震数据和井数据不存在一一对应关系等困难，流行的深度学习模型(CNN\RNN)无法直接应用于井震联合致密储层甜点的识别。

发明内容

针对上述问题，本发明的目的是提供一种基于数据挖掘的致密储层双甜点识别方法，以建立一种可以高效、准确进行致密储层甜点识别的技术。

为实现上述目的，本发明采取以下技术方案：

本发明所述的基于数据挖掘的致密储层双甜点识别方法，包括如下步骤：

1)地震数据的整理：

致密储层的地震异常响应弱，需要搜集高精度、高质量的叠后地震数据，并进行去噪和针对目标层段的弱信号增强处理；

2)致密储层甜点测井曲线的整理：

搜集孔隙度和伽马测井曲线，并进行孔隙度和伽马测井曲线的多井标准化和去异常值处理，并通过计算脆性矿物组分构建脆性指数曲线；

3)测井曲线交会分析：

对步骤2)处理后的孔隙度和伽马测井曲线进行随机抽样，然后进行交会分析确定两者的相关关系；

4)甜点识别训练样本集构建；

5)地震层位数据的排列和插值：

在三维空间内，将地球物理勘探中获取的三维地震层位数据按照由深到浅的顺序进行空间排列，并以目标要求的时间间隔进行层位信息插值，得到时间域三维地层格架信息；

6)全局和局部连接网络的建立：

建立全局连接的网络作为深度学习网络的支网一，同时建立局部连接的网络作为深度学习网络的支网二；

7)全局和局部连接网络的融合：

将步骤6)中的支网一和支网二的运算结果以求和的形式作为总网络的输出。

所述的致密储层双甜点识别方法，优选地，所述步骤4)中甜点识别训练样本集构建的方法包括如下步骤：

4.1)以步骤2)中伽马测井曲线为约束条件，并设置伽马测井曲线值为阈值；

4.2)以步骤3)中相关关系为负相关为例，高于阈值的目标段对应孔隙度设为背景值，低于阈值的目标段对应孔隙度保留原值作为孔隙度有效值；

4.3)分析步骤4.2)中孔隙度有效值与背景值的比例，调整阈值大小：

当有效值比例明显高于背景值时，将阈值增大；有效值比例明显低于背景值时，将阈值减小；重复步骤4.1)-4.3)，直到孔隙度有效值与背景值比例大致相等，将修改后的孔隙度曲线保存；

4.4)利用修改后的孔隙度曲线和叠后地震数据构建致密储层地质甜点识别训练样本集；同时利用步骤2)中脆性指数曲线和叠后地震数据构建致密储层工程甜点识别训练样本集。

所述的致密储层双甜点识别方法，优选地，所述步骤6)中的所述支网一不同层之间满足公式(1)的运算关系：

Y_i+1＝W_i·Y_i (1)

式中，Y_i表示第i层的输入；W_i表示第i层到第i+1层的连接权重矩阵；|·|表示点乘运算符；

所述支网二不同层之间满足公式(2)的运算关系：

式中，X_j表示第j层的输入；

表示第j层到第j+1层的第m个连接权重矩阵；|*|表示卷积运算符。

所述的致密储层双甜点识别方法，优选地，在所述步骤7)后还包括如下步骤：

8)混合深度学习网络的训练：

8.1)将步骤5)中的时间域三维地层格架信息输入支网一，将步骤4)中致密储层地质甜点识别训练样本集中的叠后地震记录输入支网二，按步骤6)和7)进行计算，以步骤4)中致密储层地质甜点识别训练样本集中的孔隙度曲线为目标期望值进行训练，得到地质甜点预测模型；

8.2)将步骤5)中的时间域三维地层格架信息输入支网一，将步骤4)中致密储层工程甜点识别训练样本集中的叠后地震记录输入支网二，按步骤6)和7)进行计算，以步骤4)中致密储层工程甜点识别训练样本集的脆性指数曲线为目标期望值进行训练，得到工程甜点预测模型。

所述的致密储层双甜点识别方法，优选地，在所述步骤8)后还包括如下步骤：

9)致密储层双甜点识别：

9.1)将地球物理勘探中获取的三维地震层位数据输入到地质甜点预测模型，得到致密储层地质甜点数据；

9.2)将地球物理勘探中获取的三维地震层位数据输入到工程甜点预测模型，得到致密储层工程甜点数据；

9.3)将地质甜点数据和工程甜点数据进行综合分析，得到致密储层双甜点信息。

本发明由于采取以上技术方案，其具有以下优点：

(1)目前常用的反演方法大多基于确定的正演模型，可以得到的储层参数种类有限。本发明利用深度学习模型强大的自我学习能力，从地震数据和测井数据本身，挖掘有效信息进行致密储层甜点识别,可以用多种参数综合描述甜点。

(2)目前流行的深度学习模型直接应用于井震联合致密储层甜点识别时，面临样本数量不足问题。本发明利用全局和局部连接混合的深度学习网络结构，将地层格架信息作为先验约束加入到学习过程中，有效解决样本不足问题。

(3)目前同类的利用深度学习解决甜点识别的方法，往往忽视了样本不对称的问题，造成网络学习出现结果偏差。本发明建立了岩性遮挡的深度学习训练样本集构建方法，利用岩性曲线来约束样本集中有效值与背景值的比例，使样本集中不同属性样本更加均衡。

附图说明

图1为基于数据挖掘的致密储层双甜点识别流程图；

图2为全局和局部连接混合的深度学习网络结构示意图；

图3为基于数据挖掘的致密储层地质甜点识别剖面对比图；

图4为基于数据挖掘的致密储层工程甜点识别剖面对比图；

图5为致密储层地质-工程双甜点识别平面图。

具体实施方式

以下将结合附图对本发明的较佳实施例进行详细说明，以便更清楚理解本发明的目的、特点和优点。应理解的是，附图所示的实施例并不是对本发明范围的限制，而只是为了说明本发明技术方案的实质精神。

如图1所示，本发明提供的基于数据挖掘的致密储层双甜点识别方法，包括如下步骤：

1)地震数据的整理：

致密储层的地震异常响应弱，需要搜集高精度、高质量的叠后地震数据，并进行去噪和针对目标层段的弱信号增强处理。

2)致密储层甜点测井曲线的整理：

搜集孔隙度和伽马测井曲线，并进行孔隙度和伽马测井曲线的多井标准化和去异常值处理，并通过计算脆性矿物组分构建脆性指数曲线。

3)测井曲线交会分析：

对步骤2)处理后的孔隙度和伽马测井曲线进行随机抽样，然后进行交会分析确定两者的相关关系。

4)甜点识别训练样本集构建：

4.1)以步骤2)中伽马测井曲线为约束条件，并设置伽马测井曲线值为阈值；

4.2)以步骤3)中相关关系为负相关为例，高于阈值的目标段对应孔隙度设为背景值，低于阈值的目标段对应孔隙度保留原值作为有孔隙度效值；

4.3)分析步骤4.2)中孔隙度有效值与背景值的比例，调整阈值大小：

当有效值比例明显高于背景值时，将阈值增大；有效值比例明显低于背景值时，将阈值减小；重复步骤4.1)-4.3)，直到孔隙度有效值与背景值比例大致相等，将修改后的孔隙度曲线保存；

4.4)利用修改后的孔隙度曲线和叠后地震数据构建致密储层地质甜点识别训练样本集，同时利用步骤2)中脆性指数曲线和叠后地震数据构建致密储层工程甜点识别训练样本集。

5)地震层位数据的排列和插值：

在三维空间内，将地球物理勘探中获取的地震层位数据按照由深到浅的顺序进行空间排列，并以目标要求的时间间隔进行层位信息插值，得到时间域三维地层格架信息。

6)全局和局部连接网络的建立：

建立全局连接的网络作为深度学习网络的支网一，同时建立局部连接的网络作为深度学习网络的支网二：

其中，支网一不同层之间满足公式(1)的运算关系：

Y_i+1＝W_i·Y_i (1)

式中，Y_i表示第i层的输入；W_i表示第i层到第i+1层的连接权重矩阵；|·|表示点乘运算符；

支网二不同层之间满足公式(2)的运算关系：

式中，X_j表示第j层的输入；

表示第j层到第j+1层的第m个连接权重矩阵；|*|表示卷积运算符。

7)全局和局部连接网络的融合：

将步骤6)中的支网一和支网二的运算结果以求和的形式作为总网络的输出。

8)混合深度学习网络的训练：

8.1)将步骤5)中的时间域三维地层格架信息输入支网一，将步骤4)中致密储层地质甜点识别训练样本集中的叠后地震记录输入支网二，按步骤6)和7)进行计算，以步骤4)中致密储层地质甜点识别训练样本集中的孔隙度曲线为目标期望值进行训练，得到地质甜点预测模型；

8.2)将步骤5)中的时间域三维地层格架信息输入支网一，将步骤4)中致密储层工程甜点识别训练样本集中的叠后地震记录输入支网二，按步骤6)和7)进行计算，以步骤4)中致密储层工程甜点识别训练样本集的脆性指数曲线为目标期望值进行训练，得到工程甜点预测模型。

9)致密储层双甜点识别：

9.1)将地球物理勘探中获取的三维地震层位数据输入到地质甜点预测模型，得到致密储层地质甜点数据；

9.2)将地球物理勘探中获取的三维地震层位数据输入到工程甜点预测模型，得到致密储层工程甜点数据；

9.3)将地质甜点数据和工程甜点数据进行综合分析，得到致密储层双甜点信息。

图2为全局和局部连接混合的深度学习网络结构示意图，如图2所示，将三维地层格架信息以全局连接的方式作为先验信息约束加入到网络中。地震数据以另一个支网的形式，采用局部连接挖掘有效信息。最终以累加求和的方法在主网将信息合并，实现甜点信息数据挖掘。

图3是基于数据挖掘的致密储层地质甜点识别剖面对比图。图中，地质甜点识别的剖面分辨率明显高于地震的分辨率。地质甜点识别剖面中深色代表高孔隙甜点区域，图中地质甜点纵向叠置清晰，实现了薄层的精细刻画，大大提高了地质甜点识别的分辨率。而且地质甜点识别结果与测井信息很好地对应，证明了地质甜点识别的可靠性。

图4是基于数据挖掘的致密储层工程甜点识别剖面对比图。其中工程甜点识别剖面图中的测井曲线为脆性指数曲线。从图中可以看出工程甜点识别的剖面分辨率明显高于地震的分辨率，深色区域为高脆性区域，是工程甜点区，开发有利区。

图5是致密储层地质-工程双甜点识别平面图。图中综合考虑了地质甜点与工程甜点，取地质甜点和工程甜点的交集，浅色区域为双甜点区域，是开发有利区。从图中反映的区域看双甜点区河道相带明显，条带清晰。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于数据挖掘的致密储层双甜点识别方法，其特征在于，包括如下步骤：

1)地震数据的整理：

致密储层的地震异常响应弱，需要搜集高精度、高质量的叠后地震数据，并进行去噪和针对目标层段的弱信号增强处理；

2)致密储层甜点测井曲线的整理：

搜集孔隙度和伽马测井曲线，并进行孔隙度和伽马测井曲线的多井标准化和去异常值处理，并通过计算脆性矿物组分构建脆性指数曲线；

3)测井曲线交会分析：

对步骤2)处理后的孔隙度和伽马测井曲线进行随机抽样，然后进行交会分析确定两者的相关关系；

4)甜点识别训练样本集构建；

5)地震层位数据的排列和插值：

在三维空间内，将地球物理勘探中获取的三维地震层位数据按照由深到浅的顺序进行空间排列，并以目标要求的时间间隔进行层位信息插值，得到时间域三维地层格架信息；

6)全局和局部连接网络的建立：

建立全局连接的网络作为深度学习网络的支网一，同时建立局部连接的网络作为深度学习网络的支网二；

7)全局和局部连接网络的融合：

将步骤6)中的支网一和支网二的运算结果以求和的形式作为总网络的输出。

2.根据权利要求1所述的致密储层双甜点识别方法，其特征在于，所述步骤4)中甜点识别训练样本集构建的方法包括如下步骤：

4.1)以步骤2)中伽马测井曲线为约束条件，并设置伽马测井曲线值为阈值；

4.2)以步骤3)中相关关系为负相关为例，高于阈值的目标段对应孔隙度设为背景值，低于阈值的目标段对应孔隙度保留原值作为孔隙度有效值；

4.3)分析步骤4.2)中孔隙度有效值与背景值的比例，调整阈值大小：

当有效值比例明显高于背景值时，将阈值增大；有效值比例明显低于背景值时，将阈值减小；重复步骤4.1)-4.3)，直到孔隙度有效值与背景值比例大致相等，将修改后的孔隙度曲线保存；

4.4)利用修改后的孔隙度曲线和叠后地震数据构建致密储层地质甜点识别训练样本集；同时利用步骤2)中脆性指数曲线和叠后地震数据构建致密储层工程甜点识别训练样本集。

3.根据权利要求2所述的致密储层双甜点识别方法，其特征在于，所述步骤6)中的所述支网一不同层之间满足公式(1)的运算关系：

Y_i+1＝W_i·Y_i (1)

式中，Y_i表示第i层的输入；W_i表示第i层到第i+1层的连接权重矩阵；|·|表示点乘运算符；

所述支网二不同层之间满足公式(2)的运算关系：

式中，X_j表示第j层的输入；

表示第j层到第j+1层的第m个连接权重矩阵；|*|表示卷积运算符。

4.根据权利要求3所述的致密储层双甜点识别方法，其特征在于，在所述步骤7)后还包括如下步骤：

8)混合深度学习网络的训练：

8.1)将步骤5)中的时间域三维地层格架信息输入支网一，将步骤4)中致密储层地质甜点识别训练样本集中的叠后地震记录输入支网二，按步骤6)和7)进行计算，以步骤4)中致密储层地质甜点识别训练样本集中的孔隙度曲线为目标期望值进行训练，得到地质甜点预测模型；

8.2)将步骤5)中的时间域三维地层格架信息输入支网一，将步骤4)中致密储层工程甜点识别训练样本集中的叠后地震记录输入支网二，按步骤6)和7)进行计算，以步骤4)中致密储层工程甜点识别训练样本集的脆性指数曲线为目标期望值进行训练，得到工程甜点预测模型。

5.根据权利要求4所述的致密储层双甜点识别方法，其特征在于，在所述步骤8)后还包括如下步骤：

9)致密储层双甜点识别：

9.1)将地球物理勘探中获取的三维地震层位数据输入到地质甜点预测模型，得到致密储层地质甜点数据；

9.2)将地球物理勘探中获取的三维地震层位数据输入到工程甜点预测模型，得到致密储层工程甜点数据；

9.3)将地质甜点数据和工程甜点数据进行综合分析，得到致密储层双甜点信息。

Images