[发明专利]一种河流相储层地震敏感参数模板分析方法

说明书

本发明涉及一种河流相储层地震敏感参数模板分析方法，其步骤：选定待测位置，根据预先设定的时窗提取地震属性，并将所述地震属性做平滑、滤波预处理，去除所述地震属性数据中的异常值，提取的地震属性并得到优选敏感地震属性参数，将其进行优化，采用正演模拟分析法、多侧面、多角度的储层相关相容性分析法和决策优选、组合降维方法等得到储层参数最敏感的优选属性集合，实现地震属性的相容性约简；该分析方法能够在河流相等复杂地质条件下有效建立储层敏感地震属性组合，根据所得的优选地震属性绘制地震敏感参数模板图；将地震敏感参数模板图与已知样本井或已知储层信息坐标处模板进行对比，最终确定测试区域内选定处储层的特征性质。

技术领域

本发明涉及一种地震参数模板分析方法，特别是关于一种河流相储层地震敏感参数模板分析方法。

背景技术

目前，为了提高储层预测精度，属性优选法被逐渐引入，以期望寻找到最敏感且最具代表性的敏感属性来解决储层预测这一问题。然而地震属性之间往往存在一定的相关性，优选出的单一地震敏感属性可能仅仅只能反映出该工区某一方面或某个局部的地质信息，甚至可能只表现为某一种偶然出现的现象，导致储层预测的结果可能存在着多解性，难以获得最优且最准确的预测结果。

地震属性与储层信息存在着某些较为复杂的关系。储层地震预测，主要是以地震信息或地震属性为理论依据，并综合地质、测井及岩石物理等资料作为储层预测的约束条件，对油气储层的几何特征、地质特征及储层的岩性、形态、物性及含油气性等进行预测研究的一门专项技术。储层地震预测不仅应用于油气勘探过程中的储层参数预测及油气田开发阶段中的油气藏动态描述，而且在某种程度上还可以用于提高钻井成功率，降低勘探风险。目前有逐步回归、神经网络、协克里金、相关滤波方法、支持向量机方法、判别分析法、非参数回归分析方法、灰色识别等地震属性预测储层参数的方法。每种方法各有特点，目前应用较多的方法类别是人工神经网络模式识别。人工神经网络模式识别，是将地震信息作为输入，储层预测参数作为学习样本，利用训练后的网络对全工区进行储层预测。人工神经网络最早出现在1800年Freud的精神分析学中，1986年，Rumelhart,Hinton,Williams发展了BP算法，迄今BP算法已被用于解决大量实际问题。1988年，Linsker对感知机网络提出了新的自组织理论，并在Shanon信息论的基础上形成了最大互信息理论，从而点燃了基于NN的信息应用理论的光芒。1988年，Broomhead和Lowe用径向基函数(Radial basis function,RBF)提出分层网络的设计方法，从而将NN的设计与数值分析和线性适应滤波相挂钩。90年代初，Vapnik等提出了支持向量机(Support vector machines,SVM)和VC(Vapnik-Chervonenkis)维数的概念。RBF网络，即径向基神经网络，是前馈型网络的一种。它的设计思想和BP网络完全不一样。RBF网络是一个三层的网络，除了输入输出层之外仅有一个隐层。隐层中的转换函数是局部响应的高斯函数，而其他前向型网络，转换函数一般都是全局响应函数。由于这样的不同，要实现同样的功能，RBF需要更多的神经元，这就是RBF网络不能取代标准前向型网络的原因。但是RBF的训练时间更短。它对函数的逼近是最优的，可以以任意精度逼近任意连续函数。隐层中的神经元越多，逼近越精确。利用径向基神经网络进行储层预测，首先要从地震数据中提取出特征参数，并将它们组成多维的特征矢量，与此同时设计一个非线性网络。在该网络中以井旁地震参数作为输入，井上储层参数作为学习样本，且若输入层中有N个神经元，那么就会对应N个敏感属性。而且，每一个输入单元只与一个模式单元相连接，反过来，每一个模式单元与M个输出单元中的其中一个相连接。将输入样本经过训练以后，再根据实际情况将其输出，将训练好的神经网络应用于整个工区，就可以对全区进行储层预测。

使用神经网络作储层预测时，要得到较高精度的储层预测结果，对参与训练的样本就需要一定的要求，一方面需要足够的样本数，即已知样本井要达到一定的数量；另一方面，样本井在工区中分布要尽量均匀，若样本井分布太过于集中，就可能会造成少井或井间距离较大的区域预测精度不高。同时，需要考虑参与训练样本的各种特殊性，假如对所有参与学习的样本同等对待，务必会对结果造成一定的影响，引起误差。