[发明专利]基于地震分级敏感属性融合的深层薄互储层定量表征方法

权利要求书

1.基于地震分级敏感属性融合的深层薄互储层定量表征方法，其特征是：

（1）结合井震高频层序划分的沉积背景，对常规地震多属性进行相关降维、对目的层段进行属性优选，完成常规多属性融合图，预测深层薄互储层；

（2）在常规多属性预测储层的基础上，对全区储层进行分级处理，包括：区带分级和时窗分级，其中，区带分级是利用测井、钻井资料，结合沉积特征，在已钻井的基础上，将需要详细刻画的储层确定出来，在平面上划分出区域；时窗分级是在砂体分布比较集中的地方用同一个小时窗，在不集中的地方进一步的划分目标区域再确定时窗，直到能把砂体精细刻画；

（3）在确定分级的基础上，对各个分级区带和分级时窗内的储层进行分级预测，其算法包含训练阶段和预测识别阶段；其中，训练阶段主要步骤为：对地震属性训练、集中属性信息进行归一化，提取特征向量，建立地震属性特征向量训练集，由此为基础建立支持向量机(SVM)分类模型；识别阶段主要步骤为：对要分级的地震属性信息进行归一化，提取其特征向量；其中分级建立支持向量机(SVM)识别模型过程中还加入了实钻井的约束；

（4）对分区带分时窗的属性进行第二次融合，得到全区分级属性融合属性，运算中对优选属性随机取若干采样点，进行分类函数f(x)的运算，按照最优化原则，计算分类阀值，使分类阀值能将属性中的不同分类正确地分开，并且折中考虑使样本错分率最小、分类间隔最大；不断修改分类阀值，直到不同分类中的样本点误差都收敛至可接受的范围内；

（5）完成的基于地震分级敏感算法大背景下的属性分类结果：针对分类结果进一步细分目标，进行小时窗的属性预测，通过属性优化的手段与反应大背景的原始属性信息再融合，得到地震分级属性融合预测图；

（6）利用地震分级属性融合预测图结合实钻资料的储层参数，半定量化的预测出深层薄互储层的展布范围。

2.根据权利要求1所述的基于地震分级敏感属性融合的深层薄互储层定量表征方法，其特征是：

将步骤（3）中识别阶段提取的特征向量作为支持向量输入、进行分类函数运算，每个支持向量对应一个分类阀值b，将分类阀值b低于特定数值的的归为一类，依此确定分类界限；提取特征向量时加入钻井储层参数的约束，通过井点附近地震属性信息与大背景下地震属性比对分析，不断计算收敛，优化识别建模过程中特征向量的提取，使模型更接近于实际地质情况，降低多解性。

3.根据权利要求1或2所述的基于地震分级敏感属性融合的深层薄互储层定量表征方法，其特征是：

在执行步骤（4）的过程中，以分级模型为督导进行训练，得到若干类基于分类函数的特征向量，每类特征向量在地震属性上都对应一个分类集合，至此分类过程结束；整个过程以支持向量机（SVM）为核心算法，具体实现方式如下：

H为分类线，满足线性方程：w*x+b=0；H1、H2分别是过各类中离分类线H最近的样本且平行于分类线H的直线，将H1、H2之间的距离称做分类间隔；其中，最优分类线是指分类线H不但能将两类正确分开，实现训练错误率为0，而且使分类间隔2/‖w‖最大；针对线性可分集合(x_i,y_i)，将分类线方程进行标准化处理后满足yi(w*xi+b)-1≥0 ，y∈{-1,1}，i=1,…n，分类间隔2/‖w‖最大等价且‖w‖²最小，或满足公式yi(w*xi+b)-1≥0 ，y∈{-1,1}，i=1,…n且使‖w‖²/2最小的分类面作为最优分类面，其中H1、H2上的样本点称为支持向量；将求取最优分类面转换成求取线性方程中最佳（w,b）；即在yi(w*xi+b)-1≥0 ，y∈{-1,1}，i=1,…n的约束下求‖w‖²/2的最小值；定义如下的拉格朗日函数：

其中a_i≥0为拉格朗日系数；求‖w‖²/2的极小值就是对w,b求拉格朗日函数的极小值，对L函数做微分并令其等于0，拉格朗日函数及转换为：在∑y_ia_i=0,a_i≥0,i=1,…n约束下求拉格朗日系数a_i对函数：

其极大值最优解满足a_i(y_i(w*x_i+b)-1)=0,i=1,…n，解中a_i不为零的样本x_i,y_i即支持向量，也就是H1、H2上的样本点，因此W可简化为：

求解后得到的最优化分类函数为：

其中sgn为分类函数、b为分类阀值，x为给定样本、xi,yi为线性可分样本集；对于未知样本x只需计算分类函数，即可判断x所属分类，对于线性不可分的情况：只需加入1个松弛选项ξ_i≥0，样本集满足yi(w*xi+b)-1+ξ_i≥0 i=1,…n，函数的转换和计算过程与线性类似，但约束条件变为：∑y_ia_i=0,0≤a_i≤c, i=1,…n，c为控制错分样本处罚程度的常数，分类函数也相应变化为

k为最优分类面中适当的内积函数，其他参数与线性情况相同。