[发明专利]孔隙度预测方法及装置

说明书

本发明公开了一种孔隙度预测方法及装置，该方法包括：根据待分析区的叠前地震数据，确定多角度叠加的地震数据；根据测井点的岩石岩性的剪切模量、体积模量和密度，确定测井点的岩石岩性的剪切模量、体积模量和密度的低频参数；根据多角度叠加的地震数据，以及测井点的岩石岩性的剪切模量、体积模量和密度的低频参数，基于Gray近似的贝叶斯线性反演方法，确定待分析区的岩石岩性的剪切模量反演参数；根据测井点的粘土含量参数，确定待分析区的岩石基质的剪切模量参数；根据待分析区的岩石岩性的剪切模量反演参数，以及待分析区的岩石基质的剪切模量参数，基于临界孔隙度模型，预测待分析区的孔隙度，本发明可以提高孔隙度预测的精度。

技术领域

本发明涉及油气探勘中地震资料储层预测领域，特别涉及一种孔隙度预测方法及装置。

背景技术

目前，基于地震资料的孔隙度预测技术主要包含以下三种方法：

(1)弹性参数直接转换法：根据实测井曲线，拟合弹性参数与孔隙度间的线性或者非线性关系，进而将弹性参数反演结果直接转化为孔隙度，但是该方法具有明显的地区经验性，缺乏严格的理论支撑，并不是一种普适的方法，且其精度受限于弹性参数与物性参数之间的相关性。

(2)协模拟法(代表的商业软件：Jason的Statmod和Rockmod)：根据实测井曲线，拟合弹性参数与孔隙度的联合概率分布，将弹性参数反演结果作为协变量，将孔隙度作为主变量，利用协模拟获取孔隙度数据体，该方法与第一种方法相比，通过引入地质统计学和随机模拟，可以获取较高的垂向分辨率，但是仍然受限于弹性参数与孔隙度的相关性，并且缺乏地震数据的有效约束，不确定性较大。

(3)机器学习法(代表的商业软件：HRS多属性反演模块)：将井旁道地震属性或者弹性参数反演结果与孔隙度曲线作为训练样本，利用监督类的机器学习算法(SVM、神经网络等)建立样本间之间非线性映射，再将此映射作用于非井旁道。利用机器学习可以建立孔隙度与弹性参数间“异常精确”的非线性关系，但也容易出现过拟合的问题，即把样本数据中的噪音当作有效信号参与训练，造成预测精度下降；另外该方法的精度也跟训练样本的数量成正比。

综上所述，现有的孔隙度预测方法的不确定性较大，其预测精度也相对较低。

发明内容

本发明实施例提供一种孔隙度预测方法，用以提高孔隙度的预测精度，该方法包括：

根据待分析区的叠前地震数据，确定多角度叠加的地震数据；

根据测井点的岩石岩性的剪切模量参数、体积模量参数和密度参数，确定测井点的岩石岩性的剪切模量低频参数、体积模量低频参数和密度低频参数；

根据多角度叠加的地震数据，以及测井点的岩石岩性的剪切模量低频参数、体积模量低频参数和密度低频参数，基于Gray近似的贝叶斯线性反演方法，确定待分析区的岩石岩性的剪切模量反演参数；

根据测井点的粘土含量参数，确定测井点的岩石基质的剪切模量参数；

根据测井点的岩石基质的剪切模量参数，确定待分析区的岩石基质的剪切模量参数；

根据待分析区的岩石岩性的剪切模量反演参数，以及待分析区的岩石基质的剪切模量参数，基于临界孔隙度模型，预测待分析区的孔隙度。

本发明实施例提供一种孔隙度预测装置，用以提高孔隙度的预测精度，该装置包括：

地震数据叠加模块，用于根据待分析区的叠前地震数据，确定多角度叠加的地震数据；

低频参数确定模块，用于根据测井点的岩石岩性的剪切模量参数、体积模量参数和密度参数，确定测井点的岩石岩性的剪切模量低频参数、体积模量低频参数和密度低频参数；