一种基于Adaboost回归算法的储层孔隙度预测方法技术

本发明专利技术公开了一种基于Adaboost回归算法的储层孔隙度预测方法，本发明专利技术通过将Adaboost回归算法融入到储层孔隙度预测过程中，利用Adaboost回归算法强大的集成学习能力，自动提取地震数据的隐藏特征，拟合地震数据与测井数据关系，获取更为可靠、客观的储层孔隙度预测体，提高工作效率。

A reservoir porosity prediction method based on AdaBoost regression algorithm

【技术实现步骤摘要】
一种基于Adaboost回归算法的储层孔隙度预测方法
本专利技术属于油气藏勘探开发
，具体涉及一种基于Adaboost回归算法的储层孔隙度预测方法。
技术介绍
目前油气勘探开发行业常用储层孔隙度预测方法包括基于地震信息的储层孔隙度反演、岩相模式约束的储层孔隙度预测、基于生产资料的储层孔隙度预测，或以上方法的综合运用。基于地震信息的储层孔隙度预测是目前业内常用并且有效的方法，但也存在问题，主要表现为：由叠前或叠后地震数据，经过数学变换而得出的有关地震波的几何学、运动学、动力学或统计学特征的地震属性，与地下地质目标间的对应关系往往并不唯一，多数地震属性是构造、地层、孔隙度与油气等综合因素的反映；地震资料一般受分辨率限制，对薄储层孔隙度预测很难实现。基于岩相约束的储层孔隙度预测存在的问题是相模式的多样性，决定了井间储层孔隙度预测的多解性，而且相研究大多都应用了地震资料，与基于地震信息的储层孔隙度预测存在同样问题。基于生产资料的储层孔隙度预测很大程度依赖于生产资料的丰富程度，大多数油田很难取得系统、丰富的生产资料。以上三种方法的综合应用除了系统、丰富的资料以外，研究者的经验往往起决定性作用。因此在资料不系统、不完善情况下，如何实现不依赖于研究者经验的高效、高精度储层孔隙度预测是该方法实现的目标。随着石油行业大数据时代的到来，基于机器学习、模糊逻辑、案例推理等领域的人工智能研究，正在催生具有多知识库、多主体的第四代大型多专家协作系统，帮助深度挖掘油气行业潜力。专利技术内容为了解决应用常规技术预测复杂地质体孔隙度时，受资料少、不系统等限制，孔隙度识别准确率低，预测风险大等难题，本专利技术提供了一种基于机器学习Adaboost的多地震属性信息融合的储层孔隙度预测方法，以提高储层孔隙度预测的精度和准确率。本专利技术是通过以下技术方案实现的：一种基于Adaboost回归算法的储层孔隙度预测方法，按照下列步骤进行：步骤一：叠后地震属性提取，获得振幅类、频率类、时间类及吸收衰减类属性；步骤二：地震属性时深转换，获得深度域地震属性体；步骤三：测井孔隙度数据和深度域地震属性数据重采样，获得纵向采样精度一致的测井孔隙度数据和深度域地震属性数据；步骤四：地震属性数据标准化处理，获得无量纲地震属性数据体；步骤五：井旁道地震属性数据提取，获得与测井孔隙度数据对应的井旁道地震属性数据；步骤六：模型训练，采用Adaboost回归算法获得储层孔隙度预测模型；步骤七：模型评估，通过修改Adaboost回归算法中的敏感参数，优化算法模型，获得最佳储层孔隙度预测体。其中，步骤一具体包括：分别提取振幅类、频率类、时间类及吸收衰减类等地震属性体。其中，步骤二具体包括：以单井时深关系资料(VSP资料)、时间层位解释数据为基础，利用协同克里金算法，建立工区内速度模型；以速度模型为约束，将步骤一提取的各类地震属性体进行时深转换，获得深度域振幅类、频率类、时间类及吸收衰减类地震属性体。其中，步骤三具体包括：将各深度域地震属性体粗化至地质模型中，将测井解释的孔隙度数据粗化至地质模型中。其中，步骤四具体包括：将多量纲的地震属性数据体通过标准化处理，转化为无量纲的数据，便于不同单位或量级的指标进行比较和加权。其中，步骤五具体包括：提取步骤四处理的地震属性数据的井旁道数据，获得与测井孔隙度数据对应的各类井旁道地震属性数据。其中，步骤六具体包括：以步骤三粗化的测井孔隙度数据和步骤五提取的井旁道地震属性数据为训练对象，通过Adaboost方法，形成训练模型；将步骤四的各类地震属性数据带入训练模型中，得到三维储层孔隙度预测体。其中，步骤七具体包括：通过调整Adaboost回归算法中的敏感参数，不断优化算法模型，获得与已知数据吻合，孔隙度平面分布与纵向展布特征与地质认识一致的预测孔隙度数据体。本专利技术的有益效果是：本专利技术通过将Adaboost回归算法融入到储层孔隙度预测过程中，利用Adaboost回归算法强大的集成学习能力，自动提取地震数据的隐藏特征，拟合地震数据与测井数据关系，获取更为可靠、客观的储层孔隙度预测体，提高工作效率。附图说明图1：本专利技术实施例的粗化至地质模型中的地震属性体；图2：本专利技术实施例的测井解释数据与Adaboost回归算法预测数据对比图；图3：本专利技术实施例的Adaboost回归算法预测的储层孔隙度预测体；图4：采用本专利技术实施例中的方法制得的储层孔隙度预测图。图5：采用原方法制得的储层孔隙度预测图。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据以上附图获得其他的相关附图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面结合具体实施例进一步说明本专利技术的技术方案。实施例1一种基于Adaboost回归算法的储层孔隙度预测方法，包括以下步骤：步骤一：叠后地震属性提取。分别提取振幅类、频率类、时间类及吸收衰减类等地震属性体，如图1。步骤二：地震属性时深转换，获得深度域地震属性体。以单井时深关系资料(VSP资料)、时间层位解释数据为基础，利用协同克里金算法，建立工区内速度模型；以速度模型为约束，将各类地震属性体进行时深转换，获得深度域振幅类、频率类、时间类及吸收衰减类地震属性体。步骤三：测井孔隙度数据和深度域地震属性数据重采样，获得纵向采样精度一致的测井孔隙度数据和深度域地震数据，如图2。将各深度域地震属性体粗化至地质模型中，将测井解释的孔隙度数据粗化至地质模型中。步骤四：数据标准化处理，获得无量纲地震属性数据体将多量纲的地震属性数据体通过标准化处理，转化为无量纲的数据，便于不同单位或量级的指标进行比较和加权。步骤五：地震属性体井旁道数据提取提取各无量纲地震属性数据的井旁道数据，获得与单井岩相数据在同深度一一对应的各类井旁道地震属性数据。步骤六：模型训练，获得岩相预测体以测井孔隙度数据和井旁道地震属性数据为训练对象，通过Adaboost方法，训练单井孔隙度数据与井旁道地震属性之间的复杂非线性关系，形成训练模型；将各地震属性体数据带入训练模型，推算井间各网格中的孔隙度分布数据，得到三维储层孔隙度预测体，如图3。步骤七：模型评估，获得最佳储层孔隙度预测数据。通过调整Adaboost回归算法中的敏感参数，不断优化算法模型，获得与检验井数据吻合，与动态认识一致的孔隙度预测数据体。孔隙度预测精度及准确度均比原孔隙度反演方法预测结果好，如图4-5。实施例2Q油田储层孔隙度预测通过上述技术方案，对该工区的砂岩储层进行预测研究。根据Q油田的地震资料获取情况，按照步骤一分别提取振幅类、频率类、时间类及吸收衰减类等地震属性体。按照步骤二(地震属性时深转换，本文档来自技高网...

【技术保护点】
1.一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于，按照下列步骤进行：/n步骤一：叠后地震属性提取，获得振幅类、频率类、时间类及吸收衰减类属性；/n步骤二：地震属性时深转换，获得深度域地震属性体；/n步骤三：测井孔隙度数据和深度域地震属性数据重采样，获得纵向采样精度一致的测井孔隙度数据和深度域地震属性数据；/n步骤四：地震属性数据标准化处理，获得无量纲地震属性数据体；/n步骤五：井旁道地震属性数据提取，获得与测井孔隙度数据对应的井旁道地震属性数据；/n步骤六：模型训练，采用Adaboost回归算法获得储层孔隙度预测模型；/n步骤七：模型评估，通过修改Adaboost回归算法中的敏感参数，优化算法模型，获得最佳储层孔隙度预测体。/n

【技术特征摘要】
1.一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于，按照下列步骤进行：
步骤一：叠后地震属性提取，获得振幅类、频率类、时间类及吸收衰减类属性；
步骤二：地震属性时深转换，获得深度域地震属性体；
步骤三：测井孔隙度数据和深度域地震属性数据重采样，获得纵向采样精度一致的测井孔隙度数据和深度域地震属性数据；
步骤四：地震属性数据标准化处理，获得无量纲地震属性数据体；
步骤五：井旁道地震属性数据提取，获得与测井孔隙度数据对应的井旁道地震属性数据；
步骤六：模型训练，采用Adaboost回归算法获得储层孔隙度预测模型；
步骤七：模型评估，通过修改Adaboost回归算法中的敏感参数，优化算法模型，获得最佳储层孔隙度预测体。


2.根据权利要求1所述的一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于：在步骤一中，所述叠后地震属性包括振幅类、频率类、时间类及吸收衰减类地震属性体。


3.根据权利要求1所述的一种基于Adaboost回归算法的储层孔隙度预测方法，其特征在于，所述步骤二包括：以单井时深关系资料、时间层位解释数据为基础，利用协同克里金算法，建立工区内速度模型；以速度模型为约束，将步骤一提取的各类地震属性体进行时深转换，获得深度域振幅类、频率类、时间类及吸收衰减类地震属性体。

【专利技术属性】
技术研发人员：史长林，魏莉，张剑，杨丽娜，许胜利，吴蔚，但玲玲，牛雪，田盼盼，李芳芳，
申请(专利权)人：中国海洋石油集团有限公司，中海油能源发展股份有限公司，
类型：发明
国别省市：北京;11