CN114330593A

CN114330593A - Avo属性的分析方法、装置以及电子设备

Info

Publication number: CN114330593A
Application number: CN202210009340.5A
Authority: CN
Inventors: 王彦飞; 王尧
Original assignee: Institute of Geology and Geophysics of CAS
Current assignee: Institute of Geology and Geophysics of CAS
Priority date: 2022-01-06
Filing date: 2022-01-06
Publication date: 2022-04-12
Anticipated expiration: 2042-01-06
Also published as: CN114330593B

Abstract

本发明提供了一种AVO属性的分析方法、装置以及电子设备，涉水合物AVO属性分析技术领域，缓解了现有技术中对于水合物储层的预测准确度较低的技术问题。该方法包括：获取数据样本，通过BSR正演模型对数据样本进行BSR正演模拟，得到BSR正演结果；其中，BSR正演模型基于Brekhovskikh方程建立；对BSR正演结果进行基于AVO属性的数据提取操作，得到BSR正演结果对应的AVO属性数据组；将AVO属性数据组作为训练样本，通过预设算法对预设分析模型进行训练，得到训练后的AVO属性分析模型；利用AVO属性分析模型对待测BSR数据进行AVO属性分析，得到AVO属性分析结果。

Description

AVO属性的分析方法、装置以及电子设备

技术领域

本申请涉及涉水合物AVO属性分析技术领域，尤其是涉及一种AVO属性的分析方法、装置以及电子设备。

背景技术

振幅随炮检距变化(Amplitude Variation with Offset,AVO)技术广泛应用于天然气水合物(Natural Gas Hydrate，NGH)研究。天然气水合物通常以薄层的形式存在于浅海海底沉积物中。似海底反射(Bottom Simulating Reflector，BSR)是由水合物储层与下伏游离气储层之间波阻抗的巨大差异引起的，被认为是水合物储层的底部边界标志。传统AVO技术以Zoeppritz方程为理论基础，分析BSR的AVO属性即可以完成对于水合物储层的评估。

但是，现有技术中存在着对于水合物储层的预测准确度较低的技术问题。

发明内容

本申请的目的在于提供一种AVO属性的分析方法、装置以及电子设备，以缓解现有技术中对于水合物储层的预测准确度较低的技术问题。

第一方面，本申请实施例提供了一种AVO属性的分析方法，所述方法包括：

获取数据样本，通过BSR正演模型对所述数据样本进行BSR正演模拟，得到BSR正演结果；其中，所述BSR正演模型基于Brekhovskikh方程建立；

对所述BSR正演结果进行基于AVO属性的数据提取操作，得到所述BSR正演结果对应的AVO属性数据组；

将所述AVO属性数据组作为训练样本，通过预设算法对预设分析模型进行训练，得到训练后的AVO属性分析模型；

利用所述AVO属性分析模型对待测BSR数据进行AVO属性分析，得到AVO属性分析结果。

在一个可能的实现中，在所述获取数据样本，通过BSR正演模型对所述数据样本进行BSR正演模拟，得到BSR正演结果的步骤之前，所述方法还包括：

基于预设规则，建立水合物储层物理模型；

基于所述Brekhovskikh方程以及所述水合物储层物理模型，建立所述BSR正演模型。

在一个可能的实现中，所述数据样本包含不同数值的水合物储层厚度、水合物储层孔隙度以及水合物饱和度；

所述获取数据样本，通过BSR正演模型对所述数据样本进行BSR正演模拟，得到BSR正演结果的步骤，包括：

基于不同数值的所述水合物储层的厚度、所述水合物储层的孔隙度以及所述水合物饱和度，通过所述BSR正演模型进行BSR正演模拟，得到预设数量的BSR正演结果。

在一个可能的实现中，所述AVO属性数据组包括BSR反射系数曲线的截距值、BSR反射系数曲线的梯度值、BSR反射系数相位曲线的截距以及BSR反射系数相位曲线的梯度值；

所述对所述BSR正演结果进行基于AVO属性的数据提取操作，得到所述BSR正演结果对应的AVO属性数据组的步骤，包括：

对所述预设数量的BSR正演结果进行基于AVO属性的数据提取操作，得到所述预设数量的BSR反射系数曲线的截距值、所述预设数量的BSR反射系数曲线的梯度值、所述预设数量的BSR反射系数相位曲线的截距值以及所述预设数量的BSR反射系数相位曲线的梯度值。

在一个可能的实现中，所述将所述AVO属性数据组作为训练样本，通过预设算法对预设分析模型进行训练，得到训练后的AVO属性分析模型的步骤，包括：

将第一数量的所述AVO属性数据组作为训练样本，通过所述预设算法对所述预设分析模型进行训练，得到初始分析模型；

将第二数量的所述AVO属性数据组作为验证样本，对所述初始分析模型的分析功能进行验证，得到验证后的所述AVO属性分析模型；

其中，所述第一数量与所述第二数量之和等于所述预设数量。

在一个可能的实现中，所述利用所述AVO属性分析模型对待测BSR数据进行AVO属性分析，得到AVO属性分析结果的步骤，包括：

利用所述AVO属性分析模型对所述待测BSR数据中的所述BSR反射系数曲线的截距值、所述BSR反射系数曲线的梯度值、所述BSR反射系数相位曲线的截距以及所述BSR反射系数相位曲线的梯度值进行综合分析，得到综合分析结果；

其中，所述综合分析结果包含所述待测BSR数据对应的水合物储层的厚度信息、孔隙度信息以及水合物饱和度信息。

在一个可能的实现中，所述预设算法包括下述任意一项或多项：

随机森林算法、Adaboost算法、GBDT算法以及XGBoost算法。

第二方面，提供了一种AVO属性的分析装置，所述装置包括：

获取模块，用于获取预设数量的数据样本，通过BSR正演模型对所述预设数量的数据样本进行BSR正演模拟，得到所述预设数量的BSR正演结果；其中，所述BSR正演模型基于Brekhovskikh方程建立；

提取模块，用于对所述预设数量的BSR正演结果进行基于AVO属性的数据提取操作，得到所述预设数量的BSR正演结果对应的所述预设数量的AVO属性数据组；

训练模块，用于将所述预设数量的AVO属性数据组作为训练样本，通过预设算法对预设分析模型进行训练，得到训练后的分析模型；

分析模块，用于利用所述分析模型对待测BSR数据进行AVO属性分析，得到分析结果。

第三方面，本申请实施例又提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。

第四方面，本申请实施例又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述第一方面所述的方法。

本申请实施例带来了以下有益效果：

本申请实施例提供的一种AVO属性的分析方法、装置以及电子设备，首先获取数据样本，通过BSR正演模型对数据样本进行BSR正演模拟，得到BSR正演结果，其中的BSR正演模型基于Brekhovskikh方程建立，之后对BSR正演结果进行基于AVO属性的数据提取操作，得到BSR正演结果对应的AVO属性数据组，之后将AVO属性数据组作为训练样本，通过预设算法对预设分析模型进行训练，得到训练后的AVO属性分析模型，进而利用AVO属性分析模型对待测BSR数据进行AVO属性分析，得到AVO属性分析结果。本方案中，采用更适合于薄层反射系数计算的Brekhovskikh方程作为AVO分析的理论基础，基于Brekhovskikh方程建立正演模拟模型，通过正演模拟模型对给定的数据样本进行正演模拟，得到正演结果，之后对正演结果进行AVO属性数据提取，得到AVO属性数据组，再利用AVO属性数据组，通过预设算法(例如，随机森林算法)对预设分析模型进行训练，得到训练后的AVO属性分析模型，在实际应用中通过向该AVO属性分析模型输入待测BSR数据，即可以实现对于BSR数据的AVO属性分析，进而完成对于水合物储层的评估，本方案将更适合于薄层反射系数计算的Brekhovskikh方程作为AVO分析的理论基础，综合考虑了多种要素对BSR的AVO属性的影响，可以较为准确的对水合物储层进行分析、评估以及预测，缓解了现有技术中对于水合物储层的预测准确度较低的技术问题，而且，本方案不但适用于海域天然气水合物储层属性分析，同时适用于陆域天然气水合物、陆域常规与非常规油气的储层属性分析。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，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获得其他的附图。

图1为本申请实施例提供的一种AVO属性的分析方法的流程示意图；

图2为本申请实施例提供的一种天然气水合物储层模型示意图；

图3为本申请实施例提供的一种反射系数曲线和反射系数相位曲线随储层厚度的变化规律示意图；

图4为本申请实施例提供的一种水合物储层的纵波速度、横波速度和密度随储层孔隙度和水合物饱和度的变化规律示意图；

图5为本申请实施例提供的一种薄层介质中平面简谐波的传输和反射规律示意图；

图6为本申请实施例提供的一种AVO属性随孔隙度、水合物饱和度和储层厚度的变化趋势示意图；

图7为本申请实施例提供的一种对储层孔隙度的验证结果示意图；

图8为本申请实施例提供的一种对水合物饱和度的验证结果示意图；

图9为本申请实施例提供的一种对储层厚度的验证结果示意图；

图10为本申请实施例提供的一种随机森林算法示意图；

图11为本申请实施例提供的一种AVO属性的分析装置的结构示意图；

图12为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

传统AVO技术的理论基础Zoeppritz方程存在固有问题：Zoeppritz方程没有考虑薄层厚度对反射系数的影响；Zoeppritz方程的近似假设界面两侧的波阻抗差很小。这些假设不符合天然气水合物的赋存特征，因此导致了现有技术中对于水合物储层的预测准确度较低的技术问题。

基于此，本申请实施例提供了一种AVO属性的分析方法、装置以及电子设备，将更适合于薄层反射系数计算的Brekhovskikh方程作为AVO分析的理论基础，综合考虑了多种要素对BSR的AVO属性的影响。Brekhovskikh方程由苏联地球物理学家Brekhovskikh提出。在此等式中，具有不同厚度的夹层对应于不同的反射系数曲线和AVO属性。因此，应使用更适合薄层AVO研究的Brekhovskikh方程来代替Zoeppritz方程，从而在理论基础上解决薄层AVO技术中存在的问题。近年来，随着学者们越来越重视薄层，Brekhovskikh方程得到了广泛的应用。对于天然气水合物储层，由于水合物储层与底层自由气藏之间的波阻抗差异巨大，BSR可以清晰地标记出水合物储层的底部界面。通常很难确定水合物顶部的界面。水合物储层的厚度可以采用布雷霍夫斯基方程估计，该方程考虑了厚度因子，作为水合物储层AVO属性分析的理论基础。综上所述，Brekhovskikh方程可用于分析BSR的各种AVO属性，可用于定量评估水合物储层的厚度和微观结构。因此利用利用Brekhovskikh方程可以较为科学准确的对水合物储层进行分析、评估以及预测，缓解了现有技术中对于水合物储层的预测准确度较低的技术问题。

下面结合附图对本申请实施例进行进一步地介绍。

图1为本申请实施例提供的一种AVO属性的分析方法的流程示意图。如图1所示，该方法包括：

步骤S110，获取数据样本，通过BSR正演模型对数据样本进行BSR正演模拟，得到BSR正演结果。

其中，BSR正演模型基于Brekhovskikh方程建立。

示例性的，可以首先建立如图2所示的天然气水合物储层模型。其中，A层为普通海底沉积层，纵波速度1717m/s，横波速度600m/s，密度1.59g/cm3。B层为天然气水合物储层，纵波速度2076.60m/s，横波速度1196.66m/s，密度2.11g/cm3。水合物储层厚度从5m到95m不等，步长为10m。C层富含游离气，纵波速度1681.60m/s，横波速度592.71m/s，密度1.52g/cm3。B层与C层之间的强反射为BSR。将Brekhovskikh方程与天然气水合物模型相结合，建立BSR正演模型，利用数据样本对反射界面进行正演模拟计算，可以得到如图3所示的反射系数曲线和反射系数相位曲线随储层厚度的变化规律示意图，即BSR正演结果。Brekhovskikh方程计算的反射系数为复数，因此BSR中存在反射系数的相位曲线。

步骤S120，对BSR正演结果进行基于AVO属性的数据提取操作，得到BSR正演结果对应的AVO属性数据组。

示例性的，如图3所示，反射系数曲线的形状随储层厚度在一个模糊时期内变化。在反射系数随厚度变化的两张图中，相同的曲线具有相似的初始值和相似的变化趋势。例如，当储层厚度为5m～55m时，零偏移距反射系数较小，反射系数随偏移量变化缓慢。反射系数相位曲线随着储层厚度的变化呈现出更多的规律性。水合物储层厚度在5m～45m范围内，反射系数相位曲线的初始值减小，反射系数相位曲线的斜率随着储层厚度的增加而增大。虽然储层厚度在55m-95m范围内，但反射系数相位曲线也呈现类似的变化规律。在55m厚度处，反射系数的相位曲线反转，这是由于地震波在穿过储层时的干扰造成的。因此，可以对BSR正演结果进行基于AVO属性的数据提取，得到BSR正演结果对应的AVO属性数据组，进而便于通过独特的AVO属性数据组分析出对应的天然气水合物储层。

步骤S130，将AVO属性数据组作为训练样本，通过预设算法对预设分析模型进行训练，得到训练后的AVO属性分析模型。

示例性的，可以利用随机森林算法对预设分析模型进行训练，得到训练后的AVO属性分析模型。随机森林方法是提升法(Boosting)的典型代表，它是一种以决策树为基础模型的集成学习方法。随机森林在训练过程中对训练集进行随机抽样，训练后形成若干个小的决策树，通过这些基础决策树的投票完成预测结果。在采样过程中，随机森林算法通常使用Bootstrap(一种回退采样方法)，将训练集随机划分为子训练集。Bootstrap可以生成与整个训练样本不同的数据分布，相当于扩大了训练样本的空间。

步骤S140，利用AVO属性分析模型对待测BSR数据进行AVO属性分析，得到AVO属性分析结果。

在实际应用中，对目标天然气水合物储层进行测量，可以得到待分析预测BSR数据，利用训练好得AVO属性分析模型对待测BSR数据进行AVO属性分析，即可以得到AVO属性分析结果，进而可以较为精确直观的得到分析预测后的目标天然气水合物储层的综合值。

本申请实施例中，采用更适合于薄层反射系数计算的Brekhovskikh方程作为AVO分析的理论基础，基于Brekhovskikh方程建立正演模拟模型，通过正演模拟模型对给定的数据样本进行正演模拟，得到正演结果，之后对正演结果进行AVO属性数据提取，得到AVO属性数据组，再利用AVO属性数据组，通过预设算法(例如，随机森林算法)对预设分析模型进行训练，得到训练后的AVO属性分析模型，在实际应用中通过向该AVO属性分析模型输入待测BSR数据，即可以实现对于BSR数据的AVO属性分析，进而完成对于水合物储层的评估。本方案将更适合于薄层反射系数计算的Brekhovskikh方程作为AVO分析的理论基础，综合考虑了多种要素对BSR的AVO属性的影响，可以较为准确的对水合物储层进行分析、评估以及预测，缓解了现有技术中对于水合物储层的预测准确度较低的技术问题。

下面对上述步骤进行详细介绍。

在一些实施例中，可以基于天然气水合物岩石物理理论进行天然气水合物建模，从而可以得到较为科学的水合物储层模型，之后将Brekhovskikh方程与物理模型相结合，建立更为严谨的BSR正演模型，进而提高了对于水合物储层的预测准确度。作为一个示例，在上述步骤S110之前，该方法还可以包括如下步骤：

步骤a)，基于预设规则，建立水合物储层物理模型。

步骤b)，基于Brekhovskikh方程以及水合物储层物理模型，建立BSR正演模型。

示例性的，在天然气水合物建模中，水合物储层由固相、液相和气相组成。坚固的岩石骨架由多种矿物成分组成。各种矿物的岩石物理参数及百分比含量见表1。

表1.模型构建中各部件的岩石物理参数

构成岩石的矿物有N种，每种矿物的比例为f_i。如果已知每种矿物的弹性模量M_i(M代表体积模量K或剪切模量G)，则可以根据以下两个公式估计岩石的弹性模量：

Reuss公式：

Voigt公式：

Voigt公式得到的模数是实际值的上限，Reuss得到的模数是实际值的下限。可以通过使用(1)和(2)中结果的平均值来近似计算复合介质的模数M_RVH：

一般认为流体介质中含有水和气体，因此可以类似地计算出流体相的体积模量K_f，即两者的等效平均值:

式(4)中，K_w和K_g分别为水和气体的体积模量，S_w和S_g分别是水和气体的体积分数。

当水合物和岩石颗粒作为固体骨架的一部分胶结在一起时，岩石骨架的孔隙率降低，固相的弹性模量发生变化。当水合物饱和度为S_h时，岩石孔隙度变为:

根据希尔的平均值，改变固相的体积模量K_g和剪切模量G_g可以分别写为:

式(6)中，

K_s和G_s分别为纯岩固相的体积模量和剪切模量，K_h和G_h分别为纯天然气水合物的体积模量和剪切模量。

水合物储层孔隙度存在临界孔隙度，一般为36％～40％。当实际孔隙度φ大于临界孔隙度φ_c时，流体被认为是波传播的主要载体。当实际孔隙度φ小于临界孔隙度φ_c时，固体被认为是波传播的主要载体。

对于临界孔隙度φ_c，等效体积模量K_HM和等效剪切模量G_HM岩石骨架如下：

其中，K_g和G_g分别为变化后固相的体积模量和剪切模量，n为岩石颗粒的平均接触点数，一般认为是九个，ν_g是改变后的固相泊松比：

v_g＝(3K_g-2G_g)/(6K_g+2G_g)； (8)

变量P为一定深度沉积岩地层的有效压力，表示为:

式(9)中，ρ_s和ρ_f分别为固相和液相的密度，g是重力加速度，h是深度。K_dry和G_dry分别是没有流体的岩石骨架的等效体积模量和等效剪切模量:

然后根据Gassmann方程，可以得到水合物储层的体积模量和剪切模量分别为:

G_sat＝G_dry； (11)

根据体积模量和剪切模量可以计算出储层中的纵波速度、横波速度和密度：

通过上述方法，建立了一系列水合物储层模型。储层孔隙度变化为5％-30％，变化步长为1％。水合物饱和度变化范围为10％-80％，步长为1％。如图4所示，水合物储层中纵波速度、横波速度和密度随孔隙度和水合物饱和度的变化规律性变化：纵波速度和横波速度变化一致。在水合物饱和度相同的情况下，纵波和横波的速度与储层孔隙度呈负相关。在孔隙度相同的情况下，纵波、横波速度与水合物饱和度呈正相关。与水合物饱和度相比，纵波速度和横波速度对孔隙度变化更为敏感。在相同的变化步长范围内，纵波速度和横波速度随孔隙度变化的幅度更大。水合物储层密度与孔隙度呈负相关规律，密度对水合物饱和度变化的响应不明显。

在实际应用中，在讨论多层介质中波的传播过程时，通常假设界面两侧的介质紧密接触，即满足界面处位移分量和应力分量的连续性。图5显示了薄层介质中平面简谐波的传输和反射规律。根据界面上位移分量和应力分量连续的假设，推导出第一层介质底界面和第三层介质顶界面上位移分量和应力分量的关系如下：

在式(13)中，变量表示如下：

a₁₁＝2sin²γ₂cos P+cos 2γ₂cos Q；

a₁₂＝i(tanθ₂cos2γ₂sin P-sin 2γ₂sin Q)；

a₁₄＝-2iV_S2(tanθ₂sinγ₂sin P+cosγ₂sinQ)；

a₂₂＝cos2γ₂cosP+2 sin²γ₂cos Q)；

a₂₄＝2V_S2sin γ₂(cos Q-cos P)；

a₃₁＝2ρ₂V_S2sinγ₂cos 2γ₂(cos Q-cos P)；

a₃₃＝cos 2γ₂cosP+2 sin²γ₂cos Q；

a₄₄＝2 sin²γ₂cos P+cos 2γ₂cos Q；

将第一层和第三层介质的势函数关系代入上式。

是纵波反射系数，

为横波反射系数，

是纵波传输系数，

是横波传输系数。PP和PS系数的关系可以写成如下：

其中，分量表示为

方程(14a)的解为

其他参数之间的关系可以表示为

P＝α₂d,Q＝β₂d； (16a)

及σ＝k₁sinθ₁＝k_nsinθ_n＝k′₁sinγ₁＝k′_nsinγ_n，斯涅尔定律成立

其他变量表示为

λ₁K₁ ²+2μ₁α₁ ²＝ρ₁ω²cos2γ₁,2μ₁σβ₁＝ρ₁ω²sin2γ₁；

其中，VP1、VP2、VP3分别为三层纵波速度；VS1、VS2、VS3为三层的横波速度；ρ1、ρ2、ρ3为三层密度；d为第二层介质的厚度；ω是频率；θ1、θ2、θ3和γ1、γ2、γ3分别为三层纵波和横波的入射角；φ′,φ″,φ″′和

分别为三层P波和S波的势函数；α为层内纵波数k的垂直分量，β为层内横波数k的垂直分量，σ为波沿界面的相速度；λ、K和μ是弹性模量。

如果给定模型参数，如第二层介质的厚度d，P波的角频率ω和初始入射角θ，各层的弹性参数VP1、VS1、ρ1、VP2，VS2,ρ2,VP3,VS3,ρ3，P波的反射和透射系数可根据式(15)求出。

基于此，成功的建立了基于Brekhovskikh方程以及水合物储层物理模型的BSR正演模型。通过基于天然气水合物岩石物理论及建模技术对天然气水合物储层进行建模，并将Brekhovskikh方程与物理模型相结合，建立更为严谨的BSR正演模型，进而提高了对于水合物储层的预测准确度。

在一些实施例中，水合物储层的厚度、孔隙度以及水合物饱和度对BSR的AVO属性有着不同程度的影响，可以将不同数值的水合物储层的厚度、孔隙度以及水合物饱和度进行排列组合，从而得到较为丰富的数据样本，进而可以通过BSR正演模型对该样本进行正演模拟，得到较为丰富的BSR正演结果，有助于进行下一步的模型训练。作为一个示例，数据样本包含不同数值的水合物储层厚度、水合物储层孔隙度以及水合物饱和度；上述步骤S110具体可以包括如下步骤：

步骤c)，基于不同数值的水合物储层的厚度、水合物储层的孔隙度以及水合物饱和度，通过BSR正演模型进行BSR正演模拟，得到预设数量的BSR正演结果。

示例性的，可以综合考虑天然气水合物储层的孔隙度、饱和度和厚度，建立一系列天然气水合物储层模型。例如，储层孔隙度变化范围为5％～30％，变化步长为1％。水合物饱和度在10％-80％之间变化，步长为1％，厚度在5m-95m之间变化，步长为10m。利用Brekhovskikh方程对上述17500组数据进行BSR正演模拟，得到17500(预设数量)组BSR正演结果。

需要说明的是，预设数量的数值可以为任意值，本申请实施例对此不作限定，不同的数值对预测结果的精度将造成一些影响。为使预测结果更加准确，在生成数据样本时，可以将参与训练的模型参数的范围扩大，以涵盖预测结果的可能值。例如，预测厚度值可能是100m至300m之间的某个值，在训练时的样本厚度参数可以大于这个范围，例如10m至500m。

通过将不同数值的水合物储层的厚度、孔隙度以及水合物饱和度进行排列组合，从而得到较为丰富的数据样本。基于丰富的数据样本，通过BSR正演模型进行BSR正演模拟，得到较为丰富的BSR正演结果，进而有助于进行下一步的模型训练，得到完善的分析模型。

基于上述步骤c)，不同的水合物储层对应有独特初始值和斜率的反射系数曲线和反射系数相位曲线，即可以根据BSR反射系数曲线的截距、梯度，以及BSR反射系数相位曲线的截距、梯度对水合物储层进行分析预测，因此可以对BSR正演结果中的上述特征数据进行针对性的提取，进而便于通过上述特征数据对水合物储层进行分析预测。作为一个示例，AVO属性数据组包括BSR反射系数曲线的截距值、BSR反射系数曲线的梯度值、BSR反射系数相位曲线的截距以及BSR反射系数相位曲线的梯度值；上述步骤S120具体可以包括如下步骤：

步骤d)，对预设数量的BSR正演结果进行基于AVO属性的数据提取操作，得到预设数量的BSR反射系数曲线的截距值、预设数量的BSR反射系数曲线的梯度值、预设数量的BSR反射系数相位曲线的截距值以及预设数量的BSR反射系数相位曲线的梯度值。

示例性的，如图6所示，在传统的AVO技术中，通常认为小角度入射的反射系数与偏移量的变化呈线性关系。反射系数曲线的截距P和梯度G是典型的储层识别AVO属性，也可作为水合物勘探中储层评价的重要方法。水合物储层独特的孔隙度和饱和度对应着独特的波速和密度。具有独特波速、密度和储层厚度的水合物储层对应于具有独特初始值和斜率的反射系数曲线和反射系数相位曲线。反射系数相位曲线的变化是由地震波在水合物储层中的传播时间决定的，因此反射系数相位曲线的变化可以作为识别水合物储层厚度的重要属性。有四个AVO属性需要考虑：P1—BSR反射系数曲线的截距；G1—BSR反射系数曲线的梯度；P2—BSR反射系数相位曲线的截距；G2—BSR反射系数相位曲线的梯度。以上四种AVO属性用于识别水合物储层的孔隙度、饱和度和厚度。

在实际应用中，对于训练使用的AVO属性，在基于Brekhovskikh方程的AVO正演结果中可以较轻易地获得。反射系数“截距”属性：0°入射的反射系数值；反射系数“梯度”属性：0°-15°反射系数的斜率；反射系数“相位-截距”属性：0°入射的反射系数相位；反射系数“相位-梯度”属性：0°-15°反射系数相位的斜率。对于需要预测的水合物储层地震记录，要获取以上四个属性参数需要人为操作提取：对于反射系数的截距-梯度属性需要进行反褶积提取反射系数曲线，再提取其截距和斜率；对于反射系数相位的截距-梯度属性需要进行复地震道变换提取瞬时相位属性，再提取其截距和斜率。

通过对BSR正演结果进行基于AVO属性的数据提取操作，得到对应的BSR反射系数曲线的截距值、BSR反射系数曲线的梯度值、BSR反射系数相位曲线的截距值以及BSR反射系数相位曲线的梯度值，从而可以利用上述特征数据对分析预测模型进行充分训练，进而便于通过上述特征数据对水合物储层进行分析预测。

基于上述步骤d)，可以将一部分的AVO属性数据组作为训练样本，对预设分析模型进行训练，得到训练好的初始分析模型，之后利用另一部分的AVO属性数据，对训练好的初始分析模型进行功能验证，如果验证成功则可以得到AVO属性分析模型，通过较为科学严谨的训练方式，使AVO属性分析模型的功能更加完善，进而提高对于水合物储层的预测准确度。作为一个示例，上述步骤S130具体可以包括如下步骤：

步骤e)，将第一数量的AVO属性数据组作为训练样本，通过预设算法对预设分析模型进行训练，得到初始分析模型。

步骤f)，将第二数量的AVO属性数据组作为验证样本，对初始分析模型的分析功能进行验证，得到验证后的AVO属性分析模型。

对于上述步骤e)和步骤f)，其中的第一数量与第二数量之和等于预设数量。

示例性的，AVO属性数据组中包含BSR反射系数曲线的截距值、BSR反射系数曲线的梯度值、BSR反射系数相位曲线的截距值以及BSR反射系数相位曲线的梯度值。在训练中可以对17,500组AVO前向建模数据进行重新排列，使用17,400组(第一数量)数据进行训练。随机森林算法训练完成后，使用100组(第二数量)数据进行预测。用于训练和预测验证的数据集是分开的，两组数据之间没有相关性。使用随机森林算法对储层参数的预测取得了良好的效果。如图7所示，储层孔隙度范围预测精度为96％；如图8所示，水合物饱和度范围预测精度为85％；如图9所示，储层厚度范围预测精度为100％。与储层孔隙度和储层厚度的预测结果相比，水合物饱和度的预测结果不太准确，因为速度和密度对水合物饱和度的变化不太敏感。根据预测结果，可以确定储层孔隙度、厚度和水合物饱和度的范围，然后评估水合物储层的综合值。

需要说明的是，上述第一数量以及第二数量可以为任意值，即用于训练和用于预测验证的数据集的数量可以为任意值，例如，可以利用16000组数据用于训练，1500组数据用于预测验证。

通过将第一数量的AVO属性数据组作为训练样本，通过预设算法对预设分析模型进行训练，得到初始分析模型，之后通过将第二数量的AVO属性数据组作为验证样本，对初始分析模型的分析功能进行验证，得到验证后的AVO属性分析模型，通过较为科学严谨的训练方式，使AVO属性分析模型的功能更加完善，进而提高对于水合物储层的预测准确度。

基于上述步骤e)和步骤f)，可以通过AVO属性分析模型对实际应用中得到的BSR数据进行分析预测，AVO属性分析模型可以根据BSR反射系数曲线的截距、梯度，以及BSR反射系数相位曲线的截距、梯度对水合物储层进行分析预测，通过科学的方式得到较为准确的预测结果。作为一个示例，上述步骤S140具体可以包括如下步骤：

步骤g)，利用AVO属性分析模型对待测BSR数据中的BSR反射系数曲线的截距值、BSR反射系数曲线的梯度值、BSR反射系数相位曲线的截距以及BSR反射系数相位曲线的梯度值进行综合分析，得到综合分析结果。

对于上述步骤g)，其中的综合分析结果包含待测BSR数据对应的水合物储层的厚度信息、孔隙度信息以及水合物饱和度信息。

示例性的，在发现目标天然气水合物储层后，可以对目标天然气水合物储层进行测量，得到BSR反射系数曲线以及BSR反射系数相位曲线。之后对两条曲线中的BSR反射系数曲线的截距值、BSR反射系数曲线的梯度值、BSR反射系数相位曲线的截距以及BSR反射系数相位曲线的梯度值进行提取，待测BSR数据。之后利用训练好的AVO属性分析模型对待测BSR数据进行AVO属性分析，进而可以较为精确直观的得到分析预测后的目标天然气水合物储层的综合分析结果，例如，目标天然气水合物储层的水合物储层的厚度信息、孔隙度信息以及水合物饱和度信息。

通过利用AVO属性分析模型对实际应用中得到的BSR数据进行分析预测，将传统基于Zoeppritz方程AVO属性分析中的AVO截距梯度(P-G)方法扩展到基于Brekhovskikh方程属性分析的AVO截距梯度法，并采用随机森林算法对水合物储集层的宏观厚度、微观孔隙度和水合物饱和度进行预测，从而可以得到较为准确的预测结果。

在一些实施例中，预设算法可以包括多种类型，从而可以较为灵活的对预设分析模型进行训练，得到训练好的AVO属性分析模型，进而提高对于水合物储层的预测准确度。作为一个示例，预设算法包括下述任意一项或多项：

随机森林算法、Adaboost算法、GBDT算法以及XGBoost算法。

示例性的，如图10所示，随机森林算法是在决策树理论的基础上发展起来的，可以看作是多个决策树的组合。在随机森林中，每棵决策树都是随机生成的，并且相互独立。森林中的多个随机树共同投票决定输入样本的分类结果。随机森林算法的决策树定义为：

{f(X_k，δ_k)，k＝1，2，…，n}； (18)

其中，变量k为重采样后的样本数；X_k是输入向量的集合，每个向量包含四个基于Brekhovskikh方程提取的AVO属性，P1、P2、G1和G2；f(X_k,δ_k)是子决策树的基本分类器；δ_k是对应于X_k的标记值的集合，每个标记值代表孔隙度、水合物饱和度或厚度的变化。

随机森林算法的训练过程分为以下几个步骤：第一步，用Bootstrap重采样技术对原始输入数据变量集进行采样，即对原始数据进行“回溯操作”随机采样，形成多个样本集S(i)；第二部，对每个样本集S(i)使用分类与回归树算法(Classification and RegressionTrees，CART)得到一个独立的子决策树分类模块；第三步，设置样本的特征数为M。在训练决策树的过程中，从所有特征中随机选择Mtry特征，得到非叶子节点和分支节点的所有候选特征信息子集；第四步，利用候选特征信息子集中的每个特征信息对节点进行分割，利用基尼指数最小原则从特征信息子集中选出分割能力最好的特征信息作为分割特征信息的节点。

其中，基尼指数的公式定义为：

其中p(i)是节点上属于第i类的数据样本数与训练数据样本数的比例；第五步，循环第三步和第四步，直到根据基尼指数最小原则对这个子决策树的每个节点进行分割。其中，基尼指数用来表述分类的确定性。当基尼指数不再变小，表示分类的确定性较高，指示该模型已经可以对训练数据较好分类；第六步，循环第一步至第五步，多个子决策树共同投票完成样本特征的分类，完成随机森林模型训练。

上述随机森林算法用于训练上述四个属性(P1、G1、P2、G2)与水合物储层孔隙度、饱和度和厚度之间的非线性关系，并预测水合物储层的孔隙度、饱和度和厚度。在训练过程中，输入为P1、G1、P2和G2，输出为水合物储层孔隙度、饱和度和厚度。实验输出参数的标签值如表2所示。

表2.储层孔隙度、水合物饱和度和厚度的输出标签值

在实际应用中，预测模型的建立过程也是AVO属性与水合物储层参数对应关系建立的过程。只要能建立这个对应关系，可以同时应用多种算法，例如，Boosting系列算法中的Adaboost算法、GBDT算法以及XGBoost算法等等，通过多种算法融合建立对应关系可以进一步提高预测的精度。

通过使预设算法包括多种类型，从而可以较为灵活的对预设分析模型进行训练，得到训练好的AVO属性分析模型，进而提高对于水合物储层的预测准确度。

图11为本申请实施例提供的一种AVO属性的分析装置的结构示意图。如图11所示，该装置包括：

获取模块1101，用于获取预设数量的数据样本，通过BSR正演模型对预设数量的数据样本进行BSR正演模拟，得到预设数量的BSR正演结果；其中，BSR正演模型基于Brekhovskikh方程建立。

提取模块1102，用于对预设数量的BSR正演结果进行基于AVO属性的数据提取操作，得到预设数量的BSR正演结果对应的预设数量的AVO属性数据组。

训练模块1103，用于将预设数量的AVO属性数据组作为训练样本，通过预设算法对预设分析模型进行训练，得到训练后的分析模型。

分析模块1104，用于利用分析模型对待测BSR数据进行AVO属性分析，得到分析结果。

在一些实施例中，该装置还可以包括：

建立模块，用于获取数据样本，通过BSR正演模型对数据样本进行BSR正演模拟，得到BSR正演结果之前，基于预设规则，建立水合物储层物理模型；

基于Brekhovskikh方程以及水合物岩石储层模型，建立BSR正演模型。

在一些实施例中，数据样本包含不同数值的水合物储层厚度、水合物储层孔隙度以及水合物饱和度；获取模块1101具体用于：

基于不同数值的水合物储层的厚度、水合物储层的孔隙度以及水合物饱和度，通过BSR正演模型进行BSR正演模拟，得到预设数量的BSR正演结果。

在一些实施例中，AVO属性数据组包括BSR反射系数曲线的截距值、BSR反射系数曲线的梯度值、BSR反射系数相位曲线的截距以及BSR反射系数相位曲线的梯度值；提取模块1102具体用于:

对预设数量的BSR正演结果进行基于AVO属性的数据提取操作，得到预设数量的BSR反射系数曲线的截距值、预设数量的BSR反射系数曲线的梯度值、预设数量的BSR反射系数相位曲线的截距值以及预设数量的BSR反射系数相位曲线的梯度值。

在一些实施例中，训练模块1103具体用于：

将第一数量的AVO属性数据组作为训练样本，通过预设算法对预设分析模型进行训练，得到初始分析模型；

将第二数量的AVO属性数据组作为验证样本，对初始分析模型的分析功能进行验证，得到验证后的AVO属性分析模型；

其中，第一数量与第二数量之和等于预设数量。

在一些实施例中，训练模块1103具体用于：

利用AVO属性分析模型对待测BSR数据中的BSR反射系数曲线的截距值、BSR反射系数曲线的梯度值、BSR反射系数相位曲线的截距以及BSR反射系数相位曲线的梯度值进行综合分析，得到综合分析结果；

其中，综合分析结果包含待测BSR数据对应的水合物储层的厚度信息、孔隙度信息以及水合物饱和度信息。

在一些实施例中，预设算法包括下述任意一项或多项：

随机森林算法、Adaboost算法、GBDT算法以及XGBoost算法。

本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。

图12为本申请实施例提供的一种电子设备的结构示意图，该电子设备包括：处理器1201，存储器1202，总线1203和通信接口1204，所述处理器1201、通信接口1204和存储器1202通过总线1203连接；处理器1201用于执行存储器1202中存储的可执行模块，例如计算机程序。

其中，存储器1202可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(Non-volatile Memory)，例如至少一个磁盘存储器。通过至少一个通信接口1204(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线1203可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器1202用于存储程序，所述处理器1201在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器1201中，或者由处理器1201实现。

处理器1201可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1201中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1201可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1202，处理器1201读取存储器1202中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims

1.一种AVO属性的分析方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，在所述获取数据样本，通过BSR正演模型对所述数据样本进行BSR正演模拟，得到BSR正演结果的步骤之前，所述方法还包括：

基于预设规则，建立水合物储层物理模型；

3.根据权利要求1所述的方法，其特征在于，所述数据样本包含不同数值的水合物储层厚度、水合物储层孔隙度以及水合物饱和度；

4.根据权利要求3所述的方法，其特征在于，所述AVO属性数据组包括BSR反射系数曲线的截距值、BSR反射系数曲线的梯度值、BSR反射系数相位曲线的截距以及BSR反射系数相位曲线的梯度值；

5.根据权利要求4所述的方法，其特征在于，所述将所述AVO属性数据组作为训练样本，通过预设算法对预设分析模型进行训练，得到训练后的AVO属性分析模型的步骤，包括：

6.根据权利要求5所述的方法，其特征在于，所述利用所述AVO属性分析模型对待测BSR数据进行AVO属性分析，得到AVO属性分析结果的步骤，包括：

7.根据权利要求1所述的方法，其特征在于，所述预设算法包括下述任意一项或多项：

随机森林算法、Adaboost算法、GBDT算法以及XGBoost算法。

8.一种AVO属性的分析装置，其特征在于，所述装置包括：

9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述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上述权利要求1至7任一项所述的方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至7任一项所述的方法。