[发明专利]一种基于小样本机器学习地震测井超高分辨率数据融合实现方法

权利要求书

1.一种基于小样本机器学习地震测井超高分辨率数据融合实现方法，其特征在于通过SVM机器学习算法自动建立三个频率成分与目标测井曲线之间非线性关系，从而实现地震和测井超高分辨率数据融合的目标；超高分辨率是指纵向分辨率达到5m以下；其实现步骤如下：

步骤一、叠加地震进行道积分处理转换为带限纵波阻抗，具体叠加地震ΔIp/Ip这一表达式中Ip是纵波阻抗，是密度和纵波速度的乘积；这部分数据是中频部分；

步骤二、利用测井纵波阻抗数据和层位解释数据，通过插值建立三维测井模型数据，所述三维测井模型数据包含低频、中频和高频成分；

步骤三、对测井数据插值三维模型分别进行低通滤波和带通滤波，得到井数据模型的低频部分模型LFmodel和高频部分模型HFmodel；滤波器参数根据实际地震数据的频谱确定；

步骤四、根据完成地质任务的需要确定目标曲线频带范围，然后设计一个高截滤波器对测井数据三维插值模型进行高截滤波得到一个新的三维测井数据插值模型，记作tagmodel；若高分辨反演结果达到纵向分辨率3m需要0-200Hz频宽，则将高截滤波器设置为F1＝200Hz，F2＝210Hz，F3＝0Hz，F4＝0Hz；

步骤五、归一化处理；分别将带限地震波阻抗数据S、低频部分模型LFmodel和高频部分模型HFmodel进行归一化处理，使得它们的数据范围缩放到-1和1之间；这三个频率成分数据分别记作SeisN.sgy、WLFN.sgy和WHFN.sgy；

归一化公式如下：

其中Ip-纵波阻抗，单位：m/s*g/cc

Ip_max-目的层段最大纵波阻抗，单位：m/s*g/cc

Ip_min-目的层段最小纵波阻抗，单位：m/s*g/cc

步骤六、分别从带限地震波阻抗数据、低频部分模型、高频部分模型、tagmodel中沿着所有作为标签井、测试井的井筒轨迹抽取标签井训练数据曲线和验证井的井筒轨迹抽取标签井验证井数据曲线，其中Wtag_n是标签井目标曲线数据，Ws_n、WLF_n和WHF_n是标签井特征参数曲线数据，n是标签井数量，这些数据都是训练数据；Wtag_m是验证井已知答案数据，Ws_m、WLF_m和WHF_m是验证井特征参数曲线数据，m是验证井数量，这些数据都是测试数据；

步骤七、定义每一口标签井标签数据深度段，每一所述标签井标签数据深度段将作为这若干口井的训练样本集；将所有标签井标签数据深度段定义在一个文本文件中；标签井标签数据深度段以外的数据作为测试集数据，测试集数据占总数据的20％以上；

步骤八、选择所有标签井和标签井标签数据深度段文本输入SVM回归模型进行机器学习训练，调整SVM的三个关键参数即惩罚系数C、核函数参数g、SVR间隔带p，直到满足要求的精度，即平方相关系数SCC和均方误差mse都达到设定的精度，SCC大于0.7，此时输出一个SVM回归模型SVRmodel；

步骤九、一次选择若干口验证井，选择训练好的模型SVRmodel，定义验证井特征参数曲线Ws_m、WLF_m和WHF_m，即将验证井特征参数曲线数据输入SVM回归模型进行预测，输出预测高分辨率波阻抗曲线，同时输出平方相关系数SCC和均方误差mse；将预测结果WIPpre_m与已知答案Wtag_m进行对比，分析输出高分辨率波阻抗曲线的误差，如果结果满足精度要求，将已经训练好的高分辨率波阻抗SVM回归模型应用于三维数据体做回归预测处理；

步骤十、一次选择三个频率成分的三维数据SEGY文件SeisN.sgy、WLFN-sgy和WHFN.sgy，选择训练好的模型SVRmodel，定义特征参数数据与SEGY文件名前缀保持一致作为SVM回归输入进行三维数据体预测，输出预测三维高分辨率波阻抗数据体，该结果就是基于机器学习SVM回归得到的超高分辨率三维波阻抗数据体。