一种地震储层物性参数预测方法及装置与流程

1.本发明涉及油气田勘探开发技术领域，尤其是地震数据处理解释技术领域，具体涉及一种地震储层物性参数预测方法及装置。


背景技术：

2.随着全球经济的不断发展，各国对石油和天然气的需求也在不断攀升，这就要求石油公司上游板块加大勘探和开发力度，不断去发现新的地质储量和最大化动用已有储量，而在此过程中储层精细表征是关键。储层精细表征指利用多学科信息定量预测和描述储层以及预测储层物性参数(包括弹性属性，岩相，孔隙度，渗透率等)的空间分布。储层精细表征是地质综合分析与评价的基础，是勘探后期和开发阶段的关键环节，而储层参数精细预测又是储层评价中既基础又最重要的一步，这就需要建立一套系统且适用性广的储层物性参数预测方法。
3.进一步地，储层参数精细预测主要是通过利用有限的已知井数据、地震资料和其他地质信息来预测井间区域中的储层参数(包括弹性属性，岩相，孔隙度，渗透率等)的空间分布。在实际工作中，由于地下地质的复杂性，储层物性参数和地震数据之间的关系受包括岩性、孔隙、成岩作用、流体、温度等许多因素的影响，单个模型不能适合所有数据，尤其是对于高维和复杂的问题。很难得出储层参数与地震数据间的确定性关系，直接从地震数据中获得储层物性参数。目前地震储层物性参数预测主要是以岩石物理模型作为纽带，但存在如下两个问题：
4.(1)由于测量尺度不同，通过高频实验测量的岩心分析结果与低频的地震数据直接进行匹配必然存在一定的误差；
5.(2)岩石物理应用需要对研究区域的岩石物理性质有大量的实验基础，具有诸多的假设条件，而不同区域或同一区域不同位置岩石的物理性质是复杂而多变的，都会有不同的地震传播规律，基于简单的理论关系和经验认识得到的岩石物理模型与经验公式往往导致较大的预测误差。针对储层物性参数预测目前还没有一种系统且通用的评价流程和方法。
6.机器学习是目前人工智能领域应用非常广泛的技术方法，它利用大量数据来训练模型，常常用来解决数据与目标之间复杂的非线性关系，其在油气勘探开发中发挥着越来越重要的作用。地球物理学中最常用的机器学习算法是支持向量回归和神经网络。然而，这两种算法对超参数，学习率等参数非常敏感。核函数及参数的选择受人为的影响较大，具有一定的随意性，不合适的参数将导致错误的预测结果，并放大误差，常需要额外的交叉验证操作才能找到合适的参数，但交叉验证操作往往计算量较大且非常耗时。


技术实现要素：

7.针对现有技术中的问题，本发明所提供的地震储层物性参数预测方法及装置，将一个复杂的大预测问题分解为几个相对简单的问题，逐一进行预测，解决了当前单一预测
模型的适用性差，精度不高的难题。该方法无需假定数据是平稳的，也无需借助岩石物理学模型建立弹性参数与物性参数之间的关系，即使在涉及大量数据的地震储层性质预测中也能取得较好的效果，适用于各种复杂地层的储层参数精细预测。综上所述，本发明可以快速、准确的在大量的地震参数(地震属性)且原本相互之间独立的地震参数中，预测出对储层敏感的、反映储层本质特征的地震参数，进而可利用预测之后的地震参数预测目标工区的储层发育情况，为油田的勘探开发提供可靠的依据。
8.为解决上述技术问题，本发明提供以下技术方案：
9.第一方面，本发明提供一种地震储层物性参数预测方法，包括：
10.基于预生成的训练数据的数据特征，将所述训练数据进行分组，以生成多个分组数据；
11.利用多个相关性向量回归器学习所述多个分组数据的数据特征，以生成多个地震储层物性参数学习模型；
12.根据所述多个地震储层物性参数学习模型预测目标区块的地震储层物性参数。
13.一实施例中，地震储层物性参数预测方法，还包括：生成训练数据，所述生成训练数据包括以下步骤：
14.根据所述目标区块的测井数据生成初步训练数据；
15.对所述初步训练数据进行深度校正以及环境校正，以生成所述训练数据。
16.一实施例中，所述基于预生成的训练数据的数据特征，将所述训练数据进行分组，以生成多个分组数据，包括：
17.利用k-means算法，基于输入-输出关系将所述训练数据分组所述多个分组数据。
18.一实施例中，所述根据所述多个地震储层物性参数学习模型预测目标区块的地震储层物性参数，包括：
19.利用门控函数对所述多个地震储层物性参数学习模型进行加权，以生成地震储层物性参数预测模型；
20.根据所述地震储层物性参数预测模型预测所述目标区块的地震储层物性参数。
21.第二方面，本发明提供一种地震储层物性参数预测装置，该装置包括：
22.训练数据分组模块，用于基于预生成的训练数据的数据特征，将所述训练数据进行分组，以生成多个分组数据；
23.多个学习模型生成模块，用于利用多个相关性向量回归器学习所述多个分组数据的数据特征，以生成多个地震储层物性参数学习模型；
24.物性参数预测模块，用于根据所述多个地震储层物性参数学习模型预测目标区块的地震储层物性参数。
25.一实施例中，地震储层物性参数预测装置还包括：训练数据生成模块，用于生成训练数据，所述训练数据生成模块包括：
26.初步训练数据生成单元，用于根据所述目标区块的测井数据生成初步训练数据；
27.训练数据生成单元，用于对所述初步训练数据进行深度校正以及环境校正，以生成所述训练数据。
28.一实施例中，所述训练数据分组模块具体利用k-means算法，基于输入-输出关系将所述训练数据分组所述多个分组数据。
29.一实施例中，所述参数预测模块包括：
30.模型加权单元，用于利用门控函数对所述多个地震储层物性参数学习模型进行加权，以生成地震储层物性参数预测模型；
31.物性参数预测单元，用于根据所述地震储层物性参数预测模型预测所述目标区块的地震储层物性参数。
32.第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现地震储层物性参数预测方法的步骤。
33.第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现地震储层物性参数预测方法的步骤。
34.从上述描述可知，本发明实施例所提供的地震储层物性参数预测方法及装置，首先基于预生成的训练数据的数据特征，将训练数据进行分组，以生成多个分组数据；接着，利用多个相关性向量回归器学习多个分组数据的数据特征，以生成多个地震储层物性参数学习模型；最后根据多个地震储层物性参数学习模型预测目标区块的地震储层物性参数。本发明通过将一个复杂的储层物性参数预测问题分解为几个简单的问题，该方法及装置无需假定数据是平稳的，也无需借助岩石物理学模型建立弹性参数与物性参数之间的关系，即使在涉及大量数据的地震储层性质预测中也能取得较好的效果，适用于各种复杂地层的储层参数精细预测且操作性强。
附图说明
35.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，还可以根据这些附图获得其他的附图。
36.图1为本发明的实施例中的地震储层物性参数预测方法的流程示意图一；
37.图2为本发明的实施例中的地震储层物性参数预测方法的流程示意图二；
38.图3为本发明的实施例中步骤400的流程示意图；
39.图4为本发明的实施例中步骤100的流程示意图；
40.图5为本发明的实施例中步骤200的流程示意图；
41.图6为本发明的具体应用实例中地震储层物性参数预测方法的流程示意图；
42.图7为本发明的具体应用实例中多专家地震储层物性参数预测方法流程示意图；
43.图8是本发明一实施例a井实测曲线：(a)纵波速度；(b)横波速度；(c)密度；(d)-(f)分别是孔隙度，页岩含量和含水饱和度；
44.图9是本发明一实施例a井数据的预测结果：(a)孔隙度；(b)页岩含量；(c)含水饱和度；(d)-(f)分别是孔隙度，页岩含量和水饱和度的预测值与真实值的残差；
45.图10是本发明一实施例b井实测曲线：(a)纵波速度；(b)横波速度；(c)密度；(d)-(f)分别是孔隙度，页岩含量和含水饱和度；
46.图11是本发明一实施例b井数据的预测结果：(a)孔隙度；(b)页岩含量；(c)含水饱和度；(d)-(f)分别是孔隙度，页岩含量和水饱和度的预测值与真实值的残差。
47.图12为本发明的实施例中的地震储层物性参数预测装置的结构示意图一；
48.图13为本发明的实施例中的地震储层物性参数预测装置的结构示意图二；
49.图14为本发明的实施例中训练数据生成模块40的结构示意图；
50.图15为本发明的实施例中参数预测模块30的结构示意图；
51.图16为本发明的实施例中的电子设备的结构示意图。
具体实施方式
52.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
54.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
55.本发明的实施例提供一种地震储层物性参数预测方法的具体实施方式，参见图1，该方法具体包括如下内容：
56.步骤100：基于预生成的训练数据的数据特征，将所述训练数据进行分组，以生成多个分组数据。
57.具体地，对训练数据进行聚类分组，以构建不同的相关向量专家(机器学习模型)：针对分组后的数据特征，使用k-means算法基于输入-输出关系将训练数据分成多个数据集。
58.步骤200：利用多个相关性向量回归器学习所述多个分组数据的数据特征，以生成多个地震储层物性参数学习模型；
59.可以理解的是，支持向量机(svm)是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则，为了最小化期望风险，应同时最小化经验风险和置信范围)，支持向量机方法的基本思想：
60.(1)专门针对有限样本情况的学习机器，实现的是结构风险最小化：在对给定的数据逼近的精度与逼近函数的复杂性之间寻求折衷，以期获得最好的推广能力；
61.(2)最终解决的是一个凸二次规划问题，从理论上说，得到的将是全局最优解，解决了在神经网络方法中无法避免的局部极值问题；
62.(3)将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性决策函数来实现原空间中的非线性决策函数，巧妙地解决了维数问题，并保证了有较好的推广能力，而且算法复杂度与样本维数无关。
63.具体地，通过升维后，在高维空间中构造线性决策函数来实现线性回归，用e不敏感函数时，其基础主要是e不敏感函数和核函数算法。若将拟合的数学模型表达多维空间的某一曲线，则根据e不敏感函数所得的结果，就是包括该曲线和训练点的“e管道”。在所有样
本点中，只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”。为适应训练样本集的非线性，传统的拟合方法通常是在线性方程后面加高阶项。此法诚然有效，但由此增加的可调参数未免增加了过拟合的风险。支持向量回归算法采用核函数解决这一矛盾。用核函数代替线性方程中的线性项可以使原来的线性算法“非线性化”，即能做非线性回归。与此同时，引进核函数达到了“升维”的目的，而增加的可调参数是过拟合依然能控制。
64.步骤300：根据所述多个地震储层物性参数学习模型预测目标区块的地震储层物性参数。
65.具体地，选择特定的模型去处理一个分组数据，可以从部分数据中学习几种模型，通过门控函数来加权生成最终学习模型，以预测相应的输出。
66.从上述描述可知，本发明实施例所提供的地震储层物性参数预测方法，首先基于预生成的训练数据的数据特征，将训练数据进行分组，以生成多个分组数据；接着，利用多个相关性向量回归器学习多个分组数据的数据特征，以生成多个地震储层物性参数学习模型；最后根据多个地震储层物性参数学习模型预测目标区块的地震储层物性参数。本发明通过将一个复杂的储层物性参数预测问题分解为几个简单的问题，该方法及装置无需假定数据是平稳的，也无需借助岩石物理学模型建立弹性参数与物性参数之间的关系，即使在涉及大量数据的地震储层性质预测中也能取得较好的效果，适用于各种复杂地层的储层参数精细预测且操作性强。
67.一实施例中，参见图2，地震储层物性参数预测方法还包括：
68.步骤400：生成训练数据，进一步地，参见图3，所述步骤400包括,：
69.步骤401：根据所述目标区块的测井数据生成初步训练数据；
70.步骤402：对所述初步训练数据进行深度校正以及环境校正，以生成所述训练数据。
71.在步骤401以及步骤402中，利用已知井测井曲线计算合成条件属性作为训练数据，并进行深度校正、环境校正等预处理，条件属性包括纵波速度、横波速度和密度中的一个或多个。
72.一实施例中，参见图4，步骤100进一步包括：
73.步骤101：利用k-means算法，基于输入-输出关系将所述训练数据分组所述多个分组数据。
74.需要说明的是，k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是，预将数据分为k组，则随机选取k个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。
75.一实施例中，参见图5，步骤200进一步包括：
76.步骤201：利用门控函数对所述多个地震储层物性参数学习模型进行加权，以生成地震储层物性参数预测模型；
77.步骤202：根据所述地震储层物性参数预测模型预测所述目标区块的地震储层物性参数。
78.从上述描述可知，本发明实施例提供地震储层物性参数预测方法，可以利用多个专家来动态划分数据，并分别进行预测，比传统方法使用单一的岩石物理模型或特征学习模型更具针对性。因此，它可以预测储层属性和弹性属性之间的关系，并产生更准确的结果。采用相关向量回归作为专家，它不依赖于人类的经验来设置惩罚参数，能够提供稳定性的稀疏学习模型，该模型仅保留最重要的向量并加快了测试数据的计算时间。多专家模型可以根据数据结构合并多个学习模型，然后针对不同问题指定不同的专家来解决。本方法具有如下四点优势：
79.(1)利用机器学习方法来挖掘储层参数与地震数据间的复杂非线性关系问题：机器学习算法可以充分挖掘储层参数与地震数据之间的内在联系，通过学习已知的数据信息来建立储层物性参数与地震数据之间的非线性映射关系，实现储层自动预测；
80.(2)使用相关向量回归作为专家，过滤冗余样本，并增强稀疏性，从而提高预测效率，并且无需依靠人类经验或者反复试验来设置超参数，在保证预测结果的精度的同时，大大节省优化过程或交叉验证所费的计算时间；
81.(3)本方法无需针对特定的岩性或特定研究区域建立储层参数与地震数据间确定的物理关系，而是使用已知数据来建立储层参数与地震弹性参数间的关系模型，并将该模型应用于井间未知区域的地震数据来实现储层参数预测的目的，适用范围广；
82.(4)该方法不是只利用单一的学习模型实现储层预测，而是能够针对地震数据的特点，将一个复杂的储层参数预测问题分解为几个相对简单的子问题，分而治之，多个专家分别训练负责数据的不同部分，以提高储层预测准确性。如果数据非常复杂，则可以将混合专家模型扩展为分层混合专家模型，以逐步解决多个子问题。但是混合专家系统和相关向量回归适用的数据和参数是假设遵循高斯分布的，高斯分布平滑且对异常值敏感，因此不适合处理具有不稳定成分的数据。当数据不服从高斯分布时，预测将受到明显影响。
83.为进一步地说明本方案，参见图6，本发明还提供一种地震储层物性参数预测方法的具体应用实例。
84.s1：训练数据获取和预处理。
85.利用已知井测井曲线计算合成条件属性作为训练数据，并进行深度校正、环境校正等预处理，所述的条件属性包括纵波速度、横波速度和密度中的一个或多个。
86.s2：数据初始化。
87.聚类分组，构建不同的相关向量专家：针对数据特征，使用k-means算法基于输入-输出关系将训练数据分成多个数据集，数据集的数量取决于专家的数量；对于每个专家，选择径向基函数来构建核矩阵；将模型应用于验证，使用不同数量的相关向量回归专家来计算目标属性，根据预测值和真实值之间的平均绝对导数和平均绝对百分比误差对比性能，优选适当数量的专家。
88.s3：建立预测相关向量机专家。
89.计算样本的后验概率，根据现有参数计算第n个样本的后验概率
[0090][0091]
其中i表示专家的数量,x
(n)
表示输入弹性属性(密度，纵波和横波速度等)，r
(n)
是目标储层属性，它可以表示孔隙度，饱和度或页岩含量等。pi(r|x)表示数据对应的专家预测的概率，假设其服从带参数σ的高斯分布：
[0092][0093]
其中代表回归问题的平均值，wi表示每个专家中不同样本的权重，σ是相应的方差值。gi(x,v)表示选通子系统，即第i个专家对数据x的概率，为保证概率的非负性，可表示为带有参数v的归一化指数函数：
[0094][0095]
根据后验概率结合已有的弹性属性(密度，p波和s波速度等)，利用相关向量回归求解最大化问题，得到专家参数集，以生成相应的专家输出，需求解的最大化问题为：
[0096][0097]
该方程可以转化为：
[0098]
p(αi,σi|ri|)
∝
p(ri|αi,σi)p(ri)p(σi)
[0099]
(αi,σi)＝arg max p(ri|αi,σi)
[0100]
计算公式关于和σi的偏导数并使它们等于零，从而可以给出以下更新公式：
[0101][0102][0103][0104]
多数趋于无穷大时，对应的趋于零，即可以获得一个权重向量，其中大多数元素为零，相应的样本也将从相关向量回归学习模型中移除，最后，只有很少的样本保留在模型中，称为相关向量，从而实现稀疏性。在获取和之后，第i个专家对未知数据点x
*
的预测后验概率由下式给出：
[0105]
[0106]
其中和表示预测平均值。
[0107]
s4：计算门控函数并联合专家预测结果。
[0108]
门控函数为每个所选择的专家确定相应权重，获得门控函数的最大化问题如下：
[0109][0110]
得到门控函数v＝{vi,i＝1,
…
,i}。
[0111]
采用如下流程来求解上述方程，
[0112][0113]
基于边界优化和最大化替代函数，可以得出v＝{vi,i＝1,
…
,i}的更新方程为：
[0114]vnew
＝v
old-he-1
g(v
old
)
[0115]
其中代表qg的梯度，表示kronecker积；
[0116][0117][0118]
表示qg的hessian矩阵的下界，与v无关，t是大小为n
×
n且元素均为1的矩阵。
[0119]
s5：迭代直至收敛，获得学习模型。
[0120]
重复步骤s2-s4，直到收敛，输出相关参数，对由所选择的专家中的每一个生成的专家输出进行加权以生成学习模型，可以用公式1的期望值来表示，即计算回归变量:
[0121][0122]
s6：输入测试数据，进行预测。
[0123]
具体地，根据地震叠前反演技术，将待识别区域的条件属性作为待识别数据，输入到学习模型，预测得到储层物性参数预测结果。
[0124]
基于上述方法，本具体应用实例还提供以具体工区为实例的地震储层物性参数预测方法。
[0125]
具体地，本发明具体应用实例以某井区高品质的地震资料作为输入，利用图7所示的流程进行储层预测以及结果的分析。该地区储层主要发育在河道砂体中，由于复杂的储层分布特征，在该地区利用已知井信息预测井间储层发育情况具有很大的挑战性。图8是本发明一实施例a井实测曲线：(a)纵波速度；(b)横波速度；(c)密度；(d)-(f)分别是孔隙度，页岩含量和含水饱和度；图9是本发明一实施例使用三名相关向量回归专家的a井数据预测结果：(a)孔隙度；(b)页岩含量；(c)含水饱和度；(d)-(f)分别是孔隙度，页岩含量和水饱和
度的预测值与真实值的残差；
[0126]
图10和图11分别是b井的实测数据与使用三名相关向量回归专家的单井预测结果，可以看出，a、b两口井预测结果与实测数据具有较高的一致性，残差基本在零值附近波动，能够有效地预测储层物性参数，充分说明了本方法的有效性。
[0127]
综上所述，本具体应用实例所提供的地震储层物性参数预测方法，该方法包括以下三个部分：多个用于预测储层物性参数的专家；门控函数，用于对输入数据进行划分，并分配各个专家负责的区域；结合专家和门控函数的概率模型。本方法利用相关向量回归作为专家，通过门控函数获得专家加权的学习模型。所提出的方法将一个复杂的大预测问题分解为几个相对简单的问题，逐一进行预测，解决了当前单一预测模型的适用性差，精度不高的难题。该方法及装置无需假定数据是平稳的，也无需借助岩石物理学模型建立弹性参数与物性参数之间的关系，即使在涉及大量数据的地震储层性质预测中也能取得较好的效果，综上而述，本发明具有以下有益效果：
[0128]
(1)利用机器学习方法来挖掘储层参数与地震数据间的复杂非线性关系问题：机器学习算法可以充分挖掘储层参数与地震数据之间的内在联系，通过学习已知的数据信息来建立储层物性参数与地震数据之间的非线性映射关系，实现储层自动预测；
[0129]
(2)使用相关向量回归作为专家，过滤冗余样本，并增强稀疏性，从而提高预测效率，并且无需依靠人类经验或者反复试验来设置超参数，在保证预测结果的精度的同时，大大节省优化过程或交叉验证所费的计算时间；
[0130]
(3)本方法无需针对特定的岩性或特定研究区域建立储层参数与地震数据间确定的物理关系，而是使用已知数据来建立储层参数与地震弹性参数间的关系模型，并将该模型应用于井间未知区域的地震数据来实现储层参数预测的目的，适用范围广；
[0131]
(4)该方法不是只利用单一的学习模型实现储层预测，而是能够针对地震数据的特点，将一个复杂的储层参数预测问题分解为几个相对简单的子问题，分而治之，多个专家分别训练负责数据的不同部分，以提高储层预测准确性。
[0132]
基于同一发明构思，本技术实施例还提供了地震储层物性参数预测装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于地震储层物性参数预测装置解决问题的原理与地震储层物性参数预测方法相似，因此地震储层物性参数预测装置的实施可以参见地震储层物性参数预测方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0133]
本发明的实施例提供一种能够实现地震储层物性参数预测方法的地震储层物性参数预测装置的具体实施方式，参见图12，地震储层物性参数预测装置具体包括如下内容：
[0134]
训练数据分组模块10，用于基于预生成的训练数据的数据特征，将所述训练数据进行分组，以生成多个分组数据；
[0135]
多个学习模型生成模块20，用于利用多个相关性向量回归器学习所述多个分组数据的数据特征，以生成多个地震储层物性参数学习模型；
[0136]
参数预测模块30，用于根据所述多个地震储层物性参数学习模型预测目标区块的地震储层物性参数。
[0137]
一实施例中，参见图13，地震储层物性参数预测装置还包括：训练数据生成模块
40，用于生成训练数据，参见图14，所述训练数据生成模块40包括：
[0138]
初步训练数据生成单元41，用于根据所述目标区块的测井数据生成初步训练数据；
[0139]
训练数据生成单元42，用于对所述初步训练数据进行深度校正以及环境校正，以生成所述训练数据。
[0140]
一实施例中，所述训练数据分组模块具体利用k-means算法，基于输入-输出关系将所述训练数据分组所述多个分组数据。
[0141]
一实施例中，参见图15，所述参数预测模块30包括：
[0142]
模型加权单元31，用于利用门控函数对所述多个地震储层物性参数学习模型进行加权，以生成地震储层物性参数预测模型；
[0143]
参数预测单元32，用于根据所述地震储层物性参数预测模型预测所述目标区块的地震储层物性参数。
[0144]
从上述描述可知，本发明实施例所提供的地震储层物性参数预测装置，首先基于预生成的训练数据的数据特征，将训练数据进行分组，以生成多个分组数据；接着，利用多个相关性向量回归器学习多个分组数据的数据特征，以生成多个地震储层物性参数学习模型；最后根据多个地震储层物性参数学习模型预测目标区块的地震储层物性参数。本发明通过将一个复杂的储层物性参数预测问题分解为几个简单的问题，该方法及装置无需假定数据是平稳的，也无需借助岩石物理学模型建立弹性参数与物性参数之间的关系，即使在涉及大量数据的地震储层性质预测中也能取得较好的效果，适用于各种复杂地层的储层参数精细预测且操作性强。本装置利用相关向量回归作为专家，通过门控函数获得专家加权的学习模型。所提出的方法将一个复杂的大预测问题分解为几个相对简单的问题，逐一进行预测，解决了当前单一预测模型的适用性差，精度不高的难题。
[0145]
上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备，具体的，电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0146]
在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现上述基于前端框架的动态埋点方法的步骤，该步骤包括：
[0147]
步骤100：基于预生成的训练数据的数据特征，将所述训练数据进行分组，以生成多个分组数据；
[0148]
步骤200：利用多个相关性向量回归器学习所述多个分组数据的数据特征，以生成多个地震储层物性参数学习模型；
[0149]
步骤300：根据所述多个地震储层物性参数学习模型预测目标区块的地震储层物性参数。
[0150]
下面参考图16，其示出了适于用来实现本技术实施例的电子设备600的结构示意图。
[0151]
如图16所示，电子设备600包括中央处理单元(cpu)601，其可以根据存储在只读存
储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram))603中的程序而执行各种适当的工作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602、以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0152]
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
[0153]
在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
[0154]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0155]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0156]
这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以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。
[0157]
这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以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。
[0158]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术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，本技术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。
[0159]
以上该仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。