[发明专利]一种基于自适应混合骨架参数的高精度岩石物理建模方法

说明书

本发明公开了一种基于自适应混合骨架参数的高精度岩石物理建模方法，依据Gassmann方程和Krief近似式建立以岩石基质为反演目标，以实测纵波速度和正演纵波速度误差最小为目标函数，通过迭代反演计算得到岩石基质模量K₀,μ₀，进而计算得到横波速度V_s，通过Krief公式与Gassmann的联合建模反演，使得算法对输入的已知条件要求宽松，具有一定的包容性，算法能适应于任何岩性储层研究，整个计算过程依据岩石物理原理，可解释性强，计算结果精度高。旨在解决现有技术中存在的岩石物理建模精度低、误差大的技术问题。

技术领域

本发明涉及油气勘探技术领域，尤其涉及一种基于自适应混合骨架参数的高精度岩石物理建模方法。

背景技术

随着油气勘探开发技术不断发展，复杂岩性储层的识别成为地震勘探的主要目标之一，准确的纵波、横波、密度测井资料是叠前正反演的基础资料，由于横波测井成本较高，解释难度大等原因，实际生产中绝大多数井都缺少横波速度资料，因此，横波速度对储层岩性研究与流体识别具有重要作用。

目前横波预测的方法主要有三大类，基于经验值的估算方法、基于岩石物理模型的预测方法和基于机器学习的计算方法，其中基于经验值的估算方法是基于Greenberg、Gastagna等纵横波经验关系式，基于经验值的估算方法具有简单易行，计算效率高等特点，但是该方法具有平均效应，不能准确表达出实际纵横波的复杂关系，无法估算出准确的横波速度；基于岩石物理建模的方法，如Xu-White模型、Gassmann模型、Pride模型、Krief模型等，该类方法通过严密的试验研究和数学推导，能精确的计算出横波速度，但岩石物理建模方法需要的输入参数较多，参数不确定的情况下，只能依赖于地质人员给出的经验值，在一定程度上，会造成累积误差和不确定性，降低了横波预测结果的可靠性；基于机器学习的计算方法是利用工区内有实测横波的井资料建立回归映射模型，然后外推预测出其它井点位置处的横波速度，该类方法以数据为导向进行统计建模，避免了岩石物理建模过程中对地质人员经验的依赖性，但机器学习的计算方法需要工区内有一定数量的井包含实测横波速度，无实测横波时，无法建立统计回归映射模型。因此，如何提高岩石物理建模的精度并进行横波预测，是一个亟需解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种基于自适应混合骨架参数的高精度岩石物理建模方法，旨在解决现有技术中存在的岩石物理建模精度低、误差大的技术问题。

为实现上述目的，本发明提出一种基于自适应混合骨架参数的高精度岩石物理建模方法，所述高精度岩石物理建模方法包括如下步骤：

步骤一：利用Krief经验公式表征混合骨架基质模量K₀,μ₀与干岩石基质模量K_dry,μ_dry的关系式；

步骤二：将步骤步骤一获取的关系式和Wood公式计算流体体积模量K_f代入Gassmann方程和纵波速度计算公式推导得到以混合骨架基质模量K₀,μ₀为反演模型，实测纵波与预测纵波误差最小的目标函数；

步骤三：利用Levenberg-Maquardt算法迭代反演计算步骤二得到的目标函数，得到混合骨架基质模量K₀,μ₀；

步骤四：将步骤三得到的混合骨架基质模量K₀,μ₀代入步骤一混合骨架基质模量K₀,μ₀与干岩石基质模量K_dry,μ_dry的关系式中，计算得到干岩石基质模量K_dry,μ_dry；