[发明专利]在模糊逻辑框架下基于弹性参数的岩性预测方法和装置

说明书

本申请公开了在模糊逻辑框架下基于弹性参数的岩性预测方法和装置。该方法包括：建立多种弹性参数中的每一者对多种岩性中的每一者的隶属函数；将多组训练数据的弹性参数代入隶属函数，得到每组训练数据中的弹性参数对每种岩性的隶属度，每组训练数据包括多种弹性参数和对应的真实岩性；基于隶属度，构建岩性预测模型；将待预测弹性参数输入岩性预测模型，得到对应的预测岩性。本方案利用模糊逻辑开展基于弹性参数的岩性预测，充分利用测井和地震数据固有不确定性部分的有用信息，可快速、合理地预测岩性，在某些情况下细化分类，从而得到更好的岩相解释，尤其适用于陆相沉积环境下弹性参数‑岩性关系比较模糊的情况。

技术领域

本发明涉及地球物理领域，更具体地，涉及一种在模糊逻辑框架下基于弹性参数的岩性预测方法和一种在模糊逻辑框架下基于弹性参数的岩性预测装置。

背景技术

基于测井和地震弹性属性的岩性预测在油气储层勘探开发、储层建模、精细描述方面起着基础和关键支撑作用。很多数据挖掘和反演技术都被用来进行基于地震和测井数据的岩性预测，如主成分分析、判别因子分析、自组织映射、神经网络等。

现有技术中，应用人工神经网络能够较好地解决海相沉积环境下或是孔渗性能较好的常规储层的岩性和流体识别问题。人工神经网络，简称神经网络，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。神经网络的本质就是通过参数与激励函数来拟合特征与目标之间的真实函数关系。

图1示出了一种多层前馈网络结构模型。如图1所示，一个典型的神经网络由三层结构组成-输入层(input layer)、隐藏层(hidden layers)、输出层(output layer)。应用于岩性预测时，输入层即若干弹性参数，节点数与弹性参数个数匹配；输出层仅有一个节点，对应岩性类别。隐藏层的构建比较复杂，层数及节点数都是由设计者指定的。

然而，对于陆相沉积条件下相带窄，相变快，弹性参数-岩性关系比较模糊的情况，神经网络的效果往往很差。目前还没有完善的理论来指导我们具体如何设计隐藏层，一般都是根据经验，预先设定几个可选值，通过切换它们来看整个模型的预测效果，这样十分不便。且当特征与目标之间的关系十分模糊时，不易通过参数和激励函数来拟合。还有一个困扰训练优化的问题就是局部最优解问题，这使得神经网络的优化较为困难。另外一方面，岩性预测中存在着一些本征问题：数据本质上是模糊、不完美和不确定的。传统神经网络试图最小化或忽略数据中的某些固有错误，导致预测效果不够理想，且预测所需时间长，效率不可观。

发明内容

有鉴于此，本申请提出了在合理物理假设基础上基于气油比和二氧化碳浓度快速反演二氧化碳驱油藏气窜通道的方案。

根据本申请的一方面，提供了一种在模糊逻辑框架下基于弹性参数的岩性预测方法，所述方法包括：建立多种弹性参数中的每一者对多种岩性中的每一者的隶属函数；将多组训练数据的弹性参数代入隶属函数，得到每组训练数据中的弹性参数对每种岩性的隶属度，每组训练数据包括多种弹性参数和对应的真实岩性；基于所述隶属度，构建岩性预测模型；将待预测弹性参数输入所述岩性预测模型，得到对应的预测岩性。

在一种可能的实现方式中，所述建立多个弹性参数中的每一者对多个岩性中的每一者的隶属函数包括：根据已知弹性和岩性特征的数据统计每种岩性下弹性参数的分布情况，得到每种岩性下每种弹性参数的频率直方图；根据所述频率直方图建立每种弹性参数对每种岩性的隶属函数。