1.基于地震拓频处理的相控随机反演薄储层预测方法,其特征在于,该基于地震拓频处理的相控随机反演薄储层预测方法包括:
步骤1,利用地震解释数据及测井资料进行精细储层标定,明确储层在地震剖面上的响应特征;
步骤2,对目的层段地震资料开展基于拓频技术的精细目标处理,提高目的层地震资料分辨率;
步骤3,根据井上储层特征分析,优选能够明确区分储层与围岩的敏感判别曲线;
步骤4,对研究区的地震资料开展基于递推反演的约束稀疏脉冲反演,获得研究区的波阻抗反演数据;
步骤5,以不同的研究目的层段沉积模式、沉积微相分析为前提,明确各种沉积相的储层参数空间分布规律,确定纵向及水平变程;
步骤6,利用确定性反演数据,结合各沉积相储层参数空间分布参数,开展基于蒙特卡洛马尔科夫链算法的随机反演。
2.根据权利要求1所述的基于地震拓频处理的相控随机反演薄储层预测方法,其特征在于,在步骤1中,对声波时差曲线和密度曲线进行曲线校正,提高测井资料的可靠程度,调整不同子波进行褶积,使得合成地震记录与井旁道地震反射达到最佳匹配程度,利用地震解释数据及测井资料,建立深度域钻井资料与时间域地震的对应关系,开展精细的储层标定,明确储层在地震剖面上的响应特征。
3.根据权利要求1所述的基于地震拓频处理的相控随机反演薄储层预测方法,其特征在于,在步骤2中,受研究区目的层岩性组合的影响,研究区储层在地震资料对应地震反射弱及空白反射现象,在对研究区精细储层标定的基础上,开展地震资料提高分辨率处理:(1)选择目的层时窗;(2)时窗范围内反Q能量补偿;(3)基于测井约束的拓频处理;(4)能量均衡及去噪处理。
4.根据权利要求3所述的基于地震拓频处理的相控随机反演薄储层预测方法,其特征在于,在步骤2中,对研究区目的层段地震资料进行基于几何球面扩散补偿、地表一致性振幅补偿技术、多域面波压制技术、多域线性干 扰去噪技术、预测反褶积和地表一致性串联反褶积技术的地震资料拓频处理,包括:对所述研究区目的层段地震资料采取能量补偿处理,消除非地质因素对地震信号的影响,开展叠前去噪处理及反褶积技术,提高处理精度、波组特征和成像效果,达到提高地震资料纵向分辨率的目的。
5.根据权利要求1所述的基于地震拓频处理的相控随机反演薄储层预测方法,其特征在于,在步骤3中,对井上目的层段测井数据进行交会分析,优选出区分储层与围岩的敏感判别曲线,分析得到储层敏感参数变化范围。
6.根据权利要求5所述的基于地震拓频处理的相控随机反演薄储层预测方法,其特征在于,在步骤3中,针对研究区内所用的地质、测井资料开展储层地球物理特征分析,在研究区中若波阻抗曲线能较好的区分储层与围岩即储层处于相对高的波阻抗或者都处于相对低的阻抗,则建立波阻抗区分曲线;若波阻抗曲线不能很好的区分储层与围岩,则进行多曲线判别分析,明确区分储层与围岩的敏感判别曲线,优选出识别储层特征曲线的门槛值。
7.根据权利要求1所述的基于地震拓频处理的相控随机反演薄储层预测方法,其特征在于,在步骤4中,在精细的井震标定基础上,通过不断试验调整,明确适合研究区的确定性反演参数,获得一个高质量的确定性反演结果,用来质控随机协模拟和反演结果同时刻度随机反演结果横向预测的准确度,并对目标区的岩性展布、比例在总体上有一个正确的把握。
8.根据权利要求1所述的基于地震拓频处理的相控随机反演薄储层预测方法,其特征在于,在步骤5中,分析研究区沉积相以及物源供给情况,以不同的研究目的层段沉积模式、沉积微相分析为前提,明确各种沉积相的储层参数空间分布规律,确定纵向、水平方向变差函数,包括:分析研究区目的层段的沉积环境或者物源分布情况,利用通过地震数据提取的基本反映岩性分布情况的地震属性分块或分层进行变差函数分析,明确适合所述研究区的变差函数分析参数。
9.根据权利要求1所述的基于地震拓频处理的相控随机反演薄储层预测方法,其特征在于,在步骤6中,利用确定性地震反演作为初始模型输入及 约束条件,以井的声波阻抗作为输入,结合确定的纵向、水平方向变差函数,以及直方图分析,确定出方差构造的累计条件分布概率函数,沿着协方差函数场中某一网格化的随机路径有序的模拟,利用蒙特卡洛马尔科夫链算法获得每一个网格节点处的随机函数值,建立波阻抗与优选出的判别曲线之间的线性关系,进而模拟出高分辨率的储层敏感参数的数据体,获得区分储层与围岩的某储层参数反演剖面,依据优选出的储层与围岩判别曲线的门槛值开展有利储层的预测描述。
10.根据权利要求1所述的基于地震拓频处理的相控随机反演薄储层预测方法,其特征在于,在步骤6中,在一个给定的空间数据集上,设条件数据为{Z(xa),a(n)},Z(x)为未采样点即待模拟点值;首先,对变量场的分布特征进行分级,目的是将累计条件分布概率函数值限制于所分类别之中,设Z0为级别中的门槛值,定义x点处的二值指示变量为:
可以证明,其条件期望值为
E{I(x,Z0)|Z(xa),a∈(n)}=P{Z(x)≤Z0|Z(xa),a∈(n)} (2)
其中,P{Z(x)≤Z0|Z(xa),a∈(n)}是指示变量的条件概率分布值,式(2)表明,通过指示变量条件期望值的估算,可以得到其相应的条件概率分布值,
条件期望值通过克立格法对条件数据进行指示转换来估算,亦即利用条件数据点Z(xa),由指示克立格可得到期望值的最优无偏线性估计,期望估计值即为累计条件分布概率函数的估计值,即有
在这里F*为累计条件分布概率函数估计值,i(xa,Z0)为以Z0为门槛的样点值Z(xa)的指示变换,λa(x,Z0)为克里格权系数
克里格权系数则可以通过知识克里格方程求得,即有
(4)式中λb(x,Z0)为克里格权系数,C1(xb-xa,Z0)和C1(x-xa,Z0)为指示协方差函数,μ为拉格朗日常数,
通过以上求取累计条件分布概率函数估计值,便可以利用蒙特卡洛马尔科夫链算法模拟每一网格节点的随机函数值,在位置x处抽取一个均匀随机数P(m)∈[0,1],然后转换为累计条件分布概率函数估计值的分位数值,该分位数即为位置x的模拟值,即有
F*(-1){x;Zm(x)|(n)}=P(m)
(5)
Zm(x)=F*(-1){x;P(m)|(n)}
(5)式中Zm(x)为位置x的模拟值,F*(-1)为逆累计条件分布概率函数估计值或P(m)∈[0,1]的分位数函数,在此基础上,对指示数据集采用模拟值进行更新,这样,一个网格点的模拟完成,再对另外的位置沿着随机路径继续使用指示模拟。