一种储层参数预测方法及装置

技术领域

本发明涉及地震勘探技术领域，具体涉及一种储层参数预测方法及装置。

背景技术

地震属性中蕴含着丰富的地层、岩性及流体等信息，地震属性与储层参数之间存在着复杂的非线性关系，一般的地震属性优化方法只能衡量它们之间的线性关系，难以优选出合适的地震属性进行储层参数预测，如何充分挖掘其中的储层信息是地球物理研究中的重点和难点。

发明内容

有鉴于此，本发明实施例提供了一种储层参数预测方法及装置，解决了利用地震属性预测储层参数精确度低的问题。

本发明一实施例提供的一种储层参数预测方法包括：

获取地震数据，基于所述地震数据得到地震属性；

基于所述地震属性得到训练样本；

基于所述训练样本利用相关向量机和遗传算法优化的相关向量机构建储层参数预测模型，并对所述储层参数预测模型进行评估；

可选地，利用相关向量机和遗传算法优化的相关向量机分别构建地震属性与孔隙度之间的非线性映射模型，并采用Pearson相关系数和均方根误差(RMSE)作为评价指标对获取的储层参数预测模型进行评估。

具体地，RVM的数学表达式如式(2)所示：

其中：t

假设常参数ω

基于贝叶斯理论，模型参数ω的后验分布满足方差为∑，期望为μ的高斯分布：

∑＝(σ

μ＝σ

其中，A＝diag(α

对于新样本的预测分布为：

p(t

其中：

t

基于训练好的所述储层参数预测模型得到储层参数平面展布情况。

在一种实施方式中，所述地震属性包括：时间类属性、振幅类属性、频率类属性和衰减类属性中的至少一种。

在一种实施方式中，所述基于所述地震属性得到训练样本的步骤包括：

将所述地震属性由时间域转到深度域；

获取与地震数据采样尺度相同的测井数据；

对所述地震数据进行标准化，对所述地震属性进行优化；

假设X，Y分别表示地震属性和储层参数，它们的个数均为N。将X与Y对应的元素视为一对，记为XY，对于任意元素x

其中，Tau表示Kendall秩相关系数，C表示拥有一致性元素对数，D表示拥有不一致性元素对数。

基于所述测井数据、标准化后的所述地震数据和优化后的所述地震属性得到所述训练样本。

在一种实施方式中，所述对所述地震数据进行标准化的步骤包括：将不同单位和/或量纲的所述地震属性转换为同一范围内的无量纲数据。

在一种实施方式中，所述对所述地震属性进行优化的步骤包括：

提取井旁道地震属性；

基于所述井旁道地震属性和所述测井数据得到学习样本；

基于所述学习样本和Kendall秩相关系数得到对所述储层参数敏感的所述地震属性。

在一种实施方式中，所述基于所述训练样本构建储层参数预测模型，并对所述储层参数预测模型进行训练的步骤包括：基于所述训练样本获取基于GA-RVM方法的所述储层参数预测模型，采用Pearson相关系数和均方根误差对所述储层参数预测模型进行评估。

一种储层参数预测装置，包括：

获取模块，用于获取地震数据；

数据处理模块，用于基于所述地震数据得到地震属性；基于所述地震属性得到训练样本；

构建模块，用于基于所述训练样本利用相关向量机和遗传算法优化的相关向量机构建储层参数预测模型，并对所述储层参数预测模型进行评估；

预测模块，用于基于训练好的所述储层参数预测模型得到储层参数平面展布情况。

在一种实施方式中，所述数据处理模块还用于：

将所述地震属性由时间域转到深度域；

获取与地震数据采样尺度相同的测井数据；

对所述地震数据进行标准化，对所述地震属性进行优化；

基于所述测井数据、标准化后的所述地震数据和优化后的所述地震属性得到所述训练样本。

一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如上述所述的储层参数预测方法。

一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如上述所述的储层参数预测方法。

本发明实施例提供的一种储层参数预测方法及装置，旨在通过挖掘地震属性中蕴含的储层信息以实现储层参数的定量化预测，并对预测结果给出不确定性评价，提高储层参数的预测精度。所述储层参数预测方法流程是：

首先，基于Kendall秩相关系数开展地震属性优选研究，筛选出对孔隙度敏感的地震属性；

然后，利用相关向量机(RVM)和遗传算法优化的相关向量机(GA-RVM)分别构建地震属性与孔隙度之间的非线性映射模型，以Pearson相关系数和均方根误差(RMSE)作为评价指标对模型进行评估，得出GA-RVM方法孔隙度预测误差更小，预测精度更高；

最后，基于训练好的GA-RVM模型进行孔隙度预测研究。

本发明对比已有的技术具有以下的创新点：

(1)基于Kendall秩相关系数可以衡量地震属性与储层参数之间的非线性关系，有效的筛选出对储层参数敏感的地震属性。

(2)采用基于贝叶斯理论的RVM算法，可以量化储层参数预测结果的不确定性，并对不确定性给与评估。

(3)本发明采用遗传算法指导RVM核参数的选择，可以实现全局寻优，合理有效的提高RVM算法性能，进而提高储层参数的预测精度。

附图说明

图1所示为本发明一实施例提供的一种储层参数预测方法实施过程的示意图。

图2所示为本发明一实施例提供的一种储层参数预测方法的流程示意图。

图3所示为本发明一实施例提供的一种基于地震属性获得训练样本的方法的流程示意图。

图4所示为本发明一实施例提供的一种储层参数预测装置的结构示意图。

图5所示为本发明一实施例提供的一种储层地震属性沿层切片示意图。

图6所示为本发明一实施例提供的一种Kendall秩相关系数绝对值坐标图。

图7所示为本发明一实施例提供的一种GA-RVM算法的流程图。

图8所示为本发明一实施例提供的一种孔隙度沿层切片示意图。

图9所示为本发明一实施例提供的一种孔隙度预测方差沿层切片示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

地震属性中蕴含着丰富的地层、岩性及流体等信息，如何充分挖掘其中的储层信息是地球物理研究中的重点和难点。

利用地震属性进行储层参数的预测主要有以下几个问题：

(1)地震属性种类繁多，已知的地震属性有数百种之多，如何筛选出合适的地震属性存在一定的困难。

(2)地震属性与储层参数关系复杂，不同工区、不同储层，地震属性对储层参数的敏感程度不同；即便是同一工区、同一储层，相应敏感的地震属性也会随着储层参数的不同而不同，如何挑选出适用于储层参数预测的地震属性是一个难点。

(3)地震属性与储层参数之间有着强烈的非线性关系，采用何种方法去寻找出这种非线性关系十分困难。

经本申请发明人研究发现，地震属性与储层参数之间存在着复杂的非线性关系，一般的地震属性优化方法只能衡量它们之间的线性关系，难以优选出合适的地震属性进行储层参数预测，传统储层参数预测方法大多基于统计学思想或简化地质条件，主观因素影响较大，预测效果较差。目前运用地震属性来进行储层参数的预测主要有以下几种方法：

(1)多元线性回归，可以使用多元线性回归将地质和统计方法选择的三个属性集成在一起，并成功地预测阿拉巴马州Smackover地层的孔隙度。但线性方法难以解决地震属性与储层参数之间的非线性关系。

(2)神经网络：多种神经网络方法被用于储层参数预测，并取得了不错的效果，如BPNN、多层前馈神经网络、概率神经网络、自组织映射和遗传算法优化的小波神经网络GA-WNN，神经网络方法虽然可以映射任意复杂的非线性关系，但是没有坚定的理论依据,并且当数据量较小时，神经网络不能很好的工作，因此预测结果具有一定的局限性。

(3)支持向量机(SVM)，运用SVM进行储层预测研究，并取得理想效果。但SVM需要的支持向量的数量随着训练集的增加呈线性增长，并且其预测结果不是概率的，对预测结果缺少了不确定性评价。

(4)相关向量机(RVM)，运用RVM在模型数据和实际数据中均取得了良好的应用效果，验证了该方法在储层预测领域蕴含着巨大潜力，但核参数对其性能影响较大，且目前核参数的选择没有明确的理论指导。

针对上述问题，本发明提供一种储层参数预测方法及装置，通过挖掘地震属性中蕴含的储层信息以实现储层参数的定量化预测，并对预测结果给出不确定性评价，从而提高储层参数的预测精度。具体实施方式如下述实施例中所述。

实施例一：

图1所示为本发明一实施例提供的一种储层参数预测方法实施过程的示意图。

图2所示为本发明一实施例提供的一种储层参数预测方法的流程示意图。

图3所示为本发明一实施例提供的一种基于地震属性获得训练样本的方法的流程示意图。

如图1-图2所示。

本实施例提供一种储层参数预测方法，所述储层参数预测方法包括：

步骤01:获取地震数据，基于所述地震数据得到地震属性。

可选地，基于Kendall秩相关系数开展地震属性优选研究，筛选出对孔隙度敏感的地震属性。

Kendall秩相关系数可以RVM是一种贝叶斯框架下的机器学习方法，拥有SVM的所有优点，并且采用相关向量可以有效的避免过拟合。

本发明充分利用了RVM强大的非线性拟合能力和遗传算法的全局寻优能力，有效的提高了算法的综合性能，实现了工区储层的孔隙度预测，同时对预测结果给出了不确定性评价，证明了预测结果的可靠性。

所述地震属性包括：时间类属性、振幅类属性、频率类属性和衰减类属性中的至少一种。

步骤02：基于所述地震属性得到训练样本。

图3所示为本发明一实施例提供的一种基于地震属性获得训练样本的方法的流程示意图。

如图3所示，所述基于所述地震属性得到训练样本的步骤包括：

步骤021：将所述地震属性由时间域转到深度域。井震标定，将提取的多种地震属性由时间域转到深度域。

步骤022：获取与地震数据采样尺度相同的测井数据。尺度匹配，对测井数据进行重采样，获取与地震数据采样尺度相同的测井数据。

步骤023：对所述地震数据进行标准化，对所述地震属性进行优化。

对所述地震数据进行标准化包括：将不同单位、量纲的地震属性转换为同一范围内的无量纲数据。

所述对所述地震属性进行优化的步骤包括：

1、提取井旁道地震属性；

2、基于所述井旁道地震属性和所述测井数据得到学习样本；

3、基于所述学习样本和Kendall秩相关系数(如式(1)所示)，优选出对所述储层参数敏感的所述地震属性。

假设X，Y分别表示地震属性和储层参数，它们的个数均为N。将X与Y对应的元素视为一对，记为XY，对于任意元素x

其中，Tau表示Kendall秩相关系数，C表示拥有一致性元素对数，D表示拥有不一致性元素对数。

步骤024：基于所述测井数据、标准化后的所述地震数据和优化后的所述地震属性得到所述训练样本。

步骤03：基于所述训练样本利用相关向量机和遗传算法优化的相关向量机构建储层参数预测模型，并对所述储层参数预测模型进行评估。

基于所述训练样本利用相关向量机和遗传算法优化的相关向量机构建储层参数预测模型，并对所述储层参数预测模型进行评估的步骤包括：利用相关向量机和遗传算法优化的相关向量机分别构建地震属性与孔隙度之间的非线性映射模型，以Pearson相关系数和均方根误差作为评价指标对模型进行评估。

具体地，RVM的数学表达式如式(2)所示：

其中：t

假设常参数ω

基于贝叶斯理论，模型参数ω的后验分布满足方差为∑，期望为μ的高斯分布：

∑＝(σ

μ＝σ

其中，A＝diag(α

对于新样本的预测分布为：

p(t

其中：

t

RVM是通过使用核函数将非线性问题映射为线性问题，从而处理地震属性与储层参数之间的非线性关系，但核参数的选择没有明确的理论指导，本发明采用遗传算法进行RVM核参数的优化，遗传算法是一种模仿生物进化论的数学模型，通过选择、交叉和变异等操作实现全局搜索。本发明利用遗传算法全局搜索的特点帮助RVM选择最优的核参数，从而提高RVM的性能。

步骤04:基于训练好的所述储层参数预测模型得到储层参数平面展布情况。将待预测地区的地震属性和测井数据等输入参数预测模型，输出该预测地区的储层参数平面展布情况。

本发明实施例提供的一种储层参数预测方法及装置，旨在通过挖掘地震属性中蕴含的储层信息以实现储层参数的定量化预测，并对预测结果给出不确定性评价，提高储层参数的预测精度。所述储层参数预测方法流程是：

首先，基于Kendall秩相关系数开展地震属性优选研究，筛选出对孔隙度敏感的地震属性；

然后，利用相关向量机(RVM)和遗传算法优化的相关向量机(GA-RVM)分别构建地震属性与孔隙度之间的非线性映射模型，以Pearson相关系数和均方根误差(RMSE)作为评价指标对模型进行评估，得出GA-RVM方法孔隙度预测误差更小，预测精度更高；

最后，基于训练好的GA-RVM模型进行孔隙度预测研究。

本发明对比已有的技术具有以下的创新点：

(1)基于Kendall秩相关系数可以衡量地震属性与储层参数之间的非线性关系，有效的筛选出对储层参数敏感的地震属性。

(2)采用基于贝叶斯理论的RVM算法，可以量化储层参数预测结果的不确定性，并对不确定性给与评估。

(3)本发明采用遗传算法指导RVM核参数的选择，可以实现全局寻优，合理有效的提高RVM算法性能，进而提高储层参数的预测精度。

实施例二：

图4所示为本发明一实施例提供的一种储层参数预测装置的结构示意图。

本实施例提供一种储层参数预测装置100，如图4所示，所述预测装置100包括：获取模块10、数据处理模块20、构建模块30和预测模块40。

获取模块10，用于获取地震数据；

数据处理模块20，用于基于所述地震数据得到地震属性；基于所述地震属性得到训练样本；

构建模块30，基于所述训练样本利用相关向量机和遗传算法优化的相关向量机构建储层参数预测模型，并对所述储层参数预测模型进行评估；

预测模块40，用于基于训练好的所述储层参数预测模型得到储层参数平面展布情况。

获取模块10获取地震数据后，传输给数据处理模块20；数据处理模块20基于所述地震数据得到地震属性后，数据处理模块20基于所述地震属性得到训练样本，传输给构建模块30；构建模块30基于基于所述训练样本利用相关向量机和遗传算法优化的相关向量机构建储层参数预测模型，并对所述储层参数预测模型进行评估；最后预测模块40基于训练好的所述储层参数预测模型得到储层参数平面展布情况。

所述数据处理模块20还用于：将所述地震属性由时间域转到深度域；

获取与地震数据采样尺度相同的测井数据；

对所述地震数据进行标准化，对所述地震属性进行优化；

基于所述测井数据、标准化后的所述地震数据和优化后的所述地震属性得到所述训练样本。

所述数据处理模块20还用于：将不同单位和/或量纲的所述地震属性转换为同一范围内的无量纲数据。

所述数据处理模块20还用于：提取井旁道地震属性；

基于所述井旁道地震属性和所述测井数据得到学习样本；

基于所述学习样本和Kendall秩相关系数得到对所述储层参数敏感的所述地震属性。

所述构建模块30还用于利用相关向量机和遗传算法优化的相关向量机分别构建地震属性与孔隙度之间的非线性映射模型，以Pearson相关系数和均方根误差作为评价指标对模型进行评估。

实施例三：

图5所示为本发明一实施例提供的一种储层地震属性沿层切片示意图。

图6所示为本发明一实施例提供的一种Kendall秩相关系数绝对值坐标图。

图7所示为本发明一实施例提供的一种GA-RVM算法的流程图。

图8所示为本发明一实施例提供的一种孔隙度沿层切片示意图。

图9所示为本发明一实施例提供的一种孔隙度预测方差沿层切片示意图。

以国内某实际工区资料为例，基于地震属性开展孔隙度预测研究。工区有5口井资料，孔隙度曲线完备，随机选择其中的4口井作为训练井，剩余的1口井为测试井。

步骤一：地震属性提取。获取地震数据，基于所述地震数据得到地震属性。

本次研究共提取目的层15种地震属性，图5展示其中2种地震属性的沿层切片图。

步骤二：井震标定。将所述地震属性由时间域转到深度域。

将提取的15种地震属性由时间域转到深度域。

步骤三：尺度匹配。对测井数据进行重采样，获取与地震数据采样尺度相同的测井数据。

步骤四：地震数据标准化。将不同单位、量纲的地震属性转换为同一范围内的无量纲数据。

步骤五：地震属性优化。提取井旁道地震属性，基于Kendall秩相关系数，优选出对储层参数敏感的地震属性，由图6可知，孔隙度与振幅加权相位、截距、梯度、正交道和相关声波阻抗五种属性相关性较高。

Kendall秩相关系数可以RVM是一种贝叶斯框架下的机器学习方法，拥有SVM的所有优点，并且采用相关向量可以有效的避免过拟合。本发明充分利用了RVM强大的非线性拟合能力和遗传算法的全局寻优能力，有效的提高了算法的综合性能，实现了工区储层的孔隙度预测，同时对预测结果给出了不确定性评价，证明了预测结果的可靠性。

其中，假设X，U分别表示地震属性和储层参数，它们的个数均为N。将X与Y对应的元素视为一对，记为XY，对于任意元素x

其中，Tau表示Kendall秩相关系数，C表示拥有一致性元素对数，D表示拥有不一致性元素对数。

步骤六：模型训练与评估。将筛选出的五种地震属性作为输入，分别采用RVM方法和GA-RVM方法进行孔隙度预测，图7展示了GA-RVM方法流程图。表1展示了测试井预测结果的相关系数和均方根误差，GA-RVM方法的相关系数为0.928明显高于RVM方法的0.902，GA-RVM方法的均方根误差也比RVM方法小，只有0.063，由此可见GA-RVM方法的孔隙度预测吻合度较高，并且预测精度较RVM算法有了一定的提升。

表1 测试井相关系数与均方根误差表

步骤七：孔隙度预测。利用训练好的GA-RVM模型预测出储层参数平面展布情况，如图8所示，由图可以看出孔隙度整体呈现西部较高东部较低的特征，这与研究区目的层段砂体西部发育，东部较差的特点相符合。图9是孔隙度预测方差平面图，由图可以看出，方差基本上都小于0.7，整体预测稳定性较高。

实施例四：

本实施例提供一种电子设备，本实施例提供了一种电子设备，该电子设备可以包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被处理器执行时实现如实施例一中所述的储层参数预测方法。可以理解，电子设备还可以包括，输入/输出(I/O)接口，以及通信组件。

其中，处理器用于执行以下步骤：

步骤01:获取地震数据，基于所述地震数据得到地震属性。

可选地，基于Kendall秩相关系数开展地震属性优选研究，筛选出对孔隙度敏感的地震属性。

Kendall秩相关系数可以RVM是一种贝叶斯框架下的机器学习方法，拥有SVM的所有优点，并且采用相关向量可以有效的避免过拟合。

本发明充分利用了RVM强大的非线性拟合能力和遗传算法的全局寻优能力，有效的提高了算法的综合性能，实现了工区储层的孔隙度预测，同时对预测结果给出了不确定性评价，证明了预测结果的可靠性。

所述地震属性包括：时间类属性、振幅类属性、频率类属性和衰减类属性中的至少一种。

步骤02：基于所述地震属性得到训练样本。

图3所示为本发明一实施例提供的一种基于地震属性获得训练样本的方法的流程示意图。

如图3所示，所述基于所述地震属性得到训练样本的步骤包括：

步骤021：将所述地震属性由时间域转到深度域。井震标定，将提取的多种地震属性由时间域转到深度域。

步骤022：获取与地震数据采样尺度相同的测井数据。尺度匹配，对测井数据进行重采样，获取与地震数据采样尺度相同的测井数据。

步骤023：对所述地震数据进行标准化，对所述地震属性进行优化。

对所述地震数据进行标准化包括：将不同单位、量纲的地震属性转换为同一范围内的无量纲数据。

所述对所述地震属性进行优化的步骤包括：

1、提取井旁道地震属性；

2、基于所述井旁道地震属性和所述测井数据得到学习样本；

3、基于所述学习样本和Kendall秩相关系数(如式(1)所示)，优选出对所述储层参数敏感的所述地震属性。

假设X，Y分别表示地震属性和储层参数，它们的个数均为N。将X与Y对应的元素视为一对，记为XY，对于任意元素x

其中，Tau表示Kendall秩相关系数，C表示拥有一致性元素对数，D表示拥有不一致性元素对数。

步骤024：基于所述测井数据、标准化后的所述地震数据和优化后的所述地震属性得到所述训练样本。

步骤03：基于所述训练样本利用相关向量机和遗传算法优化的相关向量机构建储层参数预测模型，并对所述储层参数预测模型进行评估。

基于所述训练样本利用相关向量机和遗传算法优化的相关向量机构建储层参数预测模型，并对所述储层参数预测模型进行评估的步骤包括：利用相关向量机和遗传算法优化的相关向量机分别构建地震属性与孔隙度之间的非线性映射模型，以Pearson相关系数和均方根误差作为评价指标对模型进行评估。

具体地，RVM的数学表达式如式(2)所示：

其中：t

假设常参数ω

基于贝叶斯理论，模型参数ω的后验分布满足方差为∑，期望为μ的高斯分布：

∑＝(σ

μ＝σ

其中，A＝diag(α

对于新样本的预测分布为：

p(t

其中：

t

RVM是通过使用核函数将非线性问题映射为线性问题，从而处理地震属性与储层参数之间的非线性关系，但核参数的选择没有明确的理论指导，本发明采用遗传算法进行RVM核参数的优化，遗传算法是一种模仿生物进化论的数学模型，通过选择、交叉和变异等操作实现全局搜索。本发明利用遗传算法全局搜索的特点帮助RVM选择最优的核参数，从而提高RVM的性能。

步骤04:基于训练好的所述储层参数预测模型得到储层参数平面展布情况。将待预测地区的地震属性和测井数据等输入参数预测模型，输出该预测地区的储层参数平面展布情况。

存储器用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。

所述处理器可以是专用集成电路(Application Specific Integrated Cricuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable GateArray，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例中的储层参数预测方法。

所述存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memery，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM),可编程只读存储器(Programmable Read-Only Memory，简称PROM),只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

实施例五：

本实施例还提供一种计算机可读存储介质。在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述功能如果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，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。

而前述的存储介质包括：闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、APP应用商城等等各种可以存储程序校验码的介质，其上存储有计算机程序，所述计算机程序被处理器执行时可以实现如下方法步骤：

步骤01:获取地震数据，基于所述地震数据得到地震属性。

可选地，基于Kendall秩相关系数开展地震属性优选研究，筛选出对孔隙度敏感的地震属性。

Kendall秩相关系数可以RVM是一种贝叶斯框架下的机器学习方法，拥有SVM的所有优点，并且采用相关向量可以有效的避免过拟合。本发明充分利用了RVM强大的非线性拟合能力和遗传算法的全局寻优能力，有效的提高了算法的综合性能，实现了工区储层的孔隙度预测，同时对预测结果给出了不确定性评价，证明了预测结果的可靠性。

所述地震属性包括：时间类属性、振幅类属性、频率类属性和衰减类属性中的至少一种。

步骤02:基于所述地震属性得到训练样本。

所述基于所述地震属性得到训练样本的步骤包括：

步骤021:将所述地震属性由时间域转到深度域。井震标定，将提取的多种地震属性由时间域转到深度域。

步骤022:获取与地震数据采样尺度相同的测井数据。尺度匹配，对测井数据进行重采样，获取与地震数据采样尺度相同的测井数据。

步骤023:对所述地震数据进行标准化，对所述地震属性进行优化。

对所述地震数据进行标准化包括：将不同单位、量纲的地震属性转换为同一范围内的无量纲数据。

所述对所述地震属性进行优化的步骤包括：

1、提取井旁道地震属性；

2、基于所述井旁道地震属性和所述测井数据得到学习样本；

3、基于所述学习样本和Kendall秩相关系数(如式(1)所示)，优选出对所述储层参数敏感的所述地震属性。

假设X，Y分别表示地震属性和储层参数，它们的个数均为N。将X与Y对应的元素视为一对，记为XY，对于任意元素x

其中，Tau表示Kendall秩相关系数，C表示拥有一致性元素对数，D表示拥有不一致性元素对数。

步骤024：基于所述测井数据、标准化后的所述地震数据和优化后的所述地震属性得到所述训练样本。

步骤03：基于所述训练样本利用相关向量机和遗传算法优化的相关向量机构建储层参数预测模型，并对所述储层参数预测模型进行评估。

基于所述训练样本利用相关向量机和遗传算法优化的相关向量机构建储层参数预测模型，并对所述储层参数预测模型进行评估的步骤包括：利用相关向量机和遗传算法优化的相关向量机分别构建地震属性与孔隙度之间的非线性映射模型，以Pearson相关系数和均方根误差作为评价指标对模型进行评估。

具体地，RVM的数学表达式如式(2)所示：

其中：t

假设常参数ω

基于贝叶斯理论，模型参数ω的后验分布满足方差为∑，期望为μ的高斯分布：

∑＝(σ

μ＝σ

其中，A＝diag(α

对于新样本的预测分布为：

p(t

其中：

t

RVM是通过使用核函数将非线性问题映射为线性问题，从而处理地震属性与储层参数之间的非线性关系，但核参数的选择没有明确的理论指导，本发明采用遗传算法进行RVM核参数的优化，遗传算法是一种模仿生物进化论的数学模型，通过选择、交叉和变异等操作实现全局搜索。本发明利用遗传算法全局搜索的特点帮助RVM选择最优的核参数，从而提高RVM的性能。

步骤04：基于训练好的所述储层参数预测模型得到储层参数平面展布情况。将待预测地区的地震属性和测井数据等输入参数预测模型，输出该预测地区的储层参数平面展布情况。

本发明实施例提供的一种储层参数预测方法及装置，旨在通过挖掘地震属性中蕴含的储层信息以实现储层参数的定量化预测，并对预测结果给出不确定性评价，提高储层参数的预测精度。所述储层参数预测方法流程是：

首先，基于Kendall秩相关系数开展地震属性优选研究，筛选出对孔隙度敏感的地震属性；

然后，利用相关向量机(RVM)和遗传算法优化的相关向量机(GA-RVM)分别构建地震属性与孔隙度之间的非线性映射模型，以Pearson相关系数和均方根误差(RMSE)作为评价指标对模型进行评估，得出GA-RVM方法孔隙度预测误差更小，预测精度更高；

最后，基于训练好的GA-RVM模型进行孔隙度预测研究。

本发明对比已有的技术具有以下的创新点：

(1)基于Kendall秩相关系数可以衡量地震属性与储层参数之间的非线性关系，有效的筛选出对储层参数敏感的地震属性。

(2)采用基于贝叶斯理论的RVM算法，可以量化储层参数预测结果的不确定性，并对不确定性给与评估。

(3)本发明采用遗传算法指导RVM核参数的选择，可以实现全局寻优，合理有效的提高RVM算法性能，进而提高储层参数的预测精度。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后、顶、底……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

另外，在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。