贝叶斯岩相判别方法及装置的制造方法

贝叶斯岩相判别方法及装置的制造方法
【专利摘要】本发明提供了一种贝叶斯岩相判别方法及装置，该方法包括：利用测井曲线获取岩相解释结果和相应的条件属性，作为训练数据；利用所述训练数据中的岩相解释结果统计分析岩相的先验概率信息；对所述训练数据的条件属性和待识别数据分别进行Fisher变换，所述待识别数据包括地震条件属性；利用所述先验概率信息和Fisher变换后的训练数据的条件属性，基于核函数建立贝叶斯分类器；将Fisher变换后的待识别数据输入所述贝叶斯分类器，计算得到岩相的后验概率分布；根据所述后验概率分布判别所述待识别数据所对应的岩相。本发明能够提高岩相判别结果的准确度。
【专利说明】
贝叶斯岩相判别方法及装置
技术领域
[0001] 本发明设及油气田储层建模和储层描述技术领域，尤其设及一种贝叶斯岩相判别 方法及装置。
【背景技术】
[0002] 岩相是指具有明显不同的岩石物理特征和地震特性的地震尺度沉积单元，可W是 岩性的分类，也可W是岩性与孔隙流体集合的分类。例如，将含水砂岩和含油砂岩作为两种 不同的"岩相"进行分类。岩相对岩石的弹性性质起着决定作用，因此岩相识别对于预测储 层的孔隙度、渗透率等物性参数具有指导意义。错误的岩相判别结果可能导致储层物性预 测的准确性降低，并增加预测结果的不确定性，因此岩相的准确判别和分析对于储层物性 参数的预测具有关键作用，并且判别岩相在地层对比、沉积相分析等研究中是一项重要的 内容。
[0003] 但是，由于地震响应的影响因素众多，不同岩相的地震响应常常很相似，为利用地 震资料进行岩相判别带来了较大的困难。多元统计方法在众多科学领域中得到广泛应用， 近年来在石油天然气地质方面的应用也得到越来越多的重视，尤其对于岩相的识别和储层 物性参数预测方面表现出巨大的潜力。在岩相识别方面，常用到的多元统计方法主要有聚 类分析和判别分析。判别分析在岩相识别中发挥着重要的作用，距离判别、贝叶斯判别和 Fisher判别是目前较为常用的几种方法。运些方法的基本思想为：统计训练数据的分类特 征，建立判别准则，对新的数据样品进行比较判别。不同的判别方法具有不同的判别准则。 每一种判别方法都有不同的假设前提、判别依据和处理手法，因而各自都具有一定的应用 条件。
[0004] 理论分析表明，距离岩相判别法将数据总体都假设为正态总体进行分析，方法简 单，但仅仅考虑了数据的均值和方差，对各个不同总体出现的机会(先验概率）的大小和不 同类岩相的类内协方差矩阵的差异性也没有进行系统分析，并且不能对判别结果的准确程 度给出合理的评价。在贝叶斯岩相判别方法中，条件概率密度函数估计困难，一般假设符合 高斯分布形式，即使运样高维问题也难W解决。另外，在贝叶斯类的判别方法中，没有经过 自变量的筛选和组合变换，都是直接对原状态的岩相进行判别，当输入属性之间的相关性 较强时，岩相判别结果准确度较低;并且判别过程中，各个属性是不等权相加，权系数未与 判别效率联系起来。Fisher岩相判别方法能够将权系数和判别效率有机的结合起来，但对 数据特征的考虑不够全面，对数据特征的统计分析能力相对较弱，也没有对判别结果的后 验概率和错判率进行估计。
[0005] 总之，目前基于多元统计方法的岩相判别方法存在适用范围局限、判别效率低、识 别精度弱、计算复杂等问题。

【发明内容】

[0006] 本发明提供一种贝叶斯岩相判别方法及装置，W解决现有技术中的一项或多项缺 失。
[0007] 本发明提供一种贝叶斯岩相判别方法，包括:利用测井曲线获取岩相解释结果和 相应的条件属性，作为训练数据;利用所述训练数据中的岩相解释结果统计分析岩相的先 验概率信息;对所述训练数据的条件属性和待识别数据分别进行Fisher变换，所述待识别 数据包括地震条件属性;利用所述先验概率信息和Fisher变换后的训练数据的条件属性， 基于核函数建立贝叶斯分类器;将Fisher变换后的待识别数据输入所述贝叶斯分类器，计 算得到岩相的后验概率分布;根据所述后验概率分布判别所述待识别数据所对应的岩相。
[0008] 一个实施例中，对所述训练数据的条件属性和待识别数据分别进行Fisher变换之 前，还包括:根据岩石物理分析，利用蒙特卡洛模拟扩展所述训练数据，扩展后的训练数据 用于建立所述贝叶斯分类器。
[0009] 一个实施例中，对所述训练数据的条件属性和待识别数据分别进行Fisher变换之 前，还包括:将所述训练数据从所述测井曲线的测井尺度粗化到所述地震条件属性的地震 尺度。
[0010] 一个实施例中，对所述训练数据的条件属性和待识别数据分别进行Fisher变换， 包括:根据所述训练数据确定一投影方向；按所述投影方向对所述训练数据的条件属性和 所述待识别数据分别进行Fi sher变换。
[0011] -个实施例中，利用所述训练数据中的岩相解释结果统计分析岩相的先验概率信 息，包括:利用所述训练数据中的岩相解释结果统计分析岩相的初始先验概率;利用岩屯、数 据及地质分析数据对所述初始先验概率进行修正得到所述先验概率信息。
[0012] 一个实施例中，利用所述先验概率信息和Fisher变换后的训练数据的条件属性， 基于核函数建立贝叶斯分类器，包括:利用所述核函数估计Fisher变换后的训练数据中的 岩相和相应的条件属性的联合概率分布;根据所述联合概率分布计算Fisher变换后的训练 数据中的岩相在相应的条件属性下的条件概率;根据所述条件概率和所述先验概率信息建 立所述贝叶斯分类器。
[0013] -个实施例中，根据所述后验概率分布判别所述待识别数据所对应的岩相，包括： 根据所述后验概率分布获取最大后验概率所对应的岩相和相应后验概率值;将最大后验概 率所对应的岩相作为所述待识别数据所对应的岩相，并根据所述相应后验概率值评价所述 待识别数据所对应的岩相的准确性。
[0014] -个实施例中，所述训练数据中的条件属性和所述待识别数据中的地震条件属性 均包括:纵波波阻抗、横波波阻抗、弹性阻抗、纵波速度、横波速度及密度中的一个或多个。
[0015] 本发明还提供一种贝叶斯岩相判别装置，包括:训练数据获取单元，用于利用测井 曲线获取岩相解释结果和相应的条件属性，作为训练数据;先验概率获取单元，用于利用所 述训练数据中的岩相解释结果统计分析岩相的先验概率信息;Fisher变换单元，用于对所 述训练数据的条件属性和待识别数据分别进行Fisher变换，所述待识别数据包括地震条件 属性；贝叶斯分类器建立单元，用于利用所述先验概率信息和Fisher变换后的训练数据的 条件属性，基于核函数建立贝叶斯分类器;后验概率获取单元，用于将Fisher变换后的待识 别数据输入所述贝叶斯分类器，计算得到岩相的后验概率分布;岩相判别单元，用于根据所 述后验概率分布判别所述待识别数据所对应的岩相。
[0016] -个实施例中，还包括：训练数据扩展单元，用于根据岩石物理分析，利用蒙特卡 洛模拟扩展所述训练数据，扩展后的训练数据用于建立所述贝叶斯分类器。
[0017] -个实施例中，还包括:尺度粗化单元，用于将所述训练数据从所述测井曲线的测 井尺度粗化到所述地震条件属性所对应的地震尺度。
[0018] 一个实施例中，所述Fisher变换单元，包括:投影方向确定模块，用于根据所述训 练数据确定一投影方向；Fisher变换模块，用于按所述投影方向对所述训练数据的条件属 性和所述待识别数据分别进行Fisher变换。
[0019] -个实施例中，所述先验概率获取单元，包括:初始概率获取模块，用于所述训练 数据中的岩相解释结果统计分析岩相的初始先验概率;先验概率获取模块，用于利用岩屯、 数据及地质分析数据对所述初始先验概率进行修正得到所述先验概率信息。
[0020] -个实施例中，所述贝叶斯分类器建立单元，包括:联合概率获取模块，用于利用 所述核函数估计Fisher变换后的训练数据中的岩相和相应的条件属性的联合概率分布;条 件概率模块，用于根据所述联合概率分布计算Fisher变换后的训练数据中的岩相在相应的 条件属性下的条件概率；贝叶斯分类器建立模块，用于根据所述条件概率和所述先验概率 信息建立所述贝叶斯分类器。
[0021 ] -个实施例中，所述岩相判别单元，包括:岩相判别模块，用于根据所述后验概率 分布获取最大后验概率所对应的岩相和相应后验概率值;判别结果评价模块，用于将最大 后验概率所对应的岩相作为所述待识别数据所对应的岩相，并根据所述相应后验概率值评 价所述待识别数据所对应的岩相的准确性。
[0022] -个实施例中，还包括条件属性模块，用于执行:所述训练数据中的条件属性和所 述待识别数据中的地震条件属性均包括:纵波波阻抗、横波波阻抗、弹性阻抗、纵波速度、横 波速度及密度中的一个或多个。
[0023] 本发明实施例的贝叶斯岩相判别方法及装置，通过对训练数据和待识别数据分别 进行Fisher变换，可使不同类岩相之间的数据在投影空间上能够更好的区分，提高判别结 果的准确程度。本发明利用核函数估计条件概率，不需要假设数据服从特定的分布，对实际 中的数据能够更好的估算其条件概率，精度较高。本发明综合考虑数据样本的多种特征，使 用范围广。本发明能够在获得较高精度的岩相判别结果的同时，能够提供判别结果的后验 概率，用于定量的评价判别结果的不确定性。本发明使用的条件属性能够有效的利用不同 类型的地震资料预测判别地震岩相。
【附图说明】
[0024] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W 根据运些附图获得其他的附图。在附图中：
[0025] 图1是本发明一实施例的贝叶斯岩相判别方法的流程示意图；
[0026] 图2是本发明另一实施例的贝叶斯岩相判别方法的流程示意图；
[0027] 图3是本发明又一实施例的贝叶斯岩相判别方法的流程示意图；
[0028] 图4是本发明一实施例中的进行Fisher变换的方法流程示意图；
[0029] 图5是本发明一实施例中获取岩相的先验概率信息的方法流程示意图；
[0030]图6是本发明一实施例中基于核函数建立贝叶斯分类器的方法流程示意图；
[0031 ]图7是本发明一实施例中判别待识别数据所对应的岩相的方法流程示意图；
[0032] 图8是本发明另一实施例的贝叶斯岩相判别方法的流程示意图；
[0033] 图9和图10分别是本发明一实施例中输入待识别数据的一个切片的密度和纵波速 度；
[0034] 图11是本发明一实施例中与图9和图10对应的输入的地震真实岩相切片；
[0035] 图12是本发明一实施例中与图9和图10对应的输出的结合Fisher变换和核函数估 计的贝叶斯岩相判别结果切片；
[0036] 图13和图14分别是本发明另一实施例中输入待识别数据的一个切片的密度和纵 波速度；
[0037] 图15是本发明另一实施例中与图13和图14对应的输入的地震真实岩相切片；
[0038] 图16是本发明另一实施例中与图13和图14对应的输出的结合Fisher变换和核函 数估计的贝叶斯岩相判别结果切片；
[0039] 图17是本发明一实施例中贝叶斯岩相判别装置的结构示意图；
[0040] 图18是本发明另一实施例的贝叶斯岩相判别装置的结构示意图；
[0041] 图19是本发明另一实施例的贝叶斯岩相判别装置的结构示意图；
[0042] 图20是本发明一实施例中Fisher变换单元的结构示意图；
[0043] 图21是本发明一实施例中先验概率获取单元的结构示意图；
[0044] 图22是本发明一实施例中贝叶斯分类器建立单元的结构示意图；
[0045] 图23是本发明一实施例中岩相判别单元的结构示意图。
【具体实施方式】
[0046] 为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发 明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并 不作为对本发明的限定。
[0047] 发明人发现，目前的岩相判别方法由于在距离判别时仅考虑了数据总体的特征 值，所W只能适用于各总体先验概率、协方差阵、错判造成的损失均相等的情况，但是实际 数据较难满足运些条件;现有Fisher判别方法对数据的各类特征考虑不够全面，计算方法 比较繁琐，不能给出对判别结果准确性的估计和评价。在此基础上，发明人综合考虑了不同 方法的判别效率、运算量、参数确定的难易程度和对数据特征多样性考虑的全面性等因素。 创造性地设计出本发明的贝叶斯岩相判别方法。该方法基于测井数据、Fisher变换及核函 数等建立贝叶斯分类器，并依据地震数据和该贝叶斯分类器对该地震数据对应的岩相进行 识别。
[0048] 图1是本发明一实施例的贝叶斯岩相判别方法的流程示意图。如图1所示，本发明 实施例的贝叶斯岩相判别方法，可包括步骤：
[0049] S110:利用测井曲线获取岩相解释结果和相应的条件属性，作为训练数据；
[0050] S120:利用所述训练数据中的岩相解释结果统计分析岩相的先验概率信息；
[0051] S130:对所述训练数据的条件属性和待识别数据分别进行Fisher变换，所述待识 别数据包括地震条件属性；
[0052] S140:利用所述先验概率信息和Fisher变换后的训练数据的条件属性，基于核函 数建立贝叶斯分类器；
[0053] S150:将Fisher变换后的待识别数据输入所述贝叶斯分类器，计算得到岩相的后 验概率分布；
[0054] S160:根据所述后验概率分布判别所述待识别数据所对应的岩相。
[0055] 在上述步骤S110中，该测井曲线可W是从施工现场获得的测井数据。该岩相解释 结果可通过根据该测井曲线解释岩相得到。该岩相解释结果中的每种岩相可W对应有条件 属性，在此，岩相和条件属性的对应关系可W是未知的或是已知的。所述训练数据中的条件 属性可W根据测井曲线通过计算得到。
[0056] 在上述步骤S130中，上述地震条件属性可W是通过多种不同方法根据地震数据得 到，例如，可W将地震反演数据作为该地震条件属性，该地震反演数据可W利用地震剖面数 据计算得到。所述待识别数据中的地震条件属性可W根据地震数据经过计算得到。
[0057] -个实施例中，所述训练数据中的条件属性和所述待识别数据中的地震条件属性 均可包括:纵波波阻抗、横波波阻抗、弹性阻抗、纵波速度、横波速度及密度中的一个或多 个。具体而言，所述训练数据中的条件属性可包括纵波波阻抗、横波波阻抗、弹性阻抗中的 一个或多个，或者包括弹性阻抗、纵波速度、横波速度及密度中的一个或多个。
[0058] 在上述步骤S120中，该先验概率信息可W是利用训练数据中的岩相解释结果统计 得到的训练数据中各类岩相出现概率的大小。在上述步骤S140中，该核函数可W是多种不 同的核函数。在上述步骤S150中，该后验概率分布可W是将Fisher变换后的待识别数据输 入所述贝叶斯分类器后计算得到的待识别数据中各类岩相出现概率的大小，可比该先验概 率信息更准确。在上述步骤S160中，可W通过对所述后验概率分布作进一步提取，并根据提 取结果判别所述待识别数据所对应的岩相。
[0059] 本发明实施例的贝叶斯岩相判别方法，通过对所述训练数据的条件属性和待识别 数据分别进行Fisher变换，能够尽可能的区分训练数据和待识别数据中不同类岩相。利用 训练数据可W有效统计不同类岩相的先验概率。基于核函数建立贝叶斯分类器能够求取岩 相和条件属性所对应的条件概率，可W很好地克服条件概率估计困难，判别效率低的问题， 并能够提高岩相识别精度。本发明实施例的方法有效结合了 Fisher判别和核函数的优点， 显著提高了岩相识别的精度和效率。
[0060] 图2是本发明另一实施例的贝叶斯岩相判别方法的流程示意图。如图2所示，图1所 示的贝叶斯岩相判别方法，对所述训练数据的条件属性和待识别数据分别进行Fisher变换 (步骤S130)之前，还可包括步骤：
[0061] S170:根据岩石物理分析，利用蒙特卡洛模拟扩展所述训练数据，扩展后的训练数 据用于建立所述贝叶斯分类器。
[0062] 本实施例中，利用蒙特卡洛模拟扩展所述训练数据，可W增加用于建立贝叶斯分 类器的数据量，从而提高贝叶斯分类器的准确性。
[0063] 图3是本发明又一实施例的贝叶斯岩相判别方法的流程示意图。如图3所示，对所 述训练数据的条件属性和待识别数据分别进行Fisher变换（步骤S130)之前，还可包括步 骤：
[0064] S180:将所述训练数据从所述测井曲线的测井尺度粗化到所述地震条件属性所对 应的地震尺度。
[0065] 本实施例中，地震尺度通常小于测井尺度，通过将所述训练数据从所述测井曲线 的测井尺度粗化到所述地震条件属性所对应的地震尺度，可在测井曲线的测井尺度和地震 条件属性所对应的地震尺度不一致时，例如分辨率、频率等不一致时，将测井曲线的测井尺 度和地震条件属性所对应的地震尺度处理为同样地尺度，从而能够提高岩相判别的准确 度。
[0066] 图4是本发明一实施例中的进行Fisher变换的方法流程示意图。如图4所示，在上 述步骤S130中，对所述训练数据的条件属性和待识别数据分别进行Fisher变换的方法，可 包括步骤：
[0067] S131:根据所述训练数据确定一投影方向；
[0068] S132:按所述投影方向对所述训练数据的条件属性和所述待识别数据分别进行 Fisher 变换。
[0069] 本实施例中，可根据训练数据，包括条件属性和岩相，捜寻投影方向来确定上述投 影方向。按捜寻的投影方向对训练数据和待识别数据分别进行Fisher变换，可使Fisher变 换后的数据的岩相的类内离差矩阵尽可能小，使岩相的类间离差矩阵尽可能大，从而能够 使变换之后的数据更好地区分，从而可W进一步提高岩相判别结果的准确度。
[0070] Fisher变换的基本思想是找出一个投影方向，并将原始数据进行投影变换，在运 个投影方向上能够最大限度的区分不同特征的岩相类别。
[0071] 一个实施例中，Fisher变换的过程可如下：
[0072] 假设N个样本可W分为L个岩相，各类岩相即可表示为乂=巧1，乂2，-，，乂1}，第1(1《1 《L)类岩相Xi具有Ni个样本，各类岩相的样本可表示为^1，义2，一，^1}，每一个数据样本中 可包含有m个属性，各类岩相即可表示为X= {Χ?，X2，…，Χ"}。考虑数据样本的线性变换：
[0073]
(1)
[0074] 其中，α =(日1，日2,…，am)表示投影方向，也是进行Fisher变换的依据。为了获得良 好的岩相判别效果，可使经过投影之后的数据满足下面的条件：1)不同类岩相之间的数据 尽可能的远离，即类间离差较大;2)同类岩相之间的数据尽可能的聚犹，即类内离差较小。 运样经过变换之后的数据能够尽可能的区分开来。寻找最优的线性投影方向可W转化为最 大化下述目标函数，也称为Fisher判别效率：
[0075]
城
[0076] 其中，B是类间离差矩阵;E是类内离差矩阵。运样，问题就转化为寻找投影方向α， 使得J(c〇最大，由于分子和分母上同时具有投影方向α，因此解不唯一。可W通过附加条件： 地α '= 1，使该问题转化为典型的拉格朗日极值问题：
[0079] 即：
[0080] Ε-?βα = λα (5)相当于求取矩阵Ε^Β的特征值λ和特征向量α。 其中，λ是判别效率大小的重要指标。
[0081] 假设矩阵扩?β的秩为r(r《m)，将其正特征值λ按照从大到小的顺序排列λι>λ2 >…>λτ>0，对应的特征向量为ai，曰2，…，ar，将数据样本做如下变换：
[0082] ζ = αχ (6)
[0083] 获得新的数据样本Ζ，就完成了数据的Fisher变换。
[0084] 图5是本发明一实施例中获取岩相的先验概率信息的方法流程示意图。如图5所 示，在上述步骤S120中，利用所述训练数据中的岩相解释结果统计分析岩相的先验概率信 息的方法，可包括步骤：
[0085] S121:利用所述训练数据中的岩相解释结果统计分析岩相的初始先验概率；
[0086] S122:利用岩屯、数据及地质分析数据对所述初始先验概率进行修正得到所述先验 概率信息。
[0087] 本实施例中，先利用Fisher变换后的训练数据统计分析岩相的先验概率信息，再 利用岩屯、数据及地质分析数据对该先验概率信息进行适当修正，W此可W剔除明显不正确 的先验概率信息，从而能够提高先验概率信息的准确度。
[0088] 图6是本发明一实施例中基于核函数建立贝叶斯分类器的方法流程示意图。如图6 所示，在上述步骤S140中，利用所述先验概率信息和Fisher变换后的训练数据的条件属性， 基于核函数建立贝叶斯分类器的方法，可包括步骤：
[0089] S141:利用所述核函数估计Fisher变换后的训练数据中的岩相和相应的条件属性 的联合概率分布；
[0090] S142:根据所述联合概率分布计算Fisher变换后的训练数据中的岩相在相应的条 件属性下的条件概率；
[0091] S143:根据所述条件概率和所述先验概率信息建立所述贝叶斯分类器。
[0092] 本实施例中，根据所述联合概率分布计算Fisher变换后的训练数据中的岩相在相 应的条件属性下的条件概率，可W很好地克服现有贝叶斯类的判别方法中条件概率估算困 难的问题，而且W此可无需假设条件概率服从特定分布，从而可W提高判别效率，提高识别 精度的强度。
[0093] 一个实施例中，利用核函数估计经过Fisher变换之后的训练数据中岩相的条件概 率，原理如下：
[0094] 假设一个随机变量Y的概率密度函数是多<)〇，观察值y属于区间[ml, nl]的概率为：
[0095]
(7)
[0096] 当[ml, nl]很小时，上述概率可近似为：
[0097]
(8)
[0098] 若在全部Μ个观察值(地震数据中的岩相等)中的k个属于区间[ml, nl ]，则观察值yj落在[ml，nl ]中的概率是：
[0099]
@)
[0100] 代入式(8)可得：
[0104] 表示在随机变量Υ的Μ个观察值中，若yr落入了 Wy为中屯、，h/2为半径的区间中，贝U 核函数值为1，否则为0,其中，h取极小。由于|nl-ml|很小，令h = nl-ml
刚式 公式(10)可W表示为：
[0105]
(12)
[0106] 其中
称为核函数，h为窗宽度。核函数的类型有多种形式，可W选择不 同的核函数去估计概率密度函数。
[0107] 选择合适的核函数并设置相应的窗口宽度，核函数估计方法能够最大限度的逼近 随机变量真实的概率密度函数。
[0108] 在岩相判别中，可首先利用多元核函数估算获得新的数据样本和岩相联合概率密 度函数P(f，z)，如下：
[0112] -个实施例中，在上述步骤S150中，根据先验概率和条件概率，基于贝叶斯原理， 构建贝叶斯分类器：
[0113] (15):
[0114] 其中，P(f)表示f的先验概率;P(z|f)表示f发生的条件下Z发生的条件概率;P(z) 表示Z的全概率，是常数，其影响可W忽略不计。P(f|z)表示Z发生的条件下f发生的条件概 率，是f的后验概率。
[0115] 根据贝叶斯判别法的类条件独立性假设，可W得到：
[0116] Ρ([ζ?，ζ2，...，ζΤ] |f)=P(zi|f)P(z2|f)...P(zr|f) (16)可将岩相的 先验概率在不同地震属性的约束下转换为岩相的后验概率，即：
[0117] P(f |z)Kp(f)p(zi|f)P(z2|f)…P(zr|f) (17)
[0118] 将地震条件属性输入上述贝叶斯分类器的，可W基于贝叶斯原理获得岩相的后验 概率分布。
[0119] 图7是本发明一实施例中判别待识别数据所对应的岩相的方法流程示意图。如图7 所示，在上述步骤S160中，根据所述后验概率分布判别所述待识别数据所对应的岩相的方 法，可包括步骤：
[0120] S161:根据所述后验概率分布获取最大后验概率所对应的岩相和相应后验概率 值；
[0121 ] S162:将最大后验概率所对应的岩相作为所述待识别数据所对应的岩相，并根据 所述相应后验概率值评价所述待识别数据所对应的岩相的准确性。
[0122] 本实施例中，提取最大后验概率解，即后验概率最大时对应的岩相，获得地震岩相 判别结果和相应的后验概率信息。若所述相应后验概率值相对较大，可认为岩相判别结果 较准确，若所述相应后验概率值相对较小，则可认为岩相判别结果不够准确，W此可W对利 用本发明方法所得的岩相判别结果进行评价。本实施例中，利用后验概率最大化原则，在贝 叶斯原理的基础上，综合考虑了数据样本的多种特征，统计变换后的数据样本的先验信息， 在条件属性的约束下提取最大后验概率解，获得岩相判别结果，所需数据容易获得，使用范 围广。
[0123] 图8是本发明另一实施例的贝叶斯岩相判别方法的流程示意图。如图8所示，本实 施例的贝叶斯岩相判别方法可包括步骤：
[0124] S301:训练数据获取和扩展:利用测井曲线解释岩相并计算合成条件属性(纵横波 波阻抗、弹性阻抗或纵波速度、横波速度和密度)作为训练数据。根据岩石物理分析，利用蒙 特卡洛模拟扩展训练数据，并将数据从测井尺度粗化到地震尺度。
[0125] S302:基于Fisher变换的数据投影:根据训练数据捜寻投影方向，使变换之后的数 据能够更好的区分，按照投影方向将训练数据和地震反演数据(纵横波波阻抗、弹性阻抗或 纵波速度、横波速度和密度)进行变换，即Fi sher变换；
[0126] S303:利用训练数据统计岩相的先验信息；
[0127] S304:构建变换后数据的贝叶斯分类器:根据贝叶斯判别法的类条件独立性假设， 利用核函数分别估计变换后各个数据属性和岩相的联合概率分布，进而计算出岩相在相应 属性下的条件概率，结合岩相的先验概率信息，建立贝叶斯分类器；
[01%] S305:将地震数据作为贝叶斯分类器的输入，基于贝叶斯原理，获得岩相的后验概 率分布；
[0129] S306:提取最大后验概率解，即后验概率最大时对应的岩相，获得地震岩相判别结 果和相应的后验概率信息，对判别结果进行不确定性评价分析。
[0130] 图9和图10分别是本发明一实施例中输入待识别数据的一个切片的密度和纵波速 度，其中条件数据从中随机抽样。如图9所示，通过灰度表示，密度P值可由2.2g/cc~2.4g/ CC~2.6g/cc变化。如图10所示，通过灰度表示，纵波速Vp值可由2.5km/s~3.5km/s~ 4.5km/s变化。图11是本发明一实施例中与图9和图10对应的输入的地震真实岩相切片，图 12是本发明一实施例中与图9和图10对应的输出的结合Fi sher变换和核函数估计的贝叶斯 岩相判别结果切片。如图11和图12所示，通过灰度表示岩相0、1、2,输出的结合Fisher变换 和核函数估计的贝叶斯岩相判别结果（图12所示)与真实岩相（图11所示)能够较好吻合，证 实判别结果合理有效。
[0131] 图13和图14分别是本发明另一实施例中输入待识别数据的一个切片的密度和纵 波速度。如图13所示，通过灰度表示，密度P值可由2.2g/cc~2.4g/cc~2.6g/cc变化。如图 14所示，通过灰度表示，纵波速Vp值可由2.5km/s~3.5km/s~4.5km/s变化。图15是本发明 另一实施例中与图13和图14对应的输入的地震真实岩相切片，图16是本发明另一实施例中 与图13和图14对应的输出的结合Fisher变换和核函数估计的贝叶斯岩相判别结果切片。如 图15和图16所示，通过灰度表示岩相(Facies)0、l、2,输出的结合Fisher变换和核函数估计 的贝叶斯岩相判别结果（图16所示)与真实岩相（图15所示)能够较好吻合，证实判别结果合 理有效。
[0132] 图9至图16中，横坐标X和纵坐标y分别表示地层水平面上相互垂直的两个方向，单 位为米。
[0133] 本发明实施例的贝叶斯岩相判别方法，通过对训练数据的条件属性和待识别数据 分别进行Fisher变换，可使不同类岩相之间的数据在投影空间上能够更好的区分，提高判 别结果的准确程度。本发明利用核函数估计条件概率，不需要假设数据服从特定的分布，对 实际中的数据能够更好的估算其条件概率，精度较高。本发明综合考虑数据样本的多种特 征，使用范围广。本发明能够在获得较高精度的岩相判别结果的同时，能够提供判别结果的 后验概率，用于定量的评价判别结果的不确定性。本发明使用的条件属性可W是波阻抗、弹 性阻抗、纵波速度、横波速度、密度等弹性参数中的一种或多种，能够有效的利用不同类型 的地震资料预测判别地震岩相。
[0134] 基于与图1所示的贝叶斯岩相判别方法相同的发明构思，本申请实施例还提供了 一种贝叶斯岩相判别装置，如下面实施例所述。由于该贝叶斯岩相判别装置解决问题的原 理与贝叶斯岩相判别方法相似，因此该贝叶斯岩相判别装置的实施可W参见贝叶斯岩相判 别方法的实施，重复之处不再寶述。
[0135] 图17是本发明一实施例中贝叶斯岩相判别装置的结构示意图。如图17所示，本发 明实施例的贝叶斯岩相判别装置，可包括:训练数据获取单元210、先验概率获取单元220、 Fisher变换单元230、贝叶斯分类器建立单元240、后验概率获取单元250及岩相判别单元 260，上述各单元顺序连接。
[0136] 训练数据获取单元210用于利用测井曲线获取岩相解释结果和相应的条件属性， 作为训练数据。
[0137] 先验概率获取单元220用于利用所述训练数据中的岩相解释结果统计分析岩相的 先验概率信息。
[0138] Fisher变换单元230用于对所述训练数据的条件属性和待识别数据分别进行 Fisher变换，所述待识别数据包括地震条件属性。
[0139] 贝叶斯分类器建立单元240用于利用所述先验概率信息和Fisher变换后的训练数 据的条件属性，基于核函数建立贝叶斯分类器。
[0140] 后验概率获取单元250用于将Fisher变换后的待识别数据输入所述贝叶斯分类 器，计算得到岩相的后验概率分布。
[0141] 岩相判别单元260用于根据所述后验概率分布判别所述待识别数据所对应的岩 相。
[0142] 在训练数据获取单元210中，该测井曲线可W是从施工现场获得的测井数据。该岩 相解释结果可通过根据该测井曲线解释岩相得到。该岩相解释结果中的每种岩相可w对应 有条件属性，在此，岩相和条件属性的对应关系可W是未知的或是已知的。所述训练数据中 的条件属性可W根据测井曲线通过计算得到。
[0143] 在Fisher变换单元230中，上述地震条件属性可W是通过多种不同方法根据地震 数据得到，例如，可W将地震反演数据作为该地震条件属性，该地震条件属性可W利用地震 剖面数据计算得到。所述待识别数据中的地震条件属性可W根据地震数据经过计算得到。
[0144] -个实施例中，本发明实施例的贝叶斯岩相判别装置，还可包括条件属性模块，用 于执行:所述训练数据中的条件属性和所述待识别数据中的地震条件属性均可包括:纵波 波阻抗、横波波阻抗、弹性阻抗、纵波速度、横波速度及密度中的一个或多个。具体而言，所 述训练数据中的条件属性可包括纵波波阻抗、横波波阻抗及弹性阻抗中的一个或多个，或 者包括弹性阻抗、纵波速度、横波速度及密度中的一个或多个。
[0145] 在先验概率获取单元220中，该先验概率信息可W是利用训练数据中的岩相解释 结果统计得到的训练数据中各类岩相出现概率的大小。在贝叶斯分类器建立单元240中，该 核函数可W是多种不同的核函数。在后验概率获取单元250中，该后验概率分布可W是将 Fisher变换后的待识别数据输入所述贝叶斯分类器后计算得到的待识别数据中各类岩相 出现概率的大小，可比该先验概率信息更准确。在岩相判别单元260中，可W通过对所述后 验概率分布作进一步提取，并根据提取结果判别所述待识别数据所对应的岩相。
[0146] 本发明实施例的贝叶斯岩相判别装置，通过对所述训练数据的条件属性和待识别 数据分别进行Fisher变换，能够尽可能的区分训练数据和待识别数据中不同类岩相。利用 训练数据中的岩相解释结果可W有效统计不同类岩相的先验概率。基于核函数建立贝叶斯 分类器能够求取岩相和条件属性所对应的条件概率，可W很好地克服条件概率估计困难， 判别效率低的问题，并能够提高岩相识别精度。本发明实施例的方法有效结合了 Fisher判 别和核函数的优点，显著提高了岩相识别的精度和效率。
[0147] 图18是本发明另一实施例的贝叶斯岩相判别装置的结构示意图。如图18所示，图 17所示的贝叶斯岩相判别装置，还可包括:训练数据扩展单元270,连接于上述训练数据获 取单元210与上述先验概率获取单元220之间。
[0148] 训练数据扩展单元270用于根据岩石物理分析，利用蒙特卡洛模拟扩展所述训练 数据，扩展后的训练数据用于建立所述贝叶斯分类器。
[0149] 本实施例中，利用蒙特卡洛模拟扩展所述训练数据，可W增加用于建立贝叶斯分 类器的数据量，从而提高贝叶斯分类器的准确性。
[0150] 图19是本发明另一实施例的贝叶斯岩相判别装置的结构示意图。如图19所示，图 17所示的贝叶斯岩相判别装置，还可包括:尺度粗化单元280,连接于上述训练数据获取单 元210与上述先验概率获取单元220之间。
[0151] 尺度粗化单元280用于将所述训练数据从所述测井曲线的测井尺度粗化到所述地 震条件属性所对应的地震尺度。
[0152] 本实施例中，地震尺度通常小于测井尺度，通过将所述训练数据从所述测井曲线 的测井尺度粗化到所述地震条件属性所对应的地震尺度，可在测井曲线的测井尺度和地震 条件属性所对应的地震尺度不一致时，例如分辨率、频率等不一致时，将测井曲线的测井尺 度和地震条件属性所对应的地震尺度处理为同样地尺度，从而能够提高岩相判别的准确 度。
[0153] 图20是本发明一实施例中Fisher变换单元的结构示意图。如图20所示，所述 Fisher变换单元230，可包括:投影方向确定模块231和Fisher变换模块232，二者相互连接。
[0154] 投影方向确定模块231用于根据所述训练数据确定一投影方向。
[0155] Fisher变换模块232用于按所述投影方向对所述训练数据的条件属性和所述待识 别数据分别进行Fisher变换。
[0156] 本实施例中，可根据训练数据，包括条件属性和岩相，捜寻投影方向来确定上述投 影方向。按捜寻的投影方向对训练数据的条件属性和待识别数据分别进行Fisher变换，可 使Fisher变换后的数据的岩相的类内离差矩阵尽可能小，使岩相的类间离差矩阵尽可能 大，从而能够使变换之后的数据更好地区分，从而可W进一步提高岩相判别结果的准确度。
[0157] 图21是本发明一实施例中先验概率获取单元的结构示意图。如图21所示，所述先 验概率获取单元220，可包括:初始概率获取模块221和先验概率获取模块222，二者相互连 接。
[0158] 初始概率获取模块221用于利用所述训练数据中的岩相解释结果统计分析岩相的 初始先验概率。
[0159] 先验概率获取模块222用于利用岩屯、数据及地质分析数据对所述初始先验概率进 行修正得到所述先验概率信息。
[0160] 本实施例中，可W先所述训练数据中的岩相解释结果统计分析岩相的先验概率信 息，再利用岩屯、数据及地质分析数据对该先验概率信息进行适当修正，W此可W剔除明显 不正确的先验概率信息，从而能够提高先验概率信息的准确度。
[0161] 图22是本发明一实施例中贝叶斯分类器建立单元的结构示意图。如图22所示，所 述贝叶斯分类器建立单元240,可包括:联合概率获取模块241、条件概率模块242及贝叶斯 分类器建立模块243，上述各模块顺序连接。
[0162] 联合概率获取模块241用于利用所述核函数估计Fisher变换后的训练数据中的岩 相和相应的条件属性的联合概率分布。
[0163] 条件概率模块242用于根据所述联合概率分布计算Fisher变换后的训练数据中的 岩相在相应的条件属性下的条件概率。
[0164] 贝叶斯分类器建立模块243用于根据所述条件概率和所述先验概率信息建立所述 贝叶斯分类器。
[0165] 本实施例中，根据所述联合概率分布计算Fisher变换后的训练数据中的岩相在相 应的条件属性下的条件概率，可W很好地克服现有贝叶斯类的判别方法中条件概率估算困 难的问题，而且W此可无需假设条件概率服从特定分布，从而可W提高判别效率，提高识别 精度的强度。
[0166] 图23是本发明一实施例中岩相判别单元的结构示意图。如图23所示，所述岩相判 别单元260，可包括:岩相判别模块261和判别结果评价模块262，二者相互连接。
[0167] 岩相判别模块261用于根据所述后验概率分布获取最大后验概率所对应的岩相和 相应后验概率值。
[0168] 判别结果评价模块262用于将最大后验概率所对应的岩相作为所述待识别数据所 对应的岩相，并根据所述相应后验概率值评价所述待识别数据所对应的岩相的准确性。
[0169] 本实施例中，提取最大后验概率解，即后验概率最大时对应的岩相，获得地震岩相 判别结果和相应的后验概率信息。若所述相应后验概率值相对较大，可认为岩相判别结果 较准确，若所述相应后验概率值相对较小，则可认为岩相判别结果不够准确，W此可W对利 用本发明方法所得的岩相判别结果进行评价。本实施例中，利用后验概率最大化原则，在贝 叶斯原理的基础上，综合考虑了数据样本的多种特征，统计变换后的数据样本的先验信息， 在条件属性的约束下提取最大后验概率解，获得岩相判别结果，所需数据容易获得，使用范 围广。
[0170] 本发明实施例的贝叶斯岩相判别装置，通过对训练数据和待识别数据分别进行 Fisher变换，可使不同类岩相之间的数据在投影空间上能够更好的区分，提高判别结果的 准确程度。本发明利用核函数估计条件概率，不需要假设数据服从特定的分布，对实际中的 数据能够更好的估算其条件概率，精度较高。本发明综合考虑数据样本的多种特征，使用范 围广。本发明能够在获得较高精度的岩相判别结果的同时，能够提供判别结果的后验概率， 用于定量的评价判别结果的不确定性。本发明使用的条件属性可W是波阻抗、弹性阻抗、纵 波速度、横波速度、密度等弹性参数中的一种或多种，能够有效的利用不同类型的地震资料 预测判别地震岩相。
[0171] 在本说明书的描述中，参考术语"一个实施例"、"一个具体实施例"、"一些实施 例"、"例如"、"示例"、"具体示例"、或"一些示例"等的描述意指结合该实施例或示例描述的 具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中， 对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结 构、材料或者特点可W在任何的一个或多个实施例或示例中W合适的方式结合。
[0172] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序 产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实 施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机 可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产 品的形式。
[0173] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程 图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流 程和/或方框、W及流程图和/或方框图中的流程和/或方框的结合。可提供运些计算机程序 指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器W产 生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0174] 运些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备W特 定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指 令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。
[0175] 运些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计 算机或其他可编程设备上执行一系列操作步骤W产生计算机实现的处理，从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一 个方框或多个方框中指定的功能的步骤。
[0176] W上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详 细说明，所应理解的是，W上所述仅为本发明的具体实施例而已，并不用于限定本发明的保 护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本 发明的保护范围之内。
【主权项】
1. 一种贝叶斯岩相判别方法，其特征在于，包括： 利用测井曲线获取岩相解释结果和相应的条件属性，作为训练数据； 利用所述训练数据中的岩相解释结果统计分析岩相的先验概率信息； 对所述训练数据的条件属性和待识别数据分别进行Fisher变换，所述待识别数据包括 地震条件属性； 利用所述先验概率信息和Fisher变换后的训练数据的条件属性，基于核函数建立贝叶 斯分类器； 将Fisher变换后的待识别数据输入所述贝叶斯分类器，计算得到岩相的后验概率分 布； 根据所述后验概率分布判别所述待识别数据所对应的岩相。2. 如权利要求1所述的贝叶斯岩相判别方法，其特征在于，对所述训练数据的条件属性 和待识别数据分别进行Fisher变换之前，还包括： 根据岩石物理分析，利用蒙特卡洛模拟扩展所述训练数据，扩展后的训练数据用于建 立所述贝叶斯分类器。3. 如权利要求1所述的贝叶斯岩相判别方法，其特征在于，对所述训练数据的条件属性 和待识别数据分别进行Fisher变换之前，还包括： 将所述训练数据从所述测井曲线的测井尺度粗化到所述地震条件属性所对应的地震 尺度。4. 如权利要求1所述的贝叶斯岩相判别方法，其特征在于，对所述训练数据的条件属性 和待识别数据分别进行Fisher变换，包括： 根据所述训练数据确定一投影方向； 按所述投影方向对所述训练数据的条件属性和所述待识别数据分别进行Fisher变换。5. 如权利要求1所述的贝叶斯岩相判别方法，其特征在于，利用所述训练数据中的岩相 解释结果统计分析岩相的先验概率信息，包括： 利用所述训练数据中的岩相解释结果统计分析岩相的初始先验概率； 利用岩心数据及地质分析数据对所述初始先验概率进行修正得到所述先验概率信息。6. 如权利要求1所述的贝叶斯岩相判别方法，其特征在于，利用所述先验概率信息和 Fisher变换后的训练数据的条件属性，基于核函数建立贝叶斯分类器，包括： 利用所述核函数估计Fisher变换后的训练数据中的岩相和相应的条件属性的联合概 率分布； 根据所述联合概率分布计算Fisher变换后的训练数据中的岩相在相应的条件属性下 的条件概率； 根据所述条件概率和所述先验概率信息建立所述贝叶斯分类器。7. 如权利要求1所述的贝叶斯岩相判别方法，其特征在于，根据所述后验概率分布判别 所述待识别数据所对应的岩相，包括： 根据所述后验概率分布获取最大后验概率所对应的岩相和相应后验概率值； 将最大后验概率所对应的岩相作为所述待识别数据所对应的岩相，并根据所述相应后 验概率值评价所述待识别数据所对应的岩相的准确性。8. 如权利要求1所述的贝叶斯岩相判别方法，其特征在于，所述训练数据中的条件属性 和所述待识别数据中的地震条件属性均包括:纵波波阻抗、横波波阻抗、弹性阻抗、纵波速 度、横波速度及密度中的一个或多个。9. 一种贝叶斯岩相判别装置，其特征在于，包括： 训练数据获取单元，用于利用测井曲线获取岩相解释结果和相应的条件属性，作为训 练数据； 先验概率获取单元，用于利用所述训练数据中的岩相解释结果统计分析岩相的先验概 率?目息； Fisher变换单元，用于对所述训练数据的条件属性和待识别数据分别进行Fisher变 换，所述待识别数据包括地震条件属性； 贝叶斯分类器建立单元，用于利用所述先验概率信息和Fisher变换后的训练数据的条 件属性，基于核函数建立贝叶斯分类器； 后验概率获取单元，用于将Fisher变换后的待识别数据输入所述贝叶斯分类器，计算 得到岩相的后验概率分布； 岩相判别单元，用于根据所述后验概率分布判别所述待识别数据所对应的岩相。10. 如权利要求9所述的贝叶斯岩相判别装置，其特征在于，还包括： 训练数据扩展单元，用于根据岩石物理分析，利用蒙特卡洛模拟扩展所述训练数据，扩 展后的训练数据用于建立所述贝叶斯分类器。11. 如权利要求9所述的贝叶斯岩相判别装置，其特征在于，还包括： 尺度粗化单元，用于将所述训练数据从所述测井曲线的测井尺度粗化到所述地震条件 属性所对应的地震尺度。12. 如权利要求9所述的贝叶斯岩相判别装置，其特征在于，所述Fisher变换单元，包 括： 投影方向确定模块，用于根据所述训练数据确定一投影方向； Fisher变换模块，用于按所述投影方向对所述训练数据的条件属性和所述待识别数据 分别进行Fi sher变换。13. 如权利要求9所述的贝叶斯岩相判别装置，其特征在于，所述先验概率获取单元，包 括： 初始概率获取模块，用于利用所述训练数据中的岩相解释结果统计分析岩相的初始先 验概率； 先验概率获取模块，用于利用岩心数据及地质分析数据对所述初始先验概率进行修正 得到所述先验概率信息。14. 如权利要求9所述的贝叶斯岩相判别装置，其特征在于，所述贝叶斯分类器建立单 元，包括： 联合概率获取模块，用于利用所述核函数估计Fisher变换后的训练数据中的岩相和相 应的条件属性的联合概率分布； 条件概率模块，用于根据所述联合概率分布计算Fisher变换后的训练数据中的岩相在 相应的条件属性下的条件概率； 贝叶斯分类器建立模块，用于根据所述条件概率和所述先验概率信息建立所述贝叶斯 分类器。15. 如权利要求9所述的贝叶斯岩相判别装置，其特征在于，所述岩相判别单元，包括： 岩相判别模块，用于根据所述后验概率分布获取最大后验概率所对应的岩相和相应后 验概率值； 判别结果评价模块，用于将最大后验概率所对应的岩相作为所述待识别数据所对应的 岩相，并根据所述相应后验概率值评价所述待识别数据所对应的岩相的准确性。16. 如权利要求9所述的贝叶斯岩相判别装置，其特征在于，还包括条件属性模块，用于 执行： 所述训练数据中的条件属性和所述待识别数据中的地震条件属性均包括：纵波波阻 抗、横波波阻抗、弹性阻抗、纵波速度、横波速度及密度中的一个或多个。
【文档编号】G01V1/50GK106066493SQ201610349989
【公开日】2016年11月2日
【申请日】2016年5月24日 公开号201610349989.6, CN 106066493 A, CN 106066493A, CN 201610349989, CN-A-106066493, CN106066493 A, CN106066493A, CN201610349989, CN201610349989.6
【发明人】李景叶, 陈小宏, 刘兴业, 王守东, 马继涛, 刘国昌
【申请人】中国石油大学(北京)