[发明专利]岩石物理弹性参数正演方法、正演装置及电子设备

说明书

本发明提出了一种岩石物理弹性参数正演方法、正演装置及电子设备，岩石物理弹性参数正演方法包括：获取研究区的深度域测井数据，组成深度前馈神经网络的训练样本集；构建基于深度前馈神经网络的岩石物理正演模型，利用所述训练样本集进行训练，得到岩石参数与弹性参数之间的非线性映射关系；基于所述岩石物理正演模型，对目标井段进行弹性参数的岩石物理正演。本发明的方法利用深度前馈神经网络模型来替代常规的Xu‑White岩石物理正演模型，可以充分挖掘岩石参数与弹性参数之间的内在联系，从而建立起岩石参数与弹性参数之间的非线性映射关系，提高弹性参数的正演精度。

技术领域

本发明属于油气地球物理勘探领域，具体涉及一种为了提高弹性参数预测精度的岩石物理正演方法、正演装置及电子设备。

背景技术

纵波速度、横波速度和密度三个弹性参数，是连接岩石各种物理性质与地震波勘探的桥梁。利用弹性三参数可以得到反映流体性质的物理量，从而减少地震振幅解释的多解性，在地震勘探资料AVO分析、叠前反演以及储层的岩性、物性和流体识别等方面有着重要的应用。然而在实际生产中由于各种原因导致弹性三参数的缺失与不完整，严重影响了后续的勘探工作。

为了获得准确的弹性三参数，国内外诸多地球物理工作者提出了经验公式和岩石物理正演模型。其中，Xu-White模型结合Gassmann方程和模型及差分等效介质理论，同时考虑了岩石基质、泥质含量、孔隙度大小、孔隙形状以及孔隙流体等因素的影响，被广泛应用于泥质砂岩弹性三参数的预测。但是该模型需要把孔隙空间分得足够小，在迭代运算时计算量很大。此外，地下介质是相当复杂的，常规岩石物理模型无法描述所有类型岩石的物理参数关系，必须对其进行简化，因此在岩石物理参数预测结果中会存在一定的不确定性因素，导致岩石物理正演精度降低。

本发明针对以上不足，以常规Xu-White模型的岩石参数输入数据为基础，通过典型的深度学习模型——深度前馈神经网络来充分挖掘数据之间的内在联系，建立起岩石参数与弹性参数之间的非线性映射关系，得到基于深度前馈神经网络的岩石物理正演模型，从而提高弹性参数的正演精度。

发明内容

本发明针对常规Xu-White岩石物理模型的不足，不能满足当前高精度地震解释需求的问题，提出一种基于深度学习的岩石物理弹性参数正演方法。本发明在常规Xu-White模型的岩石参数输入数据的基础上，通过深度前馈神经网络来充分挖掘岩石物理参数之间的内在联系，建立起岩石参数与弹性参数之间的非线性映射关系，得到基于深度前馈神经网络的岩石物理正演模型，从而提高弹性参数的正演精度。

根据本发明的一个方面，提供一种基于深度学习的岩石物理弹性参数正演方法，包括：

获取研究区的深度域测井数据，组成深度前馈神经网络的训练样本集；

构建基于深度前馈神经网络的岩石物理正演模型，利用所述训练样本集进行训练，得到岩石参数与弹性参数之间的非线性映射关系；

基于所述岩石物理正演模型，对目标井段进行弹性参数的岩石物理正演。

进一步地，其中通过实钻测井以及测井解释得到研究区的深度域测井数据，对所述深度域测井数据进行单位转换及线性归一化预处理，组成深度前馈神经网络的训练样本集，其中岩石参数和弹性参数分别作为深度前馈神经网络的输入和输出。

进一步地，所述深度域测井数据Well(z)包含如下测井曲线：

从常规测井和全波列测井中获得的弹性参数Elastic(z)，包括纵波速度VP(z)、横波速度VS(z)和密度DEN(z)，作为深度前馈神经网络的输出数据y(z)；

对测井资料进行处理解释后得到的岩石参数Rock(z)，包括总孔隙度POR、泥质含量VCL、石英含量VQUA、含水饱和度SW，作为深度前馈神经网络的输入数据x(z)；