在井资料稀少的地区，合理的利用地震资料是对井间岩性、物性进行解释的有效方法。利用Geobody模块，通过交汇基于遗传反演算法得到波阻抗体与主频体，定义不同岩性的值区间，最终得到由能够区别出各种岩性的离散型地震数据体。

 

Train Estimation Medol主要基于神经网络算法，能够模拟人脑，识别属性曲线与地震体之间的规律、最终完成对孔隙度、渗透率等属性的运算过程。

算法优势：

1. 不依赖三维网格模型的相建模、属性建模技术；

2. 神经网络算法保证计算结果具有更高的准确性；

3. 无网格引入和粗化过程；

4. 快速、高效的计算过程；

1．提取地震属性

依据地震数据体和测井曲线，提取多个与岩性、物性有关的属性体，如遗传反演AI体、主频体、构造平滑体、Envelope、瞬时频率、甜点等属性体(图1)。

2．Geobody体解释

激活地震体（Gen inversion），点击Insert box probe 插入三维Probe体，通过Manipulate Probe选择合适的体积大小，参考Grid Model、目的层位。 在Input 面板下的Geobody Interpretation Probes文件夹里自动产生一个Probe体。

右键>Setting，在弹出的对话框里选择Volumes，在2nd Cube里导入第二地震属性体（如 Dominant Freq.体）, 点击对话框下方的Apply键，切换至Opacity子界面, 由默认的Histogram切换到Crossplot，在右侧区域选择某一特定颜色，点击Tools下的第一排按钮，在两种属性的交汇图上，勾画特定的区域范围；例如，砂岩通常具有较高的波阻抗，呈现低频特征，观察3D Windows地震体的变化。按住Ctrl键，切换另外一种颜色，选择泥岩等其它岩性，最终，将连续的地震数据体转变成离散的岩相数据体(图2)。

3. 将Probe体转换为地震体

右键Probe box体，点击convert to seimic cube，将解释的Probe体转换成可以为Grid Model采样的标准地震数据体（离散数据）(图3)。

右键转化的岩相地震体，点击Create well seismic, 在Well Section界面，对比解释结果与原始测井曲线(图4)。

在Geometrical Modeling里，利用Seismic Resampling，将地震体重采样到激活的网格模型里，调整为相模板显示(图5)。

4. 利用Train estimation Model生成孔隙度、渗透率模型

在Input>Wells>Global well logs>Checkshot>Attribute>TWT picked，右键双击TWT picked，选择Convert to log，在Input面板Global Well Logs下 生成一个TWT 曲线，右键Global Well Logs(图6)，点击Calculator，键入“Seismic log name=Seismic Attribute（X,Y,TWT log）” (图7)。

注：深度域地震体Z替换TWT。

按此方式依次将多个地震属性体转化为属性曲线，分别打开well section和new function windows，对比属性曲线和孔隙度、渗透率之间的关系，选择能够反映物性变化的地震属性体(图8)。

激活Utilities>Train Estimation Model，在弹出的对画框选择Estimation（模拟连续的属性数据）在Data type里选择Seismic，在Input子界面里输入地震体，在右侧对话框内选择能够反映物性变化的地震属性体，在Training Data里选择Log data（测井曲线与地震属性之间进行培训）。

切换到Settings子对话框，选择Supervised，选择要模拟的测井曲线（孔隙度、渗透率），Training里设置合理的迭代等参数，点击Apply(图9)，在Input下产生Neural Net文件同时，在Seismic survey里产生一个新的地震体，右键对虚体进行实现，产生一个新的属性地震体，进而可以采样到网格模型中。