亚星游戏官网-www.yaxin868.com

专利名称：一种地震波形分析及储层预测方法和装置的制作方法
技术领域：
本发明涉及石油勘探领域，具体涉及ー种地震波形分析及储层预测方法和装置。
背景技术：
由于碳酸盐岩储层的非均质性非常强，而且碳酸盐岩储层往往埋藏深，这ー方面限制了多波和大出射角地震资料和相关先进方法的利用，另ー方面由于滨里海盆地ニ叠系巨厚盐丘的屏蔽效应使地震资料的分辨率降低，多种因素使得研究区的碳酸盐岩储层预测非常困难。目前对于碳酸盐岩的储层预测多采用波阻抗反演等储层预测方法，这些方法大多针对碎屑岩储层，且往往丢失了两个基本信息①不清楚地震信号的总体变化；②不清楚这种变化的分布規律。发明人在实现本发明的过程中发现，这些方法直接应用于碳酸盐岩效果不太理想，且在勘探阶段早期，尤其是在井资料比较少的情况下，仅利用波阻抗反演方法，其结果往往多解性较强，很难对其进行准确预測。

发明内容
本发明的目的在于，提供ー种地震波形分析及储层预测方法和装置，以将地震相划分、单井沉积相识别、沉积地质研究相结合进行沉积相带划分，进ー步进行碳酸盐岩有利储层发育区的预测。为达上述目的，一方面，本发明实施例提供了ー种地震波形分析及储层预测方法，所述方法包括从地震剖面上任ー个地震反射层位中选取目的层；选取地震波形分类时窗的大�。�根据所述地震波形分类时窗提取目的层附近的波形；根据地震相的分类数，创建多个模型道，所述多个模型道的数量与所述地震相的分类数相同；根据自组织神经网络对不同的波形进行分类，以区分不同沉积体；对地震相分类參数进行处理，生成地震相分类图；所述地震相分类參数包括地震相的分类数、训练自组织神经网络的数据量及自组织神经网络的迭代次数；根据沉积时水深、水动カ特征、岩石物理特征、生物种类、沉积构造特征、储集性能、以及测井曲线特征，建立沉积相识别标志以进行单井沉积相的划分，并进行单井间的沉积相对比来生成连井沉积相，所述连井沉积相用以确定井与井之间的沉积相；结合单井沉积相及地震相，把井点处地震相转化为沉积相，根据标定井点地震波形类型向未钻探地区外推，结合连井沉积相，对整个地震相图进行地质解释并由点到面地形成沉积相图；根据所述沉积相图进行储层预测，寻找不同沉积相中有利储层发育区。为达上述目的，另ー方面，本发明实施例提供了ー种地震波形分析及储层预测装置，所述装置包括
目的层选取単元，用于从地震剖面上任ー个地震反射层位中选取目的层；地震波形分类时窗选取单元，用于选取地震波形分类时窗的大�。�根据所述地震波形分类时窗提取目的层附近的地震波形；模型道创建单元，用于地震相的分类数，创建多个模型道，所述多个模型道的数量与所述地震相的分类数相同；波形分类单元，用于根据自组织神经网络对不同的地震波形进行分类，以区分不同沉积体；地震相分类图生成単元，用于对地震相分类參数进行处理，生成地震相分类图；所述地震相分类參数包括地震相的分类数、训练自组织神经网络的数据量及自组织神经网络的迭代次数；单井沉积相划分与对比单元，用于根据沉积时水深、水动カ特征、岩石物理特征、生物种类、沉积构造特征、储集性能、以及测井曲线特征，建立沉积相识别标志以进行单井沉积相的划分，并进行单井间的沉积相对比来生成连井沉积相，所述连井沉积相用以确定井与井之间的沉积相；沉积相图生成单元,用于结合单井沉积相及地震相,把井点处地震相转化为沉积相，根据标定井点地震波形类型向未钻探地区外推，结合连井沉积相，对整个地震相图进行地质解释并由点到面地形成沉积相图；储层预测单元，用于根据所述沉积相图进行储层预测，寻找不同沉积相中有利储层发育区。本发明实施例提供的上述技术方案的有益效果在于可以由点到面地把地震相转化为沉积相，进行有利沉积相带的研究及储层预测，消除了地震与地质勘探结合不紧密的弊端，使得地震和地质完美结合来指导油气的勘探，増加勘探工作效率。


为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做ー简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图I为本发明实施例的地震波形分析及沉积相划分的整体流程图；图2为本发明实施例的地震波形分类时窗选取的示意图；图3为本发明实施例的地震波形分类模型道示意图；图4为本发明实施例的滨里海盆地中区块波形分类地震相平面分布图；图5为本发明实施例滨里海盆地东缘中区块石炭系沉积相类型特征简表；图6为本发明实施例的滨里海东缘中区块石炭系主要目的层东西向连井沉积相图；图7为本发明实施例的滨里海盆地东缘中区块石炭系KT- I层顶部沉积相分布图；图8为本发明实施例的地震波形分析及沉积相预测装置的功能框图； 图9为本发明实施例的地震相分类图生成単元250的具体功能框图。
具体实施例方式为使本发明实施例的目的、技术方案和优点更加清楚，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做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。由于不同的沉积环境形成不同的沉积体，反映在地震信息上就是地震波振幅、频率、相位的变化，也就是地震波形的变化。因此，本发明实施例首先应用人工神经网络地震相检测技术进行地震波形分类，得到与沉积相相对应的地震相图，然后应用钻井、测井、试油等资料进行单井沉积相的划分与对比，结合区域地震相图，详细解释地震相所包含的地质含义，可以由点到面地把地震相转化为沉积相，进行有利沉积相带的研究及储层预测，消除了地震与地质勘探结合不紧密的弊端，使得地震和地质完美结合来指导油气的勘探，增加勘探工作效率。 图I为本发明实施例的地震波形分析及沉积相划分的整体流程图。如图I所示，该方法包括如下步骤步骤110、从地震剖面上任ー个地震反射层位中选取目的层。步骤120、选取地震波形分类时窗的大�。�根据所述震波形分类时窗提取目的层附近的地震波形。在本实施例中，利用波形特征进行波形分类时需要选用比较稳定的层段，层段的选取最好是大于半个相位并小于150ms，太大的层段会包含太多的模型，给解释带来困难。滨里海盆地东缘中区块储层发育较�。�地震时间域一般为40-50ms，为了尽量減少时窗选取时存在的偏差，在50ms时窗下提取目的层附近的波形进行地震波形分类。请參阅图2示出的本发明实施例地震波形分类时窗选取的示意图(黒色线框为选定时窗)。步骤130、根据地震相的分类数，创建多个模型道，所述多个模型道的数量与所述地震相的分类数相同。在本实施例中，起初会划分出几种典型的形状，然后每一实际道会被赋予ー个基本相似性的典型形状。自组织神经网络在地震层段内对实际地震道进行训练，通过几次迭代之后，自组织神经网络构造合成地震道，然后与实际地震数据进行对比，通过自适应实验和误差处理，合成道在每次迭代后被改变，在模型道和实际地震道之间寻找更好的相关。创建的模型道与地震相的分类数密切相关，采用多少分类数就会产生多少个模型道。请參阅图3示出的本发明实施例的地震波形分类模型道示意图。步骤140、根据自组织神经网络对目的层附近的地震波形进行分类，以区分不同沉积体。具体地，本步骤就是通过对不同的波形进行分类，达到区分不同沉积体的目的；其中所用的算法就是自组织神经网络，它是ー种具有自学习功能的神经网络，它实际上是一种非线性映射，可以将信号空间中各模式的拓扑关系近乎不变地反映在网络输出上，主要由输入和输出两部分组成，输入是ー维的，输出可以是多维的，并且输出节点与邻域的其他节点广泛相连，每个输入神经元与每个输出神经元有一前馈连接，通过自适应、自组织学习并不断调整权值，使神经网络在稳定时每ー邻域的所有神经元对某种输入具有相同的输出。
设神经元个数为N,神经元全向量为=[Wfl,Wj2,Wp….…,Wtp] j = I, 2, 3. . . , N输入模式为=Xi =[んろ，ろ…….,Xp] t = 1,2, 3...,M实现步骤为①初始化权值向量丨ダ/ (O)时选取小一点的随机值，选取大ー些的初始化学习率α (O)和邻域函数Ωπ(0);②将样本矢量I输入到输入层；③选择权值向量最匹配:^的神经元作为获胜神经元，获胜神经元标号m，满足
11 Xi- W1:リ)11= min； , (I I X:— WJi) 11丨;④训练权值矢量，使活性泡范围内(邻域Ω m (O))的
神经元向输入矢量方向移动
^ ^(/ + 1) = ^(0 + a{t)[Xt - Wj (O] j ￡ Ωλ, U)J一
Wj ((+1)= Wj (O j^nm(t)；⑤更新学习率a (t)，学习率的线性减小将产生令人满意的結果；⑥减小邻域函数Ωπα)。最終检查结束条件，当权值不再发生明显变化时退出，否则继续转入步骤②。通过上述竞争学习，可以使邻近的神经元权向量与获胜神经元权向量接近，而获胜神经元权向量与某学习样本向量是最接近的，所以，如果学习样本向量中有明显的分类聚集关系，那么通过竞争学习神经网络中神经元权向量的分布呈现ー种分区现象，同一区内的神经元权向量彼此接近，并且与某一类的样本向量接近，从而达到分类与聚类的目的。步骤150、对地震相分类參数进行处理，生成地震相分类图；所述地震相分类參数包括地震相的分类数、训练自组织神经网络的数据量及自组织神经网络的迭代次数。具体地，在本步骤中，首先进行地震相分类參数的处理。①根据测区大小选择用于训练自组织神经网络采用的数据量，其包括对于道数小于第一道数阈值(例如300)的三维测区，使用每一道数据用于训练自组织神经网络；对于道数大于第二道数阈值(例如1000)的三维测区，每隔多道抽取一道的数据用于训练自组织神经网络，其中第二道数阈值大于第一道数阈值；以及对于道数位于第一道数阈值和第二道数阈值之间的三维测区，根据用户计算机硬件配置情况和/或预设的任务缓急标识来确定是否需要抽稀道用于训练自组织神经网络。举例而言，在选择用于训练神经网络采用的数据量时，对于ー个小的三维测区(如小于300X300道)可以使用每一道数据，而对于一个较大的测区(如大于1000X1000道)最好抽稀道以减少计算时间，建议每4道抽一道处理，这样程序就每隔4道抽出一道去建立网络培训数据。如果间隔选的太大，那么ー些重要的地质特征就会被忽略棹。研究区选取每4道抽一道处理。②确定地震相的分类数。地震相的分类数是整个感兴趣的层段内所遇到的地震道的种类数，较为理想的分类数是不容易定义的，一般至少计算3次去估计该參数。粗略且实用的估计方法是把选定目的层段厚度除以6作为第一次计算的分类数，把上次计算分类数的50%作为第二次计算的分类数，把第一次计算分类数的150%作为第3次计算的分类数。通过上述的重复计算，判断选何种分类数更便于解释。如果第一次计算的分类计算的地震相很复杂，不便于解释，就用第二次计算的分类数，以此类推。正确的分类数应取决于所要研究的目标和对数据的了解程度，分类数大结果过于详细，分类数小结果过于粗糙，超过15 20类，通常是很难解释的。实际应用中，根据地震信号的复杂程度、层段的大小以及对地震数据的认识程度等，一般情况下分类数在5 15之间。针对研究区海相地层沉积特征简单的特点，采用了 5类的分类数，产生5个模型道，围绕目的层选取的时窗，最終产生波形分类图供地质研究对比应用。③选择迭代次数。神经网络大约在10次迭代后就收敛到实际结果的80%，这对于快速浏览很方便有效。在实际应用中，10 20次迭代已可确保较好的分类，但对于最终解释最好选用20 40次迭代，以保证网络收敛最佳。本地区的研究中，选择迭代20次。在完成了上述地震波形分类參数处理的基础上，就可以生成地震相分类图。滨里海盆地东缘中区块主要目的层地震相分类图见图4，图4为本发明实施例的滨里海盆地中区块波形分类地震相平面分布图(白点为井位)。神经网络地震相分析中，除了利用地震波波形，还可以应用大量地震层间属性来进行地震相分析，即自组织神经网络地震相聚类分析技术；通过各目的层段选取的不等厚时窗，在时窗内部提取大量的地震层间属性并对属性进行聚类分析，确定主要分类属性，然后应用神经网络方法或者分级方法进行地震属性的地震相分类成图。步骤160、根据沉积时水深、水动カ特征、岩石物理特征、生物种类、沉积构造特征(例如岩石不同特征组分的空间排列所显示的岩石宏观特征)、储集性能(例如岩石的孔隙性和滲透性)、测井曲线特征(例如自然伽马等测井曲线的值及形状特征)，建立沉积相识别标志(如图5所示)，以进行单井沉积相的划分，并进行单井间的沉积相对比生成连井沉积相(如图6所示)，该连井沉积相用以确定井与井之间的沉积相。其中，单井沉积相是指钻井井点处得沉积相，连进沉积相是指不同钻井之间沉积相的对比。在图5中，经过单井沉积相分析，在研究区中初步识别出蒸发台地、局限台地、开阔台地、台地边缘和陆棚相5种相带及其识别标志。蒸发台地识别标志属于浅水环境，有大量盐类矿物和蒸发交代白云石。地震反射以中 强反射振幅为主，上相位强、下相位变弱，连续性较差，波形较杂乱，中 低频，岩性主要为灰-灰白色灰质膏岩、泥质膏岩，膏岩多为硬膏岩，呈层状、条带状分布，电性上表现为GR在低平背景中有针刺状向高值方向跳跃，泥质含量较高。该环境主要的沉积微相有三类膏坪和泥坪(统称为潮坪)、白云坪。这三种微相中膏坪主要由灰-灰白色灰质膏 岩、泥质石膏岩等组成，并呈条帯状分布，未见生物碎屑，自然伽马较低(10API以下)，光电子数Pe在8b/e左右，密度高(2. 9g/cm3)和电阻高(20000 Ω · m);泥坪中具粉晶-细晶结构的浅灰色-灰褐色白云岩，自然伽马较高(在40API以上)，密度低(2. 4g/cm3)和电阻低(10Ω ·πι)。潮坪微相地震上表现为上部强相位非常连续，振幅较强，下部弱相位也较连续，中-弱振幅。白云坪岩性主要为泥-粉晶蜓、生屑云岩，以含多量残余蜓类为特征，并含较多的生物铸�？�、壳壁铸模，粒间多为粗粉晶半自晶形白云石，生物大部分被強烈溶蚀，自然伽马较低，在20ΑΡΙ以下，光电子数Pe在3. lb/e左右，密度在2. 6g/cm3左右，电阻较高(2000 Ω · m左右),为产油最好的沉积微相。白云坪微相地震响应为上部的强相位较连续，下部弱相位连续性差，中强-弱振幅。局限台地识别标志水动カ条件弱，地震反射以中 强反射振幅为主，连续性较好，弱反射背景上有几组强反射，中 低频，岩性主要为灰褐色灰岩和浅灰色泥粉晶灰岩，电性上表现为GR向高值方向凸出，孔隙欠发育。主要的沉积微相有三类台内礁滩、滩间洼地和灰泥坪。台内滩岩性以泥晶-亮晶生屑颗粒为主，含较多粗大、硅化的棘皮类，并见介形虫、苔藓虫、蜓类和单射钙质骨针；自然伽马较低，在30API左右，密度在2. 4g/cm3左右，电阻较高(100Ω ·πι左右)。台内滩在地震剖面上成丘状反射结构，由不规则的、不连续亚平行反射组成，常有许多非系统性的反射終止和同相轴分裂现象，波动起伏幅度小，侧向变为丘状反射结构，底面较平，顶面分界不明显。滩间洼地岩性为浅灰色泥晶生屑灰岩，可见少量介形虫、瓣鳃类和腕足类细小碎片，自然伽马较高，在50ΑΡΙ左右，密度在2. 4g/cm3左右，电阻很低(2 Ω ·ηι左右)。灰泥坪岩性为浅褐灰色粉晶生屑灰岩,浅褐灰色亮晶表鮞粒灰岩，浅灰褐色泥晶生屑、球粒灰岩，泥晶含量高，生物结构细�。�含量低，保存差，以球粒为主，细晶-泥晶结构，见少许砂屑，泥质分布不均匀，自然伽马较高，在50ΑΡΙ左右，密度在2. 6g/cm3左右，电阻较低(20 Ω ·πι左右)。开阔台地识别标志地震反射以中 弱反射振幅，连续性较差，中 高频，岩性主要为颗粒灰岩，生物碎屑丰富，岩石结构较粗，多为亮晶颗粒结构，电性上表现为GR在低平的背景上有针刺状跳跃。 台地边缘识别标志地震反射以弱振幅背景上有一两个强反射，内部反射不连续，中 低频，岩性主要为亮晶粗颗粒灰岩，生物碎屑丰富，电性上表现为GR低，泥质含量较少，为高能沉积环境。陆棚识别标志地震反射以多组中强反射为主，连续性较差，高频、亚平行，岩性主要为含泥质泥晶灰岩及灰褐、浅灰褐色含泥质条带的泥灰岩，电性上表现为GR呈针刺状跳跃，含泥质较多。步骤170、结合单井沉积相及地震相,对井点处地震相做出合理的地质解释(把井点处地震相转化为沉积相)，根据标定井点地震波形类型向未钻探地区外推，结合连井沉积相，对整个地震相做出综合性的地质解释并形成沉积相图，把地震相赋予地质含义，由点到面地建立沉积相图，如图7所示，图7为本发明实施例的滨里海盆地东缘中区块石炭系KT- I层顶部沉积相分布图。其中，地震波形类型可以包括相位対称的强振幅、相位对称的中振幅、相位不对称的中振幅、相位对称的弱振幅等类型。滨里海盆地东缘中区块主要目的层石炭系沉积相特征在横向上有一定的变化，但总体上具有南北向展布的特点，相变方向为近东西向。KT- I层主要发育局限台地和蒸发台地，有利储层主要分布于白云坪微相，在构造高部位台内滩内也有可能见到油气，在区块内的白云坪相带内发现エ业油流就是对沉积相图的有利验证，利用此次研究成果确定的探井井位(位于南部白云坪微相内的CT-55井)发现エ业油流，进ー步提高了油田的地质储量，实现了 CNPC在滨里海盆地风险勘探的重大突破。同时在沉积相分布图上看到在研究区2号含油气构造的东部尚有一块储层较发育的白云坪微相分布区尚未钻探，该区紧邻油田区，构造位置有利于油气的聚集，为下ー步的钻探目标。步骤180、根据所述沉积相图进行储层预测，寻找不同沉积相中有利储层发育区。具体地，本步骤是在蒸发台地中寻找白云坪发育区；在局限台地中寻找潮坪和台内礁滩发育区；在开阔台地中寻找台内礁滩和点礁发育区。潮坪和台内礁滩微相位于局限台地中，台内礁滩和点礁位于开阔台地中，其中台内礁滩可以发育于开阔台地和局限台地两种环境中。需要说明的是，上述步骤110-150中步骤的执行为ー个整体，不能调换顺序。步骤160可以调换顺序，但需位于170之前进行。步骤170和步骤180需位于最后，而且不能互相调换顺序。本发明结合海外石油勘探周期短，任务重的特点，能够快速寻找海外油气勘探区块的有利勘探目标，提高勘探成功率，保证国家能源安全。本发明实施例的方法具有以下3个优点①在地震相分类时不需要井资料，只用地震资料就可以完成波形分析及地震相分类②可以快速对不同时窗进行分析，快速扫描整个数据，快速确定目标区，对目标区进行更详细的地震相分析研究工作具有定量性和客观性。本发明应用于哈萨克斯坦滨里海盆地东缘中区块风险勘探区块的石油勘探工作。在中国石油进入前，本区块数家国外公司经过近百年的勘探，均未获得发现，认为该区块没有任何规�？碧角绷�。在此背景下，中国石油进入项目，经过充分的区域石油地质理论研究，认为该区块具备滨里海盆地已发现油气田的成藏条件，盐下石炭系是主要的勘探目的层，前人之所以未取得突破，关键在于盐下构造的落实及碳酸盐岩储层研究不够。中国石油在该区经过了近十年的勘探工作，运用本发明，获得了重大勘探发现，石油地质储量接近2亿吨，取得了良好的勘探效果和经济效益。本发明实施例还提供ー种地震波形分析及储层预测装置，图8是地震波形分析及储层预测装置的功能框图，如图8所法，该装置200包括目的层选取単元210，用于从地震剖面上任ー个地震反射层位中选取目的层；地震波形分类时窗选取单元220，用于选取地震波形分类时窗的大�。�根据所述地震波形分类时窗提取目的层附近的地震波形；模型道创建单元230，用于根据地震相的分类数，创建多个模型道，所述多个模型道的数量与所述地震相的分类数相同；波形分类单元240，用于根据自组织神经网络对目的层附近的地震波形进行分类，以区分不同沉积体；地震相分类图生成単元250，用于对地震相分类參数进行处理，生成地震相分类图；所述地震相分类參数包括地震相的分类数、训练自组织神经网络的数据量及自组织神经网络的迭代次数；单井沉积相划分与对比单元260，用于根据沉积时水深、水动カ特征、岩石物理特征、生物种类、沉积构造特征、储集性能、以及测井曲线特征，建立沉积相识别标志以进行单井沉积相的划分，并进行单井间的沉积相对比生成连井沉积相，该连井沉积相用以确定井与井之间的沉积相；其中，沉积构造特征例如岩石不同特征组分的空间排列所显示的岩石宏观特征，储集性能例如包括岩石的孔隙性和滲透性，测井曲线特征例如为自然伽马等测井曲线的值及形状特征，单井沉积相是指钻井井点处得沉积相，连进沉积相是指不同钻井之间沉积相的对比。沉积相图生成单元270,用于结合单井沉积相及地震相,把井点处地震相转化为沉积相，根据标定井点地震波形类型向未钻探地区外推，结合连井沉积相，对整个地震相图进行地质解释并由点到面地形成沉积相图；其中，地震波形类型可以包括相位対称的強振幅、相位对称的中振幅、相位不对称的中振幅、相位対称的弱振幅等类型。 储层预测单元280，用于根据所述沉积相图进行储层预测，寻找不同沉积相中有利储层发育区。具体地，请參阅图9示出的本发明实施例地震相分类图生成単元250的具体功能框图，所述地震相分类图生成単元250可以包括数据量选择�？�251，用于根据测区大小选择用于训练自组织神经网络的数据量；分类数确定�？�252，用于确定地震相的分类数，所述分类数是整个感兴趣的层段内所遇到的地震道的种类数；迭代次数选择模块253，用于选择自组织神经网络的迭代次数；生成�？�254，用于根据所述数据量、所述分类数和所述迭代次数，生成地震相分类图。具体地，所述数据量选择�？�251，具体可以用于对于道数小于第一道数阈值的三维测区，使用每一道数据用于训练自组织神经网络；对于道数大于第二道数阈值的三维测区，每隔多道抽取一道的数据用于训练自组织神经网络，其中第二道数阈值大于第一道数阈值；以及，对于道数位于第一道数阈值和第二道数阈值之间的三维测区，根据用户计算机硬件配置情况和/或预设的任务缓急标识来确定是否需要抽稀道用于训练自组织神经网络。具体地，所述分类数确定�？�252，具体可以用于把层段厚度除以6所得结果作为第一次计算的分类数；把第一次计算的分类数的50%作为第二次计算的分类数；把第一次计算的分类数的150%作为第三次计算的分类数。较佳地，所确定的分类数在5 15之间；所选择的自组织神经网络的迭代次数为10 20次，或者20 40次。在本实施例中，所述沉积相识别标志包括如下中的至少ー种蒸发台地识别标志、局限台地识别标志、开阔台地、台地边缘、陆棚；所述储层预测单元280具体可以用于对于在蒸发台地中寻找白云坪发育区；在局限台地中寻找潮坪和台内礁滩发育区；在开阔台地中寻找台内礁滩和点礁发育区。本发明实施例的装置的工作方法已在前述的方法实施例中详述，故在此不再赘述。 与传统的地震相分析相比，本发明实施例的装置具有以下3个优点①在地震相分类时不需要井资料，只用地震资料就可以完成波形分析及地震相分类；②可以快速对不同时窗进行分析，快速扫描整个数据，快速确定目标区，对目标区进行更详细的地震相分析研究工作具有定量性和客观性。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，或者二者的结合来实施。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可以以软件产品的形式体现出来，该软件�？榛蚣扑慊�软件产品可以存储在ー个存储介质中，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的方法。存储介质可以是随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管參照前述实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方 案的精神和范围。
权利要求
1.一种地震波形分析及储层预测方法，其特征在于，所述方法包括 从地震剖面上任一个地震反射层位中选取目的层； 选取地震波形分类时窗的大�。�根据所述地震波形分类时窗提取目的层附近的地震波形； 根据地震相的分类数，创建多个模型道，所述多个模型道的数量与所述地震相的分类数相同； 根据自组织神经网络对目的层附近的地震波形进行分类，以区分不同沉积体； 对地震相分类参数进行处理，生成地震相分类图；所述地震相分类参数包括地震相的分类数、训练自组织神经网络的数据量及自组织神经网络的迭代次数； 根据沉积时水深、水动力特征、岩石物理特征、生物种类、沉积构造特征、储集性能、以 及测井曲线特征，建立沉积相识别标志以进行单井沉积相的划分，并进行单井间的沉积相对比来生成连井沉积相，所述连井沉积相用以确定井与井之间的沉积相； 结合单井沉积相及地震相，把井点处地震相转化为沉积相，根据标定井点地震波形类型向未钻探地区外推，结合所述连井沉积相，对整个地震相图进行地质解释并由点到面地形成沉积相图； 根据所述沉积相图进行储层预测，寻找不同沉积相中有利储层发育区。
2.根据权利要求I所述的方法，其特征在于，所述对地震相分类参数进行处理，生成地震相分类图包括 根据测区大小选择用于训练自组织神经网络的数据量； 确定地震相的分类数，所述地震相的分类数是整个感兴趣的层段内所遇到的地震道的种类数； 选择自组织神经网络的迭代次数； 根据所述数据量、所述分类数和所述迭代次数，生成地震相分类图。
3.根据权利要求2所述的方法，其特征在于，所述根据测区大小选择用于训练自组织神经网络采用的数据量包括 对于道数小于第一道数阈值的三维测区，使用每一道数据用于训练自组织神经网络；对于道数大于第二道数阈值的三维测区，每隔多道抽取一道的数据用于训练自组织神经网络，其中第二道数阈值大于第一道数阈值；以及， 对于道数位于第一道数阈值和第二道数阈值之间的三维测区，根据用户计算机硬件配置情况和/或预设的任务缓急标识来确定是否需要抽稀道用于训练自组织神经网络。
4.根据权利要求2所述的方法，其特征在于，所述确定地震相的分类数包括 把选定目的层段厚度除以6所得结果作为第一次计算的分类数； 把第一次计算的分类数的50%作为第二次计算的分类数； 把第一次计算的分类数的150%作为第三次计算的分类数。
5.根据权利要求I或2所述的方法，其特征在于，所确定的分类数在5 15之间。
6.根据权利要求2所述的方法，其特征在于，所选择的自组织神经网络的迭代次数为10 20次，或者20 40次。
7.根据权利要求I所述的方法，其特征在于，所述沉积相识别标志包括如下中的至少一种蒸发台地识别标志、局限台地识别标志、开阔台地识别标志、台地边缘识别标志、陆棚识别标志。
8.根据权利要求7所述的方法，其特征在于，所述蒸发台地识别标志包括如下三类沉积微相膏坪、泥坪和白云坪；所述局限台地识别标志包括如下三类沉积微相台内礁滩、滩间洼地和灰泥坪。
9.根据权利要求7所述的方法，其特征在于，所述根据所述沉积相图进行储层预测，寻找不同沉积相中有利储层发育区包括在蒸发台地中寻找白云坪发育区；在局限台地中寻找潮坪和台内礁滩发育区，所述潮坪包括膏坪和泥坪；在开阔台地中寻找台内礁滩和点礁发育区。
10.一种地震波形分析及储层预测装置，其特征在于，所述装置包括 目的层选取单元，用于从地震剖面上任一个地震反射层位中选取目的层； 地震波形分类时窗选取单元，用于选取地震波形分类时窗的大�。�根据所述地震波形分类时窗提取目的层附近的地震波形； 模型道创建单元，用于根据地震相的分类数，创建多个模型道，所述多个模型道的数量与所述地震相的分类数相同； 波形分类单元，用于根据自组织神经网络对不同的地震波形进行分类，以区分不同沉积体； 地震相分类图生成单元，用于对地震相分类参数进行处理，生成地震相分类图；所述地震相分类参数包括地震相的分类数、训练自组织神经网络的数据量及自组织神经网络的迭代次数； 单井沉积相划分与对比单元，用于根据沉积时水深、水动力特征、岩石物理特征、生物种类、沉积构造特征、储集性能、以及测井曲线特征，建立沉积相识别标志以进行单井沉积相的划分，并进行单井间的沉积相对比来生成连井沉积相，所述连井沉积相用以确定井与井之间的沉积相； 沉积相图生成单元，用于结合单井沉积相及地震相，把井点处地震相转化为沉积相，根据标定井点地震波形类型向未钻探地区外推，结合连井沉积相，对整个地震相图进行地质解释并由点到面地形成沉积相图； 储层预测单元，用于根据所述沉积相图进行储层预测，寻找不同沉积相中有利储层发育区。
11.根据权利要求10所述的装置，其特征在于，所述地震相分类图生成单元包括 数据量选择�？椋�用于根据测区大小选择用于训练自组织神经网络的数据量； 分类数确定�？椋�用于确定地震相的分类数，所述地震相的分类数是整个感兴趣的层段内所遇到的地震道的种类数； 迭代次数选择模块，用于选择自组织神经网络的迭代次数； 生成模块，用于根据所述数据量、所述分类数和所述迭代次数，生成地震相分类图。
12.根据权利要求11所述的装置，其特征在于，所述数据量选择�？椋�具体用于对于道数小于第一道数阈值的三维测区，使用每一道数据用于训练自组织神经网络；对于道数大于第二道数阈值的三维测区，每隔多道抽取一道的数据用于训练自组织神经网络，其中第二道数阈值大于第一道数阈值；以及，对于道数位于第一道数阈值和第二道数阈值之间的三维测区，根据用户计算机硬件配置情况和/或预设的任务缓急标识来确定是否需要抽稀道用于训练自组织神经网络。
13.根据权利要求11所述的装置，其特征在于，所述分类数确定�？椋�具体用于把选定目的层段厚度除以6所得结果作为第一次计算的分类数；把第一次计算的分类数的50%作为第二次计算的分类数；把第一次计算的分类数的150%作为第三次计算的分类数。
14.根据权利要求11所述的装置，其特征在于，所确定的分类数在5 15之间；所选择的自组织神经网络的迭代次数为10 20次，或者2(T40次。
15.根据权利要求10所述的装置，其特征在于，所述沉积相识别标志包括如下中的至少一种蒸发台地识别标志、局限台地识别标志、开阔台地识别标志、台地边缘识别标志、陆棚识别标志；所述储层预测单元具体用于对于根据所述沉积相图寻找不同沉积相中有利储层发育区，所述根据所述沉积相图寻找不同沉积相中有利储层发育区包括在蒸发台地中寻找白云坪发育区；在局限台地中寻找潮坪和台内礁滩发育区，所述潮坪包括膏坪和泥坪；在开阔台地中寻找台内礁滩和点礁发育区。
全文摘要
本发明实施例提供一种地震波形分析及储层预测方法和装置，该方法包括选取目的层；选取地震波形分类时窗的大小；根据地震相的分类数，创建多个模型道；根据自组织神经网络对不同的波形进行分类；对地震相分类参数进行处理，生成地震相分类图；建立沉积相识别标志以进行单井沉积相的划分，并进行单井间沉积相的对比生成连井沉积相以确定井与井之间的沉积相；结合单井沉积相及地震相，把井点处地震相转化为沉积相，根据标定井点地震波形类型向未钻探地区外推，结合连井沉积相，对整个地震相图进行地质解释并由点到面地形成沉积相图；根据所述沉积相图进行储层预测。该方法可进行有利沉积相带的研究及储层预测，提高勘探工作效率。
文档编号G01V1/30GK102650702SQ20121013554
公开日2012年8月29日 申请日期2012年5月3日 优先权日2012年5月3日
发明者王震, �？≌� 申请人:中国石油天然气股份有限公司