52] 按照上述方法，针对储层埋藏深，产状变化大，断块复杂，储层厚度薄的砂体，提出 了区带分级和时窗分级的方法，得到了分级目标区域（图3)以及分级小时窗（图4)。通 过分级后多属性的提取和加入已钻井的信息再融合，有效提高了储层预测的精度，得到了 分区带属性预测图（图5)。通过神经网络函数逼近算法的储层参数定量表征方法，在分 区带属性预测的基础上，对全区属性进行融合吗，最终得到全区地震分级敏感属性预测图 (图6)，半定量化的预测出深层薄储层的边界，对于指导下一步的油田开发井的部署，更加 可靠。
【主权项】
1. 基于地震分级敏感属性融合的深层薄互储层定量表征方法，其特征是： (1) 结合井震高频层序划分的沉积背景，对常规地震多属性相关降维、对目的层段进行 属性优选，完成常规多属性融合图，预测深层薄互储层； (2) 在常规多属性预测储层的基础上，对全区储层进行分级处理，包括：区带分级和时 窗分级，其中，区带分级是利用测井、钻井资料，结合沉积特征，在已钻井的基础上，将需要 详细刻画的储层确定出来，在平面上划分出区域；时窗分级是在砂体分布比较集中的地方 用同一个小时窗，在不集中的地方进一步的划分目标区域再确定时窗，直到能把砂体精细 刻画； (3) 在确定分级的基础上，对各个分级区带和分级时窗内的储层进行分级预测，其算法 包含训练阶段和预测识别阶段；其中，训练阶段主要步骤为：对地震属性训练、集中属性信 息进行归一化，提取特征向量，建立地震属性特征向量训练集，由此为基础建立支持向量机 (SVM)分类模型；识别阶段主要步骤为：对要分级的地震属性信息进行归一化，提取其特征 向量；其中分级建立支持向量机（SVM)识别模型过程中还加入了实钻井的约束； (4) 对分区带分时窗的属性进行第二次融合，得到全区分级属性融合属性，运算中对优 选属性随机取若干采样点，进行分类函数f(x)的运算，计算分类阀值，按照最优化原则，即 该阀值能将属性中的不同分类正确地分开，并且折中考虑使样本错分率最小和分类间隔最 大，不断修改分类阀值，直到不同分类中的样本点误差都收敛至可接受的范围内； (5) 完成的基于地震分级敏感算法大背景下的属性分类结果，即针对分类结果进一步 细分目标进行小时窗的属性预测，通过属性优化的手段与反应背景的原始属性信息再融 合，得到地震分级属性融合预测图； (6) 利用地震分级属性融合储层预测图件结合实钻资料的储层参数，半定量化的预测 出深层薄储层的展布范围。2. 根据权利要求1所述的基于地震分级敏感属性融合的深层薄互储层定量表征方法， 其特征是： 步骤（3)识别阶段中对要分级的地震属性信息进行归一化，提取其特征向量；将该向 量作为支持向量机（SVM)输入进行分类函数的运算、每个支持向量对应一个分类阀值b，对 分类阀值b低于特定数值的的归为一类，依此确定分类界限；提取属性特征向量时加入钻 井储层参数的约束，通过井点附近地震属性信息与大背景下地震属性比对分析，不断计算 收敛，优化识别建模过程中特征向量的提取，使模型更接近于实际地质情况，降低多解性。3. 根据权利要求1或2所述的基于地震分级敏感属性融合的深层薄互储层定量表征方 法，其特征是： 步骤（4)对分区带分时窗的属性进行第二次融合，得到全区分级属性融合属性，对优 选属性随机取若干采样点，进行分类函数f (X)的运算，计算分类阀值，按照最优化原则，即 该阀值能将属性中的不同分类正确地分开，并且折中考虑使样本错分率最小和分类间隔最 大，不断修改分类阀值，直到不同分类中的样本点误差都收敛至可接受的范围内；在该过程 中，以分级模型为督导进行训练，得到若干类基于分类函数的特征向量，每类特征向量在地 震属性上都对应一个分类集合，至此分类过程结束；整个过程以支持向量机（SVM)为核心 算法，算法的实现方式如下： Η为分类线，满足线性方程：w*x+b = 0, HI、H2分别是过各类中离分类线最近的样本 且平行于分类线Η的直线，它们之间的距离称做分类间隔；所谓的最优分类线就是要求分 类线不但能将两类正确分开，即训练错误率为〇,而且使分类间隔2/ || w ||最大；针对线 性可分集合（Xi, yj对分类线方程进行标准化处理后满足yi (w*xi+b)-l彡0i = 1，···]! ye {-ι，ι}，使分类间隔2/11 w II最大等价与使II w II2最小，满足前式且使II w II2/2最小 的分类面称为最优分类面，H1、H2上的样本点称为支持向量，求取最优分类面也就是求取线 性方程中最佳（w, b)。即在 yi (w*xi+b)_l 彡 Oi = 1，...n y e {-1，1}的约束下求 || w || 2/2 的最小值；定义如下的Lagrange函数： L(u，A")=去 |卜，||:-之吐v.,…气X:, + 6) - 1) ?-1 其中ai彡0为拉格朗日系数；求|| w || 2/2的极小值就是对w，b求拉氏函数的极小值， 对L函数做微分并令其等于0,拉氏函数及转换为：在Σ = 0, a;彡0, i = 1，···]!约束 下求拉格朗日系数ai对函数： n i η W(a) = -- Σ^^/·ν/·νΛΛ'· 5"Λ'.； ) 丄 i，j=\ 其极大值最优解满足a; (y; (w*Xi+b)-1) = 0, i = 1，…η，解中a;不为零的样本Xi, y;即 支持向量，也就是HI、H2上的样本点，因此W可简化为： 岭广=Σ"λ.κ sup^nectof1 求解后得到的最优化分类函数为： η f{x) - Sgn\ (vv*,ν) + b - sgn {^a..'y,-(x,. *.v) + //} 其中sgn为分类函数、b为分类阀值，x为给定样本、xi，yi为线性可分样本集；对于未 知样本X只需计算分类函数，即可判断X所属分类，对于线性不可分的情况：只需加入1个 松弛选项ξ i彡0,样本集满足yi (w*xi+b)-1+ ξ ;彡Oi = 1，…η,函数的转换和计算过程与 线性类似，但约束条件变为：Σ = 0, 0 < a; < c, i = 1，…n，c为控制错分样本处罚程 度的常数，分类函数也相应变化为 η ./⑴二 sgn {' 兄 Α-(λ~，幻 +/，') r=i k为最优分类面中适当的内积函数，其他参数与线性情况相同。
【专利摘要】一种基于地震分级敏感属性融合的深层薄互储层定量表征方法，有效提高了针对深层薄互储层地震属性分析的效率，大大提高了预测精度。本方案包括：大时窗段的地质背景下，针对目的层段的地质目标分区域提取的合理小时窗段属性，对有利储层进行精细雕刻，最终与大背景融合，得到针对地质目标的属性预测图。该方法包括两个关键步骤：一是大地质背景下，利用常规地震多属性相关降维、针对目的层段优选目标敏感属性。二是基于地震分级对属性采取先分级：确定不同背景下目标区域合理的小时窗段；再融合：分序级小时窗参数下敏感属性在融合定量预测研究区内储层范围。其中所述的分级和融合采用实钻资料约束下的支持向量机（SVM）算法实现。
【IPC分类】G01V1/30
【公开号】CN105467449
【申请号】CN201410449177
【发明人】姜蕾, 孙明江, 李国栋, 唐美瑜, 孙兴刚
【申请人】中国石油化工股份有限公司, 中国石油化工股份有限公司胜利油田分公司物探研究院
【公开日】2016年4月6日
【申请日】2014年9月4日