Bayes岩性反演模块方法理论和应用示例.docVIP

贝叶斯（Bayes）岩性反演软件模块 方法理论、示例和使用说明 （LandOcean研发中心，2009.08.13） 相关概念 ωi, i=1,2…n,类别. 例如3类岩性,n=3 x:变量, 如孔隙度曲线,用于岩性分类的变量 P(ωi): ωi类岩性的先验概率 P(x/ωi): ωi类条件概率密度函数 Pi=P(ωi/x): 后验概率,即x∈ωi类的概率 问题描述 已知井中目的层x单变量样点以及对应的地质目标分类ωi（岩性或含油气性）,要计算地震数据目的层的x样点的ωi分类概率值Pi,或分类值R。 其中, 分类概率值表达为该样点属于某类的概率(0.0-1.0),分类值表达为 1,2,…,n的整数离散值. 方法 统计计算P(ωi) ωi类岩性的先验概率可以用目的层中每类岩性的比列进行估算,根据井中ωi类岩性出现的样点数比例计算获得. ( ΣP(ωi)=1 ) 统计计算P(x/ωi) ωi类条件概率密度函数可以用分布直方图进行估计,通过井层ωi岩性与x值的频率统计获得. 对预测点（地震数据x），计算P(ωi/x) 根据bayes公式, bayes后验概率: P(ωi/x) = P(x/ωi) P(ωi)/ ΣP(x/ωj) P(ωj) 因为对各类来讲, 分母是一样的,所以只计算分子P(x/ωi) P(ωi)即可.此步骤结果对应上述“问题描述”中的Pi。如果是3岩性识别问题，一共会产生3个数据体，分别代表属于各类的概率（示例图3）。 最小错误概率的bayes决策: 如果P(x/ωi) P(ωi) = Max ( P(x/ωj) P(ωj), j=1,…,n), 则x属于ωi.此决策结果对应上述“问题描述”中的R，合并为一个整数形式的“决策数据体”或者叫“岩相数据图”。 使用流程 第一步：使用测井数据X和井中岩性数据（图2），交互建立Bayes反演概率模型（图4），并保存结果。这是整个算法的关键。 第二步：将Bayes反演概率模型应用于地震数据体（图3），进行Bayes反演（图5）。反演结果为： 1）每种岩性的概率数据体（图6） 2）综合决策的岩相数据体（图8b） 第三步：用任选的三种岩性概率数据体做分色谱合成(图7)，结果为“三色谱综合显示数据体”（图8a）。 第四步：分析结果 岩性的概率数据体含各岩性的概率值。 岩相数据体即Bayes决策数据体，含LithoMark值，即0，1，2，3等，可以看到期望的岩相分布。 三色谱综合显示数据体含特殊的色谱分量值（注：输出SEGY文件时，其值无意义），三色谱综合显示数据体在显示上看起来要色彩要丰富好看一些（注：这种分色谱显示目前还未实现调色功能）。 Bayes反演流程如下： 应用示例和提示 本模块的反演地质目标可以是岩性或含油气性。本示例中，已知井中波阻抗曲线和对应曲线深度范围的三种岩性：粗砂、砂和泥，需要使用波阻抗地震数据体反演岩性。（注：某些数据是人为加工过的，仅用于示例） 建立bayes反演概率模型是整个方法的关键。反演效果取决于井中统计的岩性（或含油气性）相应于选择的变量（测井曲线）的可分离性。为了能灵活建立bayes反演概率模型，软件设计了Density dominant 和Prior probability二个变量，可以根据地质认识进行修改，可实现岩性的可分离度调整和岩性反演概率的整体调整。即，用户可以在地质认识的基础上适当控制反演结果品质。 如果已知岩性与曲线的完整的对应关系（如项目中的孔隙度曲线与岩性的对应关系），可以用EPbase模块中的Utility下的log curve to lithology功能，利用测井曲线，自动生成井岩性柱。注意在这种情况下，岩性是完全可分的，其概率密度曲线无交叠。 图2 井中波阻抗曲线和岩性－已知数据 其中：lithomark输入为是指示型数据，即岩性分类的代号值。可以是0，1，2，等离散值。 图3 波阻抗地震数据体－已知数据 图4 通过井中数据建立bayes反演概率模型 其中： 虚线部分为某岩性的概率密度函数，实线为概率曲线。 Density dominant 为某岩性的主值，Prior probability为岩性的先验概率。这二个值可以根据地质认识进行修改，分别对应岩性的可分离度调整和岩性反演概率的整体调整。 图5 将bayes反演概率模型应用于地震数据 图6 三种岩性（粗砂、砂和泥）的概率图 图7 三种岩性概率数据体分色谱合成  图8 (a)三色谱综合显示数据体,(b)综合决策的岩相数据体 输出：综合岩相数据体 输出：三色谱综合数据体 输出：分岩性概率数据体 输入：测井数据X和岩性数据 建立Bayes反演概率模型 输入：地震