[发明专利]高分辨率非线性储层物性反演方法

说明书

技术领域

本发明属于石油勘探领域，涉及一种油气储层预测技术，尤其涉及高分辨率非线性储层物性反演方法。

背景技术

长期石油勘探实践表明，储层预测技术是勘探关键技术之一。基于线性的确定性理论的测井宽带约束反演曾在地震反演技术中占据主要地位。随着油气勘探的不断深入和勘探程度的不断提高，石油勘探的目标已逐步转向复杂隐蔽储层。这些复杂沉积环境下的储层具有厚度薄、物性高度非均质、有效储层分布分散、岩石物理关系复杂和储层岩性对比弱等特征。现有的许多储层综合预测技术由于基于线性假定和缺乏坚实的横向外推理论依据，对于上述复杂储层结构，预测和描述的分辨率低和抗噪音能力差。后来，基于统计反演理论的反演方法得到了广泛应用，如模拟退火法、遗传算法和神经网络方法等。这些统计反演方法提高了储层预测和描述的分辨率以及抗噪音能力，但由于完全基于统计的假定，进行黑箱反演使储层预测的可信度低。目前，有关高分辨率和陆相薄互层油储的研究，也尚未很好地解决对复杂隐蔽储层预测的核心问题。

发明内容

本发明的目的就是针对现有地震反演技术对于复杂储层存在的不足，围绕地震反演中地震数据有限带宽、分辨率、外推稳定性和岩石物理关系模糊等核心问题，联合应用地球物理确定性理论、统计理论和非线性理论，综合地质、岩石物理、测井和地震数据进行岩性物性预测，形成针对复杂沉积环境和复杂岩石物理关系条件下，预测储层物性的方法。

本发明解决其技术问题所采用的技术方案是：本发明高分辨率非线性储层物性反演方法，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(如孔隙度、泥质含量)。

本发明高分辨率非线性储层物性反演方法，所述建立波阻抗与孔隙度/泥质含量的函数关系，主要包括：(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。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，以确保物性反演的科学性。

本发明高分辨率非线性储层物性反演方法，采用分频横向预测方式，从不同尺度参数分布上看储层。大尺度低频分量反映大套地层平缓的大尺度变化；中高频分量反映局部的储层变化细节。中高频分量剖面可用于勾画出砂体的边界和识别砂岩的含油气性。

本发明的有益效果是，由于本发明在储层物性参数反演中，采用了一种波阻抗与孔隙度非线性储层岩性物性模型，并通过井约束纵向边沿检测子波提取和非线性因子估计；基于纵向边沿检测子波直接反演储层物性(孔隙度和泥质含量)，作为储层物性初始模型估计；井约束横向边沿检测子波提取和非线性因子估计；然后经基于横向边沿检测子波间接反演得到最终储层物性，即高分辨率合成全频孔隙度剖面。实践证明，实测结果和反演结果的吻合度比较高。

附图说明

图1为本发明的三层Caianiello神经网络体系结构示意图，图中I，J和k分别是输入层I、隐层J和输出层K的神经元个数。

图2为本发明高分辨率非线性储层物性反演流程图，以孔隙度反演为例。

图3为不同非线性因子对应的波阻抗与孔隙度函数关系图。

图4为本发明一实施例墨西哥湾地区由测井资料编制的波阻抗与孔隙度交会图。

图5为储层物性参数反演方法描述图。

图6为本发明另一实施例琼东南西区YA136测线图。

图7为图6所示A1井中高频分量约束地震反演得到的中高频波阻抗剖面，过测线A1井的中高频阻抗分量插入图中。

图8为合成的全频波阻抗剖面，过测线A1井的全频阻抗插入图中。

图9为A1井泥质含量(上)和孔隙度(下)的频率分解图。

图10为与A1井泥质含量(上)和孔隙度(下)的频率分解相应的频谱分析图。

图11为和图12分别为A1井约束泥质含量和孔隙度反演提取的多级边沿检测子波：下为第一级边沿检测子波；上为第二级边沿检测子波。其中：左为中低频分量反演提取的边沿检测子波，右为高频分量反演提取的边沿检测子波。

图13为中/低频分量约束储层物性反演得到的中/低频泥质含量剖面。