技术领域
[0001] 本
发明涉及一种烃源岩预测方法，尤其是涉及一种基于地震反演和机器学习的陆相烃源岩定量预测方法。
背景技术
[0002] 现有的烃源岩地震评价技术主要基于地震相的定性分析或基于叠后波阻抗与有机质含量的直接转化关系，这些技术很难用于陆相非均质性较强的烃源岩评价，一方面是陆相沉积环境下的烃源岩相带窄，烃源岩厚度变化大，地震相分析很难对烃源岩进行准确描述，另外一方面由于陆相沉积环境下地震弹性-岩性-有机质含量映射关系非常模糊，弹性参数或地震属性与烃源岩评价参数(有机质含量)之间是一种非常复杂的非线性映射关系，利用简单线性模型驱动很难对其地震
岩石物理特征进行全面准确描述。
发明内容
[0003] 本发明的目的就是为了克服上述
现有技术存在的
缺陷而提供一种基于地震反演和机器学习的陆相烃源岩定量预测方法。
[0004] 本发明的目的可以通过以下技术方案来实现：
[0005] 一种基于地震反演和机器学习的陆相烃源岩定量预测方法，用于预测某一区域陆相烃源岩的空间分布和有机质含量，该方法包括训练阶段和预测阶段，其中，[0006] 训练阶段包括：
[0007] A1、优选对陆相沉积
地层砂泥岩岩性区分和有机质含量敏感的弹性属性；
[0008] A2、训练用于预测岩性的第一机器学习网络，所述的第一机器学习网络输入为陆相沉积地层的弹性属性，输出为岩性，所述的岩性包括泥岩和沙岩；
[0009] A3、训练用于预测有机质含量的第二机器学习网络，所述的第二机器学习网络输入为泥岩层对应的弹性属性，输出为有机质含量；
[0010] 预测阶段包括：
[0011] B1、对待预测区域的叠前地震数据进行叠前弹性参数反演获取与步骤A1对应的弹性属性；
[0012] B2、采用第一机器学习网络预测岩性，获取泥岩层的空间分布；
[0013] B3、采用第二机器学习网络对泥岩层有机质含量进行预测，上述泥岩层的空间分布和有机质含量即为陆相烃源岩的空间分布和有机质含量。
[0014] 训练阶段步骤A1前还包括
训练数据的获取，所述的训练数据包括
测井数据、钻井或录取的岩性标定数据以及地球化学测试的有机质含量数据。
[0015] 所述的弹性属性包括纵
波速度、横波速度、
密度、纵波阻抗、横波阻抗中任意一个或多个的组合。
[0016] 步骤A1定量评估弹性属性与岩性以及弹性属性与有机质含量之间的相关性，当相关系数>0.5时，选取相应的弹性属性为所述的敏感的弹性属性。
[0017] 所述的第一机器学习网络为基于
随机森林算法的机器学习网络。
[0018] 所述的第二机器学习网络为基于随机森林算法的机器学习网络。
[0019] 训练阶段对不同深度段沉积地层分别训练对应的第一机器学习网络，进而预测阶段对不同深度段沉积地层采用对应的第一机器学习网络预测岩性。
[0020] 训练阶段对不同深度段泥岩层分别训练对应的第二机器学习网络，进而预测阶段对不同深度段泥岩层的采用对应的第二机器学习网络预测有机质含量。
[0021] 与现有技术相比，本发明具有如下优点：
[0022] (1)本发明通过厘定陆相沉积地层的岩性-有机质含量-弹性属性的地震岩石物理响应机理，优选出用于岩性和有机质含量预测的敏感弹性属性，增强陆相烃源岩定量预测的可靠度；
[0023] (2)本发明采取了先预测岩性再预测有机质含量的“两步走”策略，将泥岩地层首先筛选出来(泥岩地层才有可能是烃源岩)，从而降低了陆相沉积盆地烃源岩定量预测的不确定性；
[0024] (3)本发明针对陆相沉积地层“岩性-有机质含量-弹性属性”映射关系模糊的特征，利用随机森林算法有效表征了弹性属性与有机质含量和岩性的非线性映射关系，从而提高了烃源岩定量预测的准确度；
[0025] (4)本发明对不同深度段沉积地层采取分段训练分段预测的思路，可以有效去除
压实效应对岩性-弹性属性以及有机质含量-弹性属性的影响，进一步提高预测准确度。
附图说明
[0026] 图1为本发明基于地震反演和机器学习的陆相烃源岩定量预测方法的流程
框图；
[0027] 图2为本
实施例东海某陆相沉积盆地A井的测井数据；
[0028] 图3为压实效应在A井不同深度段对砂泥岩岩性弹性特征的影响；
[0029] 图4是基于随机森林算法建立纵波速度和密度与砂泥岩岩性的第一机器学习网络，采取分段训练分段预测的方法对A井砂泥岩的岩性预测结果，左图为钻井岩芯标定的真实岩性，右图为机器学习预测的岩性；
[0030] 图5是基于随机森林算法建立纵波阻抗与有机质含量的第二机器学习网络，采取分段训练分段预测的方法对A井有机质含量的预测结果，其中上段(a)代表A井有机质含量比较低的地层，下段(b)代表A井中有机质含量比较高的地层，黑线为经过地球化学数据标定的有机质含量，灰线为利用机器学习预测的有机质含量；
[0031] 图6是过A井的基于叠前地震数据的叠前弹性参数反演结果，(a)为纵波速度反演结果，(b)为密度反演结果；
[0032] 图7是基于随机森林算法得到的砂泥岩岩性(白色为
砂岩)预测结果；
[0033] 图8是基于随机森林算法得到的有机质含量预测结果。
具体实施方式
[0034] 下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
[0035] 实施例
[0036] 如图1所示，一种基于地震反演和机器学习的陆相烃源岩定量预测方法，用于预测某一区域陆相烃源岩的空间分布和有机质含量，该方法包括训练阶段和预测阶段，其中，[0037] 训练阶段包括：
[0038] A1、优选对陆相沉积地层砂泥岩岩性区分和有机质含量敏感的弹性属性；
[0039] A2、训练用于预测岩性的第一机器学习网络，所述的第一机器学习网络输入为陆相沉积地层的弹性属性，输出为岩性，所述的岩性包括泥岩和沙岩；
[0040] A3、训练用于预测有机质含量的第二机器学习网络，所述的第二机器学习网络输入为泥岩层对应的弹性属性，输出为有机质含量；
[0041] 预测阶段包括：
[0042] B1、对待预测区域的叠前地震数据进行叠前弹性参数反演获取与步骤A1对应的弹性属性；
[0043] B2、采用第一机器学习网络预测岩性，获取泥岩层的空间分布；
[0044] B3、采用第二机器学习网络对泥岩层有机质含量进行预测，上述泥岩层的空间分布和有机质含量即为陆相烃源岩的空间分布和有机质含量。
[0045] 训练阶段步骤A1前还包括训练数据的获取，所述的训练数据包括测井数据、钻井或录取的岩性标定数据以及地球化学测试的有机质含量数据。
[0046] 步骤A1从钻井或录取的岩性标定、地球化学测试数据和测井数据中厘清勘探区的砂泥岩区分和烃源岩
质量评价(有机质含量)的地震岩石物理响应机理，优选对陆相沉积地层砂泥岩岩性区分和有机质含量敏感的弹性属性，弹性属性包括纵波速度、横波速度、密度、纵波阻抗、横波阻抗中任意一个或多个的组合。本实施例首先定量评估弹性属性与岩性以及弹性属性与有机质含量之间的相关性，当相关系数>0.5时，选取相应的弹性属性为所述的敏感的弹性属性，这里定量评估可以通过大量现有数据进行分析评估。本实施例优选出纵波速度和密度为陆相沉积盆地岩性区分的敏感弹性属性，优选出纵波阻抗为有机质含量预测的敏感弹性属性。
[0047] 第一机器学习网络为基于随机森林算法的机器学习网络，具体地，基于随机森林算法的机器学习网络具体训练流程如下：
[0048] (1)基于测井的岩性-弹性特征数据，利用Bootstrap方法，有放回地进行重
采样，随机产生T个训练集S1,S2,…,ST。
[0049] 设集合S中含有n个不同的样本{x1,x2,…,xn}，若每次有放回地从集合S中
抽取一个样本，一共抽取n次，形成新的集合S*，则集合S*中不包含某个样本xi(i＝1,2,…,n)的概率为：
[0050]
[0051] 当n→∞时，有：
[0052]
[0053] 因此，虽然新集合S*的样本总数与原集合S的样本总数相等，但新集合中可能包含了重复的样本，若除去重复的样本，新集合S*中仅包含了原集合S中约1-0.368×100％＝63.2％的样本。
[0054] (2)利用每个训练集，生成对应的
决策树C1,C2,…,CT；在每个非叶子
节点上选择属性前，从总共M个弹性属性中随机抽取m(0
[0055] (3)让每棵树完整成长，不进行
剪枝。
[0056] (4)对于测试集样本X，利用每个决策树进行测试，得到对应类别C1(X),C2(X),…,CT(X)。
[0057] (5)采用投票的方法，将T个决策树中输出最多的类别作为测试集样本X所属的岩性。
[0058] 同样，针对经过地球化学测试标定的泥岩部分有机质含量测井数据，利用相关机器学习算法(随机森林算法)获得表征烃源岩评价参数(有机质含量)与相对应的弹性特征的第二机器学习网络，即第二机器学习网络也为基于随机森林算法的机器学习网络。第二机器学习网络具体训练流程与第一机器学习网络流程大体一致，只是其中第(5)步的通过投票方法获取的岩性的预测转换成通过取平均值的方法获得有机质含量的预测。
[0059] 去除压实效应对岩性-弹性特征的影响，训练阶段对不同深度段沉积地层分别训练对应的第一机器学习网络，进而预测阶段对不同深度段沉积地层采用对应的第一机器学习网络预测岩性。同时训练阶段对不同深度段泥岩层分别训练对应的第二机器学习网络，进而预测阶段对不同深度段泥岩层的采用对应的第二机器学习网络预测有机质含量。
[0060] 图2为本实施例东海某陆相沉积盆地A井的测井数据，第一栏为根据钻井岩芯标定的砂泥岩岩性，白色是砂岩，黑色是泥岩，从左至右倒数第二栏为根据logR法预测得到的有机质含量，其中的圆点为根据地球化学方法(Rock-Eval)实测得到的有机质含量标定的结果。这些经过标定的数据为砂泥岩岩性-弹性特征和有机质含量-弹性特征的机器学习提供样本数据。
[0061] 图3是A井不同深度段的沉积地层的砂泥岩弹性特征，可以优选出纵波速度和密度为该陆相沉积盆地岩性区分的敏感弹性属性。同时通过对不同深度段沉积地层采取分段训练分段预测的思路，可以有效去除压实效应对岩性-弹性特征的影响。
[0062] 图4为基于随机森林算法建立纵波速度和密度两个弹性参数与砂泥岩岩性的机器学习网络1，采取分段训练分段预测的方法对A井砂泥岩的岩性预测结果。其中每一段地层随机选取50％的数据训练，50％的数据进行检测，岩性预测准确率达到了93.5％。该训练网络也为后续的利用叠前弹性参数反演结果进行砂泥岩空间分布预测奠定了
基础。
[0063] 图5是基于随机森林算法建立纵波阻抗与有机质含量的机器学习网络2，采取分段训练分段预测的方法对A井有机质含量的预测结果，其中上段(a)代表A井有机质含量比较低的地层，下段(b)代表A井中有机质含量比较高的地层。黑线为经过地球化学数据标定的有机质含量，灰线为利用机器学习预测的有机质含量。上段和下端地层都选取50％的数据训练，50％的数据监测的方法。可以看到利用机器学习网络预测的有机质含量与利用测井数据计算并标定的有机质含量有非常好的匹配关系，该机器学习网络可以有效刻画有机质含量在纵向上的空间变化。
[0064] 图6过A井的基于叠前地震数据的叠前弹性参数反演结果，其中上图为纵波速度反演结果，下图为密度反演结果。
[0065] 图7为联合机器学习网络1和叠前地震反演结果得到的砂泥岩岩性空间分布预测的结果。可以看到过A井段的砂泥岩地震岩性预测结果与实际经过钻井数据标定的砂泥岩岩性分布有较好的对应关系，即长江组地层以砂岩分布为主，MFR-1段和MRF-2段的泥岩分布最为集中。同时，地震预测的砂泥岩岩性分布也与该陆相沉积盆地的沉积相结果较为一致，即从MRF-6段、MRF-5段、MRF-4段的砂泥岩互层浅湖相/半深湖相逐渐过渡为MRF-3段、MRF-2段、MRF-1段的泥岩为主的半深湖/深湖相。
[0066] 图8为联合机器学习网络2和叠前地震反演结果得到的有机质含量空间分布预测的结果。可以看到过A井段的有机质含量预测结果与经过地球化学标定的通过测井数据计算得到的有机质含量有较好的对应关系：有机质含量整体呈现由MRF-6、MRF-5段到MRF-4段缓慢下降，而在MRF-3、MRF-2、MRF-1又增高的趋势，并且有机质含量在测井曲线上的局部几个高点在地震上都能得到较好的刻画。
[0067] 上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
