專利名稱：高分辨率非線性儲(chǔ)層物性反演方法
技術(shù)領(lǐng)域：
本發(fā)明屬于石油勘探領(lǐng)域，涉及一種油氣儲(chǔ)層預(yù)測(cè)技術(shù)，尤其涉及高分辨率非線性儲(chǔ)層物性反演方法。

背景技術(shù)：
長(zhǎng)期石油勘探實(shí)踐表明，儲(chǔ)層預(yù)測(cè)技術(shù)是勘探關(guān)鍵技術(shù)之一?；诰€性的確定性理論的測(cè)井寬帶約束反演曾在地震反演技術(shù)中占據(jù)主要地位。隨著油氣勘探的不斷深入和勘探程度的不斷提高，石油勘探的目標(biāo)已逐步轉(zhuǎn)向復(fù)雜隱蔽儲(chǔ)層。這些復(fù)雜沉積環(huán)境下的儲(chǔ)層具有厚度薄、物性高度非均質(zhì)、有效儲(chǔ)層分布分散、巖石物理關(guān)系復(fù)雜和儲(chǔ)層巖性對(duì)比弱等特征?，F(xiàn)有的許多儲(chǔ)層綜合預(yù)測(cè)技術(shù)由于基于線性假定和缺乏堅(jiān)實(shí)的橫向外推理論依據(jù)，對(duì)于上述復(fù)雜儲(chǔ)層結(jié)構(gòu)，預(yù)測(cè)和描述的分辨率低和抗噪音能力差。后來(lái)，基于統(tǒng)計(jì)反演理論的反演方法得到了廣泛應(yīng)用，如模擬退火法、遺傳算法和神經(jīng)網(wǎng)絡(luò)方法等。這些統(tǒng)計(jì)反演方法提高了儲(chǔ)層預(yù)測(cè)和描述的分辨率以及抗噪音能力，但由于完全基于統(tǒng)計(jì)的假定，進(jìn)行黑箱反演使儲(chǔ)層預(yù)測(cè)的可信度低。目前，有關(guān)高分辨率和陸相薄互層油儲(chǔ)的研究，也尚未很好地解決對(duì)復(fù)雜隱蔽儲(chǔ)層預(yù)測(cè)的核心問(wèn)題。


發(fā)明內(nèi)容
本發(fā)明的目的就是針對(duì)現(xiàn)有地震反演技術(shù)對(duì)于復(fù)雜儲(chǔ)層存在的不足，圍繞地震反演中地震數(shù)據(jù)有限帶寬、分辨率、外推穩(wěn)定性和巖石物理關(guān)系模糊等核心問(wèn)題，聯(lián)合應(yīng)用地球物理確定性理論、統(tǒng)計(jì)理論和非線性理論，綜合地質(zhì)、巖石物理、測(cè)井和地震數(shù)據(jù)進(jìn)行巖性物性預(yù)測(cè)，形成針對(duì)復(fù)雜沉積環(huán)境和復(fù)雜巖石物理關(guān)系條件下，預(yù)測(cè)儲(chǔ)層物性的方法。
本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是本發(fā)明高分辨率非線性儲(chǔ)層物性反演方法，采用一種非線性儲(chǔ)層巖性物性褶積模型，建立波阻抗與孔隙度/泥質(zhì)含量的函數(shù)關(guān)系；通過(guò)多級(jí)結(jié)構(gòu)分解和雙向邊沿子波檢測(cè)來(lái)刻畫復(fù)雜巖石物理關(guān)系；通過(guò)Caianiello褶積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)確定性反演、統(tǒng)計(jì)反演和非線性理論三者有機(jī)結(jié)合；最后聯(lián)合應(yīng)用基于逆算子的反演方法和基于正算子的重建算法，實(shí)現(xiàn)綜合地質(zhì)、測(cè)井和地震波阻抗信息進(jìn)行高分辨率儲(chǔ)層物性參數(shù)反演，獲得高分辨率儲(chǔ)層物性剖面(如孔隙度、泥質(zhì)含量)。
本發(fā)明高分辨率非線性儲(chǔ)層物性反演方法，所述建立波阻抗與孔隙度/泥質(zhì)含量的函數(shù)關(guān)系，主要包括(1)利用隱含非線性因子的儲(chǔ)層物性模型f(.)以及相關(guān)截止參數(shù)來(lái)擬合數(shù)據(jù)點(diǎn)“云”狀分布的整體變化趨勢(shì)；(2)通過(guò)對(duì)巖性物性參數(shù)褶積雙向邊沿子波檢測(cè)來(lái)描述沿趨勢(shì)線(擬合曲線)附近數(shù)據(jù)點(diǎn)的散狀分布特征。將趨勢(shì)線(擬合曲線)附近數(shù)據(jù)點(diǎn)散狀分布特征與儲(chǔ)層巖性物性特征相關(guān)聯(lián)，以確保物性反演的科學(xué)性。
本發(fā)明高分辨率非線性儲(chǔ)層物性反演方法，采用分頻橫向預(yù)測(cè)方式，從不同尺度參數(shù)分布上看儲(chǔ)層。大尺度低頻分量反映大套地層平緩的大尺度變化；中高頻分量反映局部的儲(chǔ)層變化細(xì)節(jié)。中高頻分量剖面可用于勾畫出砂體的邊界和識(shí)別砂巖的含油氣性。
本發(fā)明的有益效果是，由于本發(fā)明在儲(chǔ)層物性參數(shù)反演中，采用了一種波阻抗與孔隙度非線性儲(chǔ)層巖性物性模型，并通過(guò)井約束縱向邊沿檢測(cè)子波提取和非線性因子估計(jì)；基于縱向邊沿檢測(cè)子波直接反演儲(chǔ)層物性(孔隙度和泥質(zhì)含量)，作為儲(chǔ)層物性初始模型估計(jì)；井約束橫向邊沿檢測(cè)子波提取和非線性因子估計(jì)；然后經(jīng)基于橫向邊沿檢測(cè)子波間接反演得到最終儲(chǔ)層物性，即高分辨率合成全頻孔隙度剖面。實(shí)踐證明，實(shí)測(cè)結(jié)果和反演結(jié)果的吻合度比較高。



圖1為本發(fā)明的三層Caianiello神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)示意圖，圖中I，J和k分別是輸入層I、隱層J和輸出層K的神經(jīng)元個(gè)數(shù)。
圖2為本發(fā)明高分辨率非線性儲(chǔ)層物性反演流程圖，以孔隙度反演為例。
圖3為不同非線性因子對(duì)應(yīng)的波阻抗與孔隙度函數(shù)關(guān)系圖。
圖4為本發(fā)明一實(shí)施例墨西哥灣地區(qū)由測(cè)井資料編制的波阻抗與孔隙度交會(huì)圖。
圖5為儲(chǔ)層物性參數(shù)反演方法描述圖。
圖6為本發(fā)明另一實(shí)施例瓊東南西區(qū)YA136測(cè)線圖。
圖7為圖6所示A1井中高頻分量約束地震反演得到的中高頻波阻抗剖面，過(guò)測(cè)線A1井的中高頻阻抗分量插入圖中。
圖8為合成的全頻波阻抗剖面，過(guò)測(cè)線A1井的全頻阻抗插入圖中。
圖9為A1井泥質(zhì)含量(上)和孔隙度(下)的頻率分解圖。
圖10為與A1井泥質(zhì)含量(上)和孔隙度(下)的頻率分解相應(yīng)的頻譜分析圖。
圖11為和圖12分別為A1井約束泥質(zhì)含量和孔隙度反演提取的多級(jí)邊沿檢測(cè)子波下為第一級(jí)邊沿檢測(cè)子波；上為第二級(jí)邊沿檢測(cè)子波。其中左為中低頻分量反演提取的邊沿檢測(cè)子波，右為高頻分量反演提取的邊沿檢測(cè)子波。
圖13為中/低頻分量約束儲(chǔ)層物性反演得到的中/低頻泥質(zhì)含量剖面。
圖14為高頻分量約束儲(chǔ)層物性反演得到的高頻泥質(zhì)含量剖面。
圖15為合成的全頻泥質(zhì)含量剖面。
圖16為中/低頻分量約束儲(chǔ)層物性反演得到的中/低頻孔隙度剖面。
圖17為合成的全頻孔隙度剖面。
圖18為泥質(zhì)含量反演交叉驗(yàn)證對(duì)比圖，圖中粗線為井全頻泥質(zhì)含量曲線，細(xì)線為反演的全頻泥質(zhì)含量曲線，其中左側(cè)為驗(yàn)證井實(shí)測(cè)泥質(zhì)含量與反演泥質(zhì)含量對(duì)比，二者相似系數(shù)在83％；右側(cè)為約束井實(shí)測(cè)泥質(zhì)含量與反演泥質(zhì)含量對(duì)比，二者相似系數(shù)在98.32％。
圖19為孔隙度反演交叉驗(yàn)證對(duì)比圖，圖中粗線為井全頻孔隙度曲線，細(xì)線為反演的全頻孔隙度曲線，其中左側(cè)為驗(yàn)證井實(shí)測(cè)孔隙度與反演孔隙度對(duì)比，二者相似系數(shù)在85.81％；右側(cè)為約束井實(shí)測(cè)孔隙度與反演孔隙度對(duì)比，二者相似系數(shù)在99.02％。

具體實(shí)施例方式 下面參照附圖并結(jié)合實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。
圖1示出一個(gè)3層Caianiello褶積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中I、J和k分別是輸入層I、隱層J和輸出層K的神經(jīng)元個(gè)數(shù)。
圖2示出本發(fā)明高分辨率非線性儲(chǔ)層物性的反演流程，以孔隙度反演為例，包括以下步驟 1)將已知測(cè)井孔隙度數(shù)據(jù)由深度域轉(zhuǎn)換到時(shí)間域，并進(jìn)行重采樣，與地震數(shù)據(jù)采樣率相同；利用傅氏變換對(duì)測(cè)井孔隙度數(shù)據(jù)進(jìn)行多尺度分解，得到低、中、高頻測(cè)井孔隙度數(shù)據(jù)。
2)對(duì)已知地震剖面進(jìn)行層位解釋，模擬大斷距斷層及地層尖滅的復(fù)雜構(gòu)造特征，建立外推反演解釋層位控制系統(tǒng)。
3)從已知地震波阻抗剖面上提取井旁地震波阻抗道。
4)由1)步和3)步得到的數(shù)據(jù)，結(jié)合非線性儲(chǔ)層物性模型和Caianiello神經(jīng)網(wǎng)絡(luò)算法，提取井旁分頻多級(jí)縱向邊沿檢測(cè)子波和估計(jì)非線性因子。
在儲(chǔ)層物性參數(shù)反演中，使用如下的波阻抗與孔隙度非線性儲(chǔ)層巖性物性模型 式中φm為儲(chǔ)層砂巖的最大孔隙度；zp、zf和zm分別為縱波阻抗、孔隙流體波阻抗和巖石骨架波阻抗；λ為非線性因子，可以非線性地調(diào)整方程的函數(shù)形式以擬合實(shí)際的數(shù)據(jù)關(guān)系。
圖3為不同非線性因子λ對(duì)應(yīng)的波阻抗與孔隙度函數(shù)關(guān)系圖，示出非線性因子λ取不同值得到的擬合曲線，表現(xiàn)為S-型的曲線特征。對(duì)于固定的λ值，孔隙度隨波阻抗變化的非線性程度而不同，不同巖性物性構(gòu)成的巖石具有不同的λ值。
為了便于實(shí)際應(yīng)用，可將(1)式寫成 式中φ(t)是時(shí)間域孔隙度曲線，zp(t)是時(shí)間域阻抗曲線，λ(t)是時(shí)變非線性因子。在儲(chǔ)層物性參數(shù)反演中，需精確估算不同深度不同巖性的時(shí)變非線性因子λ(t)。Caianiello褶積神經(jīng)網(wǎng)絡(luò)提供了一個(gè)能迭代調(diào)整λ(t)的最優(yōu)算法，使之對(duì)縱向上沿井的巖性變化產(chǎn)生自適應(yīng)響應(yīng)。
圖4為本發(fā)明一實(shí)施例墨西哥灣地區(qū)由測(cè)井資料編制的波阻抗與孔隙度交會(huì)圖。它表明在硅質(zhì)碎屑巖中，巖性的變化、孔隙中凝析氣與水等流體類型的變化會(huì)使波阻抗與孔隙度之間的關(guān)系發(fā)生明顯變化，表現(xiàn)在孔隙度和波阻抗交會(huì)圖上數(shù)據(jù)點(diǎn)散狀分布具有不同的分布范圍，其中“+”點(diǎn)代表上覆泥巖，“△”點(diǎn)代表含礦硅質(zhì)碎屑巖，“○”點(diǎn)代表含礦火山碎屑巖，“□”點(diǎn)代表含水硅質(zhì)碎屑巖。圖中直的實(shí)線是Burge和Neff二人利用時(shí)間平均方程擬合的結(jié)果，虛的曲線是采用本發(fā)明的方法擬合的結(jié)果?？梢姡摰臄M合曲線更加符合實(shí)際數(shù)據(jù)點(diǎn)的分布。
同樣，可以建立如下的波阻抗與泥質(zhì)含量之間的非線性儲(chǔ)層物性模型 式中zc是純泥巖波阻抗，cm是泥質(zhì)含量的最大值。
通常，在不同沉積環(huán)境下，不同巖性物性構(gòu)成的巖石其數(shù)據(jù)點(diǎn)不僅具有分布走勢(shì)，還具有不同的分散分布特征，為了將巖性物性交會(huì)圖中數(shù)據(jù)點(diǎn)的這種分散分布特征引入到非線性儲(chǔ)層巖性物性模型中，將地震波阻抗與儲(chǔ)層物性參數(shù)之間的關(guān)系統(tǒng)一表示為一種隱式的關(guān)系 z(t)＝f(φ(t)，w(t)，λ(t))(4) 式中z(t)為時(shí)間域地震阻抗，φ(t)為時(shí)間域孔隙度，w(t)為數(shù)據(jù)點(diǎn)散狀分布的邊沿檢測(cè)子波，f(.)為非線性變換，表示非線性因子λ(t)的影響。為了利用Caianiello褶積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)統(tǒng)計(jì)反演，對(duì)(4)式進(jìn)行多級(jí)分解為 z(t)＝fi(fi-1(fi-2(φ(t)*wi-2(t))*wi-1(t))*wi(t))(5) 式中i可以取1，2，或3，代表不同的級(jí)數(shù)；fi(·)(i＝1，2，3)是多級(jí)非線性變換，隱含非線性因子λ(t)；wi(t)(i＝1，2，3)為多級(jí)邊沿檢測(cè)子波。
(5)式為非線性儲(chǔ)層巖性物性褶積模型。
圖5為儲(chǔ)層物性參數(shù)反演方法描述圖。受砂巖中泥質(zhì)含量的影響，地震波阻抗與孔隙度之間的關(guān)系是模糊的，即二者交會(huì)圖中的數(shù)據(jù)點(diǎn)呈“云”狀分布。從圖5中可以看出，在波阻抗-孔隙度交會(huì)圖上，非線性儲(chǔ)層物性擬合曲線只能確定數(shù)據(jù)點(diǎn)“云”狀分布的整體變化趨勢(shì)。為了實(shí)現(xiàn)同時(shí)估計(jì)波阻抗與孔隙度之間的整體趨勢(shì)變化和沿趨勢(shì)線數(shù)據(jù)點(diǎn)的散狀分布特征，修正(2)式所示的非線性儲(chǔ)層巖性物性模型。
利用邊沿檢測(cè)子波作為掃描因子從兩個(gè)方向確定趨勢(shì)線周圍數(shù)據(jù)點(diǎn)散狀分布特征，一個(gè)是沿著平行z軸的方向(圖5中的AB線)，另一個(gè)是沿著平行φ軸的方向(圖5中的CD線)。前者可表示為 φ(t)＝f(z(t)，wz(t)，λ(t))(15) 式中wz(t)稱為縱向邊沿檢測(cè)子波，利用隱含非線性因子的儲(chǔ)層物性模型f(.)以及相關(guān)截止參數(shù)可以確定趨勢(shì)線，波阻抗z(t)與縱向邊沿檢測(cè)子波的褶積運(yùn)算可以確定數(shù)據(jù)點(diǎn)沿z軸方向的散狀分布范圍。
結(jié)合Caianiello褶積神經(jīng)網(wǎng)絡(luò)和基于(2)式的非線性儲(chǔ)層物性模型提取縱向邊沿檢測(cè)子波，然后進(jìn)行基于縱向邊沿檢測(cè)子波直接反演孔隙度。井旁地震波阻抗曲線作為神經(jīng)網(wǎng)絡(luò)的輸入，測(cè)井孔隙度曲線作為期望輸出?？v向邊沿檢測(cè)子波的估計(jì)揭示了一個(gè)從地震波阻抗到孔隙度的多級(jí)近似過(guò)程。網(wǎng)絡(luò)訓(xùn)練序列由輸入矩陣zil(t)(l＝1，2，...，L，L為目標(biāo)區(qū)井的個(gè)數(shù)，i＝1，2，...，I，I表示第l口井處輸入地震波阻抗的個(gè)數(shù)，也代表輸入層神經(jīng)元個(gè)數(shù))和期望輸出矩陣φkl(t)(l＝1，2，...，L，k＝1，2，...，K，K表示第l口井處孔隙度測(cè)井的個(gè)數(shù)，也代表輸出層神經(jīng)元個(gè)數(shù))構(gòu)成。通常情況下，參數(shù)I要選取足夠大以充分利用相鄰道特性的空間相關(guān)性。網(wǎng)絡(luò)訓(xùn)練實(shí)質(zhì)上是一個(gè)優(yōu)化的過(guò)程，與常規(guī)神經(jīng)網(wǎng)絡(luò)應(yīng)用的主要區(qū)別在于在進(jìn)行逆向傳播時(shí)，神經(jīng)子波的調(diào)整受非線性儲(chǔ)層物性模型(2)式的控制。
對(duì)所有井進(jìn)行訓(xùn)練后，得到一個(gè)褶積神經(jīng)網(wǎng)絡(luò)系統(tǒng)，在一定程度上可以給出地震波阻抗(輸入)和地層孔隙度(輸出)的關(guān)系。每口井有各自的邊沿檢測(cè)子波和非線性因子，井越多，信息重建結(jié)果就越可靠。對(duì)于橫向穩(wěn)定的沉積單元，邊沿檢測(cè)子波在橫向上也是穩(wěn)定的，那么在井少的情況下結(jié)果也是可靠的。實(shí)例研究表明，單井約束孔隙度反演在橫向非均勻介質(zhì)中也會(huì)得到較好的結(jié)果，該方法比其他傳統(tǒng)地質(zhì)統(tǒng)計(jì)方法(建立井特性與地震參數(shù)之間的映射關(guān)系)優(yōu)越。在油田開發(fā)過(guò)程中，通過(guò)不斷加入新的測(cè)井?dāng)?shù)據(jù)可進(jìn)一步改進(jìn)神經(jīng)網(wǎng)絡(luò)系統(tǒng)。
神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過(guò)程就是完成井約束縱向邊沿檢測(cè)子波的提取。利用縱向邊沿檢測(cè)子波，可以進(jìn)行井外推直接反演，得到的儲(chǔ)層孔隙度剖面可以作為儲(chǔ)層孔隙度的初始模型估計(jì)。在井外推直接反演過(guò)程中，縱向邊沿檢測(cè)子波保持不變，將地震波阻抗直接輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)輸出即為對(duì)應(yīng)的初始孔隙度估計(jì)。盡管網(wǎng)絡(luò)系統(tǒng)在外推反演階段保持不變，但是神經(jīng)網(wǎng)絡(luò)通過(guò)井間自動(dòng)插值可以生成一系列新的縱向邊沿檢測(cè)子波和非線性因子，適用于井間的地震道反演。
5)結(jié)合2)步產(chǎn)生的層位控制系統(tǒng)和4)步結(jié)果進(jìn)行井間分頻多級(jí)縱向邊沿檢測(cè)子波和非線性因子插值。
6)利用基于(15)式的多級(jí)形式通過(guò)直接反演得到初始孔隙度模型。
7)由1)步和3)步得到的數(shù)據(jù)結(jié)合基于(16)式的非線性儲(chǔ)層物性模型和Caianiello神經(jīng)網(wǎng)絡(luò)算法，提取井旁分頻多級(jí)橫向邊沿檢測(cè)子波和估計(jì)非線性因子。
利用邊沿檢測(cè)子波確定散狀分布特征的另一種方式，即沿著平行φ軸的方向(圖5中的CD線)，可以表示為 z(t)＝f(φ(t)，wφ(t)，λ(t))(16) 式中wφ(t)稱為橫向邊沿檢測(cè)子波?？紫抖圈?t)與橫向邊沿檢測(cè)子波wφ(t)的褶積運(yùn)算可以確定數(shù)據(jù)點(diǎn)沿φ軸方向的散狀分布特征。
首先進(jìn)行橫向邊沿檢測(cè)子波提取。井孔隙度曲線作為Caianiello褶積神經(jīng)網(wǎng)絡(luò)的輸入，井旁地震波阻抗曲線作為期望輸出。提取的井旁橫向邊沿檢測(cè)子波存儲(chǔ)在Caianiello褶積神經(jīng)網(wǎng)絡(luò)中，用于直接從初始孔隙度模型來(lái)合成地震波阻抗?？梢圆粩嗟匦薷默F(xiàn)存的網(wǎng)絡(luò)使之適用于新井并增加網(wǎng)絡(luò)中的信息儲(chǔ)備。由于不是重新提取邊沿檢測(cè)子波來(lái)訓(xùn)練網(wǎng)絡(luò)，而是在先前訓(xùn)練網(wǎng)絡(luò)的基礎(chǔ)上修正橫向邊沿檢測(cè)子波，所以褶積神經(jīng)網(wǎng)絡(luò)更新過(guò)程是非?？斓?。
在本步驟中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過(guò)程就是完成井約束橫向邊沿檢測(cè)子波的提取。利用橫向邊沿檢測(cè)子波，可以進(jìn)行井外推間接反演，即以上一步驟直接反演得到的初始孔隙度模型作為本步驟訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入，以地震波阻抗剖面作為網(wǎng)絡(luò)的期望輸出，采用Caianiello褶積神經(jīng)網(wǎng)絡(luò)輸入信號(hào)重建算法，通過(guò)多步迭代修正初始孔隙度模型，間接反演最終孔隙度剖面。對(duì)于每一個(gè)孔隙度反演道，可以將其與相鄰幾個(gè)地震波阻抗道組合作為期望輸出，以加強(qiáng)反演的自適應(yīng)能力。在井外推間接反演過(guò)程中，橫向邊沿檢測(cè)子波與非線性因子保持不變，神經(jīng)網(wǎng)絡(luò)通過(guò)井間自動(dòng)插值生成一系列新的橫向邊沿檢測(cè)子波和非線性因子，適用于井間的地震波阻抗道反演。
地質(zhì)模型提供了沉積單元的構(gòu)造形態(tài)，通過(guò)地質(zhì)模型對(duì)反演進(jìn)行約束，實(shí)現(xiàn)地質(zhì)信息的有效應(yīng)用。在每一個(gè)沉積單元中，由于巖性和地質(zhì)特性的相似性，地震特征橫向變化較緩，因此，同一沉積單元中縱橫向邊沿檢測(cè)子波和非線性因子在橫向上是漸變的。每一個(gè)沉積單元都對(duì)應(yīng)著一組縱橫向邊沿檢測(cè)子波和非線性因子，代表其地震響應(yīng)和儲(chǔ)層物性的地質(zhì)特性。在復(fù)雜地質(zhì)構(gòu)造地區(qū)，存在大斷距斷層、地層尖滅和陡傾角地層等地質(zhì)形態(tài)，需要地震解釋來(lái)確定一個(gè)控制地震主要同相軸的大尺度地質(zhì)模型，在儲(chǔ)層物性反演外推中作為地層約束，確保在同一地質(zhì)層序中應(yīng)用邊沿檢測(cè)子波和非線性因子。
8)結(jié)合2)步產(chǎn)生的層位控制系統(tǒng)和7)步結(jié)果，進(jìn)行井間分頻多級(jí)橫向邊沿檢測(cè)子波和非線性因子插值。
9)由6)步產(chǎn)生的初始孔隙度模型和井間分頻多級(jí)橫向邊沿檢測(cè)子波及非線性因子間接反演最終孔隙度，得到中低頻和高頻孔隙度剖面。
10)由中低頻和高頻孔隙度剖面合成全頻孔隙度剖面，用于儲(chǔ)層預(yù)測(cè)和描述。
邊沿檢測(cè)子波w(t)沿縱向和橫向兩個(gè)方向進(jìn)行數(shù)據(jù)分布的邊沿檢測(cè)方法將邊沿檢測(cè)子波w(t)作為Caianiello褶積神經(jīng)網(wǎng)絡(luò)的神經(jīng)子波進(jìn)行估計(jì)。利用Caianiello褶積神經(jīng)網(wǎng)絡(luò)算法，可以迭代調(diào)整邊沿檢測(cè)子波使網(wǎng)絡(luò)實(shí)際輸出信號(hào)和期望輸出信號(hào)達(dá)到匹配。定義的價(jià)值函數(shù)為如下均方誤差函數(shù) 式中dk(t)為期望輸出信號(hào)，ok(t)網(wǎng)絡(luò)實(shí)際輸出信號(hào)。在每層中應(yīng)用誤差逆向傳播技術(shù)對(duì)該層中所有神經(jīng)元的邊沿檢測(cè)子波進(jìn)行遞歸修正。如從隱層向下到輸入層的邊沿檢測(cè)子波修正公式為 Δwji(t)＝η(t)δj(t)oi(t)(7) 式中為互相關(guān)運(yùn)算符號(hào)；η(t)為學(xué)習(xí)速率。對(duì)于輸出層，其第k個(gè)神經(jīng)元的逆向傳播誤差δk(t)可以表示為 δk(t)＝ek(t)f′(Nk(t)-θk(t))(8) 式中f′(·)表示對(duì)非線性變換求導(dǎo)，Nk(t)由下式得到 Nk(t)＝∑jwkj(t)*oj(t)(9) 對(duì)于隱層，δj(t)可以通過(guò)鏈規(guī)則得到，即 δj(t)＝f′(Nj(t)-θj(t))∑kδk(t)wkj(t)(10) 式中Nj(t)由下式得到 Nj(t)＝∑iwji(t)*oi(t).(11) 在Caianiello褶積神經(jīng)網(wǎng)絡(luò)中，基于褶積運(yùn)算的誤差正向傳播和基于互相關(guān)運(yùn)算的誤差逆向傳播可通過(guò)快速傅立葉變換在頻率域?qū)崿F(xiàn)。
通常情況下，在輸入和期望輸出已知的信息環(huán)境中，人工神經(jīng)網(wǎng)絡(luò)首先要進(jìn)行學(xué)習(xí)(權(quán)調(diào)整)，訓(xùn)練后的網(wǎng)絡(luò)可用于新信息環(huán)境中對(duì)輸入的新數(shù)據(jù)體進(jìn)行預(yù)測(cè)，即在新信息環(huán)境中輸入是已知的，而輸出是未知的。然而在大多數(shù)情況下，新信息環(huán)境通常是由未知或不準(zhǔn)確的輸入和已知或不完整的輸出構(gòu)成。因此，需要利用訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)新信息環(huán)境進(jìn)行預(yù)測(cè)，反推未知或不準(zhǔn)確的輸入信號(hào)。
利用已知的邊沿檢測(cè)子波和期望輸出，可以對(duì)輸入信號(hào)作迭代調(diào)整，重建輸入信號(hào)。在這種情況下，價(jià)值函數(shù)與(6)式類似，在圖1中，對(duì)網(wǎng)絡(luò)隱層的輸入信號(hào)進(jìn)行迭代調(diào)整，可表示為 Δoj(t)＝μ(t)δk(t)wkj(t)，(12) 式中，μ(t)是增益向量，第k個(gè)神經(jīng)元的逆向傳播誤差δk(t)可以由方(8)式得到。通過(guò)(10)式，可以得到輸入層oi(t)的修正方程如下 Δoi(t)＝μ(t)δj(t)wji(t).(13) 為得到一個(gè)最優(yōu)的儲(chǔ)層物性模型來(lái)擬合不同巖性的測(cè)井?dāng)?shù)據(jù)，就要不斷調(diào)整時(shí)變非線性因子(見(2)式)。將誤差逆向傳播技術(shù)應(yīng)用于每一層的神經(jīng)元中就可以產(chǎn)生一個(gè)修正非線性因子的方程。定義如(6)式的價(jià)值函數(shù)，對(duì)于任一層中的任一神經(jīng)元，修正非線性因子的方程都具有遞歸形式。例如，對(duì)圖1輸入層的非線性因子修正可表示為 Δλi(t)＝β(t)ri(t)f′(λi(t))(14) 式中β(t)是增益因子；ri(t)＝∑jδj(t)wji(t)為校正函數(shù)，其中δj(t)由(10)式得到。
圖6至圖19為本發(fā)明的實(shí)施例，針對(duì)圖6所示實(shí)施例瓊東南西區(qū)YA136的A1井測(cè)線，本發(fā)明的具體實(shí)施過(guò)程如下 1)對(duì)A1井的泥質(zhì)含量和孔隙度時(shí)間域曲線進(jìn)行了多尺度分解(如圖9所示)，并進(jìn)行了頻譜分析(如圖10所示)； 2)輸入井旁地震波阻抗數(shù)據(jù)，以井的各孔隙度/泥質(zhì)含量分量為期望輸出，進(jìn)行井旁地震道反演，完成井約束分頻多級(jí)邊沿檢測(cè)子波提取(如圖11和圖12所示)和非線性因子估計(jì)； 3)結(jié)合進(jìn)行大斷距斷層、地層尖滅等復(fù)雜構(gòu)造特征的模擬，建立并產(chǎn)生的外推反演層位控制系統(tǒng)，利用分頻多級(jí)邊沿檢測(cè)子波，得到高分辨率中低頻、高頻及合成的全頻孔隙度(或泥質(zhì)含量)剖面(如圖13-圖17所示)。
通過(guò)A2井對(duì)反演結(jié)果進(jìn)行了驗(yàn)證。對(duì)于泥質(zhì)含量和孔隙度反演，實(shí)測(cè)結(jié)果與反演結(jié)果的相似系數(shù)分別為83％(如圖18所示)和85.81％(如圖19所示)?？梢?，實(shí)測(cè)結(jié)果和反演結(jié)果的吻合度是比較高的。
權(quán)利要求
1.高分辨率非線性儲(chǔ)層物性反演方法，其特征在于，采用一種非線性儲(chǔ)層巖性物性褶積模型，建立波阻抗與孔隙度/泥質(zhì)含量的函數(shù)關(guān)系；通過(guò)多級(jí)結(jié)構(gòu)分解和雙向邊沿子波檢測(cè)來(lái)刻畫復(fù)雜巖石物理關(guān)系；通過(guò)Caianiello褶積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)確定性反演、統(tǒng)計(jì)反演和非線性理論三者有機(jī)結(jié)合；最后聯(lián)合應(yīng)用基于逆算子的反演方法和基于正算子的重建算法實(shí)現(xiàn)了綜合地質(zhì)、測(cè)井和地震波阻抗信息進(jìn)行高分辨率儲(chǔ)層物性參數(shù)反演，獲得高分辨率儲(chǔ)層物性剖面。
2.根據(jù)權(quán)利要求1所述的高分辨率非線性儲(chǔ)層物性反演方法，其特征在于，所述建立波阻抗與孔隙度/泥質(zhì)含量的函數(shù)關(guān)系，主要包括以下方法
1)利用隱含非線性因子的儲(chǔ)層物性模型f(.)以及相關(guān)截止參數(shù)來(lái)擬合數(shù)據(jù)點(diǎn)“云”狀分布的整體變化趨勢(shì)；
2)通過(guò)對(duì)巖性物性參數(shù)褶積雙向邊沿子波檢測(cè)來(lái)描述沿趨勢(shì)線—擬合曲線—附近數(shù)據(jù)點(diǎn)的散狀分布特征；
從而將趨勢(shì)線—擬合曲線—附近數(shù)據(jù)點(diǎn)散狀分布特征與儲(chǔ)層巖性物性特征相關(guān)聯(lián)。
3.根據(jù)權(quán)利要求1或2所述的高分辨率非線性儲(chǔ)層物性反演方法，其特征在于，以孔隙度反演為例，所述儲(chǔ)層物性反演流程，包括以下步驟
1)將已知測(cè)井孔隙度數(shù)據(jù)由深度域轉(zhuǎn)換到時(shí)間域，并進(jìn)行重采樣，與地震數(shù)據(jù)采樣率相同；
利用傅氏變換對(duì)測(cè)井孔隙度數(shù)據(jù)進(jìn)行多尺度分解，得到低、中、高頻測(cè)井孔隙度數(shù)據(jù)；
2)對(duì)已知地震剖面進(jìn)行層位解釋，模擬大斷距斷層及地層尖滅的復(fù)雜構(gòu)造特征，建立外推反演解釋層位控制系統(tǒng)；
3)從已知地震波阻抗剖面上提取井旁地震波阻抗道；
4)由1)步和3)步得到的數(shù)據(jù)，結(jié)合非線性儲(chǔ)層物性模型和Caianiello神經(jīng)網(wǎng)絡(luò)算法，提取井旁分頻多級(jí)縱向邊沿檢測(cè)子波和估計(jì)非線性因子；
采用如下的波阻抗與孔隙度的非線性儲(chǔ)層巖性物性模型
式中φ(t)是時(shí)間域孔隙度曲線，φm(t)為儲(chǔ)層砂巖的最大孔隙度，zp(t)，zf(t)，zm(t)分別為時(shí)間域縱波阻抗、孔隙流體波阻抗和巖石骨架波阻抗，λ(t)為時(shí)變非線性因子，可以非線性地調(diào)整方程的函數(shù)形式，以擬合實(shí)際的數(shù)據(jù)關(guān)系；
通常，在不同沉積環(huán)境下，不同巖性物性構(gòu)成的巖石其數(shù)據(jù)點(diǎn)具有不同的分散分布特征，為了將巖性物性交會(huì)圖中數(shù)據(jù)點(diǎn)的這種分散分布特征引入到非線性儲(chǔ)層巖性物性模型中，將地震波阻抗與儲(chǔ)層物性參數(shù)之間的關(guān)系統(tǒng)一表示為一種隱式的關(guān)系
z(t)＝f(φ(t)，w(t)，λ(t))(4)
式中z(t)為時(shí)間域地震阻抗，φ(t)為時(shí)間域孔隙度，w(t)為數(shù)據(jù)點(diǎn)散狀分布的邊沿檢測(cè)子波，f(.)為非線性變換，表示非線性因子λ(t)的影響，為了利用Caianiello褶積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)統(tǒng)計(jì)反演，對(duì)(4)式進(jìn)行多級(jí)分解為
z(t)＝fi(fi-1(fi-2(φ(t)*wi-2(t))*wi-1(t))*wi(t))(5)
式中i可以取1，2，或3，代表不同的級(jí)數(shù)；fi(·)(i＝1，2，3)是多級(jí)非線性變換，隱含非線性因子λ(t)；wi(t)(i＝1，2，3)為多級(jí)邊沿檢測(cè)子波；
為了實(shí)現(xiàn)同時(shí)估計(jì)波阻抗與孔隙度之間的整體趨勢(shì)變化和沿趨勢(shì)線數(shù)據(jù)點(diǎn)的散狀分布特征，利用邊沿檢測(cè)子波作為掃描因子從兩個(gè)方向確定趨勢(shì)線周圍數(shù)據(jù)點(diǎn)散狀分布特征，一個(gè)是沿著平行z軸的方向，另一個(gè)是沿著平行φ軸的方向，前者可表示為
φ(t)＝f(z(t)，wz(t)，λ(t))(15)
式中wz(t)稱為縱向邊沿檢測(cè)子波，利用隱含非線性因子的儲(chǔ)層物性模型f(.)以及相關(guān)截止參數(shù)可以確定趨勢(shì)線，波阻抗z(t)與縱向邊沿檢測(cè)子波的褶積運(yùn)算可以確定數(shù)據(jù)點(diǎn)沿z軸方向的散狀分布范圍，后者可表示為
z(t)＝f(φ(t)，wφ(t)，λ(t))(16)
式中wφ(t)稱為橫向邊沿檢測(cè)子波，孔隙度φ(t)與橫向邊沿檢測(cè)子波wφ(t)的褶積運(yùn)算可以確定數(shù)據(jù)點(diǎn)沿φ軸方向的散狀分布特征；
5)結(jié)合2)步產(chǎn)生的層位控制系統(tǒng)和4)步結(jié)果進(jìn)行井間分頻多級(jí)縱向邊沿檢測(cè)子波和非線性因子插值；
6)利用基于(15)式的多級(jí)形式通過(guò)直接反演得到初始孔隙度模型；
7)由1)步和3)步得到的數(shù)據(jù)結(jié)合基于(16)式的非線性儲(chǔ)層物性模型和Caianiello神經(jīng)網(wǎng)絡(luò)算法，提取井旁分頻多級(jí)橫向邊沿檢測(cè)子波和估計(jì)非線性因子；
8)結(jié)合2)步產(chǎn)生的層位控制系統(tǒng)和7)步結(jié)果，進(jìn)行井間分頻多級(jí)橫向邊沿檢測(cè)子波和非線性因子插值；
9)由6)步產(chǎn)生的初始孔隙度模型和井間分頻多級(jí)橫向邊沿檢測(cè)子波及非線性因子間接反演最終孔隙度，得到中低頻和高頻孔隙度剖面；
10)由中低頻和高頻孔隙度剖面合成全頻孔隙度剖面，用于儲(chǔ)層預(yù)測(cè)和描述。
全文摘要
本發(fā)明公開一種高分辨率非線性儲(chǔ)層物性反演方法，采用一種非線性儲(chǔ)層巖性物性褶積模型，建立波阻抗與孔隙度/泥質(zhì)含量的函數(shù)關(guān)系；通過(guò)多級(jí)結(jié)構(gòu)分解和雙向邊沿子波檢測(cè)來(lái)刻畫復(fù)雜巖石物理關(guān)系；通過(guò)Caianiello褶積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)確定性反演、統(tǒng)計(jì)反演和非線性理論三者有機(jī)結(jié)合；最后聯(lián)合應(yīng)用基于逆算子的反演方法和基于正算子的重建算法，實(shí)現(xiàn)綜合地質(zhì)、測(cè)井和地震波阻抗信息進(jìn)行高分辨率儲(chǔ)層物性參數(shù)反演，獲得高分辨率儲(chǔ)層物性剖面(如孔隙度、泥質(zhì)含量)。
文檔編號(hào)G01V1/40GK101149439SQ20071017723
公開日2008年3月26日 申請(qǐng)日期2007年11月13日 優(yōu)先權(quán)日2007年11月13日
發(fā)明者符力耘 申請(qǐng)人:符力耘, 中國(guó)科學(xué)院地質(zhì)與地球物理研究所