本发明涉及一种识别与预测方法，特别涉及一种凝灰质砂岩有利储层的定量识别与预测方法，属于石油地质勘探开发领域。
背景技术：
随着油气勘探规模的不断扩大和勘探深度的不断增加，火山碎屑岩储层被不断发现。但由于属于非常规性油气储层，其矿物成分多样，岩电关系复杂，有利储层识别预测难度大，制约着该类储层的勘探开发。
储层物性主要受凝灰质含量的影响，因此如何识别预测凝灰质含量少的有利储层成为石油地质学家研究凝灰质砂岩储层的主要问题。
目前，凝灰质砂岩储层评价方法主要是基于岩心及测井解释的储层识别方法，虽然能实现单井预测，但是缺乏井间资料的约束，对井密度要求较大，难以实现平面有效追踪。
技术实现要素：
为了解决上述技术问题，本发明的目的在于提供一种凝灰质砂岩有利储层的定量识别与预测方法，该识别与预测方法可以实现凝灰质砂岩有利储层定量识别与预测，以便在凝灰质砂岩油藏勘探和开发中快速准确地确定有利目标及范围。
为了实现上述技术目的，本发明提供了一种凝灰质砂岩有利储层的定量识别与预测方法，该凝灰质砂岩有利储层的定量识别与预测方法包括以下步骤：
步骤一：利用取心井的有利储层特征，建立待测储层的有利储层测井响应特征；
步骤二：根据待测储层的有利储层测井响应特征，建立待测储层的岩石体积模型；
步骤三：根据待测储层的岩石体积模型，建立对应的数学模型；
步骤四：根据数学模型，获得反映有利储层的地质参数，其中，反映有利储层的地质参数包括：凝灰质含量、储层孔隙度、渗透率、含油饱和度；
步骤五：根据获得的地质参数，建立有利储层的地质参数与地震参数的对应关系，其中，地震参数包括密度、声波时差、层速度、波阻抗、反射系数；
步骤六：根据有利储层的地质参数与地震参数的对应关系，利用三层神经网络模式识别有利储层，完成对凝灰质砂岩有利储层的定量识别与预测。
本发明提供的凝灰质砂岩有利储层的定量识别与预测方法，优选地，在步骤一种，利用取心井的薄片资料结合常规测井曲线，获得取心井的有利储层特征。
更优选地，通过取心井在单井层面上识别出有利储层的特征，包括岩性特征、物性特征及电性特征，具体包括：
应用取心井的岩心薄片资料中的凝灰质含量与常规测井资料中的自然伽马(自然伽马测井地球物理测井是用地球物理探测手段，了解被测井眼不同井段的导电、传热、声学、放射性等物理性质，用以确定岩层的岩性、物性、含油气性、含盐卤矿化度与地球物理特性的关系，进而研究地质、矿产状况和钻井技术)、密度数据进行相关性分析，识别出取心井有利储层的特征。
本发明提供的凝灰质砂岩有利储层的定量识别与预测方法中，岩石体积物理模型是利用测井响应特征将地下复杂的岩层简化为一个较理想的体积模型。
本发明提供的凝灰质砂岩有利储层的定量识别与预测方法中，优选地，在步骤二中，待测储层的岩石体积模型是根据待测储层的有利储层测井响应特征及岩石中各种矿物成分的物理差异，按体积对岩石进行划分，根据划分的各部分对岩石宏观物理量的贡献，建立相应的岩石体积模型。
本发明提供的凝灰质砂岩有利储层的定量识别与预测方法中，优选地，在步骤三中，数学模型是通过岩石体积模型，建立测井响应方程计算的理论地质参数与实际地质参数的误差关系的函数。
根据本发明的具体实施方式，数学模型的建立是以测井响应方程计算的理论测井值与实际测井值的误差为出发点，建立反映该误差的函数。
本发明提供的凝灰质砂岩有利储层的定量识别与预测方法，优选地，步骤三中，建立的数学模型为：
其中，测井解释的目标函数；
ai：标准化后的实际测井值；
第i种测井值；
σi：第i种测井值的误差值；
τi2：第i种测井响应方程的误差值；
第j种约束的不符合约束程序值；
Tj：第j种约束的约束误差值。
本发明的上述数学公式适用于凝灰质砂岩储层，不同区块公式里面的误差值需要更改。该误差值是不同区块测井响应方程计算的理论测井值与实际测井值的误差。
本发明提供的凝灰质砂岩有利储层的定量识别与预测方法，优选地，步骤四中，利用优化迭代方法对数学模型进行求解，获得反映有利储层的地质参数。
本发明提供的凝灰质砂岩有利储层的定量识别与预测方法，优选地，步骤五中，对反映有利储层的地质参数进行回归分析，根据回归分析的结果，建立有利储层的地质参数与地震参数的对应关系。
本发明提供的凝灰质砂岩有利储层的定量识别与预测方法，优选地，在步骤五中，利用时差曲线，通过gardner公式求取密度，将有利储层标定在地震同相轴上，读取反映有利储层的地震参数，并将该地震参数与地质参数进行对应。
本发明提供的凝灰质砂岩有利储层的定量识别与预测方法，优选地，应用地震多参数模式识别技术判断有利储层在横向上的含油气性，用神经网络模式识别有利储层的平面分布范围。
本发明提供的凝灰质砂岩有利储层的定量识别与预测方法，优选地，步骤六中，应用有井声波阻抗反演技术，利用测井曲线与井旁地震记录联合求取反褶积因子，对地震道进行反褶积形成反射系数剖面，再通过引入低频信息，获得绝对声阻抗剖面，然后用神经网络模式识别有利储层在平面的分布范围，实现对凝灰质砂岩储层的定量识别与预测。
本发明提供的凝灰质砂岩有利储层的定量识别与预测方法中，孔隙度计算公式以DEN曲线为例，公式为：
其中，ρb为密度，单位为kg/m3；
ρma为岩石骨架密度，单位为kg/m3；
ρmf为泥浆密度，单位为kg/m3；
ρh为油气密度，单位为kg/m3；
Vsh为泥质相对体积，单位为％；
ρsh为泥岩密度，单位为kg/m3；
Sxo为冲洗带含水饱和度，单位为％；
渗透率计算公式为：
其中，Perm为渗透率，单位为10-3μm2；
C为常数项；A为曲线名；Ca为相应曲线常数；m为拟合幂；n为曲线条数。
饱和度计算公式为：
其中，Rt为地层电阻率，单位为Ω·m；
Rsh为泥岩电阻率，单位为Ω·m；
Vsh为泥质相对体积，单位为％；
Φ为孔隙度，单位为％。
A为系数；
Rw为地层水电阻率，单位为Ω·m；
泥质含量计算公式为：
其中，RTsa为砂岩电阻率，单位为Ω·m；
Rsh为泥岩电阻率，单位为Ω·m；
RT为地层电阻率，单位为Ω·m；
式中mu是一个经验常数，本区mu＝2适用于(侏罗系地层)。用其他曲线求泥质含量，公式与上述公式相同。
本发明的凝灰质砂岩有利储层的定量识别与预测方法适用于凝灰质砂岩储层。
本发明的上述凝灰质砂岩有利储层的定量识别与预测方法还包括以已知井主测线的模式识别为学习样本，对网络进行训练，通过监督学习，获取的分类知识用于未知测线的识别，输出结果，并利用此结果绘制图件，实现有利储层自动定量追踪，或者直接进行人工手动追踪实现有利储层的定量识别。
在本发明的凝灰质砂岩有利储层的定量识别与预测方法中，能够反映有利储层的属性包括地质属性和地震参数，地质属性包括凝灰质含量、孔隙度、渗透率等，地球物理属性包括密度、声波时差、层速度、波阻抗、反射系数等，并建立地质与地震属性对应关系。而本发明对反映有利储层的地质属性和地球物理属性多参数模式识别技术及神经网络技术进行三维空间预测，提高了识别的准确性。
本发明的凝灰质砂岩有利储层的定量识别与预测方法，基于岩心、测井、地震的有利储层，建立凝灰质砂岩有利油层测井响应特征及岩石体积物理模型，提高储层参数计算的准确性。
应用本发明的凝灰质砂岩有利储层的定量识别与预测方法，以岩心、薄片、常规测井等单井数据为约束，综合地震资料，不仅实现了单井有利储层的识别，而且实现了井间平面有利储层的预测。
本发明的凝灰质砂岩有利储层的定量识别与预测方法，实现了凝灰质砂岩有利储层定量识别与预测，为凝灰质砂岩油藏勘探和开发快速准确地确定了有利目标及范围。
附图说明
图1为实施例1的凝灰质砂岩有利储层的定量识别与预测方法的流程图。
具体实施方式
为了对本发明的技术特征、目的和有益效果有更加清楚的理解，现对本发明的技术方案进行以下详细说明，但不能理解为对本发明的可实施范围的限定。
实施例1
本实施例提供了一种凝灰质砂岩有利储层的定量识别与预测方法，其工艺流程如图1所示，具体包括以下步骤：
某区块砂岩油藏为火山喷发与正常沉积交替作用形成，普遍含凝灰质成分，因此，找到凝灰质含量少的正常砂岩储层就找到了有利油层发育位置。
步骤一：本区储层岩性主要有凝灰质砂岩及砂岩，利用研究区2口取心井的岩心及薄片资料结合常规测井曲线，观察和识别有利储层岩性类型特征。
步骤二：建立该油藏的岩石体积模型(如表1所示)，使地质信息与测井信息建立对应关系，以地层体积模型为基础，写出数学模型，对数学模型进行求解，计算反映有利储层的地质参数，储层孔隙度、渗透率、凝灰质含量、含油饱和度等参数。
孔隙度计算公式以DEN曲线为例，公式为：
其中，ρb为密度，单位为kg/m3；
ρma为岩石骨架密度，单位为kg/m3；
ρmf为泥浆密度，单位为kg/m3；
ρh为油气密度，单位为kg/m3；
Vsh为泥质相对体积，单位为％；
ρsh为泥岩密度，单位为kg/m3；
Sxo为冲洗带含水饱和度，单位为％；
渗透率计算公式：
其中，Perm为渗透率，单位为10-3μm2；
C为常数项；A为曲线名；Ca为相应曲线常数；m为拟合幂；n为曲线条数。
饱和度计算公式：
其中，Rt为地层电阻率，单位为Ω·m；
Rsh为泥岩电阻率，单位为Ω·m；
A为系数；
Rw为地层水电阻率，单位为Ω·m；
泥质含量计算公式：
其中，RTsa为砂岩电阻率，单位为Ω·m；
Rsh为泥岩电阻率，单位为Ω·m；
RT为地层电阻率，单位为Ω·m；
式中mu是一个经验常数，本区mu＝2适用于(侏罗系地层)。用其他曲线求泥质含量，公式与上述公式相同。
在L1井的50块薄片资料中，碎屑占54.92％，填隙物占12.15％，孔隙度占22.93％。目的层矿物成分有粘土、石英、长石、方解石。因此，该块物理模型选择多矿物模型。解释结果响应方程概括为：
其中，测井解释的目标函数；
ai：标准化后的实际测井值(SP，GR,....)；
第i种测井值；
σi：第i种测井值的误差值；
τi2：第i种测井响应方程的误差值；
第j种约束的不符合约束程序值；
Tj：第j种约束的约束误差值。
经过计算的L1井，解释油层24层，综合解释油层10层，综合解释的结果与试油成果符合率达到90％。用岩心化验资料、处理结果和用声波回归公式取得的孔隙度进行对比，孔隙度的平均误差为9％。
建立数据检验的关键井，L1井的试油和取心资料优于其他井，因此将这些数据做为检验储层参数计算准确性的关键井。
用岩心化验分析、模型计算以及声波回归公式取得的孔隙度进行对比，模型计算的平均相对误差是9％，而回归计算孔隙度的平均相对误差是13％。模型计算的孔隙度值优于回归计算的孔隙度值，如表2所示。
表1
表2孔隙度误差分析表
步骤三：对步骤二求取的参数与步骤一中岩心识别出的有利储层进行类比分析，得出反映该区有利储层的地质参数。该区渗透率、含油饱和度、凝灰质含量为有利储层主要识别参数。
步骤四：根据步骤三中有利储层识别参数，建立有利储层与层速度、波阻抗、反射系数等地震参数的对应关系。
步骤五：针对步骤四中建立的对应关系，应用地震多参数模式识别技术判断有利储层在横向上的分布规律，用神经网络模式识别有利储层在平面分布范围，具体步骤如下：
选取步骤一中已知井有利油层做为目的层，并沿层开时窗；
提取时窗内目的层特征地震属性；
采用三层神经网络，由输入层、中间层和输出层组成，输入层的节点数等于选用信息特征数，输出层为期望的分类数，隐层节点数根据独立特征数来确定。网络正传播时采用传递函数：f(x)＝1/(1+exp(-x))，采用误差反传播法修改连接权。定解标准采取传播输出与期望输出之间的均方误差；
以过已知井主测线的模式识别为学习样本，对网络进行训练，通过监督学习，获取的分类知识用于未知测线的识别，输出结果，并利用此结果绘制图件，实现有利储层自动定量追踪。
表3各井层速度数据表
从表3可以看出，各井点地震计算的层速度与测井计算的层速度值基本符合，相对误差较小，可见计算的层速度是可靠的，可用于有利储层横向预测。
以上实施例说明，本发明的凝灰质砂岩有利储层的定量识别与预测方法可以对凝灰质砂岩有利储层进行准确的定量识别与预测，为凝灰质砂岩油藏勘探和开发快速准确地确定了有利目标及范围。