基于敏感参数体的页岩TOC地震定量预测方法

基于敏感参数体的页岩toc地震定量预测方法
技术领域
1.本发明涉及一种地震预测方法，尤其涉及一种基于敏感参数体的页岩toc地震定量预测方法。


背景技术：

2.近年来，由于非常规油气勘探开发发展迅速，页岩储层评价在世界范围内受到了广泛关注。总有机碳(toc)是评价烃源岩有机质丰度和生烃能力的关键性指标，其含量对页岩气的储层有多方面的影响， toc含量对页岩储层的孔隙度、润湿性、渗透率以及微观结构等有很大影响；此外，有机碳含量还是影响基质孔隙度、控制页岩气藏吸附气的重要因素；有机碳作为岩石基质的构成部分，其含量也强烈影响着页岩的地质力学特性。所以，一种准确可靠的页岩toc预测方法在非常规油气藏的勘探开发中发挥着十分重要的作用。
3.目前许多测井预测方法基于电阻率、孔隙度等与toc含量之间的定量关系，能够实现高准确度的toc含量预测。然而toc的地震定量预测却难于运用此类方法，原因是地震预测方法难以如电阻率、孔隙度等测井参数一样，建立地震数据与toc含量的密切相关关系。而目前能够作为预测的地震参数包括振幅、瞬时属性、频率之类的地震属性以及密度和波阻抗、λρ、μρ等与弹性有关的叠前反演参数。但这类地震属性大多数与toc含量之间的响应机理并不明确，还需深入研究不同地震属性与有机碳特征的相关性机理，才能保证结果的合理性，同时叠前弹性参数获取不易，需要通过叠前反演、岩石物理等方式获得，且在地质条件复杂情况下，仅利用少数弹性参数进行 toc含量地震预测会受到数据条件的限制，不具广泛性。


技术实现要素：

4.本发明的目的就在于提供一种解决上述问题，利用多参数进行 toc含量预测，预测速度快、精度高的基于敏感参数体的页岩toc 地震定量预测方法。
5.为了实现上述目的，本发明采用的技术方案是这样的：一种基于敏感参数体的页岩toc地震定量预测方法，包括以下步骤；
6.(1)确定地层中待测toc含量的目的层，获取目的层的测井数据、叠后三维地震数据、在目的层上等间距确定m个深度，获取每个深度处岩心的toc含量，所述测井数据包括多个测井曲线；
7.(2)对每个测井曲线，与toc含量进行相关性分析，得到每个测井曲线与toc含量的相关系数，预设一阈值，保留相关系数大于阈值的测井曲线，作为敏感参数，所述敏感参数为n个，分别标记为第1条到第n个；
8.(3)构建样本数据；
9.在目的层每个深度处构建一样本数据，第j个深度上的样本数据为lj＝{l
1j
，l
2j
，
…
，l
ij
，
…
，l
nj
}；式中，l
ij
表示第i个敏感参数在第j个深度上的值，i＝1～n，j＝1～m；
10.(4)建立一rbf神经网络，以样本数据为输入，该样本数据对应深度处的toc含量为
输出，训练得到rbf神经网络预测模型；
11.(5)对第1个到第n个敏感参数，分别以每个敏感参数为约束，利用叠后三维地震数据反演方法得到对应的敏感参数体，标记为第1 个到第n个敏感参数体；
12.(6)构建预测样本，包括步骤(61)-(65)；
13.(61)每个敏感参数体大小相同，其线号、道号和采样点分别为 p、q、h，整体为一个p
×q×
h的三维数据体；
14.(62)对第一个敏感参数体，将其整理为一k
×
h的二维矩阵，其中k＝p
×
q，再转换成一个1
×
l的一维数组，其中l＝k
×
h；
15.(63)依次将二个到第n个敏感参数体，处理成一维数组；且每个一维数组中，相同位置的元素对应的坐标值相同；
16.(64)将第一个到第n个数据体对应的一维向量，分别作为矩阵的第一行到第n行数据，构成一n
×
l的预测矩阵；
17.(65)将预测矩阵的每一列数据提取出来，构成一预测样本，共得到l个预测样本；
18.(7)依次将l个预测样本送入rbf神经网络预测模型中，输出 l个toc值，对每个toc值，将其对应预测样本的坐标作为其坐标，得到带坐标的toc值；所述坐标为线号、道号和采样点；
19.(8)将得到的一维的toc数组进行变换，按坐标形成一个p
×q×
h的三维toc数据体，完成目的层toc含量预测。
20.作为优选：所述测井曲线包括密度、声波时差、孔隙度、电阻率、钾元素含量和铀元素含量的曲线，岩心的toc含量通过页岩岩心总有机碳含量地球化学分析化验得到。
21.作为优选：步骤(2)中相关性分析具体为采用spss统计分析软件进行相关性分析。
22.关于敏感参数和敏感参数体：
23.《天然气地球科学》2019年3月一篇名为“四川盆地威远地区五峰组一龙马溪组页岩toc含量地震定量预测方法及应用”提到了toc敏感参数，以及如何结合toc敏感参数和地震数据，得到三维的敏感参数体。
24.本发明中，所述的rbf神经网络由输入层、隐含层、输出层构成，具有最佳拟合性能和全局拟合的显著优势，非常适用于非线性数据的拟合，能够训练出toc与其他多个参数之间复杂的非线性关系网络模型，提高toc预测精度，实现页岩toc地震定量预测。
25.在以每个敏感参数为约束，利用叠后三维地震数据反演敏感参数体时，需要用到测井数据和地震数据，但是测井是深度域，而地震数据是时间域的，所以需要通过合成记录的方式转换，找到正确的时间深度关系，保证它们在同一深度的位置相对应，保证反演出的结果准确，不会出现较大的偏差。这里，地震相控反演是通过地震波形动态聚类分析，建立地震波形结构与测井曲线结构的映射关系，实现自然伽马等非波阻抗曲线的高分辨率地震波形指示模拟，从而得到预测所需的敏感参数体。
26.对于多个敏感参数体，我们将每个敏感参数体从按体、面、线的顺序进行拆分，最终将每个三维数据体，都拆分成一个一维数组，一维数组中每个元素都对应有拆分前的线号、道号和采样点，再利用这些一维数组去构造预测样本进行预测，得到一组关于toc含量的一维数组，再按照线、面、体的顺序重构成三维数据体。
27.与现有技术相比，本发明的优点在于：
28.(1)本发明克服了现有技术中仅能利用少数弹性参数和地震属性进行toc含量地震预测的限制，以及不具广泛性的缺陷，采用多个与toc含量相关性高的参数一起进行预测，可获得更多的敏感参数体；从而使本发明与现有技术相比，能利用更多的与toc含量高相关性的参数，实现页岩toc含量的高精度预测，适用范围更广、预测更容易实现。
29.(2)通过采用神经网络的方式，实现了输入敏感参数与输出toc 含量的非线性拟合，相比传统建模方法具有更高的预测精度。
附图说明
30.图1为本发明流程图；
31.图2为在目的层样本数据构成示意图；
32.图3a是训练数据的toc实测值与toc预测值的对比图；
33.图3b是测试数据的toc实测值与toc预测值的对比图；
34.图4是训练数据的toc实测值与toc预测值的交会分析图；
35.图5是测试数据的toc实测值与toc预测值的交会分析图；
36.图6是本发明实施例2中研究区的toc含量预测连井剖面图；
37.图7是本发明预测的龙一1亚段s1l
11
的toc平均含量平面图；
38.图8是本发明预测的龙一2亚段s1l
12
的toc平均含量平面图。
具体实施方式
39.下面将结合附图对本发明作进一步说明。
40.实施例1：参见图1-图5，一种基于敏感参数体的页岩toc地震定量预测方法，包括以下步骤；
41.(1)确定地层中待测toc含量的目的层，获取目的层的测井数据、叠后三维地震数据、在目的层上等间距确定m个深度，获取每个深度处岩心的toc含量，所述测井数据包括多个测井曲线；
42.(2)对每个测井曲线，与toc含量进行相关性分析，得到每个测井曲线与toc含量的相关系数，预设一阈值，保留相关系数大于阈值的测井曲线，作为敏感参数，所述敏感参数为n个，分别标记为第1条到第n个；
43.(3)构建样本数据；
44.在目的层每个深度处构建一样本数据，第j个深度上的样本数据为lj＝{l
1j
，l
2j
，
…
，l
ij
，
…
，l
nj
}；式中，l
ij
表示第i个敏感参数在第j个深度上的值，i＝1～n，j＝1～m；
45.(4)建立一rbf神经网络，以样本数据为输入，该样本数据对应深度处的toc含量为输出，训练得到rbf神经网络预测模型；
46.(5)对第1个到第n个敏感参数，分别以每个敏感参数为约束，利用叠后三维地震数据反演方法得到对应的敏感参数体，标记为第1 个到第n个敏感参数体；
47.(6)构建预测样本，包括步骤(61)-(65)；
48.(61)每个敏感参数体大小相同，其线号、道号和采样点分别为 p、q、h，整体为一个p
×q×
h的三维数据体；
49.(62)对第一个敏感参数体，将其整理为一k
×
h的二维矩阵，其中k＝p
×
q，再转换
成一个1
×
l的一维数组，其中l＝k
×
h；
50.(63)依次将二个到第n个敏感参数体，处理成一维数组；且每个一维数组中，相同位置的元素对应的坐标值相同；
51.(64)将第一个到第n个数据体对应的一维向量，分别作为矩阵的第一行到第n行数据，构成一n
×
l的预测矩阵；
52.(65)将预测矩阵的每一列数据提取出来，构成一预测样本，共得到l个预测样本；
53.(7)依次将l个预测样本送入rbf神经网络预测模型中，输出 l个toc值，对每个toc值，将其对应预测样本的坐标作为其坐标，得到带坐标的toc值；所述坐标为线号、道号和采样点；
54.(8)将得到的一维的toc数组进行变换，按坐标形成一个 p
×q×
h的三维toc数据体，完成目的层toc含量预测。
55.所述测井曲线包括密度、声波时差、孔隙度、电阻率、钾元素含量和铀元素含量的曲线，岩心的toc含量通过页岩岩心总有机碳含量地球化学分析化验得到。
56.步骤(2)中相关性分析具体为采用spss统计分析软件进行相关性分析。
57.其中：步骤(1)中，假设目的层位于地下2200-2300的深度，则目的层总厚度为100米，我们以1米为间距等间隔采样，那么深度上的采样点为100个。
58.步骤(2)中，我们根据经验，可将阈值设置在0.4或0.5以上，测井数据中的测井曲线有几十至上百条，对每条测井曲线，与toc 含量进行相关性分析，具有较大工作量，为了简化计算量，我们可根据经验初步筛选一批与toc含量相关的测井曲线，再用初步筛选的测井曲线与toc含量做相关性分析，保留相关系数大于阈值的测井曲线，作为敏感参数，假设本实施例中，我们分析得到以下测井曲线与toc含量相关性较高，包括：密度曲线，单位为g/cm3；声波时差曲线，单位为μs/ft；电阻率曲线，单位为ω
·
m；孔隙度曲线，单位为％；钾元素含量曲线，单位为％；铀元素含量曲线，单位为μg/g；相关性分别为0.871、0.709、0.491、0.637、0.758、0.707。则n＝6，上述6条测井曲线分别标记为第1到第6条；
59.步骤(3)中，第1个深度上的样本数据l1＝{l
11
，l
21
，l
31
，l
41
， l
51
，l
61
，}；l
11-l
61
分别表示密度曲线、声波时差曲线、电阻率曲线、孔隙度曲线、钾元素含量曲线、铀元素含量曲线在该深度上的值。其余深度的样本数据同理可得。
60.步骤(4)中，rbf神经网络结构具有单个隐含层的三层前馈神经网络，是一种局部逼近网络；由输入层、隐含层、输出层三层构成。输入层是外界环境与网络的连接桥梁；隐含层通常有较高的维数，具有将向量从低维映射到高维的作用,可以使在低维线性不可分的非线性数据到高维度变得线性可分；第三层为输出层，由隐层空间到输出层空间为线性映射。
61.为了得到更多的样本数据，我们选择了一页岩勘探工区中的五口钻井，并采集五口钻井的数据来构建成样本数据，再将所有样本数据构成数据集。然后将数据集内的样本数据分成训练数据和测试数据，实际操作中，我们将其中四口井的数据作为训练数据，占比80％，用于创建神经网络模型，另外一口井的数据作测试数据，占比20％，用于检验模型的可靠性。训练时，以样本数据为输入，该样本数据对应深度上的toc含量为输出，通过调整神经网络的神经元数量以及扩展常数进行训练得到最佳神经网络模型，作为后一步要用的rbf神经网络预测模型；扩展常数可根据数据中心的散布而确定，神经元的输入离径向基函
数中心越远，神经元的激活程度就越低。
62.在获取训练数据或测试数据时，我们都以实测的岩心toc含量，作为toc实测值，再将预测模型中输出对应的toc含量称为toc 预测值，我们将训练数据的toc实测值与预测模型得到的toc预测值对比得到图3a，将测试数据的toc实测值与预测模型得到的toc 预测值对比得到图3b。从图中结果可以看出，预测值与实测值十分相近，预测精度高，测试井的预测结果表明，该模型稳定可靠，具有较强且稳定的预测能力。
63.我们将训练数据的toc实测值与toc预测值做交会分析，得到图4，图4中，训练数据的toc实测值与toc预测值相关性达到了 0.923；
64.同理，将测试数据的toc实测值与toc预测值做交会分析，得到图5，图5中，测试数据的toc实测值与toc预测值相关性达到了0.936。
65.实施例2：参见图6到图8，在实施例1的基础上给出一种本发明方法的具体应用。我们选择川南某页岩气区块为研究工区，以下志留统龙马溪组页岩为研究目标，对其toc含量进行预测。本次研究主要针对龙马溪组一段s1l1和龙马溪组二段s1l2进行研究，其中龙马溪组一段又细分为龙一1亚段s1l
11
和龙一2亚段s1l
12
。
66.研究区的toc含量预测连井剖面如图6所示。s1l
11
段的toc含量较高，主要介于1％～5％之间，纵向上呈现出下高上低的趋势，底部toc含量可高达4％及以上，向上toc含量变小，为1％～3％；在横向上toc分布非均质性相对较小，总体toc值较高，分布也较为稳定，但局部有变化。
67.s1l
12
段的toc含量相对较低，总体小于2％，仅局部区域在其底部toc含量大于2％。横向上toc含量有变化，忽高忽低，呈不稳定状态。
68.s1l2段的toc含量低，几乎大部分区域的toc含量低于1％，仅局部区域在1％以上，5％以下。横向上toc含量轻微变化。
69.图7为s1l
11
段的toc平均含量平面分布图，图中显示s1l
11
的 toc含量较高，整体呈现东南部高，西北部相对较低。呈北东向条带状展布，平均值最高可达5％。其中b井和e井周边的toc含量较高，a、c、d井区附近toc含量相对较低。
70.图8为s1l
12
的toc平均含量平面分布图，总体表现出低toc 含量。前述的toc含量连井剖面预测图也表明，s1l
12
大部分区域的 toc含量处于低值，导致该段的toc含量平均值较低。
71.从平面预测图中看出，该段的高toc区域主要分布在东北部以及西南部，平均值大概在2-3％之间，其他区域几乎全部低于2％。
72.通过分析认为，研究区东南部s1l
11
的toc分布非均质性小，含量平均值高，分布范围广，为该区页岩气勘探开发有利区。
73.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。