融合岩石物理模型和贝叶斯反演的测井岩相分类方法技术

本发明专利技术提供一种融合岩石物理模型和贝叶斯反演的测井岩相分类方法，该融合岩石物理模型和贝叶斯反演的测井岩相分类方法包括：步骤1，详细分析局部地质和物性岩石特征，进行岩性识别和分类；步骤2，进行岩相岩石物理分析得到具有统计代表性的训练数据库；步骤3，进行基于贝叶斯反演的马尔科夫链蒙特卡洛随机反演；步骤4，合成测井岩相数据与实际岩相资料

【技术实现步骤摘要】
融合岩石物理模型和贝叶斯反演的测井岩相分类方法


[0001]本专利技术涉及测井岩相分类领域，特别是涉及一种融合岩石物理模型和贝叶斯反演的测井岩相分类方法
。

技术介绍

[0002]在油气勘探领域，地貌分析与分类已成为石油地质学家的一项重要工作，岩相对储层几何形状和孔隙度分布具有重要的控制作用，因此，通过岩石物理模型对岩相进行分类，可以提高利用超细地震振幅信息进行沉积体系解释和伴生储层砂体预测的能力
。
不论使用何种具体方法，分类的关键要求是建立一个良好的
、
具有统计代表性的训练数据库
。
通过仔细的岩石物理与地质分析，可以确定主要的测井岩相类别
。
岩心数据
、
薄片描述
、
流体和井筒侵入效应的估计都是这一过程的辅助手段
。
一旦获得一个有代表性的训练数据集，就可以将其用作各种分类技术的输入
。
这样可以将统计预测方法与地质解释
、
岩石物理分析相结合，更好地控制储层表征结果
。
此外，从测井曲线中识别出的地震岩相可以根据地震振幅进行校正，从而提高从地震数据描述油气储层的能力
。
[0003]地震岩相是地震尺度上的沉积单元，如果沉积单元的厚度大于地震波长的四分之一，那么它在地震上是可分辨的
。
[0004]地质统计学反演的技术在储层预测方面的作用相当重要，由建模与随机反演两部分组成
。
贝叶斯反演属于不确定性反演方法，以贝叶斯理论为基础，与随机反演算法相结合而构造出的一种新算法，在测井岩相预测上有很强的实用性
。
在储层参数的假设分布中进行随机采样，构建出马尔科夫链，利用马尔科夫链具有的稳定性质，使后验概率趋于稳定，得到的分类结果具有更高的精度
。
[0005]在申请号：
CN201510094046.9
的中国专利申请中，涉及到一种地震岩相识别及其不确定性定量评价同步实现方法，包括：确定岩相类型，开展测井岩相定义；建立测井物性参数与弹性间的岩石物理响应关系；建立岩相与测井属性的概率统计关系；建立井
‑
震尺度弹性参数的概率统计关系，构建岩相和地震尺度弹性参数的统计关系；反演目的层弹性参数概率分布信息；结合所述反演的目的层弹性参数概率信息以及所述岩相和地震尺度弹性参数的统计关系获取目的层岩相概率信息，根据所述岩相概率信息获取岩相分布的最大后验概率解，输出最终模型参数
。
该方案定量表征岩相识别各个环节的不确定性及其在岩相识别流程中的传播与积累特征，能够对地震岩相识别开展不确定性分析
,
降低油藏评价风险，适用范围广
。
[0006]在申请号：
CN201310455938.8
的中国专利申请中，涉及到了一种碳酸盐岩岩石物理参数地震反演方法，属于石油地球物理勘探领域
。
本方法包括：
(1)
基于叠前角度道集进行叠前
AVO
三参数反演，得到地层弹性参数
M
，所述
M
包括纵波速度
、
横波速度和密度；
(2)
基于测井资料建立统计岩石物理模型；
(3)
结合步骤
(2)
得到的岩石物理模型，对储层物性条件进行随机模拟，得到随机模拟结果；
(4)
对步骤
(3)
得到的随机模拟结果进行贝叶斯分类模拟，得到后验概率分布，将步骤
(1)
得到的
M
作为反演的输入，找到具有最大后验概率分布
的
R
即为最终的反演结果
。
[0007]在申请号：
CN201510633989.4
的中国专利申请中，涉及到一种基于贝叶斯分类的相控孔隙度反演方法，属于石油地质勘探

。
该相控反演方法包括下列步骤
(1)
对岩石孔隙度的测井曲线和通过实验室试验获得的多种岩石弹性参数的测井曲线进行交汇分析获得至少一种对岩石孔隙度敏感的岩石弹性参数数据；
(2)
获得筛选后的孔隙度和筛选后的弹性参数数据；
(3)
建立井震初始模型同时获得筛选后的孔隙度的先验概率分布；
(4)
获得重采样孔隙度同时获得拟合筛选弹性参数数据和拟合重采样弹性参数数据；
(5)
获得重采样误差；
(6)
获得重构弹性参数数据；
(7)
获得先验样本序列并进行贝叶斯分类获得先验概率和后验概率分布；
(8)
通过贝叶斯反演将已知弹性参数数据体转换为孔隙度数据体
。
[0008]以上现有技术均与本专利技术有较大区别，未能解决我们想要解决的技术问题，为此我们专利技术了一种新的融合岩石物理模型和贝叶斯反演的测井岩相分类方法
。

技术实现思路

[0009]本专利技术的目的是提供一种实现抽样分布随模拟的进行而改变的动态模拟，弥补了传统蒙特卡洛积分只能是静态模拟的缺陷，可以结合多种信息，具有比传统反演方法更高的精度的融合岩石物理模型和贝叶斯反演的测井岩相分类方法
。
[0010]本专利技术的目的可通过如下技术措施来实现：融合岩石物理模型和贝叶斯反演的测井岩相分类方法，该融合岩石物理模型和贝叶斯反演的测井岩相分类方法包括：
[0011]步骤1，详细分析局部地质和物性岩石特征，进行岩性识别和分类；
[0012]步骤2，进行岩相岩石物理分析得到具有统计代表性的训练数据库；
[0013]步骤3，进行基于贝叶斯反演的马尔科夫链蒙特卡洛随机反演；
[0014]步骤4，合成测井岩相数据与实际岩相资料
。
[0015]本专利技术的目的还可通过如下技术措施来实现：
[0016]在步骤1中，将测井资料划分为地震岩石层群和具有剪状构造特征的沉积单元群，通过对局部地质和物性岩石特征的详细分析，提高对测井资料变异性的认识，指导优选测井参数，进行岩性识别和分类
。
[0017]在步骤1中，以岩性包括砂
、
粉砂和粘土，层理结构包括块状
、
互层或无序，岩相包括颗粒大小
、
粘土位置和胶结，以及地震特性包括纵波速度
、
横波速度和密度对测井岩相进行分类
。
[0018]在步骤1中，由现有的测井数据分析其速度与孔隙度的关系，根据以下物性岩石特征知识对岩心数据进行综合分析，划分其岩相：
[0019](1)
岩石相的胶结作用产生加劲作用，地震速度和阻抗会相对较高；
[0020](2)
胶结砂体
、
层状砂体以及层间砂页岩也具有相对较高的速度；
[0021](3)
...

【技术保护点】

【技术特征摘要】
1.
融合岩石物理模型和贝叶斯反演的测井岩相分类方法，其特征在于，该融合岩石物理模型和贝叶斯反演的测井岩相分类方法包括：步骤1，详细分析局部地质和物性岩石特征，进行岩性识别和分类；步骤2，进行岩相岩石物理分析得到具有统计代表性的训练数据库；步骤3，进行基于贝叶斯反演的马尔科夫链蒙特卡洛随机反演；步骤4，合成测井岩相数据与实际岩相资料
。2.
根据权利要求1所述的融合岩石物理模型和贝叶斯反演的测井岩相分类方法，其特征在于，在步骤1中，将测井资料划分为地震岩石层群和具有剪状构造特征的沉积单元群，通过对局部地质和物性岩石特征的详细分析，提高对测井资料变异性的认识，指导优选测井参数，进行岩性识别和分类
。3.
根据权利要求2所述的融合岩石物理模型和贝叶斯反演的测井岩相分类方法，其特征在于，在步骤1中，以岩性包括砂
、
粉砂和粘土，层理结构包括块状
、
互层或无序，岩相包括颗粒大小
、
粘土位置和胶结，以及地震特性包括纵波速度
、
横波速度和密度对测井岩相进行分类
。4.
根据权利要求3所述的融合岩石物理模型和贝叶斯反演的测井岩相分类方法，其特征在于，在步骤1中，由现有的测井数据分析其速度与孔隙度的关系，根据以下物性岩石特征知识对岩心数据进行综合分析，划分其岩相：
(1)
岩石相的胶结作用产生加劲作用，地震速度和阻抗会相对较高；
(2)
胶结砂体
、
层状砂体以及层间砂页岩也具有相对较高的速度；
(3)
随着岩石中粘土含量的增加，岩石的密度将会增加；
(4)
粉砂质页岩比纯页岩密度更高；
(5)
对于颗粒支撑的沉积物，粘土含量的增加会降低孔隙度，增加密度，使岩石变硬；
(6)
对于粘土矿物，由于其固有的孔隙度，孔隙度会随着粘土矿物含量的增加而增加，岩石骨架会减弱，因此，当岩石种粘土含量为
40
％时，其波传播速度会达到峰值；
(7)
由于粘土颗粒呈片状，页岩的抗剪强度相对较弱，因此页岩中
P
波传播速度与
S
波传播速度的比值会比砂岩高；对已有的测井岩心数据，可将其岩相划分为6种：砾石与砾岩
、
厚层砂岩
、
层间砂岩与页岩
、
含大量粉砂的页岩
、
相对纯净的页岩
、
无序沉积
。5.
根据权利要求1所述的融合岩石物理模型和贝叶斯反演的测井岩相分类方法，其特征在于，在步骤2中，分析测井数据的
Gamma
射线与
P
波速度，结合物理和地质认识，选择用于地层分类的关键测井参数，得出测井的岩相分类数据，得到一个有代表性的训练数据集
。6.
根据权利要求5所述的融合岩石物理模型和贝叶斯反演的测井岩相分类方法，其特征在于，在步骤2中，对测井数据进行中值滤波处理，滤去高频噪声，并对其进行平滑处理，使得从测井数据中分类出来的单个相的厚度与地震意义层的相关性更好，得到更好的聚类结果
。7.
根据权利要求6所述的融合岩石物理模型和贝叶斯反演的测井岩相分类方法，其特征在于，在步骤2中，从测井数据中选择一种类型的井来识别地震岩相，由于
Gamma
射线在富石英沉积物中是一个很好的粘土指示物，因此使用伽马射线与
P
波速度这两个参数相结合来确定不同的岩相
,
共同作为分类判定的参数对岩相进行分类
。
8.
根据权利要求1所述的融合岩石物理模型和贝叶斯反演的测井岩相分类方法，其特征在于，在步骤3中，假设储层参数服从高斯分布，利用已有的
Gibbs
抽样和
Metropolis
‑
Hastings
采样算法即
M
‑
H
算法，提取得到状态转移时，自身转移概率只与前一状态有关的马尔科夫链，完成马尔可夫过程
。9.
根据权利要求8所述的融合岩石物理模型和贝叶斯反演的测井岩相分类方法，其特征在于，在步骤3中，使用
M
‑
H
采样方法对目标空间进行随机搜索，利用判断准则对得到的点进行选择，当生成的随机数小于接受概率时，记录得到的点，否则重新进行采样重新取点并记录，综合统计下一位置的参数待选点；重复上述步骤，当完成所有的参数判断或达到了迭代终止条件之后，输出反演得到的结果值
。10.
根据权利要求9所述的融合岩石物理模型和贝叶斯反演的测井岩相分类方法，其特征在于，在步骤3中，对于岩相数据，求取一个马尔可夫变量，随着状态转移，该变量的转移概率只与前一个状态有关系，与其他状态无关；
P(x
t+1
＝
S
j
|X0＝
S0,X1＝
S1,
…
,X
t
＝
S
t
)
＝
P(X
t+1
＝
S
j
|X
t
＝
S
i
)
ꢀꢀꢀꢀꢀꢀ
(1)X
表示随机变量，...

【专利技术属性】
技术研发人员：曲志鹏，朱剑兵，梁鸿贤，江洁，张伟忠，李长红，谷玉田，
申请(专利权)人：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：