基于地震分級敏感屬性融合的深層薄互儲層定量表征方法
【技術領域】
[0001] 本發明涉及地球物理勘探及綜合研究領域，尤其涉及到一種基于地震分級敏感屬 性融合方法預測深層薄互儲層。
【背景技術】
[0002] 地震屬性是表征地震波幾何形態、運動學特征、動力學特征和統計特征的物理量， 在當前的石油勘探綜合研究中是進行儲層預測的一個重要方面。由于局限于使用單一屬性 預測儲層，預測結果往往多解性很強，這種多解性問題可以通過多屬性融合方法加以改 善。在測井資料的基礎上，研究地震屬性特征，分析各屬性對儲層的敏感性，應用多屬性 融合方法將幾種屬性融合于一體，再利用井位計算出各種地震屬性的融合比重，預測有利 儲層的發育位置。該思路有機地結合了各屬性的優點，能有效降低儲層預測結果的多解 性。但隨著地層深度的加深，產狀的變化以及儲層厚度的變薄，多屬性融合的預測精度會 大大降低。
【發明內容】
[0003] 本發明的目的是針對現行技術對深層薄互層儲層預測精度較低的問題，提供一種 利用地震分級（區帶分級和時窗分級）的基于地震分級敏感屬性融合的深層薄互儲層定量 表征方法，有效提高了針對深層薄互儲層地震屬性分析的效率，大大提高了預測精度。特別 適用于儲層埋藏深、斷塊復雜、儲層厚度薄、邊界難以確定的地區。
[0004] 本發明的目的可通過如下技術措施來實現：
[0005] 基于地震分級敏感屬性融合的深層薄互儲層定量表征方法：大時窗段的地質背 景下，針對目的層段的地質目標分區域提取的合理小時窗段屬性，對有利儲層進行精細雕 亥IJ，最終與大背景融合，得到針對地質目標的屬性預測圖。該方法包括兩個關鍵步驟：一是 大地質背景下，利用常規地震多屬性相關降維、針對目的層段優選目標敏感屬性。二是基于 地震分級對屬性采取先分級：確定不同背景下目標區域合理的小時窗段；再融合：分序級 小時窗參數下敏感屬性在融合定量預測研究區內儲層范圍。其中所述的分級和融合采用實 鉆資料約束下的支持向量機（SVM)算法實現。
[0006] 發明的具體技術方案：
[0007] 1、結合井震高頻層序劃分的沉積背景，對常規地震多屬性相關降維、對目的層段 進行屬性優選。完成常規多屬性融合圖，預測深層薄互儲層。
[0008] 2.在常規多屬性預測儲層的基礎上，對全區儲層進行分級處理。大范圍大范圍的 區域，儲層的產狀變化較大，大時窗的預測不能滿足小范圍砂體的精細雕刻，因此對全區進 行分級處理，包括：區帶分級和時窗分級。區帶分級主要是利用測井、鉆井資料，結合沉積特 征，在已鉆井的基礎上，將需要詳細刻畫的儲層確定出來，在平面上劃分出區域；時窗分級 的原則是在砂體分布比較集中的地方可以用同一個小時窗，在不集中的地方可以進一步的 劃分目標區域再確定時窗，直到能把砂體精細刻畫。但小時窗的范圍必須在大時窗的范圍 內，不能超出，主要目的是為了更細致的描述砂體的邊界。
[0009] 3、在確定分級的基礎上，對各個分級區帶和分級時窗內的儲層進行分級預測。其 算法包含兩個階段：訓練階段和預測識別階段。訓練階段主要是為了建立基于支持向量機 (SVM)的多屬性情況識別模型，主要步驟為：對地震屬性訓練、集中屬性信息進行歸一化： 提取特征向量。建立地震屬性特征向量訓練集：由此為基礎建立支持向量機（SVM)分類模 型；識別階段主要步驟為：對要分級的地震屬性信息進行歸一化；提取其特征向量。其中分 級建立支持向量機（SVM)識別模型過程中還加入了實鉆井的約束：提取屬性特征向量時加 入鉆井儲層參數的約束，是預測結果與實鉆井吻合度更高。
[0010] 4、對分區帶分時窗的屬性進行第二次融合，得到全區分級屬性融合屬性。運算中 對優選屬性隨機取若干采樣點，進行分類函數f(x)的運算，計算分類閥值，按照最優化原 貝1J，即該閥值能將屬性中的不同分類正確地分開，并且折中考慮使樣本錯分率最小和分類 間隔最大。不斷修改分類閥值，直到不同分類中的樣本點誤差都收斂至可接受的范圍內。這 樣得到的融合結果避免了多屬性融合的多解性，使預測結果更加精確。
[0011] 5.完成的基于地震分級敏感算法大背景下的屬性分類結果：針對分類結果進一 步細分目標進行小時窗的屬性預測，通過屬性優化的手段與反應背景的原始屬性信息再融 合，得到地震分級屬性融合預測圖。
[0012] 6.利用地震分級屬性融合儲層預測圖件結合實鉆資料的儲層參數，半定量化的預 測出深層薄儲層的展布范圍，使預測結果與實鉆井吻合度更高，更精確，結果可推廣應用。
[0013] 上述方案步驟（3)識別階段中對要分級的地震屬性信息進行歸一化，提取其特征 向量；將該向量作為支持向量機（SVM)輸入進行分類函數的運算、每個支持向量對應一個 分類閥值b，對分類閥值b低于特定數值的的歸為一類，依此確定分類界限；提取屬性特征 向量時加入鉆井儲層參數的約束，通過井點附近地震屬性信息與大背景下地震屬性比對 分析，不斷計算收斂，優化識別建模過程中特征向量的提取，使模型更接近于實際地質情 況，降低多解性。
[0014] 上述方案步驟（4)對分區帶分時窗的屬性進行第二次融合，得到全區分級屬性融 合屬性，對優選屬性隨機取若干采樣點，進行分類函數f (X)的運算，計算分類閥值，按照最 優化原則，即該閥值能將屬性中的不同分類正確地分開，并且折中考慮使樣本錯分率最小 和分類間隔最大，不斷修改分類閥值，直到不同分類中的樣本點誤差都收斂至可接受的范 圍內；在該過程中，以分級模型為督導進行訓練，得到若干類基于分類函數的特征向量，每 類特征向量在地震屬性上都對應一個分類集合，至此分類過程結束；整個過程以支持向量 機（SVM)為核心算法，算法的實現方式如下：
[0015] Η為分類線，滿足線性方程：w*x+b = 0, HI、H2分別是過各類中離分類線最近的 樣本且平行于分類線Η的直線，它們之間的距離稱做分類間隔；所謂的最優分類線就是要 求分類線不但能將兩類正確分開，即訓練錯誤率為〇,而且使分類間隔2/ || w ||最大；針對 線性可分集合（Xl，yi)對分類線方程進行標準化處理后滿足yi(w*xi+b)-l = 1，一η ye {-1，1}，使分類間隔2/11 W II最大等價與使II W II2最小，滿足前式且使II W II2/2最小 的分類面稱為最優分類面，H1、H2上的樣本點稱為支持向量，求取最優分類面也就是求取線 性方程中最佳（w, b)。即在yi (w*xi+b)_l彡0i = 1，…n y e {-1，1}的約束下求|| w || 2/2的最小值；定義如下的Lagrange函數：
[0016]
[0017] 其中ai彡0為拉格朗日系數；求II w II 2/2的極小值就是對w, b求拉氏函數的極小 值，對L函數做微分并令其等于0,拉氏函數及轉換為：在Σ yA = 0, a;彡0, i = 1, ···]!約 束下求拉格朗日系數ai對函數：
[0018]
[0019] 其極大值最優解滿足aJyJw^Xi+tO-l) = 0, i = 1,…η,解中a;不為零的樣本 即支持向量，也就是H1、H2上的樣本點，因此W可簡化為：
[0020]
[0021] 求解后得到的最優化分類函數為：
[0022]
[0023] 其中sgn為分類函數、b為分類閥值，X為給定樣本、xi, yi為線性可分樣本集；對 于未知樣