[发明专利]基于神经网络函数逼近算法的储层参数定量表征方法

说明书

技术领域

本发明涉及勘探地球物理领域，特别是涉及到一种基于神经网络函数逼近算法的储层参数定量表征方法。

背景技术

地震属性是表征地震波几何形态、运动学特征、动力学特征和统计特征的物理量，有着明确的物理意义，根据地震波不同的特征信息，可提取200多种不同的地震属性，影响这些属性的因素很多，如振幅的大小不仅与孔隙流体性质有关，而且与地层埋深、岩性、孔隙度、速度、密度、品质因素、波前扩散、多次波等多种因素有关；同时，有些属性是独立的，有些属性是关联的。时移地震技术常用的方法是采用不同期地震属性之间的特征差异描述油气藏动态变化。现有的地震属性差异分析技术，往往利用单一的地震属性或少量地震属性研究油气分布和储层参数的变化，这种方法的具有较强的不确定性，而且，不同的属性分析结果差异较大,由此得到的储层参数的差异也较大。为此我们发明了一种新的基于神经网络函数逼近算法的储层参数定量表征方法，解决了以上技术问题。

发明内容

本发明的目的是提供一种可综合预测剩余油的分布特征，提高剩余油分布特征的预测精度的基于神经网络函数逼近算法的储层参数定量表征方法。   

本发明的目的可通过如下技术措施来实现：基于神经网络函数逼近算法的储层参数定量表征方法，该基于神经网络函数逼近算法的储层参数定量表征方法包括:步骤1，利用井旁的地震属性数据确定神经网络上各节点之间的权系数和节点上的阀值；以及步骤2，利用得到的各节点之间的该权系数和节点上的该阀值，进行整个工区的储层参数定量预测及油气分布预测。

本发明的目的还可通过如下技术措施来实现：

在步骤1中，在利用神经网络作储层产能预测时，使用三层感知器网络作函数逼近，一个输入层、一个输出层和一个中间层，基本关系由下面公式表示：

           

式中：为神经网络的输入，为神经网络的输出，N为输入层的节点数，M为隐层的节点数，k为输出层的节点数，为输入层与隐层之间的连接权，为隐层与输出层之间的连接权，为输入层到隐层的阀值，为输入层到隐层的阀值。

在步骤1中，将井旁地震属性和测井、钻井、地质、试油等资料作为输入层数据，取一些小的随机数，以这些随机数作为网络内部各个节点之间连接的该权系数和节点上的该阈值的初始值，井旁的储层参数及剩余油参数作为神经网络的输出层，根据网络求得输出结果，计算实际输出与期望输出的差值，并按照差值趋零原则，不断地修改节点之间连接的该权系数和节点上的该阈值，直至权值收敛，并使估价函数降至可接收值，得到节点间的连接权系数和节点内部的阀值集合，由此确定神经网络内部各个节点之间连接的该权系数和节点上的该阈值。

在步骤2中，将优选后的目的层属性集逐道输入，并对输入地震道进行分析，输出各地震道处的储层砂岩厚度和孔隙度及含油饱和度。

该基于神经网络函数逼近算法的储层参数定量表征方法还包括，在步骤2之后，根据各地震道处的该储层砂岩厚度和该孔隙度及该含油饱和度，绘制该储层砂岩厚度、该孔隙度平面分布图及该含油饱和度平面图。

该基于神经网络函数逼近算法的储层参数定量表征方法还包括，在步骤1之前，优选出地震属性；以及根据该优选出的地震属性，抽取该井旁的地震属性数据。

本发明中的基于神经网络函数逼近算法的储层参数定量表征方法，在K-L变换属性优化筛选的基础上，结合钻井、测井及油气藏动态资料，通过神经网络算法，进一步优化属性特征，建立优化后的属性与油气藏特征之间的定量关系，实现时移地震对剩余油分布特征的定量描述。本发明中的基于神经网络函数逼近算法的储层参数定量表征方法，经过对多级优选出的地震属性进行的综合分析，避免了因对未优选地震属性进行分析带来的多解性，精度得到了提高。并且可以更加有效利用地震属性信息，得到剩余油分布特征，更加准确。本发明中的基于神经网络函数逼近算法的储层参数定量表征方法，得到了定量的剩余油分布特征的参数预测，对于指导下一步的油田开发井的部署，更加可靠。

 

附图说明

图1为本发明的基于神经网络函数逼近算法的储层参数定量表征方法的一具体实施例的流程图；

图2为本发明的基于神经网络函数逼近算法的储层参数定量表征方法的神经网络算法的原理示意图；

图3是经K-L变换法优化后的基于基础地震的属性a的优化属性图；

图4是经K-L变换法优化后的基于基础地震的属性b的优化属性图；

图5是经K-L变换法优化后的基于基础地震的属性c的优化属性图；