[发明专利]缝洞体固体充填特征识别方法及装置

说明书

本发明提供了一种缝洞体固体充填特征识别方法及装置，该方法包括：在三维地震数据的不同波形、不同频率的地震数据体中提取属性，进行特征选取，得到样本集；利用对手惩罚竞争学习RPCL算法对样本集中的每个输入样本的获胜中心和惩罚中心进行连续计算，直至满足成本函数时，结束连续计算，得到不同分量组合数据；根据实钻测井数据对不同分量组合数据进行校验，得到目标区域的缝洞体固体充填特征。通过对提取的属性进行特征选取，得到样本集，使得自动形成新的地震数据体，以避免人工干预；在RPCL算法中引入成本函数，加速收敛克服死区的存在，使得能够有效识别缝洞体固体充填特征，从而提高充填缝洞体固体的识别精度。

技术领域

本发明涉及天然气勘探、开发技术领域，尤其涉及一种缝洞体固体充填特征识别方法及装置。

背景技术

奥陶系非均质碳酸盐岩缝洞型储层是塔里木油田的上产的重点领域之一。碳酸盐岩缝洞体储层在地震剖面上显示为“串珠状”反射。这类反射特征与高产且稳产井的匹配关系非常好。针对这类碳酸盐岩缝洞储层设计的钻井，在靶点处多发育工程异常，如钻井液溢流、漏失，甚至是发育放空。但随着勘探开发的不断深入，针对强“串珠”状反射类型部署的井，在钻井过程中均钻揭示不同程度的充填岩性，一部分井未获得有效工业油气流，甚至直接导致钻井失败。

近年来，三维地质识别技术在对勘探中的大型复杂地震数据的分析中占据了越来越重要的地位，而识别的结果主要依赖于对地震解释的分析。例如均方根振幅属性分析、地震反射能量强度属性分析、瞬时振幅属性分析等，还有基于原始地震资料的叠前弹性反演、地质统计学反演等。然而，随着地震勘探技术的发展，三维填充裂缝-洞穴地质特征的描述变得更加复杂精细，已无法通过简单的分析来识别缝洞体的充填。

缝洞体充填的识别被认为是一个多属性地震数据聚类的过程，目前主要的分析方法主要有竞争学习算法，主成分分析和判别因子分析，纹理分析，神经网络等，在这些分析方法中，通常每个数据样本由物理和几何属性的唯一组合定义，被视为一个多维向量。这些算法主要以K-均值算法和自组织映射网络(SOM)为主，可用于自动化聚类分析并显示样本集的统计特征。然而，典型的竞争学习算法中仍存有一些缺陷。例如在K均值算法中必须在聚类之前确定适当的聚类数量，而在自组织神经网络中，地震解释仍需人工干预。此外，由于胜者通吃(WTA)学习方式的使用，两种竞争学习算法可能会遇到所谓的死区问题：如果一个中心被不当激活，它可能永远不会被修改。对手惩罚竞争学习(RPCL)算法解决了死区问题，并在没有精确聚类数的情况下进行分类。但由于经典RPCL算法的收敛速度慢，且样本和权重中心之间的距离由欧几里德距离测量，这些缺点都限制了它的可应用领域，无法对缝洞体固体充填特征有效识别。

发明内容

本发明实施例提供一种缝洞体固体充填特征识别方法，用以避免人工干预和存在死区的缺陷，有效识别缝洞体固体充填特征，提高充填缝洞体固体的识别精度，该方法包括：

获取目标区域的三维地震数据；

在目标区域的三维地震数据的不同波形、不同频率的地震数据体中提取属性，对提取的属性进行特征选取，得到样本集；

利用对手惩罚竞争学习RPCL算法对所述样本集中的每个输入样本的获胜中心和惩罚中心进行连续计算，直至满足成本函数时，结束连续计算，得到不同分量组合数据；

根据实钻测井数据对不同分量组合数据进行校验，根据校验后的不同分量组合数据，得到目标区域的缝洞体固体充填特征。

本发明实施例还提供一种缝洞体固体充填特征识别装置，用以避免人工干预和存在死区的缺陷，有效识别缝洞体固体充填特征，提高充填缝洞体固体的识别精度，该装置包括：

数据获取模块，用于获取目标区域的三维地震数据；

样本优化选取模块，用于在目标区域的三维地震数据的不同波形、不同频率的地震数据体中提取属性，对提取的属性进行特征选取，得到样本集；