CN111722283B - 一种地层速度模型建立方法 - Google Patents

Abstract

本发明公开了一种地层速度模型建立方法。本发明的实施可对于地表起伏大、地腹构造复杂、两翼侧转逆掩断裂带十分发育等复杂地质构造区域及对目的层埋深、构造形态要求较高的页气水平井的轨迹跟踪，利用本发明经其后续相关计算所获得的目的层深度构造图误差小，能够更好的指导确定地下井位目标。可以实现建立精确的地层速度模型，进而减少钻井风险，提高相关油气勘探的经济效益。

Description

一种地层速度模型建立方法

技术领域

本发明属于石油天然气勘探领域，具体涉及一种地层速度模型建立方法。

背景技术

近年来，四川盆地内海相页岩气勘探及开发取得巨大进展。如四川盆地的长宁-威远区块、威荣页岩气勘探区及焦石坝、平桥页岩气勘探区块中，大批页岩气水平井经压裂后获得工业气流，取得可观的经济效益。在对海相页岩气勘探及开发实践中，大量勘探成果表明良好的保存条件是页岩气高产富集的关键因素之一。而在靠近大断裂带附近的页岩气勘探区，由于构造复杂，造成地震反射成像困难，影响到相关的页岩气井布设及勘探进展。

大量勘探实践表明，在地表起伏大、地腹构造复杂、两翼侧转逆掩断裂带十分发育等复杂地质构造区域，利用常规技术流程所获得的深度构造图指导钻井钻进，容易错过油气储藏层，产生巨大的经济损失。

在高陡复杂构造条件下，要从人工地震数据得到地下介质的正确成像只能使用叠前深度偏移。而叠前深度偏移只有在层速度模型精确的前提下才能正确成像。在需要使用叠前深度偏移的地方，常规速度分析方法往往达不到期望的精度要求。在这种情况下，为了求得更为准确的地层层速度模型，开发了基于偏移迭代的速度分析方法。现在可以说偏移速度分析就是利用偏移迭代进行速度分析，这类速度分析方法利用速度场对偏移成像的影响来修正地层层速度模型。

上述相关方法的共同缺陷是速度修正关系中对地下、地质条件的假设，如地下速度为常数，和仅沿深度方向变化以及小偏移距假设。在这些假设条件下，平均速度可以近似为均方根速度，进而可以由Dix(迪克斯)公式或其他公式将平均速度转换为层速度。然而，当地层层速度横向变化时平均速度与均方根速度之间存在很大的差别。这会引起速度迭代过程的发散，因此，在许多复杂构造及速度横向变化存在时影响到方法的精度和稳定性，其基本假设使其应用只限于地层为水平层或地下构造较为简单的情况，这在一定程度上限制了方法的应用。这些方法的共同不足之处是不适用速度的横向剧变和倾斜地层结构。

在构造解释中，主要利用钻井及区域地质等资料，可建立横向沿层变化的各层层速度，在井网密度够大且分部均匀的情况下，利用变速建模技术可建立合理的准确的层速度模型，然而油田区块的勘探开发程度各不相同，井网分布不尽理想，直接影响变速建模的速度控制点分布，从而影响整个工区的层速度模型建立。

在工区的无井控区域，常规做法就是根据区域地质等资料估计其各层层速度，或者利用工区钻井的时深关系进行速度估算。基于井控区的计算层速度控制点和无井控区的估算层速度控制点建立全区的层速度模型。然而这是一个由点到面再到三维体的一个过程，其插值、平滑等过程的实现具有很大的局限性，在操作不当的情况下，极易出现速度体的局部畸变。因此，井的数目及多少也是影响到层速度模型的建立。

由以上叠前深度偏移速度常规建模方法及构造解释变速速度建模方法的分析可以看出，两者有其各自的优缺点和技术难点。对于基于偏移迭代速度分析的速度模型建立，其最大的优点在于具有良好的全局性，而且对速度体的各类处理方便快捷，最大的难点在于难以表现复杂的速度结构；对于基于变速建模技术的层速度模型建立，其最大的优点在于能建立准确的井控区地层速度控制点，并能表现较复杂的速度结构，最大的缺点在于缺乏全局性，对速度体的插值及推算难以约束。

发明内容

针对现有技术中的上述不足，本发明提供的一种地层速度模型建立方法解决了地层速度模型建立不精确，钻井风险高的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种地层速度模型建立方法，包括以下步骤：

S1、通过地质、测井和地震数据得到相关优选属性数据体和层位数据，并通过层位数据建立层速度计算模型；

S2、通过层速度计算模型、相关优选属性数据体计算第一层速度数据体，通过第一层速度数据体建立计算网格并提取网格点，并计算网格点上的速度变化梯度值；

S3、利用各个计算井中的实测层速度及网格点上的速度变化梯度值计算网格点上的层速度，并确定各个计算井的最优加权因子；

S4、将各个计算井的网格点上的层速度和最优加权因子进行数据加权重构、内插和圆滑处理，得到优化层速度数据平面图，并通过优化层速度数据平面图建立地层速度模型。

进一步地：所述步骤S1中的地质数据包括岩芯录井资料、地质分层资料和岩石物理测试成果；所述测井数据包括声波和密度测井曲线以及横波数据；所述地震数据为常规三维叠前道集或叠后地震数据体，所述叠后地震数据为对叠前道集数据进行叠加及偏移后得到。

进一步地：所述步骤S1的具体步骤为：

S11、通过常规三维叠前道集或叠后地震数据体针对层速度进行反演、属性提取得到地震反演数据体和属性数据体，从地震反演数据体和属性数据体中提取各个井点上目的层的地震反演数据值和属性数据值，对属性数据值进行优选并进行归一化处理，确定相关的优选属性数据体；

S12、利用叠后地震数据体、测井数据和地质数据实施相关井-震标定，在井上确定相关有意义的反射层界面，设定解释网格后对反射层界面进行追踪解释，从而得到相关反射层界面的层位数据。

进一步地：所述步骤S11中归一化处理的计算公式为：

上式中，X_pi为归一化处理后的样本值，X_p为归一化处理前的样本值，X_max＝max{X_p}，X_min＝min{X_p}，n和m均为正整数，m>n≥0。

进一步地：所述步骤S2中的层速度计算模型包括多元线性回归模型和BP神经网络回归数学模型，所述层速度计算模型中设定相关的样本井及盲井，所述样本井对相关的层速度计算模型进行训练，并确定相关层速度计算模型的参数；对层速度计算模型的优选是将盲井的属性数据值和测试层速度计算模型进行盲井点的层速度计算，并将计算结果与盲井的实测层速度进行相关系数的计算，选择相关系数最高的层速度计算模型。

进一步地：所述相关系数的计算公式为：

上式中，r为相关系数，X_i和Y_i分别为盲井点的层速度和盲井的实测层速度，i＝1,2…,N，N为数据总个数，

和

分别为盲井点的层速度和盲井的实测层速度的等级排序平均值。

进一步地：所述步骤S2中网格点上的速度变化梯度值的计算公式为：

上式中，P_i为第i个网格点上的速度变化梯度值，ΔV_i为第i个网格点与计算井的第一层速度差值，ΔI_i为第i个网格点及该计算井点的直线距离；

其中，ΔV_i的计算公式为：

ΔV_i＝V_i-V_o

上式中，V_i为第i个网格点的第一层速度数据值，V_o为计算井的第一层数据值。

进一步地：所述步骤S4的具体步骤为：利用各个计算井相关目的层的各个网格点上的层速度数据值及最优加权因子进行各个网格点上的第二层速度数据的加权重构计算，并对各个网格点上的第二层速度数据进行内插和圆滑处理，得到优化层速度数据平面图，并通过优化层速度数据平面图建立地层速度模型。

本发明的有益效果为：本发明的实施可对于地表起伏大、地腹构造复杂、两翼侧转逆掩断裂带十分发育等复杂地质构造区域及对目的层埋深、构造形态要求较高的页气水平井的轨迹跟踪，利用本发明经其后续相关计算所获得的目的层深度构造图误差小，能够更好的指导确定地下井位目标。可以实现建立精确的地层速度模型，进而减少钻井风险，提高相关油气勘探的经济效益。

附图说明

图1为本发明流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种地层速度模型建立方法，包括以下步骤：

S1、通过地质、测井和地震数据得到相关优选属性数据体和层位数据，并通过层位数据建立层速度计算模型；

地质数据包括岩芯录井资料、地质分层资料和岩石物理测试成果；所述测井数据包括声波和密度测井曲线以及横波数据；所述地震数据为常规三维叠前道集或叠后地震数据体，所述叠后地震数据为对叠前道集数据进行叠加及偏移后得到。

通过对常规三维叠前道集或叠后地震数据体针对层速度进行反演、属性提取得到地震反演、属性数据体；再从地震反演、属性数据体中提取各个井点上目的层的地震反演、属性数据值，并计算它们之间的相关系数，确定出P个反演、属性数据体实施归一化处理后作为优选属性数据体进入下一步骤。原则上，这些反演及属性的计算与层速度的计算是相关的，一般计算纵波速度及横波速度、泊松比、波阻抗等相关的反演及属性数据体；并对相关属性数据进行优选，确定相关的优选属性数据进入下一步骤。另外，对优选属性数据体进行归一化处理，使其经计算后将数据归入到某一值域内。其中，地震反演、属性的提取可有相关的地球物理勘探商业软件来实现，如Landmark公司的PAL模块，可对三维地震叠后数据提取振幅类、频率类、瞬时类地震属性，如jason软件则可计算叠前或叠后波阻抗反演数据、纵波/横波、密度数据体等，VVA软件则可提取曲率、相干体、分频体、最大似然体等数据，FRS软件则可利用三维叠前道集数据进行P波各向异性强度计算，提取P波各向异性强度数据及各种吸收衰减类属性等。相关属性也可以是指对指定的多个属性数据体进行加权融合计算所得到，或对属性数据体进行一些数学计算等得到。这些反演及属性的计算与层速度的计算是相关的，一般计算与纵波速度及横波速度、密度及裂缝等相关的反演及属性数据体。原则上，相关优选属性的计算数目应该大于或等于三个。在实际操作中，通过对常规三维叠前道集或叠后地震数据体进行叠前或叠后反演、属性提取得到多个地震反演、属性数据体；将各个井点上目的层的数据道上的地震反演、属性数据值与对应的井点上层速度数据值进行相关系数计算，选取计算时所得相关系数较高的M个反演、属性数据；并在M个反演、属性数据中选取它们之间的相关系数较低的P个反演、属性数据进入下一步骤，这P个反演、属性数据体作为优选属性数据体。其中，选取相关系数较高的M个反演、属性值是指相关系数大于0.65的M个反演、属性数据体，在M个反演、属性值中选取相关系数较低的P个反演、属性值是指相关系数小于0.45的P个反演、属性数据体。

另外，从地震反演、属性数据体中提取各个井点上目的层的地震反演、属性数据值，主要是指利用井-震合成记录标定成果，确定井点处的时-深关系，并利用井上的目的层深度范围数据值、地震资料解释成果等，确定出井中目的层段对应的双程反射时间段，再将其相关井点坐标及目的层段的双程反射时间段投影到相关属性数据体中，就可以得到目的层的地震反演、属性数据值。其次，可以利用时深关系将过井的相关属性数据体的属性曲线数据从时间域转换到深度域，并对深度域的属性曲线数据进行重采样计算，使其与井上的层速度曲线的采样间隔一致，并能形成属性-层速度数据值之间的一一对应关系。反之，也可以在时间域内形成井点上属性-层速度数据之间的对应关系。

此外，将优选地震反演、属性数据分别进行归一化处理，得到优选属性数据体，并得到各自的归一化处理的函数公式。归一化处理为一种无量纲处理手段，是使物理***数值的绝对值变成某种相对值关系，归一化处理亦即是利用加、减、乘、除或它们之间的组合进行运算。归一化处理的计算公式为：

上式中，X_pi为归一化处理后的样本值，X_p为归一化处理前的样本值，p＝1,2，…,P，X_max＝max{X_p}，X_min＝min{X_p}，n和m均为正整数，m>n≥0。一般情况下，n～m区间值域是指以井中的各种层速度进行统计后，有针对性的对向小及大方向取适当的速度增量而确定。具体情况可以根据专家经验、计算精度及相关研究区地层层速度统计数据等确定，一般可以设定的速度增量为1000m/s。

S2、通过层速度计算模型、相关优选属性数据体计算第一层速度数据体，通过第一层速度数据体建立计算网格并提取网格点，并计算网格点上的速度变化梯度值；

层速度计算模型包括多元线性回归模型和BP神经网络回归数学模型，所述层速度计算模型中设定相关的样本井及盲井，所述样本井对相关的层速度计算模型进行训练，并确定相关层速度计算模型的参数；对层速度计算模型的优选是将盲井的属性数据值和测试层速度计算模型进行盲井点的层速度计算，并将计算结果与盲井的实测层速度进行相关系数的计算，选择相关系数最高的层速度计算模型。

相关的最优层速度计算模型有各种各样的技术方法及流程，并有可能获得相对准确的结果，本次发明技术提供相关层速度计算模型方法及流程如下：

(1)数学模型法。该技术方法主要是建立起相关数学模型进行层速度的计算，适用于研究区内井数目相对较多的情况。相关计算方法及流程如下：

该技术方法主要是建立多种层速度计算模型并对相关模型进行优选，选取最优的一个模型参与后续步骤的计算。具体操作为将所有井分别设定样本井及盲井，利用样本井上层速度曲线的各个层速度数据值与其对应深度域的优选属性数据体曲线上的数据值建立相关的层速度计算模型，如建立多元线性回归、BP神经网络回归及其相关的改进型的数学模型来进行层速度数值计算，并可开发基于地震反演、属性数据预测层速度数值的算法程序。相关计算模型的算法简述如下：

(a)多元回归分析。使用样本井的层速度曲线上的数据及其对应的井点上的优选属性数据建立多元高次多项式回归模型。计算公式如下：

上式中，y_i为预测的某一盲井中层速度曲线的第i个层速度数值，x_ii为该井井点上第i条优选属性数据曲线与第i个层速度数值对应的属性数据，i≤p；a_ij(i＝0,1,…,p；j＝1,2,…,m,m为样本数)为回归系数。

据该井上的实测层速度曲线上的数据值y_in与预测的该井井点上层速度曲线上的值——y_i值之间的残差平方和为最小，用最小二乘法求取各个系数a_ij的值。残差平方和的计算公式如下：

Q＝∑(y_in-y_i)²

上式中，y_in是某一盲井上实测第i个层速度数值，y_i为预测的层速度曲线上与实测的第i个层速度数值相对应的值，Q为残差平方和。

(b)BP神经网络及其相关改进型。这类算法主要利用反向传播学习建立层速度预测的神经网络模型，以实测的层速度曲线数据作为学习训练和测试样本，井点上的相关优选属性数据体上的曲线数据作为学习样本，对网络进行训练。如设立学习样本为(x_1i,x_2i,…,x_pi；t_p)(p＝1,2,…,P；P为样本数)。随机给出w(W_ij，θ_i，v_i)后，根据(9)～(11)式计算网络第p个样本的输出y_p。

上式中，n为输入层的神经元数；m为隐层的神经元数；W_ij为隐层的神经元i与输入层的神经元j的连接权；θ_i为隐层的神经元i的阀值。

上式中，I_i为第i个隐层的神经元的输入；o_i为第i个隐层的神经元的输出。

上式中，v_i为输出层神经元与隐层神经元i的连接权；y_p为第p个样本的输出。

定义由隐层神经元与输入层神经元的连接权W_ij、隐层的神经元的阀值θ_i和输出层神经元与隐层神经元的连接权v_i组成的向量为网络的连接权向量W。

对于样本p，定义网络的输出误差为：

并定义误差函数为：

沿着误差函数e_p随W变化的负梯度方向对W进行修正。设W的修正值为△W，取

上式中，η为学习率，取0～1间的数。

求得△W后，采用迭代式

W+ΔW→W

对原W进行修正计算，得到新的连接权向量W。

对于所有的学习，均按照样本排列顺序进行上述的计算过程，然后固定W的值。对P个样本分别进行正向计算，从而求出学习样本的能量函数值。

通过反复迭代，对网络连接权W进行修正，使E满足某一精度要求。

上式中，E为标准估计误差，其值越小说明所建模型越好，R为决定系数，其值越大说明所建模型越好。

用上述所得的各个数学模型分别计算某盲井段预测的层速度曲线，并与实测的层速度曲线进行相关系数计算，优选相关系数最高的预测层速度曲线所对应得数学模型作为最优层速度计算模型。具体为首先提取该盲井的时深关系，利用该时深关系将盲井井点上的各个数学模型计算所得的曲线数据由时间域转换进深度域，并按层速度曲线的采样率进行重采样计算，得到处理后深度域的预测层速度曲线数据；并分别与盲井的目的层段的实测层速度曲线上的数据值进行相关系数计算，选取相关系数值最高的预测层速度曲线所对应的数学模型作为最优层速度计算模型。另外，样本井与盲井的区别是样本井参与到相关层速度计算模型的计算，而盲井则不参与，盲井只是作为对相关层速度计算模型的测试及优选所用。

相关系数的计算公式为：

上式中，r为相关系数，X_i和Y_i分别为盲井点的层速度和盲井的实测层速度，i＝1,2…,N，N为数据总个数，

和

分别为盲井点的层速度和盲井的实测层速度的等级排序平均值。

另外，也可以根据上述计算模型的误差分析结果，选取误差最小的计算模型作为最优层速度计算模型。具体上，选用何种最优层速度计算模型的分析方法可以根据实际情况及专家经验等情况来决定。

S3、利用各个计算井中的实测层速度及网格点上的速度变化梯度值计算网格点上的层速度，并确定各个计算井的最优加权因子；

建立计算网格并提取网格点上关于第一层速度数据的梯度值。具体操作为根据实际情况设置计算网格参数，这个网格称为设定网格。网格参数包括网格间距和网格数等，网格参数的大小可根据要预测的层速度的网格分布及精度需要情况确定，原则上通常设定的网格间距越大，则预测的精度相对较低，会丢失一些特征信息；网格间距越小，则预测的精度相对较高，所绘结果越详细，但计算量相对增度。一般情况下，设定网格的大小应根据实际及层速度预测需要情况而定，设定的网格通常是规矩的。

其中，关于各个计算井网格点上第一层速度数据的梯度值计算。具体操作为对各个网格点上提取计算的第一层速度数据值，建立相关计算井与各个网格点的平面距离及层速度差值；并对相关网格点上计算关于计算井的梯度值。依此类推，完成各个计算井的平面上各个网格点的梯度计算。依此计算方法，也对校正井进行针对计算井的速度变化梯度值的计算。其中，针对某一口井的第i个网格点上的梯度值的计算如下：

上式中，P_i为第i个网格点上的速度变化梯度值，ΔV_i为第i个网格点与计算井的第一层速度差值，ΔI_i为第i个网格点及该计算井点的直线距离；

其中，ΔV_i的计算公式为：

ΔV_i＝V_i-V_o

上式中，V_i为第i个网格点的第一层速度数据值，V_o为计算井的第一层数据值。

原则上，由于要在计算最优加权因子，所以要使用了校正井，而校正井数目要多于计算井的数目。因此，本发明技术方法需要的井数目必须有两口及以上。

利用计算井井中实测层速度数据及网格点上的梯度值计算网格点上相关的层速度数据值。具体操作为基于计算井中的实测层速度数据及网格点上的梯度值计算网格点上相关的层速度数据值，依此类推，完成各个计算井的各个网格点上的层速度数据的计算。相关计算公式如下：

V_o+P_i*ΔI_i＝V_i

上式中，ΔI_i为过第i个网格点及计算井点的直线距离，P_i为针对该计算井第i个网格点的梯度值，V_i为第i个网格点的第二层速度数据值，V_o为该计算井目的层的实测速度数据值。

S4、将各个计算井的网格点上的层速度和最优加权因子进行数据加权重构、内插和圆滑处理，得到优化层速度数据平面图，并通过优化层速度数据平面图建立地层速度模型。

具体操作为利用各个计算井中实测的层速度数据值对校正井点上的梯度数据建立相关的方程组，再对该方程组求解其相关的系数，相关的系数就作为最优加权系数。其中，最优加权因子的计算公式如下：

上式中，V_j为第j口校正井的实测层速度数据值，

为第j口校正井的第n个计算井的加权因子值，

为第j口校正井的第n个计算井的在该井上计算的速度数据值。如果有f个计算井，则要有f个方程式进行计算，从而确定出各个计算井的

值。

对相关各个计算井网格点上的层速度数据利用各自的最优加权因子进行数据重构得到网格点上层速度重构数据值。其中，相关网格点上的层速度数据重构计算公式如下：

上式中，Y为加权数据处理后的某一个网格点上的优化层速度数据值；C_i为第i个计算井在该网格点上的层速度数据值；其中k_i为第i个计算井的最优加权因子，

且0≦k_i。

利用各个计算井相关目的层的各个网格点上的层速度数据值及最优加权因子进行相关网格点上的第二层速度数据的计算，并对网格点上的第二层速度数据进行内插、圆滑等处理后，得到一个关于目的层的优化层速度数据平面。依此类推，完成各个地层的速度平面图，从而建立研究区内的各个地层速度模型。

在本发明的一个实施例中，对各井井中的声波测井数据值进行相关计算，得到各井的层速度曲线；利用各井的测井数据进行井—震标定，确定地震数据体中页岩段的位置，并得到相关的时深关系表；针对层速度计算的属性采用常规商业软件——VVA软件、FRS及jason软件分别计算并提取了波阻抗数据体、纵波速度及横波速度、梯度数据、密度属性等，并利用人工拾取的速度谱经相关的层速度计算，得到层速度数据体，共计六个地震反演、属性数据体并对井进行相关系数及相互之间的相关系数计算，选取其中的三种属性作为优选属性数据体。在实例中，发现纵波速度及波阻抗、速度谱计算的层速度数据体为最优属性组合，计算的结果与井上的实测层速度数据值的相关性较好，并且属性数据之间的相关性也较低。因此，在后续的计算中，选用这三种属性体为最优属性数据体组合。并利用各自对应的归一化函数计算公式分别进行属性数据的归一化处理，将各种数据及井上的层速度数据都归一化处理到(3160，5600)值域里。在对层位数据的解释中，利用井中的合成记录标定结果，确定相关地层界面——共计9个层位数据，经相关解释后对层位数据进行内插、圆滑等处理，得到相关的层位数据。并对相关的断层进行解释，从而得到相关的断层数据，这样利于建立准确的层位模型。

设计相关层速度计算模型并设立样本井及盲井等，将样本井的层速度曲线上的数据以及相关属性数据体的曲线数据带入各个层速度计算模型进行计算，选择计算结果与盲井层速度情况最接近的层速度计算模型作为最优的层速度计算模型，并实施第一层速度数据体的计算。在实际操作中，根据研究区内的钻井情况，设定样本井计15口，盲井为1口。首先对层速度计算模型进行选取，主要是根据邻区的层速度计算经验及专家的建议、相关测试结果，选取了BP神经网络模型作为该研究区最优层速度计算模型。对三个优选属性数据体代入BP神经网络模型进行计算后，得到第一层速度数据体。

对研究区内的16口井进行计算井及校正井的划分，分别为8口井。利用计算井及第一层速度数据体、设计好的计算网格进行针对计算井——网格点的层速度梯度的计算，并分别对计算井与各个校正井的层速度梯度的计算，从而得到相关的梯度数据。在实际操作中，利用第一层速度数据体及层位数据，计算目的层的层速度数据平均值，并提取网格点、相关井点的层速度数据平均值，从而对相关的梯度值进行计算。在实际操作中，设计的计算网格为5线X5道。

利用各个计算井井中实测层速度数据及网格点上的速度变化梯度值计算网格点上相关的层速度数据值，并利用校正井确定最优加权因子后对各个网格点进行层速度数据加权重构处理，并经内插、圆滑等处理后得到一个优化层速度数据平面图。在实际操中，利用八个计算井中相关实测的层速度数据值及各个网格点上的梯度数据进行计算，得到关于该井的网格点上的层速度数据值。依此类推，完成八个计算井对该目的层段的网格点上的层速度数据的计算。其次，利用八个校正井的实测层速度数据值对八个计算井关于该目的层层速度的最优加权因子计算，采用相关计算公式确定八个计算井的最优加权因子。然后，利用八个网格点上的层速度数据值及最优加权因子实施相关网格点上的加权重构计算，得到各个网格点上的层速度数据值，再对其进行内插、圆滑等处理后，得到一个优化层速度平面。依次类推，完成相关层段的地层速度模型的建立工作。

利用本发明技术所得到的地层速度模型成果，与利用同一后续处理参数对相关常规所得到的地层速度模型进行相关的叠前深度偏移处理后，以两者过井的深度域的地震剖面进行对比分析。相关研究成果表明，本发明技术所得到的深度域地震剖面优于常规处理所得到的深度域地震剖面，地震剖面上的水平井轨迹与相关资料对比分析显示吻合较好。对后续相关水平井的过井剖面的轨迹位置分析，并经后续钻井的相关资料证实，吻合率达到81.5％以上，并在相关钻井中经测试获得高产工业气流。从相关成果对比来看，本发明成果优于常规地层速度模型建立技术所取得的成果，这也证明了本发明技术对地层速度的建模是有效的。

Claims (8)

1.一种地层速度模型建立方法，其特征在于，包括以下步骤：

S1、通过地质、测井和地震数据得到相关优选属性数据体和层位数据，并通过层位数据建立层速度计算模型；

S2、通过层速度计算模型、相关优选属性数据体计算第一层速度数据体，通过第一层速度数据体建立计算网格并提取网格点，并计算网格点上的速度变化梯度值；

S3、利用各个计算井中的实测层速度及网格点上的速度变化梯度值计算网格点上的层速度，并确定各个计算井的最优加权因子；

S4、将各个计算井的网格点上的层速度和最优加权因子进行数据加权重构、内插和圆滑处理，得到优化层速度数据平面图，并通过优化层速度数据平面图建立地层速度模型。

2.根据权利要求1所述的地层速度模型建立方法，其特征在于，所述步骤S1中的地质数据包括岩芯录井资料、地质分层资料和岩石物理测试成果；测井数据包括声波和密度测井曲线以及横波数据；所述地震数据为常规三维叠前道集或叠后地震数据体，所述叠后地震数据体为对叠前道集数据进行叠加及偏移后得到。

3.根据权利要求2所述的地层速度模型建立方法，其特征在于，所述步骤S1的具体步骤为：

S11、通过常规三维叠前道集或叠后地震数据体针对层速度进行反演、属性提取得到地震反演数据体和属性数据体，从地震反演数据体和属性数据体中提取各个井点上目的层的地震反演数据值和属性数据值，对属性数据值进行优选并进行归一化处理，确定相关的优选属性数据体；

S12、利用叠后地震数据体、测井数据和地质数据实施相关井-震标定，在井上确定相关有意义的反射层界面，设定解释网格后对反射层界面进行追踪解释，从而得到相关反射层界面的层位数据。

4.根据权利要求3所述的地层速度模型建立方法，其特征在于，所述步骤S11中归一化处理的计算公式为：

上式中，X_pi为归一化处理后的样本值，X_p为归一化处理前的样本值，X_max＝max{X_p}，X_min＝min{X_p}，n和m均为正整数，m>n≥0。

5.根据权利要求1所述的地层速度模型建立方法，其特征在于，所述步骤S2中的层速度计算模型包括多元线性回归模型和BP神经网络回归数学模型，所述层速度计算模型中设定相关的样本井及盲井，所述样本井对相关的层速度计算模型进行训练，并确定相关层速度计算模型的参数；对层速度计算模型的优选是将盲井的属性数据值和测试层速度计算模型进行盲井点的层速度计算，并将计算结果与盲井的实测层速度进行相关系数的计算，选择相关系数最高的层速度计算模型。

6.根据权利要求5所述的地层速度模型建立方法，其特征在于，所述相关系数的计算公式为：

上式中，r为相关系数，X_i和Y_i分别为盲井点的层速度和盲井的实测层速度，i＝1,2…,N，N为数据总个数，

和

分别为盲井点的层速度和盲井的实测层速度的等级排序平均值。

7.根据权利要求1所述的地层速度模型建立方法，其特征在于，所述步骤S2中网格点上的速度变化梯度值的计算公式为：

上式中，P_i为第i个网格点上的速度变化梯度值，ΔV_i为第i个网格点与计算井的第一层速度差值，ΔI_i为第i个网格点及该计算井点的直线距离；

其中，ΔV_i的计算公式为：

ΔV_i＝V_i-V_o

上式中，V_i为第i个网格点的第一层速度数据值，V_o为计算井的第一层数据值。

8.根据权利要求1所述的地层速度模型建立方法，其特征在于，所述步骤S4的具体步骤为：利用各个计算井相关目的层的各个网格点上的层速度数据值及最优加权因子进行各个网格点上的第二层速度数据的加权重构计算，并对各个网格点上的第二层速度数据进行内插和圆滑处理，得到优化层速度数据平面图，并通过优化层速度数据平面图建立地层速度模型。

Images