一种可控神经网络式预测储层渗透率的方法
【技术领域】
[0001] 本发明涉及地球物理勘探储层预测方法，具体的为利用地震资料有效信息预测储 层渗透率的方法，尤指一种可控神经网络式预测储层渗透率的方法。
【背景技术】
[0002] 油田开发进入中后期阶段，数字建模的准确性对开发井网设计、注采收益最大化 起着越来越重要的作用，而储层物性参数中储层渗透率的准确预测则为数字建模最为关键 的步骤，如何精确预测储层渗透率一直是油藏地球物理人员的追求目标。目前储层渗透率 预测的方法主要是借助地震资料进行反演以及一些振幅信息的处理等技术，而储层渗透率 的预测主要有两大类，一类是地质统计模拟，一类是借助反演资料进行线性转换。这两类储 层物性预测方法都有各自的优缺点，地质统计模拟预测结果充分利用了测井信息，但在无 井区的不可控因素比较多；反演资料进行线性转换的方法虽然利用了地震资料的信息，在 无井区有一定的约束，但缺点是预测精度低。另外还有一种方法是直接用地震信息与测井 信息（如渗透率数据）建立井震关系，借助地震预测渗透率，但地震道与渗透率曲线通常难 以找到匹配的线性关系，预测的结果很难达到满意效果。
[0003] 上述储层渗透率预测方法均涉及测井资料与地震资料。如何把地震资料信息和测 井信息以及地质信息有机的结合是渗透率预测精度的关键环节。
【发明内容】
[0004] 本发明的目的在于，通过可控神经网络式储层渗透率预测方法借助地震提高储层 渗透率预测的精度，间接推动油田开发布局，达到为油田生存发展服务的需求。
[0005] 本发明所提供的可控神经网络式预测储层渗透率的方法，具体包含：步骤一：获 取地震资料，以已知的钻井数据为纵向控制点，以地震层序解释层位为横向约束，加入断层 控制，建立地质格架模型；步骤二：对所述地质格架模型通过基因算法进行反演，获得N个 波阻抗数据体；步骤三：针对每一个波阻抗数据体进行相控云模拟储层渗透率预测，每一 个波阻抗数据体预测出M个渗透率数据体；步骤四：对N*M个渗透率体进行沉积相对比与 数据体之间相互线性分析；步骤五：选取n*m(选取原则：剔除高度线性的其中一个以及与 地质认识明显不吻合的数据体）个渗透率体进行等权处理，得到最终渗透率数据体；步骤 六：对最终渗透率数据体进行针对油藏部位的雕刻，为下游提供数据。
[0006] 在上述实施例中，优选的还包含：在所述步骤一之前还包含：分析原始地震资料， 看是否为高分辨率、高保真、高饱幅处理资料，如不是，对所述原始地震资料进行高分辨率、 尚保真、尚?目噪比处理。
[0007] 在上述实施例中，优选的还包含：在所述分析原始地震资料与步骤一之间还包含： 对测井资料进行分析、整理和编辑，如果没有测井解释数据，则对所述测井资料进行常规测 井解释，获得解释数据，并进行解释数据的校政。
[0008] 在上述实施例中，优选的还包含：所述基因算法进行反演之前还包含：对测井曲 线数据进行重采样，使采样率与地震资料一致。
[0009] 在上述实施例中，优选的还包含：所述步骤二中基因算法进行反演包含：采用贝 叶斯推论。
[0010] 在上述实施例中，优选的还包含：所述选取n*m个渗透率体进行等权处理，得到最 终渗透率数据体包含：选取n*m个渗透率体进行等权处理，对选取的每个数据体，分配为权 系数为1，在频率域进行融合，得到最终渗透率数据体。
[0011] 在上述实施例中，优选的还包含：所述步骤三中针对每一个波阻抗数据体进行相 控云模拟储层渗透率预测包含：渗透率平面图与振幅平面图对比，剔除与地震相不吻合的 结果。
[0012] 在上述实施例中，优选的还包含：所述步骤三中针对每一个波阻抗数据体进行相 控云模拟储层渗透率预测还包含：将渗透率平面图与振幅平面图两两相互交汇，剔除高度 线性结果。
[0013] 本发明的有益技术效果在于：通过本发明所提供的可控神经网络式预测储层渗透 率的方法，使得新钻符合率达到80%以上，为开发提供有效的数据与支持。
【附图说明】
[0014] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可 以根据这些附图获得其他的附图。
[0015] 图1为本发明所提供的可控神经网络式预测储层渗透率的方法流程图。
[0016] 图2为本发明所提供的可控神经网络式预测储层渗透率的方法的结构流程图。
[0017] 图3为本发明所提供的一实施例中地震资料剖面图。
[0018] 图4为本发明所提供的一实施例中地震资料振幅谱图。
[0019] 图5为本发明所提供的一实施例中地震资料频谱剖面图。
[0020] 图6为本发明所提供的一实施例中测井剖面图。
[0021] 图7为通过地震、地质数据建立的地层格架模型剖面图。
[0022] 图8为通过现代基因算法反演得到的波阻抗反演结果之一的剖面图。
[0023] 图9为在波阻抗反演数据基础上通过相控云变换预测出的储层渗透率剖面图。
[0024] 图10为储层渗透率预测平面图与地震资料平面图的对比图。
[0025] 图11为预测储层渗透率目的层段的高渗透率雕刻显示图。
[0026] 图12为地震资料平面图与三种方法渗透率预测平面图的对比图。
【具体实施方式】
[0027] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0028] 请参考图1所示，图为本发明所提供的可控神经网络式预测储层渗透率的方法的 流程图，具体包含：
[0029] 步骤SlOl :获取地震资料，以已知的钻井数据为纵向控制点，以地震层序解释层 位为横向约束，加入断层控制，建立地质格架模型，在此处地质格架模型是基于easymodel、 ft等模块结果优选获得的；
[0030] 步骤S102 :对所述地质格架模型通过基因算法进行反演，获得N个波阻抗数据 体；
[0031] 在该处基因算法进行反演包含：0(B|A) =O(B) ·Α(B|A)，这里0(Β|Α)表示在事件 A发生的条件下，事件B的后验几率，0 (B)是事件B的先验几率，通过反演A (Β IΑ)获得对应 波阻抗数据体；
[0032] 步骤S103 :针对每一个波阻抗数据体进行相控云模拟储层渗透率预测，每一个波 阻抗数据体预测出M个渗透率数据体； 「00331 在H术滲诱率预测
【主权项】
1. 一种可控神经网络式预测储层渗透率的方法，其特征在于，所述方法包含： 步骤一：获取地震资料，以已知的钻井数据为纵向控制点，以地震层序解释层位为横向 约束，加入断层控制，建立地质格架模型； 步骤二：结合测井资料在所述地质格架模型控制下通过基因算法进行地震反演，获得 N个波阻抗数据体； 步骤三：针对每一个波阻抗数据体进行相控云模拟储层渗透率预测，每一个波阻抗数 据体预测出M个渗透率数据体； 步骤四：选取n*m个渗透率体进行等权处理，得到最终渗透率数据体； 步骤五：对最终渗透率数据体进行针对油藏部位的雕刻，为下游提供数据； 上述N，M，n，m为自然数。
2. 根据权利要求1所述的方法，其特征在于，在所述步骤一之前还包含：对所述原始地 震资料进行三高处理，所述三高处理为高分辨率、高保真、高信噪比处理。
3. 根据权利要求1所述的方法，其特征在于，所述步骤一与所述步骤二之间还包含：对 测井曲线数据进行重采样，使采样率与地震资料一致。
4. 根据权利要求1所述的方法，其特征在于，所述步骤二中基因算法进行反演包含：采 用贝叶斯推论。
5. 根据权利要求1所述的方法，其特征在于，所述选取n*m个渗透率体进行等权处理， 得到最终渗透率数据体包含：选取n*m个渗透率体进行等权处理，对选取的每个数据体，分 配为权系数为1，在频率域进行融合，得到最终渗透率数据体。
6. 根据权利要求1所述的方法，其特征在于，所述步骤三与步骤四之间还包含：对N*M 个渗透率体进行沉积相对比与数据体之间相互线性分析。
7. 根据权利要求6所述的方法，其特征在于，所述步骤三中针对每一个波阻抗数据体 进行相控云模拟储层渗透率预测包含：渗透率平面图与振幅平面图对比，剔除与地震相不 吻合的结果。
8. 根据权利要求6所述的方法，其特征在于，所述步骤三中针对每一个波阻抗数据体 进行相控云模拟储层渗透率预测还包含：将渗透率平面图与振幅平面图两两相互交汇，剔 除高度线性结果。
【专利摘要】本发明提供了一种可控神经网络式预测储层渗透率的方法，所述方法包含：步骤一：获取地震资料，以已知的钻井数据为纵向控制点，以地震层序解释层位为横向约束，加入断层控制，建立地质格架模型；步骤二：在所述地质格架模型控制下通过基因算法进行地震反演，获得N个波阻抗数据体；步骤三：针对每一个波阻抗数据体进行相控云模拟储层渗透率预测，每一个波阻抗数据体预测出M个渗透率数据体；步骤四：对N*M个渗透率体进行沉积相对比与数据体之间相互线性分析；步骤五：选取n*m个渗透率体进行等权处理，得到最终渗透率数据体；步骤六：对最终渗透率数据体进行针对油藏部位的雕刻，为下游提供数据。
【IPC分类】G01V1-28
【公开号】CN104635265
【申请号】CN201410854218
【发明人】刘雷颂, 高军, 代双河, 韩宇春, 赵玉光
【申请人】中国石油天然气集团公司, 中国石油集团东方地球物理勘探有限责任公司
【公开日】2015年5月20日
【申请日】2014年12月31日