[发明专利]高分辨率非线性储层物性反演方法

权利要求书

1.高分辨率非线性储层物性反演方法，其特征在于，采用一种非线性储层岩性物性褶积模型，建立波阻抗与孔隙度/泥质含量的函数关系；通过多级结构分解和双向边沿子波检测来刻画复杂岩石物理关系；通过Caianiello褶积神经网络实现确定性反演、统计反演和非线性理论三者有机结合；最后联合应用基于逆算子的反演方法和基于正算子的重建算法实现了综合地质、测井和地震波阻抗信息进行高分辨率储层物性参数反演，获得高分辨率储层物性剖面。

2.根据权利要求1所述的高分辨率非线性储层物性反演方法，其特征在于，所述建立波阻抗与孔隙度/泥质含量的函数关系，主要包括以下方法：

1)利用隐含非线性因子的储层物性模型f(.)以及相关截止参数来拟合数据点“云”状分布的整体变化趋势；

2)通过对岩性物性参数褶积双向边沿子波检测来描述沿趋势线—拟合曲线—附近数据点的散状分布特征；

从而将趋势线—拟合曲线—附近数据点散状分布特征与储层岩性物性特征相关联。

3.根据权利要求1或2所述的高分辨率非线性储层物性反演方法，其特征在于，以孔隙度反演为例，所述储层物性反演流程，包括以下步骤：

1)将已知测井孔隙度数据由深度域转换到时间域，并进行重采样，与地震数据采样率相同；

利用傅氏变换对测井孔隙度数据进行多尺度分解，得到低、中、高频测井孔隙度数据；

2)对已知地震剖面进行层位解释，模拟大断距断层及地层尖灭的复杂构造特征，建立外推反演解释层位控制系统；

3)从已知地震波阻抗剖面上提取井旁地震波阻抗道；

4)由1)步和3)步得到的数据，结合非线性储层物性模型和Caianiello神经网络算法，提取井旁分频多级纵向边沿检测子波和估计非线性因子；

采用如下的波阻抗与孔隙度的非线性储层岩性物性模型：

$\frac{{\mathrm{\φ}}_m\left(t\right)({\mathrm{\φ}}_m\left(t\right)-2\mathrm{\φ}\left(t\right))}{\mathrm{\φ}\left(t\right)({\mathrm{\φ}}_m\left(t\right)-\mathrm{\φ}\left(t\right))}=\mathrm{\λ}\left(t\right)\ln \left[\frac{z_p\left(t\right)-z_f\left(t\right)}{z_m\left(t\right)-z_p\left(t\right)}\right]---\left(2\right)$

式中：φ(t)是时间域孔隙度曲线，φ_m(t)为储层砂岩的最大孔隙度，z_p(t)，z_f(t)，z_m(t)分别为时间域纵波阻抗、孔隙流体波阻抗和岩石骨架波阻抗，λ(t)为时变非线性因子，可以非线性地调整方程的函数形式，以拟合实际的数据关系；

通常，在不同沉积环境下，不同岩性物性构成的岩石其数据点具有不同的分散分布特征，为了将岩性物性交会图中数据点的这种分散分布特征引入到非线性储层岩性物性模型中，将地震波阻抗与储层物性参数之间的关系统一表示为一种隐式的关系：

z(t)＝f(φ(t)，w(t)，λ(t))    (4)

式中：z(t)为时间域地震阻抗，φ(t)为时间域孔隙度，w(t)为数据点散状分布的边沿检测子波，f(.)为非线性变换，表示非线性因子λ(t)的影响，为了利用Caianiello褶积神经网络实现统计反演，对(4)式进行多级分解为

z(t)＝f_i(f_i-1(f_i-2(φ(t)*w_i-2(t))*w_i-1(t))*w_i(t))    (5)

式中：i可以取1，2，或3，代表不同的级数；f_i(·)(i＝1，2，3)是多级非线性变换，隐含非线性因子λ(t)；w_i(t)(i＝1，2，3)为多级边沿检测子波；

为了实现同时估计波阻抗与孔隙度之间的整体趋势变化和沿趋势线数据点的散状分布特征，利用边沿检测子波作为扫描因子从两个方向确定趋势线周围数据点散状分布特征，一个是沿着平行z轴的方向，另一个是沿着平行φ轴的方向，前者可表示为：

φ(t)＝f(z(t)，w_z(t)，λ(t))    (15)

式中：w_z(t)称为纵向边沿检测子波，利用隐含非线性因子的储层物性模型f(.)以及相关截止参数可以确定趋势线，波阻抗z(t)与纵向边沿检测子波的褶积运算可以确定数据点沿z轴方向的散状分布范围，后者可表示为：

z(t)＝f(φ(t)，w_φ(t)，λ(t))    (16)

式中w_φ(t)称为横向边沿检测子波，孔隙度φ(t)与横向边沿检测子波w_φ(t)的褶积运算可以确定数据点沿φ轴方向的散状分布特征；

5)结合2)步产生的层位控制系统和4)步结果进行井间分频多级纵向边沿检测子波和非线性因子插值；

6)利用基于(15)式的多级形式通过直接反演得到初始孔隙度模型；

7)由1)步和3)步得到的数据结合基于(16)式的非线性储层物性模型和Caianiello神经网络算法，提取井旁分频多级横向边沿检测子波和估计非线性因子；

8)结合2)步产生的层位控制系统和7)步结果，进行井间分频多级横向边沿检测子波和非线性因子插值；

9)由6)步产生的初始孔隙度模型和井间分频多级横向边沿检测子波及非线性因子间接反演最终孔隙度，得到中低频和高频孔隙度剖面；

10)由中低频和高频孔隙度剖面合成全频孔隙度剖面，用于储层预测和描述。