夹层分布的预测方法、装置和计算机设备

技术领域

本申请涉及油气开发技术领域。特别涉及一种夹层分布的预测方法、装置和计算机设备。

背景技术

在国内油气资源中，辫状河储集体作为重要的组成部分，对油气产能有很大的贡献。但辫状河储集体内发育有多种类型的夹层，例如泛滥型夹层、废弃河道型夹层和落淤型夹层。不同类型的夹层形态、规模差异较大，空间分布复杂，因此，对辫状河储集体夹层的空间分布进行预测对于开发油气至关重要。

相关技术中主要是通过序贯指示模拟的方法来预测辫状河储集体夹层的分布，该方法主要是获取不同类型夹层的夹层分布数据，该夹层分布数据为已钻的多个单井中每个单井在钻遇过程中夹层的分布数据，将不同类型夹层的规模参数和发育方向以变差函数的形式作为预测过程中的约束条件，然后基于该夹层分布数据和该约束条件，通过序贯指示模拟算法对工区内除已钻的多个单井以外的区域的夹层分布进行预测。

但相关技术中的方法进行预测时，约束的数据较少，预测结果的连续性差，导致预测的准确率低。

发明内容

本申请实施例提供了一种夹层分布的预测方法、装置和计算机设备，可以提高夹层空间分布预测的准确率。具体技术方案如下：

一方面，本申请实施例提供了一种夹层分布的预测方法，所述方法包括：

获取多种类型夹层的勘测数据，基于所述勘测数据获取多种类型夹层的夹层信息；

基于所述多种类型夹层的夹层信息，确定第一分布训练图像，所述第一分布训练图像用于预测辫状河储集体夹层的分布；

获取目标辫状河储集体所在工区的地震数据，从所述地震数据中提取目标地震属性的属性信息；

获取多种类型夹层的夹层分布数据，所述夹层分布数据为所述工区中已钻的多个单井中每个单井在钻遇过程中夹层的分布数据；

基于所述目标地震属性的属性信息和所述夹层分布数据，确定所述工区内每种类型夹层的分布概率图像；

基于所述第一分布训练图像、所述夹层分布数据和所述分布概率图像，预测所述工区内多种类型夹层的空间分布。

在一种可能的实现方式中，所述基于所述多种类型夹层的夹层信息，确定第一分布训练图像，包括：

基于每种类型夹层的夹层信息，确定每种类型夹层的分布训练子图像；

将所述每种类型夹层的分布训练子图像整合到一个图像中，得到所述第一分布训练图像。

在另一种可能的实现方式中，所述将所述每种类型夹层的分布训练子图像整合到一个图像中，得到所述第一分布训练图像，包括：

基于所述每种类型夹层的分布训练子图像中每种类型夹层的位置，将多种类型夹层整合到一个图像中；

在同一位置出现多种类型夹层的情况下，基于每种类型夹层的优先级，将优先级高的夹层作为所述位置对应的夹层，得到所述第一分布训练图像。

在另一种可能的实现方式中，所述将所述每种类型夹层的分布训练子图像整合到一个图像中，得到所述第一分布训练图像，包括：

将所述每种类型夹层的分布训练子图像整合到一个图像中，得到第二分布训练图像；

在所述第二分布训练图像中存在一位置的夹层分布不符合地质沉积发育规律的情况下，对所述位置的夹层进行校正，得到所述第一分布训练图像。

在另一种可能的实现方式中，所述基于所述目标地震属性的属性信息和所述夹层分布数据，确定所述工区内每种类型夹层的分布概率图像，包括：

基于所述夹层分布数据，确定第一区域内不同位置的每种类型夹层的分布概率与所述目标地震属性的属性信息之间的相关关系，所述第一区域为所述已钻的多个单井所在区域；

将所述相关关系作为目标相关关系，所述目标相关关系为第二区域内不同位置的每种类型夹层的分布概率与所述目标地震属性的属性信息之间的关系，所述第二区域为所述工区内除所述第一区域以外的区域；

对于所述第二区域内的任一位置，基于所述目标相关关系和所述任一位置对应的目标地震属性的属性信息，确定所述任一位置对应的每种类型夹层的分布概率；

基于所述工区的区域大小，将所述第二区域内每个位置及其对应的每种类型夹层的分布概率和所述第一区域内每个位置及其对应的每种类型夹层的分布概率整合到一个图像中，得到所述分布概率图像。

在另一种可能的实现方式中，所述基于所述第一分布训练图像、所述夹层分布数据和所述分布概率图像，预测所述工区内多种类型夹层的空间分布，包括：

基于所述已钻的多个单井的位置和所述夹层分布数据，将第一区域内不同位置的多种类型夹层标注在预先建立的与所述工区对应的空间分布网格中，所述第一区域为所述已钻的多个单井所在区域；

在所述工区内随机确定当前预测位置，基于所述第一分布训练图像、所述已钻的多个单井的位置和之前的每个预测位置，确定所述当前预测位置对应的每种类型夹层的第一分布概率，所述第一分布概率为地质沉积发育规律约束的夹层分布概率；

基于所述分布概率图像，确定所述当前预测位置对应的每种类型夹层的第二分布概率，所述第二分布概率为目标地震属性约束的夹层分布概率；

基于所述第一分布概率和所述第二分布概率，确定所述当前预测位置对应的每种类型夹层的第三分布概率，所述第三分布概率为所述地质沉积发育规律和所述目标地震属性共同约束的夹层分布概率；

基于所述第三分布概率，预测所述工区内多种类型夹层的空间分布，通过所述空间分布网格展示所述多种类型夹层的空间分布。

在另一种可能的实现方式中，所述基于所述第一分布训练图像、所述已钻的多个单井的位置和之前的每个预测位置，确定所述当前预测位置对应的每种类型夹层的第一分布概率，包括：

基于所述已钻的多个单井的位置、所述之前的每个预测位置和所述当前预测位置，确定夹层分布样板；

通过所述夹层分布样板扫描所述第一分布训练图像，确定所述当前预测位置对应的每种类型夹层的第一分布概率。

另一方面，本申请实施例提供了一种夹层分布的预测装置，所述装置包括：

第一获取模块，用于获取多种类型夹层的勘测数据，基于所述勘测数据获取多种类型夹层的夹层信息；

第一确定模块，用于基于所述多种类型夹层的夹层信息，确定第一分布训练图像，所述第一分布训练图像用于预测辫状河储集体夹层的分布；

提取模块，用于获取目标辫状河储集体所在工区的地震数据，从所述地震数据中提取目标地震属性的属性信息；

第二获取模块，用于获取多种类型夹层的夹层分布数据，所述夹层分布数据为所述工区中已钻的多个单井中每个单井在钻遇过程中夹层的分布数据；

第二确定模块，用于基于所述目标地震属性的属性信息和所述夹层分布数据，确定所述工区内每种类型夹层的分布概率图像；

预测模块，用于基于所述第一分布训练图像、所述夹层分布数据和所述分布概率图像，预测所述工区内多种类型夹层的空间分布。

在一种可能的实现方式中，所述第一确定模块，用于基于每种类型夹层的夹层信息，确定每种类型夹层的分布训练子图像；将所述每种类型夹层的分布训练子图像整合到一个图像中，得到所述第一分布训练图像。

在另一种可能的实现方式中，所述第一确定模块，用于基于所述每种类型夹层的分布训练子图像中每种类型夹层的位置，将多种类型夹层整合到一个图像中；在同一位置出现多种类型夹层的情况下，基于每种类型夹层的优先级，将优先级高的夹层作为所述位置对应的夹层，得到所述第一分布训练图像。

在另一种可能的实现方式中，所述第一确定模块，用于将所述每种类型夹层的分布训练子图像整合到一个图像中，得到第二分布训练图像；在所述第二分布训练图像中存在一位置的夹层分布不符合地质沉积发育规律的情况下，对所述位置的夹层进行校正，得到所述第一分布训练图像。

在另一种可能的实现方式中，所述第二确定模块，用于基于所述夹层分布数据，确定第一区域内不同位置的每种类型夹层的分布概率与所述目标地震属性的属性信息之间的相关关系，所述第一区域为所述已钻的多个单井所在区域；将所述相关关系作为目标相关关系，所述目标相关关系为第二区域内不同位置的每种类型夹层的分布概率与所述目标地震属性的属性信息之间的关系，所述第二区域为所述工区内除所述第一区域以外的区域；对于所述第二区域内的任一位置，基于所述目标相关关系和所述任一位置对应的目标地震属性的属性信息，确定所述任一位置对应的每种类型夹层的分布概率；基于所述工区的区域大小，将所述第二区域内每个位置及其对应的每种类型夹层的分布概率和所述第一区域内每个位置及其对应的每种类型夹层的分布概率整合到一个图像中，得到所述分布概率图像。

在另一种可能的实现方式中，所述预测模块，用于基于所述已钻的多个单井的位置和所述夹层分布数据，将第一区域内不同位置的多种类型夹层标注在预先建立的与所述工区对应的空间分布网格中，所述第一区域为所述已钻的多个单井所在区域；在所述工区内随机确定当前预测位置，基于所述第一分布训练图像、所述已钻的多个单井的位置和之前的每个预测位置，确定所述当前预测位置对应的每种类型夹层的第一分布概率，所述第一分布概率为地质沉积发育规律约束的夹层分布概率；基于所述分布概率图像，确定所述当前预测位置对应的每种类型夹层的第二分布概率，所述第二分布概率为目标地震属性约束的夹层分布概率；基于所述第一分布概率和所述第二分布概率，确定所述当前预测位置对应的每种类型夹层的第三分布概率，所述第三分布概率为所述地质沉积发育规律和所述目标地震属性共同约束的夹层分布概率；基于所述第三分布概率，预测所述工区内多种类型夹层的空间分布，通过所述空间分布网格展示所述多种类型夹层的空间分布。

在另一种可能的实现方式中，所述预测模块，用于基于所述已钻的多个单井的位置、所述之前的每个预测位置和所述当前预测位置，确定夹层分布样板；通过所述夹层分布样板扫描所述第一分布训练图像，确定所述当前预测位置对应的每种类型夹层的第一分布概率。

另一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以实现本申请实施例中所述夹层分布的预测方法中所执行的操作。

另一方面，本申请实施例提供了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至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现本申请实施例中所述夹层分布的预测方法中所执行的操作。

另一方面，本申请实施例提供了一种计算机程序产品或计算机程序，所述计算机程序产品或所述计算机程序包括计算机程序代码，所述计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取所述计算机程序代码，处理器执行所述计算机程序代码，以实现本申请实施例中所述夹层分布的预测方法中所执行的操作。

本申请实施例提供的技术方案带来的有益效果是：

本申请实施例提供了一种夹层分布的预测方法，该方法以多种类型夹层的夹层分布数据、多种类型夹层的分布训练图像和每种类型夹层的分布概率图像为约束数据来预测工区内多种类型夹层的空间分布，由于在进行预测时受到了多种数据的约束，因此，预测结果的连续性好，从而提高了预测的准确率。

附图说明

图1是本申请实施例提供的一种夹层分布的预测方法的流程图；

图2是本申请实施例提供的一种对野外露头勘测的示意图；

图3是本申请实施例提供的一种落淤型夹层的宽度分布图；

图4是本申请实施例提供的一种辫状河储集体夹层平面展布的示意图；

图5是本申请实施例提供的一种夹层宽度和厚度之间相关关系的示意图；

图6是本申请实施例提供的一种泛滥型夹层的分布训练子图像的示意图；

图7是本申请实施例提供的一种废弃河道型夹层的分布训练子图像的示意图；

图8是本申请实施例提供的一种落淤型夹层的分布训练子图像的示意图；

图9是本申请实施例提供的一种辫状河储集体夹层类型的沉积发育规律的示意图；

图10是本申请实施例提供的一种泛滥型夹层的分布概率与均方根振幅之间相关关系的示意图；

图11是本申请实施例提供的一种基于多点地质统计学算法预测夹层分布的示意图；

图12是本申请实施例提供的一种分布训练图像的示意图；

图13是本申请实施例提供的一种泛滥型夹层的分布概率图像的示意图；

图14是本申请实施例提供的一种辫状河储集体夹层空间分布的示意图；

图15是本申请实施例提供的一种夹层分布的预测装置的结构示意图；

图16是本申请实施例提供的一种计算机设备的结构框图。

具体实施方式

为使本申请的技术方案和优点更加清楚，下面对本申请实施方式作进一步地详细描述。

下面先对本申请实施例中的用词进行解释：

辫状河：河流的一种类型，多发育在山区或河流上游河段，由多河道、多次分叉和汇聚构成辫状，河道宽而浅，弯曲度小，河道不固定，迁移迅速，故又称为“游荡性河”。

辫状河储集体：地质历史时期发育的辫状河主要沉积中粗砂岩、细砂岩及少量的泛滥平原泥岩、粉砂岩，而后被后期沉积掩埋，受各种地质作用影响，部分颗粒间孔隙被泥、岩石碎屑等充填，部分孔隙得以保留，形成储集空间，具备一定的储集能力，当油气运移到未被充填的孔隙中时，整个辫状河被称为辫状河储集体。

辫状河储集体夹层：指发育于辫状河储集体中的泥质沉积物，是由于辫状河在纵向上多期叠置和横向上来回摆动、不同期次河道冲刷充填叠置所形成的，同时在单期河道内部也发育落淤层等泥质沉积，其非渗透性对剩余油的分布具有十分重要的影响。辫状河储集体夹层主要可以分为泛滥型夹层，废弃河道型夹层、落淤型夹层。

露头：发育于地表的岩石剖面，同一层岩石可从地下延伸到地表，因而通过观测露头来了解该层岩石地下的情况。在本申请实施例中，同一层的部分夹层会出露到地表，而在地下部分的夹层控制着剩余油气的分布。

本申请实施例提供了一种夹层分布的预测方法，由计算机设备执行，参见图1，该方法包括：

步骤101：计算机设备获取多种类型夹层的勘测数据，基于该勘测数据获取多种类型夹层的夹层信息。

在本申请实施例中，辫状河储集体主要包括三种类型夹层，分别为废弃河道型夹层、泛滥型夹层和落淤型夹层。该夹层信息可以包括每种类型夹层的几何形态、每种类型夹层的发育方向、每种类型夹层的多个规模参数以及多个规模参数之间的相关关系中的至少一种，对于每种类型夹层，该规模参数可以包括该夹层的长度、宽度和厚度中的至少一种。该相关关系可以为厚度和宽度之间的相关关系，也可以为长度和宽度之间的相关关系，在本申请实施例中，对此不作具体限定。

计算机设备可以先获取对野外露头和其他工区辫状河储集体的多种类型夹层进行实地勘测的勘测数据，根据该勘测数据获取多种类型夹层的几何形态、多个规模参数以及多个规模参数之间的相关关系。

参见图2，计算机设备可以根据对野外露头中多种类型夹层的勘测数据，获取野外露头辫状河储集体夹层剖面，根据该剖面确定落淤型夹层的几何形态，该几何形态可以为椭圆形、圆形或者其他任一形状。参见图3，计算机设备还可以根据图2中落淤型夹层剖面确定落淤型夹层的宽度，根据不同的宽度所占比例，确定落淤型夹层的宽度分布图。

参见图4，计算机设备可以根据对其他工区辫状河储集体的勘测数据，获取辫状河储集体夹层平面展布，根据该平面展布确定每种类型夹层的发育方向。参见图5，计算机设备可以根据对其他工区辫状河储集体的勘测数据，确定每种类型夹层的宽度和厚度，以及宽度和厚度之间的相关关系。

步骤102：计算机设备基于每种类型夹层的夹层信息，确定每种类型夹层的分布训练子图像。

计算机设备可以先建立三维空间分布网格，对于每种类型夹层，计算机设备在确定该类型夹层的几何形态、规模参数等夹层信息的基础上，对该类型夹层进行三维网格化处理，得到该类型夹层的分布训练子图像。

分别参见图6、图7和图8，图6为泛滥型夹层的分布训练子图像，图7为废弃河道型夹层的分布训练子图像，图8为落淤型夹层的分布训练子图像。其中，图6、图7和图8中的数字X01、X02等均表示已钻的多个单井的井号。

步骤103：计算机设备将每种类型夹层的分布训练子图像整合到一个图像中，得到第一分布训练图像。

步骤102中得到的分布训练子图像是以各自规模参数与几何形态单独构建的，组合关系与地质沉积发育规律不符，因此，需要以地质沉积发育规律为指导，将每种类型夹层进行组合得到最终的分布训练图像。

在步骤103中，计算机设备可以基于每种类型夹层的分布训练子图像中每种类型夹层的位置，将多种类型夹层整合到一个图像中，在同一位置出现多种类型夹层的情况下，基于每种类型夹层的优先级，将优先级高的夹层作为该位置对应的夹层，得到第一分布训练图像。其中，计算机设备可以以砂岩为背景相，将不同位置的多种类型夹层整合到一个图像中。

在本步骤之前，计算机设备可以以地质模式为约束条件，以地质成因为标准，确定多种类型夹层的优先级顺序，该优先级顺序由高到低依次为废弃河道型夹层、泛滥型夹层和落淤型夹层。也即在同一网格中出现多种类型夹层时，通过优先级高的夹层覆盖掉优先级低的夹层，从而得到第一分布训练图像。

需要说明的一点是，计算机设备整合得到的图像中可能存在有的位置的夹层不符合地质沉积发育规律的情况，这种情况下，需要对该图像进行校正。相应的，该过程可以为：计算机设备将每种类型夹层的分布训练子图像整合到一个图像中，得到第二分布训练图像；在第二分布训练图像中存在一位置的夹层分布不符合地质沉积发育规律的情况下，对该位置的夹层进行校正，得到第一分布训练图像。其中，该地质沉积发育规律为辫状河储集体夹层类型的发育规律，参见图9。

步骤104：计算机设备获取目标辫状河储集体所在工区的地震数据，从该地震数据中提取目标地震属性的属性信息。

该目标地震属性可以为均方根振幅、平均振幅等地震属性，在本申请实施例中，对目标地震属性不作具体限定。该目标地震属性的属性信息为该目标地震属性的属性值。例如，目标地震属性为均方根振幅，则该目标地震属性的属性信息为均方根振幅的大小。

计算机设备可以获取通过多个炮点激发地震波采集的地震数据，从该地震数据中提取目标地震属性的属性信息。不同类型夹层对不同地震属性有不同的响应，计算机设备从地震数据中提取目标地震属性的属性信息的过程可以为：计算机设备从地震数据中提取多个地震属性，确定多种类型夹层对该多个地震属性响应最大的地震属性，将该地震属性作为目标地震属性。

在一种可能的实现方式中，由于地震数据的分辨率较低，对落淤型夹层没有明显的响应，难以利用地震数据对落淤型夹层进行约束，但对于废弃河道型夹层和泛滥型夹层，地震数据能够较好地对其平面分布进行约束。因此，在本申请实施例中，可以通过地震数据仅对废弃河道型夹层和泛滥型夹层的平面分布进行约束。

步骤105：计算机设备获取多种类型夹层的夹层分布数据。

该夹层分布数据为工区中已钻的多个单井中每个单井在钻遇过程中夹层的分布数据。例如，对于任一单井，在钻井过程中的某一位置先钻遇泛滥型夹层，继续钻进，在更深的位置又钻遇落淤型夹层，则计算机设备获取钻遇过程中多种类型夹层的分布情况，得到夹层分布数据。

步骤106：计算机设备基于目标地震属性的属性信息和夹层分布数据，确定工区内每种类型夹层的分布概率图像。

本步骤可以通过以下步骤(1)至(4)实现，包括：

(1)计算机设备基于夹层分布数据，确定第一区域内不同位置的每种类型夹层的分布概率与目标地震属性的属性信息之间的相关关系。

该第一区域为已钻的多个单井所在区域。

例如，对于泛滥型夹层，该类型夹层响应最好的地震属性为均方根振幅，则计算机设备基于多个单井解释的夹层分布数据，统计泛滥型夹层的分布概率与该均方根振幅之间的数值关系，也即相关关系。参见图10，从图10中可以看出：对于泛滥型夹层，不同的均方根振幅的大小对应不同的分布概率。

(2)计算机设备将该相关关系作为目标相关关系。

该目标相关关系为第二区域内不同位置的每种类型夹层的分布概率与目标地震属性的属性信息之间的关系，第二区域为工区内除第一区域以外的区域。

(3)对于第二区域内的任一位置，计算机设备基于目标相关关系和任一位置对应的目标地震属性的属性信息，确定该任一位置对应的每种类型夹层的分布概率。

目标相关关系为第二区域内不同位置、每种类型夹层的分布概率和目标地震属性的属性信息之间的关系，因此，在确定任一位置及该位置对应的目标地震属性的属性信息的情况下，根据该目标相关关系可以确定该位置对应的每种类型夹层的分布概率。相应的，计算机设备将相关关系扩展到无井区域，作为无井区域的目标相关关系，由目标地震属性的属性信息确定一平面上每个位置对应的每种类型夹层的分布概率。

(4)计算机设备基于工区的区域大小，将第二区域内每个位置对应的每种类型夹层的分布概率和第一区域内每个位置对应的每种类型夹层的分布概率整合到一个图像中，得到分布概率图像。

对于每种类型夹层，计算机设备将无井区域内每个位置及其对应的该类型夹层的分布概率和有井区域内每个位置及其对应的该类型夹层的分布概率整合到一个图像中，得到该类型夹层的分布概率图像。

步骤107：计算机设备基于第一分布训练图像、夹层分布数据和分布概率图像，预测工区内多种类型夹层的空间分布。

多点地质统计学算法是一种先进的建立复杂地质体模型的方法，既能很好地条件化数据，又能再现目标地质体的几何形态。计算机设备以夹层分布数据为预测硬数据，以每种类型夹层的分布概率图像为约束数据，结合第一分布训练图像，通过多点地质统计学算法，预测工区内多种类型夹层的空间分布，参见图11。相应的，该过程可以通过以下步骤(1)至(5)实现，包括：

(1)计算机设备基于已钻的多个单井的位置和夹层分布数据，将第一区域内不同位置的多种类型夹层标注在预先建立的工区对应的空间分布网格中。

该第一区域为已钻的多个单井所在区域，该空间分布网格为三维坐标系，与工区的区域大小正好对应。计算机设备可以基于已钻的多个单井的位置和夹层分布数据，在空间分布网格中标注不同位置的多种类型夹层。

(2)计算机设备在工区内随机确定当前预测位置，基于第一分布训练图像、已钻的多个单井的位置和之前的每个预测位置，确定当前预测位置对应的每种类型夹层的第一分布概率。

该第一分布概率为地质沉积发育规律约束的夹层分布概率。

本步骤可以通过以下步骤(2-1)至(2-2)实现，包括：

(2-1)计算机设备基于已钻的多个单井的位置、之前的每个预测位置和当前预测位置，确定夹层分布样板。

若当前预测位置为第一次进行预测的位置，则计算机设备可以将已钻的多个单井的位置和当前预测位置连接起来，将得到的图形作为夹层分布样板。

若当前预测位置不是第一次进行预测的位置，则计算机设备将已钻的多个单井的位置、之前的每个预测位置和当前预测位置连接起来，将得到的图形作为夹层分布样板。例如，当前预测位置为第二次进行预测的位置，则计算机设备将已钻的多个单井的位置、第一次进行预测的位置和当前预测位置连接起来，将得到的图形作为夹层分布样板。再如，当前预测位置为第三次进行预测的位置，则计算机设备将已钻的多个单井的位置、第一次进行预测的位置、第二次进行预测的位置和当前预测位置连接起来，将得到的图形作为夹层分布样板。

(2-2)计算机设备通过夹层分布样板扫描第一分布训练图像，确定当前预测位置对应的每种类型夹层的第一分布概率。

每进行一次预测，计算机设备都通过夹层分布样板扫描一次第一分布训练图像，得到当前对应的每种类型夹层的第一分布概率。

(3)计算机设备基于每种类型夹层的分布概率图像，确定当前预测位置对应的每种类型夹层的第二分布概率。

该第二分布概率为目标地震属性约束的夹层分布概率。本步骤中，计算机设备可以先确定当前预测位置在每种类型夹层的分布概率图像中的图像位置，然后确定该图像位置对应的每种类型夹层的第二分布概率。

(4)计算机设备基于第一分布概率和第二分布概率，确定当前预测位置对应的每种类型夹层的第三分布概率。

该第三分布概率为地质沉积发育规律和目标地震属性共同约束的夹层分布概率。计算机设备可以对第一分布概率和第二分布概率进行加权求和，得到第三分布概率，也可以通过其他函数关系对第一分布概率和第二分布概率进行运算，得到第三分布概率。在本申请实施例中，对此不作具体限定。

(5)计算机基于第三分布概率，预测工区内多种类型夹层的空间分布，通过该空间分布网格展示多种类型夹层的空间分布。

计算机设备基于每个预测位置对应的每种类型夹层的第三分布概率，确定第三分布概率最大的夹层类型。计算机设备确定最大的第三分布概率是否超过预设分布概率，若该第三分布概率超过预设分布概率，则基于该夹层类型对应的几何形态和规模参数等夹层信息，在空间分布网格中该预测位置标注该第三分布概率最大的夹层，若该第三分布概率不超过预设分布概率，则说明该预测位置不是夹层，可能为砂岩背景相，无需标注，从而最终得到工区内多种类型夹层的空间分布，并通过该空间分布网格进行展示。

本申请实施例提供了一种夹层分布的预测方法，该方法以多种类型夹层的夹层分布数据、多种类型夹层的分布训练图像和每种类型夹层的分布概率图像为约束数据来预测工区内多种类型夹层的空间分布，由于在进行预测时受到了多种数据的约束，因此，预测结果的连续性好，从而提高了预测的准确率。

并且，本申请实施例提供的方法能够有效模拟出每种类型夹层的几何形态及规模，高度吻合已有数据及地质沉积发育规律，与实际形态相符，可以形成多个模拟实现，进而进行辫状河储集体夹层分布的不确定性分析，操作简便高效。另外，预测的准确率高，有利于指导油田高效开发。

下面以中国东部某油田为例进行说明，该油田主力储层为辫状河储集体，主要发育废弃河道型夹层、泛滥型夹层和落淤型夹层，对该油田采用本申请实施例提供的方法预测多种类型夹层的空间分布。

首先，构建得到辫状河储集体夹层分布训练图像，该分布训练图像可以参见图12。

其次，确定废弃河道型夹层和泛滥型夹层的分布概率图像，其中，泛滥型夹层的分布概率图像可以参见图13。

最后，以夹层分布数据为空间分布预测硬数据，以废弃河道型夹层和泛滥型夹层的分布概率图像为约束数据，结合分布训练图像，采用多点地质统计学算法预测出该工区辫状河储集体多种类型夹层的三维空间分布，参见图14。

在本申请实施例中，预测多种类型夹层的空间分布的过程即为建立模型的过程，该模型受到多种数据的约束，例如夹层分布数据、野外露头勘测数据、地质沉积发育规律等，模拟结果连续性好，与实际形态相符。

本申请实施例提供了一种夹层分布的预测装置，其特征在于，参见图15，该装置包括：

第一获取模块1501，用于获取多种类型夹层的勘测数据，基于勘测数据获取多种类型夹层的夹层信息；

第一确定模块1502，用于基于多种类型夹层的夹层信息，确定第一分布训练图像，第一分布训练图像用于预测辫状河储集体夹层的分布；

提取模块1503，用于获取目标辫状河储集体所在工区的地震数据，从地震数据中提取目标地震属性的属性信息；

第二获取模块1504，用于获取多种类型夹层的夹层分布数据，夹层分布数据为工区中已钻的多个单井中每个单井在钻遇过程中夹层的分布数据；

第二确定模块1505，用于基于目标地震属性的属性信息和夹层分布数据，确定工区内每种类型夹层的分布概率图像；

预测模块1506，用于基于第一分布训练图像、夹层分布数据和分布概率图像，预测工区内多种类型夹层的空间分布。

在一种可能的实现方式中，第一确定模块1502，用于基于每种类型夹层的夹层信息，确定每种类型夹层的分布训练子图像；将每种类型夹层的分布训练子图像整合到一个图像中，得到第一分布训练图像。

在另一种可能的实现方式中，第一确定模块1502，用于基于每种类型夹层的分布训练子图像中每种类型夹层的位置，将多种类型夹层整合到一个图像中；在同一位置出现多种类型夹层的情况下，基于每种类型夹层的优先级，将优先级高的夹层作为位置对应的夹层，得到第一分布训练图像。

在另一种可能的实现方式中，第一确定模块1502，用于将每种类型夹层的分布训练子图像整合到一个图像中，得到第二分布训练图像；在第二分布训练图像中存在一位置的夹层分布不符合地质沉积发育规律的情况下，对位置的夹层进行校正，得到第一分布训练图像。

在另一种可能的实现方式中，第二确定模块1505，用于基于夹层分布数据，确定第一区域内不同位置的每种类型夹层的分布概率与目标地震属性的属性信息之间的相关关系，第一区域为已钻的多个单井所在区域；将相关关系作为目标相关关系，目标相关关系为第二区域内不同位置的每种类型夹层的分布概率与目标地震属性的属性信息之间的关系，第二区域为工区内除第一区域以外的区域；对于第二区域内的任一位置，基于目标相关关系和任一位置对应的目标地震属性的属性信息，确定任一位置对应的每种类型夹层的分布概率；基于工区的区域大小，将第二区域内每个位置及其对应的每种类型夹层的分布概率和第一区域内每个位置及其对应的每种类型夹层的分布概率整合到一个图像中，得到分布概率图像。

在另一种可能的实现方式中，预测模块1506，用于基于已钻的多个单井的位置和夹层分布数据，将第一区域内不同位置的多种类型夹层标注在预先建立的与工区对应的空间分布网格中，第一区域为已钻的多个单井所在区域；在工区内随机确定当前预测位置，基于第一分布训练图像、已钻的多个单井的位置和之前的每个预测位置，确定当前预测位置对应的每种类型夹层的第一分布概率，第一分布概率为地质沉积发育规律约束的夹层分布概率；基于分布概率图像，确定当前预测位置对应的每种类型夹层的第二分布概率，第二分布概率为目标地震属性约束的夹层分布概率；基于第一分布概率和第二分布概率，确定当前预测位置对应的每种类型夹层的第三分布概率，第三分布概率为地质沉积发育规律和目标地震属性共同约束的夹层分布概率；基于第三分布概率，预测工区内多种类型夹层的空间分布，通过空间分布网格展示多种类型夹层的空间分布。

在另一种可能的实现方式中，预测模块1506，用于基于已钻的多个单井的位置、之前的每个预测位置和当前预测位置，确定夹层分布样板；通过夹层分布样板扫描第一分布训练图像，确定当前预测位置对应的每种类型夹层的第一分布概率。

本申请实施例提供了一种夹层分布的预测装置，该装置以多种类型夹层的夹层分布数据、多种类型夹层的分布训练图像和每种类型夹层的分布概率图像为约束数据来预测工区内多种类型夹层的空间分布，由于在进行预测时受到了多种数据的约束，因此，预测结果的连续性好，从而提高了预测的准确率。

图16示出了本申请一个示例性实施例提供的计算机设备1600的结构框图。该计算机设备1600可以是便携式移动计算机设备，比如：智能手机、平板电脑、MP3播放器(MovingPicture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。计算机设备1600还可能被称为用户设备、便携式计算机设备、膝上型计算机设备、台式计算机设备等其他名称。

通常，计算机设备1600包括有：处理器1601和存储器1602。

处理器1601可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1601可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1601也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1601可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1601还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器1602可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1602还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1602中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1601所执行以实现本申请中方法实施例提供的夹层分布的预测方法。

在一些实施例中，计算机设备1600还可选包括有：外围设备接口1603和至少一个外围设备。处理器1601、存储器1602和外围设备接口1603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1603相连。具体地，外围设备包括：射频电路1604、显示屏1605、摄像头组件1606、音频电路1607、定位组件1608和电源1609中的至少一种。

外围设备接口1603可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1601和存储器1602。在一些实施例中，处理器1601、存储器1602和外围设备接口1603被集成在同一芯片或电路板上；在一些其他实施例中，处理器1601、存储器1602和外围设备接口1603中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路1604用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1604将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1604包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1604可以通过至少一种无线通信协议来与其它计算机设备进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1604还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏1605用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1605是触摸显示屏时，显示屏1605还具有采集在显示屏1605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1601进行处理。此时，显示屏1605还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1605可以为一个，设置在计算机设备1600的前面板；在另一些实施例中，显示屏1605可以为至少两个，分别设置在计算机设备1600的不同表面或呈折叠设计；在另一些实施例中，显示屏1605可以是柔性显示屏，设置在计算机设备1600的弯曲表面上或折叠面上。甚至，显示屏1605还可以设置成非矩形的不规则图形，也即异形屏。显示屏1605可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(OrganicLight-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件1606用于采集图像或视频。可选地，摄像头组件1606包括前置摄像头和后置摄像头。通常，前置摄像头设置在计算机设备的前面板，后置摄像头设置在计算机设备的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1606还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路1607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1601进行处理，或者输入至射频电路1604以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在计算机设备1600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1601或射频电路1604的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1607还可以包括耳机插孔。

定位组件1608用于定位计算机设备1600的当前地理位置，以实现导航或LBS(Location Based Service，基于位置的服务)。定位组件1608可以是基于美国的GPS(Global Positioning System，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。

电源1609用于为计算机设备1600中的各个组件进行供电。电源1609可以是交流电、直流电、一次性电池或可充电电池。当电源1609包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

在一些实施例中，计算机设备1600还包括有一个或多个传感器1610。该一个或多个传感器1610包括但不限于：加速度传感器1611、陀螺仪传感器1612、压力传感器1613、指纹传感器1614、光学传感器1615以及接近传感器1616。

加速度传感器1611可以检测以计算机设备1600建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1611可以用于检测重力加速度在三个坐标轴上的分量。处理器1601可以根据加速度传感器1611采集的重力加速度信号，控制显示屏1605以横向视图或纵向视图进行用户界面的显示。加速度传感器1611还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器1612可以检测计算机设备1600的机体方向及转动角度，陀螺仪传感器1612可以与加速度传感器1611协同采集用户对计算机设备1600的3D动作。处理器1601根据陀螺仪传感器1612采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器1613可以设置在计算机设备1600的侧边框和/或显示屏1605的下层。当压力传感器1613设置在计算机设备1600的侧边框时，可以检测用户对计算机设备1600的握持信号，由处理器1601根据压力传感器1613采集的握持信号进行左右手识别或快捷操作。当压力传感器1613设置在显示屏1605的下层时，由处理器1601根据用户对显示屏1605的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器1614用于采集用户的指纹，由处理器1601根据指纹传感器1614采集到的指纹识别用户的身份，或者，由指纹传感器1614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1601授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1614可以被设置在计算机设备1600的正面、背面或侧面。当计算机设备1600上设置有物理按键或厂商Logo时，指纹传感器1614可以与物理按键或厂商Logo集成在一起。

光学传感器1615用于采集环境光强度。在一个实施例中，处理器1601可以根据光学传感器1615采集的环境光强度，控制显示屏1605的显示亮度。具体地，当环境光强度较高时，调高显示屏1605的显示亮度；当环境光强度较低时，调低显示屏1605的显示亮度。在另一个实施例中，处理器1601还可以根据光学传感器1615采集的环境光强度，动态调整摄像头组件1606的拍摄参数。

接近传感器1616，也称距离传感器，通常设置在计算机设备1600的前面板。接近传感器1616用于采集用户与计算机设备1600的正面之间的距离。在一个实施例中，当接近传感器1616检测到用户与计算机设备1600的正面之间的距离逐渐变小时，由处理器1601控制显示屏1605从亮屏状态切换为息屏状态；当接近传感器1616检测到用户与计算机设备1600的正面之间的距离逐渐变大时，由处理器1601控制显示屏1605从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图16中示出的结构并不构成对计算机设备1600的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有至少一条程序代码，该至少一条程序代码由处理器加载并执行，以实现本申请实施例中夹层分布的预测方法中所执行的操作。

本申请实施例还提供了一种计算机程序产品或计算机程序，计算机程序产品或计算机程序包括计算机程序代码，计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取计算机程序代码，处理器执行计算机程序代码，使得计算机设备执行上述的夹层分布的预测方法所执行的操作。

在一些实施例中，本申请实施例所涉及的计算机程序可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。

以上所述仅是为了便于本领域的技术人员理解本申请的技术方案，并不用以限制本申请。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。