贝叶斯框架下联合AVA反演与统计岩石物理的储层参数估计

本文基于贝叶斯理论框架研究联合地震AVA反演和统计岩石物理的储层参数概率分布估计方法。首先通过井资料约束的贝叶斯线性AVA反演从角度域道集估计介质弹性参数的概率分布;然后结合适应目标储层的岩石物理模型,依据统计岩石物理关系从弹性参数进一步反演储层参数的概率分布。上述贝叶斯反演以后验概率分布的形式给出了弹性参数与储层参数的估计,以及由实际数据噪声、介质非均匀性、AVA正演方程与岩石物理方程近似引入的不确定性。通过理论模型数值试验展示本文方法的正确性,并应用于川东北地区碳酸盐岩地层的储层参数分布估计,证实了方法的应用潜力。     

基于GA-ANFIS的油气储层地震预测方法及应用

基于GA-ANFIS理论，将遗传算法与模糊神经网络技术有机地相结合，构成一种新的油气储层地震非线性预测方法。这种新的预测方法在油气储层预测中，利用地震数据和测井数据之间的非线性映射关系建立训练样本，将GA算法与ANFIS网络中的学习算法相结合，构成混合算法来优化ANFIS网络的前提参数和结论参数，并在遗传算法中加入禁忌搜索算法，这种混合算法自始至终将各算法按一定概率比例进行，其概率自适应变化，加快了网络收敛速度和提高了网络性能，获得了良好的预测效果。在测井数据约束下，应用所提出的方法对碳酸岩盐储层和砂岩储层分别进行了平面预测和剖面预测，并按储层有效性指数进行了储层分级，这种分级反映了储层的有效性和含油气状况，提高了油气储层的实际预测效果，是对油气储层预测技术的一种新发展，开拓了油气储层预测发展技术。     

储层密度预测技术研究

 储层密度预测技术是一种基于改进的混合智能学习算法的地震非线性预测方法。它是利用地震波阻抗剖面在测井密度数据约束下，对目标问题编码产生染色体，将禁忌搜索算法加在遗传操作的交叉点上，使染色体不断进化，并按一定的概率自始至终执行遗传算法和模糊神经网络算法，且概率自适应变化，以达到混合算法均衡，实现储层密度预测，获得高分辨率和高精度的储层密度剖面。在获得的储层密度剖面基础上，利用流体密度计算技术，即可得到流体密度剖面。应用实例与统计表明，流体密度从富集油气层的密度变至水层的密度，其异常相对幅度可达70%以上，因此流体密度是预测油气层的一个“绝好参数”，它是反映流体性质的最直接证据。可为地震勘探直接寻找油气提供一个关键性参数。     

多参数概率融合法在叠前地震储层预测中的应用——以苏里格气田苏194区块为例

砂岩和泥岩的纵波速度、密度和纵波波阻抗等常规参数的概率分布图常出现相互重叠的情况,使叠后波阻抗反演和传统的单参数储层预测难以解决储层预测和流体识别问题。由于地震数据的多解性,储层预测往往存在风险。因此,采用岩石物理参数和地球物理参数概率融合法,开展了以地震岩石物理参数分析为基础的叠前储层预测,利用叠前资料既可以大大减少储层预测的多解性,提高预测精度,降低勘探风险,同时又可揭示和表征储层预测中的不确定性。研究结果表明,叠前地震反演参数如纵波速度、横波速度、纵波波阻抗、横波波阻抗、纵横波速比和泊松比均能在一定程度上区分岩性和含气性,但无法给出高精度的含气性和岩性预测结果,融合多个地震反演参数的概率分布,充分提取反演参数中包含的储层岩性及含气性信息,既可有效识别储层岩性和含气性,又可提高储层预测精度。且多参数概率融合法预测砂层厚度和气层厚度的精度均高于传统的弹性反演转换方法。     

概率神经网络的平滑参数分析及在地震属性分析中的应用

概率神经网络(PNN)因训练方法简单且具有较好的分类能力而广泛应用于储层参数预测、裂缝识别及地震属性模式识别。在勘探初期,往往会遇到小样本量的情况,为获得好的模式识别效果,有必要对平滑参数和训练样本的选取方法进行研究。在分析了平滑参数对网络分类符合率的影响后,利用取值试验得到样本归一化情况下平滑参数的最优取值区间。在此基础上进行训练样本选取的随机性、均匀性及数量试验,发现均匀选取各类训练样本时,小样本量能使网络获得较高的分类符合率,而大样本量则能得到更高的分类符合率。X工区的实际应用结果表明,概率神经网络在少井情况下具备一定的应用潜力,可作为勘探初期利用地震属性进行模式识别的一种选择。     

基于构造约束联合概率反演的油藏参数表征方法

对于油藏参数预测及其不确定性评价,前人的方法均为多步骤反演,很难考虑各个环节的不确定性。为此,提出基于构造约束联合概率反演的油藏参数表征方法。首先通过统计井资料得到岩相依赖储层弹性参数和物性参数混合高斯联合先验分布,在岩石物理参数敏感性分析基础上建立储层弹性参数和物性参数高斯联合先验分布;利用地质构造约束最小二乘井插值将构造信息和井信息整合到反演框架,基于贝叶斯理论推导得到同时表征储层弹性参数、物性参数、岩相后验概率分布的解析表达式。与传统方法相比,新方法通过同时反演策略降低误差累积,提高了储层参数及其不确定性信息预测的准确性;另外,新方法引入构造信息和井信息提高了反演结果的横向连续性及分辨率。为验证新方法的有效性,对M区实际数据集通过条件井和盲井测试,对比、分析了无构造约束多步方法与新方法的反演结果。结果表明：基于线性化模型且服从高斯分布假设,新方法获得了较好的反演效果,得到的岩相后验概率较无构造约束多步方法更准确,客观表征了不确定性,为油藏表征、评价提供了有利依据。     

不确定性致密气产能预测技术

致密气产能预测涉及储层物性、压裂裂缝形态等参数,但由于致密储层渗透率很低,孔隙尺度小,储层非均质性强,孔喉分布差异大,采用压裂开发会导致预测储层及压裂裂缝参数具有一定的不确定性,因此仅给参数赋一个确定的值进行产能评价是不够全面的。研究认为致密储层绝对渗透率、有效渗透率、有效压裂裂缝半长等均有一定的不确定性,基于此,提出了不确定性致密气产能预测技术,以单井测试的无阻流量为基础,通过产能方程反算确定气相有效渗透率及有效裂缝半长等概率分布,在获取储层及流体物性参数基础上,计算区块无阻流量概率分布;然后,利用参数概率分布,采用解析模型方法预测产量剖面的概率分布。该方法既适用于区块也适用于单井概率产能预测,为降低致密气产能预测的不确定性提供了一种新的途径。     

地震数据约束下的贝叶斯随机反演

由于地震数据的带限性质,传统确定性反演方法不可避免地存在分辨率低的缺陷。本文从贝叶斯理论出发,结合地质统计学提出了地震数据约束下的随机反演方法。该方法以测井资料作为条件数据,以地震数据作为约束,进而通过贝叶斯理论将地震资料、测井资料和地质统计学信息融合为地层模型参数的后验概率分布,利用马尔科夫链扰动模拟方法实现对后验概率的分布采样,并通过多个采样结果的综合分析研究后验概率分布的性质,进而精细刻画储层分布。模型测试及实际资料处理结果表明,相对于常规确定性地震反演方法,随机反演方法提高了反演精度,实现了储层的精细描述。     

混合概率模型驱动的叠前地震反演方法

叠前地震反演是获取复杂油气储层弹性参数、岩性及含流体性质的主要途径。常规的叠前地震反演往往将“弹性参数”、“离散岩性”和“流体因子”三者独立预测,通常忽视了储层岩性差异对弹性参数的影响,由此引入的先验信息误差会严重影响弹性参数、离散岩性及流体指示因子预测的精度。为此,考虑待反演模型参数的先验概率服从混合型概率密度分布,基于贝叶斯框架推导了由时域、频域地震、低频整合先验信息及已知模型数据点四类数据集协同约束的后验混合概率分布的显式解,将非线性边界约束算法引入叠前地震弹性参数反演中,缓解了模型反演出现不稳定解的问题;利用序贯模拟算法对后验概率密度函数随机采样,且对不同后验概率分量的模拟结果进行分类,发展了对地层连续“弹性参数”、“离散岩性”及储层“流体因子”的叠前地震同步预测方法。理论测试和实际应用验证了该方法在岩性预测和储层孔隙流体识别中的有效性和实用性。     

横向约束分步叠前弹性参数反演

针对部分实际地震资料信噪比分辨率不高、PP波反演结果不稳定、反演过程不适定等问题,提出了横向约束分步叠前弹性参数反演方法。首先利用Stewart的PP波和PS波反射系数近似式得到纵、横波速度信息;然后将获得的纵、横波速度作为已知背景项代入传统的Aki-Richards PP波三参数反射系数近似式,并在卡尔曼横向约束下进行AVO反演获得密度信息。理论分析及模型测试结果表明,横向约束分步叠前弹性参数反演改善了三参数AVO反演不稳定的问题,在一定程度上压制了噪声,提高了密度等参数的反演精度。实际资料测试结果表明,在纵、横波角道集同相轴匹配一致的前提下,横向约束分步叠前弹性参数反演能获得较好的应用效果,反演的密度和纵波速度剖面很好地反映了储层特征。     

地震道波形分类方法在储层预测中的应用——以二连盆地白音查干凹陷为例

目前 ,用地震属性进行储层预测的方法大体可分为单一参数线性预测法和多参数综合分析法两大类。近年来 ,多参数的人工神经网络储层预测技术应用较多 ,但是需要选择合适的样本 ,并准确提取对砂体厚度反映灵敏的地震属性参数[1] 。在地质条件复杂的地区 ,由于储层厚度和岩性在横向上的变化会引起其地震反射特征发生较大变化 ,因而训练样本非常复杂 ,网络训练也难以收敛。地震道波形实际上是地震振幅、频率、相位的集中体现 ,能够真实地反映地下的地质特征。因此 ,用自组织人工神经网络技术对地震道波形进行分类而形成的离散地震相 ,能迅速预测…     

基于核贝叶斯判别法的储层物性参数预测

随 着油田开发的持续深入,地震勘探技术在储层预测及储层描述方面的要求不断提高。储层的物性参数是描述储层特征的主要参数,但由于影响储层物性参数的因素众多,且关系复杂,为储层物性参数的准确预测带来了巨大困难。基于传统贝叶斯判别的物性参数预测方法能够综合考虑多种参数,在获得预测结果的同时能够给出预测结果的概率分布,从中提取最大后验概率,并对预测结果的不确定性进行定量评价。但在预测过程中条件概率密度函数比较难以估计,一般假设各参数服从特定分布,但当数据分布比较复杂时,不满足这种假设,限制了其应用效果。因此,基于贝叶斯定理,采用核函数估算的方法计算条件概率密度函数,提出了基于核贝叶斯判别法的储层参数预测方法。该方法不需要假设数据服从特定的分布,采用非参数估计方法获取条件概率密度函数,可以计算获得物性参数的最大后验概率,实现了多种物性参数的预测并提供预测结果的置信概率,可用于进行不确定性评价。模型数据和实际资料的应用效果很好地验证了该方法的有效性。该方法在储层物性参数预测、储层描述中有良好的应用前景。     

多信息融合裂缝建模技术在碳酸盐岩双重介质油藏开发中的应用

中东M油田是以碳酸盐岩储层为主的双重介质油藏,裂缝发育、非均质性较强.由于目前常规单一的地震属性无法精细刻画裂缝分布规律,因此建立了基于神经网络的多信息融合裂缝建模技术,首先利用神经网络预测无成像测井资料的单井裂缝密度;其次将纵波方位各向异性、地震不连续检测叠前地震属性,基于神经网络非线性融合进行三维裂缝密度发育概率预...     

概率神经网络技术在非均质地层岩性反演中的应用

提出了一种由多测井和多地震属性参数组成的概率神经网络方法,来进行非均质性较强的油气储层的预测.介绍了该方法的网络模型构建和地层岩性预测的过程.利用该概率神经网络方法,研究了我国西南某一岩性油气田沙一段湖滩砂及河道砂体.运用测井响应特征、地震属性特征与地质岩性特征的相关性对概率神经网络进行了培训,从而对地层特征进行了预测和识别,并取得了较好的应用效果.     

基于双向循环神经网络的河流相储层预测方法及应用

河流相储层通常具有横向变化快、地震反射特征多解性强的特点,因而河流相储层地震预测难度大。将测井信息与地震多属性相结合实现河流相储层地震预测,传统的方法包括多元线性回归方法、地质统计学方法和BP神经网络等。人工智能深度学习方法为井震信息的融合提供了新的解决思路。通过构建井震学习样本,提出了一种基于双向循环神经网络的井震融合储层预测方法。从储层沉积连续性角度,将地震数据看成具有纵向联系的时序数据,以CD地区100余口井馆上段地层的储层和非储层为学习样本,构建双向循环神经网络储层预测方法,通过训练优选超参数建立井震融合的深度学习储层预测模型。该预测模型应用于CD地区河流相储层预测的效果显著,细小河道形态清楚,预测精度高,有效指导了CD地区的勘探部署。     

砂体的灰色关联度分析地震识别方法

本通过提取反映储层地质属性的地震主特征分量参数，采用灰色关联度分析技术，从空间上建立井旁道与其它地震道的多种模式相关关系，在已知井约束下预测砂岩平面分布规律，指导评价勘探和开发井部署。     

利用叠前AVA同步反演预测储层物性参数

 为了准确预测储层物性参数,提高地震资料定量解释精度,本文借鉴模拟退火法AVA同步反演方法,提出了一种基于叠前AVA同步反演的储层物性参数预测方法,该方法在综合考虑岩石密度、纵横波速度等弹性参数与孔隙度等物性参数的空间关系基础上,采用Kohenon自组织神经网络储层参数分类,多层感知器（MLP）预测等方法实现了储层物性参数的定量预测,并对预测结果给出了定量评价。将本文方法应用于A探区的储层物性参数定量预测,预测结果验证了方法的有效性。     

利用神经网络进行综合层序地层——地震属性分析

这个实例研究表明了多道地震属性及中子神经网络的模型识别能力的优势，并预测了西得克萨斯洲Ｐｅｇａｓｕｓ油田的储层几何形态和孔隙分布的情况。这项研究采用了神经网络的优势，综合了地质，井孔和地震资料，文中的实例表明了新的神经网络方法及地震道反演的更传统的方法在用于估计孔隙度方面获得进步，我们的步骤是一种较直接的，但是需要仔细的质量控制，以确保总地震资料可靠的进行预测。网络的训练，检测和验证数据库提供了利     

四川盆地焦石坝地区页岩气储层地震定量预测方法

针对四川盆地东南部焦石坝地区五峰组-龙马溪组页岩气储层,提出了一种地震定量预测方法。首先在分析页岩储层地震响应特征的基础上,以波阻抗反演技术实现页岩层段的精细预测;接着进行页岩的总有机碳(total organic carbon,TOC)敏感参数分析,发现研究区页岩储层的密度参数与测井解释的TOC含量(CTOC)具有很好的相关性,由两者的拟合关系得到基于密度的TOC计算模型;然后在波阻抗反演页岩层段的空间约束下,采用叠前同时反演方法获得叠前密度反演数据体;最后将密度反演数据体转换为TOC数据体,精确预测出研究区页岩气储层(CTOC≥1%)的空间展布。与测井解释结果的对比表明,地震定量预测的精度较高,研究区内多个井点处页岩气储层厚度预测结果的相对误差小于2%。     

利用先验信息约束的深度学习方法定量预测致密砂岩“甜点”

鄂尔多斯盆地东缘LX区块二叠系石盒子组发育河流相致密砂岩储层，高产气层具有孔隙度大于12%、渗透率大于1 mD、含气饱和度大于50%等特征，寻找高产“甜点”亟需开展储层参数定量评价。基于传统地震反演间接预测孔隙度等参数的方法精度低。LX区块地震数据与测井曲线对应关系不一致，存在大量矛盾样本，导致常规卷积神经网络难以应用。为此，在常规卷积神经网络模型的基础上增加一个全连接网络结构。地震数据与测井数据之间通过托布里兹局部网络结构连接，用于解决储层参数与地震数据不直接相关问题。全连接网络结构通过引入线(道)号、层位、地震相等先验信息，可以解决矛盾样本问题。通过引入地层格架、地震相等先验约束信息，构建了适用于致密储层的深度学习网络模型，形成了地质导向的样本井优选方法，从而定量预测储层参数、刻画了高产气层“甜点”平面展布。实际应用结果表明，孔隙度、渗透率、含气饱和度预测结果与井数据吻合度高，新部署的5口钻井测试无阻流量均超过1万m³/d,有力推动了致密气高效开发。