辫状河训练图像生成方法与流程

本发明涉及油气勘探开发技术领域，具体地说涉及辫状河训练图像生成方法。

背景技术：

储层建模是对地下储层地质模式的再现。考虑到储层建模过程，实质上是对地下储层特征沉积模式的重建过程。如果将各种地质模式看成是一副图像的构成单元，对储层预测也就是图像的重建过程。基于此思想，在2003年stanford油藏预测中心举行的会议上，arpat提出了simpat(simulationwithpattern)多点地质统计随机地质模式，即通过识别不同的地质模式，采用相似性判断方法，在建模时再现这些地质模式。由于是对地质模式处理，而地质模式是通过空间多个点构成的数据事件反应的，因此,提取相应的数据事件并在条件约束下置放于随机模拟区域是地质建模关键。在建模领域，数据事件通过地质分析并存放于训练图像中。二维训练图像很容易通过地质分析获得，但是三维训练图像较为复杂，其发展经历了手工绘制、基于计算机的随机模拟以及水槽实验、露头解剖等。但是这些方法或者过于随机难以控制，或者太过具体则仅能表征部分模式。训练图像的生成方法一直处于研究中。通过研究区实际地质解剖获得的砂岩厚度图、砂地比图，结合地质分析获得概念模式，采用合适的计算方法获得适用于研究区训练图像并指导和约束构建三维地质模型，是研究的一个重要方向。

辫状河是河流沉积类型之一，由于受自旋回及异旋回的双重影响，沉积的砂岩具有横向拟连片、纵向多薄层、流通性差异大等特征，传统的方法均无法准确获取其训练图像获取方法，因此，亟需获得一种可以有效获得辫状河训练图像的方法。

技术实现要素：

为了克服现有技术的不足，本发明提出了一种新颖的辫状河训练图像生成方法。所述方法充分考虑地质信息约束，岩石相组合更为合理，更符合地质先验认识，通过砂岩厚度图、地质概念模式，采用融合、截断、平移等计算方法，实现训练图像自动生成，为油气勘探开发中储层非均质性特征准确刻画提供了技术保障。

为实现本发明的目的，本发明所述辫状河训练图像生成方法包括以下步骤，

(1)建立地质知识库，并得到定量地质模式；

(2)建立砂厚图；

(3)以砂厚图为基础、定量地质模式为约束条件，生成辫状河训练图像。

进一步地，所述步骤(3)包括以下分步骤：

(3.1)根据砂厚图分别得到多河道模型和心滩模型；

(3.2)合并多河道模型和心滩模型，得到训练图像。

进一步地，步骤(3.1)中，先获得宽河道模型，再获得单河道模型，最后得到多河道模型。

进一步地，所述宽河道模型的获得方式为：将砂体厚度图均分为与工区网格平面面积相等且网格密度相等的平面网格，并将平面网格的砂厚属性赋值到工区网格上的每一层平面上，然后将工区网格上的砂厚属性转化为网格层数属性，并将其与垂向坐标进行判断比较，得到宽河道模型。

进一步地，将宽河道模型进行缩小和移动拼合后得到顶平底凸的单河道模型，将单河道模型进行侧向平行或垂向移动后得到迁移后的单河道模型，将多条单河道进行合并得到多河道模型。

进一步地，步骤(3.1)中，将所述砂厚图中的砂体厚度值均进行缩小，得到心滩砂厚图，然后将心滩砂厚图均分为与工区网格平面面积相等且网格密度相等的平面网格，并将平面网格的砂厚属性赋值到工区网格上的每一层平面上，最后将工区网格上的砂厚属性转化为与网格层数相关的新属性，并将其与垂向坐标进行判断比较，得到心滩模型模型。

有益效果：

本发明所述辫状河训练图像生成方法充分考虑地质信息约束，岩石相组合更为合理、更符合地质先验认识，通过砂岩厚度图、地质概念模式，采用融合、截断、平移等计算方法，实现训练图像自动生成。该方法运算效率快，大幅减少人工绘制训练图像的工作量，可以快速的将先验地质资料转化为数值化模型，实现了高度符合研究区地质知识库的训练图像的建立，提高多点地质统计学建模的效率和质量。在本发明所得训练图像约束下，可以更准确建立研究区储层地质模型，为油气勘探开发中储层非均质性特征准确刻画提供了方法和技术保障。

附图说明

图1为本发明技术路线图，其中(1a)为步骤(1)的技术路线图，(1b)为步骤(3)的技术路线图；

图2为本发明研究区沉积模式；

图3为本发明研究区各砂体空间叠置样式，其中(3a)为侧向相切的示意图，(3b)为(3a)中c-c’剖面图，(3c)为河道垂向叠置和心滩孤立分布的示意图，(3d)为侧向分离和垂向分离的示意图，(3e)为心滩在河道中接触关系示意图，(3f)为(3e)中a-a'剖面图，(3g)为(3e)中b-b'剖面图；

图4为本发明研究区平面沉积相图；

图5为本发明研究区砂体厚度图；

图6为本发明研究区井间分布实例；

图7为本发明研究区沉积相图边界；

图8为本发明研究区砂地比图；

图9为本发明砂体厚度属性模型；

图10为本发明宽河道模型；

图11为本发明具有河道叠置模式的河道模型；

图12为本发明初始心滩模型；

图13为本发明研究区高质量训练图像；

图14为本发明此发明多点模拟最终模型。

具体实施方式

以下结合附图详细说明本发明的实施情况，但它们不构成对本发明的限定，仅作举例而已。同时通过和具体实施对本发明作进一步的详细描述。

本发明所述基于多点地质统计的高质量训练图像方法包括通过岩心资料、井资料、露头资料建立研究区地质知识库，获得建模基本参数；以河流相沉积模式、井点相数据解释及砂厚数据确定训练图像各相边界和相模式，以相边界和相模式作为砂厚图和砂地比图约束条件，预测研究区砂体厚度分布和空间几何形态；通过数学计算方法，将空间模型与平面地质图相结合，得到匹配研究区井点硬数据的高质量训练图像。

步骤(1)：如图1a所示，从岩心数据出发、结合现代露头资料研究和沉积学理论(地质认识)建立研究区的地质知识库，并确定研究区沉积砂体的地质特征，主要包括定量地质模式：包括但不限于砂体岩相的几何形态、砂泥比、不同砂体岩相的空间组合模式、不同砂体岩相的比值、不同砂体岩相的规模尺寸以及方位分布、不同砂体岩相的空间频率分布。详细步骤如下：

分步骤(1.1)：根据岩心数据和露头资料确定沉积相类型，得到砂体岩相的空间平面分布模式和垂向叠置样式。

分步骤(1.2)：根据岩心数据和露头资料确定沉积相类型，得到各种砂体岩相的几何形态。

分步骤(1.3)：通过岩心数据、露头资料以及生产测井资料统计各岩石相的规模尺寸以及各岩石相在整个井点数据中的概率分布，通过沉积学知识确定物源方向，得到各沉积相的长轴方位角。

步骤(2)：在步骤1的定量地质模式基础之上，利用研究区测井资料解释得井点单层砂厚值，以沉积相图为边界约束，以砂厚值为条件点绘制砂厚图，得到具有地质沉积相意义的砂厚图。包括

分步骤(2.1)：基于研究区井点井位数据、井轨迹数据、测井数据、分层数据，通过软件计算功能得到每口井的地层厚度值与砂体厚度值。

分步骤(2.2)：根据地层厚度值与砂体厚度值，以河流沉积理论为指导，绘制平面沉积相图、砂体厚度图与地层厚度图。

分步骤(2.3)：通过对研究区进行剖面对比，以测井解释结论数据为基础，遵循构型解剖原则，对研究区垂向岩相分布进行定量统计。

步骤(3)：结合属性赋值和条件语句等基本数学计算方法对砂体厚度模型进行计算，将砂体厚度模型转化成相模型，再现河流相在垂向上顶平底凸的空间形态和平面上顺物源方向的连续性。采用程序计算方法，所得相模型根据地质分析建立的模式进行侧向平行或垂向移动。将挪动后的相模型与原始模型进行合并处理，从而再现不同砂体叠置样式的地质模式，真实再现地下储层结构，得到了定量体现地质模式的地质模型。该地质模型将作为多点地质统计建模的训练图像(ti)。具体如图1b所示：

分步骤(3.1)：通过软件制图功能，将沙厚图赋值于工区网格属性中，得到工区网格模型；再一步计算网格空间坐标i/j/k与网格属性的相关性，以编程语句对网格属性进行数值计算，得到符合地质知识库和井点硬数据的多河道模型；并修改编程语句，加以新的判定条件，得到心滩模型。

分步骤(3.2)：合并计算上一步中的河道模型与心滩模型，并通过对河道相与心滩相的空间坐标i/j/k进行调整，使空间组合关系与构型剖面和平面相图相匹配，以统计规模为约束，获得高质量的训练图像模型。

获得辫状河训练图像后，可以在petrel软件的多点地质建模的模块，通过统计目标体宽度，设定合适样板的大小，不仅使多重样板搜索速度提高，减轻计算机的运行负荷，加快模型模拟速度，还能够较好地提取研究区储层沉积模式。具体如下：

通过步骤1中地质知识库的地质特征数据，为了达到完整提取训练图像中各种定量的沉积地质模式的目的，设置合适的样板大小，提取具有训练图像特征的数据样板。

在多点建模模块中导入上一步中所得数据样板，并以砂地比概率模型作为砂体模拟出出现的随机概率软数据约束。

通过软件多点建模模块进行多点模拟运行，得到最终地质模型，并分析地质模型效果，证明该训练图像生成方法的有益性

实施例：

本实施例涉及到多个模型的建立，首先建立一个网格密度为294×249×24的无属性模型，原始网格数为1756944个，平均每个网格长度为50m、宽度为50m、高度为0.5m。

第一步：实施例中从岩心数据出发，结合现代露头资料研究和沉积学理论，辫状河沉积背景下，该区存在四种相：心滩、河道、洼地及沼泽、溢岸砂。沉积模式如图2，其中除洼地及沼泽，都是含砂量较高的相，此处都定义为砂体，而砂体中溢岸砂含量极低，对于训练图像的组合模式影响不大，因而可忽略不计，仅分析砂体中的河道与心滩相；可以确定研究区沉积砂体的地质特征河道相与河道相之间在平面上呈紧密结合连片分布，分布规模在0.5-1.5km，在垂向上河道与河道之间有不同类型接触关系，主要有：侧向相切(图3a、3b)、垂向相叠(图3c)、垂向分离型和侧向分离型(图3d)等，河道相所占比例为57.45％，单个河道平面规模为0.2-0.6km，厚度范围在3-10m，叠置部位分布厚度范围1-23.6m，河道与心滩沉积的相组合关系为心滩沉积一定在河道之中，而心滩与心滩间或孤立(图3c)、或相接触(图3e、3f、3g)，心滩相所占比例为31.91％，单个心滩平面规模为0.15-0.3km，厚度范围在2-8m，平面分布规模在0.3-0.5km，厚度范围在1.1-1.6km，见图3。

第二步：已知心滩相在平面上顺物源方向呈长椭圆形，而在垂向上呈顶凸底平；河道相在平面上呈连续的长条形，而在垂向上呈顶平底凸。

第三步：在整个井点数据中的河道相与心滩相的概率比例分布为：河道相占总砂体含量的57.45％、心滩相占总砂体含量的31.91％。通过沉积学知识确定物源方向为南北方向，得到各沉积相的长轴方位角为正南北向。

第四步：以地质建模软件为工具，导入研究区井点井位数据、井轨迹数据、测井数据、分层数据，通过数据差值批量计算得到每口井的地层厚度值与砂体厚度值，以双10-10为例，输入井位数据确定井的平面位置，坐标为(28000,1645020)；井轨迹数据确定井地下物理轨迹，是一个曲线井(井轨迹弯曲)；测井数据可知每一个砂层的顶部和底部的深度，确定井上砂岩的顶底后，通过顶部和底部高度的差值计算出砂体厚度；分层数据可界定砂岩层所在层位，如山西组顶部深度为-1435m，底部深度为-1456m，并通过层位顶底深度差值计算双10-10井处层厚为21m，以此方法计算该研究区所有井处不同层段的各砂体砂厚。

第五步：根据第四步计算所得地层厚度值与砂体厚度值，以河流沉积理论为指导，即第一步中河道和心滩的规模以及第二步中河道在平面上为连续长条形、心滩在平面上为椭圆形的认识，绘制出平面沉积相图，见图4、砂体厚度图，见图5。

第六步：对研究区的井进行剖面对比，以测井解释结论数据为基础，得到构型解剖剖面，例如选取双7-11c2、双7-11c1、双7-11、双7-11c3、双8-12c4、双8-10、双10-7c1，作连井剖面，根据第一步所得规模，得到井间分布实例，见图6。

第七步：通过地质建模软件的制图功能，以第六步所得沉积相图为约束条件，绘制出相边界，见图7；以第四步中砂厚值及地层厚度值为基础数据，得到各井位处砂厚与地层厚度的比值，在河道边界约束下绘制砂地比图，见图8。

第八步：通过前述过程所得图件、参数及地质认识，建立符合地质知识库以及井点条件数据的心滩的网格模型。其中具体操作为：

a、空间网格模型中单个网格具有空间坐标属性[i、j、k](空间平面横坐标为i，空间平面纵坐标为j，空间垂向坐标为k)，例如：定义单个网格坐标为cellx[im,jn,kq]，cellx为单个网格属性值，将砂体厚度图以50*50m的网格进行划分，得到密度为294*249的平面网格(与原模型xy平面上的网格密度相同)，定义每一个网格celly[ia,jb],celly为砂厚值属性；由于砂体厚度图面积与模型平面面积相等，网格密度相同，则可通过以下计算公式可将平面上每个网格砂厚属性赋值到空间模型的平面上，得到砂体厚度属性模型，且模型的每个层砂厚属性值相同，见图9：

cellx[1,1,kq]＝celly[1,1]、1<＝kq<＝24；

cellx[1,2,kq]＝celly[1,2]、1<＝kq<＝24；

…,

cellx[im,jn,kq]＝celly[ia,jb]、1<＝kq<＝24,其中im＝ia，jn＝jb。

直至运算完所有网格。

b、定义相代码为0的网格属性为泥岩相、相代码为1的网格属性为砂岩相，相代码为2的网格属性为心滩相；使用计算器对模型属性进行计算，通过计算公式：将各网格垂直空间坐标与砂体厚度属性进行换算，首先将砂体厚度属性转化为网格层数属性(一米等于两层，一层为0.5m厚；网格厚度属性为10m处，转化为层数属性为20层)，然后设置条件：当网格空间坐标k值大于层数属性时，这些符合条件的网格定义为砂；当网格空间坐标k值小于等于层数属性时，这些符合条件的网格定义为泥；如此符合砂厚图的宽河道模型就这样形成了，如图10。

cellx[im，jn，kq]>(kq*2)，cellx[im，jn，kq]＝1,

cellx[im，jn，kq]<(kq*2)，cellx[im，jn，kq]＝0,

c、即当模型网格属性值大于网格空间垂向坐标k值的两倍(单位k值为0.5米，砂厚单位为1米)，则此网格属性赋值为1，否则赋值为0，如此得到具有顶平底凸的河道砂体模型。对模型属性值为1的网格坐标进行计算，空间平面横坐标i进行加减运算，则属性值为1的河道在平面横向上迁移；空间垂向坐标k值进行加减运算，则属性值为1的河道在垂向上迁移；将迁移的不同空间位置属性为1的河道进行合并计算，得到多河道叠加样式的河道模型，例如：由于生成的宽河道模型只是砂厚图形成，而模型实际效果应该是多个单河道的垂向叠加和侧向切叠，(砂厚仅仅是一个综合信息，只能体现叠加后的砂体厚度，不能体现砂体的组合叠加的模式)所得模型仅仅是一个宽大的顶平底凸的长条状河道，所以要对该河道进行缩小操作后进行移动拼合，以得到多个顶平底凸的长条状河道(单河道)组成的空间模式关系：

cellx[im，jn，kq]＝cellx[im+2，jn，kq]向i方向移动2个网格(即向左移动1米)；

cellx[im，jn，kq]＝cellx[im，jn，kq+2]向k方向移动2个网格，(即向上移动1米)可调整河道厚度及宽度，达到第一步的单河道规模；

由于不满足砂泥比，则对达到单河道规模的河道模型grid继续运算，cellx[im，jn，kq]＝cellx[im，jn，kq-4](仅对k>4的层进行运算)，即向下移动2米，得到grid1，

对于grid1中，cellx[im，jn，kq]＝1时，grid中，cellx[im，jn，kq]＝1；(保留河道模型grid1中的河道，此时gird中仍不满足砂泥比)

将grid1中的河道砂体向右移3米，得到grid2，,对于grid2中，cellx[im，jn，kq]＝1时，grid中，cellx[im，jn，kq]＝1；(保留河道模型grid2中的河道，此时仍不满足砂地比)

将grid2中的河道砂体向下移动2米，得到grid3，,对于grid3中，cellx[im，jn，kq]＝1时，grid中，cellx[im，jn，kq]＝1；(保留河道模型grid3中的河道，此时grid满足砂地比)

grid为合并结果，具有河道的叠置模式，(且达到砂泥比，进行下一步建立心滩模型)如图11。

d、根据第二步可知心滩一定在河道中部，将砂厚图减去2m(通过该操作砂体薄处消失，厚处减薄，仅剩下原砂体较厚处的多个孤立的砂厚椭圆，定义为心滩砂厚图)，然后将心滩砂体厚度图的平面属性赋值到空间网格模型中，再以每一层最大k数(此层厚12米，最大层数k为24层)减去模型网格空间坐标属性kq与，得到新的网格模型属性值(使顶平底凸的形态倒转成顶凸底平)，当新的网格属性值小于模型网格垂向空间坐标k值×2时，则模型网格属性值为2、否则为0，如此得到具有顶凸底平的心滩模型。具体执行算法如下：

当cellx[im，jn，24-kq]>(kq*2)时，cellx[im，jn，kq]＝2,

当cellx[im，jn，24-kq]<(kq*2)时，cellx[im，jn，kq]＝0,

得到初始的心滩模型grid0，见图12。

e、将模型grid0进行移动：

cellx[im，jn，kq]＝cellx[im+2，jn，kq]向i方向移动两个网格(即向左移动1米)；

cellx[im，jn，kq]＝cellx[im，jn，kq+16]，即向上移动8米，达到顶部

如此得到grid_bar_1(心滩1)

然后结合步骤d中的计算步骤(相同左右移动的步骤可以保证心滩在河道中心，将心滩顶部移到与河道顶部相同的层处)，得到grid_bar_2(心滩2)、grid_bar_3(心滩3)。

当grid_bar_1中cellx[im，jn，kq]＝2时，grid中cellx[im，jn，kq]＝2，保留cellx[im，jn，kq]中的其他值(0沼泽相、1河道相)，得到心滩和河道的组合模型(第一次运算)。(心滩保留在河道模型中，但grid模型中心滩/河道比不满足条件，继续第二次运算)

当grid_bar_2中cellx[im，jn，kq]＝2时，grid中cellx[im，jn，kq]＝2，保留cellx[im，jn，kq]中的其他值(0沼泽相、1河道相、2心滩(第一次运算))，得到心滩和河道的组合模型(第二次运算，grid模型中心滩/河道比仍不满足条件，继续第三次运算)。

当grid_bar_3中cellx[im，jn，kq]＝2时，grid中cellx[im，jn，kq]＝2，保留cellx[im，jn，kq]中的其他值(0沼泽相、1河道相、2心滩(前两次运算))，得到心滩和河道的组合模型(第三次运算，grid模型中心滩/河道比满足条件)。

得到了各岩相的分布频率等于统计规模(河道相比例约占24.8％，心滩相比例占8.6％，则心滩/河道比为0.35，其他为洼地与沼泽相)的模型，见图13。

f、通过第一步到第六步所得的知识库，实施例区域复合河道宽度范围在500-1200m，平均760m，为了达到提取训练图像中各种定量沉积地质模式的目的，样板大小设置为20×20×5，最终得到提取训练图像特征的20×20×5的数据样板。

g、在多点建模模块中导入上一步中所得数据样板，并以第七步所得砂地比图(见图8)作为砂体模拟出现的随机概率软数据约束，即在砂地比为0处，砂体模拟概率为0，而砂地比大的区域出现河道或心滩的概率变大。

通过地质建模软件得到最终模型，见图14，其效果与第一步到第六步所得地质知识库(图2-图8)相吻合，证明此训练图像的有益性。