CN113970787A - 物性参数反演方法、装置、计算机设备和存储介质 - Google Patents
物性参数反演方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113970787A CN113970787A CN202010713594.6A CN202010713594A CN113970787A CN 113970787 A CN113970787 A CN 113970787A CN 202010713594 A CN202010713594 A CN 202010713594A CN 113970787 A CN113970787 A CN 113970787A
- Authority
- CN
- China
- Prior art keywords
- physical property
- inversion
- parameters
- property parameter
- physical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
- G01V2210/6244—Porosity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
- G01V2210/632—Amplitude variation versus offset or angle of incidence [AVA, AVO, AVI]
Abstract
本发明提供一种物性参数反演方法、装置、计算机设备和存储介质,通过结合对数线性岩石物理模型和Gray近似公式的时间域连续方程,推导了基于物性参数表达的AVO近似公式,在此基础上,通过引入物性参数的先验分布、不等式约束以及等式约束等诸多约束项,构建物性参数反演的反演目标函数,最终通过有效集算法可以反演出高精度泥质含量、总孔隙度以及含水饱和度等物性参数。本申请在储层预测及流体识别方面具有较高的实用价值。
Description
技术领域
本发明涉及石油地震勘探数据处理技术领域,特别涉及一种基于对数线性岩石物理的物性参数反演方法、装置、计算机设备和存储介质。
背景技术
长期以来,叠前弹性参数反演一直作为地震储层预测与流体识别的核心方法之一,备受解释人员的青睐。然而,该方法在面临弹性参数组合无法有效区分岩性或流体时,就会显得力不从心。相比弹性参数,物性参数可以更加直观、有效地描述储层的性质,并且物性参数更具有明确的地质意义。相比叠前弹性参数反演,物性参数反演在理论和实际应用方面均起步较晚,并且技术相对不成熟。在工业界,常用的物性参数反演主要包括三种:
(1)弹性参数直接转换法:根据实测井曲线,拟合弹性参数与物性参数间的线性或者非线性关系,进而将弹性参数反演结果直接转化为物性参数。该方法是工业界中最稳定、最高效的物性参数反演方法;不足为:缺乏严格的理论支撑,具有明显的地区经验性,并不是一种普适的方法,其精度受限于弹性参数与物性参数之间的相关性。
(2)协模拟法(代表的商业软件:Jason的Statmod和Rockmod):根据实测井曲线,拟合弹性参数与物性参数的联合概率分布,将弹性参数反演结果作为协变量,将物性参数作为主变量,利用协模拟获取物性参数。该方法属于随机模拟范畴,相比第一种方法,通过引入地质统计学和随机模拟,可以获取较高的垂向分辨率;但是仍然受限于弹性参数与物性参数的相关性,并且缺乏地震数据的有效约束,其不确定性较大。
(3)机器学习法(代表的商业软件:HRS多属性反演模块):将井旁道地震属性或者弹性参数反演结果与物性参数曲线作为训练样本,利用监督类的机器学习算法(SVM、神经网络等)建立样本间之间非线性映射,再将此映射作用于非井旁道。利用机器学习可以建立物性参数与弹性参数间“异常精确”的非线性关系,但也容易出现过拟合的问题,即把样本数据中的噪音当作有效信号参与训练,造成预测精度下降;另外该方法的精度也跟训练样本的数量成正比。
以上是工业界最常用的三种物性参数反演方法,可以看出这些方法均不是基于岩石物理驱动,因此缺乏明确的物理意义和科学理论基础。
在学术界,物性参数反演通过结合统计岩石物理,建立物性参数与弹性参数的关系,并借助随机模拟实现对物性参数后验分布的抽样:Grana等(2010)整合了统计岩石物理、物性参数与弹性参数反演以及地震岩相识别,并利用蒙特卡洛模拟获取物性参数的条件分布;Grana等(2012)通过整合岩石物理模型与地质统计学反演,实现了储层物性参数的高分辨率反演,在此方法中,首先利用序贯指示模拟产生岩相,然后分岩相利用序贯高斯模拟产生孔隙度,利用同位协同模拟产生泥质含量和含水饱和度,最后利用概率扰动模拟实现对物性参数后验分布进行抽样,从而实现岩相和物性参数的同步反演,然而该方法并未考虑水平变差的影响;王保丽等(2014)通过整合FFT滑动平均与GDM实现从物性参数先验分布中进行抽样,并进一步结合Metropolis采样算法进行概率转移,从而实现物性参数的随机地震反演;Grana(2018)发展了一种逐点的储层物性参数与岩相的同步反演方法,该方法考虑到由于不同岩相下物性参数的先验分布往往表现为多峰和非对称的,因此利用混合的非参数分布描述更为合理。以上物性参数反演方法异常复杂,并且均是借助随机模拟实现从物性参数复杂的后验概率分布中抽样,因此其计算效率相对较低,难以应用到工业界。
发明内容
基于此,有必要针对上述技术问题,提供一种物性参数反演方法、装置、计算机设备和存储介质。
一种物性参数反演方法,包括:
读取M个角度叠加地震数据,其中M≥3;
读取M个角度子波,其中,M≥3,并根据所述M个角度子波构建角度子波褶积矩阵:
基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型;
通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式;
基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数;
利用有效集算法求解物性参数反演目标函数;
基于所述反演目标函数的求解结果,将反演获取的各矿物组分的体积百分比转换为泥质含量、总孔隙度以及含水饱和度。
在其中一个实施例中,所述基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型的步骤包括:
获取测井数据,采用线性回归对所述测井数据进行处理,获取岩石物理参数;
基于所述岩石物理参数以及弹性参数自然对数与物性参数之间的线性近似关系,建立包含所述岩石物理参数的对数线性岩石物理模型。
在其中一个实施例中,所述对数线性岩石物理模型为:
其中,lnK、lnμ以及lnρ分别表示体积模量的自然对数、剪切模量的自然对数以及密度的自然对数;αK、βK、γK、εK、αμ、βμ、γμ、εμ、αρ、βρ、γρ以及ερ分别表示待定的12个岩石物理参数,可以通过对测井曲线进行线性回归获取;δK、δμ以及δρ表示误差;Vsh、Vss、Vg以及Vw分别表示泥岩、砂岩、气以及水的体积百分比,它们与泥质含量Csh、总孔隙度φ以及含气饱和度Sg的关系如下:
在其中一个实施例中,所述通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式的步骤包括:
基于体积模量、剪切模量以及密度建立所述Gray近似公式的时间连续域方程;
将所述对数线性岩石物理模型进行一阶微分处理,得到一阶微分处理后的所述对数线性岩石物理模型;
通过结合基于所述Gray近似的时间域连续方程以及一阶微分处理后的所述对数线性岩石物理模型,构建所述基于物性参数表达的AVO近似公式。
在其中一个实施例中,所述所述基于物性参数表达的AVO近似公式为:
在其中一个实施例中,所述基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数的步骤包括:
获取预先构建的反演参数的协方差逆矩阵,其中,所述反演参数为矿物组分的体积百分比;
获取一阶差分矩阵;
获取所述M个角度叠加地震数据组成的列向量;
利用贝叶斯理论,并引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数。
在其中一个实施例中,所述利用贝叶斯理论,并引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数的步骤包括:
基于反演参数的取值范围,确定物性参数的不等式约束条件;
基于同一采样点不同矿物组分的体积百分比之和为1,确定N个等式约束条件;
利用贝叶斯理论,并引入物性参数的不等式约束条件条件和物性参数的等式约束条件,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数。
一种基于对数线性岩石物理的物性参数反演装置,包括:
叠加地震数据获取模块,用于读取M个角度叠加地震数据,其中M≥3;
子波褶积矩阵构建模块,用于读取M个角度子波,其中,M≥3,并根据所述M个角度子波构建角度子波褶积矩阵:
对数线性岩石物理模型建立模块,用于基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型;
AVO近似公式构建模块,用于通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式;
反演目标函数构建模块,用于基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数;
反演目标函数求解模块,用于利用有效集算法求解物性参数反演目标函数;
反演目标函数转换模块,用于基于所述反演目标函数的求解结果,将反演获取的各矿物组分的体积百分比转换为泥质含量、总孔隙度以及含水饱和度。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
读取M个角度叠加地震数据,其中M≥3;
读取M个角度子波,其中,M≥3,并根据所述M个角度子波构建角度子波褶积矩阵:
基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型;
通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式;
基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数;
利用有效集算法求解物性参数反演目标函数;
基于所述反演目标函数的求解结果,将反演获取的各矿物组分的体积百分比转换为泥质含量、总孔隙度以及含水饱和度。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
读取M个角度叠加地震数据,其中M≥3;
读取M个角度子波,其中,M≥3,并根据所述M个角度子波构建角度子波褶积矩阵:
基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型;
通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式;
基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数;
利用有效集算法求解物性参数反演目标函数;
基于所述反演目标函数的求解结果,将反演获取的各矿物组分的体积百分比转换为泥质含量、总孔隙度以及含水饱和度。
上述物性参数反演方法、装置、计算机设备和存储介质,通过结合对数线性岩石物理模型和Gray近似公式的时间域连续方程,推导了基于物性参数表达的AVO近似公式,在此基础上,通过引入物性参数的先验分布、不等式约束以及等式约束等诸多约束项,构建物性参数反演的反演目标函数,最终通过有效集算法可以反演出高精度泥质含量、总孔隙度以及含水饱和度等物性参数。本申请在储层预测及流体识别方面具有较高的实用价值。
附图说明
图1为一个实施例中基于对数线性岩石物理的物性参数反演方法的流程示意图;
图2为一个实施例中基于对数线性岩石物理的物性参数反演装置的结构框图;
图3为一个实施例中计算机设备的内部结构图;
图4为一个实施例中的基于对数线性岩石物理的物性参数反演流程示意图;
图5为一个实施例中为验证用的理论数据;
图6为一个实施例中的Xu-White岩石物理模型与对数线性岩石物理模型正演对比示意图;
图7为一个实施例中的理论模型与物性参数反演结果对比示意图;
图8a为一个实施例中的实际地震数据的小角度叠加地震数据示意图;
图8b为一个实施例中的实际地震数据的中角度叠加地震数据示意图;
图8c为一个实施例中的实际地震数据的大角度叠加地震数据示意图;
图9a为一个实施例中的实际地震数据物性参数反演结果的泥质含量反演剖面示意图;
图9b为一个实施例中的实际地震数据物性参数反演结果的总孔隙度反演剖面示意图;
图9c为一个实施例中的实际地震数据物性参数反演结果的含水饱和度反演剖面示意图;
图10为一个实施例中的实际数据井旁道物性参数反演结果与实测井曲线对比示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
实施例一
提供了一种基于对数线性岩石物理的物性参数反演方法,如图1所示,其包括:
步骤110,读取M个角度叠加地震数据,其中M≥3。
具体地,从地震数据中读取M(其中M≥3)个角度叠加地震数据d(θj),其中,,j=1,2,L M。
步骤120,读取M个角度子波,其中,M≥3,并根据所述M个角度子波构建角度子波褶积矩阵。
本步骤中,从地震数据中读取M个角度子波w(θj),其中j=1,2,L M,并构建角度子波褶积矩阵,所构建的角度子波褶积矩阵如下:
其中,w(θj)表示入射角为θj的角度子波向量,W(θj)表示入射角为θj的角度子波褶积矩阵,wk(θj)表示入射角为θj的角度子波向量中第k个元素,其中k=1,2,L Nw,Nw表示角度子波的采样点个数。
步骤130,基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型。
具体地,根据观测到的规律以及实际应用效果证明,弹性参数自然对数与物性参数组合之间存在线性近似关系,基于此可提出对数线性岩石物理模型,并结合工区内的一口全波列测井数据,利用线性回归获取岩石物理参数。其中对数线性岩石物理模型为:
其中,lnK、lnμ以及lnρ分别表示体积模量的自然对数、剪切模量的自然对数以及密度的自然对数;αK、βK、γK、εK、αμ、βμ、γμ、εμ、αρ、βρ、γρ以及ερ分别表示待定的12个岩石物理参数,可以通过对测井曲线进行线性回归获取;δK、δμ以及δρ表示误差;Vsh、Vss、Vg以及Vw分别表示泥岩、砂岩、气以及水的体积百分比,它们与泥质含量Csh、总孔隙度φ以及含气饱和度Sg的关系如下:
Dario Grana(2016)发现弹性参数与物性参数组合之间存在线性近似,因此提出线性岩石物理模型,并验证了该模型的精度与精确岩石物理模型非常接近,最后将其成功用于分步物性参数反演。
实际上弹性参数的自然对数与物性参数组合之间也存在着线性近似关系,另外考虑到AVO近似公式的时间连续域方程中,角度反射系数与弹性参数自然对数同样为线性关系,因此通过将对数线性岩石物理模型与Gray近似公式的时间连续域方程相结合,便可以之间建立基于物性参数表达的AVO近似公式。对数线性岩石物理模型的精度与线性岩石物理模型非常接近,在后续的实施例中会得到验证。
步骤140,通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式。
在一个实施例中,所述通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式的步骤包括:基于体积模量、剪切模量以及密度建立所述Gray近似公式的时间连续域方程;将所述对数线性岩石物理模型进行一阶微分处理,得到一阶微分处理后的所述对数线性岩石物理模型;通过结合基于所述Gray近似的时间域连续方程以及一阶微分处理后的所述对数线性岩石物理模型,构建所述基于物性参数表达的AVO近似公式。
具体地,通过结合基于Gray近似的时间域连续方程与对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式。构建的基于物性参数表达的AVO近似公式为:
基于物性参数表达的AVO近似公式的推导如下,考虑到基于体积模量、剪切模量以及密度表达的Gray近似公式的时间连续域方程为:
将公式(6)代入公式(5)后,合并同类项,即可得到公式(4a)和公式(4b)。
步骤150,基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数。
本实施例中,基于反演参数的先验分布以及噪声的似然函数均服从多变量高斯分布的假设,利用贝叶斯理论,并引入物性参数的不等式约束和等式约束,进而构建物性参数反演的目标函数。
具体地,通过假设反演参数的先验分布以及噪声的似然函数均服从多变量高斯分布,结合贝叶斯理论,并引入物性参数的不等式约束和等式约束,进而构建物性参数反演的目标函数:
其中,λ先验约束权重;右上标T表示矩阵转置;G矩阵表示AVO正演矩阵,由子波褶积矩阵、基于物性参数表达的AVO近似公式组成的系数矩阵以及一阶差分矩阵共同构建的:
A(θj)、B(θj)、C(θj)以及D(θj),其中j=1,2,L M,均为对角阵:
Ω表示一阶差分矩阵:
m表示反演参数:
其中,Vsh、Vss、Vg以及Vw分别表示由N个采样点的泥岩体积百分比、砂岩体积百分比、气的体积百分比以及水的体积百分比组成的向量;
Vsh0、Vss0、Vg0以及Vw0分别表示泥岩体积百分比的低频趋势、砂岩体积百分比的低频趋势、气的体积百分比的低频趋势以及水的体积百分比的低频趋势,低频趋势可通过将低通滤波后的测井数据在层位控制下进行插值得到;表示反演参数的协方差矩阵Cm的逆,在该协方差矩阵中,忽略了不同采样点反演参数之间的相关性,而仅保留同一采样点不同反演参数之间的相关性,因此:
其中,以及分别表示泥岩体积百分比的均方差、砂岩体积百分比的均方差、气的体积百分比的均方差以及水的体积百分比的均方差,以及分别表示泥岩体积百分比与砂岩体积百分比的相关系数、泥岩体积百分比与气的体积百分比的相关系数、泥岩体积百分比与水的体积百分比的相关系数、砂岩体积百分比与气的体积百分比的相关系数、砂岩体积百分比与水的体积百分比的相关系数以及气的体积百分比与水的体积百分比的相关系数,这些参数均可以借助测井数据中的泥质含量曲线、总孔隙度曲线以及含水饱和度曲线统计获得。
I表示N维单位矩阵;d表示由M个角度叠加地震数据组成的列向量:
s.t.表示受到约束的意思,由于反演参数为矿物组分的体积百分比,其值域范围在[0,1]之间,因此存在8N个不等式约束,即mi≥0;i=1,2,L 4N和mi≤1;i=1,2,L 4N;又由于同一采样点不同矿物组分的体积百分比之和为1,因此又存在N个等式约束,即:Γm=E,其中:
E为N维列向量,其中每个元素均为1。
步骤160,利用有效集算法求解物性参数反演目标函数。
具体地,由于物性参数反演目标函数为带约束的二次规划问题,因此可以借助有效集算法对物性参数反演目标函数进行求解,得到物性参数反演目标函数的求解结果,其中,所述物性参数反演目标函数的求解结果包括各矿物组分的体积百分比。
步骤170,基于所述反演目标函数的求解结果,将反演获取的各矿物组分的体积百分比转换为泥质含量、总孔隙度以及含水饱和度。
Csh=Vsh·/(Vsh+Vss)
φ=Vg+Vw
Sg=Vg·/(Vg+Vw) (8)
其中,Csh、φ以及Sg分别为反演获取的泥质含量、总孔隙度以及含水饱和度,·/表示向量的点除运算,即点除符号的左边向量的每一个元素除以右边向量的每个元素。通过上述算式(8),从而实现了对泥质含量、总孔隙度以及含水饱和度的快速、高效的求取。
本申请中,扩充了常规物性参数反演方法,通过结合对数线性岩石物理模型和Gray近似公式的时间域连续方程,推导了基于物性参数表达的AVO近似公式,在此基础上,通过引入物性参数的先验分布、不等式约束以及等式约束等诸多约束项,构建物性参数反演的反演目标函数,最终通过有效集算法可以反演出高精度泥质含量、总孔隙度以及含水饱和度等物性参数。
实施例二
请参见图4,图4为本实施例中的基于对数线性岩石物理的物性参数反演流程图,包括步骤一,读取角度叠加地震数据。
步骤二,读取角度子波,并构建角度子波褶积矩阵。
步骤三,结合工区内的一口全波列测井资料,构建对数线性岩石物理模型。
步骤四,构建基于物性参数表达的AVO近似公式。
步骤五,通过引入物性参数先验分布、不等式约束以及等式约束,构建物性参数反演的目标函数。
步骤六,借助有效集算法求解物性参数反演目标函数。
步骤七,将反演的各矿物组分的体积百分比转化为泥质含量、孔隙度以及含水饱和度等物性参数。
具体过程参见如下:
步骤一:读取M(M≥3)个角度叠加地震数据d(θj),其中j=1,2,L M;
步骤二:读取M个角度子波w(θj),其中j=1,2,L M,并构建角度子波褶积矩阵:
w(θj)表示入射角为θj的角度子波向量,W(θj)表示入射角为θj的角度子波褶积矩阵,wk(θj)表示入射角为θj的角度子波向量中第k个元素,其中k=1,2,L Nw,Nw表示角度子波的采样点个数。
步骤三:根据观测到的规律以及实际应用效果证明,发现弹性参数自然对数与物性参数组合之间存在线性近似关系,进而提出对数线性岩石物理模型,并结合工区内的一口全波列测井数据,利用线性回归获取岩石物理参数。其中对数线性岩石物理模型为:
lnK、lnμ以及lnρ分别表示体积模量的自然对数、剪切模量的自然对数以及密度的自然对数;αK、βK、γK、εK、αμ、βμ、γμ、εμ、αρ、βρ、γρ以及ερ分别表示待定的12个岩石物理参数,可以通过对测井曲线进行线性回归获取;δK、δμ以及δρ表示误差;Vsh、Vss、Vg以及Vw分别表示泥岩、砂岩、气以及水的体积百分比,它们与泥质含量Csh、总孔隙度φ以及含气饱和度Sg的关系如下:
Dario Grana(2016)发现弹性参数与物性参数组合之间存在线性近似,因此提出线性岩石物理模型,并验证了该模型的精度与精确岩石物理模型非常接近,最后将其成功用于分步物性参数反演。
实际上弹性参数的自然对数与物性参数组合之间也存在着线性近似关系,另外考虑到AVO近似公式的时间连续域方程中,角度反射系数与弹性参数自然对数同样为线性关系,因此通过将对数线性岩石物理模型与Gray近似公式的时间连续域方程相结合,便可以之间建立基于物性参数表达的AVO近似公式。对数线性岩石物理模型的精度与线性岩石物理模型非常接近,在后续的实施例中会得到验证。
步骤四:通过结合基于Gray近似的时间域连续方程与对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式:
基于物性参数表达的AVO近似公式的推导如下,考虑到基于体积模量、剪切模量以及密度表达的Gray近似公式的时间连续域方程为:
将公式(6)带入公式(5)后,合并同类项,即可得到公式(4a)和公式(4b)。
步骤五:通过假设反演参数的先验分布以及噪声的似然函数均服从多变量高斯分布,结合贝叶斯理论,并引入物性参数的不等式约束和等式约束,进而构建物性参数反演的目标函数:
其中,λ先验约束权重;右上标T表示矩阵转置;G矩阵表示AVO正演矩阵,由子波褶积矩阵、基于物性参数表达的AVO近似公式组成的系数矩阵以及一阶差分矩阵共同构建的:
A(θj)、B(θj)、C(θj)以及D(θj),其中j=1,2,L M,均为对角阵:
Ω表示一阶差分矩阵:m表示反演参数:Vsh、Vss、Vg以及Vw分别表示由N个采样点的泥岩体积百分比、砂岩体积百分比、气的体积百分比以及水的体积百分比组成的向量;Vsh0、Vss0、Vg0以及Vw0分别表示泥岩体积百分比的低频趋势、砂岩体积百分比的低频趋势、气的体积百分比的低频趋势以及水的体积百分比的低频趋势,低频趋势可通过将低通滤波后的测井数据在层位控制下进行插值得到;表示反演参数的协方差矩阵Cm的逆,在该协方差矩阵中,忽略了不同采样点反演参数之间的相关性,而仅保留同一采样点不同反演参数之间的相关性,因此:其中 以及分别表示泥岩体积百分比的均方差、砂岩体积百分比的均方差、气的体积百分比的均方差以及水的体积百分比的均方差, 以及分别表示泥岩体积百分比与砂岩体积百分比的相关系数、泥岩体积百分比与气的体积百分比的相关系数、泥岩体积百分比与水的体积百分比的相关系数、砂岩体积百分比与气的体积百分比的相关系数、砂岩体积百分比与水的体积百分比的相关系数以及气的体积百分比与水的体积百分比的相关系数,这些参数均可以借助测井数据中的泥质含量曲线、总孔隙度曲线以及含水饱和度曲线统计获得,I表示N维单位矩阵;d表示由M个角度叠加地震数据组成的列向量:s.t.表示受到约束的意思,由于反演参数为矿物组分的体积百分比,其值域范围在[0,1]之间,因此存在8N个不等式约束,即mi≥0;i=1,2,L 4N和mi≤1;i=1,2,L 4N;又由于同一采样点不同矿物组分的体积百分比之和为1,因此又存在N个等式约束,即:Γm=E,其中E为N维列向量,其中每个元素均为1。
步骤六:由于物性参数反演目标函数为带约束的二次规划问题,因此可以借助有效集算法进行求解。
步骤七:将反演获取的各矿物组分的体积百分比转化为泥质含量、总孔隙度以及含水饱和度。
Csh、φ以及Sg分别为反演获取的泥质含量、总孔隙度以及含水饱和度,·/表示向量的点除运算,即点除符号的左边向量的每一个元素除以右边向量的每个元素。
本发明扩充了常规物性参数反演方法,通过结合对数线性岩石物理模型和Gray近似公式的时间域连续方程,推导了基于物性参数表达的AVO近似公式,在此基础上,通过引入物性参数的先验分布、不等式约束以及等式约束等诸多约束项,构建物性参数反演的反演目标函数,最终通过有效集算法可以反演出高精度泥质含量、总孔隙度以及含水饱和度等物性参数。
为验证本申请的有效性,请参见图5至图10。
图5为验证该发明的理论数据,其中图5中(a)为泥质含量曲线,图5中(b)为总孔隙度曲线,图5中(c)为含水饱和度曲线,结合xu-white岩石物理正演、Zoeppritz方程以及褶积模型,通过给定角度子波为30Hz的雷克子波,进而构建合成角道集,如图5中的(d)所示。
图6为基于图5的理论模型,给出了基于Xu_White岩石物理模型预测的弹性参数(黑线)与基于对数线性岩石物理模型预测的弹性参数(灰虚线)的对比,可以看出,两者预测的弹性参数几乎吻合,说明了对数线性岩石物理模型具有较高的精度。
图7为基于图5中的理论数据,给出了基于对数线性岩石物理的物性参数反演结果(灰线)与理论模型(黑线)的对比,可以看出反演的泥质含量、总孔隙度以及含水饱和度均与理论模型有较高的吻合度,因此验证了本发明具有较高的反演精度。
图8a至图8c为验证本发明所选用的实际地震数据,其中图8a为小角度叠加地震数据,图8b为中角度叠加地震数据,图8c为大角度叠加地震数据,物性参数反演的目的层在层位DGJH_hor_T9g到层位DGJH_hor_T9b之间,该层段主要发育致密砂岩。
图9a至图9c为基于图8a至图8c的实际地震数据的物性参数反演结果,其中图9a为泥质含量反演结果,图9b为总孔隙度反演结果,图9c为含水饱和度反演结果,可以看出,相对地震数据,物性参数反演结果更具有明显的地质意义,并且展示了丰富的储层信息。
图10为基于图8a至图8c的实际地震数据的井旁道物性参数反演结果(灰线)与实测的物性参数曲线(黑线)的对比,可以看出基于对数线性岩石物理的物性参数反演结果与实测曲线吻合度较高,实际数据验证了本发明所获取的物性参数反演结果具有较高的精度。
实施例三
提供了一种基于对数线性岩石物理的物性参数反演装置,如图2所示,包括:
叠加地震数据获取模块210,用于读取M个角度叠加地震数据,其中M≥3;
子波褶积矩阵构建模块220,用于读取M个角度子波,其中,M≥3,并根据所述M个角度子波构建角度子波褶积矩阵:
对数线性岩石物理模型建立模块230,用于基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型;
AVO近似公式构建模块240,用于通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式;
反演目标函数构建模块250,用于基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数;
反演目标函数求解模块260,用于利用有效集算法求解物性参数反演目标函数;
反演目标函数转换模块270,用于基于所述反演目标函数的求解结果,将反演获取的各矿物组分的体积百分比转换为泥质含量、总孔隙度以及含水饱和度。
在一个实施例中,所述对数线性岩石物理模型建立模块包括:
岩石物理参数获取单元,用于获取测井数据,采用线性回归对所述测井数据进行处理,获取岩石物理参数;
对数线性岩石物理模型建立单元,用于基于所述岩石物理参数以及弹性参数自然对数与物性参数之间的线性近似关系,建立包含所述岩石物理参数的对数线性岩石物理模型。
在一个实施例中,对数线性岩石物理模型为:
lnK、lnμ以及lnρ分别表示体积模量的自然对数、剪切模量的自然对数以及密度的自然对数;αK、βK、γK、εK、αμ、βμ、γμ、εμ、αρ、βρ、γρ以及ερ分别表示待定的12个岩石物理参数,可以通过对测井曲线进行线性回归获取;δK、δμ以及δρ表示误差;Vsh、Vss、Vg以及Vw分别表示泥岩、砂岩、气以及水的体积百分比,它们与泥质含量Csh、总孔隙度φ以及含气饱和度Sg的关系如下:
在一个实施例中,所述AVO近似公式构建模块包括:
时间连续域方程建立单元,用于基于体积模量、剪切模量以及密度建立所述Gray近似公式的时间连续域方程;
一阶微分处理单元,用于将所述对数线性岩石物理模型进行一阶微分处理,得到一阶微分处理后的所述对数线性岩石物理模型;
AVO近似公式构建单元,用于通过结合基于所述Gray近似的时间域连续方程以及一阶微分处理后的所述对数线性岩石物理模型,构建所述基于物性参数表达的AVO近似公式。
在一个实施例中,所述所述基于物性参数表达的AVO近似公式为:
在一个实施例中,反演目标函数构建模块包括:
协方差逆矩阵获取单元,用于获取预先构建的反演参数的协方差逆矩阵,其中,所述反演参数为矿物组分的体积百分比;
一阶差分矩阵获取单元,用于获取一阶差分矩阵;
地震数据列向量获取单元,用于获取所述M个角度叠加地震数据组成的列向量;
反演目标函数构建单元,用于利用贝叶斯理论,并引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数。
在一个实施例中,所述反演目标函数构建单元包括:
不等式约束条件获取子单元,用于基于反演参数的取值范围,确定物性参数的不等式约束条件;
等式约束条件获取子单元,用于基于同一采样点不同矿物组分的体积百分比之和为1,确定N个等式约束条件;
反演目标函数构建子单元,用于利用贝叶斯理论,并引入物性参数的不等式约束条件条件和物性参数的等式约束条件,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数。
在一个实施例中,所述协方差逆矩阵获取单元包括:
反演参数均方差获取子单元,用于获取各反演参数的均方差;
反演参数相关系数获取子单元,用于获取不同的反演参数之间的相关系数;
反演参数协方差矩阵构建子单元,用于基于各反演参数的均方差以及不同的反演参数之间的相关系数,构建反演参数的协方差矩阵;
协方差逆矩阵转换子单元,用于基于所述反演参数的协方差矩阵,变换得到所述反演参数的协方差逆矩阵。
在一个实施例中,各所述反演参数包括泥岩体积的百分比、砂岩体积的百分比、气的体积的百分比以及水的体积的百分比。
关于物性参数反演装置的具体限定可以参见上文中对于物性参数反演方法的限定,在此不再赘述。上述物性参数反演装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
实施例四
提供了计算机设备,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与其他计算机设备连接通信。该计算机程序被处理器执行时以实现一种物性参数反演方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
实施例五
提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
读取M个角度叠加地震数据,其中M≥3;
读取M个角度子波,其中,M≥3,并根据所述M个角度子波构建角度子波褶积矩阵:
基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型;
通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式;
基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数;
利用有效集算法求解物性参数反演目标函数;
基于所述反演目标函数的求解结果,将反演获取的各矿物组分的体积百分比转换为泥质含量、总孔隙度以及含水饱和度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取测井数据,采用线性回归对所述测井数据进行处理,获取岩石物理参数;
基于所述岩石物理参数以及弹性参数自然对数与物性参数之间的线性近似关系,建立包含所述岩石物理参数的对数线性岩石物理模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:建立包含所述岩石物理参数的对数线性岩石物理模型中,其中,对数线性岩石物理模型为:
lnK、lnμ以及lnρ分别表示体积模量的自然对数、剪切模量的自然对数以及密度的自然对数;αK、βK、γK、εK、αμ、βμ、γμ、εμ、αρ、βρ、γρ以及ερ分别表示待定的12个岩石物理参数,可以通过对测井曲线进行线性回归获取;δK、δμ以及δρ表示误差;Vsh、Vss、Vg以及Vw分别表示泥岩、砂岩、气以及水的体积百分比,它们与泥质含量Csh、总孔隙度φ以及含气饱和度Sg的关系如下:
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于体积模量、剪切模量以及密度建立所述Gray近似公式的时间连续域方程;
将所述对数线性岩石物理模型进行一阶微分处理,得到一阶微分处理后的所述对数线性岩石物理模型;
通过结合基于所述Gray近似的时间域连续方程以及一阶微分处理后的所述对数线性岩石物理模型,构建所述基于物性参数表达的AVO近似公式。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:构建所述基于物性参数表达的AVO近似公式,其中,所述所述基于物性参数表达的AVO近似公式为:
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取预先构建的反演参数的协方差逆矩阵,其中,所述反演参数为矿物组分的体积百分比;
获取一阶差分矩阵;
获取所述M个角度叠加地震数据组成的列向量;
利用贝叶斯理论,并引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于反演参数的取值范围,确定物性参数的不等式约束条件;
基于同一采样点不同矿物组分的体积百分比之和为1,确定N个等式约束条件;
利用贝叶斯理论,并引入物性参数的不等式约束条件条件和物性参数的等式约束条件,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数。
实施例六
提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
读取M个角度叠加地震数据,其中M≥3;
读取M个角度子波,其中,M≥3,并根据所述M个角度子波构建角度子波褶积矩阵:
基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型;
通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式;
基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数;
利用有效集算法求解物性参数反演目标函数;
基于所述反演目标函数的求解结果,将反演获取的各矿物组分的体积百分比转换为泥质含量、总孔隙度以及含水饱和度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取测井数据,采用线性回归对所述测井数据进行处理,获取岩石物理参数;
基于所述岩石物理参数以及弹性参数自然对数与物性参数之间的线性近似关系,建立包含所述岩石物理参数的对数线性岩石物理模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:建立包含所述岩石物理参数的对数线性岩石物理模型中,其中,对数线性岩石物理模型为:
lnK、lnμ以及lnρ分别表示体积模量的自然对数、剪切模量的自然对数以及密度的自然对数;αK、βK、γK、εK、αμ、βμ、γμ、εμ、αρ、βρ、γρ以及ερ分别表示待定的12个岩石物理参数,可以通过对测井曲线进行线性回归获取;δK、δμ以及δρ表示误差;Vsh、Vss、Vg以及Vw分别表示泥岩、砂岩、气以及水的体积百分比,它们与泥质含量Csh、总孔隙度φ以及含气饱和度Sg的关系如下:
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于体积模量、剪切模量以及密度建立所述Gray近似公式的时间连续域方程;
将所述对数线性岩石物理模型进行一阶微分处理,得到一阶微分处理后的所述对数线性岩石物理模型;
通过结合基于所述Gray近似的时间域连续方程以及一阶微分处理后的所述对数线性岩石物理模型,构建所述基于物性参数表达的AVO近似公式。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:构建所述基于物性参数表达的AVO近似公式,其中,所述所述基于物性参数表达的AVO近似公式为:
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取预先构建的反演参数的协方差逆矩阵,其中,所述反演参数为矿物组分的体积百分比;
获取一阶差分矩阵;
获取所述M个角度叠加地震数据组成的列向量;
利用贝叶斯理论,并引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于反演参数的取值范围,确定物性参数的不等式约束条件;
基于同一采样点不同矿物组分的体积百分比之和为1,确定N个等式约束条件;
利用贝叶斯理论,并引入物性参数的不等式约束条件条件和物性参数的等式约束条件,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于对数线性岩石物理的物性参数反演方法,其特征在于,包括:
读取M个角度叠加地震数据,其中M≥3;
读取M个角度子波,其中,M≥3,并根据所述M个角度子波构建角度子波褶积矩阵:
基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型;
通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式;
基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数;
利用有效集算法求解物性参数反演目标函数;
基于所述反演目标函数的求解结果,将反演获取的各矿物组分的体积百分比转换为泥质含量、总孔隙度以及含水饱和度。
2.根据权利要求1所述的方法,其特征在于,所述基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型的步骤包括:
获取测井数据,采用线性回归对所述测井数据进行处理,获取岩石物理参数;
基于所述岩石物理参数以及弹性参数自然对数与物性参数之间的线性近似关系,建立包含所述岩石物理参数的对数线性岩石物理模型。
4.根据权利要求1所述的方法,其特征在于,所述通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式的步骤包括:
基于体积模量、剪切模量以及密度建立所述Gray近似公式的时间连续域方程;
将所述对数线性岩石物理模型进行一阶微分处理,得到一阶微分处理后的所述对数线性岩石物理模型;
通过结合基于所述Gray近似的时间域连续方程以及一阶微分处理后的所述对数线性岩石物理模型,构建所述基于物性参数表达的AVO近似公式。
6.根据权利要求1所述的方法,其特征在于,所述基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数的步骤包括:
获取预先构建的反演参数的协方差逆矩阵,其中,所述反演参数为矿物组分的体积百分比;
获取一阶差分矩阵;
获取所述M个角度叠加地震数据组成的列向量;
利用贝叶斯理论,并引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数。
7.根据权利要求6所述的方法,其特征在于,所述利用贝叶斯理论,并引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数的步骤包括:
基于反演参数的取值范围,确定物性参数的不等式约束条件;
基于同一采样点不同矿物组分的体积百分比之和为1,确定N个等式约束条件;
利用贝叶斯理论,并引入物性参数的不等式约束条件条件和物性参数的等式约束条件,根据所述角度子波褶积矩阵、所述基于物性参数表达的AVO近似公式、所述一阶差分矩阵、所述反演参数的协方差逆矩阵以及所述M个角度叠加地震数据组成的列向量,构建所述物性参数反演的目标函数。
8.一种基于对数线性岩石物理的物性参数反演装置,其特征在于,包括:
叠加地震数据获取模块,用于读取M个角度叠加地震数据,其中M≥3;
子波褶积矩阵构建模块,用于读取M个角度子波,其中,M≥3,并根据所述M个角度子波构建角度子波褶积矩阵:
对数线性岩石物理模型建立模块,用于基于弹性参数自然对数与物性参数之间的线性近似关系,建立对数线性岩石物理模型;
AVO近似公式构建模块,用于通过结合基于Gray近似的时间域连续方程与所述对数线性岩石物理模型,构建基于物性参数表达的AVO近似公式;
反演目标函数构建模块,用于基于贝叶斯理论,引入物性参数的不等式约束和等式约束,根据所述角度子波褶积矩阵和所述基于物性参数表达的AVO近似公式,构建物性参数反演的目标函数;
反演目标函数求解模块,用于利用有效集算法求解物性参数反演目标函数;
反演目标函数转换模块,用于基于所述反演目标函数的求解结果,将反演获取的各矿物组分的体积百分比转换为泥质含量、总孔隙度以及含水饱和度。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713594.6A CN113970787B (zh) | 2020-07-22 | 2020-07-22 | 物性参数反演方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713594.6A CN113970787B (zh) | 2020-07-22 | 2020-07-22 | 物性参数反演方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113970787A true CN113970787A (zh) | 2022-01-25 |
CN113970787B CN113970787B (zh) | 2023-05-16 |
Family
ID=79585057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010713594.6A Active CN113970787B (zh) | 2020-07-22 | 2020-07-22 | 物性参数反演方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113970787B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165701A (zh) * | 2022-12-08 | 2023-05-26 | 中国矿业大学 | 一种碳酸盐岩储层的孔隙结构参数叠前地震直接反演方法 |
CN116299696A (zh) * | 2023-02-08 | 2023-06-23 | 中海石油(中国)有限公司深圳分公司 | 一种烃源岩泥质含量、toc、孔隙度、含水饱和度同时定量预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005119276A2 (en) * | 2004-05-27 | 2005-12-15 | Exxonmobil Upstream Research Company | Method for predicting lithology and porosity from seismic reflection data |
WO2013085616A2 (en) * | 2011-12-06 | 2013-06-13 | Exxonmobil Upstream Research Company | Removal of fracture-induced anisotropy from converted-wave seismic amplitudes |
CN104297785A (zh) * | 2014-09-29 | 2015-01-21 | 中国石油天然气股份有限公司 | 岩相约束储层物性参数反演方法及装置 |
CN104516017A (zh) * | 2013-09-29 | 2015-04-15 | 中国石油化工股份有限公司 | 一种碳酸盐岩岩石物理参数地震反演方法 |
CN106019375A (zh) * | 2016-07-26 | 2016-10-12 | 中国石油大学(华东) | 一种页岩气地层层理地球物理评价方法 |
CN107290782A (zh) * | 2016-03-30 | 2017-10-24 | 中国石油化工股份有限公司 | 储层孔隙度、含水饱和度和泥质含量参数同时反演新方法 |
CN107807409A (zh) * | 2017-09-11 | 2018-03-16 | 中国石油天然气集团公司 | 地层密度和电阻率关系的确定方法和装置 |
CN109387873A (zh) * | 2017-08-04 | 2019-02-26 | 中国石油化工股份有限公司 | 一种缝洞储集体反演方法及系统 |
WO2020086238A1 (en) * | 2018-10-26 | 2020-04-30 | Exxonmobil Upstream Research Company | Elastic full wavefield inversion with refined anisotropy and vp/vs models |
-
2020
- 2020-07-22 CN CN202010713594.6A patent/CN113970787B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005119276A2 (en) * | 2004-05-27 | 2005-12-15 | Exxonmobil Upstream Research Company | Method for predicting lithology and porosity from seismic reflection data |
WO2013085616A2 (en) * | 2011-12-06 | 2013-06-13 | Exxonmobil Upstream Research Company | Removal of fracture-induced anisotropy from converted-wave seismic amplitudes |
CN104516017A (zh) * | 2013-09-29 | 2015-04-15 | 中国石油化工股份有限公司 | 一种碳酸盐岩岩石物理参数地震反演方法 |
CN104297785A (zh) * | 2014-09-29 | 2015-01-21 | 中国石油天然气股份有限公司 | 岩相约束储层物性参数反演方法及装置 |
CN107290782A (zh) * | 2016-03-30 | 2017-10-24 | 中国石油化工股份有限公司 | 储层孔隙度、含水饱和度和泥质含量参数同时反演新方法 |
CN106019375A (zh) * | 2016-07-26 | 2016-10-12 | 中国石油大学(华东) | 一种页岩气地层层理地球物理评价方法 |
CN109387873A (zh) * | 2017-08-04 | 2019-02-26 | 中国石油化工股份有限公司 | 一种缝洞储集体反演方法及系统 |
CN107807409A (zh) * | 2017-09-11 | 2018-03-16 | 中国石油天然气集团公司 | 地层密度和电阻率关系的确定方法和装置 |
WO2020086238A1 (en) * | 2018-10-26 | 2020-04-30 | Exxonmobil Upstream Research Company | Elastic full wavefield inversion with refined anisotropy and vp/vs models |
Non-Patent Citations (2)
Title |
---|
李坤等: "岩石物理驱动的相约束叠前地震概率化反演方法", 《中国科学:地球科学》 * |
李志勇等: "储层弹性与物性参数地震叠前同步反演的确定性优化方法", 《地球物理学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165701A (zh) * | 2022-12-08 | 2023-05-26 | 中国矿业大学 | 一种碳酸盐岩储层的孔隙结构参数叠前地震直接反演方法 |
CN116165701B (zh) * | 2022-12-08 | 2024-02-20 | 中国矿业大学 | 一种碳酸盐岩储层的孔隙结构参数叠前地震直接反演方法 |
CN116299696A (zh) * | 2023-02-08 | 2023-06-23 | 中海石油(中国)有限公司深圳分公司 | 一种烃源岩泥质含量、toc、孔隙度、含水饱和度同时定量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113970787B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Crassidis et al. | Optimal estimation of dynamic systems | |
Bárdossy et al. | Geostatistical interpolation using copulas | |
Liang et al. | A resampling-based stochastic approximation method for analysis of large geostatistical data | |
Butler et al. | A measure-theoretic computational method for inverse sensitivity problems III: Multiple quantities of interest | |
Huang et al. | Hierarchical low rank approximation of likelihoods for large spatial datasets | |
CN113970787A (zh) | 物性参数反演方法、装置、计算机设备和存储介质 | |
CN112882100B (zh) | 一种储层参数确定方法、装置、电子设备和存储介质 | |
Butler et al. | Definition and solution of a stochastic inverse problem for the Manning’sn parameter field in hydrodynamic models | |
CN113740910B (zh) | 一种vti等效介质裂缝弱度参数地震反演方法及系统 | |
Olea | A practical primer on geostatistics | |
CN112965103B (zh) | 一种多重孔隙储层叠前地震概率化多道反演方法 | |
Li | Application of copulas as a new geostatistical tool | |
Wiens et al. | Modeling spatial data using local likelihood estimation and a Matérn to spatial autoregressive translation | |
Chen et al. | Surface modeling of DEMs based on a sequential adjustment method | |
Addo et al. | Spatial pair-copula model of grade for an anisotropic gold deposit | |
CN114152977B (zh) | 基于地质特征约束的储层参数预测方法、装置和存储介质 | |
Christakos | Stochastic simulation of spatially correlated geo-processes | |
CN112946746B (zh) | 用于提高薄煤层avo反演准确性的方法及装置 | |
CN113552624A (zh) | 孔隙度预测方法及装置 | |
Phelps et al. | Exploring viable geologic interpretations of gravity models using distance-based global sensitivity analysis and kernel methods | |
Ewald et al. | Numerical analysis of stochastic schemes in geophysics | |
Siripatana et al. | Bayesian inference of spatially varying Manning’sn coefficients in an idealized coastal ocean model using a generalized Karhunen-Loève expansion and polynomial chaos | |
Keelin et al. | The metalog distributions and extremely accurate sums of lognormals in closed form | |
Konomi et al. | Computationally efficient nonstationary nearest‐neighbor Gaussian process models using data‐driven techniques | |
Nezhadali et al. | Multilevel assimilation of inverted seismic data with correction for multilevel modeling error |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |