一种曲流河沉积微相智能预测方法与流程

本发明涉及地球物理勘探地震解释及综合研究领域，特别是一种曲流河沉积微相智能预测方法。

背景技术：

沉积微相是在基本一致的沉积条件下形成的最基本的沉积单元，其类型及空间展布一直是油气勘探和开发的重要研究内容之一。通过沉积微相的研究可以了解每一次沉积事件中骨架相砂体的展布及演化规律，并对储层内部的非均质性及其变化进行预测，同时沉积微相也是影响剩余油平面分布的主要因素。

传统的沉积微相预测方法主要通过取心井的沉积学特征研究，准确划分其沉积微相，然后对不同沉积微相对应的测井曲线形态进行研究，确定出各类沉积微相所特有的测井曲线形态特征，建立研究区的岩石相-测井相图版，实现岩-电关系转换，从而对未取心井的沉积微相进行划分和确定。再通过测井资料绘制测井相和沉积微相的平面展布图。这种方法的缺点是在井间的沉积微相都是通过井点的微相插值预测，在井距较大的时候预测的误差较大。

通过地震资料进行沉积微相的预测能够减少井间预测误差。目前，使用较多的是利用地震波形聚类的方法进行地震相的分类，然后再通过井点处沉积微相标定后确定沉积微相的平面分布，这种方法只用到了地震信息缺少井控，预测精度较低，往往只用于沉积亚相的识别。

技术实现要素：

本发明的目的是要解决现有技术中存在的不足，提供一种曲流河沉积微相智能预测方法，通过沉积微相样本数据建设和随机森林的机器学习方法建立沉积微相的预测模型，实现曲流河沉积微相的智能预测。

为达到上述目的，本发明是按照以下技术方案实施的：

一种曲流河沉积微相智能预测方法，包括如下步骤:

s1、首先通过测井沉积微相解释获取单井上的不同深度段的沉积微相组合，然后通过时深转换将井上的微相类型标注在井旁地震道上，获得该地震道上的波形特征，根据井旁地震道中具有沉积微相解释层段的波形特征，拾取不同微相类型及其组合的地震相响应样本；

s2、根据井点处沉积微相解释和切片分析结果，结合河流相沉积规律与各微相地震相特征，对沉积微相样本点进行扩充；

s3、利用小波变换对原始地震数据进行分频处理得到多个频段，得到每个频段的地震数据，提取每个频段的地震数据的波形、瞬时振幅和波阻抗属性，并对样本点附近地震属性进行规约提取有效特征，构建机器学习样本集；

s4、通过随机森林相关算法优选有效表征地震特征，通过机器学习得到沉积微相与地震响应间的映射关系，预测地层属于各微相概率；

s5、对于计算得到的各微相高概率预测体进行叠合，最终形成沉积微相模糊判别结果。

进一步，所述s2的具体步骤如下：将井点处各层段的沉积微相解释结论向井点附近的地层拓展，以增加用于构建机器学习的样本点个数；以及根据地震沿层切片中河流微相的分布规律标记平面坐标，考察这些坐标位置处该层位附近垂向波形特征，将符合沉积微相地震相响应特征的层段标记为该微相。

进一步，所述s3中小波变换的具体步骤如下：

利用小波变换将地震剖面分解为不同频段的分频剖面，得到各个频段的信息，设地震信号为f(t)，其连续变换为：

小波逆变换为：

其中，a为尺度因子；b为平移因子，在实际计算时，小波变换采用mallat算法，把不同的尺度分解为细节部分和近似部分：

式中g，h分别为高通滤波器和低通滤波器；从傅立叶滤波的角度，引进四个ch、ch和cg、cg滤波算子，对mallat算法进行了改进，滤掉折叠频率，该方法称为抗混叠重构改进算法，算子ch、ch的计算式为：

算子cg和cg的计算公式：

进一步，所述s3中对样本点附近地震属性进行规约提取有效特征的具体步骤为：

采用给定大小时窗w分三段对当前点地震属性进行相关规约表征，对于时间为t的当前点规约提取的特征包括：

当前层段属性均值：即t-0.5w到t+0.5w范围内各地震属性的均值，对于地震属性attrx以attrx.c表示；

层段上部属性均值：即t-1.5w到t-0.5w范围内各地震属性的均值，对于地震属性attrx以attrx.u表示；

层段下部属性均值：即t+0.5w到t+1.5w范围内各地震属性的均值，对于地震属性attrx以attrx.l表示；

三段属性梯度均值：即t-1.5w到t+1.5w范围内地震属性变化梯度的均值mean(attrxi–attrxi-1)，对于地震属性attrx以attrx.d表示；

上下层段属性梯度比值：本质上是attrx.u和attrx.l的比值，为防止attrx.l取值为0.0时出现极值，实际计算中在attrx.u和attrx.l上均添加当前层段的属性值attrx.c作为偏置，即按照(attrx.u+attrx.c)/(attrx.l+attrx.c)进行计算，对于地震属性attrx以attrx.r表示。

进一步，所述s4的具体步骤如下：

s41、根据随机森林mdi特征重要性评估算法分别对不同沉积微相进行重要性评估，优选出敏感属性特征；

s42、采用模糊分类预测方法进行相关预测，分别求取目的层段内地层属于各种微相的概率值：分别基于不同规约窗长得到的沉积微相基于随机森林算法建立不同的沉积微相概率预测模型，对于给定的待预测数据点，分别基于不同的模型预测其属于各沉积微相的概率，而后按照上述逻辑进行模糊预测判别；

s43、随机森林算法在对各微相进行预测时的决策树特征备选集大小ntry和各沉积微相的输入属性特征个数相关，每个属性分别通规约表征生成5个衍生特征，再加上iline、xline、time三个输入作为空间信息的表征，ntry的选取范围1-属性数×5+3；

s44、将每一个微相按照one-vs-others的方法选用不同的决策树参数构建模型，并通过交叉验证计算各个沉积微相的预测性能，优选出最佳的预测参数；

s45、基于forestri算法得到各沉积微相的分类概率预测模型，按照0.5为概率阈值对各微相模型的预测性能进行分析。

进一步，所述s5的具体步骤为：使用前述建立的各沉积微相概率预测模型应用于整个工区范围，得到对应沉积微相概率的三维预测体，而后分别在颜色刻度中将各微相切片中概率较小的部分设置为透明，并将所有微相的预测概率切片进行叠合显示，得到最终的沿层位沉积微相模糊预测结果。

进一步，所述s45中的forestri算法是从全体备选特征集中随机抽选q个特征，在此q个特征所组成的子集优选特征进行分割。

与现有技术相比，本发明以井点沉积微相解释结论为基础，以河流相各微相的平面分布规律为参考，通过提取不同频带范围的波形、振幅、波阻抗数据，按照给定时窗分三段对当前点地震属性进行组合特征的规约，生成五种地震组合特征，以充分表征不同微相的地震响应特征；通过最佳时窗的选择，构建机器学习样本库；采用随机森林mdi方法对样本特征进行评估，对优选后的样本特征通过随机森林算法分别对各个微相进行模糊概率预测，再将每个微相的高概率结果进行叠合显示，最终得到一个沉积微相的预测结果。综述，本发明克服了由于井距较大无法精确反映各沉积微相在平面上的分布规律问题，通过沉积微相样本数据建设和随机森林的机器学习方法建立沉积微相的预测模型，实现曲流河沉积微相的智能预测。

附图说明

图1单井沉积微相划分图。

图2井点位置通过地震剖面特征的延拓。

图3基于沿层切片显示拾取边滩、天然堤样本点。

图4五个不同频段分频剖面显示。

图5不同微相部分样本特征示例。

图6边滩微相特征重要性评估。

图7基于随机森林各微相模型的预测性能参数。

图8沿某层随机森林沉积微相模糊预测结果。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明，并不用于限定发明。

本实施例的一种曲流河沉积微相智能预测方法，包括如下步骤:

s1、首先通过测井沉积微相解释获取单井上的不同深度段的沉积微相组合，然后通过时深转换将井上的微相类型标注在井旁地震道上，获得该地震道上的波形特征，根据井旁地震道中具有沉积微相解释层段的波形特征，拾取不同微相类型及其组合的地震相响应样本；对研究区的每一口井的沉积微相都建立对应的地震波形特征就组成了各个微相的地震波形样本库；

s2、根据井点处沉积微相解释和切片分析结果，结合河流相沉积规律与各微相地震相特征，对沉积微相样本点进行扩充，具体是：将井点处各层段的沉积微相解释结论向井点附近的地层拓展，以增加用于构建机器学习的样本点个数；以及根据地震沿层切片中河流微相的分布规律标记平面坐标，考察这些坐标位置处该层位附近垂向波形特征，将符合沉积微相地震相响应特征的层段标记为该微相；在沿层切片上可以大体确定各种规模河道砂体分布状况，标记清晰河道发育地区的平面坐标，考察这些坐标位置处该层位附近垂向波形特征，如将符合边滩地震相响应特征的层段标记为边滩微相。同时，对于河道边缘处满足天然堤微相地震相响应特征的层段则标记为天然堤。对于边滩、河漫上部和下部地层正极性反射强烈，明显具有河漫微相地震响应特征的层段则标记为河漫；

s3、利用小波变换对原始地震数据进行分频处理得到多个频段，得到每个频段的地震数据，提取每个频段的地震数据的波形、瞬时振幅和波阻抗属性，并对样本点附近地震属性进行规约提取有效特征，构建机器学习样本集；

其中，小波变换的具体步骤如下：

利用小波变换将地震剖面分解为不同频段的分频剖面，得到各个频段的信息，设地震信号为f(t)，其连续变换为：

由到f(t)的过程成为f(t)信号的重建或者重构，该过程就是小波逆变换的过程，小波逆变换为：

其中，a为尺度因子；b为平移因子，在实际计算时，往往采用小波变换的离散形式。在实际地震处理中，为了提高处理的高效性，小波变换采用mallat算法，把不同的尺度分解为细节部分和近似部分：

式中g，h分别为高通滤波器和低通滤波器；由于小波滤波器不是理想的和不满足采样定理原因，会使得到的小波系数中产生频率折叠现象。如果用上述方法对地震信号进行分频处理会引进新的频率成分，这样的处理会对地震解释产生极大的不利影响，为此我们从傅立叶滤波的角度，引进了四个ch、ch和cg、cg滤波算子，对mallat算法进行了改进，滤掉折叠频率，该方法称为抗混叠重构改进算法，算子ch、ch的计算式为：

算子cg和cg的计算公式：

对样本点附近地震属性进行规约提取有效特征的具体步骤为：

采用给定大小时窗w分三段对当前点地震属性进行相关规约表征，对于时间为t的当前点规约提取的特征包括以下五种情况：

当前层段属性均值：即t-0.5w到t+0.5w范围内各地震属性的均值，对于地震属性attrx以attrx.c表示；

层段上部属性均值：即t-1.5w到t-0.5w范围内各地震属性的均值，对于地震属性attrx以attrx.u表示；

层段下部属性均值：即t+0.5w到t+1.5w范围内各地震属性的均值，对于地震属性attrx以attrx.l表示；

三段属性梯度均值：即t-1.5w到t+1.5w范围内地震属性变化梯度的均值mean(attrxi–attrxi-1)，对于地震属性attrx以attrx.d表示；

上下层段属性梯度比值：本质上是attrx.u和attrx.l的比值，为防止attrx.l取值为0.0时出现极值，实际计算中在attrx.u和attrx.l上均添加当前层段的属性值attrx.c作为偏置，即按照(attrx.u+attrx.c)/(attrx.l+attrx.c)进行计算，对于地震属性attrx以attrx.r表示；

因此，针对一种地震属性特征attrx，通过规约后能够形成五个组合特征，即attrx.u、attrx.c、attrx.l、attrx.d、attrx.r。

s4、通过随机森林相关算法优选有效表征地震特征，通过机器学习得到沉积微相与地震响应间的映射关系，预测地层属于各微相概率，具体步骤如下：

s41、根据随机森林mdi特征重要性评估算法分别对不同沉积微相进行重要性评估，优选出敏感属性特征；

s42、采用模糊分类预测方法进行相关预测，分别求取目的层段内地层属于各种微相的概率值：分别基于不同规约窗长得到的沉积微相基于随机森林算法建立不同的沉积微相概率预测模型，对于给定的待预测数据点，分别基于不同的模型预测其属于各沉积微相的概率，而后按照上述逻辑进行模糊预测判别；由于参与机器学习训练的样本仅有边滩、河漫、天然堤三种微相，而实际河流相沉积中的微相类型远不止这些，如果采用确定性判别的方法将不可避免地认为目的层段内的地层仅属于边滩、河漫、天然堤三种微相之一，这与河流相沉积微相分布的实际情况不符。采用模糊分类预测方法进行相关预测，分别求取目的层段内地层属于边滩、河漫、天然堤三种微相的概率值，显然：如果属于某一微相的概率值特别大，而属于其它微相的概率值都较小，例如边滩概率0.88、天然堤概率0.10，河漫概率0.02，则可认为地层确属于具有优势概率的微相；如果地层在两种沉积微相类型的概率值上取值均较大，例如边滩概率0.50、天然堤概率0.45、河漫概率0.05，说明地层位于两种微相类型的分类边界附近，由于原始地震测量、处理和计算中不可避免误差，此时的判别结果往往具备一定的不确定性；如果地层属于三种微相的概率值均较小，例如边滩概率0.33、天然堤概率0.33、河漫概率0.34，，则说明地层可能属于三种类型之外的沉积微相类型；

在具体的预测过程中，分别基于不同规约窗长得到的边滩、天然堤、河漫基于随机森林算法建立微相概率预测模型，对于给定的待预测数据点，分别基于三个模型预测其属于各微相的概率，而后按照上述逻辑进行模糊预测判别；

s43、随机森林算法在对各微相进行预测时的决策树特征备选集大小ntry和各沉积微相的输入属性特征个数相关，每个属性分别通规约表征生成5个衍生特征，再加上iline、xline、time三个输入作为空间信息的表征，ntry的选取范围1-属性数×5+3；如边滩、河漫、天然堤的有效输入属性个数分别为7、7、9个，每个属性规约出5个组合特征，加上iline、xline、time三个输入作为空间信息的表征，因此边滩、河漫、天然堤的输入特征总个数分别为38、38、48，ntry的选取范围亦分别为1-38、1-38、1-48；

s44、将每一个微相按照one-vs-others的方法选用不同的决策树参数构建模型，并通过交叉验证计算各个沉积微相的预测性能，优选出最佳的预测参数；即每次只针对一种类型微相进行预测，并通过交叉验证计算各个微相的预测性能，优选出最佳的预测参数；

s45、基于forestri算法得到各沉积微相的分类概率预测模型，按照0.5为概率阈值对各微相模型的预测性能进行分析，也可根据实际情况选择不同的概率阈值。

s5、对于计算得到的各微相高概率预测体进行叠合，最终形成沉积微相模糊判别结果，具体步骤为：使用前述建立的各沉积微相概率预测模型即边滩、天然堤、河漫概率预测模型应用于整个工区范围，得到对应沉积微相概率的三维预测体，而后分别在颜色刻度中将各微相切片中概率较小的部分设置为透明，并将所有微相的预测概率切片进行叠合显示，得到最终的沿层位沉积微相模糊预测结果。

为了验证本发明的可行性，以下参照图2-图8对本发明的一种具体实施例进行详细描述，具体过程如下：

步骤1：根据井旁道中具有沉积微相解释层段的波形特征，拾取不同微相类型及其组合的地震相响应样本。

a:根据单井测井和岩性组合特征划分不同的沉积微相，如图1所示。在该井上可以划分出边滩和河漫两种类型的沉积微相；

b:根据井坐标确定地震数据所对应的线道号位置，具体的是通过地震的起始线道号，x，y坐标和道间距来换算。

c:根据时深转换能够将井上划分出的微相标注到对应的地震波形位置。

步骤2：根据井点处沉积微相解释和切片分析结果，结合河流相沉积规律与各微相地震相特征，对沉积微相样本点进行扩充。

a:根据地层发育的连续性特点，将井点处各层段的沉积微相解释结论向井点附近的地层拓展；

b:对瞬时振幅、反演波阻抗数据体分别做沿层切片。在其切片显示上可以大体确定各种规模河道砂体分布状况，标记清晰河道发育地区的平面坐标，考察这些坐标位置处该层位附近垂向波形特征，将符合边滩地震相响应特征的层段标记为边滩微相。同时，对于河道边缘处满足天然堤微相地震相响应特征的层段则标记为天然堤。对于边滩、河漫上部和下部地层正极性反射强烈，明显具有河漫微相地震响应特征的层段则标记为河漫。图3左图分别是ng32和ng33层位的反演波阻抗切片，图3的右图则是在ng32和ng33层位附近标记的边滩(蓝色)和天然堤(红色)样本点在平面上的投影。

步骤3：对原始地震记录进行分频处理，基于不同频段波形提取相关属性，并对样本点附近地震属性进行规约提取有效特征，构建机器学习样本集。

a:采用连续小波变换对地震记录进行分频处理，得到五个不同频带范围的地震数据，频带范围分别是lg1：0-100hz，lg2:0-50hzhg2:50-100hzlg3:0-25hzhg3:25-50hz。分频剖面结果如图4所示；

b:分别对这五个地震分频数据和原始地震数据进行属性提取，选择瞬时振幅、波阻抗和地震波形数据构成了18个地震特征属性；

c:利用步骤2得到的样本数据，将这18种地震特征数据通过一定的时窗可以得到5组地震特征组合，相当于一个样本数据对应90个特征样本，同时再加上样本的空间位置特征，一共得到93个样本特征维度。图5为部分样本特征的示例。

步骤4：通过随机森林相关算法优选有效表征地震特征，通过机器学习得到沉积微相与地震响应间的映射关系，预测地层属于各微相概率。

a:采用随机森林mdi特征重要性评估方法，对各个微相预测的重要性进行评估，在90个特征维度中优选出重要的特征。图6是通过计算得到的边滩微相预测所有特征重要性评估结果，可以看出边滩微相amplg2.l(样本点底部0-50hz频段波形瞬时振幅)为最重要的特征，而wavelg2.l(样本点底部0-50hz频段波形)和amplg1.l(样本点底部0-100hz频段波形瞬时振幅)为次重要的特征。总体而言amplg2.l、wavelg2.l、amplg1.l、wave.l、wavelg1.l、wavelg2.c、amplg2.c为对边滩微相响应特别敏感的参数，wavelg1.c、amplg1.c、wave.c、wavelg2.u、amp.l、amp.c为对边滩响应比较敏感的参数，而其余参数则可认为对边滩微相响应并不敏感。边滩、河漫、天然堤的有效输入属性个数分别为7、7、9个，每个属性规约出5个特征，加上ilien、xline、time三个输入作为空间信息的表征，因此边滩、河漫、天然堤的输入特征总个数分别为38、38、48；

b:采用模糊分类预测方法进行相关预测，分别求取目的层段内地层属于边滩、河漫、天然堤三种微相的概率值。通过分析边滩、河漫、天然堤三个微相所对应的最佳ntry取值为35、34、43，根据所选择参数采用one-vs-others方法，基于forestri算法得到各沉积微相的分类概率预测模型，按照0.5为概率阈值对各微相模型的预测性能如图7所示。

步骤5：对于计算得到的各微相高概率预测体进行叠合，最终形成沉积微相模糊判别结果。

a:使用前述建立的边滩、天然堤、河漫概率预测模型应用于整个工区范围，得到该区边滩、天然堤、河漫概率的三维预测体，而后分别按沿某一层位数据作这三个微相的切片，在颜色刻度中将各微相切片中概率较小的部分设置为透明，而后将三个微相的预测概率切片显示进行叠合显示，得到最终的该层位沉积微相模糊预测结果；

b:图8中预测为边滩微相的区域使用蓝色表示、预测为天然堤微相的区域使用红色表示、预测为河漫微相的区域使用黄色表示，各相中颜色的深浅代表该相概率的大小(概率越大越深)。因此，图中颜色较淡、发白的区域为边滩、天然堤、河漫三相概率均较小的区域、往往对应着相类型不确定性或者相类型为边滩、天然堤、河漫三相之外的区域。图中预测为边滩地区边缘清晰、形状符合河道发育的自然形态，预测为边滩的区域基本处于河道边缘位置，平面接触关系与理论河流相沉积规律相符。

综述，本发明克服了由于井距较大无法精确反映各沉积微相在平面上的分布规律问题，通过沉积微相样本数据建设和随机森林的机器学习方法建立沉积微相的预测模型，实现曲流河沉积微相的智能预测。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。