一种曲流河沉积微相智能预测方法技术

本发明专利技术公开了一种曲流河沉积微相智能预测方法，通过提取不同频带范围的波形、振幅、波阻抗数据，按照给定时窗分三段对当前点地震属性进行组合特征的规约，生成五种地震组合特征；通过最佳时窗的选择，构建机器学习样本库；采用随机森林MDI方法对样本特征进行评估，对优选后的样本特征通过随机森林算法分别对各个微相进行模糊概率预测，再将每个微相的高概率结果进行叠合显示，最终得到一个沉积微相的预测结果。与现有技术相比，本发明专利技术克服了由于井距较大无法精确反映各沉积微相在平面上的分布规律问题，通过沉积微相样本数据建设和随机森林的机器学习方法建立沉积微相的预测模型，实现曲流河沉积微相的智能预测。

An intelligent prediction method of sedimentary microfacies in meandering river

The invention discloses an intelligent prediction method for sedimentary microfacies of meandering river. By extracting waveform, amplitude and wave impedance data in different frequency band range, five kinds of seismic combination characteristics are generated according to the stipulation that the current point seismic attributes are combined in three sections according to the given time window; through the selection of the best time window, a machine learning sample library is constructed; the sample characteristics are determined by the random forest MDI method Then, the high probability results of each microfacies are superposed and displayed, and finally a prediction result of sedimentary microfacies is obtained. Compared with the prior art, the invention overcomes the problem that the well spacing is too large to accurately reflect the distribution rule of each sedimentary microfacies on the plane. Through the construction of sedimentary microfacies sample data and the machine learning method of random forest, the prediction model of sedimentary microfacies is established to realize the intelligent prediction of the sedimentary microfacies of meandering river.

【技术实现步骤摘要】
一种曲流河沉积微相智能预测方法
本专利技术涉及地球物理勘探地震解释及综合研究领域，特别是一种曲流河沉积微相智能预测方法。
技术介绍
沉积微相是在基本一致的沉积条件下形成的最基本的沉积单元，其类型及空间展布一直是油气勘探和开发的重要研究内容之一。通过沉积微相的研究可以了解每一次沉积事件中骨架相砂体的展布及演化规律，并对储层内部的非均质性及其变化进行预测，同时沉积微相也是影响剩余油平面分布的主要因素。传统的沉积微相预测方法主要通过取心井的沉积学特征研究，准确划分其沉积微相，然后对不同沉积微相对应的测井曲线形态进行研究，确定出各类沉积微相所特有的测井曲线形态特征，建立研究区的岩石相-测井相图版，实现岩-电关系转换，从而对未取心井的沉积微相进行划分和确定。再通过测井资料绘制测井相和沉积微相的平面展布图。这种方法的缺点是在井间的沉积微相都是通过井点的微相插值预测，在井距较大的时候预测的误差较大。通过地震资料进行沉积微相的预测能够减少井间预测误差。目前，使用较多的是利用地震波形聚类的方法进行地震相的分类，然后再通过井点处沉积微相标定后确定沉积微相的平面分布，这种方法只用到了地震信息缺少井控，预测精度较低，往往只用于沉积亚相的识别。
技术实现思路
本专利技术的目的是要解决现有技术中存在的不足，提供一种曲流河沉积微相智能预测方法，通过沉积微相样本数据建设和随机森林的机器学习方法建立沉积微相的预测模型，实现曲流河沉积微相的智能预测。为达到上述目的，本专利技术是按照以下技术方案实施的：一种曲流河沉积微相智能预测方法，包括如下步骤:S1、首先通过测井沉积微相解释获取单井上的不同深度段的沉积微相组合，然后通过时深转换将井上的微相类型标注在井旁地震道上，获得该地震道上的波形特征，根据井旁地震道中具有沉积微相解释层段的波形特征，拾取不同微相类型及其组合的地震相响应样本；S2、根据井点处沉积微相解释和切片分析结果，结合河流相沉积规律与各微相地震相特征，对沉积微相样本点进行扩充；S3、利用小波变换对原始地震数据进行分频处理得到多个频段，得到每个频段的地震数据，提取每个频段的地震数据的波形、瞬时振幅和波阻抗属性，并对样本点附近地震属性进行规约提取有效特征，构建机器学习样本集；S4、通过随机森林相关算法优选有效表征地震特征，通过机器学习得到沉积微相与地震响应间的映射关系，预测地层属于各微相概率；S5、对于计算得到的各微相高概率预测体进行叠合，最终形成沉积微相模糊判别结果。进一步，所述S2的具体步骤如下：将井点处各层段的沉积微相解释结论向井点附近的地层拓展，以增加用于构建机器学习的样本点个数；以及根据地震沿层切片中河流微相的分布规律标记平面坐标，考察这些坐标位置处该层位附近垂向波形特征，将符合沉积微相地震相响应特征的层段标记为该微相。进一步，所述S3中小波变换的具体步骤如下：利用小波变换将地震剖面分解为不同频段的分频剖面，得到各个频段的信息，设地震信号为f(t)，其连续变换为：小波逆变换为：其中，a为尺度因子；b为平移因子，在实际计算时，小波变换采用Mallat算法，把不同的尺度分解为细节部分和近似部分：式中G，H分别为高通滤波器和低通滤波器；从傅立叶滤波的角度，引进四个CH、ch和CG、cg滤波算子，对Mallat算法进行了改进，滤掉折叠频率，该方法称为抗混叠重构改进算法，算子CH、ch的计算式为：算子CG和cg的计算公式：进一步，所述S3中对样本点附近地震属性进行规约提取有效特征的具体步骤为：采用给定大小时窗w分三段对当前点地震属性进行相关规约表征，对于时间为t的当前点规约提取的特征包括：当前层段属性均值：即t-0.5w到t+0.5w范围内各地震属性的均值，对于地震属性AttrX以AttrX.C表示；层段上部属性均值：即t-1.5w到t-0.5w范围内各地震属性的均值，对于地震属性AttrX以AttrX.U表示；层段下部属性均值：即t+0.5w到t+1.5w范围内各地震属性的均值，对于地震属性AttrX以AttrX.L表示；三段属性梯度均值：即t-1.5w到t+1.5w范围内地震属性变化梯度的均值MEAN(AttrXi–AttrXi-1)，对于地震属性AttrX以AttrX.D表示；上下层段属性梯度比值：本质上是AttrX.U和AttrX.L的比值，为防止AttrX.L取值为0.0时出现极值，实际计算中在AttrX.U和AttrX.L上均添加当前层段的属性值AttrX.C作为偏置，即按照(AttrX.U+AttrX.C)/(AttrX.L+AttrX.C)进行计算，对于地震属性AttrX以AttrX.R表示。进一步，所述S4的具体步骤如下：S41、根据随机森林MDI特征重要性评估算法分别对不同沉积微相进行重要性评估，优选出敏感属性特征；S42、采用模糊分类预测方法进行相关预测，分别求取目的层段内地层属于各种微相的概率值：分别基于不同规约窗长得到的沉积微相基于随机森林算法建立不同的沉积微相概率预测模型，对于给定的待预测数据点，分别基于不同的模型预测其属于各沉积微相的概率，而后按照上述逻辑进行模糊预测判别；S43、随机森林算法在对各微相进行预测时的决策树特征备选集大小ntry和各沉积微相的输入属性特征个数相关，每个属性分别通规约表征生成5个衍生特征，再加上ILINE、XLINE、TIME三个输入作为空间信息的表征，ntry的选取范围1-属性数×5+3；S44、将每一个微相按照One-Vs-Others的方法选用不同的决策树参数构建模型，并通过交叉验证计算各个沉积微相的预测性能，优选出最佳的预测参数；S45、基于ForestRI算法得到各沉积微相的分类概率预测模型，按照0.5为概率阈值对各微相模型的预测性能进行分析。进一步，所述S5的具体步骤为：使用前述建立的各沉积微相概率预测模型应用于整个工区范围，得到对应沉积微相概率的三维预测体，而后分别在颜色刻度中将各微相切片中概率较小的部分设置为透明，并将所有微相的预测概率切片进行叠合显示，得到最终的沿层位沉积微相模糊预测结果。进一步，所述S45中的ForestRI算法是从全体备选特征集中随机抽选Q个特征，在此Q个特征所组成的子集优选特征进行分割。与现有技术相比，本专利技术以井点沉积微相解释结论为基础，以河流相各微相的平面分布规律为参考，通过提取不同频带范围的波形、振幅、波阻抗数据，按照给定时窗分三段对当前点地震属性进行组合特征的规约，生成五种地震组合特征，以充分表征不同微相的地震响应特征；通过最佳时窗的选择，构建机器学习样本库；采用随机森林MDI方法对样本特征进行评估，对优选后的样本特征通过随机森林算法分别对各个微相进行模糊概率预测，再将每个微相的高概率结果进行叠合显示，最终得到一个沉积微相的预测结果。综述，本专利技术克服了由于井距较大无法精确反映各沉积本文档来自技高网...

【技术保护点】
1.一种曲流河沉积微相智能预测方法，其特征在于，包括如下步骤:/nS1、首先通过测井沉积微相解释获取单井上的不同深度段的沉积微相组合，然后通过时深转换将井上的微相类型标注在井旁地震道上，获得该地震道上的波形特征，根据井旁地震道中具有沉积微相解释层段的波形特征，拾取不同微相类型及其组合的地震相响应样本；/nS2、根据井点处沉积微相解释和切片分析结果，结合河流相沉积规律与各微相地震相特征，对沉积微相样本点进行扩充；/nS3、利用小波变换对原始地震数据进行分频处理得到多个频段，得到每个频段的地震数据，提取每个频段的地震数据的波形、瞬时振幅和波阻抗属性，并对样本点附近地震属性进行规约提取有效特征，构建机器学习样本集；/nS4、通过随机森林相关算法优选有效表征地震特征，通过机器学习得到沉积微相与地震响应间的映射关系，预测地层属于各微相概率；/nS5、对于计算得到的各微相高概率预测体进行叠合，最终形成沉积微相模糊判别结果。/n

【技术特征摘要】
1.一种曲流河沉积微相智能预测方法，其特征在于，包括如下步骤:
S1、首先通过测井沉积微相解释获取单井上的不同深度段的沉积微相组合，然后通过时深转换将井上的微相类型标注在井旁地震道上，获得该地震道上的波形特征，根据井旁地震道中具有沉积微相解释层段的波形特征，拾取不同微相类型及其组合的地震相响应样本；
S2、根据井点处沉积微相解释和切片分析结果，结合河流相沉积规律与各微相地震相特征，对沉积微相样本点进行扩充；
S3、利用小波变换对原始地震数据进行分频处理得到多个频段，得到每个频段的地震数据，提取每个频段的地震数据的波形、瞬时振幅和波阻抗属性，并对样本点附近地震属性进行规约提取有效特征，构建机器学习样本集；
S4、通过随机森林相关算法优选有效表征地震特征，通过机器学习得到沉积微相与地震响应间的映射关系，预测地层属于各微相概率；
S5、对于计算得到的各微相高概率预测体进行叠合，最终形成沉积微相模糊判别结果。


2.根据权利要求1所述的曲流河沉积微相智能预测方法，其特征在于：所述S2的具体步骤如下：将井点处各层段的沉积微相解释结论向井点附近的地层拓展，以增加用于构建机器学习的样本点个数；以及根据地震沿层切片中河流微相的分布规律标记平面坐标，考察这些坐标位置处该层位附近垂向波形特征，将符合沉积微相地震相响应特征的层段标记为该微相。


3.根据权利要求1所述的曲流河沉积微相智能预测方法，其特征在于：所述S3中小波变换的具体步骤如下：
利用小波变换将地震剖面分解为不同频段的分频剖面，得到各个频段的信息，设地震信号为f(t)，其连续变换为：



小波逆变换为：



其中，a为尺度因子；b为平移因子，在实际计算时，小波变换采用Mallat算法，把不同的尺度分解为细节部分和近似部分：



式中G，H分别为高通滤波器和低通滤波器；从傅立叶滤波的角度，引进四个CH、ch和CG、cg滤波算子，对Mallat算法进行了改进，滤掉折叠频率，该方法称为抗混叠重构改进算法，算子CH、ch的计算式为：



算子CG和cg的计算公式：





4.根据权利要求1或3所述的曲流河沉积微相智能预测方法，其特征在于：所述S3中对样本点附近地震属性进行规约提取有效特征的具体步骤为：
采用给定大小时窗w分三段对当前点地震属性进行相关规约表征，对于时间为t的当前点规约提取的特征包括：
当前层段属性均值：即t-0.5w到t+0.5w范围内各地震属性的均值，对于地震属性AttrX以AttrX.C表示；

【专利技术属性】
技术研发人员：冯德永，朱剑兵，王兴谋，王延光，韩宏伟，隋志强，江洁，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司胜利油田分公司物探研究院，
类型：发明
国别省市：北京;11