地球物理学报  2016, Vol. 59 Issue (1): 287-298   PDF    
引用本文
袁成, 李景叶, 陈小宏. 2016. 地震岩相识别概率表征方法. 地球物理学报, 59(1): 287-298, doi: 10.6038/cjg20160124   
Yuan C, Li J Y, Chen X H. 2016. A probabilistic approach for seismic facies classification. Chinese J. Geophysics, 59(1): 287-298, doi: 10.6038/cjg20160124   
地震岩相识别概率表征方法
袁成1,2, 李景叶1,2, 陈小宏1,2    
1. 中国石油大学(北京)油气资源与探测国家重点实验室, 北京 102249;
2. 中国石油大学(北京)海洋石油勘探国家工程实验室, 北京 102249
收稿日期 2015-02-09, 2015-07-12 收修定稿
基金项目: 国家自然科学基金项目(U1262207、41390454)与国家科技重大专项课题(2011ZX05019-006)联合资助.
作者简介: 袁成,男,1988年生,中国石油大学(北京)在读博士生,研究方向为储层表征与地质统计学.E-mail:yuancheng0124@139.com
通讯作者: 李景叶,男,1978年生,教授,2005年获得中国石油大学(北京)博士学位,研究方向为储层地球物理.E-mail:ljy3605@sina.com
摘要: 储层岩相分布信息是油藏表征的重要参数,基于地震资料开展储层岩相识别通常具有较强的不确定性.传统方法仅获取唯一确定的岩相分布信息,无法解析反演结果的不确定性,增加了油藏评价的风险.本文引入基于概率统计的多步骤反演方法开展地震岩相识别,通过在其各个环节建立输入与输出参量的统计关系,然后融合各环节概率统计信息构建地震数据与储层岩相的条件概率关系以反演岩相分布概率信息.与传统方法相比,文中方法通过概率统计关系表征了地震岩相识别各个环节中地球物理响应关系的不确定性,并通过融合各环节概率信息实现了不确定性传递的数值模拟,最终反演的岩相概率信息能够客观准确地反映地震岩相识别结果的不确定性,为油藏评价及储层建模提供了重要参考信息.模型数据和实际资料应用验证了方法的有效性.
关键词: 岩相识别     概率统计     多步骤反演     不确定性    
A probabilistic approach for seismic facies classification
YUAN Cheng1,2, LI Jing-Ye1,2, CHEN Xiao-Hong1,2    
1. State Key Laboratory of Petroleum Resources and Prospecting, China University of Petroleum, Beijing 102249, China;
2. National Engineering Laboratory for Offshore Oil Exploration, China University of Petroleum, Beijing 102249, China
Abstract: The distribution information of reservoir facies is critical for reservoir characterization. However, because of the insufficiency of well-log data, reservoir facies classification in the early stage of oilfield exploration is mainly based on seismic data, which usually manifest strong uncertainty. Traditional method provides us with only a certain outcome of facies distribution that does not contain any uncertainty information of the inversion results. It increases the risk of reservoir characterization and decision-making in any petroleum reservoir.In order to assess the associated uncertainty of seismic facies classification, multistep inversion based on a probabilistic way is introduced in this study. We firstly built the statistical relationships between input and output parameters in each step of seismic facies classification, such as well-log facies definition, probabilistic scale change, and seismic inversion. Then, the probabilistic information of all steps was integrated in a Bayesian framework to compute the seismic facies probability. Furthermore, facies probability of oil shale that is the targeted facies in this case was evaluated by different threshold values. Experiments had been conducted on both synthetic and field data.Compared with the traditional method, the methodology in this paper takes the uncertainties in each step of seismic facies classification into account by a probabilistic multistep approach. The inverted facies probability contains not only the information of facies distributions in the target zone, but also the uncertainty information of seismic facies classification. It plays an important guide for reservoir characterization as well as modeling. By analyzing the probability of oil shale with different thresholds, the locations where have a high occurrence probability of oil shale were illustrated vividly. Seismic facies classification by the probabilistic multistep inversion brings much more information of facies distribution in the target zone than traditional method, which can only afford a certain outcome of facies distribution without any uncertainty information of inversion results. The methodology provides us a simple way to evaluate the uncertainty of seismic facies classification as well as the great value for risk management and optimal decision-making in the petroleum industry. However, the resolution of seismic facies probability is generally low, because the results of probabilistic multistep inversion share the same resolving power with seismic data. In the light of this problem, when the hard data is sufficient, the computed facies probability can be used as the conditional information in the reservoir modeling for acquiring a high-resolution outcome of facies distribution.
Key words: Facies classification     Probability statistics     Multistep inversion     Uncertainty    
1 引言

储层岩相识别是油藏表征与评价的重要手段.在油田勘探初期测井资料稀少，地震数据往往是在井位外获取岩相分布的唯一指导信息.由于地震资料在分辨率和信噪比等方面的局限性，以及物理模型的近似性和岩石的自然变异性等，利用地震资料开展储层岩相识别往往具有较强的不确定性(Grana et al.，2013)，而传统方法仅提供单一确定的岩相分布信息，忽视了各环节不确定性因素对反演结果的影响，增加了油藏评价的风险.因此，客观表征地震岩相识别最终结果的不确定性就显得尤为重要.

国内外许多学者对地震岩相识别及其各环节不确定性分析做了大量研究.在国外，Mukerji等(2001)首次引入统计岩石物理表征传统岩石物理建模的不确定性. Buland和Omre(2003)结合贝叶斯理论(Tarantola，2005)与线性AVO反演方法预测储层弹性参数概率分布以表征地震反演的不确定性.Bachrach(2006)联合岩石物理、随机建模和贝叶斯理论预测储层含水饱和度与孔隙度，并定量分析预测结果的不确定性.Bul and等(2008)论证了表征反演结果不确定性的重要意义.Grana和Rossa(2010)系统阐述了基于地震数据预测储层属性及其不确定性分析方法.Grana等(2012b)通过统计方法建立物性参数与岩相的概率关系，并采用熵函数表征其不确定性.Grana等(2013)结合概率统计与地质统计学开展碎屑岩储层岩相识别以表征反演的多解性.针对非常规油气藏岩相识别也有具体研究(Karimpouli et al.，2013；Zhao et al.，2014).在国内，何又雄和姚姚(2005)应用基于参考道的岩相预测方法开展岩相预测.邓继新和王尚旭(2009)采用统计岩石物理方法反演储层孔隙度和含水饱和度.腾龙和程玖兵(2011)联合统计岩石物理与AVA反演技术预测储层物性信息并分析了反演的不确定性.田玉昆等(2013)以马尔科夫随机场为先验模型由弹性参数反演岩相信息.针对地震反演的不确定性，国内学者在随机反演(张广智等，2011；黄哲远等，2012；印兴耀等，2014；张繁昌等，2014)和多属性联合反演(曹丹平等，2009；杨锴等，2012)方法研究上做了大量工作.

基于前人的研究工作，本文引入基于概率统计的多步骤反演方法开展储层岩相识别.通过在贝叶斯框架下建立各环节输入与输出参量的条件概率，然后整合各环节概率信息获取目标参数的概率分布.概率分布既是反演的解，也表征了反演的不确定性.研究建立了岩相与测井弹性参数、测井与地震尺度弹性参数以及地震尺度弹性参数与地震数据的条件概率，最后融合各环节概率关系构建地震数据和岩相的条件概率并获取储层岩相概率信息；其岩相概率客观地表征了地震岩相识别的不确定性，为油藏评价以及储层建模提供重要的参考信息.与随机反演相比，基于概率统计的多步骤反演方法对输入信息要求较低且运算效率高，适合于油田勘探初期井资料匮乏情况下的岩相识别工作.反演的岩相概率数据体既可用于提取岩相最大后验概率剖面以及分析各岩相分布的不确定性，也可作为约束信息服务于后续的储层建模以获取高分辨率储层岩相信息.理论模型和实际资料应用验证了方法的有效性，研究方法流程如图 1所示.

图 1 研究方法流程Fig. 1 The flow chart of methodology
2 理论方法

分别在测井岩相定义、井震尺度匹配以及地震反演等环节建立输入与输出参量的统计关系，通过整合各环节概率信息构建地震资料和岩相的条件概率，最终基于地震数据反演储层岩相概率分布信息并对岩相识别结果开展定量评价分析.

2.1 测井岩相定义

测井岩相定义是地震岩相识别的重要环节之一.与传统基于沉积模式的岩相划分不同，地震岩相识别中岩相是储层参数的统计分类，应用于后续的储层建模(Grana et al.，2013).通过测井岩相定义环节建立岩相与测井弹性参数的条件概率.

设储层弹性参数概率分布P(Ew)满足高斯混合模型，Ew为弹性参数矢量(纵横波速度、密度).高斯混合模型是传统高斯模型的线性加权叠加，其多峰特征较高斯模型更加符合实际数据统计特征：

其中F表示岩相，P(F)是岩相比例先验信息，ΣP(F)=1；P(Ew｜ F)为各岩相内弹性参数概率分布，满足高斯模型：

N为高斯函数，其均值和协方差矩阵分别为μEw｜F和Σ Ew｜F.

根据贝叶斯理论，后验概率P(F｜Ew)可表示为

P(F ｜Ew)即为测井岩相定义的条件概率，表征给定测井弹性参数Ew条件下岩相F出现的概率.概率模型参数由测井数据统计确定.

2.2 井震尺度匹配

通常情况下，所测岩石弹性性质与测量尺度有关，不同测量尺度的资料之间存在频散关系，即对相同岩石采用不同观测尺度时所测的弹性性质具有一定差异(曹丹平，2015).由于地震波长一般远大于薄层的地层厚度，地震反演的弹性参数为该探测频率下某一段地层弹性性质的等效结果，因此地震资料的横向连续性较好，但纵向分辨率较低.测井资料由于探测主频较高，其纵向分辨率远高于地震资料.故基于测井和地震数据描述同一岩石的弹性性质时必然存在一定的数值差异.这种差异若不及时校正在岩相识别中可能会引起储层岩相的误判.

井震尺度匹配的目的在于建立井震资料的跨尺度映射关系，而井震尺度概率匹配(Grana and Rossa，2010)则通过统计方法构建了其跨尺度映射的概率统计关系.通过融合其统计关系从而能在一定程度上克服井震尺度差异所引起的岩相误判.

地震尺度弹性参数记为Es.设井震尺度弹性参数联合分布P(Ew，Es)亦满足高斯混合模型：

其中P(Ew，Es｜F)为任意岩相内井震尺度弹性参数的联合分布，其满足高斯分布.

在联合分布P(Ew，Es)基础上，条件概率P(Ew｜Es)可表示为

P(Ew｜Es)即为井震尺度匹配的条件概率，表征了给定地震尺度弹性参数Es条件下测井弹性参数Ew的概率分布，其蕴含了井震尺度匹配关系的不确定性.

2.3 地震资料反演

在地震岩相识别中，地震反演的不确定性对岩相识别存在很大影响.通过贝叶斯线性AVO反演方法(Bul and and Omre，2003)预测储层弹性参数的概率分布信息以表征地震反演的不确定性.

由线性反演理论可知，地震观测数据S可近似表示为

其中G为正演算子，e是地震噪声；弹性属性Es的先验分布P(Es)一般满足高斯模型：

其中μEs和Σ Es 分别为高斯模型的均值和协方差矩阵.

根据统计学原理，变量概率分布形态在线性变换前后保持不变.故P(S)亦满足高斯分布：

其均值μS与协方差矩阵 Σ S分别满足μS=GμEs和Σ S=G Σ EsG′+ Σ e，Σ e为地震噪声的协方差矩阵.

设地震数据S与弹性参数Es的联合分布满足高斯模型，给定地震数据条件下弹性参数概率分布P(Es｜S)可表示为

其中μEs ｜S为反演的最大后验概率解，满足 μEs ｜S=μEs+(G Σ Es)′(Σ S)－1(S－μS); Σ Es｜S表征反演的不确定性，满足 Σ Es｜S= Σ Es－(G Σ Es)′(Σ S)－1(G Σ Es).

最终，通过Chapman-Kolmogorov方程(Papoulis，1984)联合地震反演结果P(Es｜S)与条件概率v和P(Ew｜Es)获取给定地震数据S条件下岩相F的概率P(F｜S)：

其中P(F｜S)即为地震岩相概率信息.由式(10)可知，P(F｜S)考虑了测井岩相定义P(F｜Ew)、井震尺度匹配P(Ew｜Es)及地震反演P(Es｜S)等环节不确定性对岩相识别的影响，能够客观准确地反映地震岩相识别的不确定性.

3 模型试算

首先建立一维岩相模型验证方法有效性.设有三类岩相，分别记为F1、F2和F3；对应岩相比例为[0.36，0.28，0.36]，各岩相的纵横波速度及密度的联合分布满足高斯模型.岩相序列的弹性参数模拟 曲线通过Kronecker乘积方法(Grana et al.，2012a)生成并将其尺度粗化到地震尺度，然后结合不同主频的雷克子波(30 Hz、25 Hz和20 Hz)合成角度道集地震数据(12°、24°和36°)(图 2).

图 2 储层模型数据
(a) 岩相序列(F1为浅灰色、F2为深灰色、F3为黑色); (b—d) 纵横波速度及密度(实线为测井尺度数据，虚线为地震尺度数据); (e) 合成地震记录.Fig. 2 The reservoir model data
(a) Facies sequence (F1 in light grey, F2 in dark grey, F3 in black); (b—d) P-wave and S-wave velocity, and density (well logs in full line, upscaled data in dashed line); (e) Synthetic seismic data.

由于任意岩相内弹性参数分布满足高斯模型，故其总体分布满足高斯混合模型.测井弹性参数空间概率统计信息如图 3所示.

图 3 (a) 纵波速度-横波速度二维边缘概率分布; (b) 纵波速度-密度二维边缘概率分布; (c) 横波速度-密度二维边缘概率分布; (d) 测井弹性参数空间概率分布Fig. 3 Two-dimensional marginal probability distribution of (a) P-wave and S-wave velocity, (b) P-wave velocity and density, (c) S-wave velocity and density, (d) the joint probability distribution of elastic properties at well-log data space

联合图 3统计信息，通过式(1)—(3)构建岩相 F和测井弹性参数Ew的条件概率P(F｜Ew)，然后再由式(4)—(5)建立弹性属性Ew和Es的条件概率P(Ew｜Es). 对合成地震数据加入随机噪声调节信噪比 至3，并由式(6)—(9)反演其弹性参数后验概率分布 P(Es｜S)(图 4).最终借助式(10)融合概率信息 P(F｜Ew)、P(Ew｜Es)和P(Es｜S)求取岩相概率P(F｜Es)以及P(F｜S)(图 5).

图 4 纵横波速度及密度后验概率分布Fig. 4 The posterior probability distribution of P-wave and S-wave velocity, and density

图 5f中地震尺度岩相序列由图 5a岩相序列通过柱状图尺度放大方法(Grana et al.，2013)获得.通过在每个环节中求取当前约束信息条件下的岩相概率P(F｜Ew)(图 5b)、P(F｜Es)(图 5c)和P(F｜S)(图 5d)，图 5形象地展现了地震岩相识别各环节之间不确定性的传递以及累积效应.三个环节的岩相最大后验概率解与模型岩相序列的匹配误差依次为3.59% 、18.76% 与19.36%，这也从另一个角度体现了不确定性累积的影响.与图 5e中类似于传统反演结果的岩相最大后验概率解相比，通过岩相概率信息不仅能够获取各位置处的最大概率岩相，还可以定量描述各岩相类型出现的概率，为油藏评价和储层建模提供了重要参考信息.例如在岩相序列中1.9 s位置附近存在一个F2岩相薄层，由于地震分辨率的影响该薄层在地震尺度岩相序列和岩相最大后验概率解中都未能识别，但该处F2岩相概率的起跃与F1岩相概率的降低预示了F2岩相薄层存在的可能性；2.45 s位置附近也存在类似现象.与传统方法相比，文中方法反演的岩相概率提供了更为丰富的储层岩相信息，能够降低储层岩相误判的风险.岩相最大后验概率解与岩相序列的相关系数为80.64%；由于尺度因素的作用，其与地震尺度岩相序列的相关系数更高，达到了85.65%.模型试算验证了方法的有效性.

图 5 地震岩相识别结果
(a) 岩相序列; (b—d) 岩相概率P(Ew｜Es)，P(F｜S); (e) 岩相最大后验概率解; (f) 地震尺度岩相序列.Fig. 5 Results of seismic facies classification
(a) Facies sequence; (b—d) Facies probabilities P(Ew｜Es)，P(F｜S) Maximum a posteriori; (f) Upscaled facies sequence.
4 实际数据应用

实际资料源自中国陆上某勘探区域，其勘探目的层基地起伏不平，具有北高南低的特点.目的层在沉积时期经历了滨浅湖—半深湖—深湖沉积演化过程，其特殊的构造活动和演化过程为油页岩形成和发育提供良好的地质背景.临近工区研究表明，在目标区油页岩地层之间存在以粉砂质泥岩为主要成分的夹层，形成了以油页岩、粉砂质泥岩以及白云石化作用形成的白云岩为主的岩相特征.工区储层作为一种非常规油气藏，探明其岩相分布特征对于后续勘探和开发都具有重要意义.

目标区仅有井A测井数据可供使用.根据工区地质特征及井A目的层段纵横波速度及密度信息，研究定义有油页岩、粉砂质泥岩、白云岩三种类型岩相.设储层弹性参数联合分布满足高斯混合模型且在任意岩相内满足高斯模型(Xu and Torres-Verdín，2014)，方法采用EM算法确定其高斯混合分布的模型参数(Schlanser et al.，2014).EM算法通过迭代方式逼近概率模型参数的最大似然估值(Dempster et al.，1977)，能够同时评价多个测井参数以获取稳定的岩相划分结果.弹性参数统计结果参见图 6.

图 6 弹性参数统计分析
(a—c) 各岩相弹性参数一维边缘概率分布； (d—f) 弹性参数二维边缘概率分布.Fig. 6 Statistic analysis of elastic properties
(a—c) Unidimensional marginal probability distribution of elastic properties in each facies; (d—f) Two-dimensional marginal probability distribution of elastic properties.

图 6(a—c)为弹性参数在各岩相中的一维高斯分布，高斯曲线混叠程度越低则岩相识别的不确定性越小.图 6(d—f)的二维分布中，数据样点分布趋势与统计概率基本吻合，验证了统计关系的准确性.方法首先根据统计关系构建测井岩相定义条件概率v，然后通过P(F｜Ew)由弹性参数曲线开展 岩相划分，并将测井弹性曲线放大到地震尺度(图 7).

图 7 (a—c) 纵横波速度及密度(实线为测井数据，虚线为尺度放大数据); (d) 岩相序列(浅灰色为油页岩、深灰色为粉砂质泥岩、黑色为白云岩)Fig. 7 (a—c) P-wave and S-wave velocity, and density (well-log scale in full line, upscaled in dashed line); (d) Facies sequence (oil shale in light grey, silty mudstone in dark grey, dolostone in black)

图 7d中岩相序列是条件概率v的最大概率表征.井A目的层段主要有两套油页岩厚层；顶部为粉砂质泥岩厚层，是工区解释的标准层；白云岩主要位于目的层底部.目的层段存在许多各岩相薄层.应注意的是，测井数据噪声与测量误差可能会引起局部的岩相误判，从而引起薄层假象.该类型岩相误判(薄层假象)的出现特征与数据噪声一致，都具有很强的随机性；其空间分布特征严重偏离岩相分布的马尔科夫性质.此外，该类型岩相误判(薄层假象)的厚度通常较薄，基本不能承载任何地质意义.在实际生产中可以根据其以上特征对其进行甄别.

针对井震尺度匹配环节的不确定性，首先通过Kronecker乘积方法(Grana et al.，2012a)生成大量测井弹性参数模拟曲线Ew，扩展统计样本容量以获取稳定的统计结果；然后根据实际地震资料分辨率将模拟曲线Ew尺度放大到地震尺度Es，通过式(4)拟合二者的联合分布P(Ew，Es)，并由式(5)获取其条件概率P(Ew｜Es).P(Ew｜Es)表征井震尺度弹性参数的概率统计关系，其亦蕴含了井震尺度匹配的不确定性信息.

在地震反演环节，通过贝叶斯线性AVO反演方法预测弹性参数后验概率分布P(Es｜S)，以表征地震反演环节的不确定性(式(6—9))，并最终由式(10)联合v、P(Ew｜Es)和P(Es｜S)获取地震岩相概率P(F｜S). P(F｜S)客观准确地表征了地震岩相识别各环节不确定性对最终反演结果的影响.

研究首先基于井旁道地震数据开展岩相识别，以检验方法对工区实际资料的应用效果.井旁道地震反演结果P(Es｜S)参见图 8.反演的弹性参数后验概率与实际测井数据趋势匹配良好，具有较高的稳定性.然后结合测井岩相定义、井震尺度匹配和地震数据反演三个环节的概率信息开展井旁道地震岩相识别，结果如图 9所示.

图 8 井旁道纵横波速度及密度的后验概率分布Fig. 8 The posterior probability distribution of P-wave and S-wave velocity, and density at well location

图 9 井旁道地震岩相识别
(a) 岩相序列; (b) 地震尺度岩相序列; (c) 岩相概率P(F｜S); (d) 岩相最大后验概率解.Fig. 9 Results of seismic facies classification at well location
(a) Facies sequence; (b) Upscaled facies sequence; (c) Facies probability P(F｜S); (d) Maximum a posteriori.

由图 9可知，方法识别出了井A两套油页岩厚层及其顶部作为工区标准层的粉砂质泥岩厚层和位于目的层底部的白云岩.受到工区地震资料分辨率的制约，地震岩相识别未能有效地识别出岩相序列中的岩相薄层.岩相最大后验概率解(图 9d)与井、震尺度岩相序列(图 9(a—b))的相关系数分别为78.98%和79.56%，验证了方法对当前工区资料的适用性.因此研究基于目的层地震数据开展储层岩相识别.

工区地震资料为部分叠加数据.近、中、远偏移距对应入射角度分别为8°、17°和26°(图 10(d—f)).井A位于地震剖面中部位置.结合贝叶斯线性AVO反演方法，由工区地震资料反演获取储层弹性参数概率分布信息，其最大后验概率剖面如图 10(a—c)所示.但应注意，方法采用反演的弹性参数概率信息而非其最大后验概率解预测储层岩相分布，因为融合概率信息能够表征地震反演不确定性对岩相识别的影响.在此基础上计算各储层岩相概率信息(图 11(d—f))并提取油页岩相概率>0.5和概率>0.4的位置分布信息以及岩相最大后验概率剖面(图 11(a—c)).

图 10 (a—c) 纵横波速度及密度最大后验概率剖面; (d—f) 部分叠加地震数据Fig. 10 (a—c) Maximum a posteriori of P-wave and S-wave velocity, and density; (d—f) partial stack seismic data

图 11 地震岩相识别结果
(a—b) 油页岩相概率>0.5和概率>0.4位置剖面; (c) 岩相最大后验概率剖面(深绿色为油页岩，黄色为粉砂质泥岩，红色为白云岩); (d—f) 油页岩、粉砂质泥岩和白云岩的岩相概率.Fig. 11 Results of seismic facies classification
(a—b) Location of oil shale probability>0.5 and probability>0.4; (c) Maximum a posteriori (oil shale in dark green, silty mudstone in yellow, dolostone in red); (d—f) Facies probability of oil shale, silty mudstone and dolostone.

由图 11可知，本文方法成功识别出了目的层中两套油页岩厚层、作为工区标准层的粉砂质泥岩以及目的层基地的白云岩.由于工区地震分辨率的限制，方法未能有效识别其中的岩相薄层.图 11c中油页岩分布反演结果与解释层位的匹配度较高，油页岩围岩主要成分为粉砂质泥岩.岩相分布体现了工区盆地边缘斜坡沉积的地质特征.图 11(a—b)中，不同概率阀值下油页岩相分布范围的变化直观展现了油页岩预测的不确定性，有助于分析油页岩分布的有利区域，降低储层评价的风险.与传统方法相比，研究方法通过在地震岩相识别各环节中引入概率统计技术，准确客观地表征了各环节不确定性因素对于最终结果的影响；并通过岩相概率反映最终反演结果及其不确定性，为油藏表征评价提供重要的参考信息.针对多步骤反演方法的分辨率受到地震资料制约的问题，可将该方法获取的岩相概率数据体作为约束信息服务于后续的储层建模，以获取高分辨率储层岩相分布信息.

5 结论与建议

研究采用基于概率统计的多步骤反演方法开展储层地震岩相识别，并通过模型数据与实际资料对比，验证方法的有效性.研究结果表明：(1)利用基于概率统计的多步骤反演方法开展地震岩相识别对输入信息要求较低且易于评价反演结果的不确定性，适用于油田勘探初期井资料匮乏情形下的油藏表征工作；(2)与传统方法相比，本研究通过概率统计方法表征了地震岩相识别各环节不确定性因素的影响，其岩相概率能够客观准确地反映地震岩相识别结果及其不确定性；(3)研究获取的岩相概率信息既可用于提取岩相最大后验概率分布，也能够用于分析各岩相分布的不确定性，但其分辨率受到工区地震资料分辨率的制约；(4)在后续工区资料不断充实条件下，方法获取的岩相概率数据体可作为约束信息服务于储层建模，以获取高分辨率储层岩相分布信息.

参考文献
[1] Bachrach R. 2006. Joint estimation of porosity and saturation using stochastic rock-physics modeling. Geophysics, 71(5):O53-O63.
[2] Buland A, Omre H. 2003. Bayesian linearized AVO inversion. Geophysics, 68(1):185-198.
[3] Buland A, Kolbjørnsen O, Hauge R, et al. 2008. Bayesian lithology and fluid prediction from seismic prestack data. Geophysics, 73(3):C13-C21.
[4] Cao D P, Yin X Y, Zhang F C, et al. 2009. A study on the method of joint inversion of multiscale seismic data. Chinese Journal of Geophysics(in Chinese), 52(4):1059-1067, doi:10.3969/j.issn.0001-5733.2009.04.023.
[5] Cao D P. 2015. The upscaling method of the well logging data based on Backus equivalence average method. Geophysical Prospecting for Petroleum(in Chinese), 54(1):105-111.
[6] Dempster A P, Laird N M, Rubin D B. 1977. Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistician Society Ser. B, 39(1):1-38.
[7] Deng J X, Wang S X. 2009. Joint inversion of saturation and porosity in gas reservoir based on statistical rock physics. Journal of Oil and Gas Technology(in Chinese), 31(1):48-53.
[8] Grana D, Rossa E D. 2010. Probabilistic petrophysical properties estimation integrating statistical rock physics with seismic inversion. Geophysics, 75(3):O21-O37.
[9] Grana D, Mukerji T, Dvorkin J, et al. 2012a. Stochastic inversion of facies from seismic data based on sequential simulations and probability perturbation method. Geophysics, 77(4):M53-M72.
[10] Grana D, Pirrone M, Mukerji T. 2012b. Quantitative log interpretation and uncertainty propagation of petrophysical properties and facies classification from rock-physics modeling and formation evaluation analysis. Geophysics, 77(3):WA45-WA63.
[11] Grana D, Paparozzi E, Mancini S, et al. 2013. Seismic driven probabilistic classification of reservoir facies for static reservoir modelling:a case history in the Barents Sea. Geophysical Prospecting, 61(3):613-629.
[12] He Y X, Yao Y. 2005. Lithological profile non-linear inversion by reference trace-based lithological identification. Petroleum Exploration and Development(in Chinese), 32(3):61-63.
[13] Huang Z Y, Gan L D, Dai X F, et al. 2012. Key parameter optimization and analysis of stochastic seismic inversion. Applied Geophysics(in Chinese), 9(1):49-56.
[14] Karimpouli S, Hassani H, Nabi-Bidhendi M, et al. 2013. Application of probabilistic facies prediction and estimation of rock physics parameters in a carbonate reservoir from Iran. J. Geophys. Eng., 10(1):015008.
[15] Mukerji T, Jørstad A, Avseth P, et al. 2001. Mapping lithofacies and pore-fluid probabilities in a North Sea reservoir:Seismic inversions and statistical rock physics. Geophysics, 66(4):988-1001.
[16] Papoulis A. 1984. Probability, Random Variables and Stochastic Processes. New York:McGraw-Hill.
[17] Schlanser K, Grana D, Campbell-Stone E, et al. 2014. Petro-elastic facies classification in the Marcellus Shale by applying expectation maximization to measured well logs.//SEG Technical Program Expanded Abstracts. SEG, 659-663.
[18] Tarantola A. 2005. Inverse Problem Theory. SIAM.
[19] Teng L, Cheng J B. 2011. Bayesian petrophysical-properties estimation with statistical rock physics and AVA inversion.//SPG/SEG 2011 International Conference of Geophysics(in Chinese). Shenzhen, 930-934.
[20] Tian Y K, Zhou H, Yuan S Y. 2013. Lithologic discrimination method based on Markov random-filed. Chinese Journal of Geophysics(in Chinese), 56(4):1360-1368, doi:10.6038/cjg20130430.
[21] Xu C C, Torres-Verdín C. 2014. Petrophysical rock classification in the Cotton Valley tight-gas sandstone reservoir with a clustering pore-system orthogonality matrix. Interpretation, 2(1):T13-T23.
[22] Yang K, Ai D F, Geng J H. 2012. A new geostatistical inversion and reservoir modeling technique constrained by well-log, crosshole and surface seismic data. Chinese Journal of Geophysics(in Chinese), 55(8):2695-2704, doi:10.6038/j.issn.0001-5733.2012.08.022.
[23] Yin X Y, Sun R Y, Wang B L, et al. 2014. Simultaneous inversion of petrophysical parameters based on geostatistical a priori information. Applied Geophysics(in Chinese), 11(3):311-320.
[24] Zhang F C, Xiao Z B, Yin X Y. 2014. Bayesian stochastic inversion constrained by seismic data. Oil Geophysical Prospecting(in Chinese), 49(1):176-182.
[25] Zhang G Z, Wang D Y, Yin X Y, et al. 2011. Study on prestack seismic inversion using Markov Chain Monte Carlo. Chinese Journal of Geophysics(in Chinese), 54(11):2926-2932, doi:10.3969/j.issn.0001-5733.2011.11.022.
[26] Zhao L X, Geng J H, Cheng J B, et al. 2014. Probabilistic lithofacies prediction from prestack seismic data in a heterogeneous carbonate reservoir. Geophysics, 79(5):M25-M34.
[27] 曹丹平, 印兴耀, 张繁昌等. 2009. 多尺度地震资料联合反演方法研究. 地球物理学报, 52(4):1059-1067, doi:10.3969/j.issn.0001-5733.2009.04.023.
[28] 曹丹平. 2015. 基于Backus等效平均的测井资料尺度粗化方法研究. 石油物探, 54(1):105-111.
[29] 邓继新, 王尚旭. 2009. 基于统计岩石物理的含气储层饱和度与孔隙度联合反演. 石油天然气学报, 31(1):48-53.
[30] 何又雄, 姚姚. 2005. 基于参考道的岩性识别与岩性剖面非线性反演. 石油勘探与开发, 32(3):61-63.
[31] 黄哲远, 甘利灯, 戴晓峰等. 2012. 随机地震反演关键参数优选和效果分析. 应用地球物理, 9(1):49-56.
[32] 腾龙, 程玖兵. 2011. 贝叶斯框架下联合统计岩石物理与AVA反演的储层参数估计.//SPG/SEG 2011年国际地球物理会议论文集. 深圳, 930-934.
[33] 田玉昆, 周辉, 袁三一. 2013. 基于马尔科夫随机场的岩性识别方法. 地球物理学报, 56(4):1360-1368, doi:10.6038/cjg20130430.
[34] 杨锴, 艾迪飞, 耿建华. 2012. 测井、井间地震与地面地震数据联合约束下的地质统计学随机建模方法研究. 地球物理学报, 55(8):2695-2704, doi:10.6038/j.issn.0001-5733.2012.08.022.
[35] 印兴耀, 孙瑞莹, 王保丽等. 2014. 基于地质统计先验信息的储层物性参数同步反演. 应用地球物理, 11(3):311-320.
[36] 张繁昌, 肖张波, 印兴耀. 2014. 地震数据约束下的贝叶斯随机反演. 石油地球物理勘探, 49(1):176-182.
[37] 张广智, 王丹阳, 印兴耀等. 2011. 基于MCMC的叠前地震反演方法研究. 地球物理学报, 54(11):2926-2932, doi:10.3969/j.issn.0001-5733.2011.11.022.