14胜利钻井院]关于地震和测井声波速度关系的研究.docVIP

关于地震和测井声波速度关系的研究 解莉萍 曹锡玲 孙正义 高兴坤 （胜利油田钻井工艺研究院钻井信息中心257000） 【摘 要】 文中利用已钻井的地震声波速度和测井声波速度数据，采用软计算技术建立两者关系模型，通过地震资料横向外推，以获得同区块待钻井的高分辨率地层和岩性变化细节。在研究过程中发现，利用RVM（相关向量机）和数据模版取得了较为满意的效果，同时也存在一些问题需要进一步的研究。 【关键】 软计算 地震层速度测井声波速度RVM 数据模版 前言 国内外都把钻井工程看做是石油工业的龙头，探井的成败决定着能否把预测的资源量变为现实的可采储量[1]。而当今探井成功率只有30-40%左右。钻前特别是井底以下未钻达地层的压力预测,对于保障钻井安全、提高钻探效率、降低钻井成本以及及时采取对油气层的保护措施等都具有重要的指导意义。 测井资料是直接在井下地层附近观测的数据，具有纵向分辨率高的特点，但是其探测横向范围小；地震资料在横向上可在很大范围内追踪地层厚度和岩性变化，但纵向分辨率相对较低，而且是远离地层界面的间接观测。如何能将这两种资料结合起来取长补短将纵向分辨率很高的测井数据通过地震资料横向外推,以获得地下一定范围内精细的高分辨率地层和岩性变化细节，至今仍是地质和地球物理学家努力追求的目标[2]。 目前我们所面临的问题太复杂不是单学科可以解决的，在信息激增的时代，多学科交叉分析和数据挖掘等处理方法在钻井工程中的应用显得越来越重要[3]。软计算是计算方法的集合[3]，包括模糊推理、神经元计算、遗传计算、概率推理、数据挖掘、特征提取等等处理方法。根据参考资料[3]，全球几个主要的石油公司利用软计算技术，使他们的油气钻井成功率从九十年代初的3%30%提高到1996年的47%。可见，消除学科间的壁垒，利用先进的处理方法，从现有的数据中挖掘隐含信息，提高钻井成功率，不但是行业的趋势，也是一个石油企业乃至国家技术水平的体现。 我们在调研大量国内外资料的基础上，从地震数据入手，利用软计算技术研究地震参数与声波测井速度的关系，用以推测待钻井的测井声波速度，从而进一步实现钻前地层压力预测。 数据预处理 地震声波速度数据稀疏、纵向分辨率低，原始采样测量值间隔一般在20200m不等，测井声波速度纵向分辨率高，一般采样间隔为0.125m，为了让两组数据分辨率匹配，必须先对数据进行预处理。 处理过程： （1）对地震声波速度（这里的地震声波速度和测井声波速度都是经过时深转换后的）进行三次样条插值，使采样间隔为1m； （2）对测井声波速度进行多点平均，使它的分辨率和地震声波速度数据一致； （3）为了消除随机噪声和偶然误差的影响，对测井声波速度进行小波滤波； （4）按照井深将地震声波速度和测井声波速度一一对应，形成下一步需要进行处理的样本。 RVM和数据模版 对于预处理后得到的样本，利用软计算技术进行建模，从而依据模型得到待钻井的测井声波速度。在整个研究过程中，从聚类分析到正交分解，从遗传算法到数据挖掘，我们试验了多种方法，进行了多次对比分析，最终发现RVM和数据模版的结果较为令人满意。下面重点介绍这两种方法。 .1 RVM RVM(Relevance Vector Machine)是Tipping在2000年首次提出的一种数据处理方法，该方法引入了贝叶斯处理理念。 设RVM的模型输出为 （1） 式中：{ K() } 为非线性基函数；{ ωi }为模型的权值。SVM使用的基函数必须满足Mercer 核定理,而RVM方法对基函数无此限制，一般我们选用以每个训练样本为中心的高斯函数作为基函数。在定义了模型(1) 的基函数之后, 可以在贝叶斯框架下用最大似然方法来训练模型权值{ωi} , 这样可回避过学习问题，提高模型的泛化能力。因此，RVM为每个权值定义了先验概率分布： （2） 式中：ai 是决定权值ωi 先验分布的超参数。假设a服从gamma分布： （3） 给定训练样本集{ xi , ti}i=1:N ，假定目标值ti 是独立的并且数据的噪声服从方差为σ2 的高斯分布,则相应的训练样本集的似然函数为 （4） 式中：，、为矩阵，其行包含所有基函数对输入xi 的响应。 根据先验概率分布和似然分布，再用贝叶斯公式计算权值的后验概率分布,即 （5） 式中：为协方差, 为均值。其中A=diag()。 RVM方法中的模型权值的估计值由后验分布的均值给出, 同时它也是权值的最大后验（MAP）估计。权值的MAP估计取决于超参数a 和噪声方差σ2它们的估计值^a 和^σ2 可以通