具体实施方式

下面，结合附图以及具体实施方案，对本发明做进一步描述。

如图1～图6所示，一种基于弹性阻抗的未固结地层渗透率预测方法，包括如下步骤：

步骤1：构建对水合物储层渗透率敏感的弹性参数PCI。

在地球物理研究中，水合物储层(即水合物沉积层)可以看作是一种岩石，饱和岩石的体积模量K_sat、干岩石的体积模量K_dry和岩石骨架的体积模量K₀具有如下关系：

式中，φ表示中子孔隙度，K_φ表示孔隙刚度，也即表征有效干岩石孔隙可压缩性，其定义为常孔隙压力下岩石体积对内部应力的导数，

另外，若岩石处于较软状态，根据Reuss公式(即公式②)可计算岩石的平均体积模量K_r：

K_r为岩石的体积模量下限，即岩石处于颗粒完全悬浮状态。对比公式①和②，饱和岩石与软岩石的两种状态岩石的体积模量的差别体现在K_φ′和上。其中，本实施例的软岩石是指具有可压缩性且处于未固结状态的岩石，水合物储层即属于软岩石，软岩石也即是未固结岩石。据此，将上述两种状态岩石的体积模量的差值作为水合物储层的双状态模量差PCI，经推导，该双状态模量差等于K_φ，也即是有效干岩石孔隙可压缩性。因此，有公式③的如下关系：

PCI＝K_sat-K_r∞＝K_φ------③

如果水合物储层正常压实，根据Han and Batzle等人研究结果和临界中子孔隙度模型，流体模量K_f用公式④表示：

式中，f表示Gassmann流体因子，φ_c表临界中子孔隙度，为常数，本实施例取0.7，c为Biot弹性常数，v_p表示纵波速度，v_s表示横波速度，ρ表示密度，μ表示剪切模量。

如果水合物储层处于完全松软，岩石的平均体积模量K_r和流体模量K_f具有如公式⑤的关系：

根据公式④和⑤，可以得到水合物储层的双状态模量差PCI的计算公式⑥：

其中，K_f只与孔隙内的流体类型和流体饱和度有关，φ_c表示临界孔隙度。

参考图2，图2是弹性参数PCI与其他弹性参数(中子孔隙度、纵波速度)交汇分析示意图，从该图可以很好地看出，弹性参数PCI对高渗透水合物储层具有很好的识别效果，中子孔隙度对高渗透水合物储层也同样具有很好的敏感性，因此，可以利用弹性参数PCI和中子孔隙度来预测水合物储层的渗透率。

步骤2：进行反演得到弹性参数PCI和计算中子孔隙度。

真实的水合物储层的流体模量介于状态一和状态二之间，状态一是指水合物储层完全松软，此时水合物储层的流体模量为下限状态二是指水合物固结成岩，此时水合物储层的流体模量为上限基于此假设，可利用公式④和⑤分别计算得到流体模量下限和流体模量上限也即是根据公式④反演计算得到的K_f作为流体模量下限根据公式⑤反演计算得到的K_f作为流体模量上限进而根据公式⑦计算得到真实的水合物储层的流体模量K′_f：

式中，C₁和C₂均为正数的权重系数，且C₁+C₂＝1，本实施例，分别取值为0.63和0.37。

为了计算上述两种状态下各自的水合物储层的流体模量，可通过地震反演方法得到。

参考图3，图3是按公式⑦计算出的流体模量K′_f和真实流体模量的对比示意图，两者几乎一致，从而说明根据本实施例是科学有效的。

水合物储层在完全松软条件下，水合物储层的AVO地震反射特征方程如公式⑧所示：

式中，R(θ)表示反射系数，θ表示入射角度，f_m表示固体刚度系数。

需要说明的是，公式⑧中的v_p、v_s、ρ也分别是指纵波速度、横波速度和密度，但公式⑧是指松软条件下的纵波速度、横波速度和密度。

为实现弹性阻抗反演，需要在公式⑧基础上进一步推导弹性阻抗方程，为此，用波阻抗的对数值表示反射系数R(θ)，有：

EI表示水合物储层的弹性阻抗，根据数学知识可知，可将_Δln(x)替换为因此可以得到下式：

对上式取积分后指数化处理，可得下式：

上式在入射角度θ变化时，弹性阻抗EI量纲变化剧烈，因此需要进行标准化处理，引入EI₀，EI₀＝v_pρ，EI₀表示入射角度θ为0时的弹性阻抗，从而得到公式⑨：

式中，K_f0,φ₀,f_m0,ρ₀依次为K_f,φ,f_m,ρ的平均值。在实际使用中，获得的测井数据往往有多个，每一个测井数据有对应的一个K_f,φ,f_m,ρ，因此，K_f0,φ₀,f_m0,ρ₀也即是所有这些K_f,φ,f_m,ρ的平均值。

直接从弹性阻抗EI提取地震反演所需的参数，可以减小如现有技术中通过AVO反演等间接计算代理的累积误差。为此，对公式⑨等式两边求对数，得到不同入射角度θ的弹性阻抗的多个方程，例如，四个入射角度(θ₁,θ₂,θ₃,θ₄)有公式⑩：

式中，

式中，可以通过反演出的井旁弹性阻抗以及实测的测井曲线可以计算出四个系数(a(θ),b(θ),c(θ),d(θ))，从而可以计算出公式⑩中的16个系数，进而可以求解出任一个采样点下的K_f,φ,f_m,ρ，此处得到的K_f为

根据Yin和Zhang于2014年给出的碎屑岩饱和岩石的固解液解耦方程(Yin X Y,Zhang S X.Bayesian inversion for effective pore-fluid bulk modulus based onfluid-matrix decoupled amplitude variation with offsetapproximation.Geophysics,2014,79(5):R221-R232)，也即是正常压实状态下的地震发射特征方程可求得流体模量上限从而根据求得的和计算得到真实的水合物储层的流体模量K′_f，进而根据公式⑥计算出PCI。

参考图4，图4是按本实施例的方法进行反演得到的流体模量上下限以及最终整体的流体模量和真实中的流体模量上下限及整体的流体模量对比示意图，从图中可以看出，反演的结果与实际得到的结果几乎一致，再次说明按本实施例进行反演是可行的。

至于水合物储层的中子孔隙度，可通过中子孔隙度反演计算得到，中子孔隙度反演为现有技术，本实施例采用基于阻抗反射系数与中子孔隙度反射系数的关系进行反演。

步骤3：将得到的PCI水合物储层的中子孔隙度作为输入参数，输入预测神经网络进行处理，预测神经网络的输出即为水合物储层的渗透率，也即得到预测的水合物储层渗透率。

其中，预测神经网络包括分别由正弦隐藏神经元和线性输出神经元的两层前馈网络构成，预测神经网络通过利用测井数据作为样本进行训练，输入为PCI水合物储层和中子孔隙度，输出为水合物储层渗透率。由于PCI水合物储层、中子孔隙度与水合物储层渗透率之间存在密切的关系，预测神经网络能够快速找出输入与输出之间的映射关系，从而可以预测出水合物储层渗透率。

参考图5和图6，图5是采用本实施例的预测神经网络计算得到的水合物储层渗透率和实际测量得到的水合物储层渗透率对比示意图，从该图可看出，预测结果和预测结果吻合。图6是中国南海某测线的海底浅层渗透率预测结果示意图，图6的纵坐标表示时间/毫秒，其中已标注出水合物储层发育位置，水合物位于气烟囱上方，由于水合物富集导致渗透率明显降低，而与之临近的块体流沉积底部高渗透率较高，这与实际的地质规律符合，说明本实施例的方法可以应用在实际应用中，具有很好的实用性。

其中，本实施例的预测神经网络采用包括隐藏层和输出层的两层神经网络结构。

本实施例提供的渗透率预测方法可以作为一项高技术服务，用于为海洋、测绘、地质勘探等目标客户提供高端服务，也即为目标客户提供在水合物物储层的渗透率预测专业技术服务，为需要水合物储层渗透率预测提供技术是的预测方案。同时，也可以作为海洋工程中勘探等自用，可作为海洋工程中工程勘察船、海底资源调查船等上的技术终端，以实现未固结地层中的渗透率预测。

如图7所示，本发明还涉及一种处理终端100，其包括：

存储器101，用于存储程序指令；

处理器102，用于运行所述程序指令，以执行所述基于弹性阻抗的未固结地层渗透率预测方法的步骤。

本说明书所公开的实施例只是对本发明单方面特征的一个例证，本发明的保护范围不限于此实施例，其他任何功能等效的实施例均落入本发明的保护范围内。对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及变形，而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。