基于地震分级敏感属性融合的深层薄互储层定量表征方法

摘要

一种基于地震分级敏感属性融合的深层薄互储层定量表征方法，有效提高了针对深层薄互储层地震属性分析的效率，大大提高了预测精度。本方案包括：大时窗段的地质背景下，针对目的层段的地质目标分区域提取的合理小时窗段属性，对有利储层进行精细雕刻，最终与大背景融合，得到针对地质目标的属性预测图。该方法包括两个关键步骤：一是大地质背景下，利用常规地震多属性相关降维、针对目的层段优选目标敏感属性。二是基于地震分级对属性采取先分级：确定不同背景下目标区域合理的小时窗段；再融合：分序级小时窗参数下敏感属性在融合定量预测研究区内储层范围。其中所述的分级和融合采用实钻资料约束下的支持向量机（SVM）算法实现。

说明书

技术领域

本发明涉及地球物理勘探及综合研究领域，尤其涉及到一种基于地震分级敏感属性融合方法预测深层薄互储层。

背景技术

地震属性是表征地震波几何形态、运动学特征、动力学特征和统计特征的物理量，在当前的石油勘探综合研究中是进行储层预测的一个重要方面。由于局限于使用单一属性预测储层,预测结果往往多解性很强,这种多解性问题可以通过多属性融合方法加以改善。在测井资料的基础上,研究地震属性特征,分析各属性对储层的敏感性,应用多属性融合方法将几种属性融合于一体,再利用井位计算出各种地震属性的融合比重,预测有利储层的发育位置。该思路有机地结合了各属性的优点,能有效降低储层预测结果的多解性。但随着地层深度的加深,产状的变化以及储层厚度的变薄，多属性融合的预测精度会大大降低。

发明内容

本发明的目的是针对现行技术对深层薄互层储层预测精度较低的问题，提供一种利用地震分级(区带分级和时窗分级)的基于地震分级敏感属性融合的深层薄互储层定量表征方法，有效提高了针对深层薄互储层地震属性分析的效率，大大提高了预测精度。特别适用于储层埋藏深、断块复杂、储层厚度薄、边界难以确定的地区。

本发明的目的可通过如下技术措施来实现：

基于地震分级敏感属性融合的深层薄互储层定量表征方法：大时窗段的地质背景下，针对目的层段的地质目标分区域提取的合理小时窗段属性，对有利储层进行精细雕刻，最终与大背景融合，得到针对地质目标的属性预测图。该方法包括两个关键步骤：一是大地质背景下，利用常规地震多属性相关降维、针对目的层段优选目标敏感属性。二是基于地震分级对属性采取先分级：确定不同背景下目标区域合理的小时窗段；再融合：分序级小时窗参数下敏感属性在融合定量预测研究区内储层范围。其中所述的分级和融合采用实钻资料约束下的支持向量机(SVM)算法实现。

发明的具体技术方案：

1、结合井震高频层序划分的沉积背景，对常规地震多属性相关降维、对目的层段进行属性优选。完成常规多属性融合图，预测深层薄互储层。

2.在常规多属性预测储层的基础上，对全区储层进行分级处理。大范围大范围的区域，储层的产状变化较大，大时窗的预测不能满足小范围砂体的精细雕刻，因此对全区进行分级处理，包括：区带分级和时窗分级。区带分级主要是利用测井、钻井资料，结合沉积特征，在已钻井的基础上，将需要详细刻画的储层确定出来，在平面上划分出区域；时窗分级的原则是在砂体分布比较集中的地方可以用同一个小时窗，在不集中的地方可以进一步的划分目标区域再确定时窗，直到能把砂体精细刻画。但小时窗的范围必须在大时窗的范围内，不能超出，主要目的是为了更细致的描述砂体的边界。

3、在确定分级的基础上，对各个分级区带和分级时窗内的储层进行分级预测。其算法包含两个阶段:训练阶段和预测识别阶段。训练阶段主要是为了建立基于支持向量机(SVM)的多属性情况识别模型，主要步骤为：对地震属性训练、集中属性信息进行归一化：提取特征向量。建立地震属性特征向量训练集：由此为基础建立支持向量机(SVM)分类模型；识别阶段主要步骤为：对要分级的地震属性信息进行归一化；提取其特征向量。其中分级建立支持向量机(SVM)识别模型过程中还加入了实钻井的约束：提取属性特征向量时加入钻井储层参数的约束，是预测结果与实钻井吻合度更高。

4、对分区带分时窗的属性进行第二次融合，得到全区分级属性融合属性。运算中对优选属性随机取若干采样点，进行分类函数f(x)的运算，计算分类阀值，按照最优化原则，即该阀值能将属性中的不同分类正确地分开，并且折中考虑使样本错分率最小和分类间隔最大。不断修改分类阀值，直到不同分类中的样本点误差都收敛至可接受的范围内。这样得到的融合结果避免了多属性融合的多解性，使预测结果更加精确。

5.完成的基于地震分级敏感算法大背景下的属性分类结果：针对分类结果进一步细分目标进行小时窗的属性预测，通过属性优化的手段与反应背景的原始属性信息再融合，得到地震分级属性融合预测图。

6.利用地震分级属性融合储层预测图件结合实钻资料的储层参数，半定量化的预测出深层薄储层的展布范围，使预测结果与实钻井吻合度更高，更精确，结果可推广应用。

上述方案步骤(3)识别阶段中对要分级的地震属性信息进行归一化，提取其特征向量；将该向量作为支持向量机(SVM)输入进行分类函数的运算、每个支持向量对应一个分类阀值b，对分类阀值b低于特定数值的的归为一类，依此确定分类界限；提取属性特征向量时加入钻井储层参数的约束，通过井点附近地震属性信息与大背景下地震属性比对分析，不断计算收敛，优化识别建模过程中特征向量的提取，使模型更接近于实际地质情况，降低多解性。

上述方案步骤(4)对分区带分时窗的属性进行第二次融合，得到全区分级属性融合属性，对优选属性随机取若干采样点，进行分类函数f(x)的运算，计算分类阀值，按照最优化原则，即该阀值能将属性中的不同分类正确地分开，并且折中考虑使样本错分率最小和分类间隔最大，不断修改分类阀值，直到不同分类中的样本点误差都收敛至可接受的范围内；在该过程中，以分级模型为督导进行训练，得到若干类基于分类函数的特征向量，每类特征向量在地震属性上都对应一个分类集合，至此分类过程结束；整个过程以支持向量机(SVM)为核心算法，算法的实现方式如下：

H为分类线，满足线性方程：w*x+b＝0，H1、H2分别是过各类中离分类线最近的样本且平行于分类线H的直线，它们之间的距离称做分类间隔；所谓的最优分类线就是要求分类线不但能将两类正确分开，即训练错误率为0，而且使分类间隔2/‖w‖最大；针对线性可分集合(x_i,y_i)对分类线方程进行标准化处理后满足yi(w*xi+b)-1≥0i＝1,…ny∈{-1,1}，使分类间隔2/‖w‖最大等价与使‖w‖²最小，满足前式且使‖w‖²/2最小的分类面称为最优分类面，H1、H2上的样本点称为支持向量，求取最优分类面也就是求取线性方程中最佳(w,b)。即在yi(w*xi+b)-1≥0i＝1,…ny∈{-1,1}的约束下求‖w‖²/2的最小值；定义如下的Lagrange函数：

$L(w,b,a)=\frac{1}{2}{\left|\right|w\left|\right|}^2-\underset{i=1}{\overset{n}{\Sigma }}{a}_i(y_i(w*x_i+b)-1)$

其中a_i≥0为拉格朗日系数；求‖w‖²/2的极小值就是对w,b求拉氏函数的极小值，对L函数做微分并令其等于0，拉氏函数及转换为：在∑y_ia_i＝0,a_i≥0,i＝1,…n约束下求拉格朗日系数a_i对函数：

$W\left(a\right)=\underset{i=1}{\overset{n}{\Sigma }}{a}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Sigma }}{a}_i{a}_j{y}_i{y}_j(x_i*x_j)$

其极大值最优解满足a_i(y_i(w*x_i+b)-1)＝0,i＝1,…n，解中a_i不为零的样本x_i,y_i即支持向量，也就是H1、H2上的样本点，因此W可简化为：

$W^{*}=\underset{\mathrm{supervector}}{\Sigma }{a}_i{x}_i{y}_i$

求解后得到的最优化分类函数为：

$f\left(x\right)=\mathrm{sgn}\{(w*x)+b=\mathrm{sgn}\{\underset{i=1}{\overset{n}{\Sigma }}{a_i}^{\prime }{y}_i(x_i*x)+b^{\prime }\}$

其中sgn为分类函数、b为分类阀值，x为给定样本、xi,yi为线性可分样本集；对于未知样本x只需计算分类函数，即可判断x所属分类，对于线性不可分的情况：只需加入1个松弛选项ξ_i≥0，样本集满足yi(w*xi+b)-1+ξ_i≥0i＝1,…n，函数的转换和计算过程与线性类似，但约束条件变为：∑y_ia_i＝0,0≤a_i≤c,i＝1,…n，c为控制错分样本处罚程度的常数，分类函数也相应变化为

$f\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{n}{\Sigma }}{a_i}^{\prime }{y}_{i}k(x_i,x)+b^{\prime }\}$

k为最优分类面中适当的内积函数，其他参数与线性情况相同。

发明的效果：该方法针对储层埋藏深，产状变化大，断块复杂，储层厚度薄的砂体，提出了区带分级和时窗分级的方法，通过分级后多属性的提取和加入已钻井的信息再融合，能够较准确的实现深层薄互储层的预测，解决了地震属性对于深层薄互层预测困难的问题，能更为精确的得到深层地震属性信息实现预测、更好地对石油勘探地震解释提供依据，具有良好的应用效果和推广前途，有效提高了深层薄互储层地震属性分析的精度，指导了勘探和开发。

附图说明

图1为本发明的一种实施例具体实施流程图；

图2为一种最优分类面图解；

图3为利用区带分级方法划分出的分级目标区域示意图；

图4利用时窗分级方法划分出的目标区域的小时窗；

图5对利用分级属性得到的目标区域内小时窗段的分级属性融合图；

图6分区带分时窗的属性进行第二次融合得到的全区地震分级敏感属性融合图。

具体实施方式

下文特举出较佳实施例，并配合所附图式，作详细说明如下。

基于地震分级敏感属性融合的深层薄互储层定量表征方法，其具体实现过程为：

1.结合井震高频层序划分的沉积背景，对常规地震多属性相关降维、对目的层段进行属性优选。完成常规多属性融合图，预测深层薄互储层。

2.在常规多属性预测储层的基础上，对全区储层进行分级处理。大范围大范围的区域，储层的产状变化较大，大时窗的预测不能满足小范围砂体的精细雕刻，因此对全区进行分级处理，包括：区带分级和时窗分级。区带分级主要是利用测井、钻井资料，结合沉积特征，在已钻井的基础上，将需要详细刻画的储层确定出来，在平面上划分出区域；时窗分级的原则是在砂体分布比较集中的地方可以用同一个小时窗，在不集中的地方可以进一步的划分目标区域再确定时窗，直到能把砂体精细刻画。但小时窗的范围必须在大时窗的范围内，不能超出，主要目的是为了更细致的描述砂体的边界。

3.在确定分级的基础上，对各个分级区带和分级时窗内的储层进行分级预测。其算法包含两个阶段:训练阶段和预测识别阶段。训练阶段主要是为了建立基于支持向量机(SVM)的多属性情况识别模型，主要步骤为：对地震属性训练、集中属性信息进行归一化：提取特征向量。建立地震属性特征向量训练集：由此为基础建立支持向量机(SVM)分类模型。识别阶段主要步骤为：对要分级的地震属性信息进行归一化；提取其特征向量。将该向量作为支持向量机(SVM)输入进行分类函数的运算、每个支持向量对应一个分类阀值b，对分类阀值b低于特定数值的的归为一类，依此确定分类界限。其中分级建立支持向量机(SVM)识别模型过程中还加入了实钻井的约束：提取属性特征向量时加入钻井储层参数的约束，通过井点附近地震属性信息与大背景下地震属性比对分析，不断计算收敛，优化识别建模过程中特征向量的提取，使模型更接近于实际地质情况，降低多解性。两个阶段的核心都是支持向量机(SVM)。

4.对分区带分时窗的属性进行第二次融合，得到全区分级属性融合属性。其算法如下：对优选属性随机取若干采样点，进行分类函数f(x)的运算，计算分类阀值，按照最优化原则，即该阀值能将属性中的不同分类正确地分开，并且折中考虑使样本错分率最小和分类间隔最大。不断修改分类阀值，直到不同分类中的样本点误差都收敛至可接受的范围内。在该过程中，以分级模型为督导进行训练，得到若干类基于分类函数的特征向量，每类特征向量在地震属性上都对应一个分类集合，至此分类过程结束。整个过程以支持向量机(SVM)为核心算法：其是从线性可分情况下的最优分类面发展而来、主要用以模式分类和非线性回归，它克服了以往神经网络所存在的诸如局部最优，过度学习，网络不稳定等问题，是统计学习和人工智能中非常先进的算法、分线性可分与不可分两种情况。算法的实现过程如下所示：

图2为一个二维图示：图中▲和●代表2类样本，H为分类线，满足线性方程：w*x+b＝0。(即线性可分条件下)H1、H2分别是过各类中离分类线最近的样本且平行于分类线H的直线，它们之间的距离称做分类间隔(margin)。所谓的最优分类线就是要求分类线不但能将两类正确分开，即训练错误率为0；而且使分类间隔2/‖w‖最大。针对线性可分集合(x_i,y_i)对分类线方程进行标准化处理后满足：yi(w*xi+b)-1≥0i＝1,…ny∈{-1,1}，使分类间隔2/‖w‖最大等价与使‖w‖²最小。满足前式且使‖w‖²/2最小的分类面我们称为最优分类面。H1、H2上的样本点称为支持向量。求取最优分类面也就是求取线性方程中最佳(w,b)。即在yi(w*xi+b)-1≥0i＝1,…ny∈{-1,1}的约束下求‖w‖²/2的最小值。定义如下的Lagrange函数：

$L(w,b,a)=\frac{1}{2}{\left|\right|w\left|\right|}^2-\underset{i=1}{\overset{n}{\Sigma }}{a}_i(y_i(w*x_i+b)-1)$

其中a_i≥0为拉格朗日系数。求‖w‖²/2的极小值就是对w,b求拉氏函数的极小值。对L函数做微分并令其等于0，拉氏函数及转换为：在∑y_ia_i＝0,a_i≥0,i＝1,…n约束下求拉格朗日系数a_i对函数：

$W\left(a\right)=\underset{i=1}{\overset{n}{\Sigma }}{a}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Sigma }}{a}_i{a}_j{y}_i{y}_j(x_i*x_j)$

的极大值。其最优解满足a_i(y_i(w*x_i+b)-1)＝0,i＝1,…n。解中a_i不为零的样本x_i,y_i即支持向量，也就是H1、H2上的样本点。因此W可简化为：

$W^{*}=\underset{\mathrm{sup>}}{\Sigma }{a}_i{x}_i{y}_i$

求解后得到的最优化分类函数为：

$f\left(x\right)=\mathrm{sgn}\{(w*x)+b\}=\mathrm{sgn}\{\underset{i=1}{\overset{n}{\Sigma }}{a}_i^{\prime }{y}_i(x_i*x)+b^{\prime }\},$

其中sgn为分类函数、b为分类阀值，x为给定样本、xi,yi为线性可分样本集，对于未知样本x只需计算分类函数。即可判断x所属分类。对于线性不可分的情况：只需加入1个松弛选项ξ_i≥0，样本集满足yi(w*xi+b)-1+ξ_i≥0i＝1,…n，函数的转换和计算过程与线性类似，但约束条件变为：∑y_ia_i＝0,0≤a_i≤c,i＝1,…n，c为控制错分样本处罚程度的常数，分类函数也相应变化为:

$f\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{n}{\Sigma }}{a}_i^{\prime }{y}_{i}k(x_i,x)+b^{\prime }\}$

k为最优分类面中适当的内积函数，其他参数与线性情况相同。

5.完成的基于地震分级敏感算法大背景下的属性分类结果：针对分类结果进一步细分目标进行小时窗的属性预测，通过属性优化的手段与反应背景的原始属性信息再融合，得到地震分级属性融合预测图。

6.利用地震分级属性融合储层预测图件结合实钻资料的储层参数，半定量化的预测出深层薄储层的展布范围，使预测结果与实钻井吻合度更高，更精确，结果可推广应用。

按照上述方法，针对储层埋藏深，产状变化大，断块复杂，储层厚度薄的砂体，提出了区带分级和时窗分级的方法，得到了分级目标区域(图3)以及分级小时窗(图4)。通过分级后多属性的提取和加入已钻井的信息再融合，有效提高了储层预测的精度，得到了分区带属性预测图(图5)。通过神经网络函数逼近算法的储层参数定量表征方法，在分区带属性预测的基础上，对全区属性进行融合吗，最终得到全区地震分级敏感属性预测图(图6)，半定量化的预测出深层薄储层的边界，对于指导下一步的油田开发井的部署，更加可靠。