[发明专利]一种基于联合字典的孔隙度反演方法

说明书

本发明公开了一种基于联合字典的孔隙度反演方法，包括以下步骤：S1、数据预处理：将测井数据进行分块处理；S2、将分块处理后的测井数据进行字典学习，得到阻抗字典和孔隙度字典；S3、将地震数据进行基于字典的孔隙度反演，得到地震数据的阻抗和孔隙度。本发明从测井数据出发，引入字典学习和稀疏表示理论，实现了孔隙度字典反演方法的构建，解决了传统方法对于复杂地质构造求解孔隙度适用性差的缺点，同时能够反演求解更多的测井物性参数。为提高测井数据在反演中的利用率提供了一种可行性方案，降低反演成本和反演周期，提高反演过程中测井数据的利用率。

技术领域

本发明属于地质统计学技术领域，特别涉及一种基于联合字典的孔隙度反演方法。

背景技术

储层物性参数是进行储层预测与评价的重要基础，孔隙度作为最基本的储层物性参数之一，其准确估计可以为储层预测提供可靠的参考依据。获取储层孔隙度的方法主要分为直接测量法和间接解释法两种，直接测量法是通过岩心测量获取孔隙度，后者是通过测井资料解释获得。钻井取心而后进行岩石物理分析所获得的孔隙度最为准确(潘新朋等，2018)，但取样和测试成本高，而且随着钻井深度的增加，获取孔隙度的难度也随之增加，故直接测量法仅限于某些层段，难以获取整个工区的完整孔隙度。间接解释法是据地质信息和测井资料之间的关系确定储层孔隙度，在油气资源勘探中变得越来越重要。但由于影响储层孔隙度的因素众多，且关系复杂，为储层孔隙度的准确预测带来了巨大困难。前人通过建立经验公式或简化地质模型来计算和预测未知层段的储层孔隙度(Khaksar et al.,1998；张显文等，2018)，这些方法对于解决一般地质储层问题能取得较好的结果。但这些方法不能很好地挖掘出孔隙度与测井资料之间复杂的非线性关系及空间的连续性。因此，探索发展高效、低成本的孔隙度预测方法，以实现精确储层预测与评价具有重要的意义。

通常，测井数据包含丰富的物性参数信息，如何对它们进行求解是地球物理勘探具有重要战略意义的研究方向。经研究表明，地下弹性参数之间存在很强的相关性。虽然测井数据较少但是其所包含的物性参数却是非常丰富的，在这些参数具有强相关性的前提下如何提高求解的参数的数量是一个非常有前景的研究方向。

地质统计学预测孔隙度所采取的的插值方法，需要依赖测井数据，即它的结果与测井数据关系密切。通常在工区钻井所得到的测井数据是比较少的，这时如果通过插值方法进行孔隙度预测的话，对于物理空间距离较远的井之间就会出现大面积孔隙度预测值都相近的情况；另外如果相邻井之间对应的值极性相反的话，就会在插值时候中间出现左右极性反向的情况，这些然是不符合实际情况的；一般的，地下的地质结构通常是复杂多变的，插值方法对于大多数的孔隙度预测情况可以说是都不适用的，它不能够刻画孔隙度的变化趋势，只能说是对与孔隙度的一个宏观大致预测，所得到的结果参考价值不大。

线性拟合的孔隙度预测方法，依赖于其它物性参数的测井数据，通过对其他物性参数数据与孔隙度数据利用线性回归的方法，拟合出一个描述它们之间联系的曲线关系。对于工区地下地质情况单一，各弹性参数联系单一的情况，该方法很好地解决了地质统计学通过插值方式预测孔隙度的问题，具有良好的效果；但是对于工区地下地质情况复杂的时候，该方法只能描述用于线性拟合的井曲线的单一关系，只具有局部单一性，并不能描述整体的关系，所以，该方法具有很大的局限性。

通过神经网络进行储层孔隙度预测的方法，主要分为数据处理、模型构建、模型训练、孔隙度预测、模型评价几个阶段。该方法相比较于上述地质统计学和线性拟合的方法，可以很好地应对复杂地质构造的情况；不同学者在应用神经网络方法对孔隙度进行预测时都使用了自己改进的网络模型，这说明针对于不同的地质情况来说，不同网络的表现性能有好有坏。说明通过神经网络预测的结果只对于特定的结构有效，更换数据后就要重新训练网络，这是因为地下地质情况多变，训练得到强大的可以预测所有地下地质情况的神经网络是不现实的。为了使训练出来的网络准确性高，通常是需要耗费很长时间来进行的。