[发明专利]基于机器学习与分频多属性融合的储层预测方法

说明书

本发明提供一种基于机器学习与分频多属性融合的储层预测方法，包括：步骤1，提取原始地震数据体的属性；步骤2，对原始地震数据体进行分频处理；步骤3，进行井上砂体解释，将砂体厚度作为目标数据集；步骤4，建立训练数据集与目标数据集之间的非线性回归模型；步骤5，通过测试数据集对非线性回归模型进行评价；步骤6，通过参数调整不断调试，重复步骤4和步骤5，直到得到满意的非线性回归模型；步骤7，将分频多属性融合为一个可以定量表征砂体厚度的属性，提高储层预测精度。该基于机器学习与分频多属性融合的储层预测方法以测井解释为监督数据，利用机器学习将分频多属性融合，更加准确地对储层边界及砂体厚度进行定量预测。

技术领域

本发明涉及油田开发技术领域，特别是涉及到一种基于机器学习与分频多属性融合的储层预测方法。

背景技术

随着计算机技术的迅猛发展，地震储层预测技术也发展迅速，预测方法众多。但河流相沉积储层相变快，沉积演化复杂，井间砂体搭接关系难以判断，尤其是对于大井距、斜井多的海上油田储层预测难度更大。因此有针对性的研究储层预测方法，降低预测结果的多解性是地质工作者追求的目标。

目前基于频谱分解和属性融合进行储层预测的方法众多。一些学者采用频谱分解的方式选取具有合适主频的分频数据体进行砂体预测，预测结果较原始数据体有了一定程度的提高，但是地下砂体厚度分布范围广，选取某一主频的分频数据体仅能表征调谐厚度附近的砂体，而且单一分频数据体频宽较窄，原始数据体中的大量信息丢失，砂体预测可靠性差。在此基础上，部分学者提出了RGB融合方法，以红、绿、蓝分别代表低、中、高频地震体，保留了原始数据体的频宽信息，但是该方法仍存在一些不足。RGB融合方法建立的是一个多元线性回归模型，不能很好的表征砂体厚度与不同频率地震属性之间的非线性关系。此外，RGB融合仅考虑了地震属性信息的融合，未考虑测井曲线信息；而且该方法输出的结果用颜色定性表示砂体厚度，无法定量识别砂体。

在申请号：CN202010830939.6的中国专利申请中，涉及到一种多模型融合的储层预测系统，包括：数据获取模块、提升树模型、模型调用模块、多模多专家深度网络；一种储层预测方法，包括如下步骤：步骤一、提取目标层段数据；步骤二、获取特征重要性排名；步骤三、对重要性排名靠前的特征进行切片，作为横向原始特征输入非对称卷积模块；对地震体垂向层级特征进行建模，作为纵向原始特征输入到双向门控循环单元；对地震体深度信息进行建模，作为深度特征输入到嵌入层；步骤四、特征融合，再输入到全连接神经网络，最终输出储层预测的分类结果。

在申请号：CN201910496201.8的中国专利申请中，涉及到一种基于深度学习和进化学习的多尺度地质特征检测融合方法，涉及地质特征检测融合技术领域，其包括以下步骤：S1、储层评价参数的输出，S1.01、根据输入的多数据体，地震数据，测井录井数据生成单体和多体联合特征数据，对特征数据进行标注。该基于深度学习和进化学习的多尺度地质特征检测融合方法，针对不同的数据会运用的各自的学习方法和数据结构，根据不同的数据实现不同的进化和学习，不同的模型可以针对不同的地质情况进行预测和评估，学习过程当中会实现模型的自我纠正和改进，以及参数的评估，学习过程不含固定的模型和模式，最终生成的储层参数更具有地质的意义，对于储层参数的预测也会更接近实际情况。

在申请号：CN201811320249.5的中国专利申请中，涉及到了一种砂体分布预测方法、装置、设备及可读存储介质，通过获取待测井点的不同频率的预设分频地震属性值，将不同频率的预设分频地震属性值输入到训练后的融合模型中来计算砂体厚度值，输出所述砂体厚度值。其中，所述训练后的融合模型是反映已测井点的分频地震属性值与测井解释的砂体厚度值的映射关系的机器学习模型。通过本方案，一方面降低了地震属性的多解性，同时建立了测井参数与地震属性之间的非线性映射，能够描述更加复杂的关系，另一方面充分利用了分频地震属性来提高地震属性的分辨率并调整地震属性的调谐厚度，从而兼顾了薄层、厚层的砂体分布预测。

以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的基于机器学习与分频多属性融合的储层预测方法。