专利名称：高分辨率非线性地震波阻抗反演方法
技术领域：
本发明属于石油勘探领域，涉及一种油气储层预测技术，尤其涉及高分辨率非线性地震波阻抗反演方法。
背景技术：
长期石油勘探实践表明，储层预测技术是勘探关键技术之一。基于线性的确定性理论的测井宽带约束反演曾在地震反演技术中占据主要地位。随着油气勘探的不断深入和勘探程度的不断提高，石油勘探的目标已逐步转向复杂隐蔽储层。这些复杂沉积环境下的储层具有厚度薄、岩性高度非均质、有效储层分布分散、岩石物理关系复杂和储层岩性对比弱等特征。现有的许多储层综合预测技术由于基于线性假定和缺乏坚实的横向外推理论依据，对于上述复杂储层结构，预测和描述的分辨率低和抗噪音能力差。后来，基于统计反演理论的反演方法得到了广泛应用，如模拟退火法、遗传算法和神经网络方法等。这些统计反演方法提高了储层预测和描述的分辨率以及抗噪音能力，但由于完全基于统计的假定，进行黑箱反演使储层预测的可信度低。目前，有关高分辨率和陆相薄互层油储的研究，也尚未很好地解决对复杂隐蔽储层预测的核心问题。
发明内容
本发明的目的就是针对现有地震反演技术对于复杂储层存在的不足，围绕地震反演中地震数据有限带宽、分辨率、外推稳定性和岩石物理关系模糊等核心问题，联合应用地球物理确定性理论、统计理论和非线性理论，综合地质、岩石物理、测井和地震数据进行地震波阻抗预测，形成针对复杂沉积环境和复杂岩石物理关系条件下，预测储层地震波阻抗的方法。
本发明解决其技术问题所采用的技术方案是本发明高分辨率非线性地震波阻抗反演方法，将非线性多级结构Robinson地震褶积模型融合到非常规的Caianiello褶积神经网络中，实现了确定性和统计性两种反演方式的统一；通过Robinson地震褶积模型和非线性自仿射变换在阻抗参数和地震响应之间建立了一种确定的关系，实现了确定性反演，保证了反演的可靠性；通过多级地震子波(MSW，Multistage Seismic Wave)/反子波(MSIW，Multistage Seismic Inverse Wave)和Caianiello褶积神经网络在阻抗参数和地震响应之间建立了一种统计关系，实现了统计性反演，保证了反演的抗噪声能力；联合应用直接与间接两种反演方式进行波阻抗的估计和校正，以直接反演的结果作为间接反演的初始值，两种反演方式交替使用，最终利用间接反演获得高分辨率的合成全频波阻抗剖面，提高了反演的精度。
本发明高分辨率非线性地震波阻抗反演方法，对Caianiello褶积神经网络进行时间域处理以及快速傅里叶变换的应用，将一些具有确定物理意义的非线性变换作为神经网络的映射函数，可实现反演确定性和统计性的统一。
本发明高分辨率非线性地震波阻抗反演方法，把f1(·)设计为表征地震数据功率谱衰减模式的自仿射变换，在可观测频率和未知频率成分之间建立一种映射关系。即可通过测井曲线的功率谱估计f1(·)，为拓宽x(t)*a1(t)的谱提供一阶逼近，再利用多级地震反子波ai(t)(i＝1，2，3)作进一步优化。作一变换，给出地震道x(t)(作为神经网络输入)与波阻抗z(t)(作为神经网络输出)的映射关系。
本发明的有益效果是，因本发明基于非线性多级Robinson地震褶积模型，联合应用确定性反演和统计反演两种方法，联合应用基于宽带地震反子波的直接反演和基于带限地震子波的间接反演两种方式，联合应用地震、测井和地质等多学科信息进行了高分辨率波阻抗非线性反演，从而获得了高分辨率的合成全频波阻抗剖面。
图1为本发明的三层Caianiello神经网络体系结构示意图，图中I，J和k分别是输入层I、隐层J和输出层K的神经元个数。
图2为本发明高分辨率非线性地震波阻抗反演流程框图。
图3为实施例琼东南西区YA136测线图。
图4为图3所示实施例中A1井阻抗大、中、小尺度频率分解图。
图5为与A1井阻抗大、中、小尺度频率对应的频谱图。
图6为A1井约束波阻抗反演提取的第一级和第二极统计地震反子波序列图，自上而下分别为高频分量、中高频分量和低频分量。
图7为A1井低频分量约束地震反演得到的低频波阻抗剖面，过测线A1井的低频阻抗分量插入图中。
图8为A1井中高频分量约束地震反演得到的中高频波阻抗剖面，过测线A1井的中高频阻抗分量插入图中。
图9为合成的全频波阻抗剖面，过测线A1井的全频阻抗插入图中。
图10为地震波阻抗反演交叉验证对比图中的验证井实测阻抗与反演阻抗对比，图中粗线为A1井全频阻抗曲线，细线为反演的全频阻抗曲线，二者相似系数为80.64％。
图11为图10所示对比图中的约束井实测阻抗与反演阻抗对比，图中粗线为A1井全频阻抗曲线，细线为反演的全频阻抗曲线，二者相似系数为97.05％。
具体实施例方式 下面参照附图并结合实施例对本发明作进一步说明。
本发明从信息论的角度对地震反子波进行了重构。为了增强反演的抗噪声能力，将常规的Robinson地震褶积模型融入到非传统的Caianiello褶积神经网络中，在Caianiello褶积神经网络中使用自仿射非线性变换来拓宽地震数据的谱，采用神经网络迭代修改初始波阻抗模型，实现合成地震记录与地震数据最佳匹配。
图2示出本发明高分辨率非线性地震波阻抗的反演流程，包括以下步骤 1)对已知测井的声波时差曲线和密度曲线进行标定，将其从深度域转换到时间域，生成井中波阻抗；对测井波阻抗数据进行重采样，与地震数据采样率相同；利用傅氏变换对测井波阻抗数据进行多尺度分解，得到低、中、高频测井波阻抗数据。
2)对已知叠后地震剖面进行层位解释，模拟大断距断层、地层尖灭和陡倾角地层的复杂构造特征，建立外推反演解释层位控制系统。
3)从已知叠后地震剖面上提取井旁地震道。
4)由1)步和3)步得到的数据，利用基于(9)式的Caianiello神经网络算法提取井旁分频多级地震反子波及非线性变换 网络输入为矩阵xil(t)(l＝1，2，...，L，其中L是位于目的层区域井的个数；i＝1，2，...，I，其中I是位于第l口井处的输入地震道个数，也代表输入层神经元个数)，期望输出为矩阵zkl(t)(l＝1，2，...，L，k＝1，2，...，K，其中K是波阻抗曲线的个数，也代表输出层神经元个数)。参数I要选择的足够大，以充分利用相邻道地震阻抗特性的空间相关性。网络训练过程实质上就是在解空间中寻找一个最优的多级地震反子波，使价值函数对所有井达到最小化。井越多，训练的网络越可靠。如果沉积单元的岩性横向变化不大，相应的地震子波在横向上的变化较小，用单井或少数几口井约束就足够了。在井旁，神经网络输出的波阻抗和实际波阻抗吻合都较好，这种井旁的宽带解沿横向的外推能力与岩性横向的非均质性密切相关。
为了将地震褶积模型与Caianiello褶积神经网络相结合，需要构建一种多级结构的Robinson地震褶积模型。Robinson地震褶积模型为 x(t)＝r(t)*b(t)(1) 式中，x(t)表示地震记录，r(t)表示反射系数，b(t)表示地震子波。在地震资料处理中，计算得到的地震子波实际上是一个包含各种影响因素在内的总的滤波算子。从严格意义上讲，层状介质的脉冲响应是反射系数的非线性函数。非线性多级结构Robinson地震褶积模型将地震子波多级分解成一系列基本子波，对每一级分解进行非线性变换，多级分解可以表示成 x(t)＝fi(fi-1(fi-2(r(t)*bi-2(t))*bi-1(t))*bi(t))(2) 式中i可以取1，2，或3，代表不同的级数，fi(·)(i＝1，2，3)是多级非线性变换，bi(t)(i＝1，2，3)是多级地震子波。
由波阻抗z(t)与反射系数r(t)之间存在的如下近似关系 作一变换，给出波阻抗z(t)(作为神经网络输入)与地震道x(t)(作为神经网络输出)的映射关系。令则地震道x(t)可近似表示为 式中为差分变换。根据(2)式，可以分解(4)式为多级形式 式中的每一级表示对地震对数波阻抗的一个滤波过程。
作上一变换的逆变换，给出地震道x(t)(作为神经网络输入)与波阻抗z(t)(作为神经网络输出)的映射关系。根据(3)式，z(t)可表示为 式中z0是常数，a(t)表示地震反子波，是地震子波b(t)的逆。从(6)式可知，如果地震数据x(t)是带限的，那么地震反子波a(t)也是带限的，由x(t)*a(t)得到的r(t)也是带限的。
定义如下的指数变换 令常数z0＝1或以z0归一化z(t)，则(6)式简化为一种标准形式 z(t)＝f(x(t)*a(t))(8) 与(5)式一样，将(8)式分解为多级形式，以与Caianiello褶积神经网络算法一致，每一级的输出是对实际地震波阻抗的一次逼近。
将带限地震反子波a(t)的谱扩展到全频带，必须确定地震子波与地震反子波的频率成分内容。全频的测井阻抗曲线经过逐级滤波，其带宽可减至与地震数据一致，这描述了一个地质信息逐步减少的过程。根据信息论中熵增长原理，这是一个物理不可逆的过程。对信息恢复过程进行数学重构(8)式的多级形式为 z(t)＝fi(fi-1(fi-2(x(t)*ai-2(t))*ai-1(t))*ai(t)) (9) 式中，i可以取1、2或3，代表不同的级数，fi(·)(i＝1，2，3)是多级非线性变换，ai(t)(i＝1，2，3)是多级地震反子波，其与Caianiello褶积神经网络算法一致，每一级的输出是对实际地震波阻抗的一次逼近。根据信息守恒原理，若(9)式中的z(t)是宽频带的，损失的地质信息一定含在多级地震反子波ai(t)(i＝1，2，3)中，即地震反子波a(t)包含地震子波和损失信息(主要是高频成分)。获得宽频带地震反子波的唯一途径就是利用测井约束，通过直接反演重构损失的地质信息。
5)结合2)步产生的层位控制系统和4)步结果，进行井间分频多级地震反子波插值。
6)利用(9)式直接反演初始波阻抗体，对输入地震道作多级反褶积，逐步逼近精确解。直接利用训练的神经网络进行外推反演，估计初始地震波阻抗剖面。在直接反演过程中，训练的网络保持不变，将地震道输入到网络中，网络在井间进行多级地震反子波插值，对输入地震道作多级反褶积，逐步逼近精确解。由于神经网络的统计特性，这种多级反褶积是稳健的，具有较强的抗噪声能力。
在外推反演过程中，随着离井的距离越远，多级地震反子波的误差逐渐增大，地震道反褶积的预测精度逐渐降低。因为外推预测误差的存在，直接反演得到的初始地震波阻抗需要通过间接反演方法进行校正。
如前所述，宽带多级地震反子波包含两部分信息地震子波的影响和缺失的地质信息。对于稳定的沉积单元，地震子波的主频在横向上一般变化不大，缺失的地质信息则通过井约束进行补偿。对井间地震道缺失的高频信息则通过联合应用多级地震反子波和非线性反射率模型进行补偿。
7)由1)步和3)步得到的数据，利用基于(5)式的神经网络算法提取井旁分频多级地震子波及非线性变换。将井阻抗作为Caianiello神经网络的输入，井旁地震道作为Caianiello神经网络的期望输出。通过不断迭代修正子波完成网络训练，使合成地震道与井旁地震道达到最佳拟合。这实际上是一个利用间接反演方法估计地震子波的过程，估计的多级地震子波是带限的，包含了震源信号和传播衰减的影响。对每一口井都进行多级地震子波提取，所有井的多级地震子波以神经子波的形式存储在Caianiello神经网络中。不断地加入新井，修改现存的网络神经子波，以不断完善Caianiello神经网络的信息储备。
8)结合2)步产生的层位控制系统和7)步结果，进行井间分频多级地震子波插值。
9)由6)步产生的初始波阻抗体和井间分频多级地震子波，利用(9)式间接反演最终波阻抗体，得到高分辨率低频和中高频波阻抗剖面。直接利用训练的多级地震子波神经网络进行外推反演，估计最终地震波阻抗剖面。以6)步得到的初始波阻抗作为神经网络的输入，对于每一个需要重建的波阻抗道，取与该道相邻的地震道组成神经网络的期望输出矩阵。这实际上是利用间接反演方法进行输入信号重建，目的是改善初始波阻抗剖面中的中频和低频成分。采用神经网络迭代修改初始波阻抗模型，实现合成地震记录与地震数据最佳匹配。
这种基于多级地震子波的间接反演方法能有效地消除残留在初始波阻抗剖面中地震子波的影响，提高地震有效频段反演剖面的信噪比。
10)由低频和中高频波阻抗体合成全频波阻抗剖面，可用于储层预测并描述油气藏。
在反演流程4)步中利用基于(9)式的Caianiello褶积神经网络提取地震反子波ai(t)(i＝1，2，3)时，x(t)作为输入，z(t)作为输出，地震数据x(t)带限，导致神经网络输出的z(t)总是带限的，把f1(·)设计为表征地震数据功率谱衰减模式的自仿射变换，在可观测频率和未知频率成分之间建立一种映射关系。通过测井曲线的功率谱估计f1(·)，为拓宽x(t)*a1(t)的谱提供一阶逼近，再利用多级地震反子波ai(t)(i＝1，2，3)作进一步优化。给f1(·)加如下的斜坡窗函数 式中，ωc为尼奎斯特频率；θ是一个常量；α是斜坡因子，作为一个控制反演频带范围的阈值，实现从不同的分辨率尺度来反演和分析储层。
本发明高分辨率非线性地震波阻抗反演算法结构 1、CAIANIELLO褶积神经网络方法 Caianiello褶积神经网络基于Caianiello神经元方程，即 式中oj(t)，oi(t)，θi(t)和f(·)分别表示神经元的输入、输出、阈值和激活函数；wij(t)为时变连接权(多级子波)。多级子波的自适应变化使神经元具有时变信号学习能力。这里使用非线性反射率模型来代替常规S型激活函数。
2、基于CAIANIELLO褶积神经元的多层网络算法 图1示出一个3层Caianiello褶积神经网络结构，其中I、J和k分别是输入层I、隐层J和输出层K的神经元个数。对Caianiello褶积神经网络可进行时间域处理以及快速傅里叶变换的应用。将一些具有确定物理意义的非线性变换作为神经网络的映射函数，可实现反演确定性和统计性的统一。Caianiello褶积神经网络通过迭代修改其神经子波和自身输入两种方式，提供直接和间接的两种反演算法。
3、多级子波估计算法 迭代调整多级子波使输入信号与期望输出信号匹配，定义的价值函数为均方误差函数，即 式中dk(t)是期望输出信号；ok(t)是网络输出层的实际输出信号。在每一层中应用误差逆向传播技术对该层中所有神经元的多级子波进行递归修正。例如，从图1的隐含层J向下到输入层I的多级子波修正公式为 式中
为互相关计算符号；η(t)是学习效率。对于输出层K，其第k个神经元的逆向传播误差可表示为 δk(t)＝ek(t)f′(netk(t)-θk(t)) (14) 式中f′(·)表示对非线性变换求导。netk(t)由 netk(t)＝∑jwkj(t)*oj(t) (15) 得到。对于任一隐含层，δj(t)可由链规则获得，即 netj(t)由 netj(t)＝∑iwji(t)*oi(t)(17) 得到。在Caianiello褶积神经网络中，褶积运算的误差正向传播和互相关运算的误差逆向传播可通过快速傅里叶变换在频率域中实现。
4、输入信号重建方法 基于模型的反演算法是通过迭代修改神经网络的输入，使实际输出与期望输出达到最佳拟合来实现。定义的价值函数与(12)式类似，例如，当oj(t)作为隐含层J的第j个神经元的输入时，则定义的价值函数可表示为 netk(t)由(15)式确定。由(18)式可知 利用(14)式，oj(t)的修正方程可表示为 同样地，当oi(t)作为输入层I的第i个神经元的输入时，对应的价值函数为 同样可以得到 将(14)式中的δk(t)代入(22)中，有 (23)
利用(16)式，oi(t)的修正方程可表示为 可见，将每一层的逆向传播误差与输入信号作互相关运算，可得到该层中多级子波的修正方程；将逆向传播误差与多级子波作互相关运算，可得到该层中输入信号的修正方程。
图3至图11为本发明的实施例，针对图3所示实施例琼东南西区YA136的A1井测线，本发明的具体实施过程如下 1)对A1井的波阻抗曲线进行了多尺度分解(如图4所示)，并进行了频谱分析(如图5所示)； 2)输入井旁地震数据，以井的各阻抗分量为期望输出，作井旁地震道反演，获得分频多级统计子波(如图6所示)； 3)进行大断距断层、地层尖灭等复杂构造特征的模拟，建立外推反演层位控制系统； 4)利用分频多级统计子波和层位控制系统进行分频反演，得到高分辨率低频波阻抗(如图7所示)和中高频波阻抗剖面(如图8所示)以及合成的全频波阻抗剖面(如图9所示)； 通过井对反演结果进行验证，对于波阻抗反演，验证井和约束井的实测结果与反演结果的相似系数分别为80.64％和97.05％(如图10和图11所示)。
权利要求
1.高分辨率非线性地震波阻抗反演方法，其特征在于，将非线性多级结构Robinson地震褶积模型融合到非常规的Caianiello褶积神经网络中；通过Robinson地震褶积模型和非线性自仿射变换在阻抗参数和地震响应之间建立了一种确定的关系，实现了确定性反演；通过多级地震子波/反子波和Caianiello褶积神经网络在阻抗参数和地震响应之间建立了一种统计关系，实现了统计性反演；联合应用直接与间接两种反演方式进行波阻抗的估计和校正，以直接反演的结果作为间接反演的初始值，两种反演方式交替使用，最终利用间接反演获得高分辨率合成全频波阻抗剖面。
2.根据权利要求1所述的高分辨率非线性地震波阻抗反演方法，其特征在于，所述地震波阻抗的反演流程，包括以下步骤
1)对已知测井的声波时差曲线和密度曲线进行标定，将其从深度域转换到时间域，生成井中波阻抗；
对测井波阻抗数据进行重采样，与地震数据采样率相同；
利用傅氏变换对测井波阻抗数据进行多尺度分解，得到低、中、高频测井波阻抗数据；
2)对已知叠后地震剖面进行层位解释，模拟大断距断层、地层尖灭和陡倾角地层的复杂构造特征，建立外推反演解释层位控制系统；
3)从已知叠后地震剖面上提取井旁地震道；
4)由1)步和3)步得到的数据，利用基于(9)式的Caianiello神经网络算法提取井旁分频多级地震反子波及非线性变换非线性多级结构Robinson地震褶积模型将地震子波多级分解成一系列基本子波，对每一级分解进行非线性变换，多级分解可以表示成
x(t)＝fi(fi-1(fi-2(r(t)*bi-2(t))*bi-1(t))*bi(t))(2)
式中i可以取1，2，或3，代表不同的级数，fi(·)(i＝1，2，3)是多级非线性变换，bi(t)(i＝1，2，3)是多级地震子波，x(t)表示地震记录；
由波阻抗z(t)与反射系数r(t)之间存在的如下近似关系
令代入(2)式，有
式中为差分变换，式中的每一级表示对地震对数波阻抗的一个滤波过程；
根据(3)式，z(t)可表示为
式中z0是常数，a(t)表示地震反子波，是地震子波b(t)的逆；
定义如下的指数变换
令常数z0＝1或以z0归一化z(t)，则(6)式简化为一种标准形式
z(t)＝f(x(t)*a(t))(8)
其多级形式为
z(t)＝fi(fi-1(fi-2(x(t)*ai-2(t))*ai-1(t))*ai(t))(9)
式中，i可以取1、2或3，代表不同的级数，fi(·)(i＝1，2，3)是多级非线性变换，ai(t)(i＝1，2，3)是多级地震反子波，其与Caianiello褶积神经网络算法一致，每一级的输出是对实际地震波阻抗的一次逼近；
5)结合2)步产生的层位控制系统和4)步结果，进行井间分频多级地震反子波插值；
6)利用(9)式直接反演初始波阻抗体，对输入地震道作多级反褶积，逐步逼近精确解；
7)由1)步和3)步得到的数据，利用基于(5)式的神经网络算法提取井旁分频多级地震子波及非线性变换；
8)结合2)步产生的层位控制系统和7)步结果，进行井间分频多级地震子波插值；
9)由6)步产生的初始波阻抗体和井间分频多级地震子波，利用(9)式间接反演最终波阻抗体，得到高分辨率低频和中高频波阻抗剖面；
10)由低频和中高频波阻抗体合成全频波阻抗剖面，可用于储层预测并描述油气藏。
3.根据权利要求2所述的高分辨率非线性地震波阻抗反演方法，其特征在于，所述4)步中利用基于(9)式的Caianiello褶积神经网络提取地震反子波ai(t)(i＝1，2，3)时，x(t)作为输入，z(t)作为输出，地震数据x(t)带限，导致神经网络输出的z(t)总是带限的，把f1(·)设计为表征地震数据功率谱衰减模式的自仿射变换，在可观测频率和未知频率成分之间建立一种映射关系。通过测井曲线的功率谱估计f1(·)，为拓宽x(t)*a1(t)的谱提供一阶逼近，再利用多级地震反子波ai(t)(i＝1，2，3)作进一步优化。给f1(·)加如下的斜坡窗函数
式中，ωc为尼奎斯特频率；θ是一个常量；α是斜坡因子，作为一个控制反演频带范围的阈值，实现从不同的分辨率尺度来反演和分析储层。
全文摘要
本发明公开一种高分辨率非线性地震波阻抗反演方法，将非线性多级结构Robinson地震褶积模型融合到非常规的Caianiello褶积神经网络中，实现了确定性和统计性两种反演方式的统一；通过Robinson地震褶积模型和非线性自仿射变换在阻抗参数和地震响应之间建立了一种确定的关系，实现了确定性反演；通过多级地震子波/反子波和Caianiello褶积神经网络在阻抗参数和地震响应之间建立了一种统计关系，实现了统计性反演；联合应用直接与间接两种反演方式进行波阻抗的估计和校正，以直接反演的结果作为间接反演的初始值，两种反演方式交替使用，最终利用间接反演获得高分辨率的合成全频波阻抗剖面。
文档编号G01V1/40GK101206264SQ20071017700
公开日2008年6月25日 申请日期2007年11月8日 优先权日2007年11月8日
发明者符力耘 申请人:符力耘, 中国科学院地质与地球物理研究所