[发明专利]一种基于测井数据的流体相预测方法与设备

说明书

本发明公开了一种基于测井数据的流体相预测方法与设备，包括：步骤1：确定某区域的岩相分类，对该区域内的既有测井数据进行PCA和聚类分析，确定能够用于区分流体相的敏感属性对；根据敏感属性对对区域内的既有测井数据进行岩相分类标注以构建训练样本；步骤2：利用训练样本对深度学习概率模型进行迭代训练，直到深度学习概率模型满足条件收敛；步骤3：利用反演法从所该区域的地震数据中计算得到该区域内待测井的敏感属性对的值，利用深度学习概率模型预测该区域内待测井的流体相分布数据。本发明利用开发阶段各种地震的资料成果相对成熟，通过既有测井数据建立气水识别的概率理论模型，该模型能够准确地进行流体相分布预测。

技术领域

本发明涉及石油天然气地震勘探技术领域，具体涉及一种基于测井数据的流体相预测方法与设备。

背景技术

针对气藏开发阶段，在油气开发过程中，需要较为明确的水气分布支撑开发井位部署，水气分布预测的目的是为了直接得到目标层气水的分布，由于气水在地震上的响应差异是非常微弱的，因此气水识别是一个极具挑战的问题，且随着开发井位部署进程对区域水气认识加深，需要不断调整及进行多次刻画。目前针对水气边界识别，主要是基于地震数据的地球物理的各种方法来进行预测描述，其原理是：地震数据一个有时序特征的数据集，地层的物理特性是相对于稳定的，由于地震波从炸药激发到检波器进行接收这段路径，会经过目的层，地震数据隐含了目的层的气水信息，在理论上，可以通过对地震数据进行处理解释，得到某种有明确物理特征的属性来进行气水预测等相关工作。地震的振幅、频率、相位、分频以及相干这五种基本属性，这些属性主要反应的是反射系数的界面，主要受储层和围岩的影响，而波阻抗，速度和密度等这样的岩性参数才是能够反应出储层的岩性和流体特征的属性参数，通常通过对地震数据进行反演，即可得到的这些参数，再将反演得到的参数与测井数据进行交会分析，从而进行流体相的概率分布预测。

气水边界的预测方法，一般根据采用不同的地震属性对应不同流体预测方法，例如：LFR低频频率共振方法、子波分解方法、物相体含气预测方法、AVO流体预测方法等。这些流体预测方法本质上都是利用了地震数据的某一种属性特征。但在实际工作中，由于各种属性在水气的识别在地震属性的差异小，地震数据中常常不能找到一个有明确物理意义属性来进行气水的识别。

此外，针对开发阶段的气水边界识别，现有技术主要是利用多次反演的思路，将新开发井的信息作为已知信息，但这个实现过程中，计算量非常大，引入的不确定的因素较多，一方面是多解性强，另一方面在开发阶段时间比较紧，要完全实现需要时间成本高。例如，申请号为2019105710245的中国专利公开的一种基于贝叶斯和级数反演理论的AVO反演方法及系统，其通过在AVO地震反演中引入贝叶斯和级数反演理论以提高叠前AVO分析的准确度，但是其存在计算过程复杂，时间成本过高，不利于开发阶段的快速预测的缺陷。

近年来，随着人工智能的发展，现有技术中也有利用深度学习模型计算效率高、自我学习能力强的特点，基于深度学习模型建立能够进行高效率流体相分布预测的概率模型。例如，申请号为：2018111017165的中国专利，公开了一种基于深度学习利用地震数据进行流体预测的方法，包括：输入指定区块范围内所有地震数据，并进行预处理：利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合；利用第二套深度学习网络对大量地震数据的线性特征进行分类，以建立第一流体特征模型；利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行法代和校正，以获得第二流体特征模型；通过第二流体特征模型和激活函数，对待预测区块内的地震数据进行矩阵集合计算，获得待预测区块内的流体特征的概率分布数据。该方法通过配置第一深度学习模型进行地震目标层几万种特征进行非线性拟合，配置第二深度学习模型用于对拟合得到的参数进行分类预测。然而实际工作中，一旦参与拟合的样本维度过多训练效率非常低下很容易陷入局部收敛；同时由于各种属性的水气识别在地震属性的差异数值表征差异较小，仅采用深度学习算法进行纯数学统计会导致结果偏离物理规律存在一定的误差，导致最终分类结果并不理想。

发明内容