CN112147677B - 油气储层参数标签数据生成方法及装置 - Google Patents

油气储层参数标签数据生成方法及装置 Download PDF

Info

Publication number
CN112147677B
CN112147677B CN202010928025.3A CN202010928025A CN112147677B CN 112147677 B CN112147677 B CN 112147677B CN 202010928025 A CN202010928025 A CN 202010928025A CN 112147677 B CN112147677 B CN 112147677B
Authority
CN
China
Prior art keywords
lithofacies
research area
parameter
curves
curve
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010928025.3A
Other languages
English (en)
Other versions
CN112147677A (zh
Inventor
桂金咏
高建虎
李胜军
雍学善
刘炳杨
陈启艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN202010928025.3A priority Critical patent/CN112147677B/zh
Publication of CN112147677A publication Critical patent/CN112147677A/zh
Application granted granted Critical
Publication of CN112147677B publication Critical patent/CN112147677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/282—Application of seismic models, synthetic seismograms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/61—Analysis by combining or comparing a seismic data set with other data
    • G01V2210/616—Data from specific type of measurement
    • G01V2210/6169—Data from specific type of measurement using well-logging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters
    • G01V2210/6242—Elastic parameters, e.g. Young, Lamé or Poisson
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供了一种油气储层参数标签数据生成方法及装置，该方法包括：根据研究区的测井数据，利用高斯混合分布函数，得到岩相的先验分布概率；进行马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线；进行序贯高斯模拟，生成多条随横向变化的岩相曲线；根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线；进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线；利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据。无需依赖研究区测井的数量与质量，提高了生成的标签数据的可迁移性，进而提高生成效率。

Description

油气储层参数标签数据生成方法及装置
技术领域
本发明涉及油气地球物理勘探技术领域，尤其涉及一种油气储层参数标签数据生成方法及装置。
背景技术
近年来我国油气勘探的重点逐渐向岩性油气藏勘探转移。不同于构造油气藏，这些新型储层受构造和储层非均质性的影响，成藏条件复杂，识别难度大，难以定量预测，投资风险高。在油气地球物理勘探领域，储层参数，如岩相、纵横波速度等弹性参数以及孔隙度、含油气饱和度等物性参数，能够对地下岩石的弹性性质和物性性质进行描述，是岩性油气藏预测的重要参数。由于成藏条件复杂，地震响应特征与储层参数间存在高度非线性的关系。常规利用地震资料预测储层参数的技术存在较大的误差，达不到定量化勘探的要求。人工智能技术的出现，使得这类复杂油气藏的定量化预测成为可能。在油气地球物理勘探领域，通过人工智能与现有常规地震资料处理、解释技术相结合形成智能化物探技术，可极大提高地震资料处理和解释工作效率。
而标签数据是人工智能监督学习网络的基础，其数量和质量直接决定预测结果的好坏。但油气地球物理勘探领域由于数据资源有限，标签数据极度缺乏，严重制约着储层参数智能化预测技术的发展。现有油气储层参数标签数据的生成，主要利用已知测井数据与井旁道地震数据生成标签数据。但此方法会使得标签数据的生成严重依赖研究区测井的数量与质量，因此，对于测井少的研究区来说无法生成油气储层参数标签数据。另外，所生成的标签数据的可迁移性极差，往往换个目标研究区，就需要重新采集大量的测井数据及井旁道地震数据，使得油气储层参数标签数据的生成效率十分低下。
发明内容
本发明实施例提供一种油气储层参数标签数据生成方法，用以无需依赖研究区测井的数量与质量，提高生成的标签数据的可迁移性，提高标签数据的生成效率，该方法包括：
根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率；
根据研究区的岩相的先验分布概率，进行马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线；
根据生成的多条随深度变化的岩相曲线，进行序贯高斯模拟，生成多条随横向变化的岩相曲线；
根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和研究区的油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线；
根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线；
根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据；
根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率，包括：
采用期望最大估算法，对研究区的物性参数测井曲线和弹性参数测井曲线，进行多元高斯混合分布函数估算，得到物性参数对应的高斯混合分布函数中的比例系数和弹性参数对应的高斯混合分布函数中的比例系数；
根据物性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于物性划分的岩相的种类与先验分布概率；
根据弹性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于弹性划分的岩相的种类与先验分布概率；
根据研究区的基于物性划分的岩相的种类与先验分布概率和研究区的基于弹性划分的岩相的种类与先验分布概率，得到研究区的岩相的先验分布概率；
选取岩相的种类数目最多的对应的先验分布概率为研究区的岩相的先验分布概率；当二者的岩相的种类数目相等时，则取二者岩相的先验分布概率的均值作为研究区的岩相的先验分布概率。
本发明实施例还提供一种油气储层参数标签数据生成装置，用以无需依赖研究区测井的数量与质量，提高生成的标签数据的可迁移性，提高标签数据的生成效率，该装置包括：
先验分布计算模块，用于根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率；
蒙特卡洛模拟模块，用于根据研究区的岩相的先验分布概率，进行马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线；
序贯高斯模拟模块，用于根据生成的多条随深度变化的岩相曲线，进行序贯高斯模拟，生成多条随横向变化的岩相曲线；
物性填充模块，用于根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和研究区的油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线；
统计岩石物理建模模块，用于根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线；
油气储层参数标签数据生成模块，用于根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据；
所述先验分布计算模块，包括：
比例系数确定单元，用于采用期望最大估算法，对研究区的物性参数测井曲线和弹性参数测井曲线，进行多元高斯混合分布函数估算，得到物性参数对应的高斯混合分布函数中的比例系数和弹性参数对应的高斯混合分布函数中的比例系数；
物性划分单元，用于根据物性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于物性划分的岩相的种类与先验分布概率；
弹性划分单元，用于根据弹性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于弹性划分的岩相的种类与先验分布概率；
先验分布确定单元，用于根据研究区的基于物性划分的岩相的种类与先验分布概率和研究区的基于弹性划分的岩相的种类与先验分布概率，得到研究区的岩相的先验分布概率；
选取岩相的种类数目最多的对应的先验分布概率为研究区的岩相的先验分布概率；当二者的岩相的种类数目相等时，则取二者岩相的先验分布概率的均值作为研究区的岩相的先验分布概率。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述油气储层参数标签数据生成方法。
本发明实施例也提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述油气储层参数标签数据生成方法的计算机程序。
本发明实施例中，通过根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率；根据研究区的岩相的先验分布概率，进行马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线；根据生成的多条随深度变化的岩相曲线，进行序贯高斯模拟，生成多条随横向变化的岩相曲线；根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和研究区的油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线；根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线；根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据；通过马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线和序贯高斯模拟生成多条随横向变化的岩相曲线，使得在研究区内测井数量少或质量不佳时，也能产生充足的标签数据，油气储层参数标签数据生成无需依赖研究区测井的数量与质量；通过在标签生成的过程中引入研究区的岩相的先验分布概率、地震子波，以及岩相约束统计岩石物理建模，能够得到与研究区特性相适配的油气储层参数标签数据；因而，在更换研究区时，只需根据研究区的特性，适应性调整就能够使得生成的标签数据适应不同的研究区，无需重新采集大量的测井数据及井旁道地震数据，提高了生成的标签数据的可迁移性，进而提高标签数据的生成效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中油气储层参数标签数据生成方法的示意图。
图2为本发明具体实施例中步骤101的具体实现方法示意图。
图3为本发明具体实施例中步骤104的具体实现方法示意图。
图4为本发明具体实施例中步骤106的具体实现方法示意图。
图5为本发明具体应用实施中油气储层参数标签数据制作装置的结构示意图。
图6为本发明具体应用实施中基于弹性参数岩相划分结果示意图。
图7为本发明具体应用实施中基于物性参数岩相划分结果示意图。
图8为本发明具体应用实施中随深度变化的5条相邻的岩相曲线示意图。
图9为本发明具体应用实施中随横向变化的5条相邻的岩相曲线示意图。
图10为本发明具体应用实施中某一条岩相曲线及充填后的物性参数曲线示意图。
图11为本发明具体应用实施中图10所对应的弹性参数曲线示意图。
图12为本发明具体应用实施中合成的叠前地震角度道集示意图。
图13为本发明具体应用实施中图12对应的含噪叠前地震角度道集示意图示意图。
图14为本发明实施例中油气储层参数标签数据生成装置的示意图。
图15为本发明具体实施例中先验分布计算模块1401的结构示意图。
图16为本发明具体实施例中物性填充模块1404的结构示意图。
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。
本发明实施例提供了一种油气储层参数标签数据生成方法，用以无需依赖研究区测井的数量与质量，提高生成的标签数据的可迁移性，提高标签数据的生成效率，如图1所示，该方法包括：
步骤101：根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率；
步骤102：根据研究区的岩相的先验分布概率，进行马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线；
步骤103：根据生成的多条随深度变化的岩相曲线，进行序贯高斯模拟，生成多条随横向变化的岩相曲线；
步骤104：根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和研究区的油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线；
步骤105：根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线；
步骤106：根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据。
由图1所示流程可以得知，本发明实施例中，通过根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率；根据研究区的岩相的先验分布概率，进行马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线；根据生成的多条随深度变化的岩相曲线，进行序贯高斯模拟，生成多条随横向变化的岩相曲线；根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和研究区的油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线；根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线；根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据；通过马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线和序贯高斯模拟生成多条随横向变化的岩相曲线，使得在研究区内测井数量少或质量不佳时，也能产生充足的标签数据，油气储层参数标签数据生成无需依赖研究区测井的数量与质量；通过在标签生成的过程中引入研究区的岩相的先验分布概率、地震子波，以及岩相约束统计岩石物理建模，能够得到与研究区特性相适配的油气储层参数标签数据；因而，在更换研究区时，只需根据研究区的特性，适应性调整就能够使得生成的标签数据适应不同的研究区，无需重新采集大量的测井数据及井旁道地震数据，提高了生成的标签数据的可迁移性，进而提高标签数据的生成效率。
具体实施时，首先根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率，具体实施时，如图2所示，包括：
步骤201：采用期望最大估算法，对研究区的物性参数测井曲线和弹性参数测井曲线，进行多元高斯混合分布函数估算，得到物性参数对应的高斯混合分布函数中的比例系数和弹性参数对应的高斯混合分布函数中的比例系数；
步骤202：根据物性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于物性划分的岩相的种类与先验分布概率；
步骤203：根据弹性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于弹性划分的岩相的种类与先验分布概率；
步骤204：根据研究区的基于物性划分的岩相的种类与先验分布概率和研究区的基于弹性划分的岩相的种类与先验分布概率，得到研究区的岩相的先验分布概率。
具体实施例中，研究区的物性参数包括研究区的含油气饱和度、孔隙度、矿物含量等参数，弹性参数包括纵波速度、横波速度、密度等参数。采用期望最大估算法，对研究区的物性参数测井曲线和弹性参数测井曲线，进行多元高斯混合分布函数估算，估算得到物性参数对应的高斯混合分布函数中的高斯部件数和比例系数，以及弹性参数对应的高斯混合分布函数中的高斯部件数和比例系数。
根据物性参数对应的高斯混合分布函数中的高斯部件数(即比例系数的个数)，确定研究区的基于物性划分的岩相的种类数目，根据物性参数对应的高斯混合分布函数中的比例系数的值，研究区的基于物性划分的岩相的先验分布概率。
根据弹性参数对应的高斯混合分布函数中的高斯部件数(即比例系数的个数)，确定研究区的基于弹性划分的岩相的种类数目，根据弹性参数对应的高斯混合分布函数中的比例系数的值，研究区的基于弹性划分的岩相的先验分布概率。
综合研究区的基于物性划分的岩相的种类与先验分布概率和研究区的基于弹性划分的岩相的种类与先验分布概率，选取岩相的种类数目最多的对应的先验分布概率为研究区的岩相的先验分布概率。当二者的岩相的种类数目相等时，则取二者岩相的先验分布概率的均值作为研究区的岩相的先验分布概率。
得到研究区的岩相的先验分布概率后，根据研究区的岩相的先验分布概率，进行马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线。具体实施时，假设时刻t属于某类别岩相的概率，仅与前一时刻t-1的所属岩相类别的概率有关，在深度方向上的变化视作不同岩相类别间的转移。定义岩相向下的马尔科夫转移概率矩阵为：
其中，矩阵元素pi,j表示从岩相类别i转向岩相类别j的条件概率：
pi,j＝P(Fj|Fi)
＝P(Fi|Fj)P(Fj)/P(Fi)
具体实施例中，通过对研究区的测井样本的统计，可得到上述马尔科夫转移概率矩阵，已知时刻t下的岩相的先验分布概率P(Ft)，利用得到的马尔科夫转移概率矩阵，即可得到时刻t+1下的岩相的先验分布概率P(Ft+1)：
P(Ft+1)＝P(Ft)PT
得到每个时刻下的岩相的先验分布概率，利用蒙特卡洛随机模拟方法，即可生成多条随深度变化的岩相曲线。
生成多条随深度变化的岩相曲线后，根据生成的多条随深度变化的岩相曲线，进行序贯高斯模拟，生成多条随横向变化的岩相曲线。具体实施时，将每条随深度变化的岩相曲线，作为种子样本，利用变差函数进行序贯高斯模拟，生成多条随横向变化的岩相曲线；其中，变差函数是利用研究区的测井处的岩相样本进行椭圆函数拟合得到的。
生成多条随横向变化的岩相曲线后，根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和研究区的油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线。具体实施过程，如图3所示，包括：
步骤301：根据研究区的油气储层参数测井曲线取值的先验特征，构建高斯混合分布函数，随机产生符合各个岩相层段的油气储层参数先验分布特征的多个储层参数；
步骤302：根据上述多个储层参数、多条随深度变化的岩相曲线和多条随横向变化的岩相曲线，得到研究区的物性参数曲线。
其中，研究区的油气储层参数测井曲线取值的先验特征包括研究区内各岩相中油气储层参数的最大值、最小值、均值以及方差特征。物性参数曲线例如可以是孔隙度曲线、含水饱和度曲线和泥质含量曲线等。
得到研究区的物性参数曲线后，根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线。具体实施时，不同岩相中物性参数与弹性参数的关系不同，岩相约束统计岩石物理建模采用如下公式，确定研究区的弹性参数曲线：
E＝f(R,F)+χ
其中，E表示弹性参数，R表示物性参数，F表示岩相；
f(·)表示岩石物理模型，由研究区的岩石物理实验或历史经验关系得到；
χ表示岩石物理模型与实际值间的统计误差，服从高斯截断分布，由实测的测井曲线与模拟的测井曲线间的误差分布特征统计得到。
具体实施例中，弹性参数曲线例如可以是纵波速度曲线、横波速度曲线以及密度曲线。
确定研究区的弹性参数曲线后，根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据。具体实施过程，如图4所示，包括：
步骤401：根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，引入不同强度的随机噪声，合成叠前地震角度道集；其中，叠前地震角度道集包含多个不同噪声强度下振幅随入射角变化的叠前道集的样本；
步骤402：提取上述样本的岩相、物性参数和弹性参数，作为油气储层参数标签数据。
其中，所采用的地震子波的主频与长度，需要根据研究区的地震资料的主频和目的层厚度来确定。随机噪声为高斯噪声，需要利用高斯函数产生多个不同强度的随机噪声，来模拟不同信噪比的地震资料。叠前地震角度道集为振幅随角度变化的道集，且角度个数需要根据研究区的叠前地震资料的角度范围来确定。
合成的叠前地震角度道集中包含不同噪声强度下振幅随入射角变化的叠前道集的样本，每个样本对应的岩相、物性参数、弹性参数即可作为研究区的油气储层参数标签数据。
进一步地，具体实施例中，通过调整马尔科夫链蒙特卡洛随机模拟和序贯高斯模拟生成的曲线数目，能够实现标签数据的可扩展性。即实际生成的曲线数目具有可控制性，根据油气储层参数人工智能预测对含有标签数据的样本的需求量，及研究区油气纵、横向变化特点，可扩展所需要的曲线数目。例如，在随深度变化剧烈的研究区，增加马尔科夫链蒙特卡洛随机模拟生成的曲线数目；在随横向变化剧烈的研究区，增加序贯高斯模拟生成的曲线数目。
具体实施例中，通过根据不同研究区的特性调整油气储层参数的测井曲线的取值特征、地震子波的特征、岩相约束统计岩石物理建模以及合成的叠前地震道集的角度个数，能够使得生成的标签数据进行迁移来适应不同的研究区，实现标签数据的迁移性。具体地，油气储层参数的测井曲线的取值特征具体指对实际研究区的物性参数测井曲线和弹性参数测井曲线进行多元高斯混合分布函数估算，估算出的高斯混合分布函数中的高斯部件数、均值、方差、比例系数等数据。地震子波的特征包括地震子波的主频和长度，是根据实际研究区地震资料的主频和目的层厚度来确定的。岩相约束统计岩石物理建模具体是指，以实际研究区的岩相为约束统计确定的岩石物理模型。合成的叠前地震道集的角度个数是根据实际研究区的叠前地震资料的角度范围来确定的。
下面给出一具体实例说明本发明实施例如何进行油气储层参数标签数据的生成。本例应用于一具体研究区。
本具体实例提供了一种油气储层参数标签数据制作装置，结构如图5所示，包括：
先验分布计算模块501，用于采用高斯混合分布函数得到研究区岩相的先验分布概率；
蒙特卡洛模拟模块502，用于根据研究区岩相的先验分布概率，利用马尔科夫链蒙特卡洛随机模拟，生成大量随深度变化的岩相曲线；
序贯高斯模拟模块503，用于根据随深度变化的岩相曲线，利用序贯高斯模拟产生多个随横向变化的岩相曲线；
物性填充模块504，用于根据随深度变化的岩相曲线和随横向变化的岩相曲线，结合储层参数测井曲线取值先验特征，随机充填各个岩相，得到研究区的物性参数曲线；
统计岩石物理建模模块505，用于根据研究区的物性参数曲线，采用岩相约束统计岩石物理建模，将物性参数曲线转换为研究区的弹性参数曲线；
叠前地震角度道集合成模块506，用于根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，引入不同强度的随机噪声，合成对应的叠前地震角度道集；
训练样本生成模块507，用于将合成叠前地震角度道集作为油气储层人工智能预测的观测样本集，样本集中每个样本对应的岩相、物性参数、弹性参数作为标签数据；
标签数据扩展模块508，用于扩展随深度变化的岩相曲线和随横向变化的岩相曲线生成的数目；
标签数据迁移模块509，用于改变储层参数测井曲线取值先验特征、地震子波的特征与基于岩相约束选择合适的岩石物理模型，对标签数据进行迁移，以适应不同的研究区。
根据上述油气储层参数标签数据制作装置，进行油气储层参数标签数据的制作，制作方法的工艺流程具体包括以下步骤：
步骤S1：采用期望最大估算法，对研究区弹性参数测井曲线进行多元高斯混合分布函数估算，估算出高斯混合分布函数中的高斯部件数、均值、方差、比例系数，根据估算出的比例系数的个数及取值，确定弹性物性划分的岩相的种类与先验概率。
图6所示为本发明具体实例中利用纵波速度、横波速度、密度等弹性参数进行高斯混合分布函数估算结果。可以看到上述弹性参数的分布形态被分解为3个高斯函数，即高斯混合分布中的部件数为3，代表该地区的岩相被划分为3种岩相，3个高斯函数(实线、点划线、虚线)叠在一起构成弹性参数的先验分布形态，叠加比例分别为0.46、0.28、0.26，代表每种岩相的先验概率。因此，本发明具体实例中，结合研究区实际存在的岩性及流体信息，可以判定基于弹性参数划分3种岩相分别为泥岩相(实线)、含水砂岩相(点划线)、含气砂岩相(虚线)，分别对应的先验概率为0.46、0.28、0.26。
步骤S2：采用期望最大估算法，对研究区物性参数测井曲线进行多元高斯混合分布函数估算，估算出高斯混合分布函数中的高斯部件数、均值、方差、比例系数，根据估算出的比例系数的个数及取值，确定基于物性划分的岩相的种类与先验概率。
图7所示为本发明实施例中利用泥质含量、孔隙度、含气饱和度等物性参数进行高斯混合分布函数估算结果。可以看到上述物性参数的分布形态被分解为3个高斯函数，即高斯混合分布中的部件数为3，代表该地区的岩相被划分为3种岩相，3个高斯函数(实线、点划线、虚线)叠在一起构成弹性参数的先验分布形态，叠加比例分别为0.42、0.29、0.29，代表每种岩相的先验概率。因此，本发明实施例中，结合研究区实际存在的岩性及流体信息，可以判定基于物性参数划分3种岩相分别为泥岩相(实线)、含水砂岩相(点划线)、含气砂岩相(虚线)，分别对应的先验概率为0.42、0.29、0.29。
步骤S3：综合基于物性与基于弹性划分的岩相种类与先验概率，选取种岩相种类数最多对应的划分结果为最终岩相划分及岩相先验概率结果。二者划分的岩相种类数如果相等，则取二者岩相先验概率的均值作为最终岩相先验概率。
由于基于物性与基于弹性划分的岩相种类都是3种，因此本具体实例中岩相划分种类为3，分别为泥岩相、含水砂岩相、含气砂岩相，分别对应的先验概率为0.44、0.285、0.275。
步骤S4：根据步骤S3中研究区的岩相的先验分布概率，利用马尔科夫链蒙特卡洛随机模拟生成大量随深度变化的岩相曲线，其中马尔科夫链中的岩相随深度转移概率矩阵，由对已有测井综合解释曲线样本进行统计得到。
如图8所示，为本发明具体实例中随深度变化的5条相邻的岩相曲线。
步骤S5：将生成的随深度变化的每条岩相曲线作为种子样本，利用序贯高斯模拟技术产生多条横向变岩相曲线，其中，序贯高斯模拟横向变化所使用的变差函数由研究区已知井点处的岩相样本通过椭圆函数拟合得到。
图9所示为本发明具体实例中随横向变化的5条相邻的岩相曲线。
步骤S6：根据步骤S4和S5中生成的岩相曲线，结合储层参数测井曲线取值先验特征，随机充填各个岩相，得到物性参数曲线。其中，储层参数测井取值先验特征包括各岩相中储层参数的最大值、最小值、均值、方差特征。根据上述特征，构建高斯混合分布函数来随机产生一系列符合各个岩相层段的储层参数先验分布特征的储层参数。
图10所示为本发明具体实例中某一条岩相曲线及充填后的物性参数曲线。
步骤S7：根据步骤S6中生成的物性参数曲线，采用岩相约束统计岩石物理建模，将储层参数曲线转换为相应的弹性参数曲线；建模采用如下公式：
E＝f(R,F)+χ
其中，E表示弹性参数，R表示物性参数，F表示岩相；
f(·)表示岩石物理模型，由研究区的岩石物理实验或经验关系得到；
χ表示岩石物理模型与实际值间的统计误差，服从高斯截断分布，由实测的测井曲线与模拟的测井曲线间的误差分布特征统计得到。
图11所示为本发明具体实例中，根据图10中的物性参数，通过岩相约束统计岩石物理建模生成的弹性参数曲线。
步骤S8：给定地震子波的主频及长度，生成地震子波。本发明具体实例中依据雷克子波公式生成：
其中，w(t)表示雷克子波；f0表示主频，单位为赫兹；t为时间长度，单位为秒。
在本步骤中，也可选择其他类型的地震子波，本发明具体实例在此不做限制。
步骤S9：利用步骤S7中生成的弹性参数，依据Zoeppritz方程计算反射系数，与步骤S8中的地震子波进行褶积运算，合成叠前地震角度道集。
图12为本发明具体实例中合成的叠前地震角度道集。
步骤S10：生成不同强度的高斯噪声，加入到步骤S9合成的叠前地震角度道集中，模拟不同信噪比的叠前地震角度道集。
图13所示为图12中叠前地震角度道集加入信噪比分别为10、6、4时的含噪叠前地震角度道集。
步骤S11：将步骤S10合成的含噪叠前地震角度道集作为训练样本，步骤S4与步骤S5生成的岩相曲线，步骤S6生成的物性参数曲线，步骤S7生成的弹性参数曲线作为标签数据，为储层参数智能化预测提供深度网络训练学习数据。
步骤S12：根据步骤S11对训练样本与标签数据集数量的需求，调整马尔科夫链蒙特卡洛随机模拟和序贯高斯模拟生成的曲线数目，实现标签数据的可扩展性。在随深度变化剧烈的研究区，加大马尔科夫链蒙特卡洛随机模拟生成的曲线数目；在随横向变化剧烈的研究区，加大序贯高斯模拟生成的曲线数目。
本发明具体实例中随深度变化生成了50条岩相曲线，且每条岩相曲线又生成了50随横向变化的曲线，共模拟了2500条岩相曲线。
步骤S13：根据步骤S11对训练样本与标签数据集迁移性的需求，更换步骤S1、S2中弹性参数和物性参数测井曲线，改变步骤S7中岩石物理模型，调整步骤S8中子波的主频及时长和步骤S9中叠前地震角度道集的角度范围，使产生的训练样本与标签数据集符合目标研究区。
在本发明具体实例中，所用的岩石物理模型为KT模型，地震子波主频为35赫兹，时长为0.064秒，叠前地震角度道集的角度范围为0-32°。
以上具体实例说明，所提供的油气储层参数标签数据制作装置及方法，具有灵活的扩展性与迁移性。
上述具体应用的实施仅为举例，其余实施方式不再一一赘述。
基于同一发明构思，本发明实施例还提供一种油气储层参数标签数据生成装置，由于油气储层参数标签数据生成装置所解决问题的原理与油气储层参数标签数据生成法相似，因此油气储层参数标签数据生成装置的实施可以参见油气储层参数标签数据生成方法的实施，重复之处不再赘述，具体结构如图14所示：
先验分布计算模块1401，用于根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率；
蒙特卡洛模拟模块1402，用于根据研究区的岩相的先验分布概率，进行马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线；
序贯高斯模拟模块1403，用于根据生成的多条随深度变化的岩相曲线，进行序贯高斯模拟，生成多条随横向变化的岩相曲线；
物性填充模块1404，用于根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和研究区的油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线；
统计岩石物理建模模块1405，用于根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线；
油气储层参数标签数据生成模块1406，用于根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据。
具体实施例中，先验分布计算模块1401，如图15所示，包括：
比例系数确定单元1501，用于采用期望最大估算法，对研究区的物性参数测井曲线和弹性参数测井曲线，进行多元高斯混合分布函数估算，得到物性参数对应的高斯混合分布函数中的比例系数和弹性参数对应的高斯混合分布函数中的比例系数；
物性划分单元1502，用于根据物性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于物性划分的岩相的种类与先验分布概率；
弹性划分单元1503，用于根据弹性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于弹性划分的岩相的种类与先验分布概率；
先验分布确定单元1504，用于根据研究区的基于物性划分的岩相的种类与先验分布概率和研究区的基于弹性划分的岩相的种类与先验分布概率，得到研究区的岩相的先验分布概率。
具体实施例中，序贯高斯模拟模块1403具体用于：
将每条随深度变化的岩相曲线，作为种子样本，利用变差函数进行序贯高斯模拟，生成多条随横向变化的岩相曲线；其中，变差函数是利用研究区的测井处的岩相样本进行椭圆函数拟合得到的。
具体实施时，物性填充模块1404，如图16所示，包括：
储层参数确定单元1601，用于根据研究区的油气储层参数测井曲线取值的先验特征，构建高斯混合分布函数，随机产生符合各个岩相层段的油气储层参数先验分布特征的多个储层参数；
物性参数曲线确定单元1602，用于根据上述多个储层参数、多条随深度变化的岩相曲线和多条随横向变化的岩相曲线，得到研究区的物性参数曲线。
具体实施例中，统计岩石物理建模模块1405具体用于：
按照如下公式，根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线：
E＝f(R,F)+χ
其中，E表示弹性参数，R表示物性参数，F表示岩相；
f(·)表示岩石物理模型，由研究区的岩石物理实验或经验关系得到；
χ表示岩石物理模型与实际值间的统计误差，服从高斯截断分布，由实测的测井曲线与模拟的测井曲线间的误差分布特征统计得到。
具体实施例中，油气储层参数标签数据生成模块1406具体用于：
根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，引入不同强度的随机噪声，合成叠前地震角度道集；其中，叠前地震角度道集包含多个不同噪声强度下振幅随入射角变化的叠前道集的样本；
提取多个样本的岩相、物性参数和弹性参数，作为油气储层参数标签数据。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述油气储层参数标签数据生成方法。
本发明实施例还提供一种计算机可读存储介质，存储有执行上述油气储层参数标签数据生成方法的计算机程序。
综上所述，本发明实施例提供的油气储层参数标签数据生成方法及装置具有如下优点：
通过根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率；根据研究区的岩相的先验分布概率，进行马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线；根据生成的多条随深度变化的岩相曲线，进行序贯高斯模拟，生成多条随横向变化的岩相曲线；根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和研究区的油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线；根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线；根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据；通过马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线和序贯高斯模拟生成多条随横向变化的岩相曲线，使得在研究区内测井数量少或质量不佳时，也能产生充足的标签数据，油气储层参数标签数据生成无需依赖研究区测井的数量与质量；通过在标签生成的过程中引入研究区的岩相的先验分布概率、地震子波，以及岩相约束统计岩石物理建模，能够得到与研究区特性相适配的油气储层参数标签数据；因而，在更换研究区时，只需根据研究区的特性，适应性调整就能够使得生成的标签数据适应不同的研究区，无需重新采集大量的测井数据及井旁道地震数据，提高了生成的标签数据的可迁移性，进而提高标签数据的生成效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种油气储层参数标签数据生成方法，其特征在于，包括：
根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率；
根据研究区的岩相的先验分布概率，进行马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线；
根据生成的多条随深度变化的岩相曲线，进行序贯高斯模拟，生成多条随横向变化的岩相曲线；
根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和研究区的油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线；物性参数包括研究区的含油气饱和度、孔隙度和矿物含量；
根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线，弹性参数包括纵波速度、横波速度和密度；
根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据；地震子波的主频与长度，根据研究区的地震资料的主频和目的层厚度来确定；
根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率，包括：
采用期望最大估算法，对研究区的物性参数测井曲线和弹性参数测井曲线，进行多元高斯混合分布函数估算，得到物性参数对应的高斯混合分布函数中的比例系数和弹性参数对应的高斯混合分布函数中的比例系数；
根据物性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于物性划分的岩相的种类与先验分布概率；
根据弹性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于弹性划分的岩相的种类与先验分布概率；
根据研究区的基于物性划分的岩相的种类与先验分布概率和研究区的基于弹性划分的岩相的种类与先验分布概率，得到研究区的岩相的先验分布概率；
选取岩相的种类数目最多的对应的先验分布概率为研究区的岩相的先验分布概率；当二者的岩相的种类数目相等时，则取二者岩相的先验分布概率的均值作为研究区的岩相的先验分布概率；
按照如下公式，根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线：
E＝f(R,F)+c
其中，E表示弹性参数，R表示物性参数，F表示岩相；
f(·)表示岩石物理模型，由研究区的岩石物理实验或经验关系得到；
c表示岩石物理模型与实际值间的统计误差，服从高斯截断分布，由实测的测井曲线与模拟的测井曲线间的误差分布特征统计得到；
根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据，包括：
根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，引入不同强度的随机噪声，合成叠前地震角度道集；其中，所述叠前地震角度道集包含多个不同噪声强度下振幅随入射角变化的叠前道集的样本；
提取所述样本的岩相、物性参数和弹性参数，作为油气储层参数标签数据。
2.如权利要求1所述的方法，其特征在于，根据生成的多条随深度变化的岩相曲线，进行序贯高斯模拟，生成多条随横向变化的岩相曲线，包括：
将每条随深度变化的岩相曲线，作为种子样本，利用变差函数进行序贯高斯模拟，生成多条随横向变化的岩相曲线；
其中，所述变差函数是利用研究区的测井处的岩相样本进行椭圆函数拟合得到的。
3.如权利要求1所述的方法，其特征在于，根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和研究区的油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线，包括：
根据研究区的油气储层参数测井曲线取值的先验特征，构建高斯混合分布函数，随机产生符合各个岩相层段的油气储层参数先验分布特征的多个储层参数；
根据所述多个储层参数、多条随深度变化的岩相曲线和多条随横向变化的岩相曲线，得到研究区的物性参数曲线。
4.一种油气储层参数标签数据生成装置，其特征在于，包括：
先验分布计算模块，用于根据研究区的测井数据，利用高斯混合分布函数，得到研究区的岩相的先验分布概率；
蒙特卡洛模拟模块，用于根据研究区的岩相的先验分布概率，进行马尔科夫链蒙特卡洛随机模拟生成多条随深度变化的岩相曲线；
序贯高斯模拟模块，用于根据生成的多条随深度变化的岩相曲线，进行序贯高斯模拟，生成多条随横向变化的岩相曲线；
物性填充模块，用于根据多条随深度变化的岩相曲线、多条随横向变化的岩相曲线和研究区的油气储层参数测井曲线取值的先验特征，随机填充各个岩相，得到研究区的物性参数曲线，物性参数包括研究区的含油气饱和度、孔隙度和矿物含量；
统计岩石物理建模模块，用于根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线，弹性参数包括纵波速度、横波速度和密度；
油气储层参数标签数据生成模块，用于根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，生成油气储层参数标签数据；地震子波的主频与长度，根据研究区的地震资料的主频和目的层厚度来确定；
所述先验分布计算模块，包括：
比例系数确定单元，用于采用期望最大估算法，对研究区的物性参数测井曲线和弹性参数测井曲线，进行多元高斯混合分布函数估算，得到物性参数对应的高斯混合分布函数中的比例系数和弹性参数对应的高斯混合分布函数中的比例系数；
物性划分单元，用于根据物性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于物性划分的岩相的种类与先验分布概率；
弹性划分单元，用于根据弹性参数对应的高斯混合分布函数中的比例系数，确定研究区的基于弹性划分的岩相的种类与先验分布概率；
先验分布确定单元，用于根据研究区的基于物性划分的岩相的种类与先验分布概率和研究区的基于弹性划分的岩相的种类与先验分布概率，得到研究区的岩相的先验分布概率；
选取岩相的种类数目最多的对应的先验分布概率为研究区的岩相的先验分布概率；当二者的岩相的种类数目相等时，则取二者岩相的先验分布概率的均值作为研究区的岩相的先验分布概率；
所述统计岩石物理建模模块具体用于：
按照如下公式，根据研究区的物性参数曲线，进行岩相约束统计岩石物理建模，确定研究区的弹性参数曲线：
E＝f(R,F)+c
其中，E表示弹性参数，R表示物性参数，F表示岩相；
f(·)表示岩石物理模型，由研究区的岩石物理实验或经验关系得到；
c表示岩石物理模型与实际值间的统计误差，服从高斯截断分布，由实测的测井曲线与模拟的测井曲线间的误差分布特征统计得到；
所述油气储层参数标签数据生成模块具体用于：
根据研究区的弹性参数曲线，利用Zoeppritz反射方程与地震子波进行褶积，引入不同强度的随机噪声，合成叠前地震角度道集；其中，所述叠前地震角度道集包含多个不同噪声强度下振幅随入射角变化的叠前道集的样本；
提取所述样本的岩相、物性参数和弹性参数，作为油气储层参数标签数据。
5.如权利要求4所述的装置，其特征在于，所述序贯高斯模拟模块具体用于：
将每条随深度变化的岩相曲线，作为种子样本，利用变差函数进行序贯高斯模拟，生成多条随横向变化的岩相曲线；
其中，所述变差函数是利用研究区的测井处的岩相样本进行椭圆函数拟合得到的。
6.如权利要求4所述的装置，其特征在于，所述物性填充模块包括：
储层参数确定单元，用于根据研究区的油气储层参数测井曲线取值的先验特征，构建高斯混合分布函数，随机产生符合各个岩相层段的油气储层参数先验分布特征的多个储层参数；
物性参数曲线确定单元，用于根据所述多个储层参数、多条随深度变化的岩相曲线和多条随横向变化的岩相曲线，得到研究区的物性参数曲线。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3任一所述方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至3任一所述方法的计算机程序。
CN202010928025.3A 2020-09-07 2020-09-07 油气储层参数标签数据生成方法及装置 Active CN112147677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010928025.3A CN112147677B (zh) 2020-09-07 2020-09-07 油气储层参数标签数据生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010928025.3A CN112147677B (zh) 2020-09-07 2020-09-07 油气储层参数标签数据生成方法及装置

Publications (2)

Publication Number Publication Date
CN112147677A CN112147677A (zh) 2020-12-29
CN112147677B true CN112147677B (zh) 2023-10-31

Family

ID=73890876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010928025.3A Active CN112147677B (zh) 2020-09-07 2020-09-07 油气储层参数标签数据生成方法及装置

Country Status (1)

Country Link
CN (1) CN112147677B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113534263B (zh) * 2021-07-13 2022-04-08 广州海洋地质调查局 一种不依赖测井资料的含油气饱和度预测方法
CN117950025A (zh) * 2022-10-26 2024-04-30 中国石油天然气股份有限公司 储层物性参数预测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105044770A (zh) * 2015-07-06 2015-11-11 成都理工大学 致密砂砾岩气藏储层定量预测方法
CN107356966A (zh) * 2017-07-20 2017-11-17 中国石油化工股份有限公司 基于去压实作用深层河道砂体油气检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105044770A (zh) * 2015-07-06 2015-11-11 成都理工大学 致密砂砾岩气藏储层定量预测方法
CN107356966A (zh) * 2017-07-20 2017-11-17 中国石油化工股份有限公司 基于去压实作用深层河道砂体油气检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于贝叶斯分类的储层物性参数联合反演方法;胡华锋 等;《石油物探》;第51卷(第03期);第225-233页 *

Also Published As

Publication number Publication date
CN112147677A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
US8838425B2 (en) Generating facies probablity cubes
CN113759424B (zh) 基于频谱分解和机器学习的岩溶储层充填分析方法和***
CN108802812A (zh) 一种井震融合的地层岩性反演方法
CA2940406C (en) Characterizing a physical structure using a multidimensional noise model to attenuate noise data
Yanhu et al. A method of seismic meme inversion and its application
Saussus et al. Facies as the key to using seismic inversion for modelling reservoir properties
CN112147677B (zh) 油气储层参数标签数据生成方法及装置
CN113050157A (zh) 一种基于露头资料的碳酸盐岩地震储层反演方法及***
US11662493B2 (en) Methodology for enhancing properties of geophysical data with deep learning networks
CN103439740A (zh) 基于偶极地震子波多重积分的相对阻抗预测的方法及装置
CN108508489B (zh) 一种基于波形微变化匹配的地震反演方法
Stephen et al. Improved normalization of time‐lapse seismic data using normalized root mean square repeatability data to improve automatic production and seismic history matching in the Nelson field
CN110095811A (zh) 膏岩层速度模型构建处理方法及装置
Sun et al. Intelligent AVA inversion using a convolution neural network trained with pseudo-well datasets
CN108073744B (zh) 基于地质统计学的浊积扇推进距离预测方法
CN104280773B (zh) 利用随炮检距变化的时频谱交汇图预测薄层厚度的方法
L’Heureux et al. Building better models for seismic simulations with stochastic stratigraphy
CN111077578B (zh) 岩层分布预测方法和装置
Pyrcz et al. Representative input parameters for geostatistical simulation
CN114482995A (zh) 一种细粒沉积物泥质含量精细确定方法
CN113806674A (zh) 古河道纵向尺度的量化方法、装置、电子设备及存储介质
CN113311483A (zh) 基于页岩油的叠前弹性参数组合反演方法及***
CN113589365A (zh) 基于时频域信息的储层尖灭线描述方法
CN105989240A (zh) 砂层预测方法及装置
CN111830562A (zh) 一种油气储层渗透率预测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant