[发明专利]一种地震相驱动的叠前地震流体检测方法

说明书

本发明涉及油气勘探开发领域技术领域，具体公开了一种地震相驱动的叠前地震流体检测方法。该方法包括步骤：S1，准备地震数据、层位数据和测井数据；S2，将分好类型的地震数据作为训练样本进行机器学习，通过机器学习算法预测出地震相分类数据体；S3，采用线性加权融合算法将层速度数据体、地震相分类数据体和初始模型数据体融合，生成融合初始模型；S4，在贝叶斯框架下，加入所述融合初始模型，在柯西约束的条件下，开展弹性阻抗反演，并依据反演结果提取流体因子。本发明方法通过数据融合算法将三个数据体融合，生成一个横向分辨率和纵向分辨率都较高的初始模型数据体，通过反演算法得到地震解释结果，从而实现储层流体识别的目的。

技术领域

本发明涉及油气勘探开发领域技术领域，具体涉及地震反演技术领域。

背景技术

地震反演的一个关键步骤是建立初始模型，其中低频信息代表着沉积背景等地质信息。低频信息对于提升地震反演的稳定性、可靠性具有重要作用。常规测井约束反演采用地质统计学建模方法，通过变差函数来实现对沉积地层空间结构的描述。但是，基于空间两点的变差分析只能简单描述两点之间的相关性，难以表征复杂的空间结构，其表现为纵向上模型的地层产状与地震剖面上同相轴的产状不一致，插值结果在横向上有围绕井的“牛眼”现象。这极大地影响了解释结果对沉积体形状和结构的刻画能力。

在地震反演过程中，初始模型是最重要的部分，考虑的低频信息越丰富，则反演结果越可靠。现有技术通常是在层位约束下，把处理之后的测井数据内插外推得到低频模型。这种方法仅适用于较平缓的地层，难以表征复杂空间结构，且横向分辨率不高，还具有趋势效应。因此，识别地下复杂地质体的效果一般。

发明内容

本发明要解决的主要技术问题在于采用一种更符合实际地质结构的数据体来指导初始模型的建立，以有效地提高初始模型的横向分辨率，增强了识别地下特殊地质体的能力。

本发明要解决的主要技术问题在于解决了常规方法的“牛眼效应”，也叫趋势效应，提高地震解释结果的横向分辨率，在更符合地质背景的情况下，提高基于地震数据的解释结果的稳定性和可靠性。

为解决上述技术问题，本发明采用的技术方案是：一种地震相驱动的叠前地震流体检测方法，包括步骤：

S1，数据准备：准备地震数据、层位数据和测井数据；

S2，基于机器学习的地震相分类：将地震数据进行标识，分好类型，将分好类型的地震数据作为训练样本进行机器学习，通过机器学习算法预测出三维的地震相分类数据体；

S3，建立融合初始模型：在层位数据的约束下，利用测井数据进行插值，得到一个初始模型数据体，采用线性加权融合算法将层速度数据体、地震相分类数据体和初始模型数据体融合，生成融合初始模型；

S4，弹性阻抗反演及流体因子提取：在贝叶斯框架下，通过部分角度叠加道集建立似然函数，并且提取角度地震子波，再加上柯西约束以保证反演的稳定性，以所述融合初始模型作为初始值，使用反演目标函数开展弹性阻抗反演，最终得到分角度的弹性阻抗反演结果，再结合岩石模量参数，进一步计算出流体因子。

优选的，步骤S1中，还包括将地震数据进行筛选的步骤：

选择计算同一层间切片下地震数据的各个属性数据的相关系数，并且取各个属性数据的相关系数的绝对值，然后求和，选择相关系数之和最小的三个属性作为筛选条件，筛选该三个属性对应的地震数据。

优选的，步骤S1中，还包括将地震数据进行筛选的步骤：选择弧长、相干和瞬时主频三种属性的地震数据。

优选的，步骤S2中，机器学习以及预测的过程通过MATLAB2021b的机器学习模块完成。

优选的，步骤S2中，机器学习算法采用核朴素贝叶斯分类算法。