基于深度域叠前角道集的孔隙度预测方法技术

本发明专利技术公开了一种基于深度域叠前角道集的孔隙度预测方法，属于油气物探工程领域。该孔隙度预测方法包括下列步骤：(1)基于测井数据、地震数据和深度域的角度域共成像点道集数据提取深度域的地震属性；(2)获得重采样孔隙度数据；(3)基于地震属性和重采样孔隙度数据建立联合样本集，之后对联合样本集进行标准差标准化处理获得标准化地震属性和相应的标准化孔隙度数据；(4)将联合样本集随机分为训练数据集和测试数据集，获得优选地震属性子集；(5)基于优选地震属性子集建立预测模型；(6)基于测试数据检验预测模型获得检验预测模型；(7)使工区范围内的所有的优选地震属性子集通过检验预测模型以预测所述工区范围内孔隙度数据。

【技术实现步骤摘要】

本专利技术涉及油气物探工程领域，特别涉及基于深度域叠前角道集的孔隙度预测方法。
技术介绍
随着勘探要求的提高，基于叠后属性的储层预测技术已经满足不了当前对岩性、致密砂岩等类型的油气藏勘探的需要。目前，叠前地震属性的提取主要集中在时间域，在地质结构复杂的情况下，时间域反映的储层深度是通过并不准确的速度信息得出，其误差必然较大。近十年，国内储层参数预测研究方法主要包括神经网络、函数逼近和地质统计学方法以及它们层出不穷的不同的组合方法，但是随着油田勘探开发的不断深入，仍然有很多需要逐步完善的地方。有文献报道叠前时间域属性进行储层参数预测的方法，参见肖冬生“叠前地震属性在浊积岩储层预测中的应用——以兴隆台-马圈子地区沙三中下亚段为例”，参见姜秀清“储层地震属性优化及属性体综合解释”等。上述方法都是基于时间域的叠前地震属性进行储层参数预测的方法，使得无法满足对精度要求越来越高的油气勘探。
技术实现思路
为了解决现有技术中存在的上述问题和缺陷的至少一个方面，本专利技术提供了一种基于深度域叠前角道集的孔隙度预测方法。所述技术方案如下：本专利技术的一个目的是提供了一种基于深度域叠前角道集的孔隙度预测方法。根据本专利技术的一个方面，提供了一种基于深度域叠前角道集的孔隙度预测方法，所述孔隙度预测方法包括下列步骤：(1)基于测井数据、地震数据和深度域的角度域共成像点道集数据提取深度域的地震属性；(2)使所述测井数据中的孔隙度数据按照所述地震数据的采样间隔进行重采样以获得重采样孔隙度数据；(3)基于所述地震属性和所述重采样孔隙度数据建立联合样本集，之后对所述联合样本集中的所述地震属性和所述重采样孔隙度数据分别进行标准差标准化处理以获得相应的标准化地震属性和相应的标准化孔隙度数据；(4)将经过所述标准差标准化处理后的所述联合样本集随机分为训练数据集和测试数据集，并基于所述训练数据集中的所述标准化孔隙度数据获得优选地震属性子集；(5)基于所述优选地震属性子集建立预测模型；(6)基于所述测试数据检验所述预测模型以获得检验预测模型；(7)使工区范围内的所有的所述优选地震属性子集通过所述检验预测模型以预测所述工区范围内的孔隙度数据。进一步地，在所述联合样本集中，所述地震属性和所述重采样孔隙度彼此为一一对应关系。具体地，对所述联合样本集中的所述地震属性和所述重采样孔隙度数据分别进行标准差标准化处理的过程中，将所述联合样本集中的不同的地震属性和重采样孔隙度数据分别处理到相同数量级上以获得所述标准化地震属性和所述标准化孔隙度数据。进一步地，在进行所述标准差标准化处理的过程中，使所述联合样本集中的所述地震属性和重采样孔隙度数据的平均值分别为零。进一步地，在步骤(4)中，所述训练数据集中的所述标准化孔隙度数据通过遗传算法和支持向量回归机对所述标准化地震属性进行优选。进一步地，在步骤(5)中，基于所述优选地震属性子集对所述支持向量回归机进行训练以建立非线性孔隙度参数的预测模型。具体地，在步骤(6)中，所述获得检验预测模型还包括以下步骤：a1将所述测试数据集中的所述标准化地震属性通过所述预测模型获得相应的预测孔隙度数据；a2将所述预测孔隙度数据与所述测试数据集中的所述标准化孔隙度数据进行误差分析，以获得误差数据；a3当所述误差数据在预设误差范围内时，所述预测模型为所述检验预测模型。具体地，当所述误差数据在所述预设误差范围外时，重新建立新预测模型以获得所述检验预测模型，通过所述重新建立新预测模型获得所述检验预测模型的方法包括以下步骤：b1对所述标准差标准化处理后的所述联合样本集重新随机分为新训练数据集和新测试数据集；b2基于所述新训练数据集获得新优选地震属性子集，并基于所述新优选地震属性子集建立新预测模型；b3使所述新测试数据集中的所述标准化地震属性通过所述新预测模型获得相应的新预测孔隙度数据；b4将所述新预测孔隙度数据与所述新测试数据中的所述标准化孔隙度数据进行误差分析，以获得新误差数据；b5当所述新误差数据在所述预设误差范围内时，所述新预测模型为所述检验预测模型，当所述新误差数据在所述预设误差范围外时，重复步骤b1～b4，直到获得所述检验预测模型为止。进一步地，在步骤(1)中，在所述测井数据和地震数据通过井震标定和偏移校正使彼此的地层层位相互对应之后，基于所述深度域的角度域共成像点道集数据提取所述深度域的地震属性。具体地，所述地震属性包括深度域的瞬时振幅、瞬时相位、瞬时频率、瞬时频率的斜率、瞬时振幅的均方根、平均瞬时振幅和能量半衰时。进一步地，所述地震属性为深度域的地震属性。进一步地，在步骤(1)中，提取所述深度域的地震属性的同时对截距属性和梯度属性进行提取。进一步地，所述预测模型为所述优选地震属性子集中的所述标准化孔隙度数据与所述标准化地震属性的拟合式，所述预测模型的自变量为地震属性，所述预测模型的因变量为孔隙度数据。进一步地，所述标准差标准化处理的表达式为：其中，xij为所述地震属性或所述重采样孔隙度数据xi中的第j个值；为所述地震属性或所述重采样孔隙度数据的平均值；σi为所述地震属性或所述重采样孔隙度数据的标准差；yij为所述地震属性或所述重采样孔隙度数据标准化后的值。本专利技术提供的技术方案的有益效果是：(1)本专利技术提供的基于深度域叠前角道集的孔隙度预测方法利用深度域叠前地震数据与孔隙度测井参数数据建立孔隙度预测模型，得到的预测结果不仅在储层深度上更加准确，而且由于应用的叠前地震数据包含有丰富的信息，使得孔隙度的预测结果更加准确；(2)本专利技术提供的基于深度域叠前角道集的孔隙度预测方法能够在整个工区范围内提取优选的地震属性子集，并将优选地震属性子集中的数据输入到非线性支持向量回归预测模型中，估算出三维孔隙度参数，从而为进一步的储层解释提供更可靠的参考依据。附图说明图1是根据本专利技术的一个实施例的基于深度域叠前角道集的孔隙度预测方法的流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。参见图1，其示出了根据本专利技术的一个实施例的基于深度域叠前角道集的孔隙度预测方法的流程。基于深度域叠前角道集的孔隙度预测方法包括下列步骤：(1)基于测井数据、地震数据和深度域的角度域共成像点道集数据提取深度域的地震属性；(2)使测井数据中的孔隙度数据按照地震数据的采样间隔进行重采样以获得重采样孔隙度数据；(3)基于地震属性和重采样孔隙度数据建立联合样本集，之后对联合样本集中的地震属性和重采样孔隙度数据分别进行标准差标准化处理以获得相应的标准化地震属性和相应的标准化孔隙度数据；(4)将经过标准差标准化处理后的联合样本集随机分为训练数据集和测试数据集，并基于训练数据集中的标准化孔隙度数据获得优选地震属性子集；(5)基于优选地震属性子集建立预测模型；(6)基于测试数据检验预测模型以获得检验预测模型；(7)使工区范围内的所有的所述优选地震属性子集通过所述检验预测模型以预测所述工区范围内的孔隙度数据。在测井数据和地震数据具体地，在步骤(1)中，首先进行层位标定，通过井震标定和偏移校正将工区内每口井的测井数据与地震数据相对应，之后根据深度域角度域共成像点道集数据，提取深度域的地震属性，这样使得在地震属性提取的开本文档来自技高网...

【技术保护点】
一种基于深度域叠前角道集的孔隙度预测方法，所述孔隙度预测方法包括下列步骤：(1)基于测井数据、地震数据和深度域的角度域共成像点道集数据提取深度域的地震属性；(2)使所述测井数据中的孔隙度数据按照所述地震数据的采样间隔进行重采样以获得重采样孔隙度数据；(3)基于所述地震属性和所述重采样孔隙度数据建立联合样本集，之后对所述联合样本集中的所述地震属性和所述重采样孔隙度数据分别进行标准差标准化处理以获得相应的标准化地震属性和相应的标准化孔隙度数据；(4)将经过所述标准差标准化处理后的所述联合样本集随机分为训练数据集和测试数据集，并基于所述训练数据集中的所述标准化孔隙度数据获得优选地震属性子集；(5)基于所述优选地震属性子集建立预测模型；(6)基于所述测试数据检验所述预测模型以获得检验预测模型；(7)使工区范围内的所有的所述优选地震属性子集通过所述检验预测模型以预测所述工区范围内的孔隙度数据。

【技术特征摘要】
1.一种基于深度域叠前角道集的孔隙度预测方法，所述孔隙度预测方法包括下列步骤：(1)基于测井数据、地震数据和深度域的角度域共成像点道集数据提取深度域的地震属性；(2)使所述测井数据中的孔隙度数据按照所述地震数据的采样间隔进行重采样以获得重采样孔隙度数据；(3)基于所述地震属性和所述重采样孔隙度数据建立联合样本集，之后对所述联合样本集中的所述地震属性和所述重采样孔隙度数据分别进行标准差标准化处理以获得相应的标准化地震属性和相应的标准化孔隙度数据；(4)将经过所述标准差标准化处理后的所述联合样本集随机分为训练数据集和测试数据集，并基于所述训练数据集中的所述标准化孔隙度数据获得优选地震属性子集；(5)基于所述优选地震属性子集建立预测模型；(6)基于所述测试数据检验所述预测模型以获得检验预测模型；(7)使工区范围内的所有的所述优选地震属性子集通过所述检验预测模型以预测所述工区范围内的孔隙度数据。2.根据权利要求1所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，在所述联合样本集中，所述地震属性和所述重采样孔隙度彼此为一一对应关系。3.根据权利要求2所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，对所述联合样本集中的所述地震属性和所述重采样孔隙度数据分别进行标准差标准化处理的过程中，将所述联合样本集中的不同的地震属性和重采样孔隙度数据分别处理到相同数量级上以获得所述标准化地震属性和所述标准化孔隙度数据。4.根据权利要求3所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，在进行所述标准差标准化处理的过程中，使所述联合样本集中的所述地震属性和重采样孔隙度数据的平均值分别为零。5.根据权利要求4所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，在步骤(4)中，所述训练数据集中的所述标准化孔隙度数据通过遗传算法和支持向量回归机对所述标准化地震属性进行优选。6.根据权利要求5所述的的基于深度域叠前角道集的孔隙度预测方法，其特征在于，在步骤(5)中，基于所述优选地震属性子集对所述支持向量回归机进行训练以建立非线性孔隙度参数的预测模型。7.根据权利要求6所述的基于深度域叠前角道集的孔隙度预测方法，其特征在于，在步骤(6)中，所述获得检验预测模型还包括以下步骤：a1将所述测试数据集中的所述标准化地震属性通过所述预测模型获得相应的预测孔隙度数据；a2将所述预测孔隙度数据与所述测试数据集中的所述标准化孔隙度数据进行误差分析，以获得误差数据；a3当所述误差数据在预设误差范围内时，所述预测...

【专利技术属性】
技术研发人员：张锐锋，宋建国，梁官忠，赵龙飞，冯小英，王鑫，靳国庆，肖阳，刘静，史原鹏，吕亚辉，李秀英，王旭峰，叶秋焱，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：北京;11