[发明专利]一种高精度储层孔隙度定量预测方法及其应用

说明书

技术领域

本发明属于地震信息处理技术领域，具体涉及一种高精度储层孔隙度定量预测方法及其应用。

背景技术

孔隙度是储层研究中的基本参数，一般而言，储层中孔隙度越大，储集油气能力越强。目前，地球物理学者为提高孔隙度的预测精度提出了各种有针对性的方法，并取得了一定的进展。

利用地震资料进行孔隙度预测，大致可以分为几类，其一：建立单个属性与孔隙度的关系，一般而言，在所有的弹性参数中，密度与孔隙度的相关性最好，由于密度反演受道集资料信噪比、角度范围、反演算法等影响，一般很难获取高精度的密度反演数据体，因此在实际生产中，往往是通过建立测井声波阻抗与孔隙度的关系式，然后将此关系式应用在反演的声波阻抗，计算出孔隙度数据体，此方法简便易行，但得到的孔隙度数据体精度相对较低。

其二：建立多种属性与孔隙度的关系，由于地震属性中蕴含了地层岩性、储层物性、流体等信息，有效的挖掘地震属性信息，可以用于孔隙度的预测。由于地震属性种类繁多，需要对属性进行优选，Hampson et al.(2001)采用step-wise优选，建立单个属性与孔隙度的相关系数表，然后选择相关性高的属性，采用多元线性回归（ Pramanik et al., 2004）、神经网络方法（Liu and Liu, 1998; Zhang et al., 2000; An et al., 2001; Leiphart and Hart, 2001; Tonn, 2002; Walls et al., 2002; Saggaf et al., 2003a，Li et al.,2011，AlBinHassan and Wang，2011）、或者遗传优化算法（Dorrington and Link，2004） 等预测孔隙度，遗传算法在寻得最优孔隙度方面具有优势，但计算效率偏低，多元线性回归跟单属性回归一样，精度依然相对偏低，神经网络方法受网络结构及网络类型等影响，容易陷入局部最优解，而且在某些情况下，神经网络容易出现过拟合现象，对复杂地质情况下的孔隙度预测，效果较差。

其三：以岩石物理模型（Mavko et,al,2009Dario Grana，2016）为驱动，在贝叶斯反演框架下(Spikes K et al.,2007,Buland A et al.,2008,Grana D and Rossa E D,2010)，将储层物性参数的先验信息、岩石物理模型和叠前地震正演模拟结合，通过地质统计学随机反演，获取储层的物性参数及弹性参数。该方法往往采用非线性随机反演算法，将模型参数看作随机变量，通过一定规则的模型参数扰动，产生大量的模型，并对这些模型进行计算，将正演模拟的结果与实际观测数据进行比较，根据一定的准则，来确定是否接受该模型，理论上讲，随机反演不依赖于初始猜想，不容易陷入局部解中，此类方法能强化对研究工区岩石物理与地震数据的关系认识，可以获得储层物性的边缘概率，是目前被广泛研究的一种方法。对于实际生产来讲，此类方法对叠前道集的资料品质要求较高，对岩石物理模型的精度要求较高，计算效率相对较低，制约了在实际生产中的普及。

发明内容

为了解决上述问题，本发明提供一种高精度储层孔隙度定量预测方法，所述方法包括：

S1：利用测井曲线计算各种弹性参数，将弹性参数值变换到同等的值域范围；

S2：统计研究区目的层段各弹性参数与孔隙度的相关系数，按照相关系数高低排序；

S3：利用相关系数最高的前两个弹性参数，以孔隙度作为目标曲线，采用坐标旋转方法，建立一个新的弹性参数PI；

S4：利用地震叠前反演的成果，生成PI数据体；

S5：采用地质统计协模拟，生成孔隙度数据体；

进一步地，所述S1中弹性参数包括杨氏模量、体积模量、拉梅系数、泊松比，LR、MR和PDF；

进一步地，所述S3包括：

S31：选择2个相关系数最高的弹性参数E1、E2:；

S32：以孔隙度作为目标曲线，采用坐标旋转建立PI=E1*cosθ-E2*sinθ，其中θ为最优的角度；

S33：选择LR和PDF作为最优的弹性参数，其中LR表示E1，PDF表示E2；

S34：选择目标孔隙度，带入到PI公式中，进行坐标旋转，确定与孔隙度相关系数最高的角度；

进一步地，所述S4具体为通过S3得到的PI，采用地质统计学协模拟技术，建立弹性参数与孔隙度的变差函数；