高分辨率非线性地震波阻抗反演方法技术

本发明专利技术公开一种高分辨率非线性地震波阻抗反演方法，将非线性多级结构Ｒｏｂｉｎｓｏｎ地震褶积模型融合到非常规的Ｃａｉａｎｉｅｌｌｏ褶积神经网络中，实现了确定性和统计性两种反演方式的统一；通过Ｒｏｂｉｎｓｏｎ地震褶积模型和非线性自仿射变换在阻抗参数和地震响应之间建立了一种确定的关系，实现了确定性反演；通过多级地震子波／反子波和Ｃａｉａｎｉｅｌｌｏ褶积神经网络在阻抗参数和地震响应之间建立了一种统计关系，实现了统计性反演；联合应用直接与间接两种反演方式进行波阻抗的估计和校正，以直接反演的结果作为间接反演的初始值，两种反演方式交替使用，最终利用间接反演获得高分辨率的合成全频波阻抗剖面。

【技术实现步骤摘要】

本专利技术属于石油勘探领域，涉及一种油气储层预测技术，尤其涉及。
技术介绍
长期石油勘探实践表明，储层预测技术是勘探关键技术之一。基于线性的确定性理论的测井宽带约束反演曾在地震反演技术中占据主要地位。随着油气勘探的不断深入和勘探程度的不断提高，石油勘探的目标已逐步转向复杂隐蔽储层。这些复杂沉积环境下的储层具有厚度薄、岩性高度非均质、有效储层分布分散、岩石物理关系复杂和储层岩性对比弱等特征。现有的许多储层综合预测技术由于基于线性假定和缺乏坚实的横向外推理论依据，对于上述复杂储层结构，预测和描述的分辨率低和抗噪音能力差。后来，基于统计反演理论的反演方法得到了广泛应用，如模拟退火法、遗传算法和神经网络方法等。这些统计反演方法提高了储层预测和描述的分辨率以及抗噪音能力，但由于完全基于统计的假定，进行黑箱反演使储层预测的可信度低。目前，有关高分辨率和陆相薄互层油储的研究，也尚未很好地解决对复杂隐蔽储层预测的核心问题。
技术实现思路
本专利技术的目的就是针对现有地震反演技术对于复杂储层存在的不足，围绕地震反演中地震数据有限带宽、分辨率、外推稳定性和岩石物理关系模糊等核心问题，联合应用地球物理确定性理论、统计理论和非线性理论，综合地质、岩石物理、测井和地震数据进行地震波阻抗预测，形成针对复杂沉积环境和复杂岩石物理关系条件下，预测储层地震波阻抗的方法。 本专利技术解决其技术问题所采用的技术方案是本专利技术，将非线性多级结构Robinson地震褶积模型融合到非常规的Caianiello褶积神经网络中，实现了确定性和统计性两种反演方式的统一；通过Robinson地震褶积模型和非线性自仿射变换在阻抗参数和地震响应之间建立了一种确定的关系，实现了确定性反演，保证了反演的可靠性；通过多级地震子波(MSW，Multistage Seismic Wave)/反子波(MSIW，Multistage Seismic Inverse Wave)和Caianiello褶积神经网络在阻抗参数和地震响应之间建立了一种统计关系，实现了统计性反演，保证了反演的抗噪声能力；联合应用直接与间接两种反演方式进行波阻抗的估计和校正，以直接反演的结果作为间接反演的初始值，两种反演方式交替使用，最终利用间接反演获得高分辨率的合成全频波阻抗剖面，提高了反演的精度。 本专利技术，对Caianiello褶积神经网络进行时间域处理以及快速傅里叶变换的应用，将一些具有确定物理意义的非线性变换作为神经网络的映射函数，可实现反演确定性和统计性的统一。 本专利技术，把f1(·)设计为表征地震数据功率谱衰减模式的自仿射变换，在可观测频率和未知频率成分之间建立一种映射关系。即可通过测井曲线的功率谱估计f1(·)，为拓宽x(t)*a1(t)的谱提供一阶逼近，再利用多级地震反子波ai(t)(i＝1，2，3)作进一步优化。作一变换，给出地震道x(t)(作为神经网络输入)与波阻抗z(t)(作为神经网络输出)的映射关系。 本专利技术的有益效果是，因本专利技术基于非线性多级Robinson地震褶积模型，联合应用确定性反演和统计反演两种方法，联合应用基于宽带地震反子波的直接反演和基于带限地震子波的间接反演两种方式，联合应用地震、测井和地质等多学科信息进行了高分辨率波阻抗非线性反演，从而获得了高分辨率的合成全频波阻抗剖面。 附图说明 图1为本专利技术的三层Caianiello神经网络体系结构示意图，图中I，J和k分别是输入层I、隐层J和输出层K的神经元个数。 图2为本专利技术高分辨率非线性地震波阻抗反演流程框图。 图3为实施例琼东南西区YA136测线图。 图4为图3所示实施例中A1井阻抗大、中、小尺度频率分解图。 图5为与A1井阻抗大、中、小尺度频率对应的频谱图。 图6为A1井约束波阻抗反演提取的第一级和第二极统计地震反子波序列图，自上而下分别为高频分量、中高频分量和低频分量。 图7为A1井低频分量约束地震反演得到的低频波阻抗剖面，过测线A1井的低频阻抗分量插入图中。 图8为A1井中高频分量约束地震反演得到的中高频波阻抗剖面，过测线A1井的中高频阻抗分量插入图中。 图9为合成的全频波阻抗剖面，过测线A1井的全频阻抗插入图中。 图10为地震波阻抗反演交叉验证对比图中的验证井实测阻抗与反演阻抗对比，图中粗线为A1井全频阻抗曲线，细线为反演的全频阻抗曲线，二者相似系数为80.64％。 图11为图10所示对比图中的约束井实测阻抗与反演阻抗对比，图中粗线为A1井全频阻抗曲线，细线为反演的全频阻抗曲线，二者相似系数为97.05％。 具体实施例方式 下面参照附图并结合实施例对本专利技术作进一步说明。 本专利技术从信息论的角度对地震反子波进行了重构。为了增强反演的抗噪声能力，将常规的Robinson地震褶积模型融入到非传统的Caianiello褶积神经网络中，在Caianiello褶积神经网络中使用自仿射非线性变换来拓宽地震数据的谱，采用神经网络迭代修改初始波阻抗模型，实现合成地震记录与地震数据最佳匹配。 图2示出本专利技术高分辨率非线性地震波阻抗的反演流程，包括以下步骤 1)对已知测井的声波时差曲线和密度曲线进行标定，将其从深度域转换到时间域，生成井中波阻抗；对测井波阻抗数据进行重采样，与地震数据采样率相同；利用傅氏变换对测井波阻抗数据进行多尺度分解，得到低、中、高频测井波阻抗数据。 2)对已知叠后地震剖面进行层位解释，模拟大断距断层、地层尖灭和陡倾角地层的复杂构造特征，建立外推反演解释层位控制系统。 3)从已知叠后地震剖面上提取井旁地震道。 4)由1)步和3)步得到的数据，利用基于(9)式的Caianiello神经网络算法提取井旁分频多级地震反子波及非线性变换 网络输入为矩阵xil(t)(l＝1，2，...，L，其中L是位于目的层区域井的个数；i＝1，2，...，I，其中I是位于第l口井处的输入地震道个数，也代表输入层神经元个数)，期望输出为矩阵zkl(t)(l＝1，2，...，L，k＝1，2，...，K，其中K是波阻抗曲线的个数，也代表输出层神经元个数)。参数I要选择的足够大，以充分利用相邻道地震阻抗特性的空间相关性。网络训练过程实质上就是在解空间中寻找一个最优的多级地震反子波，使价值函数对所有井达到最小化。井越多，训练的网络越可靠。如果沉积单元的岩性横向变化不大，相应的地震子波在横向上的变化较小，用单井或少数几口井约束就足够了。在井旁，神经网络输出的波阻抗和实际波阻抗吻合都较好，这种井旁的宽带解沿横向的外推能力与岩性横向的非均质性密切相关。 为了将地震褶积模型与Caianiello褶积神经网络相结合，需要构建一种多级结构的Robinson地震褶积模型。Robinson地震褶积模型为 x(t)＝r(t)*b(t)(1) 式中，x(t)表示地震记录，r(t)表示反射系数，b(t)表示地震子波。在地震资料处理中，计算得到的地震子波实际上是一个包含各种影响因素在内的总的滤波算子。从严格意义上讲，层状介质的脉冲响应是反射系数的非线性函数。非线性多级结构Robinson地震褶积模型将地震子波多级分解成一系列基本子波，对每一级分解进行非线性变换，多级分解可以表示成 x(t)＝fi(fi-1(fi-2(r(t)*b本文档来自技高网...

【技术保护点】
高分辨率非线性地震波阻抗反演方法，其特征在于，将非线性多级结构Ｒｏｂｉｎｓｏｎ地震褶积模型融合到非常规的Ｃａｉａｎｉｅｌｌｏ褶积神经网络中；通过Ｒｏｂｉｎｓｏｎ地震褶积模型和非线性自仿射变换在阻抗参数和地震响应之间建立了一种确定的关系，实现了确定性反演；通过多级地震子波／反子波和Ｃａｉａｎｉｅｌｌｏ褶积神经网络在阻抗参数和地震响应之间建立了一种统计关系，实现了统计性反演；联合应用直接与间接两种反演方式进行波阻抗的估计和校正，以直接反演的结果作为间接反演的初始值，两种反演方式交替使用，最终利用间接反演获得高分辨率合成全频波阻抗剖面。

【技术特征摘要】

【专利技术属性】
技术研发人员：符力耘，
申请(专利权)人：符力耘，中国科学院地质与地球物理研究所，
类型：发明
国别省市：11[中国|北京]