本发明涉及一种非监督与监督学习下的多波地震油气储层预测方法。
背景技术
利用地震属性对油气藏特征进行描述是解决石油地球物理勘探的主要手段之一。已经被人们利用方法较多，包括聚类分析方法，多属性融合技术和神经网络。这些数据挖掘技术更多的是以规模较大的训练样本为支撑，当训练样本不足，模型的泛化能力受到严重的限制，且极易陷入过学习或欠学习的状态。支持向量机(svr)是以结构化风险最小化为基础的模式分类器。小样本的状态下有更高的泛化能力，构建模型的鲁棒性理想。然而支持向量机的难点在于参数寻优。支持向量机算法的分类与回归已拓展到通讯、化学、生物等领域。在地球物理勘探方面成为继人工神经网络的新算法并成功应用于油气预测领域。
地震属性是通过各种数学方法对地下地质特征的表达。当前可供人们使用的地震属性多达上百种，每种属性包含不同的地质信息。高效的获取对油气藏特征敏感的地震属性，构建各种属性与油气藏特征的关系，是地震油气储层预测必须面对的问题。
在机器学习领域，对于储层的预测可以分为两大类一类为监督学习，另一类为非监督学习。在监督学习算法方面：王振洲等利用决策树方法通过声波时差、自然伽马、密度等6种测井参数构建岩性信息与岩石特征的关系，对苏里格气田的岩性进行预测。袁照威等分析地震属性与沉积相之间的关系，利用均方根振幅、平均瞬时频率、衰减因子等4种属性，通过马尔科夫-贝叶斯模拟算法构建多种属性之间的关系，建立沉积相模型，获得了较好的模拟结果。宋建国等利用随机森林回归法对地震储层进行了预测。在非监督学习方面：杨兆栓等利用主成分分析法(pca)对自然伽马、密度、声波时差等5种测井曲线分析，最终识别塔中地区的碳酸盐岩性。通过利用pca方法整合了更过的测井参数的特征，提高了岩性识别的精度。然而，不论是监督学习还是非监督学习，都是基于统计学理论建立起来的，目的都是要发现数据集之间的彼此关系，寻找到最具有特征的量并对某种期望的量进行预测。
技术实现要素：
本发明的目的在于提出一种非监督与监督学习下的多波地震油气储层预测方法，该方法通过对原始地震属性聚类分析计算，获得包含纵波与转换横波更为全面的信息，运用非监督学习法对获得的地震属性进行优化选取，在此基础上，应用可以在小样本情况下具有更强泛化能力的监督学习法(支持向量机)进行地震油气储层的有效预测。
本发明为了实现上述目的，采用如下技术方案：
一种非监督与监督学习下的多波地震油气储层预测方法，包括如下步骤：
a.应用new-3δ准则，剔除机器学习数据中可能的异常值，亦即进行降噪处理，然后对经过降噪处理的各类纵、横波地震属性进行标准化处理，提供多波地震属性为地震属性的非监督学习提供源数据；new-3δ准则运算突出了异常值，并将包含于地震属性中的异常值剔除，降低因为地震属性中存在异常致使机器学习结果不准确而造成的干扰；
b.对步骤a中获得的地震属性进行非监督学习，获取多波地震属性中，油气特征更加明显的地震属性，为聚合地震属性的获得打下基础；降维后的地震属性，将地震属性中与油气特征无关的地震属性去掉；降低了地震油气预测中信息的冗余，提高了油气预测的效率；
c.将步骤b获得的多波地震聚合属性作为监督学习集，利用监督学习构建油气特征模型，将获得的油气特征模型征予以在研究区内推广，最终得到的多波地震油气储层分布的预测结果；利用井点位置处的地震属性作为监督学习的训练样本集，学习训练样本集中的地震属性与油气特征的关系；最终将构建地震属性与油气特征关系的监督学习模型在全区内进行推广。
本发明具有如下优点：
本发明针对多波地震在油气储层敏感度上存在的差异，设计了非监督学习与监督学习的串联模型，用以实现多波地震油气储层的有效预测。模型主体算法为聚类分析法(k-mean)以及支持向量机(svr)，其中，聚类分析法执行的是非监督学习，支持向量机则执行的是监督学习。在该模型中，非监督学习主要是实现地震属性优选优化的目的，即尽可能去除对油气储层不敏感或弱敏感的属性，从而优选出对储层敏感的属性，以提高油气储层预测精度。监督学习(多波油气勘探技术)则利用纵波和转换横波获取地下介质更丰富的信息，以降低反演结果的多解性和提高油气藏边界刻画的精度，从而使油气藏的预测更准确。
附图说明
图1为k＝3时k-means聚类分析结果图；
图2为k＝4时k-means聚类分析结果图；
图3为svr超平面示意图；
图4为本发明中非监督与监督学习下的多波地震油气储层预测方法的模型示意图；
图5为纵波均方根振幅示意图；
图6为转换横波均方根振幅示意图；
图7为纵波瞬时振幅示意图；
图8为转换横波瞬时振幅示意图；
图9为纵波瞬时频率示意图；
图10为转换横波瞬时频率示意图；
图11为f11比值属性示意图；
图12为f12比值属性示意图；
图13为f21差值属性示意图；
图14为纵波均方根振幅示意图；
图15为单一纵波非监督学习预测结果示意图；
图16为基于svr监督学习法预测的结果示意图；
图17为利用激活函数对16进行处理得到的结果示意图；
图18为测试区含气地震储层预测结果效果分析图。
具体实施方式
名词解释：
非监督学习(unsupervisedlearning)：事先没有任何训练数据样本，需要直接对数据进行建模。即，此时数据没有类别信息，也不会给定目标值。在非监督学习中，将数据集合分成由类似的对象组成的多个类，该过程即为聚类分析。
监督学习(supervisedlearning)：通过已有的训练样本(即已知数据以及其对应的输出)来训练，从而得到一个最优模型，再利用这个模型将所有新的数据样本映射为相应的输出结果，对输出结果进行简单的判断从而实现分类的目的，那么这个最优模型也就具有了对未知数据进行分类的能力。非监督学习可以减少数据特征的维度，即非监督的结果可以大大提升下一步处理的效果。比如通过聚类分析法(ca)降维，经过这一步处理的数据，再给有监督模型用，会比处理前的数据直接给有监督模型效果大大提升。
下面结合附图以及具体实施方式对本发明作进一步详细说明：
如图4所示，一种非监督与监督学习下的多波地震油气储层预测方法，包括如下步骤：
s1.首先，利用不同卷积核分别对纵波与转换横波原始地震数据(如图4中input)进行卷积升维计算，以生成各类纵、横波地震属性(如图4中m1*n1)。
这些地震属性包含丰富的几何学、运动学、动力学和统计学特征。基于不同的应用目的，大类地震属性主要分为振幅统计类、频率类、频谱统计类及时间序列统计类属性等。
通过深入研究分析，纵、横波地震属性差异性对寻找油气储层的可行性，明确了纵、横波在振幅、波形、频率、衰减、相位、相关、能量、比率等有关属性上的差异对于裂缝检测、含油气性储层预测以及流体判别等方面具有独特优势。将单属性难以呈现的地下储层信息更加全面的挖掘出来，从而实现对目的层段有利油气储层区域得的准确预测。
s2.首先，应用new-3δ剔除各类纵、横波地震属性中可能的异常值，亦即进行去噪处理。
由于地震属性的提取难免要受到个别地段信噪比低的影响和噪音的干扰，势必会造成局部异常值的存在，为了能够量化异常值对属性集的离散趋势，本发明采用new-3δ剔除各类纵、横波地震属性中可能的异常值，以保证数据集数据的准确性。
new-3δ下剔除异常值的过程具体为：
由于采用的数学算法不同，获得属性的数值范围也存在变化，其范围从0～106。
为了能对不同量纲的属性进行运算，首要的任务就是对不同属性值进行标准化处理，如利用式(1)可获得归一化后的数据集。在数据归一化之前，要对离群点进行剔除处理。
为了能够量化属性集的离散趋势，采用公式(3)离均差的立方和γ来表征，当离均差σ的立方和越大，表明属性集合d的变异程度越大，即表明属性集d中存在异常值。
属性集为d＝{x11,x12,…x1n,x21,x22,…xmn}，n为inline最大值，m为crossline最大值。其中，inline表示纵测线方向，crossline表示联络测线方向。
其中，xij*表示标准化后inline＝i，crossline＝j处的地震属性；
xij表示未标准化之前的inline＝i，crossline＝j处的地震属性表示；
minxij表示xij的最小值，maxxij表示xij的最大值；
i,j的取值范围1≤i≤m,1≤j≤n。
属性xij的离均差δ为：
其中，xpq表示inline＝p，crossline＝q处的地震属性值，1≤p≤m，1≤q≤n；
离均差的立方方和γ为：
地震属性集d的标准差用κ表示：
令：t＝δ/κ(5)
地震属性集合d的随机误差是服从正态分布，在任意区间上误差分布在(-η,η)的概率为：
将式(6)代入拉普拉斯函数式(7)：
当t＝3时，
然后，对经过去噪处理的各类纵、横波地震属性进行标准化处理。
由于所提取的地震属性类型不同、量纲不统一、数量级大小差别很大，即，获得属性的数值范围存在较大的变化，这势必会影响到定量分析的效果和可靠性，为克服数据中存在的不合理现象，在对数据进行分析时，对不同属性值进行标准化处理，例如：将获得的数据集利用公式(1)进行归一化处理，使得所有的x均在(0,1)之间，将各个属性值变换到同一尺度之下，使不同属性具有相同的变化范围，以边在后续处理中具有相同的贡献。
s3.利用聚类分析法进行非监督学习，分别对各类纵、横波地震属性通过聚类分析降维；基于以上聚类分析降维结果，用聚合法求出取能突出油气储层特征的多波地震聚合属性。
该步骤s3实际包含两个层次的降维过程：
第一是通过降维，将纵、横波地震属性维数降低，起到优选作用；第二是利用纵、横波对油气的敏感度不同，进行有机聚合，使纵、横波属性融合在一起，起到优化降维作用。
首先介绍第一层次的降维，即将纵、横波地震属性进行聚类分析降维(如图4中m2*n2)，其过程如下：
其次，将提取的地震属性作为一类；
再其次，计算各个属性之间的两两之间的相关系数，根据相关系数来判断相互之间的密切程度，两种地震属性的相关系数的值均介于-1～1之间：
若相关系数的绝对值较小时靠近0时，则两种地震属性之间相关程度低；
若靠近-1或1相关系数的绝对值较大时，则两种地震属性之间相关程度高；
将相关程度高的属性化为一类，达到优选目的，完成了聚类分析降维的过程。第二层次的降维，基于第一层次降维中产生的聚类分析降维结果，用聚合法求出取能突出油气储层特征的多波地震聚合属性(如图4中m3*n3)。
通过相关计算，将纵波和转换横波所包含的信息融入到新构建的属性过程中，即生成新的属性，称此为聚合属性(有称复合属性)。
聚合后的地震属性降低了原始属性集的维度，同时获得的聚合属性具有一定的地质意义。首先，依据专家经验结合数学理论选择与油气特征存在相关的属性。
获得的多波聚合地震属性包括叠合类、差值类、比值类和乘积类。
根据类比分析认为，比值类及差值类属性在反映纵横波属性在油气地震响应敏感性更突出些，故本发明选出该两类属性作为监督学习的输入。
通过第二层次的降维，用聚合法求出取能突出油气储层特征的多波地震聚合属性。
s4.将多波地震聚合属性作为学习集(如图4中m4*n4)，用获得的井点样本作为支持向量机回归器的输入，利用回归器将运算推广到全区，得到多波地震油气储层分布的预测结果。
对于由非监督学习而来的数据需要进行评估，特别是需要对作为学习样本的井位处数据进行评估并进行校正，以此为监督学习提供更可靠的学习样本输入。
由于工区内已知测井、钻井记录非常少，所以支持向量机需要输入的学习样本点在某一层位的值非常少。如果井位处的学习样本存在异常值，该样点值会造成svr在学习时产生偏差。这个存在偏差的模型向全区推广的结果可能导致应用支持向量机的回归会产生错误。从而降低学习能力，学习的效果会受到严重的影响。基于期望风险评估折衷就是对原始数据集的校正，使数据集趋于正态分布，与常规方法相比，期望风险评估算法能够充分利用属性集数据的分布规律，最大程度还原数据的真实性。而对井点处的属性值进行期望风险评估，就可得到更加贴合数据真实度的svr的学习样本输入。
本发明综合期望风险评估折衷算法，复合(聚合)地震属性算法等对支持向量机的参数进行寻优，最大程度上克服支持向量机参数寻优对预测结果的影响。
如前所述，本发明主要应用支持向量机(svr)法作为监督学习工具，实现利用已知预测未知的目的。对井点处的属性值进行期望风险评估，得到更加贴合数据真实度的svr的学习样本输入。最终获得经过支持向量机回归的属性集。即：
通过支持向量机建立学习地震剖面横向上地震属性样本与油气性特征之间的内在联系，从而将已知井油气特征推广到全区，最终实现多波地震油气储层分布的预测。
支持向量机主要解决二分类问题，其学习策略是最大化分类间隔，最终将问题转化为一个凸二次规划问题并进行求解。对于回归问题，要找到一个回归的超平面，使得数据集里面的所有数据到该超平面的距离最小。对于任意给定的地震属性，构建了地震属性与油气特征关系的监督学习模型在全区内进行推广，便可得到该地震属性集的油气特征预测值。
下面以川西孝泉-丰谷地区为靶区开展实际储层预测，以验证了本发明方法的有效性。
测试区针对fg构造进行过多波地震勘探。基于此，进行了实际地震数据的测试。
1.1卷积映射升维提取地震属性：应用不同卷积核分别对测试区纵波与转换横波原始地震数据进行卷积计算，获取各类地震属性，本案例共生成纵波与转换横波各36种属性，如图5-10为优选出的典型纵、横波地震属性。
1.2地震属性去噪及标准化处理：
首先应用new-3δ剔除地震属性中可能的异常值，亦即进行去噪处理，然后对经过去噪处理的地震属性进行标准化处理，为之后的聚类分析提供更可靠源数据。
1.3卷积映射降维优选地震属性：
该环节是非监督学习主要环节，包含两个层次的降维：
将第一层次聚类降维优选出的地震属性作为第二层次聚合降维的输入，其中，第一层次聚类降维优选出的部分典型地震属性如图5-10所示。
通过第二层次的非监督学习，纵波与转换横波地震属性被聚合成新的地震属性，如图11-13所示，新的地震属性作为监督学习的输入。
该非监督学习环节结合专家经验、数学理论及该区储层特点优选属性。获得的聚类属性不但可以包含纵波油气反应特点，还能够反映横波条件下油气的特征。
其中，图11和图12为比值属性，图13为差值属性。从图11-13可以看出，采用不同聚合算法得到的地震属性剖面上均有油气地震响应，但由于所包含的信息不同，其对于油气藏的边界刻画不唯一，存在较多的不确定性。通过支持向量机建立学习样本与各个样点之间的内在联系，从而将已知井油气特征推广到全区。利用支持向量机学习不仅降低了属性反演的多解性，更使得所刻画的地震油气储层边界更清晰，如图16-17所示。
1.4监督学习预测地震气储层的分布：即以获得的纵、横波聚合地震属性，如图11-13所示，作为支持向量机的学习进行支持向量机学习预测。
选取该测试区的10口井作为支持向量机的学习样本，且每口井周围取9个样点运用期望风险评估折衷算法，获得经验风险最小的输入样本值。根据已知测井、钻井及前人研究成果，可将井分为三类，高含气井、低含气井和无含油气井。对应的区域分为有利气藏地震响应区、较有利气藏地震响应区、油气前景不佳区。
需要说明的是，由于svr的学习过程中需要划分出正样本值和负样本值，而本区的井点负样本较少，所以在构造低部的已知非油气区域选取5个样本点作为贫油气井。
把纵、横波聚合属性，如图11-13所示，作为学习集，用获得的井点样本作为支持向量机回归器的输入，利用回归器将运算推广到全区，最终得到的多波地震气藏分布的预测结果，如图16-17所示。其中，图16为以图11-13作为输入，然后应用svr监督学习法预测的结果，而图17是利用激活函数对图16进行激活处理得到的结果。
可以看出，经过激活函数处理后的图17所刻画的地震气藏分布边界更清晰。相比于原始纵波均方根振幅属性，如图14所示，和由单一纵波监督学习得到的预测结果，如图15所示，特别是图17或图18所反映的地震气藏响应特征更明显。
1.5实际应用效果分析评价：仅以纵波地震属性为样本经过聚类分析后再进行支持向量机储层预测结果如见图15，而利用纵、横波联合后的svr预测结果见图16。图17红色高值处表示油气有利区，蓝色低值处表示为非气藏富集区。预测结果与实际钻井结果相比较不难看出，仅以纵波数据进行支持向量机预测，虽也能预测油气分布情况，但存在缺陷，模型的泛化能力差，对油气的边界刻画不清晰，如图15，而利用纵、横波地震数据联合后所svr预测的气藏分布情况与更符合实际情况，如图17，所刻画的地震气藏边界更清晰，且预测结果更为准确，图18中粉红圈所指示的井表示为出气井，表明本案例所预测的气藏区域基本位于已知出气井的区域，而井点以外的所预测高含气区域可以作为进一步钻探部署的依据。
本发明通过非监督学习的聚类分析，将数据集合分类，即降低了数据特征的维度。本发明实施例首先将多达几十种的纵、横波地震属性聚类后降维到6种属性，该6种地震属性认为是对油气地震响应的敏感度是最高之一。然后，再对该6种属性进行聚合计算，以突显纵、横波在油气地震响应敏感度的差异性。经过这一步处理的数据，为之后有监督学习效率和效果的提升，打下了良好基础。利用非监督学习得到的能表征目标区地震油气响应的地震属性，通过支持向量机建立学习样本(井点)与各个样点之间的内在联系，从而将已知井油气特征推广到全区。利用支持向量机学习不仅降低了属性反演的多解性，更使得所刻画的地震油气储层边界更清晰。多波聚合地震属性与单一纵波地震属性相比能够包含更多信息，突出油气敏感属性特征压制不敏感属性特征。相对于常规纵波支持向量机属性反演，多波支持向量机属性模型泛化能力更强、预测结果精度更高、油气边界刻画更清晰
该方法所预测结果与实际钻井资料对比表明了该方法的可行性和有效性。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。