[发明专利]一种非监督与监督学习下的多波地震油气储层预测方法

说明书

本发明公开了一种非监督与监督学习下的多波地震油气储层预测方法。该方法包括如下步骤：首先，利用不同卷积核卷积升维生成各类纵横波地震属性，然后，利用聚类分析法进行非监督学习，分别对纵、横波地震属性通过聚类分析降维，基于此，用聚合法求取出能突出油气储层特征的多波地震聚合属性，最后以降维后的聚合属性作为支持向量机的学习集，进行从已知到未知的地震油气储层的预测。将本发明方法应用于实际的油气储层预测，结果表明，所预测的地震油气储层边界更加清晰，预测结果与实际情况基本吻合。

技术领域

本发明涉及一种非监督与监督学习下的多波地震油气储层预测方法。

背景技术

利用地震属性对油气藏特征进行描述是解决石油地球物理勘探的主要手段之一。已经被人们利用方法较多，包括聚类分析方法，多属性融合技术和神经网络。这些数据挖掘技术更多的是以规模较大的训练样本为支撑，当训练样本不足，模型的泛化能力受到严重的限制，且极易陷入过学习或欠学习的状态。支持向量机(SVR)是以结构化风险最小化为基础的模式分类器。小样本的状态下有更高的泛化能力，构建模型的鲁棒性理想。然而支持向量机的难点在于参数寻优。支持向量机算法的分类与回归已拓展到通讯、化学、生物等领域。在地球物理勘探方面成为继人工神经网络的新算法并成功应用于油气储层预测领域。

地震属性是通过各种数学方法对地下地质特征的表达。当前可供人们使用的地震属性多达上百种，每种属性包含不同的地质信息。高效的获取对油气藏特征敏感的地震属性，构建各种属性与油气藏特征的关系，是地震油气储层预测必须面对的问题。

在机器学习领域，对于储层的预测可以分为两大类一类为监督学习，另一类为非监督学习。在监督学习算法方面：王振洲等利用决策树方法通过声波时差、自然伽马、密度等6种测井参数构建岩性信息与岩石特征的关系，对苏里格气田的岩性进行预测。袁照威等分析地震属性与沉积相之间的关系，利用均方根振幅、平均瞬时频率、衰减因子等4种属性，通过马尔科夫-贝叶斯模拟算法构建多种属性之间的关系，建立沉积相模型，获得了较好的模拟结果。宋建国等利用随机森林回归法对地震储层进行了预测。在非监督学习方面：杨兆栓等利用主成分分析法(PCA)对自然伽马、密度、声波时差等5种测井曲线分析，最终识别塔中地区的碳酸盐岩性。通过利用PCA方法整合了更过的测井参数的特征，提高了岩性识别的精度。然而，不论是监督学习还是非监督学习，都是基于统计学理论建立起来的，目的都是要发现数据集之间的彼此关系，寻找到最具有特征的量并对某种期望的量进行预测。

发明内容

本发明的目的在于提出一种非监督与监督学习下的多波地震油气储层预测方法，该方法通过对原始地震属性聚类分析计算，获得包含纵波与转换横波更为全面的信息，运用非监督学习法对获得的地震属性进行优化选取，在此基础上，应用可以在小样本情况下具有更强泛化能力的监督学习法(支持向量机)进行地震油气储层的有效预测。

本发明为了实现上述目的，采用如下技术方案：

一种非监督与监督学习下的多波地震油气储层预测方法，包括如下步骤：

a.应用New-3δ准则，剔除机器学习数据中可能的异常值，亦即进行降噪处理，然后对经过降噪处理的各类纵、横波地震属性进行标准化处理，提供多波地震属性，为地震属性的非监督学习提供源数据；New-3δ准则运算突出了异常值，并将包含于地震属性中的异常值剔除，降低因为地震属性中存在异常致使机器学习结果不准确而造成的干扰；

b.对步骤a中获得的地震属性进行非监督学习，获取多波地震属性中，油气储层特征更加明显的地震属性，为聚合地震属性打下基础；降维后的地震属性，将地震属性中与油气储层特征无关的地震属性去掉；降低了地震油气储层预测中信息的冗余，提高了油气储层预测的效率；