[发明专利]一种井曲线反演方法

说明书

技术领域

本发明属于石油勘探开发技术，具体涉及一种井曲线反演方法。

背景技术

目前井曲线反演方法有两种：井曲线的随机反演和神经网络井曲线反演。井曲线的随机反演方法采用协模拟方法，用地震数据做“软”约束进行井曲线反演，地震属性在反演中约束作用的大小取决于地震属性和井曲线的相关性，相关系数越大，地震起的约束作用越大。神经网络井曲线反演方法利用神经网络建立井曲线和地震属性的非相关关系，并利用该相关关系进行井曲线反演。上述的两种反演方法都有一定的弊端，井曲线的随机反演方法只能引入一个地震属性做约束，同时约束过程是简单的线性映射，如果地震信息和井曲线的相关性较复杂，地震信息对反演结果的约束作用就大大降低，反演结果基本就是插值结果。神经网络算法不够稳定，如果地震属性和井曲线的相关性不是非常明显，神经网络的井曲线反演结果往往不好，而且多解性很强。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种井曲线反演方法。采用径向基函数神经网络(RBF)把地质统计和神经网络技术很好地融合到一起，实现了多属性驱动，地质统计为基础的井曲线反演。该方法是对现有随机模拟和多属性井曲线反演的一次超越。它即能得到稳定的反演结果，又能体现地震多属性对反演结果的非线性约束，预测精度比其他单纯依赖地质统计的软件

本发明所采用的技术方案为：

一种井曲线反演方法，其改进之处在于：所述方法包括

(1)选择工区的井和井曲线；

(2)井曲线时深转换；

(3)沿井轨迹提取地震属性；

(4)井曲线地震属性交互关系分析；

(5)选择层位；

(6)建立地层格架；

(7)建立初始模型；

(8)神经网络训练；

(9)输出训练结果。

优选的，所述步骤(1)包括选择曲线目录树中目标井曲线和该曲线的井或在编辑框中输入曲线名直接显示选择的对象。

优选的，所述步骤(2)包括采用数据管理单元将时深转换为时深表；时深转换后生成新的时间域的曲线。

优选的，所述步骤(3)包括用户界面中选择地震测网，该测网中的数据列表中，选择一个或多个地震属性，沿井轨迹提取选择的地震属性。

优选的，所述步骤(4)包括将在目录树中显示选择的井曲线，重采样经过时深转换后，得到的时间域曲线以及沿井轨迹提取的地震属性，进入交会图分析界面，选择X轴和Y轴的井曲线，设定每条曲线的左右刻度，绘制出交会图；在交会图界面中可选择不同的回归公式对交会图进行回归分析。

优选的，所述步骤(5)包括采用层位建立地层格架，在地层格架内进行井曲线反演；选择层位用户界面，选择用户建立地层格架的层位。

优选的，所述步骤(6)包括利用选择的层位建立地层格架，选择地层格架的顶底层位，对于上超选择平行于顶，底部削截；顶超选择平行于底，顶部削截。

优选的，所述步骤(7)包括建立初始模型，初始模型为利用层位做约束，采用插值算法计算；建立初始模型插值方法可采用距离反加权插值方法或克里金插值方法。

优选的，所述步骤(8)包括从列表中选择地震属性，并给定地震属性与井曲线的相关系数，相关系数通过井曲线与地震属性交会图获得，选择地震属性后，进行神经网络训练；利用地震属性与井曲线的相关关系得到由该地震属性重构的新曲线，将重构的新曲线值作为高斯分布的均值，重构曲线与样本曲线的方差作为高斯分布的方差，高斯分布作为神经网络的输入层，经过样本点的网络训练确定输入层到隐层，隐层到输入层的权系数。

优选的，所述步骤(9)包括根据步骤(8)的神经网络训练结果计算井曲线反演结果；选择输出的数据格式和线道范围；输出的数据体为利用地震属性做约束，采用RBF神经网络预测得到的井曲线反演数据体，对于井曲线反演，输入的是裂缝密度曲线，地震属性利用地震几何属性做约束，输出的数据体为裂缝密度数据体。

本发明的有益效果为：

本发明由RBF径向基函数神经网络算法进行井曲线反演算法把地质统计和神经网络技术很好地融合到一起，实现了多属性驱动，地质统计为基础的裂缝密度反演。该方法是对现有随机模拟和多属性井曲线反演的一次超越。它即能得到稳定的反演结果，又能体现地震多属性对反演结果的非线性约束，预测精度高于其他单纯依赖地质统计的软件。

附图说明

图1是本发明提供的的一种井曲线反演方法示意图；

图2是本发明提供的选择井和井曲线界面示意图；

图3是本发明提供的井曲线深时转换界面示意图；