一种储层岩性和物性参数的联合贝叶斯反演方法和系统技术方案

本发明专利技术提出一种储层岩性和物性参数的联合贝叶斯反演方法和系统。其中，方法包括：根据岩心或测井数据建立岩石物理模型和统计先验模型；基于贝叶斯理论构造联合反演的最优化问题；采用连续

【技术实现步骤摘要】
一种储层岩性和物性参数的联合贝叶斯反演方法和系统


[0001]本专利技术属于储层参数反演计算领域，尤其涉及一种储层岩性和物性参数的联合贝叶斯反演方法和系统。

技术介绍

[0002]由于贝叶斯反演方法其后验分布能够灵活地引入多类型数据和岩石物理模型，近年来在储层参数反演中得到了广泛应用。1992年，等人指出基于贝叶斯反演的方法可以改善地震反演结果。2002年，Houck表明贝叶斯方法可用来量化地质预测的不确定性。2006年，Escobar等人提出贝叶斯方法可以在地震反演中增加空间约束。2018年，Grana利用高斯混合模型，发展了一套岩性分类及物性定量预测方法。2020年，他又结合自适应方法优化先验信息，进一步发展了贝叶斯反演方法。
[0003]岩石物理模型是反演储层物性参数的基础，如果采用的岩石物理模型未能准确刻画波在储层中传播的机理，那么即使具有再高效的反演算法也不能得到好的结果。1956年，Biot假设孔隙流体相对于固相的运动为Poiseuille型流动，并且岩石在宏观上具有均质各向同性，基于拉格朗日方程，得到了饱和岩体中的弹性波动力学方程，奠定了弹性波在双相介质中传播理论的基础。此后，Mavko和Nur基于孔隙流体的微观流动，认为受波的挤压，孔隙流体将向其相邻不同方向的微裂隙流动，建立了喷射流机制。随后的研究证实了该机理是典型沉积岩石中声波能量耗散和速度频散的主要诱因。在真实的岩体中，Biot流机制和喷射流机制通过流体质量平衡紧密相联，同时产生，相互影响。因此，一个合理的岩石物理模型需要将这两种机制都纳入考虑。Dvorkin等人在1993年结合Biot流和喷射流机制，建立了BISQ模型，该模型用特征喷射流长度来考虑喷射流机制的影响，较好的解释饱和条件下的高频散和强衰减现象。杨顶辉等人对BISQ模型进行了系统研究，于2000年和2002年提出了各向异性的BISQ模型，并模拟了PTL、EDA、PTL+EDA三种介质中的波响应，分析了波频散与衰减的规律。聂建新等人于2004年将等效介质理论应用于传统BISQ模型，并于2008年提出了相应的粘弹性模型。该模型可应用于更广范围的含泥质砂岩中。2015年，方志龙等人提出杂交遗传算法，并开展了基于BISQ模型的储层参数反演研究。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出一种储层岩性和物性参数的联合贝叶斯反演方法和系统的技术方案，以解决上述技术问题。
[0005]本专利技术第一方面公开了一种储层岩性和物性参数的联合贝叶斯反演方法，所述方法包括：
[0006]步骤S1、采用统计学方法分析已有的岩性和物性数据，从而针对特定的研究区域估算不同岩相的先验概率，并建立相应的目标参数先验模型；
[0007]步骤S2、根据BISO模型分析不同地震属性的变化趋势，选取模型参数，进而建立地震属性的统计岩石物理模型；
[0008]步骤S3、基于贝叶斯理论，结合所述目标参数先验模型和统计岩石物理模型，构建岩相和目标参数的联合最大后验估计；
[0009]步骤S4、根据已知的地震属性数据，采用智能优化算法求解所述岩相和目标参数的联合最大后验估计。
[0010]根据本专利技术第一方面的方法，在所述步骤S1中，所述采用统计学方法分析已有的岩性和物性数据，从而针对特定的研究区域估算不同岩相的先验概率，并建立相应的目标参数先验模型的具体方法包括：
[0011]步骤S1.1、采用高斯混合模型构造目标参数的先验模型，
[0012]p(l|f)～N(μ
f
,Σ
f
),p(l,f)＝P
f
p(l|f)
[0013]p(l,f)为先验模型；
[0014]l为需要预测的物性参数称为目标参数；
[0015]f为需要识别的岩性称为岩相；
[0016]对特定的岩相f，μ
f
,Σ
f
分别表示目标参数的期望和方差，统称为岩相f的先验参数；P
f
表示为岩相的概率，称为岩相f的先验概率；
[0017]N(μ
f
,Σ
f
)表示期望为μ
f
，方差为Σ
f
的gaosi分布。
[0018]步骤S1.2、对于任意固定的岩相f，对数化的所述先验模型，写成范数的形式。
[0019]根据本专利技术第一方面的方法，在所述步骤S1中，所述岩相是离散变量，在有限个整数中选取，即数中选取，即为有限整数集合；
[0020]所述先验模型的对数的形式为：
[0021][0022]其中，
[0023]n:储层相类别总数；
[0024]W
f
:固定储层相f下的物性参数的逆协方差矩阵；
[0025]C
f
:与物性参数l无关的常数项；
[0026]储层相的参数空间。
[0027]根据本专利技术第一方面的方法，在所述步骤S2中，所述根据BISO模型分析不同地震属性的变化趋势，选取模型参数，进而建立地震属性的统计岩石物理模型的具体方法包括：
[0028]步骤S2.1、建立基于括孔隙流体和多孔性岩石骨架为基本结构的岩石物理模型；
[0029]步骤S2.2、根据BISO模型，在所述岩石物理模型中，观测数据d对应的地震属性表示为目标参数的函数F
d
(l,m)；
[0030]步骤S2.3、根据地震属性的相对误差符合高斯分布，得到统计岩石物理模型，
[0031][0032]其中，p(d|l,m)为统计岩石物理模型；
[0033]l为需要预测的物性参数，称为目标参数；
[0034]m为除目标参数外的其他物性参数称为模型参数；
[0035]d为采集到的地震属性数据称为观测数据；
[0036]W＝Σ
‑1，C
Σ
是和随机误差的协方差矩阵Σ相关的正则化常数；
[0037]e为地震属性的相对误差，
[0038][0039]步骤S2.4、对所述统计岩石物理模型进行对数化写成范数的形式。
[0040]根据本专利技术第一方面的方法，在所述步骤S2中，所述统计岩石物理模型的范数的形式为：
[0041][0042]其中，
[0043]根据本专利技术第一方面的方法，在所述步骤S3中，所述岩相和目标参数的联合最大后验估计的具体形式包括：
[0044][0045]其中，为目标参数的预估值；为岩相的预估值。
[0046]根据本专利技术第一方面的方法，在所述步骤S4中，所述智能优化算法为离散
‑
连续变量的联合遗传算法，具体方法包括：
[0047]步骤S4.1、随机生成个体数为N的种群；
[0048]步骤S4.2、计算个体的适应值，选取适应值最高的个体，计算个体的修正适应值；
[0049]步骤S4.3、交替采用两种适应值选择亲代个体，计算修正交叉概率；...

【技术保护点】

【技术特征摘要】
1.一种储层岩性和物性参数的联合贝叶斯反演方法，其特征在于，所述方法包括：步骤S1、采用统计学方法分析已有的岩性和物性数据，从而针对特定的研究区域估算不同岩相的先验概率，并建立相应的目标参数先验模型；步骤S2、根据BISO模型分析不同地震属性的变化趋势，选取模型参数，进而建立地震属性的统计岩石物理模型；步骤S3、基于贝叶斯理论，结合所述目标参数先验模型和统计岩石物理模型，构建岩相和目标参数的联合最大后验估计；步骤S4、根据已知的地震属性数据，采用智能优化算法求解所述岩相和目标参数的联合最大后验估计。2.根据权利要求1所述的一种储层岩性和物性参数的联合贝叶斯反演方法，其特征在于，在所述步骤S1中，所述采用统计学方法分析已有的岩性和物性数据，从而针对特定的研究区域估算不同岩相的先验概率，并建立相应的目标参数先验模型的具体方法包括：步骤S1.1、采用高斯混合模型构造目标参数的先验模型，p(l|f)～N(μ
f
,Σ
f
),p(l,f)＝P
f
p(l|f)p(l,f)为先验模型；l为需要预测的物性参数称为目标参数；f为需要识别的岩性称为岩相；对特定的岩相f，μ
f
,Σ
f
分别表示目标参数的期望和方差，统称为岩相f的先验参数；P
f
表示为岩相的概率，称为岩相f的先验概率；N(μ
f
,Σ
f
)表示期望为μ
f
，方差为Σ
f
的gaosi分布。步骤S1.2、对于任意固定的岩相f，对数化的所述先验模型，写成范数的形式。3.根据权利要求2所述的一种储层岩性和物性参数的联合贝叶斯反演方法，其特征在于，在所述步骤S1中，所述岩相是离散变量，在有限个整数中选取，即于，在所述步骤S1中，所述岩相是离散变量，在有限个整数中选取，即为有限整数集合；所述先验模型的对数的形式为：其中，n:储层相类别总数；W
f
:固定储层相f下的物性参数的逆协方差矩阵；C
f
:与物性参数l无关的常数项；储层相的参数空间。4.根据权利要求3所述的一种储层岩性和物性参数的联合贝叶斯反演方法，其特征在于，在所述步骤S2中，所述根据BISO模型分析不同地震属性的变化趋势，选取模型参数，进而建立地震属性的统计岩石物理模型的具体方法包括：步骤S2.1、建立基于括孔隙流体和多孔性岩石骨架为基本结构的岩石物理模型；步骤S2.2、根据BISO模型，在所述岩石物理模型中，观测数据d对应的地震属性表示为目标参数的函数F
d
(l,m)；
步骤S2.3、根据地震属性的相对误差符合高斯分布，得到统计岩石物理模型，其中，p(d|l,m)为统计岩石物理模型；l为需要预测的物性参数，称为目标参数；m为除目标参数外的其他物性参数称为模型参数；d为采集到的地震属...

【专利技术属性】
技术研发人员：温瑨，杨顶辉，
申请(专利权)人：清华大学，
类型：发明
国别省市：