一种确定层间碎屑岩砂体累加厚度的方法及装置与流程

1.本发明涉及地质勘探技术领域，具体涉及一种确定层间碎屑岩砂体累加厚度的方法及装置。


背景技术：

2.在国内各大油气田均已步入开发中后期的大环境下，油气勘探难度与日俱增，勘探目标已逐渐由传统的构造圈闭油气藏向岩性油气藏等勘探领域转变，对于碎屑岩储层，其砂体发育与分布特征等相关研究工作意义重大。
3.碎屑岩砂体通常表现为不同比例和不同规模的砂泥互层，碎屑岩砂体累加厚度往往指示了该区的储层发育情况，因此在井位部署过程中，碎屑岩砂体累加厚度较大的区域往往对应着储层发育的优势区域，经常作为井位确定的关键因素之一。现有技术中，可以通过地质统计学反演方法进行岩性识别与预测，但是地质统计学反演方法受地震资料品质限制以及人为主观因素影响较大，并且在欠钻井地区难以适用。
4.因此，如何提出一种确定层间碎屑岩砂体累加厚度的方法，以提高碎屑岩砂体累加厚度的准确性成为本领域需要解决的重要课题。


技术实现要素：

5.针对现有技术中的问题，本发明实施例提供一种确定层间碎屑岩砂体累加厚度的方法及装置。
6.一方面，本发明提出一种确定层间碎屑岩砂体累加厚度的方法，包括：
7.对目标区域的地震数据进行重采样，获得所述目标区域的地震体；
8.根据所述目标区域的地震体、所述目标区域的波阻抗初始模型以及所述目标区域的层位解释进行稀疏脉冲波阻抗反演，获得所述目标区域的稀疏脉冲波阻抗反演数据体；其中，所述波阻抗初始模型是预先建立的，所述目标区域的层位解释是预先获得的；
9.根据所述目标区域的录井岩性数据，获得所述目标区域的完钻井的方波化岩性曲线；
10.根据所述目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线以及优选rbf神经网络反演参数进行rbf神经网络反演，获得所述目标区域的rbf神经网络反演数据体；其中，所述优选rbf神经网络反演参数是预先获得的；
11.根据所述目标区域的rbf神经网络反演数据体以及砂体层段对应的反演体阈值，获得所述目标区域的层间碎屑岩砂体累加厚度。
12.另一方面，本发明提供一种确定层间碎屑岩砂体累加厚度的装置，包括：
13.重采样单元，用于对目标区域的地震数据进行重采样，获得所述目标区域的地震体；
14.第一反演单元，用于根据所述目标区域的地震体、所述目标区域的波阻抗初始模型以及所述目标区域的层位解释进行稀疏脉冲波阻抗反演，获得所述目标区域的稀疏脉冲
波阻抗反演数据体；其中，所述波阻抗初始模型是预先建立的，所述目标区域的层位解释是预先获得的；
15.第一获得单元，用于根据所述目标区域的录井岩性数据，获得所述目标区域的完钻井的方波化岩性曲线；
16.第二反演单元，用于根据所述目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线以及优选rbf神经网络反演参数进行rbf神经网络反演，获得所述目标区域的rbf神经网络反演数据体；其中，所述优选rbf神经网络反演参数是预先获得的；
17.第二获得单元，用于根据所述目标区域的rbf神经网络反演数据体以及砂体层段对应的反演体阈值，获得所述目标区域的层间碎屑岩砂体累加厚度。
18.再一方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述确定层间碎屑岩砂体累加厚度的方法的步骤。
19.又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述确定层间碎屑岩砂体累加厚度的方法的步骤。
20.本发明实施例提供的确定层间碎屑岩砂体累加厚度的方法及装置，对目标区域的地震数据进行重采样，获得目标区域的地震体，根据目标区域的地震体、目标区域的波阻抗初始模型以及目标区域的层位解释进行稀疏脉冲波阻抗反演，获得目标区域的稀疏脉冲波阻抗反演数据体，根据目标区域的录井岩性数据，获得目标区域的完钻井的方波化岩性曲线，根据目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线以及优选rbf神经网络反演参数进行rbf神经网络反演，获得目标区域的rbf神经网络反演数据体，根据目标区域的rbf神经网络反演数据体以及砂体层段对应的反演体阈值，获得目标区域的层间碎屑岩砂体累加厚度，提高了层间碎屑岩砂体累加厚度确定的准确性。
附图说明
21.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
22.图1是本发明一实施例提供的确定层间碎屑岩砂体累加厚度的方法的流程示意图。
23.图2是本发明一实施例提供的方波化岩性曲线的示意图。
24.图3是本发明另一实施例提供的确定层间碎屑岩砂体累加厚度的方法的流程示意图。
25.图4是本发明又一实施例提供的确定层间碎屑岩砂体累加厚度的方法的流程示意图。
26.图5是本发明一实施例提供的确定层间碎屑岩砂体累加厚度的装置的结构示意图。
27.图6是本发明另一实施例提供的确定层间碎屑岩砂体累加厚度的装置的结构示意
图。
28.图7是本发明又一实施例提供的确定层间碎屑岩砂体累加厚度的装置的结构示意图。
29.图8是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
30.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
31.本发明实施例提供的确定层间碎屑岩砂体累加厚度的方法的数据处理过程可以通过geoeast软件系统实现，在实际应用中还可以采用其他软件实现，本发明实施例不做限定。本发明实施例提供的确定层间碎屑岩砂体累加厚度的方法的执行主体包括但不限于台式机、笔记本电脑等电子设备。
32.图1是本发明一实施例提供的确定层间碎屑岩砂体累加厚度的方法的流程示意图，如图1所示，本发明实施例提供的确定层间碎屑岩砂体累加厚度的方法，包括：
33.s101、对目标区域的地震数据进行重采样，获得所述目标区域的地震体；
34.具体地，在野外通过对目标区域人工激发地震波，采集、处理获得所述目标区域的地震数据。对所述目标区域的地震数据进行重采样，以提高地震数据的分辨率，获得所述目标区域的地震体。其中，地震数据的采样间隔根据实际需要进行设置，本发明实施例不做限定。
35.s102、根据所述目标区域的地震体、所述目标区域的波阻抗初始模型以及所述目标区域的层位解释进行稀疏脉冲波阻抗反演，获得所述目标区域的稀疏脉冲波阻抗反演数据体；其中，所述波阻抗初始模型是预先建立的；
36.具体地，在获得所述目标区域地震体之后，通过所述目标区域的地震体、所述目标区域的波阻抗初始模型以及所述目标区域的层位解释进行稀疏脉冲波阻抗反演，可以获得所述目标区域的稀疏脉冲波阻抗反演数据体。其中，所述目标区域的波阻抗初始模型可以根据所述目标区域的完钻井波阻抗曲线和层位解释预先建立，所述目标区域的层位解释是基于所述目标区域的地震数据预先获得的。
37.s103、根据所述目标区域的录井岩性数据，获得所述目标区域的完钻井的方波化岩性曲线；
38.具体地，根据所述目标区域的录井岩性数据，将不同的岩性段定义为不同数值，将相同岩性段定义为相同的数值，可以绘制出所述目标区域的完钻井的方波化岩性曲线。其中，不同岩性段所对应的数值根据实际经验和需要进行设置，本发明实施例不做限定。由于录井捞砂不准确、不及时所引发的岩性错位，可以通过所述目标区域的测井数据进行所述目标区域的录井岩性数据的岩性归位，然后通过岩性归位后的录井岩性数据绘制所述目标区域的完钻井的方波化岩性曲线，从而提高所述目标区域的完钻井的方波化岩性曲线的准确性。
39.例如，将泥岩定义为8，粉砂质泥岩定义为10、泥质粉砂岩定义为24、粉砂岩定义为
25、细砂岩定义为30、不等粒砂岩定义为31、中砂岩定义为32、粗砂岩定义为35，砾岩、砂砾岩定义为40、角砾岩定义为42。基于上述岩性数值，获得的方波化岩性曲线如图2所示。
40.s104、根据所述目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线以及优选rbf神经网络反演参数进行rbf神经网络反演，获得所述目标区域的rbf神经网络反演数据体；其中，所述优选rbf神经网络反演参数是预先获得的；
41.具体地，在获得所述目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线之后，基于优选rbf(径向基函数)神经网络反演参数对所述目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线进行rbf神经网络反演，可以获得所述目标区域的rbf神经网络反演数据体。其中，所述优选rbf神经网络反演参数是预先获得的，利用所述目标区域的完钻井的方波化岩性曲线和稀疏脉冲波阻抗反演数据体，对二者非线性关系表征参数进行质控和调节，基于稀疏脉冲波阻抗反演数据体和方波化岩性曲线的包络和趋势确定出优选rbf神经网络反演参数。
42.s105、根据所述目标区域的rbf神经网络反演数据体以及砂体层段对应的反演体阈值，获得所述目标区域的层间碎屑岩砂体累加厚度。
43.具体地，在获得所述目标区域的rbf神经网络反演数据体之后，如果所述目标区域的rbf神经网络反演数据体对应的数值大于砂体层段对应的反演体阈值，那么该数值对应的岩性为碎屑岩砂体，可以获得所述目标区域的纵向上层间各层碎屑岩砂体的分布，统计所述目标区域的层间各层间碎屑岩砂体的厚度，可以获得所述目标区域的层间碎屑岩砂体累加厚度。其中，所述砂体层段对应的反演体阈值根据实际经验进行设置，本发明实施例不做限定。
44.本发明实施例提供的确定层间碎屑岩砂体累加厚度的方法，对目标区域的地震数据进行重采样，获得目标区域的地震体，根据目标区域的地震体、目标区域的波阻抗初始模型以及目标区域的层位解释进行稀疏脉冲波阻抗反演，获得目标区域的稀疏脉冲波阻抗反演数据体，根据目标区域的录井岩性数据，获得目标区域的完钻井的方波化岩性曲线，根据目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线以及优选rbf神经网络反演参数进行rbf神经网络反演，获得目标区域的rbf神经网络反演数据体，根据目标区域的rbf神经网络反演数据体以及砂体层段对应的反演体阈值，获得目标区域的层间碎屑岩砂体累加厚度，提高了层间碎屑岩砂体累加厚度确定的准确性。
45.图3是本发明另一实施例提供的确定层间碎屑岩砂体累加厚度的方法的流程示意图，如图3所示，在上述各实施例的基础上，进一步地，所述根据所述目标区域的录井岩性数据，获得所述目标区域的完钻井的方波化岩性曲线包括：
46.s1031、获取岩性归位后的录井岩性数据，所述岩性归位后的录井岩性数据是基于所述目标区域的测井数据对所述目标区域的录井岩性数据进行岩性归位获得的；
47.具体地，由于录井捞砂不准确、不及时会引发的岩性错位，导致录井岩性数据不准确。可以根据所述目标区域的测井数据对所述目标区域的录井岩性数据进行岩性归位，得到岩性归位后的录井岩性数据。其中，所述测井数据可以包括自然伽马曲线、井径曲线、自然电位曲线、密度曲线、孔隙度曲线和声波时差曲线等。
48.s1032、根据岩性归位后的录井岩性数据绘制所述目标区域的完钻井的方波化岩性曲线。
49.具体地，按照各种岩性的不同数值，对岩性归位后的录井岩性数据进行方波化，绘制出所述目标区域的完钻井的方波化岩性曲线。每种岩性的数值会对应岩性段。
50.图4是本发明又一实施例提供的确定层间碎屑岩砂体累加厚度的方法的流程示意图，如图4所示，在上述各实施例的基础上，进一步地，所述根据所述目标区域的rbf神经网络反演数据体以及砂体反演体阈值，获得所述目标区域的层间碎屑岩砂体累加厚度包括：
51.s1051、根据所述目标区域的rbf神经网络反演数据体以及所述砂体层段对应的反演体阈值，确定所述目标区域的层间各层碎屑岩砂体厚度；
52.具体地，将所述目标区域的rbf神经网络反演数据体对应的数值与所述砂体层段对应的反演体阈值比较，上述rbf神经网络反演数据体对应的数值如果大于所述砂体层段对应的反演体阈值，那么该数值对应的岩性为碎屑岩砂体，可以获得所述目标区域的纵向上层间各层碎屑岩砂体的分布，进而统计出所述目标区域的层间各层碎屑岩砂体厚度。
53.s1052、对所述目标区域的层间各层碎屑岩砂体厚度进行累加，获得所述目标区域的层间碎屑岩砂体累加厚度。
54.具体地，可以对所述目标区域的层间各层碎屑岩砂体厚度进行累加，获得所述目标区域的层间碎屑岩砂体累加厚度。
55.在上述各实施例的基础上，进一步地，所述对目标区域的地震数据进行重采样，获得所述目标区域的地震体包括:
56.对所述目标区域的地震数据进行采样间隔为1毫秒的重采样。
57.具体地，在对目标区域的地震数据进行重采样时，采样间隔可以设置为1ms，重采样之后获得采样间隔为1ms的地震体。
58.本发明实施例提供的确定层间碎屑岩砂体累加厚度的方法，采用归位后岩性方波化曲线与利用1ms重采样地震资料开展的稀疏脉冲反演，来开展rbf神经网络反演，不仅克服了施工、仪器、人员等诸多因素引发的岩性录井误差，同时将完钻井岩性归位成果转化成方波化曲线并作为rbf神经网络反演重要输入与约束条件，有效结合不同性质、不同量纲但能够最大程度指导岩性预测结果的重要数据，来求取岩性预测结果，输入成果与输出结果性质相同，有效规避其它干扰因素，岩性预测结果和精度得到显著提升。
59.图5是本发明一实施例提供的确定层间碎屑岩砂体累加厚度的装置的结构示意图，如图5所示，本发明实施例提供的确定层间碎屑岩砂体累加厚度的装置包括重采样单元501、第一反演单元502、第一获得单元503、第二反演单元504和第二获得单元505，其中：
60.重采样单元501用于对目标区域的地震数据进行重采样，获得所述目标区域的地震体；第一反演单元502用于根据所述目标区域的地震体、所述目标区域的波阻抗初始模型以及所述目标区域的层位解释进行稀疏脉冲波阻抗反演，获得所述目标区域的稀疏脉冲波阻抗反演数据体；其中，所述波阻抗初始模型是预先建立的，所述目标区域的层位解释是预先获得的；第一获得单元503用于根据所述目标区域的录井岩性数据，获得所述目标区域的完钻井的方波化岩性曲线；第二反演单元504用于根据所述目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线以及优选rbf神经网络反演参数进行rbf神经网络反演，获得所述目标区域的rbf神经网络反演数据体；其中，所述优选rbf神经网络反演参数是预先获得的；第二获得单元505用于根据所述目标区域的rbf神经网络反演数据体以及砂体层段对应的反演体阈值，获得所述目标区域的层间碎屑岩砂体累加厚度。
61.具体地，在野外通过对目标区域人工激发地震波，采集、处理获得所述目标区域的地震数据。重采样单元501对所述目标区域的地震数据进行重采样，以提高地震数据的分辨率，获得所述目标区域的地震体。其中，地震数据的采样间隔根据实际需要进行设置，本发明实施例不做限定。
62.在获得所述目标区域地震体之后，第一反演单元502通过所述目标区域的地震体、所述目标区域的波阻抗初始模型以及所述目标区域的层位解释进行稀疏脉冲波阻抗反演，可以获得所述目标区域的稀疏脉冲波阻抗反演数据体。其中，所述目标区域的波阻抗初始模型可以根据所述目标区域的完钻井波阻抗曲线和层位解释预先建立，所述目标区域的层位解释是基于所述目标区域的地震数据预先获得的。
63.根据所述目标区域的录井岩性数据，将不同的岩性段定义为不同数值，将相同岩性段定义为相同的数值，第一获得单元503可以绘制出所述目标区域的完钻井的方波化岩性曲线。其中，不同岩性段所对应的数值根据实际经验和需要进行设置，本发明实施例不做限定。由于录井捞砂不准确、不及时所引发的岩性错位，可以通过所述目标区域的测井数据进行所述目标区域的录井岩性数据的岩性归位，然后通过岩性归位后的录井岩性数据绘制所述目标区域的完钻井的方波化岩性曲线，从而提高所述目标区域的完钻井的方波化岩性曲线的准确性。
64.在获得所述目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线之后，第二反演单元504基于优选rbf神经网络反演参数对所述目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线进行rbf神经网络反演，可以获得所述目标区域的rbf神经网络反演数据体。其中，所述优选rbf神经网络反演参数是预先获得的，利用所述目标区域的完钻井的方波化岩性曲线和稀疏脉冲波阻抗反演数据体，对二者非线性关系表征参数进行质控和调节，基于稀疏脉冲波阻抗反演数据体和方波化岩性曲线的包络和趋势确定出优选rbf神经网络反演参数。
65.在获得所述目标区域的rbf神经网络反演数据体之后，如果所述目标区域的rbf神经网络反演数据体对应的数值大于砂体层段对应的反演体阈值，那么该数值对应的岩性为碎屑岩砂体，第二获得单元505可以获得所述目标区域的纵向上层间各层碎屑岩砂体的分布，统计所述目标区域的层间各层间碎屑岩砂体的厚度，可以获得所述目标区域的层间碎屑岩砂体累加厚度。其中，所述砂体层段对应的反演体阈值范围根据实际经验进行设置，本发明实施例不做限定。
66.本发明实施例提供的确定层间碎屑岩砂体累加厚度的装置，对目标区域的地震数据进行重采样，获得目标区域的地震体，根据目标区域的地震体、目标区域的波阻抗初始模型以及目标区域的层位解释进行稀疏脉冲波阻抗反演，获得目标区域的稀疏脉冲波阻抗反演数据体，根据目标区域的录井岩性数据，获得目标区域的完钻井的方波化岩性曲线，根据目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线以及优选rbf神经网络反演参数进行rbf神经网络反演，获得目标区域的rbf神经网络反演数据体，根据目标区域的rbf神经网络反演数据体以及砂体层段对应的反演体阈值，获得目标区域的层间碎屑岩砂体累加厚度，提高了层间碎屑岩砂体累加厚度确定的准确性。
67.图6是本发明另一实施例提供的确定层间碎屑岩砂体累加厚度的装置的结构示意图，如图6所示，在上述各实施例的基础上，进一步地，第一获得单元503包括获取子单元
5031和绘制子单元5032、其中：
68.获取子单元5031用于获取岩性归位后的录井岩性数据，所述岩性归位后的录井岩性数据是基于所述目标区域的测井数据对所述目标区域的录井岩性数据进行岩性归位获得的；绘制子单元5032用于根据岩性归位后的录井岩性数据绘制所述目标区域的完钻井的方波化岩性曲线。
69.具体地，由于录井捞砂不准确、不及时会引发的岩性错位，导致录井岩性数据不准确。可以根据所述目标区域的测井数据对所述目标区域的录井岩性数据进行岩性归位，得到岩性归位后的录井岩性数据，获取子单元5031可以获取岩性归位后的录井岩性数据。其中，所述测井数据可以包括自然伽马曲线、井径曲线、自然电位曲线、密度曲线、孔隙度曲线和声波时差曲线等。
70.具体地，按照各种岩性的不同数值，绘制子单元5032对岩性归位后的录井岩性数据进行方波化，绘制出所述目标区域的完钻井的方波化岩性曲线。每种岩性的数值会对应岩性段。
71.图7是本发明又一实施例提供的确定层间碎屑岩砂体累加厚度的装置的结构示意图，如图7所示，在上述各实施例的基础上，进一步地，第二获得单元505包括确定子单元5051和获得子单元5052，其中：
72.确定子单元5051用于根据所述目标区域的rbf神经网络反演数据体以及所述砂体层段对应的反演体阈值，确定所述目标区域的层间各层碎屑岩砂体厚度；获得子单元5052用于对所述目标区域的层间各层碎屑岩砂体厚度进行累加，获得所述目标区域的层间碎屑岩砂体累加厚度。
73.具体地，确定子单元5051将所述目标区域的rbf神经网络反演数据体对应的数值与所述砂体层段对应的反演体阈值进行比较，上述rbf神经网络反演数据体对应的数值如果大于所述砂体层段对应的反演体阈值，那么该数值对应的岩性为碎屑岩砂体，可以获得所述目标区域的纵向上层间各层碎屑岩砂体的分布，进而统计出所述目标区域的层间各层碎屑岩砂体厚度。
74.获得子单元5052可以对所述目标区域的层间各层碎屑岩砂体厚度进行累加，获得所述目标区域的层间碎屑岩砂体累加厚度。
75.在上述各实施例的基础上，进一步地，重采样单元501具体用于:
76.对所述目标区域的地震数据进行采样间隔为1毫秒的重采样。
77.具体地，在对目标区域的地震数据进行重采样时，采样间隔可以设置为1ms，重采样之后获得采样间隔为1ms的地震体。
78.本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
79.图8是本发明一实施例提供的电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)801、通信接口(communications interface)802、存储器(memory)803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信。处理器801可以调用存储器803中的逻辑指令，以执行如下方法：对目标区域的地震数据进行重采样，获得所述目标区域的地震体；根据所述目标区域的地震体、所述目标区域的波阻抗初始模型以及所述目标区域的层位解释进行稀疏脉冲波阻抗反演，获
得所述目标区域的稀疏脉冲波阻抗反演数据体；其中，所述波阻抗初始模型是预先建立的，所述目标区域的层位解释是预先获得的；根据所述目标区域的录井岩性数据，获得所述目标区域的完钻井的方波化岩性曲线；根据所述目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线以及优选rbf神经网络反演参数进行rbf神经网络反演，获得所述目标区域的rbf神经网络反演数据体；其中，所述优选rbf神经网络反演参数是预先获得的；根据所述目标区域的rbf神经网络反演数据体以及砂体层段对应的反演体阈值，获得所述目标区域的层间碎屑岩砂体累加厚度。
80.此外，上述的存储器803中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
81.本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：对目标区域的地震数据进行重采样，获得所述目标区域的地震体；根据所述目标区域的地震体、所述目标区域的波阻抗初始模型以及所述目标区域的层位解释进行稀疏脉冲波阻抗反演，获得所述目标区域的稀疏脉冲波阻抗反演数据体；其中，所述波阻抗初始模型是预先建立的，所述目标区域的层位解释是预先获得的；根据所述目标区域的录井岩性数据，获得所述目标区域的完钻井的方波化岩性曲线；根据所述目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线以及优选rbf神经网络反演参数进行rbf神经网络反演，获得所述目标区域的rbf神经网络反演数据体；其中，所述优选rbf神经网络反演参数是预先获得的；根据所述目标区域的rbf神经网络反演数据体以及砂体层段对应的反演体阈值，获得所述目标区域的层间碎屑岩砂体累加厚度。
82.本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：对目标区域的地震数据进行重采样，获得所述目标区域的地震体；根据所述目标区域的地震体、所述目标区域的波阻抗初始模型以及所述目标区域的层位解释进行稀疏脉冲波阻抗反演，获得所述目标区域的稀疏脉冲波阻抗反演数据体；其中，所述波阻抗初始模型是预先建立的，所述目标区域的层位解释是预先获得的；根据所述目标区域的录井岩性数据，获得所述目标区域的完钻井的方波化岩性曲线；根据所述目标区域的稀疏脉冲波阻抗反演数据体和完钻井的方波化岩性曲线以及优选rbf神经网络反演参数进行rbf神经网络反演，获得所述目标区域的rbf神经网络反演数据体；其中，所述优选rbf神经网络反演参数是预先获得的；根据所述目标区域的rbf神经网络反演数据体以及砂体层段对应的反演体阈值，获得所述目标区域的层间碎屑岩砂体累加厚度。
83.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序
产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
84.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
85.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
86.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
87.在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
88.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。