本发明涉及地球物理勘探，特别是涉及到一种基于多参数综合的火成岩储层岩性智能识别方法。
背景技术：
1、自火成岩储层发现油气以来，火山岩已成为油气储量的重要增长点。地球物理勘探是认识地下地质目标的重要手段，目前常用到的方法主要有重、磁、电、震四种，它们是从不同侧面对同一地质体不同物性参数特性的表征。地震勘探凭借较高精度的垂向分辨率占据着油气勘探的主导地位，但在砾石层、火山岩等特殊岩性体，地表复杂、经历多期构造运动的复杂山前带，深层—超深层等领域，地震方法难以形成有效反射，资料品质差，使勘探面临巨大挑战。依据火山岩物性特征，即通常具有速度较高、地震波吸收能量大、高密度、高磁化率、高电阻率的特征，且不同岩性火山岩在密度、磁化率、电阻率存在不同的响应特征，这为综合应用多种地球物理勘探方法提供了物理基础。火山岩勘探实践表明(李辉等，2011；杨辉等，2011；邹才能等，2011)，综合物探方法是预测深层火山岩较为有效的方法技术，可从重力、磁法、电法不同的侧面获取火山岩的地球物理信息，进行火山岩岩性及岩相的划分、火山口的识别、火山岩厚度及分布规律的研究，辅助地震增强火山岩识别的可靠性。重、磁资料成本低，应用范围广，低频信息丰富，具有较高的横向分辨能力。电磁勘探是介于重磁方法与地震方法之间的一种方法，它比重磁方法有较好的垂向分辨率和分层能力。鉴于油气勘探的复杂性和单一地球物理勘探技术的局限性、多解性，因此需要多种资料互相配合、补充，互相约束，多级反馈，开展综合地球物理研究，这已成为国内外石油地球物理勘探发展的重要方向。
2、众多学者在重磁电震综合研究火山岩方面进行了大量的探索工作。刘云祥等(2006)提出利用高精度重磁力、时频测深资料识别具有密度、磁性、电阻率差异的火山岩岩性，进行岩相划分。利用重、磁、电资料特殊处理、解释技术从中分离出重磁电异常，并提取与火山岩有关的重磁电异常，进行综合地质解释，主要包括3项技术：重力异常剥离技术、磁力异常分离与弱信号处理技术、时频电磁测深反演与异常提取技术。杨辉等(2011)在研究松辽盆地北部徐家围子断陷火山岩岩性时，根据酸性岩到中性岩再到基性岩密度逐渐增大的特点，提出了利用重力地震剥层增强处理方法进行火山岩岩性宏观预测的新方法。通过2个步骤实现了火山岩岩性预测：①根据三维地震资料建立地球物理模型，通过重力地震剥层准确进行重力异常的分离，即去除与火山岩无关的由于地层之间的密度界面所产生的重力异常；②对剩余重力异常进行弱信号增强，去除大区域场的影响，并对埋藏较深的火山岩岩性所产生的微弱的重力异常进行增强。王玉华等(2008)在分析松辽盆地古龙断陷火山岩气藏勘探时，由于目的层火山岩埋藏深，所获取目标体重磁信息较弱，除采用地形改正、磁力极化、重磁力向上、向下延拓、剩余异常求取、求导等常规的重磁资料处理方法外，还应用重磁力弱信息提取、重力异常剥离、重磁震联合反演解释等技术，分离重磁异常、提取并增强与火山岩有关的重磁异常信息，以实现综合地质解释。徐礼贵等(2009)提出了综合利用地球物理资料解释叠合盆地深层火山岩的思路：利用高精度重磁勘探和电法资料，了解盆地深部结构和深大断裂，初步圈定深层火山岩体的展布，缩小和锁定深层火山岩地震勘探的有利靶区；以地震相分析、地震属性解释、构造制图、地震反演、综合评价为主要技术手段，对深层火山岩进行从定性到定量的识别和预测，落实和优选深层火山岩有利勘探目标。索孝东等(2009，2011)、何展翔等(2019)提出一套可操作的利用重磁电震异常进行综合岩性识别的技术方法，根据岩石物性差异，建立不同岩性的重磁电异常和地震相特征模板，通过高精度重磁资料预测火山岩平面分布及横向变化，利用电法深度—电阻率断面和地震剖面可对深层岩性垂直定深的优势，综合确定火山岩的空间位置、形态，从而实现基于重、磁、电、震等多参数精细识别不同类型火山岩体。
3、在申请号：cn201810724558.2的中国专利申请中，涉及到一种火成岩发育区井控自编码岩性识别方法，属于石油勘探开发地震资料处理解释领域。所述火成岩发育区井控自编码岩性识别方法利用选定区域多口井的岩性资料、地震资料和测井资料，得到多个岩性敏感的地震属性数据体和多个岩性敏感的叠前叠后的岩石物理参数数据体，对两种数据体进行井控去噪自编码属性降维运算，得到岩性识别属性，根据岩性识别属性，识别火成岩发育区的岩性，确定火成岩发育区的岩性空间分布，解决了火成岩发育区复杂岩性识别的问题，为火成岩发育区油气田钻井设计等工作提供依据，减少了勘探开发的风险和成本。
4、在申请号：cn200810007294.5的中国专利申请中，涉及到利用重磁电异常的组合特征识别火成岩岩性的地球物理勘探技术方法。步骤是：采集记录岩芯物理特性；用k-均值聚类对岩石的密度、磁化率、电阻率进行聚类分析，获得岩芯聚类编码；对重磁勘探结果进行重磁异常剥离获得异常，采用同样的聚类进行三维空间异常编码；将岩石物性聚类编码与重磁电异常编码相互结合反映探区每一处火成岩的岩性。该发明将重磁电综合识别火成岩岩性的方法从定性推测发展到定量统计，减少了人为的经验的主观的因素，也不会出现不同地质解释人员会出现不同的结果，提高了火成岩的识别效果。
5、在申请号：cn202110210098.3的中国专利申请中，涉及到一种岩石岩性的确定方法、存储介质和计算机设备。该方法包括：s 100：获取多种纯矿物各自的分子式；s200：获取目标火成岩中的元素种类以及各元素种类的比例系数；s300：基于多种纯矿物各自的分子式，根据目标火成岩中的元素种类以及各元素种类的比例系数，通过反演的方法确定目标火成岩中所包含的矿物种类以及各矿物种类的质量含量；s400：确定目标火成岩中所包含的火成岩种类以及目标火成岩中所包含的各火成岩种类的质量含量；s500：根据目标火成岩中所包含的火成岩种类以及各火成岩种类的质量含量，确定目标火成岩的岩性类型。应用该方法可以有效地确定火成岩矿物含量与元素的定量关系。
6、以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的基于多参数综合的火成岩储层岩性智能识别方法。
技术实现思路
1、本发明的目的是提供一种能够有效的识别火成岩储层岩性，从而有效降低油气勘探风险的基于多参数综合的火成岩储层岩性智能识别方法。
2、本发明的目的可通过如下技术措施来实现：基于多参数综合的火成岩储层岩性智能识别方法，该基于多参数综合的火成岩储层岩性智能识别方法包括：
3、步骤1，对研究区物性资料进行统计分析；
4、步骤2，建立岩石样本物性参数编码模板；
5、步骤3，通过对重磁电储层异常进行提取和编码，建立重磁电异常与火成岩目标单一对应关系；
6、步骤4，进行地震属性提取及编码；
7、步骤5，识别火成岩储层目标岩性，获得模型a；
8、步骤6，以步骤3和4为学习样本进行火成岩储层岩性的神经网络预测，获得模型b；
9、步骤7，对比模型a和b误差大于预设标准则回到步骤2，误差小于预设标准则取两者评价，结束并输出结果。
10、本发明的目的还可通过如下技术措施来实现：
11、在步骤1，利用研究区内物性资料以及钻井成果，首先完成对研究目标的岩石物性包括密度、磁化率、电阻率、速度的整理和统计学分析，求取各岩性地层的物性统计平均值；并形成柱状图和平均值：
12、
13、式中，x和i代表密度、磁化率、电阻率、速度不同物性样本的值及类型，m为该物性样本测试的数据个数。
14、该基于多参数综合的火成岩储层岩性智能识别方法还包括，在步骤1之后，进行样本参数的去畸变处理，对数据进行离差计算，剔除偏离比较大而样本非常少的数据，以便达到各类输入数据之间的平衡和相关。在步骤1之后，进行样本参数的去畸变处理时，先求取样本的标准差：
15、
16、式中，m为样本个数，xi为样本物性测量数值，为平均值；再求取离散系数:
17、
18、将样本物性数据依次从第一个开始减去重新求取离散系数，依次获得离散系数dsn-1，如果去除xi后，dsn-1与ds的差异大于5％则xi作为畸变点删除；然后再重复上述过程，直到所有样本数据均符合偏离系数要求。在步骤2，根据地球物理实测数据处理、地质—地球物理综合解释的需要，建立火成岩储层岩石样本物性参数模板，并进行编码。
19、在步骤2，首先根据火成岩物性变化范围对其进行归一化处理，对物性三体参数进行归一化采用的处理方法为：岩石样本物性数据的某一个特征参数集为y＝{y1、y2、y3…yi}，定义该特征数据的最大值和最小值分别为ymax＝max{yi}和ymin＝min{yi}，将yi归一化到[0,1]区间的公式为：
20、
21、式中，yi为第i块岩芯的某一类物性数据，i为岩芯编号，yai为归一化值；
22、yia即表征第i块岩石某种物性的归一化值，都投射到(0.0：1.0)范围，然后按照1/n为一个变化律，将每一类物性分为n个层级，即a(0.0:1/n)、b(1/n:2/n)、c(2/n:3/n)、d(3/n:4/n)···z(n-1/n:n/n)，并赋予编号：a\b\c\d\...\z；其中层级n是测试数据，不同的值可影响最终结果。
23、在步骤3，通过对重磁电储层异常进行提取和编码，建立重磁电异常与火成岩目标单一对应关系，同样采取步骤2中对应的做法对重磁电异常进行归一化处理并赋予相应的编码，按照1/n为一个变化律，将每一类异常分为n个层级，即a(0.0:1/n)、b(1/n:2/n)、c(2/n:3/n)、d(3/n:4/n)···z(n-1/n:n/n)，并赋予编号：a\b\c\d\...\z。
24、在步骤4，通过对地震资料进行属性解释，获得反映火成岩的地震振幅信息、地震相特征以及频率特征、时间切片特征、相干数据特征。
25、在步骤4，火成岩是一种与正常沉积岩有明显区别的特殊岩体，在地震剖面上火成岩通常具有板状、弧状、丘状这些地震相特点；火成岩内幕反射在地震剖面上表现为弱振幅；火成岩在时间切片上的反射特征表现为蚯蚓状，杂乱反射，弱或中等振幅，呈不规则椭圆状或条带状；相干数据体层切片上表现为黑色的点或圆形，常被条带状高相干异常切割；因此，火成岩的地震属性难以清楚的给出玄武岩、火山碎屑岩分别表现的属性，只能区别去沉积岩、变质岩这些其他岩石；因此，对火成岩的地震属性作为一大类进行编码，即有火成岩的地震属性特征即编码为1，无火成岩地震属性特征即编码为0；火成岩目标有地震振幅、地震相位、频率特征、时间切片特征、相干特征这k个特征，因此赋予其火成岩的地震属性编码为：1-1-1···1k，无火成岩地震属性特征的编码为0-0-0···0k；特征值k是测试值。
26、在步骤5，对火成岩目标的重磁电异常的岩性编码a\b\c\d\...\z系列和地震属性的火成岩编码1-1-1···1k系列，通过将三维模型重磁电数据映射为岩性编码，同时将三维地震属性数据也映射为岩性编码，通过对应的编码便可获得整个三维空间的岩性模型，称之为模型a。
27、在步骤6，再引入深度学习来识别这些三维空间岩性特征，将步骤3中提取的重磁电异常和步骤4中的地震属性数据进行梅尔倒谱系数mfcc和能量谱密度psd提取等数据预处理，然后进行特征拼接并作为深度置信神经网络dbn的输入，利用dbn模型逐层提取特征、训练和分类，最后输出三维空间火成岩储层岩性模型，称之为模型b。
28、在步骤7，反馈分析提高识别精度，对模型a和模型b进行对比；根据两者差异，反馈优化上述方法，修改特征值n和k，重新进行编码模式的岩性预测；同时，获得新的储层重磁电异常和地震属性参数，以及新神经网络预学习样本，重新进行神经网络预测；直到模型a和模型b之差异达到预设的标准为止。
29、本发明中的基于多参数综合的火成岩储层岩性智能识别方法，与现有技术相比，具有以下优点：一是充分利用所有相关信息，常规方法没有充分挖掘和利用重磁电震多信息，只利用重磁电信息；二是应用机器学习方法时样本具可识别特征，常规方法在识别岩性时要么只进行神经网络等机器学习进行识别，要么只采用模糊编码进行识别。本发明中的基于多参数综合的火成岩储层岩性智能识别方法，能充分发挥各种地球物理方法的优势和特长，能够高效率、高效益地评价含油气目标，对加快石油勘探步伐，具有重要的意义。
1.基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，该基于多参数综合的火成岩储层岩性智能识别方法包括：
2.根据权利要求1所述的基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，在步骤1，利用研究区内物性资料以及钻井成果，首先完成对研究目标的岩石物性包括密度、磁化率、电阻率、速度的整理和统计学分析，求取各岩性地层的物性统计平均值；并形成柱状图和平均值：
3.根据权利要求1所述的基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，该基于多参数综合的火成岩储层岩性智能识别方法还包括，在步骤1之后，进行样本参数的去畸变处理，对数据进行离差计算，剔除偏离比较大而样本非常少的数据，以便达到各类输入数据之间的平衡和相关。
4.根据权利要求3所述的基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，在步骤1之后，进行样本参数的去畸变处理时，先求取样本的标准差：
5.根据权利要求1所述的基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，在步骤2，根据地球物理实测数据处理、地质—地球物理综合解释的需要，建立火成岩储层岩石样本物性参数模板，并进行编码。
6.根据权利要求5所述的基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，在步骤2，首先根据火成岩物性变化范围对其进行归一化处理，对物性三体参数进行归一化采用的处理方法为：岩石样本物性数据的某一个特征参数集为y＝{y1、y2、y3…yi}，定义该特征数据的最大值和最小值分别为ymax＝max{yi}和ymin＝min{yi}，将yi归一化到[0,1]区间的公式为：
7.根据权利要求6所述的基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，在步骤3，通过对重磁电储层异常进行提取和编码，建立重磁电异常与火成岩目标单一对应关系，同样采取步骤2中对应的做法对重磁电异常进行归一化处理并赋予相应的编码，按照1/n为一个变化律，将每一类异常分为n个层级，即a(0.0:1/n)、b(1/n:2/n)、c(2/n:3/n)、d(3/n:4/n)···z(n-1/n:n/n)，并赋予编号：a\b\c\d\...\z。
8.根据权利要求1所述的基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，在步骤4，通过对地震资料进行属性解释，获得反映火成岩的地震振幅信息、地震相特征以及频率特征、时间切片特征、相干数据特征。
9.根据权利要求8所述的基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，在步骤4，火成岩是一种与正常沉积岩有明显区别的特殊岩体，在地震剖面上火成岩通常具有板状、弧状、丘状这些地震相特点；火成岩内幕反射在地震剖面上表现为弱振幅；火成岩在时间切片上的反射特征表现为蚯蚓状，杂乱反射，弱或中等振幅，呈不规则椭圆状或条带状；相干数据体层切片上表现为黑色的点或圆形，常被条带状高相干异常切割；因此，火成岩的地震属性难以清楚的给出玄武岩、火山碎屑岩分别表现的属性，只能区别去沉积岩、变质岩这些其他岩石；因此，对火成岩的地震属性作为一大类进行编码，即有火成岩的地震属性特征即编码为1，无火成岩地震属性特征即编码为0；火成岩目标有地震振幅、地震相位、频率特征、时间切片特征、相干特征这k个特征，因此赋予其火成岩的地震属性编码为：1-1-1···1k，无火成岩地震属性特征的编码为0-0-0···0k；特征值k是测试值。
10.根据权利要求9所述的基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，在步骤5，对火成岩目标的重磁电异常的岩性编码a\b\c\d\...\z系列和地震属性的火成岩编码1-1-1···1k系列，通过将三维模型重磁电数据映射为岩性编码，同时将三维地震属性数据也映射为岩性编码，通过对应的编码便可获得整个三维空间的岩性模型，称之为模型a。
11.根据权利要求10所述的基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，在步骤6，再引入深度学习来识别这些三维空间岩性特征，将步骤3中提取的重磁电异常和步骤4中的地震属性数据进行梅尔倒谱系数mfcc和能量谱密度psd提取等数据预处理，然后进行特征拼接并作为深度置信神经网络dbn的输入，利用dbn模型逐层提取特征、训练和分类，最后输出三维空间火成岩储层岩性模型，称之为模型b。
12.根据权利要求11所述的基于多参数综合的火成岩储层岩性智能识别方法，其特征在于，在步骤7，反馈分析提高识别精度，对模型a和模型b进行对比；根据两者差异，反馈优化上述方法，修改特征值n和k，重新进行编码模式的岩性预测；同时，获得新的储层重磁电异常和地震属性参数，以及新神经网络预学习样本，重新进行神经网络预测；直到模型a和模型b之差异达到预设的标准为止。
