[发明专利]基于机器学习的地震属性分析

说明书

公开了以下系统和方法，其包括：基于储层数据生成与针对伪井的储层性质相对应的储层性质简档；为伪井生成地震属性；以及通过将储层性质简档与地震属性进行比较来训练机器学习模型。以这种方式，机器学习模型可以被用来预测被用于地下区域上方的地震勘探的储层性质，该地下区域包含有助于碳氢化合物的存在、迁移或聚集的结构或地层特征。

相关申请的交叉引用

本申请要求于2018年9月14日提交的、名为“Machine Learning-Based Analysisof Seismic Attributes”的美国临时申请序列号No.62/731,411的优先权，其全部内容通过引用合并于此。

关于联邦政府赞助的研究或开发的声明

不适用。

技术领域

本公开总体上涉及分析地震属性和储层性质，并且更具体地，涉及使用机器学习来分析地震属性与储层性质之间的关系。地震数据的地震属性至少可以包括具有偏移(FAVO)响应的频率相关振幅变化、分析地震属性(诸如正交迹线和/或包络线)和反演地震属性(诸如阻抗、密度和/或反射率)。例如，储层性质可以至少包括岩石的流体含量、孔隙率、密度或地震速度、剪切波信息和/或流体指示器(碳氢化合物指示)。通常，地震属性可以被认为是增强地震振幅与感兴趣的储层性质之间的相关性的计算/表示。

背景技术

本章节旨在向读者介绍可能与本公开的各个方面相关的本领域的各个方面，这些方面在下文进行描述和/或要求保护。此讨论被认为有助于为读者提供背景信息，以便于更好地理解本公开的各个方面。因此，应理解，将从这个角度阅读这些陈述，而不是作为对现有技术的承认。

地震分析或勘测包括通过将声(地震)能向下发送到地面并且记录从地下区域内的地质层返回的反射声能来生成地球的地下区域的图像或地图。地震成像试图生成有关地下区域的储层性质的表示。

当将声能波发送到地面时，这些波会通过(例如储层内的)地质层的堆叠散射，以生成时间频率相关的地震振幅。散射的特性可以通过相应的频率幅度与偏移量(FAVO)响应来记录。然后分析所捕获的FAVO响应，以推断地下区域的储层性质。例如，可以基于地震属性(即振幅)，以及还基于源和接收器之间的距离(即偏移量)，分析FAVO响应，以推断地下区域的流体含量、孔隙率、密度或地震速度、剪切波信息和/或流体指示器(碳氢化合物指示)。因为基于FAVO的地震分析考虑到各种地质层特性(例如，层厚度、地震速度、密度)和入射波特性(例如，角度和频率)，并且因为地质层特性本身可能取决于岩石和流体或储层性质(例如，层厚度、岩性、流体等)，分析得出的FAVO响应可能是复数值，其可以用实部也可以用虚部表示，也可以表示为绝对振幅和相位、表示为频率的函数。因此，所捕获的FAVO响应可能是多维的，与通过常规地震解释方法(诸如具有偏移(AVO)地震分析的常规振幅变化)捕获的其它类型的响应相比，可能难以解释。FAVO是示例性地震属性，并且被突出显示以了解该过程。该过程也适用于其它地震属性或叠前地震CDP排序的道集。

发明内容

下文阐述本文所公开的某些实施例的概述。应理解，呈现这些方面仅仅是为了向读者提供这些某些实施例的简要概述，并且这些方面无意于限制本公开的范围。实际上，本公开可以包括下文可能未阐述的多个方面。

机器学习可以被用来分析地震属性。例如，一个或多个实施例可以实现一种机器学习系统，以便分析至少一个地震属性和至少一个储层性质之间的关系/相关性。具体地，通过一个或多个实施例，机器学习可以被用来分析具有偏移(FAVO)响应的频率相关幅度变化，以便预测与所分析的FAVO响应相关联的至少一个储层性质。此外，除了分析FAVO响应之外，例如，其它实施例可以使用机器学习技术来分析分析地震属性和/或反演地震属性。尽管某些实施例可以分析FAVO响应，但是其它实施例可以分析其它类型的地震属性。具体来说，除了FAVO外，其它地震属性也可以被用作输入。此外，可以将其它类型的地震属性与FAVO响应结合使用以执行储层性质预测。