[发明专利]基于概率神经网络算法的烃源岩预测方法及装置

权利要求书

1.一种基于概率神经网络算法的烃源岩预测方法，其特征在于，包括：

步骤101，对获取的研究区各钻井的烃源岩岩心、岩屑样品进行分析测试，以获得样品点的Toc值；

步骤102，利用测井曲线计算获得研究区各钻井烃源岩层段纵向的Toc预测曲线；

步骤103，根据样品点的Toc值对Toc预测曲线进行校正，以获取Toc曲线；

步骤104，根据Toc曲线和井旁地震道的地震属性，利用概率神经网络算法对地震属性进行训练，以获取优选地震属性，其中，优选地震属性为与Toc相关性最好的地震属性；

步骤105，提取三维地震资料的优选地震属性，计算获得三维分布的Toc数据体，以完成研究区烃源岩预测。

2.根据权利要求1所述的基于概率神经网络算法的烃源岩预测方法，其特征在于，步骤102具体包括：

根据研究区钻井的测井曲线的交会图，分析烃源岩Toc在测井曲线上的响应特征；

根据响应特征获取将烃源岩与围岩进行划分的测井曲线识别标准，以挑选出优选测井曲线；

根据优选测井曲线，采用ΔLogR法计算获得各钻井烃源岩层段纵向的Toc预测曲线。

3.根据权利要求1所述的基于概率神经网络算法的烃源岩预测方法，其特征在于，步骤102还包括：

在研究区勘探程度低的区域计算获得虚拟井Toc预测曲线，所述虚拟井Toc预测曲线即为在钻井不足的情况下，采用虚拟钻井的方式计算获得的Toc预测曲线。

4.根据权利要求1所述的基于概率神经网络算法的烃源岩预测方法，其特征在于，步骤103中在获取井旁地震道的地震属性之前，还包括：

对研究区各钻井开展层位精细标定，确定烃源岩顶底反射界面的地震反射特征；

对烃源岩顶底界面进行至少10×10网格的地震解释工作，其中，地震解释工作包括层位解释和断层解释。

5.根据权利要求1所述的基于概率神经网络算法的烃源岩预测方法，其特征在于，优选地震属性包括3到7个地震属性。

6.一种基于概率神经网络算法的烃源岩预测装置，其特征在于，包括：

样品点Toc值获取模块，用于对获取的研究区各钻井的烃源岩岩心、岩屑样品进行分析测试，以获得样品点的Toc值；

Toc预测曲线获取模块，用于利用测井曲线计算获得研究区各钻井烃源岩层段纵向的Toc预测曲线；

Toc预测曲线校正模块，用于根据样品点的Toc值对Toc预测曲线进行校正，以获取Toc曲线；

优选地震属性获取模块，用于根据Toc曲线和井旁地震道的地震属性，利用概率神经网络算法对地震属性进行训练，以获取优选地震属性，其中，优选地震属性为与Toc相关性最好的地震属性；

Toc数据体获取模块，用于提取三维地震资料的优选地震属性，计算获得三维分布的Toc数据体，以完成研究区烃源岩预测。

7.根据权利要求6所述的基于概率神经网络算法的烃源岩预测装置，其特征在于，Toc预测曲线获取模块包括：

响应特征获取子模块，用于根据研究区钻井的测井曲线的交会图，分析烃源岩Toc在测井曲线上的响应特征；

测井曲线识别标准获取子模块，用于根据响应特征获取将烃源岩与围岩进行划分的测井曲线识别标准，以挑选出优选测井曲线；

Toc预测曲线获取子模块，用于根据优选测井曲线，采用ΔLogR法计算获得各钻井烃源岩层段纵向的Toc预测曲线。

8.根据权利要求6所述的基于概率神经网络算法的烃源岩预测装置，其特征在于，Toc预测曲线获取模块还包括：

虚拟井Toc预测曲线获取子模块，用于在研究区勘探程度低的区域计算获得虚拟井Toc预测曲线，所述虚拟井Toc预测曲线即为在钻井不足的情况下，采用虚拟钻井的方式计算获得的Toc预测曲线。

9.根据权利要求6所述的基于概率神经网络算法的烃源岩预测装置，其特征在于，优选地震属性获取模块中在获取井旁地震道的地震属性之前，还包括：

对研究区各钻井开展层位精细标定，确定烃源岩顶底反射界面的地震反射特征；

对烃源岩顶底界面进行至少10×10网格的地震解释工作，其中，地震解释工作包括层位解释和断层解释。