[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

说明书

本发明公开了在地球物理反演与人工智能机器学习交叉领域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。该方法通过SVM机器学习算法自动建立三个频率(低频测井数据插值模型、中频地震数据、高频测井数据插值模型)成分与目标测井曲线之间非线性关系，并通过检验井(测试集数据)验证这种非线性关系，从而实现地震数据和测井数据超高分辨率(纵向分辨率小于5m)数据融合的目标且能很好保持地震特征的目标。使用本发明的方法能够在突破纵向分辨率5m的门槛后还能很好保持地震数据特征，而且信噪比高、成像好、效率高。本发明方法尤其适用于非均质性强储层高分辨反演。

技术领域

本发明属于地球物理反演与人工智能机器学习交叉领域。

背景技术

地震和测井联合高分辨反演是预测薄层的重要的技术手段，但长久以来未能很好地解决地震数据特征控制高分辨反演这样一个难题。以往常用的高分辨反演方法主要包括地质统计反演、基于初始模型迭代的高分辨反演，后来发展了基于地震和测井数据融合的高分辨反演方法，前两种方法由于地震数据本身并没有成为高分辨反演结果的一部分，即不是硬约束而是软约束，所以高分辨反演结果都不能很好地保持地震数据特征及细节变化，尤其是横向突变，例如砂体尖灭、横向不连续、古河道、断层等。后一种方法是地震数据和测井数据合并得到的高分辨反演结果，该方法目前存在三个难题：①通常在纵向分辨率大于5m时还能大致保持住地震横向变化特征，但在纵向分辨率小于5m时，保持地震横向变化特征变得非常困难；②地震数据和几个测井数据插值模型之间的权重比例系数调整非常费时费力，花费时间长，很多时候还不能调整到一个最佳参数组合。地震数据和几个测井数据插值模型之间权重系数非常关键，它们影响了高分辨反演结果的精度以及地震数据特征的保持程度；③该方法得到的高分辨反演结果的信噪比低。

地震数据属性分析往往可以很好地刻画古河道、“串珠状”缝洞储层等，但以往的非相控高分辨反演结果往往抹杀了这种突变的地震数据特征(如砂体尖灭、古河道、潮道、点礁、“串珠状”缝洞储层等)，所以也很难预测和描述这种突变特征的储层。地震数据中的这种突变的特征实际代表了沉积相或微相。高分辨反演结果能否很好地保持地震数据的特征成为衡量其成功与否的重要标准。

本次发明的方法通过引进SVM(Support Vector Machine)机器学习算法自动建立三个频率(低频测井数据插值模型、中频地震数据、高频测井数据插值模型)成分与目标测井曲线之间非线性关系，从而实现地震数据和测井数据超高分辨率(纵向分辨率小于5m)数据融合且能很好保持地震特征的目标。该技术较传统技术最大的优势在于不需要人工调整地震数据与两个测井数据插值模型之间的权重，而且在纵向分辨率达到5m以下时高分辨反演结果的横向变化趋势仍然与地震数据特征保持很好的一致性，也就是具有非常高的地震相控能力。保持了地震数据特征就意味着能够保持原来地震数据中诸如反映古河道、潮道、“串珠”状缝洞储层、透镜体等非均质性地质体，即能够实现所谓的地震相控(间接沉积相控)高分辨反演。

发明内容

本发明旨在解决目前地震和测井高分辨数据融合中遇到的以下难题，一是在纵向分辨率突破5m以下后高分辨反演结果很难保持住地震数据特征而且信噪比低(实际是模型痕迹重)，二是地震数据和几个测井数据插值模型之间的权重比例系数人工调整效率低、精度低。本发明采用以下技术解决方案。通过SVM(Support Vector Machine)机器学习算法自动建立三个频率(低频测井数据插值模型、中频地震数据、高频测井数据插值模型)成分与目标测井曲线之间非线性关系，并通过检验井(测试集数据)验证这种非线性关系，从而实现地震数据和测井数据超高分辨率(纵向分辨率小于5m)数据融合且能很好保持地震特征的目标。

本发明具体是这样实现的：

步骤一、叠加地震或弹性地震(即弹性参数反射率数据，例如，)进行积分处理转换为带限(相对)纵波阻抗。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，通过插值建立三维井模型数据(包含低频、中频和高频成分)。