一种基于测井数据的流体相预测方法与设备

技术领域

本发明涉及石油天然气地震勘探技术领域，具体涉及一种基于测井数据的流体相预测方法与设备。

背景技术

针对气藏开发阶段，在油气开发过程中，需要较为明确的水气分布支撑开发井位部署，水气分布预测的目的是为了直接得到目标层气水的分布，由于气水在地震上的响应差异是非常微弱的，因此气水识别是一个极具挑战的问题，且随着开发井位部署进程对区域水气认识加深，需要不断调整及进行多次刻画。目前针对水气边界识别，主要是基于地震数据的地球物理的各种方法来进行预测描述，其原理是：地震数据一个有时序特征的数据集，地层的物理特性是相对于稳定的，由于地震波从炸药激发到检波器进行接收这段路径，会经过目的层，地震数据隐含了目的层的气水信息，在理论上，可以通过对地震数据进行处理解释，得到某种有明确物理特征的属性来进行气水预测等相关工作。地震的振幅、频率、相位、分频以及相干这五种基本属性，这些属性主要反应的是反射系数的界面，主要受储层和围岩的影响，而波阻抗，速度和密度等这样的岩性参数才是能够反应出储层的岩性和流体特征的属性参数，通常通过对地震数据进行反演，即可得到的这些参数，再将反演得到的参数与测井数据进行交会分析，从而进行流体相的概率分布预测。

气水边界的预测方法，一般根据采用不同的地震属性对应不同流体预测方法，例如：LFR低频频率共振方法、子波分解方法、物相体含气预测方法、AVO流体预测方法等。这些流体预测方法本质上都是利用了地震数据的某一种属性特征。但在实际工作中，由于各种属性在水气的识别在地震属性的差异小，地震数据中常常不能找到一个有明确物理意义属性来进行气水的识别。

此外，针对开发阶段的气水边界识别，现有技术主要是利用多次反演的思路，将新开发井的信息作为已知信息，但这个实现过程中，计算量非常大，引入的不确定的因素较多，一方面是多解性强，另一方面在开发阶段时间比较紧，要完全实现需要时间成本高。例如，申请号为2019105710245的中国专利公开的一种基于贝叶斯和级数反演理论的AVO反演方法及系统，其通过在AVO地震反演中引入贝叶斯和级数反演理论以提高叠前AVO分析的准确度，但是其存在计算过程复杂，时间成本过高，不利于开发阶段的快速预测的缺陷。

近年来，随着人工智能的发展，现有技术中也有利用深度学习模型计算效率高、自我学习能力强的特点，基于深度学习模型建立能够进行高效率流体相分布预测的概率模型。例如，申请号为：2018111017165的中国专利，公开了一种基于深度学习利用地震数据进行流体预测的方法，包括：输入指定区块范围内所有地震数据，并进行预处理：利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合；利用第二套深度学习网络对大量地震数据的线性特征进行分类，以建立第一流体特征模型；利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行法代和校正，以获得第二流体特征模型；通过第二流体特征模型和激活函数，对待预测区块内的地震数据进行矩阵集合计算，获得待预测区块内的流体特征的概率分布数据。该方法通过配置第一深度学习模型进行地震目标层几万种特征进行非线性拟合，配置第二深度学习模型用于对拟合得到的参数进行分类预测。然而实际工作中，一旦参与拟合的样本维度过多训练效率非常低下很容易陷入局部收敛；同时由于各种属性的水气识别在地震属性的差异数值表征差异较小，仅采用深度学习算法进行纯数学统计会导致结果偏离物理规律存在一定的误差，导致最终分类结果并不理想。

发明内容

本发明的目的在于克服现有技术中所存在的存在采用单一属性进行流体预测准确度较差，以及多维度属性拟合计算效率低下的问题，提供一种基于测井数据的水气边界预测方法及设备，通过结合测井数据确定能够用于准确区分流体相的敏感属性对，降低计算量的同时、提高预测分类准确度。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于测井数据的流体相预测方法，包括：

步骤1：根据地质资料，确定某区域的岩相分类，对该区域内的既有测井数据进行PCA和聚类分析，确定能够用于区分流体相的敏感属性对；根据所述敏感属性对对区域内的既有测井数据进行岩相分类标注以构建训练样本；

步骤2：利用所述训练样本对深度学习概率模型进行迭代训练，直到所述深度学习概率模型满足条件收敛；

步骤3：利用反演法从所该区域的地震数据中计算得到该区域内待测井的敏感属性对的值，将计算结果输入至训练好的深度学习概率模型中，利用所述深度学习概率模型预测该区域内待测井的流体相分布数据。

根据一种具体的实施方式，上述基于测井数据的流体相预测方法中，所述步骤1，包括：

步骤101，根据地质资料，确定某区域的岩相分类；

步骤102，依据经验公式对该区域内的既有测井数据进行校正，从校正后的测井数据中优选出N种属性；其中，N≥4；

步骤103，以N种属性为待分析属性对岩相样本进行PCA分析，根据PCA分析结果从N种属性中选取部分属性进行两两聚类交会分析，根据聚类交会分析结果找到能够用于区分流体相的敏感属性对；

步骤104，根据所述敏感属性对对区域内的既有测井数据进行岩相分类标注以构建训练样本。

根据一种具体的实施方式，上述基于测井数据的流体相预测方法中，所述步骤101中，依据经验公式对历史测井数据进行校正，包括：

利用Faust公式对测井数据中的纵波速度与电阻率进行校正，利用Gardner公式对测井数据中的纵波速度与密度进行校正，利用泥岩线公式对测井数据中的纵波速度与横波速度进行校正。

根据一种具体的实施方式，上述基于测井数据的流体相预测方法中，基于二维反卷积CNN神经网络构建所述深度学习概率模型。

根据一种具体的实施方式，上述基于测井数据的流体相预测方法中，所述敏感属性对为：纵波阻抗与伽马。

根据一种具体的实施方式，上述基于测井数据的流体相预测方法中，采用地震反演法从所述地震数据中计算得到该区域的纵波阻抗值与伽马值，对所述纵波阻抗实测值与伽马实测值进行归一化处理，将归一化处理后的纵波阻抗实测值与伽马实测值输入至所述深度学习概率模型中。

根据一种具体的实施方式，上述基于测井数据的流体相预测方法中，采用交叉熵损失函数作为所述深度学习概率模型的损失函数。

在本发明进一步的实施例中，还提供一种基于测井数据的水气边界预测设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述基于概率模型的水气边界预测方法。

与现有技术相比，本发明的有益效果：

本发明所提供的基于测井数据的水气边界预测方法，利用测井数据开发模式固定的特点，通过测井数据分析气水敏感属性对，然后利用敏感属性对深度学习概率模型进行训练，以建立气水敏感属性对到地震流体相的非线性映射，从而有效克服了采用单一属性进行流体预测准确度较差，以及多维度属性拟合计算效率低下问题，能够兼顾计算效率与准确度；同时深度学习概率模型能够学习到开发模式固定的测井数据的物理特性，能够进行具有物理意义的流体相概率分布预测。

附图说明

图1为本发明实施例1所述的基于概率模型的水气边界预测方法原理框图；

图2为本发明实施例2所述的聚类分析示意图1；

图3为本发明实施例2所述的聚类分析示意图2；

图4为本发明实施例2所述的聚类分析示意图3；

图5为本发明实施例2所述的基于敏感属性对的标定电相的测井曲线标定示意图；

图6为本发明实施例2所述的待预测井流体相预测分布结果示意图；

图7为本发明实施例3所述的基于测井数据的流体相预测设备结构示意图；

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

图1示出了本发明实施例所述的基于概率模型的水气边界预测方法，包括：

步骤101，对开发区域的资料进行收集，包含区域范围内所有地震数据、既有测井数据(已知井的测井数据)，按照当前地质勘探资料，对该区域流体相进行划分，通常做法是根据开发需求划分岩相，通常划分三种，一种为含水相，一种为含气相，一种非储层相，作为测井数据分析和气水模型建立的基础，得到明确的开发模式；

步骤102，依据经验公式对该区域内的既有测井数据进行校正，从校正后的测井数据中优选出N种属性；其中，N≥5。具体的，可以利用Faust公式对测井数据中的纵波速度与电阻率进行校正，利用Gardner公式对测井数据中的纵波速度与密度进行校正，利用泥岩线公式对测井数据中的纵波速度与横波速度进行校正。对测井数据进行校正后即可从测井的多种属性中优选出N种属性(优先选择校正后准确度较高和/或实际采集中更容易获取到的属性，一般是伽马、含水饱和度、密度、电阻率、电位、泥质含量等属性)。

步骤103，以N种属性为待分析属性对岩相样本进行PCA分析，根据PCA分析结果从N种属性中选取部分属性进行两两聚类交会分析，根据聚类交会分析结果找到能够用于区分流体相的敏感属性对；

具体的，通过PCA分析即可得到每种岩相样本对应的属性权重矩阵，从N种属性中选出属性权重较大或较小(即表征比较明显)的部分属性；并且从PCA分析中还可以得到属性之间的线性关系，对于呈线性关系的属性可以进行择一选择。由此，本发明通过PCA分析得到属性的数值敏感度，从而可以初步筛选得到相对敏感的属性。实现属性降维。进一步的，根据PCA分析结果，结合地震相关属性，例如：纵波速度、横波速度、密度、拉梅常数等地震属性，采用无监督聚类分析的方法进行属性数据的两两交会分析，根据交会分析散点图，即可找到能够在平面分布上将岩相种类分开的的敏感属性对。

步骤103，根据所述敏感属性对对区域内已有目标层测井数据进行岩相种类标定以构建训练样本，即按照101确定开发模型以及敏感属性对的数值对测井数据进行标定，得到相应的训练样本。

步骤104，基于深度学习模型构建一个用于预测流体相概率分布的深度学习概率模型，利用所述训练样本对深度学习概率模型进行迭代训练，直到所述深度学习概率模型满足条件(达到预设迭代次数)收敛。

具体的，由测井数据人工智能拟合流体相曲线建立概率模型，主要利用测井数据进行非线性拟合分类，内容主要包括：

首先对测井数据中的敏感属性对进行预处理，进行规则化，以每种属性的最大值为1，其余属性值通过其与最大值的比值进行表征，从而得到(0,1]区间内的归一化属性值，将归一化后的属性值输入至深度学习概率模型，模型则会自动输出一个流体相类别预测结果，即输出为一个表示生成流体相的向量集。

进一步的，基于二维反卷积CNN神经网络构建所述深度学习概率模型，具体的训练计算如以下步骤所示：

将标定好的测井数据曲线作为训练数据进行训练，测井数据作为网络的输入，在训练过程中，主要利用交叉熵作为网络分类的损失函数，由于网络需要进行多分类，得到下式1：

式1中，x

步骤105，利用反演等方法从该区域的地震数据中计算得到该区域的敏感属性对的值，将地震属性体作为输入至训练好的深度学习概率模型中，利用所述深度学习概率模型预测待测井的流体相分布数据。

在本发明进一步的实施例中，还可以利用开发模式固定、概率模型也相对稳定的特点，在此基础上，每次开发的新区域资料做为训练样本，去对概率模型进行修正，利用修正后的概率模型进行迭代预测，可以快速有效的实现开发阶段的水气边界识别。

实施例2

在本发明进一步的实施例中，采用实施例1所述的基于概率模型的水气边界预测方法对四川盆地新场构造带预测深层碎屑岩既有测井数据进行分析，表1示出了该构造带中已知区域的PCA分析结果：

表1

从表1可以PCA分析所得到相对敏感的属性(伽马、孔隙度、含水饱和度、密度)；再结合地震数据：纵波速度、横波速度等，进行两两散点图聚类交会分析，图2～图4示出了部分属性聚类交会分析结果示意图：图2～图3中的属性对并不能将流体相从平面上区分出来，但是图4中通过纵波阻抗与自然伽马则能够将四川盆地新场构造带预测深层碎屑岩对应的流体相从平面上划分出来。因此纵波阻抗与自然伽马即为本次分析的敏感属性对。如图5所示，依据该敏感属性对对测井曲线数据进行标定(依据纵波阻抗与自然伽马对电相进行标定)构建训练样本，对深度学习概率模型进行训练。进一步的，利用训练后的模型对该构造地区域内其他待预测井进行流体相分布预测。从图6可以看出，该模型能够准确地输出待测井的流体相分布数据。

实施例3

图7示出了根据本发明示例性实施例的基于概率模型的水气边界预测系统，即电子设备310(例如具备程序执行功能的计算机服务器)，其包括至少一个处理器311，电源314，以及与所述至少一个处理器311通信连接的存储器312和输入输出接口313；所述存储器312存储有可被所述至少一个处理器311执行的指令，所述指令被所述至少一个处理器311执行，以使所述至少一个处理器311能够执行前述任一实施例所公开的方法；所述输入输出接口313可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据；电源314用于为电子设备310提供电能。

本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。