一種地震波形分析及儲層預測方法和裝置的製作方法
2023-05-25 20:43:51
專利名稱：一種地震波形分析及儲層預測方法和裝置的製作方法
技術領域：
本發明涉及石油勘探領域，具體涉及ー種地震波形分析及儲層預測方法和裝置。
背景技術：
由於碳酸鹽巖儲層的非均質性非常強，而且碳酸鹽巖儲層往往埋藏深，這ー方面限制了多波和大出射角地震資料和相關先進方法的利用，另ー方面由於濱裏海盆地ニ疊系巨厚鹽丘的屏蔽效應使地震資料的解析度降低，多種因素使得研究區的碳酸鹽巖儲層預測非常困難。目前對於碳酸鹽巖的儲層預測多採用波阻抗反演等儲層預測方法，這些方法大多針對碎屑巖儲層，且往往丟失了兩個基本信息①不清楚地震信號的總體變化；②不清楚這種變化的分布規律。發明人在實現本發明的過程中發現，這些方法直接應用於碳酸鹽巖效果不太理想，且在勘探階段早期，尤其是在井資料比較少的情況下，僅利用波阻抗反演方法，其結果往往多解性較強，很難對其進行準確預測。
發明內容
本發明的目的在於，提供ー種地震波形分析及儲層預測方法和裝置，以將地震相劃分、單井沉積相識別、沉積地質研究相結合進行沉積相帶劃分，進ー步進行碳酸鹽巖有利儲層發育區的預測。為達上述目的，一方面，本發明實施例提供了ー種地震波形分析及儲層預測方法，所述方法包括從地震剖面上任ー個地震反射層位中選取目的層；選取地震波形分類時窗的大小，根據所述地震波形分類時窗提取目的層附近的波形；根據地震相的分類數，創建多個模型道，所述多個模型道的數量與所述地震相的分類數相同；根據自組織神經網絡對不同的波形進行分類，以區分不同沉積體；對地震相分類參數進行處理，生成地震相分類圖；所述地震相分類參數包括地震相的分類數、訓練自組織神經網絡的數據量及自組織神經網絡的迭代次數；根據沉積時水深、水動カ特徵、巖石物理特徵、生物種類、沉積構造特徵、儲集性能、以及測井曲線特徵，建立沉積相識別標誌以進行單井沉積相的劃分，並進行單井間的沉積相對比來生成連井沉積相，所述連井沉積相用以確定井與井之間的沉積相；結合單井沉積相及地震相，把井點處地震相轉化為沉積相，根據標定井點地震波形類型向未鑽探地區外推，結合連井沉積相，對整個地震相圖進行地質解釋並由點到面地形成沉積相圖；根據所述沉積相圖進行儲層預測，尋找不同沉積相中有利儲層發育區。為達上述目的，另ー方面，本發明實施例提供了ー種地震波形分析及儲層預測裝置，所述裝置包括
目的層選取単元，用於從地震剖面上任ー個地震反射層位中選取目的層；地震波形分類時窗選取單元，用於選取地震波形分類時窗的大小，根據所述地震波形分類時窗提取目的層附近的地震波形；模型道創建單元，用於地震相的分類數，創建多個模型道，所述多個模型道的數量與所述地震相的分類數相同；波形分類單元，用於根據自組織神經網絡對不同的地震波形進行分類，以區分不同沉積體；地震相分類圖生成単元，用於對地震相分類參數進行處理，生成地震相分類圖；所述地震相分類參數包括地震相的分類數、訓練自組織神經網絡的數據量及自組織神經網絡的迭代次數；單井沉積相劃分與對比單元，用於根據沉積時水深、水動カ特徵、巖石物理特徵、生物種類、沉積構造特徵、儲集性能、以及測井曲線特徵，建立沉積相識別標誌以進行單井沉積相的劃分，並進行單井間的沉積相對比來生成連井沉積相，所述連井沉積相用以確定井與井之間的沉積相；沉積相圖生成單元,用於結合單井沉積相及地震相,把井點處地震相轉化為沉積相，根據標定井點地震波形類型向未鑽探地區外推，結合連井沉積相，對整個地震相圖進行地質解釋並由點到面地形成沉積相圖；儲層預測單元，用於根據所述沉積相圖進行儲層預測，尋找不同沉積相中有利儲層發育區。本發明實施例提供的上述技術方案的有益效果在於可以由點到面地把地震相轉化為沉積相，進行有利沉積相帶的研究及儲層預測，消除了地震與地質勘探結合不緊密的弊端，使得地震和地質完美結合來指導油氣的勘探，増加勘探工作效率。
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖做ー簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。圖I為本發明實施例的地震波形分析及沉積相劃分的整體流程圖；圖2為本發明實施例的地震波形分類時窗選取的示意圖；圖3為本發明實施例的地震波形分類模型道示意圖；圖4為本發明實施例的濱裏海盆地中區塊波形分類地震相平面分布圖；圖5為本發明實施例濱裏海盆地東緣中區塊石炭系沉積相類型特徵簡表；圖6為本發明實施例的濱裏海東緣中區塊石炭系主要目的層東西向連井沉積相圖；圖7為本發明實施例的濱裏海盆地東緣中區塊石炭系KT- I層頂部沉積相分布圖；圖8為本發明實施例的地震波形分析及沉積相預測裝置的功能框圖； 圖9為本發明實施例的地震相分類圖生成単元250的具體功能框圖。
具體實施例方式為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。由於不同的沉積環境形成不同的沉積體，反映在地震信息上就是地震波振幅、頻率、相位的變化，也就是地震波形的變化。因此，本發明實施例首先應用人工神經網絡地震相檢測技術進行地震波形分類，得到與沉積相相對應的地震相圖，然後應用鑽井、測井、試油等資料進行單井沉積相的劃分與對比，結合區域地震相圖，詳細解釋地震相所包含的地質含義，可以由點到面地把地震相轉化為沉積相，進行有利沉積相帶的研究及儲層預測，消除了地震與地質勘探結合不緊密的弊端，使得地震和地質完美結合來指導油氣的勘探，增加勘探工作效率。 圖I為本發明實施例的地震波形分析及沉積相劃分的整體流程圖。如圖I所示，該方法包括如下步驟步驟110、從地震剖面上任ー個地震反射層位中選取目的層。步驟120、選取地震波形分類時窗的大小，根據所述震波形分類時窗提取目的層附近的地震波形。在本實施例中，利用波形特徵進行波形分類時需要選用比較穩定的層段，層段的選取最好是大於半個相位並小於150ms，太大的層段會包含太多的模型，給解釋帶來困難。濱裏海盆地東緣中區塊儲層發育較薄，地震時間域一般為40-50ms，為了儘量減少時窗選取時存在的偏差，在50ms時窗下提取目的層附近的波形進行地震波形分類。請參閱圖2示出的本發明實施例地震波形分類時窗選取的示意圖(黒色線框為選定時窗)。步驟130、根據地震相的分類數，創建多個模型道，所述多個模型道的數量與所述地震相的分類數相同。在本實施例中，起初會劃分出幾種典型的形狀，然後每一實際道會被賦予ー個基本相似性的典型形狀。自組織神經網絡在地震層段內對實際地震道進行訓練，通過幾次迭代之後，自組織神經網絡構造合成地震道，然後與實際地震數據進行對比，通過自適應實驗和誤差處理，合成道在每次迭代後被改變，在模型道和實際地震道之間尋找更好的相關。創建的模型道與地震相的分類數密切相關，採用多少分類數就會產生多少個模型道。請參閱圖3示出的本發明實施例的地震波形分類模型道示意圖。步驟140、根據自組織神經網絡對目的層附近的地震波形進行分類，以區分不同沉積體。具體地，本步驟就是通過對不同的波形進行分類，達到區分不同沉積體的目的；其中所用的算法就是自組織神經網絡，它是ー種具有自學習功能的神經網絡，它實際上是一種非線性映射，可以將信號空間中各模式的拓撲關係近乎不變地反映在網絡輸出上，主要由輸入和輸出兩部分組成，輸入是ー維的，輸出可以是多維的，並且輸出節點與鄰域的其他節點廣泛相連，每個輸入神經元與每個輸出神經元有一前饋連接，通過自適應、自組織學習並不斷調整權值，使神經網絡在穩定時每ー鄰域的所有神經元對某種輸入具有相同的輸出。
設神經元個數為N,神經元全向量為=[Wfl,Wj2,Wp….…,Wtp] j = I, 2, 3. . . , N輸入模式為=Xi =[んろ，ろ…….,Xp] t = 1,2, 3...,M實現步驟為①初始化權值向量丨ダ/ (O)時選取小一點的隨機值，選取大ー些的初始化學習率α (O)和鄰域函數Ωπ(0);②將樣本矢量I輸入到輸入層；③選擇權值向量最匹配:^的神經元作為獲勝神經元，獲勝神經元標號m，滿足
11 Xi- W1:リ)11= min； , (I I X:— WJi) 11丨;④訓練權值矢量，使活性泡範圍內(鄰域Ω m (O))的
神經元向輸入矢量方向移動
^ ^(/ + 1) = ^(0 + a{t)[Xt - Wj (O] j ￡ Ωλ, U)J一
Wj ((+1)= Wj (O j^nm(t)；⑤更新學習率a (t)，學習率的線性減小將產生令人滿意的結果；⑥減小鄰域函數Ωπα)。最終檢查結束條件，當權值不再發生明顯變化時退出，否則繼續轉入步驟②。通過上述競爭學習，可以使鄰近的神經元權向量與獲勝神經元權向量接近，而獲勝神經元權向量與某學習樣本向量是最接近的，所以，如果學習樣本向量中有明顯的分類聚集關係，那麼通過競爭學習神經網絡中神經元權向量的分布呈現ー種分區現象，同一區內的神經元權向量彼此接近，並且與某一類的樣本向量接近，從而達到分類與聚類的目的。步驟150、對地震相分類參數進行處理，生成地震相分類圖；所述地震相分類參數包括地震相的分類數、訓練自組織神經網絡的數據量及自組織神經網絡的迭代次數。具體地，在本步驟中，首先進行地震相分類參數的處理。①根據測區大小選擇用於訓練自組織神經網絡採用的數據量，其包括對於道數小於第一道數閾值(例如300)的三維測區，使用每一道數據用於訓練自組織神經網絡；對於道數大於第二道數閾值(例如1000)的三維測區，每隔多道抽取一道的數據用於訓練自組織神經網絡，其中第二道數閾值大於第一道數閾值；以及對於道數位於第一道數閾值和第二道數閾值之間的三維測區，根據用戶計算機硬體配置情況和/或預設的任務緩急標識來確定是否需要抽稀道用於訓練自組織神經網絡。舉例而言，在選擇用於訓練神經網絡採用的數據量時，對於ー個小的三維測區(如小於300X300道)可以使用每一道數據，而對於一個較大的測區(如大於1000X1000道)最好抽稀道以減少計算時間，建議每4道抽一道處理，這樣程序就每隔4道抽出一道去建立網絡培訓數據。如果間隔選的太大，那麼ー些重要的地質特徵就會被忽略棹。研究區選取每4道抽一道處理。②確定地震相的分類數。地震相的分類數是整個感興趣的層段內所遇到的地震道的種類數，較為理想的分類數是不容易定義的，一般至少計算3次去估計該參數。粗略且實用的估計方法是把選定目的層段厚度除以6作為第一次計算的分類數，把上次計算分類數的50%作為第二次計算的分類數，把第一次計算分類數的150%作為第3次計算的分類數。通過上述的重複計算，判斷選何種分類數更便於解釋。如果第一次計算的分類計算的地震相很複雜，不便於解釋，就用第二次計算的分類數，以此類推。正確的分類數應取決於所要研究的目標和對數據的了解程度，分類數大結果過於詳細，分類數小結果過於粗糙，超過15 20類，通常是很難解釋的。實際應用中，根據地震信號的複雜程度、層段的大小以及對地震數據的認識程度等，一般情況下分類數在5 15之間。針對研究區海相地層沉積特徵簡單的特點，採用了 5類的分類數，產生5個模型道，圍繞目的層選取的時窗，最終產生波形分類圖供地質研究對比應用。③選擇迭代次數。神經網絡大約在10次迭代後就收斂到實際結果的80%，這對於快速瀏覽很方便有效。在實際應用中，10 20次迭代已可確保較好的分類，但對於最終解釋最好選用20 40次迭代，以保證網絡收斂最佳。本地區的研究中，選擇迭代20次。在完成了上述地震波形分類參數處理的基礎上，就可以生成地震相分類圖。濱裏海盆地東緣中區塊主要目的層地震相分類圖見圖4，圖4為本發明實施例的濱裏海盆地中區塊波形分類地震相平面分布圖(白點為井位)。神經網絡地震相分析中，除了利用地震波波形，還可以應用大量地震層間屬性來進行地震相分析，即自組織神經網絡地震相聚類分析技術；通過各目的層段選取的不等厚時窗，在時窗內部提取大量的地震層間屬性並對屬性進行聚類分析，確定主要分類屬性，然後應用神經網絡方法或者分級方法進行地震屬性的地震相分類成圖。步驟160、根據沉積時水深、水動カ特徵、巖石物理特徵、生物種類、沉積構造特徵(例如巖石不同特徵組分的空間排列所顯示的巖石宏觀特徵)、儲集性能(例如巖石的孔隙性和滲透性)、測井曲線特徵(例如自然伽馬等測井曲線的值及形狀特徵)，建立沉積相識別標誌(如圖5所示)，以進行單井沉積相的劃分，並進行單井間的沉積相對比生成連井沉積相(如圖6所示)，該連井沉積相用以確定井與井之間的沉積相。其中，單井沉積相是指鑽井井點處得沉積相，連進沉積相是指不同鑽井之間沉積相的對比。在圖5中，經過單井沉積相分析，在研究區中初步識別出蒸發臺地、局限臺地、開闊臺地、臺地邊緣和陸棚相5種相帶及其識別標誌。蒸發臺地識別標誌屬於淺水環境，有大量鹽類礦物和蒸發交代白雲石。地震反射以中 強反射振幅為主，上相位強、下相位變弱，連續性較差，波形較雜亂，中 低頻，巖性主要為灰-灰白色灰質膏巖、泥質膏巖，膏巖多為硬膏巖，呈層狀、條帶狀分布，電性上表現為GR在低平背景中有針刺狀向高值方向跳躍，泥質含量較高。該環境主要的沉積微相有三類膏坪和泥坪(統稱為潮坪)、白雲坪。這三種微相中膏坪主要由灰-灰白色灰質膏 巖、泥質石膏巖等組成，並呈條帯狀分布，未見生物碎屑，自然伽馬較低(10API以下)，光電子數Pe在8b/e左右，密度高(2. 9g/cm3)和電阻高(20000 Ω · m);泥坪中具粉晶-細晶結構的淺灰色-灰褐色白雲巖，自然伽馬較高(在40API以上)，密度低(2. 4g/cm3)和電阻低(10Ω ·πι)。潮坪微相地震上表現為上部強相位非常連續，振幅較強，下部弱相位也較連續，中-弱振幅。白雲坪巖性主要為泥-粉晶蜓、生屑雲巖，以含多量殘餘蜓類為特徵，並含較多的生物鑄模孔、殼壁鑄模，粒間多為粗粉晶半自晶形白雲石，生物大部分被強烈溶蝕，自然伽馬較低，在20ΑΡΙ以下，光電子數Pe在3. lb/e左右，密度在2. 6g/cm3左右，電阻較高(2000 Ω · m左右),為產油最好的沉積微相。白雲坪微相地震響應為上部的強相位較連續，下部弱相位連續性差，中強-弱振幅。局限臺地識別標誌水動カ條件弱，地震反射以中 強反射振幅為主，連續性較好，弱反射背景上有幾組強反射，中 低頻，巖性主要為灰褐色灰巖和淺灰色泥粉晶灰巖，電性上表現為GR向高值方向凸出，孔隙欠發育。主要的沉積微相有三類臺內礁灘、灘間窪地和灰泥坪。臺內灘巖性以泥晶-亮晶生屑顆粒為主，含較多粗大、矽化的棘皮類，並見介形蟲、苔蘚蟲、蜓類和單射鈣質骨針；自然伽馬較低，在30API左右，密度在2. 4g/cm3左右，電阻較高(100Ω ·πι左右)。臺內灘在地震剖面上成丘狀反射結構，由不規則的、不連續亞平行反射組成，常有許多非系統性的反射終止和同相軸分裂現象，波動起伏幅度小，側向變為丘狀反射結構，底面較平，頂面分界不明顯。灘間窪地巖性為淺灰色泥晶生屑灰巖，可見少量介形蟲、瓣鰓類和腕足類細小碎片，自然伽馬較高，在50ΑΡΙ左右，密度在2. 4g/cm3左右，電阻很低(2 Ω ·ηι左右)。灰泥坪巖性為淺褐灰色粉晶生屑灰巖,淺褐灰色亮晶表鮞粒灰巖，淺灰褐色泥晶生屑、球粒灰巖，泥晶含量高，生物結構細小，含量低，保存差，以球粒為主，細晶-泥晶結構，見少許砂屑，泥質分布不均勻，自然伽馬較高，在50ΑΡΙ左右，密度在2. 6g/cm3左右，電阻較低(20 Ω ·πι左右)。開闊臺地識別標誌地震反射以中 弱反射振幅，連續性較差，中 高頻，巖性主要為顆粒灰巖，生物碎屑豐富，巖石結構較粗，多為亮晶顆粒結構，電性上表現為GR在低平的背景上有針刺狀跳躍。 臺地邊緣識別標誌地震反射以弱振幅背景上有一兩個強反射，內部反射不連續，中 低頻，巖性主要為亮晶粗顆粒灰巖，生物碎屑豐富，電性上表現為GR低，泥質含量較少，為高能沉積環境。陸棚識別標誌地震反射以多組中強反射為主，連續性較差，高頻、亞平行，巖性主要為含泥質泥晶灰巖及灰褐、淺灰褐色含泥質條帶的泥灰巖，電性上表現為GR呈針刺狀跳躍，含泥質較多。步驟170、結合單井沉積相及地震相,對井點處地震相做出合理的地質解釋(把井點處地震相轉化為沉積相)，根據標定井點地震波形類型向未鑽探地區外推，結合連井沉積相，對整個地震相做出綜合性的地質解釋並形成沉積相圖，把地震相賦予地質含義，由點到面地建立沉積相圖，如圖7所示，圖7為本發明實施例的濱裏海盆地東緣中區塊石炭系KT- I層頂部沉積相分布圖。其中，地震波形類型可以包括相位対稱的強振幅、相位對稱的中振幅、相位不對稱的中振幅、相位對稱的弱振幅等類型。濱裏海盆地東緣中區塊主要目的層石炭系沉積相特徵在橫向上有一定的變化，但總體上具有南北向展布的特點，相變方向為近東西向。KT- I層主要發育局限臺地和蒸發臺地，有利儲層主要分布於白雲坪微相，在構造高部位臺內灘內也有可能見到油氣，在區塊內的白雲坪相帶內發現エ業油流就是對沉積相圖的有利驗證，利用此次研究成果確定的探井井位(位於南部白雲坪微相內的CT-55井)發現エ業油流，進ー步提高了油田的地質儲量，實現了 CNPC在濱裏海盆地風險勘探的重大突破。同時在沉積相分布圖上看到在研究區2號含油氣構造的東部尚有一塊儲層較發育的白雲坪微相分布區尚未鑽探，該區緊鄰油田區，構造位置有利於油氣的聚集，為下ー步的鑽探目標。步驟180、根據所述沉積相圖進行儲層預測，尋找不同沉積相中有利儲層發育區。具體地，本步驟是在蒸發臺地中尋找白雲坪發育區；在局限臺地中尋找潮坪和臺內礁灘發育區；在開闊臺地中尋找臺內礁灘和點礁發育區。潮坪和臺內礁灘微相位於局限臺地中，臺內礁灘和點礁位於開闊臺地中，其中臺內礁灘可以發育於開闊臺地和局限臺地兩種環境中。需要說明的是，上述步驟110-150中步驟的執行為ー個整體，不能調換順序。步驟160可以調換順序，但需位於170之前進行。步驟170和步驟180需位於最後，而且不能互相調換順序。本發明結合海外石油勘探周期短，任務重的特點，能夠快速尋找海外油氣勘探區塊的有利勘探目標，提高勘探成功率，保證國家能源安全。本發明實施例的方法具有以下3個優點①在地震相分類時不需要井資料，只用地震資料就可以完成波形分析及地震相分類②可以快速對不同時窗進行分析，快速掃描整個數據，快速確定目標區，對目標區進行更詳細的地震相分析研究工作具有定量性和客觀性。本發明應用於哈薩克斯坦濱裏海盆地東緣中區塊風險勘探區塊的石油勘探工作。在中國石油進入前，本區塊數家國外公司經過近百年的勘探，均未獲得發現，認為該區塊沒有任何規模勘探潛力。在此背景下，中國石油進入項目，經過充分的區域石油地質理論研究，認為該區塊具備濱裏海盆地已發現油氣田的成藏條件，鹽下石炭系是主要的勘探目的層，前人之所以未取得突破，關鍵在於鹽下構造的落實及碳酸鹽巖儲層研究不夠。中國石油在該區經過了近十年的勘探工作，運用本發明，獲得了重大勘探發現，石油地質儲量接近2億噸，取得了良好的勘探效果和經濟效益。本發明實施例還提供ー種地震波形分析及儲層預測裝置，圖8是地震波形分析及儲層預測裝置的功能框圖，如圖8所法，該裝置200包括目的層選取単元210，用於從地震剖面上任ー個地震反射層位中選取目的層；地震波形分類時窗選取單元220，用於選取地震波形分類時窗的大小，根據所述地震波形分類時窗提取目的層附近的地震波形；模型道創建單元230，用於根據地震相的分類數，創建多個模型道，所述多個模型道的數量與所述地震相的分類數相同；波形分類單元240，用於根據自組織神經網絡對目的層附近的地震波形進行分類，以區分不同沉積體；地震相分類圖生成単元250，用於對地震相分類參數進行處理，生成地震相分類圖；所述地震相分類參數包括地震相的分類數、訓練自組織神經網絡的數據量及自組織神經網絡的迭代次數；單井沉積相劃分與對比單元260，用於根據沉積時水深、水動カ特徵、巖石物理特徵、生物種類、沉積構造特徵、儲集性能、以及測井曲線特徵，建立沉積相識別標誌以進行單井沉積相的劃分，並進行單井間的沉積相對比生成連井沉積相，該連井沉積相用以確定井與井之間的沉積相；其中，沉積構造特徵例如巖石不同特徵組分的空間排列所顯示的巖石宏觀特徵，儲集性能例如包括巖石的孔隙性和滲透性，測井曲線特徵例如為自然伽馬等測井曲線的值及形狀特徵，單井沉積相是指鑽井井點處得沉積相，連進沉積相是指不同鑽井之間沉積相的對比。沉積相圖生成單元270,用於結合單井沉積相及地震相,把井點處地震相轉化為沉積相，根據標定井點地震波形類型向未鑽探地區外推，結合連井沉積相，對整個地震相圖進行地質解釋並由點到面地形成沉積相圖；其中，地震波形類型可以包括相位対稱的強振幅、相位對稱的中振幅、相位不對稱的中振幅、相位対稱的弱振幅等類型。 儲層預測單元280，用於根據所述沉積相圖進行儲層預測，尋找不同沉積相中有利儲層發育區。具體地，請參閱圖9示出的本發明實施例地震相分類圖生成単元250的具體功能框圖，所述地震相分類圖生成単元250可以包括數據量選擇模塊251，用於根據測區大小選擇用於訓練自組織神經網絡的數據量；分類數確定模塊252，用於確定地震相的分類數，所述分類數是整個感興趣的層段內所遇到的地震道的種類數；迭代次數選擇模塊253，用於選擇自組織神經網絡的迭代次數；生成模塊254，用於根據所述數據量、所述分類數和所述迭代次數，生成地震相分類圖。具體地，所述數據量選擇模塊251，具體可以用於對於道數小於第一道數閾值的三維測區，使用每一道數據用於訓練自組織神經網絡；對於道數大於第二道數閾值的三維測區，每隔多道抽取一道的數據用於訓練自組織神經網絡，其中第二道數閾值大於第一道數閾值；以及，對於道數位於第一道數閾值和第二道數閾值之間的三維測區，根據用戶計算機硬體配置情況和/或預設的任務緩急標識來確定是否需要抽稀道用於訓練自組織神經網絡。具體地，所述分類數確定模塊252，具體可以用於把層段厚度除以6所得結果作為第一次計算的分類數；把第一次計算的分類數的50%作為第二次計算的分類數；把第一次計算的分類數的150%作為第三次計算的分類數。較佳地，所確定的分類數在5 15之間；所選擇的自組織神經網絡的迭代次數為10 20次，或者20 40次。在本實施例中，所述沉積相識別標誌包括如下中的至少ー種蒸發臺地識別標誌、局限臺地識別標誌、開闊臺地、臺地邊緣、陸棚；所述儲層預測單元280具體可以用於對於在蒸發臺地中尋找白雲坪發育區；在局限臺地中尋找潮坪和臺內礁灘發育區；在開闊臺地中尋找臺內礁灘和點礁發育區。本發明實施例的裝置的工作方法已在前述的方法實施例中詳述，故在此不再贅述。 與傳統的地震相分析相比，本發明實施例的裝置具有以下3個優點①在地震相分類時不需要井資料，只用地震資料就可以完成波形分析及地震相分類；②可以快速對不同時窗進行分析，快速掃描整個數據，快速確定目標區，對目標區進行更詳細的地震相分析研究工作具有定量性和客觀性。通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到本發明可藉助軟體加必需的通用硬體平臺的方式來實現，當然也可以通過硬體，或者二者的結合來實施。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟體產品的形式體現出來，該軟體模塊或計算機軟體產品可以存儲在ー個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，伺服器，或者網絡設備等)執行本發明各個實施例所述的方法。存儲介質可以是隨機存儲器(RAM)、內存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬碟、可移動磁碟、CD-ROM、或技術領域內所公知的任意其它形式的存儲介質。以上實施例僅用以說明本發明實施例的技術方案，而非對其限制；儘管參照前述實施例對本發明實施例進行了詳細的說明，本領域的普通技術人員應當理解其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特徵進行等同替換；而這些修改或者替換，並不使相應技術方案的本質脫離本發明實施例各實施例技術方 案的精神和範圍。
權利要求
1.一種地震波形分析及儲層預測方法，其特徵在於，所述方法包括 從地震剖面上任一個地震反射層位中選取目的層； 選取地震波形分類時窗的大小，根據所述地震波形分類時窗提取目的層附近的地震波形； 根據地震相的分類數，創建多個模型道，所述多個模型道的數量與所述地震相的分類數相同； 根據自組織神經網絡對目的層附近的地震波形進行分類，以區分不同沉積體； 對地震相分類參數進行處理，生成地震相分類圖；所述地震相分類參數包括地震相的分類數、訓練自組織神經網絡的數據量及自組織神經網絡的迭代次數； 根據沉積時水深、水動力特徵、巖石物理特徵、生物種類、沉積構造特徵、儲集性能、以 及測井曲線特徵，建立沉積相識別標誌以進行單井沉積相的劃分，並進行單井間的沉積相對比來生成連井沉積相，所述連井沉積相用以確定井與井之間的沉積相； 結合單井沉積相及地震相，把井點處地震相轉化為沉積相，根據標定井點地震波形類型向未鑽探地區外推，結合所述連井沉積相，對整個地震相圖進行地質解釋並由點到面地形成沉積相圖； 根據所述沉積相圖進行儲層預測，尋找不同沉積相中有利儲層發育區。
2.根據權利要求I所述的方法，其特徵在於，所述對地震相分類參數進行處理，生成地震相分類圖包括 根據測區大小選擇用於訓練自組織神經網絡的數據量； 確定地震相的分類數，所述地震相的分類數是整個感興趣的層段內所遇到的地震道的種類數； 選擇自組織神經網絡的迭代次數； 根據所述數據量、所述分類數和所述迭代次數，生成地震相分類圖。
3.根據權利要求2所述的方法，其特徵在於，所述根據測區大小選擇用於訓練自組織神經網絡採用的數據量包括 對於道數小於第一道數閾值的三維測區，使用每一道數據用於訓練自組織神經網絡；對於道數大於第二道數閾值的三維測區，每隔多道抽取一道的數據用於訓練自組織神經網絡，其中第二道數閾值大於第一道數閾值；以及， 對於道數位於第一道數閾值和第二道數閾值之間的三維測區，根據用戶計算機硬體配置情況和/或預設的任務緩急標識來確定是否需要抽稀道用於訓練自組織神經網絡。
4.根據權利要求2所述的方法，其特徵在於，所述確定地震相的分類數包括 把選定目的層段厚度除以6所得結果作為第一次計算的分類數； 把第一次計算的分類數的50%作為第二次計算的分類數； 把第一次計算的分類數的150%作為第三次計算的分類數。
5.根據權利要求I或2所述的方法，其特徵在於，所確定的分類數在5 15之間。
6.根據權利要求2所述的方法，其特徵在於，所選擇的自組織神經網絡的迭代次數為10 20次，或者20 40次。
7.根據權利要求I所述的方法，其特徵在於，所述沉積相識別標誌包括如下中的至少一種蒸發臺地識別標誌、局限臺地識別標誌、開闊臺地識別標誌、臺地邊緣識別標誌、陸棚識別標誌。
8.根據權利要求7所述的方法，其特徵在於，所述蒸發臺地識別標誌包括如下三類沉積微相膏坪、泥坪和白雲坪；所述局限臺地識別標誌包括如下三類沉積微相臺內礁灘、灘間窪地和灰泥坪。
9.根據權利要求7所述的方法，其特徵在於，所述根據所述沉積相圖進行儲層預測，尋找不同沉積相中有利儲層發育區包括在蒸發臺地中尋找白雲坪發育區；在局限臺地中尋找潮坪和臺內礁灘發育區，所述潮坪包括膏坪和泥坪；在開闊臺地中尋找臺內礁灘和點礁發育區。
10.一種地震波形分析及儲層預測裝置，其特徵在於，所述裝置包括 目的層選取單元，用於從地震剖面上任一個地震反射層位中選取目的層； 地震波形分類時窗選取單元，用於選取地震波形分類時窗的大小，根據所述地震波形分類時窗提取目的層附近的地震波形； 模型道創建單元，用於根據地震相的分類數，創建多個模型道，所述多個模型道的數量與所述地震相的分類數相同； 波形分類單元，用於根據自組織神經網絡對不同的地震波形進行分類，以區分不同沉積體； 地震相分類圖生成單元，用於對地震相分類參數進行處理，生成地震相分類圖；所述地震相分類參數包括地震相的分類數、訓練自組織神經網絡的數據量及自組織神經網絡的迭代次數； 單井沉積相劃分與對比單元，用於根據沉積時水深、水動力特徵、巖石物理特徵、生物種類、沉積構造特徵、儲集性能、以及測井曲線特徵，建立沉積相識別標誌以進行單井沉積相的劃分，並進行單井間的沉積相對比來生成連井沉積相，所述連井沉積相用以確定井與井之間的沉積相； 沉積相圖生成單元，用於結合單井沉積相及地震相，把井點處地震相轉化為沉積相，根據標定井點地震波形類型向未鑽探地區外推，結合連井沉積相，對整個地震相圖進行地質解釋並由點到面地形成沉積相圖； 儲層預測單元，用於根據所述沉積相圖進行儲層預測，尋找不同沉積相中有利儲層發育區。
11.根據權利要求10所述的裝置，其特徵在於，所述地震相分類圖生成單元包括 數據量選擇模塊，用於根據測區大小選擇用於訓練自組織神經網絡的數據量； 分類數確定模塊，用於確定地震相的分類數，所述地震相的分類數是整個感興趣的層段內所遇到的地震道的種類數； 迭代次數選擇模塊，用於選擇自組織神經網絡的迭代次數； 生成模塊，用於根據所述數據量、所述分類數和所述迭代次數，生成地震相分類圖。
12.根據權利要求11所述的裝置，其特徵在於，所述數據量選擇模塊，具體用於對於道數小於第一道數閾值的三維測區，使用每一道數據用於訓練自組織神經網絡；對於道數大於第二道數閾值的三維測區，每隔多道抽取一道的數據用於訓練自組織神經網絡，其中第二道數閾值大於第一道數閾值；以及，對於道數位於第一道數閾值和第二道數閾值之間的三維測區，根據用戶計算機硬體配置情況和/或預設的任務緩急標識來確定是否需要抽稀道用於訓練自組織神經網絡。
13.根據權利要求11所述的裝置，其特徵在於，所述分類數確定模塊，具體用於把選定目的層段厚度除以6所得結果作為第一次計算的分類數；把第一次計算的分類數的50%作為第二次計算的分類數；把第一次計算的分類數的150%作為第三次計算的分類數。
14.根據權利要求11所述的裝置，其特徵在於，所確定的分類數在5 15之間；所選擇的自組織神經網絡的迭代次數為10 20次，或者2(T40次。
15.根據權利要求10所述的裝置，其特徵在於，所述沉積相識別標誌包括如下中的至少一種蒸發臺地識別標誌、局限臺地識別標誌、開闊臺地識別標誌、臺地邊緣識別標誌、陸棚識別標誌；所述儲層預測單元具體用於對於根據所述沉積相圖尋找不同沉積相中有利儲層發育區，所述根據所述沉積相圖尋找不同沉積相中有利儲層發育區包括在蒸發臺地中尋找白雲坪發育區；在局限臺地中尋找潮坪和臺內礁灘發育區，所述潮坪包括膏坪和泥坪；在開闊臺地中尋找臺內礁灘和點礁發育區。
全文摘要
本發明實施例提供一種地震波形分析及儲層預測方法和裝置，該方法包括選取目的層；選取地震波形分類時窗的大小；根據地震相的分類數，創建多個模型道；根據自組織神經網絡對不同的波形進行分類；對地震相分類參數進行處理，生成地震相分類圖；建立沉積相識別標誌以進行單井沉積相的劃分，並進行單井間沉積相的對比生成連井沉積相以確定井與井之間的沉積相；結合單井沉積相及地震相，把井點處地震相轉化為沉積相，根據標定井點地震波形類型向未鑽探地區外推，結合連井沉積相，對整個地震相圖進行地質解釋並由點到面地形成沉積相圖；根據所述沉積相圖進行儲層預測。該方法可進行有利沉積相帶的研究及儲層預測，提高勘探工作效率。
文檔編號G01V1/30GK102650702SQ20121013554
公開日2012年8月29日 申請日期2012年5月3日 優先權日2012年5月3日
發明者王震, 鄭俊章 申請人:中國石油天然氣股份有限公司