CN114167498A - 一种测井和地震属性联合的分步聚类分析方法 - Google Patents

Abstract

本发明涉及一种测井和地震属性联合的分步聚类分析方法，包括收集已钻井信息，根据所述钻井信息确定目标储层段聚类分析的地震相类型个数，建立每种地震相类型的判定标准，对所有已钻井的地震相类型进行判定；提取目标储层段的各种类型的地震属性；分析已钻井位置的各种地震属性值，确定每一类地震相类型对应的地震属性和监督训练点；分步聚类直至识别出与已钻井分类对应的各类型地震相的平面展布；将每一种地震相类型进行平面合并，得到最终的聚类地震相分析结果。所述测井和地震属性联合的分步聚类分析方法，能够充分合理地利用已钻井信息建立和地震属性的对应关系，获得具有确定地质意义或明确储层类型的聚类结果。

Description

一种测井和地震属性联合的分步聚类分析方法

技术领域

本发明属于油田开发技术领域，更为具体地涉及一种测井和地震属性联合的分步聚类分析方法。

背景技术

地震属性是针对叠前或叠后地震数据进行数学计算或数学变换得到的反映地震波的几何学、运动学、动力学和统计学特征的信息。目前可以从地震数据中提取的地震属性多达上百种，其中常用的地震属性包括振幅类、频率类、波形类属性等，它们是进行储层预测的基本要素。利用地震属性可进行储层展布描述、储层厚度预测、含油气性检测、沉积相分析等，在油田勘探和开发过程中发挥着重要作用。

聚类分析是一种统计分析技术，将大量的地震数据根据其相似性进行分类。上世纪八十年代被引入地震勘探领域，通过对多种地震属性进行聚类分析，可预测不同类型储层的平面和空间展布，根据聚类结果与钻井信息的对比分析，可以明确每个类别储层的特征。多属性聚类分析得到的结果通常被称为地震相，地震相对于指导研究区域的沉积相认识，提高无井控区域的储层预测能力起到了重要作用，因此在油田勘探开发过程中获得了广泛应用。

然而在实际生产应用中发现，多属性聚类具有以下问题：(1)参与聚类的地震属性对聚类结果具有决定作用，但优选参与聚类的地震属性组通常依靠经验，或根据多次尝试进行取舍，缺乏明确的筛选依据；(2)参与聚类的地震属性如果彼此间的相关性低于50％，得到的聚类结果常常无法建立明确的地质含义。(3)在无井监督训练的情况下，聚类结果具有较大的随机性，对于油田开发阶段钻井数量较多的情况，已钻井信息无法充分有效地参与聚类分析过程。

发明内容

针对上述问题，本发明的目的是提供一种测井和地震属性联合的分步聚类分析方法，能够充分合理地利用已钻井信息建立和地震属性的对应关系，获得具有确定地质意义或明确储层类型的聚类结果。

为实现上述目的，本发明采用以下技术方案：一种测井和地震属性联合的分步聚类分析方法，包括以下步骤：

第一方面，本发明提供一种测井和地震属性联合的分步聚类分析方法，包括以下步骤：

收集已钻井信息，根据所述已钻井信息确定目标储层段聚类分析的地震相类型个数，建立每种地震相类型的判定标准，对所有已钻井的地震相类型进行判定；

提取目标储层段的各种类型的地震属性；

分析已钻井位置的各种地震属性值，筛选出能够识别某一类或者某几类地震相的地震属性，根据地震属性与井点类型的对应关系，确定每一类地震相类型对应的地震属性和监督训练点；

分步聚类直至识别出与已钻井分类对应的各类型地震相的平面展布；

将每一种地震相类型进行平面合并，得到最终的聚类地震相分析结果。

进一步地，确定每一类地震相类型对应的地震属性和监督训练点的具体过程如下：

从标定为地震相类型i(i＝1,2,3…)的所有已钻井中，挑选特征典型的2～5口已钻井，作为井组Wi，对于未钻遇地震相类型i，或钻遇类型i的井数不足2口的情况，适当设置虚拟井点；

选择与能够识别地震相类型i的1-3个地震属性进入参与聚类的地震属性组Ai。

进一步地，所述分步聚类包括采用上一步确定的地震属性和监督训练点进行聚类，每剥离出一种地震相类型，就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值，逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布。

进一步地，所述包括采用上一步确定的地震属性和监督训练点进行聚类，每剥离出一种地震相类型，就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值，逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布，具体为：

将井组W1作为监督训练点并标记为1，其他井组Wi(i≠1)中挑选2-5口已钻井作为监督训练点并标记为2；

将所有监督训练点和地震属性组A1作为输入，选择聚类分析算法，得到平面聚类结果C1；

将聚类结果C1进行逻辑运算，若C1等于1，则C1-1等于1，否则C1-1等于空值，得到的C1-1即为地震相类型1的平面分布范围；若C1等于2，则C1-2等于2，否则C1-2等于空值，C1-2为其他地震相类型的分布范围；

将井组W2作为监督训练点并标记为2，其他井组Wi(i≠1，2)中挑选C1-2范围内的2-5口已钻井作为监督训练点并标记为3；

对地震属性组A2进行逻辑运算，若C1-2等于2，则A2等于本身的属性值，否则等于空值；

将所有监督训练点和经过逻辑运算的地震属性组A2作为输入，选择聚类分析算法得到平面聚类结果C2；

重复以上步骤，直至识别出所有地震相类型。

进一步地，所述已钻井信息包括砂岩厚度、泥岩夹层厚度、砂地比和含油气性特征。

进一步地，所述地震属性包括振幅属性、频率属性、波形属性、弧长属性、时间厚度属性和统计类属性。

进一步地，所述聚类分析算法概率神经网络算法或K-Means算法。

第二方面，本发明提供一种测井和地震属性联合的分步聚类分析装置，包括：

第一处理单元，用于收集已钻井信息，根据所述已钻井信息确定目标储层段聚类分析的地震相类型个数，建立每种地震相类型的判定标准，对所有已钻井的地震相类型进行判定；

第二处理单元，用于提取目标储层段的各种类型的地震属性；

第三处理单元，用于分析已钻井位置的各种地震属性值，筛选出能够识别某一类或者某几类地震相的地震属性，根据地震属性与井点类型的对应关系，确定每一类地震相类型对应的地震属性和监督训练点；

第四处理单元，用于分步聚类直至识别出与已钻井分类对应的各类型地震相的平面展布；

第五处理单元，用于将每一种地震相类型进行平面合并，得到最终的聚类地震相分析结果。

第三方面，本发明提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于被处理器执行时实现所述的测井和地震属性联合的分步聚类分析方法。

第四方面，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的测井和地震属性联合的分步聚类分析方法。

本发明由于采取以上技术方案，其具有以下优点：

1、每一步参与聚类的地震属性与需要识别的地震相类型具有明确对应关系，属性之间相关性一般大于50％，能够获得明确地质含义的聚类结果。

2、将已钻井信息充分合理地参与每一步聚类过程，使得最终得到的聚类结果与已钻井具有较好地匹配关系。

3、采用分步实施的策略，每一步获得相对合理的结果后，再进行下一步操作，能够提高最终聚类结果的可靠性。

附图说明

图1是本发明提供的测井和地震属性联合的分步聚类分析方法的流程示意图；

图2是本发明根据井钻遇情况划分的储层类型；

图3是本发明根据井点处储层类型与地震属性对应关系，确定的每步参与聚类的地震属性组；

图4是本发明第一步聚类得到的结果C1；

图5是本发明通过C1逻辑运算得到的C1-1和C1-2的结果，即剥离出的泥岩相和砂岩相范围；

图6是本发明参与第二步聚类分析的地震主频属性和时间厚度属性，灰色表示空值；

图7是本发明第二步聚类得到的结果C2；

图8是本发明通过C2逻辑运算得到的C2-1和C2-2结果，即剥离出的单期砂岩相和多期砂岩相范围；

图9是本发明参与第三步聚类分析的总振幅属性，灰色表示空值；

图10是本发明第三步聚类得到的结果C3；

图11是本发明分步聚类得到的4种地震相类型进行平面合并的结果。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提出了一种测井和地震属性联合的分步聚类分析方法，以某一多期河道正演模型作为实例作进一步说明，包括以下步骤：

S1、收集已钻井信息，根据目标储层段的砂岩厚度、泥岩夹层厚度、砂地比或者含油气性特征等，综合研究区的沉积类型和储层发育背景，确定聚类分析的地震相类型个数，建立每种地震相类型的判定标准，对所有已钻井进行类型判定。

如图2所示为根据井上钻遇砂岩、泥岩厚度，砂体发育期次，分为泥岩、单期河道、多期河道无泥岩夹层和多期河道有泥岩夹层4种储层类型，即最终聚类的地震相类型为4类。

S2、针对目标储层段提取各种类型的地震属性，如振幅属性、频率属性、波形属性、统计类属性等。

S3、分析已钻井位置的各种地震属性值，筛选出能够识别某一类或者某几类地震相的地震属性，根据地震属性与井点类型的对应关系，明确每一类地震相类型对应的地震属性和监督训练点，其具体步骤为：

S3-1从标定为地震相类型i(i＝1,2,3…)的所有已钻井中，挑选特征典型的2-5口已钻井，作为井组Wi，对于未钻遇地震相类型i，或钻遇类型i的井数不足2口的情况，可适当设置虚拟井点；

图2中所列的井均为典型井，根据类型划分结果，W1＝{well_shale_1,well_shale_2}，W2＝{well_s_1,well_s_2,well_s_3}，W3＝{well_d1_1,well_d1_2,well_d1_3,well_d1_4}，W3＝{well_d2_1,well_d2_2,well_d2_3,well_d2_4}。

S3-2、选择与能够识别类型i储层的1-3个地震属性进入参与聚类的地震属性组Ai；

图3所示为根据井点处类型与地震属性对应关系，确定的每步参与聚类的地震属性组，A1用于区分泥岩和砂岩储层，包括最小振幅属性和弧长属性，振幅小、弧长短的位置对应泥岩；A2用于区分砂岩中的单期砂体和多期砂体，包括主频属性和时间厚度属性，主频小，时间厚度大的位置对应多期砂体，反之对应单期砂体；A3包括总振幅属性，用于区分多期砂体中的有泥岩夹层和无泥岩夹层，总振幅大的位置对应无夹层的情况，反之对应有夹层。

S4、按照分步聚类的实施步骤，选择某一种聚类分析算法(如概率神经网络算法、K-Means算法)，采用上一步确定的地震属性和监督训练点进行聚类，每剥离出一种地震相类型，就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值，逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布，具体步骤为：

S4-1、将井组W1作为监督训练点并标记为1，其他井组Wi(i≠1)中挑选2-5口已钻井作为监督训练点并标记为2；

S4-2、将所有监督训练点和地震属性组A1作为输入，选择某种聚类分析算法(如概率神经网络算法、K-Means算法)，得到平面聚类结果C1；

图4所示为第一步聚类得到的结果C1，图中显示的蓝色为地震相类型1的平面展布范围，表示泥岩，黄色为地震相类型2的平面展布范围，表示砂岩。C1中井点位置为黑色圆圈标记的为监督训练点，其中包含井组W1中的两口井，标记为1，从其他井组中挑选的两口井well_d2_2和well_s_3，标记为2。

S4-3、将聚类结果C1进行逻辑运算，若C1等于1，则C1-1等于1，否则C1-1等于空值，得到的C1-1即为地震相类型1的平面分布范围；若C1等于2，则C1-2等于2，否则C1-2等于空值，C1-2为其他地震相类型的分布范围；

图5所示为C1-1和C1-2的结果，即剥离出的泥岩相和砂岩相范围，蓝色表示泥岩，黄色表示砂岩，灰色表示空值。

S4-4、将井组W2作为监督训练点并标记为2，其他井组Wi(i≠1，2)中挑选C1-2范围内的2-5口已钻井作为监督训练点并标记为3；

S4-5、对地震属性组A2进行逻辑运算，若C1-2等于2，则A2等于本身的属性值，否则等于空值；

图6所示为参与第二步聚类分析的地震主频属性和时间厚度属性，灰色表示空值，经过逻辑预算后的地震属性仅在砂岩储层展布范围具有属性值。

S4-6、将所有监督训练点和经过逻辑运算的地震属性组A2作为输入，选择某种聚类分析算法(如概率神经网络算法、K-Means算法)，得到平面聚类结果C2；

图7所示为第二步聚类得到的结果C2，图中显示的浅黄色为地震相类型2的平面展布范围，表示单期砂岩，深黄色为地震相类型3的平面展布范围，表示多期砂岩。C2中井点位置为黑色圆圈标记的为监督训练点，其中包含井组W2中的3口井，标记为2，从其他井组中挑选的4口井well_d1_2、well_d2_1、well_d2_2和well_d1_4，标记为3。

S4-7、重复以上步骤，直至识别出所有地震相类型。

图8所示为C2-1和C2-2的结果，即剥离出的单期砂岩相和多期砂岩相范围，浅黄色表示单期砂岩，深黄色表示多期砂岩，灰色表示空值。

图9所示为参与第三步聚类分析的总振幅属性，灰色表示空值，经过逻辑预算后的地震属性仅在多期砂岩储层展布范围具有属性值。

图10所示为第三步聚类得到的结果C3，图中显示的红色为地震相类型3的平面展布范围，表示多期砂岩无泥岩夹层，深黄色为地震相类型4的平面展布范围，表示多期砂岩有泥岩夹层。C3中井点位置为黑色圆圈标记的为监督训练点，其中包含井组W3中的4口井，标记为32，井组W4中的4口井，标记为4。

S5、将每一种地震相类型进行平面合并，得到最终的聚类地震相分析结果。

图11所示为将分步聚类得到的4种地震相类型进行平面合并的结果。

本发明的提供的测井和地震属性联合的分步聚类分析方法，能够充分合理地利用已钻井信息建立和地震属性的对应关系，获得具有确定地质意义或明确储层类型的聚类结果。

上述各实施例仅用于对本发明的目的、技术方案和有益效果进行了进一步详细说明，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种测井和地震属性联合的分步聚类分析方法，其特征在于，包括以下步骤：

收集已钻井信息，根据所述已钻井信息确定目标储层段聚类分析的地震相类型个数，建立每种地震相类型的判定标准，对所有已钻井的地震相类型进行判定；

提取目标储层段的各种类型的地震属性；

分析已钻井位置的各种地震属性值，筛选出能够识别某一类或者某几类地震相的地震属性，根据地震属性与井点类型的对应关系，确定每一类地震相类型对应的地震属性和监督训练点；

分步聚类直至识别出与已钻井分类对应的各类型地震相的平面展布；

将每一种地震相类型进行平面合并，得到最终的聚类地震相分析结果。

2.如权利要求1所述的测井和地震属性联合的分步聚类分析方法，其特征在于，确定每一类地震相类型对应的地震属性和监督训练点的具体过程如下：

从标定为地震相类型i(i＝1,2,3…)的所有已钻井中，挑选特征典型的2～5口已钻井，作为井组Wi，对于未钻遇地震相类型i，或钻遇类型i的井数不足2口的情况，适当设置虚拟井点；

选择与能够识别地震相类型i的1-3个地震属性进入参与聚类的地震属性组Ai。

3.如权利要求2所述的测井和地震属性联合的分步聚类分析方法，其特征在于，所述分步聚类包括采用上一步确定的地震属性和监督训练点进行聚类，每剥离出一种地震相类型，就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值，逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布。

4.如权利要求3所述的测井和地震属性联合的分步聚类分析方法，其特征在于，所述包括采用上一步确定的地震属性和监督训练点进行聚类，每剥离出一种地震相类型，就将参与后续步骤的地震属性在已经剥离的地震相范围处的属性值赋予空值，逐步操作直至识别出与已钻井分类对应的各类型地震相的平面展布，具体为：

将井组W1作为监督训练点并标记为1，其他井组Wi(i≠1)中挑选2-5口已钻井作为监督训练点并标记为2；

将所有监督训练点和地震属性组A1作为输入，选择聚类分析算法，得到平面聚类结果C1；

将聚类结果C1进行逻辑运算，若C1等于1，则C1-1等于1，否则C1-1等于空值，得到的C1-1即为地震相类型1的平面分布范围；若C1等于2，则C1-2等于2，否则C1-2等于空值，C1-2为其他地震相类型的分布范围；

将井组W2作为监督训练点并标记为2，其他井组Wi(i≠1，2)中挑选C1-2范围内的2-5口已钻井作为监督训练点并标记为3；

对地震属性组A2进行逻辑运算，若C1-2等于2，则A2等于本身的属性值，否则等于空值；

将所有监督训练点和经过逻辑运算的地震属性组A2作为输入，选择聚类分析算法得到平面聚类结果C2；

重复以上步骤，直至识别出所有地震相类型。

5.如权利要求1所述的测井和地震属性联合的分步聚类分析方法，其特征在于，所述已钻井信息包括砂岩厚度、泥岩夹层厚度、砂地比和含油气性特征。

6.如权利要求1所述的测井和地震属性联合的分步聚类分析方法，其特征在于，所述地震属性包括振幅属性、频率属性、波形属性、弧长属性、时间厚度属性和统计类属性。

7.如权利要求4所述的测井和地震属性联合的分步聚类分析方法，其特征在于，所述聚类分析算法概率神经网络算法或K-Means算法。

8.一种测井和地震属性联合的分步聚类分析装置，其特征在于，包括：

第一处理单元，用于收集已钻井信息，根据所述已钻井信息确定目标储层段聚类分析的地震相类型个数，建立每种地震相类型的判定标准，对所有已钻井的地震相类型进行判定；

第二处理单元，用于提取目标储层段的各种类型的地震属性；

第三处理单元，用于分析已钻井位置的各种地震属性值，筛选出能够识别某一类或者某几类地震相的地震属性，根据地震属性与井点类型的对应关系，确定每一类地震相类型对应的地震属性和监督训练点；

第四处理单元，用于分步聚类直至识别出与已钻井分类对应的各类型地震相的平面展布；

第五处理单元，用于将每一种地震相类型进行平面合并，得到最终的聚类地震相分析结果。

9.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序用于被处理器执行时实现如权利要求1～7中任一项所述的测井和地震属性联合的分步聚类分析方法。

10.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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中任一项所述的测井和地震属性联合的分步聚类分析方法。

Images