CN116840906A - 储层物性参数预测的不确定性评价方法 - Google Patents

Abstract

本发明提供一种储层物性参数预测的不确定性评价方法，包括：步骤1：建立目标区域的统计岩石物理模型，由此推导出地震属性的条件概率；步骤2：对已有的物性参数数据做统计分析，建立相应的物性参数先验分布；步骤3：基于步骤1和步骤2获得的统计岩石物理模型和先验概率分布，采用岩相变化的物性参数模拟抽样算法，进行岩相预测并生成目标区域的物性参数样本集；步骤4：根据步骤3获得物性参数样本集，估计物性参数的期望、方差和置信区间。该储层物性参数预测的不确定性评价方法实现岩相变化的储层中泥质含量、孔隙度和饱和度的统计期望、方差和置信区间估计，进而评价目标储层开发的潜在风险，为油气勘探开发的风险分析提供技术支持。

Description

储层物性参数预测的不确定性评价方法

技术领域

本发明涉及油田开发技术领域，特别是涉及到一种储层物性参数预测的不确定性评价方法。

背景技术

地震法是油气勘探领域中最有效的技术手段之一。研究人员可以从地震数据中提取有效反映地下情况的关键属性和重要参数。其中，物性参数(泥质含量、孔隙度和饱和度)是描述储层特性的关键。实际工作中，由于数据采集中的噪音、地震解释中的假设偏差等不可避免的随机因素，用地震数据直接或间接地估计储层物性参数总是面临着不确定性。为了定量地表述的不确定性，我们需要结合岩石物理模型和统计分析方法，建立储层物性参数的概率化模型，并发展相匹配的模拟抽样算法，进而发展一套全新的物性参数预测及其不确定性评价技术。

基于地震的储层描述领域中，一类方法是数据驱动的方法。这类方法往往是在多元统计方法的基础上，依赖于测井资料建立储层关键特性的概率分布(Doyen 1988；Fournier 1989)。由于缺少可靠的物理解释且统计模型结构单一，这类方法难以解决泥质含量、孔隙度和饱和度的多参数联合问题。另一类方法是模型驱动的，基于岩石物理理论或实验室数据建立经验模型，进而通过模型的反演实现泥质含量、孔隙度和饱和度的多参数联合预测(Nie等2004；Fang和Yang 2015)。然而，这类方法本质上是确定性的，并不考虑过程中的随机因素，不能评估预测中的不确定性。

上述两类方法都取得了某种程度的成功，然而更有发展潜力的途径是将两者的优势结合起来。2006年，Bachrach在常见的岩石物理模型(Gassmann模型)的基础上通过引入正态分布和均匀分布描述地震属性数据和测井数据的随机性，实现了孔隙度和含气饱和度的联合估计并分析了参数的方差，但该方法只针对单一的砂岩，忽略了岩相变化的影响。2010年以来，Grana等人在贝叶斯统计框架的基础上，建立不同的统计岩石物理模型，实现了泥质含量、孔隙度和饱和度预测及其不确定性分析(Grana和Rossa 2010；Figueiredo等2017；Grana 2018；Li等2020)。然而，这些方法都是基于地震数据直接地估计物性参数，其正演过程计算代价大且反演过程具有强的初值依赖性。因此，物性参数的后验概率模拟抽样过程往往是需要大量计算时间，而且难以遍历概率支撑集，进而导致其不确定性评价效率低且不精确。

总之，针对岩相变化的储层，为了准确地高效地实现物性参数的预测及其不确定性评价，就需要以地震属性数据为基础，建立复杂的岩石物理模型，发展岩相变化的物性参数抽样算法。

在申请号：CN201510392504.7的中国专利申请中，涉及到一种致密砂砾岩气藏储层定量预测方法，包括以下步骤：建立研究区实际地质特征的地质模型；通过对工区内钻井的分析得到叠前地质统计学反演参数、阻抗概率分布、变差函数，以地质模型为基础，结合岩相数据、测井资料和地震资料以马尔科夫链蒙特卡洛法计算得到地质体和概率体。该发明通过建立砂砾岩气藏储层地质模型、岩石物理模型，得到钻井横波数据，通过对气藏储层特征的分析，得到气藏储层的地震敏感参数。运用该发明的反演技术得到具体的地质体和概率体，解决了地震纵向分辨率低、气藏储层与围岩阻抗叠置、致密砂砾岩气藏储层预测精度不高的技术难题；本发明降低了地震储层预测的多解性。

在申请号：CN201610707298.9的中国专利申请中，涉及到一种页岩气TOC叠前地震反演预测方法，该方法包括以下步骤：步骤一，建立页岩储层TOC反演目标函数；步骤二，基于弹性阻抗的页岩TOC叠前反演：根据对测井数据的统计分析而建立所述储层TOC的先验分布，通过蒙特卡洛仿真模拟技术分别对已建立的先验分布做随机抽样，最终获得储层TOC的随机样本空间分布，估计储层TOC后验概率的最大值，此最大值所在的位置处所对应的TOC值就是反演的最终结果。该发明综合应用了贝叶斯理论、统计岩石物理模型、蒙特卡洛随机抽样技术等理论，能够同时反演几种物性参数，消除了单独反演某一种参数时受到其他参数限制的影响，进而增强了反演的可信度。

在申请号：CN201911138179.6的中国专利申请中，涉及到一种结合深度学习的储层物性参数预测方法，步骤为：引入MIC定量测度物性参数与测井曲线的非线性相关性，选取对物性参数响应明显的测井曲线；引入CEEMDAN对物性参数数据序列分解，获得本征模态函数IMF分量和剩余RES分量，对物性参数数据序列平稳化处理；引入SE对各IMF分量和RES余量的复杂度评价，将熵值相近的分量序列重组得到新本征模态分量；对新本征模态分量数据归一化处理后划分为训练集和测试集；引入LSTM循环神经网络对重构的新分量建立预测模型，获得各新本征模态分量的预测值；将各新本征模态分量的预测值反归一化并进行叠加重构得到物性参数预测结果。该发明的方法减少了冗余信息与预测分量建模数，提高预测精度和预测速度。

以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的储层物性参数预测的不确定性评价方法。

发明内容

本发明的目的是提供一种实现岩相变化的储层中泥质含量、孔隙度和饱和度的统计期望、方差和置信区间估计，进而评价目标储层开发的潜在风险的储层物性参数预测的不确定性评价方法。

本发明的目的可通过如下技术措施来实现：储层物性参数预测的不确定性评价方法，该储层物性参数预测的不确定性评价方法包括：

步骤1：建立目标区域的统计岩石物理模型，由此推导出地震属性的条件概率；

步骤2：对已有的物性参数数据做统计分析，建立相应的物性参数先验分布；

步骤3：基于步骤1和步骤2获得的统计岩石物理模型和先验概率分布，采用岩相变化的物性参数模拟抽样算法，进行岩相预测并生成目标区域的物性参数样本集；

步骤4：根据步骤3获得物性参数样本集，估计物性参数的期望、方差和置信区间。

本发明的目的还可通过如下技术措施来实现：

在步骤1中，统计岩石物理模型是由确定性的岩石物理模型和测井数据统计分析获得的随机因子构成，是一种模型-数据驱动的统计模型，而且其导出的地震属性的条件概率是方便计算的。

在步骤2中，先验分布是利用分类或聚类算法对测井数据做统计分析获取的，包括岩相先验概率和固定岩相的物性参数先验分布；其中，固定岩相的物性参数先验分布是单模态的且易于计算和抽样的。

在步骤3中，岩相变化的物性参数模拟抽样算法包括基于蒙特卡洛方法的概率估计和基于马尔科夫链的复杂概率密度模拟。

在步骤3中，基于物性参数的条件期望，采用蒙特卡洛方法估计岩相的条件概率。

在步骤3中，针对概率最大的岩相，基于固定岩相的物性参数先验分布和地震属性的条件概率，构建均匀随机游走的马尔科夫链；所述马尔科夫链的平稳分布是物性参数的后验分布，进而生成足够多的物性参数样本。

在步骤3中，为方便书写，统计参数为储层物性参数包括泥质含量c、孔隙度φ和含水饱和度s，记为l＝(c,φ,s)∈[L_l,U_l]，U_l和L_l分别表示物性参数的物理意义下的上下界；选取特定的地震属性数据为观测数据，记为d；岩相记为f。

在步骤3中，根据贝叶斯统计方法，固定岩相的物性参数后验分布p(l|d,f)正比于相应物性参数的先验分布p(l|f)和地震属性的条件分布p(d|l,f)的乘积，即

p(l|d,f)∝p(d|l,f)p(l|f). (3)

岩相的后验概率p(f|d)可表示l|f的条件期望形式，即

p(f|d)∝p(f)E_l|f[p(d|l,f)] (4)

其中，E_l|f表示l|f的条件期望。

由公式(6)，通过蒙特卡洛方法计算岩相的后验概率，实现目标岩相的预测；根据公式(5)构造随机游走马尔科夫链模拟目标岩相下的物性参数后验分布。

在步骤3中，岩相变化的物性参数模拟抽样算法具体包括：

第一步，对第k类岩相f_k，根据分布p(l|f_k)生成N_k个物性参数样本{l_i}，计算岩相条件概率

第二步，选取P_fk最大时，对应岩相f_M；

第三步，设目标分布F(l)＝p(d|l,f_M)p(l|f_M)，随机游走步长δ，从初始分布p(l|f_M)中随机生成l^(t)，马尔科夫链的当前时刻t＝0；

第四步，生成候选值l^*＝l^(t)+s,s～Unif(-δ^-(l^(t)),δ⁺(l^(t)))，其中

x＝l^(t)，分别表示泥质含量、孔隙度和含水波饱和度的修正游走步长

第五步，计算候选值概率p_t＝min(R(l^(t),l^*),1)，其中

第六步，生成物性参数样本l^(t+1)＝ql^*+(1-q)l^(t)，其中q服从参数p_t的0-1分布；

第七步，马尔科夫链的当前时刻t＝t+1，返回第四步；直到马尔科夫链达到停止时刻T，即t＞T，停止运行，输出物性参数样本集S_l＝{l⁽⁰⁾,l⁽¹⁾,...,l^(T)}；

第八步，基于物性参数样本集S_l，计算样本均值来预测物性参数，计算样本方差来定量评价物性参数预测的风险，计算样本高低分位数来表示物性参数可能的变化范围。

在步骤4中，设T₀表示预烧期，泥质含量的期望估计孔隙度的期望估计和含水饱和度的期望估计分别为

本发明中的储层物性参数预测的不确定性评价方法，利用确定性的岩石物理模型和随机误差刻画地震属性变化，采用贝叶斯统计方法引入先验分布描述物性参数的随机性，构建了统计岩石物理模型，进而分析物性参数的后验分布，并结合马尔科夫链和蒙特卡洛算法发展一种高效的混合概率模型抽样算法，最终基于生成的泥质含量、孔隙度和饱和度样本集估计相应的统计特征量。

本发明充分考虑了随机因素对物性参数预测的影响，更接近实际的勘探情况。测试结果表明，在油气勘探方面，本专利的方法能够同时实现岩性识别、物性参数预测和不确定性评价三项任务，有很强的储层识别能力和流体辨识能力。该储层物性参数预测的不确定性评价方法实现岩相变化的储层中泥质含量、孔隙度和饱和度的统计期望、方差和置信区间估计，进而评价目标储层开发的潜在风险。基于岩石物理建模和统计抽样思想，针对岩相变化的储层发展了一种全新的物性参数预测及其不确定性评价，进而为油气勘探开发的风险分析提供技术支持。

附图说明

图1为本发明的一具体实施例中物性参数模拟抽样算法的示意图；

图2为本发明的一具体实施例中地震属性数据的示意图；

图3为本发明的一具体实施例中岩相预测结果的示意图；

图4为本发明的一具体实施例中物性参数期望估计和置信区间估计结果的示意图；

图5为本发明的一具体实施例中物性参数方差估计的示意图；

图6为本发明的储层物性参数预测的不确定性评价方法的一具体实施例的流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。

本发明的储层物性参数(泥质含量、孔隙度和饱和度)预测的不确定性评价方法，包括：基于目标区域的相关地质资料和测井资料，结合岩石物理理论，建立目标区域的统计岩石物理模型；基于对已有的物性参数数据的统计分析，建立目标区域的先验模型；基于上述统计岩石物理模型和先验模型，对岩相和物性参数的后验概率模拟抽样，进而生成物性参数样本集；根据上述样本集，采用统计分析方法实现目标区域的储层物性参数的预测及其不确定性评价。该方法基于岩石物理建模和统计抽样思想，针对岩相变化的储层发展了一种全新的物性参数预测及其不确定性评价，进而为油气勘探开发的风险分析提供技术支持。

以下为应用本发明的几个具体实施例

实施例1

在应用本发明的一具体实施例1中，如图6所示，本发明的储层物性参数预测的不确定性评价方法包括了以下步骤：

步骤1：根据已有的多种资料，建立目标区域的统计岩石物理模型，由此可以推导出地震属性的条件概率。

统计岩石物理模型是由确定性的岩石物理模型和测井数据统计分析获得的随机因子构成，是一种模型-数据驱动的统计模型，而且其导出的地震属性的条件概率是方便计算的。

步骤2：对已有的物性参数数据做统计分析，建立相应的物性参数先验分布。先验分布是利用分类(或聚类)算法对测井数据做统计分析获取的，包括岩相先验概率和固定岩相的物性参数先验分布。其中，固定岩相的物性参数先验分布是单模态的且易于计算和抽样的。

步骤3：基于步骤1和步骤2获得统计岩石物理模型和先验概率分布，采用岩相变化的物性参数模拟抽样算法，实现岩相预测并生成目标区域的物性参数样本集。

岩相变化的物性参数模拟抽样算法包括基于蒙特卡洛方法的概率估计和基于马尔科夫链的复杂概率密度模拟。

基于物性参数的条件期望，采用蒙特卡洛方法估计岩相的条件概率。

针对概率最大的岩相，基于固定岩相的物性参数先验分布和地震属性的条件概率，构建均匀随机游走的马尔科夫链。所述马尔科夫链的平稳分布是物性参数的后验分布，进而生成足够多的物性参数样本。

步骤4：根据步骤3获得物性参数样本集，估计物性参数的期望、方差和置信区间。

实施例2

在应用本发明的一具体实施例2中，为解决现有技术存在的问题，本发明采用的理论方法主要包括：贝叶斯统计方法、蒙特卡洛算法以及MCMC理论。

为方便书写，统计参数为储层物性参数(泥质含量c、孔隙度φ和含水饱和度s)，记为l＝(c,φ,s)∈[L_l,U_l]；选取特定的地震属性数据为观测数据，记为d；岩相记为f。

贝叶斯统计方法已经广泛应用于油气预测和储层描述领域。在本发明中，贝叶斯统计方法有效地联系了岩相识别和物性参数预测两个关键环节，抑制了物性参数概率模拟抽样过程中岩相变化的潜在干扰。根据贝叶斯统计方法，固定岩相的物性参数后验分布p(l|d,f)正比于相应物性参数的先验分布p(l|f)和地震属性的条件分布p(d|l,f)的乘积，即

p(l|d,f)∝p(d|l,f)p(l|f). (5)

岩相的后验概率p(f|d)可以表示l|f的条件期望形式，即

p(f|d)∝p(f)E_l|f[p(d|l,f)] (6)

由公式(6)，通过蒙特卡洛方法计算岩相的后验概率，实现目标岩相的预测。进一步，我们根据公式(5)构造随机游走马尔科夫链模拟目标岩相下的物性参数后验分布。如图1所示，岩相变化的物性参数模拟抽样算法具体算法流程如下：

第一步，对任意岩相f_k，根据分布p(l|f_k)生成N_k个物性参数样本{l_i}，计算岩相条件概率

第二步，选取P_fk最大时，对应岩相f_M；

第三步，设目标分布F(l)＝p(d|l,f_M)p(l|f_M)，随机游走步长δ，从初始分布p(l|f_M)中随机生成l^(t),t＝0；

第四步，生成候选值l^*＝l^(t)+s,s～Unif(-δ^-(l^(t)),δ⁺(l^(t)))，其中

第五步，计算候选值概率p_t＝min(R(l^(t),l^*),1)，其中

第六步，生成物性参数样本l^(t+1)＝ql^*+(1-q)l^(t)，其中q服从参数p_t的0-1分布；

第七步，t＝t+1，返回第四步；直到生成足够多的物性参数样本，即t＞T，停止运行，输出物性参数样本集S_l＝{l⁽⁰⁾,l⁽¹⁾,...,l^(T)}。

第八步，基于物性参数样本集S_l，我们计算样本均值来预测物性参数，计算样本方差来定量评价物性参数预测的风险，计算样本高低分位数来表示物性参数可能的变化范围。

实施例3

在应用本发明的一具体实施例3中，本发明提出了储层物性参数预测的不确定评价方法，在储层参数预测的基础上，通过对物性参数的条件分布模拟抽样，利用常见的地震反演属性资料(密度、P波阻抗和S波阻抗)来估计储层泥质含量、孔隙度和含水饱和度且给出相应的不确定性分析结果。

首先，需要参照目标区域常见矿物和流体的性质及相关地质资料，建立确定性的岩石物理模型。进而，根据已有测井数据对确定性模型的拟合误差进行统计分析，建立统计岩石物理模型，由此可以推导出地震属性的条件概率p(d|l,f)。同时，采用分类(或聚类)算法对已有的物性参数数据做统计分析，确定岩相类别及其先验概率p(f)，进而建立相应的物性参数先验分布p(l|f)。注意到，我们应选取合适的地震属性并建立高效的岩石物理模型，以保证地震属性的条件概率p(d|l,f)是方便计算的；在建立先验模型时，应选取合适的统计模型以保证物性参数的先验概率p(l|f)是单模态的且易于计算和抽样的。

其次，基于所述的统计岩石物理模型和先验概率分布，采用图1所示的岩相变化的物性参数模拟抽样算法，实现岩相预测并生成目标区域的物性参数样本集。进而，根据所述的物性参数样本集，估计物性参数的期望、方差和置信区间。

图2是用于测试专利方法的地震反演属性数据。该数据是根据已知物性参数测井数据模拟生成的泊松比、P波阻抗和S波阻抗。其中，黑线为确定性的岩石物理模型合成数据，灰线为统计岩石物理模型生成数据。

图3是岩相预测结果，左图为岩相的真实情况，右图为本专利方法预测岩相的结果。其中，灰色表示砂岩，黑色表示泥岩。对比两图可见，2595-2600ms和2625-2630ms的砂体都被正确识别，这表明本专利方法能够有效地识别砂岩。

图4(a)-(c)分别是泥质含量、孔隙度和含水饱和度的期望估计和置信区间估计结果。其中，黑实线为真实物性参数，黑虚线为物性参数期望估计。从图中可看出，黑实线与黑虚线基本一致，但是在细节处不能完全吻合。这说明，物性参数的定量预测总是存在不确定性的，然而单纯的期望估计不能刻画这种不确定性。图中灰色阴影部分展示了物性参数95％置信区间，我们发现黑实线完全落在灰色阴影部分，而且阴影部分的宽窄不同。这说明，本专利方法能准确地估计物性参数的置信区间，进而给出物性参数的随机变化范围，直观地描述了物性参数的不确定性。

图5(a)-(c)分别是泥质含量、孔隙度和含水饱和度的方差估计。如图所示，在2595-2600ms和2625-2630ms处的砂岩区域的含水饱和度预测方差较高，即该区域含水饱和度的预测有更大的不确定性，这与实际工作中的定性认识相吻合。这表明，本专利方法能有效地估计物性参数的方差，进而给出物性参数预测的不确定性的定量评价指标。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域技术人员来说，其依然可以对前述实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

除说明书所述的技术特征外，均为本专业技术人员的已知技术。

Claims (10)

1.储层物性参数预测的不确定性评价方法，其特征在于，该储层物性参数预测的不确定性评价方法包括：

步骤1：建立目标区域的统计岩石物理模型，由此推导出地震属性的条件概率；

步骤2：对已有的物性参数数据做统计分析，建立相应的物性参数先验分布；

步骤3：基于步骤1和步骤2获得的统计岩石物理模型和先验概率分布，采用岩相变化的物性参数模拟抽样算法，进行岩相预测并生成目标区域的物性参数样本集；

步骤4：根据步骤3获得物性参数样本集，估计物性参数的期望、方差和置信区间。

2.根据权利要求1所述的储层物性参数预测的不确定性评价方法，其特征在于，在步骤1中，统计岩石物理模型是由确定性的岩石物理模型和测井数据统计分析获得的随机因子构成，是一种模型-数据驱动的统计模型，而且其导出的地震属性的条件概率是方便计算的。

3.根据权利要求1所述的储层物性参数预测的不确定性评价方法，其特征在于，在步骤2中，先验分布是利用分类或聚类算法对测井数据做统计分析获取的，包括岩相先验概率和固定岩相的物性参数先验分布；其中，固定岩相的物性参数先验分布是单模态的且易于计算和抽样的。

4.根据权利要求1所述的储层物性参数预测的不确定性评价方法，其特征在于，在步骤3中，岩相变化的物性参数模拟抽样算法包括基于蒙特卡洛方法的概率估计和基于马尔科夫链的复杂概率密度模拟。

5.根据权利要求4所述的储层物性参数预测的不确定性评价方法，其特征在于，在步骤3中，基于物性参数的条件期望，采用蒙特卡洛方法估计岩相的条件概率。

6.根据权利要求5所述的储层物性参数预测的不确定性评价方法，其特征在于，在步骤3中，针对概率最大的岩相，基于固定岩相的物性参数先验分布和地震属性的条件概率，构建均匀随机游走的马尔科夫链；所述马尔科夫链的平稳分布是物性参数的后验分布，进而生成足够多的物性参数样本。

7.根据权利要求6所述的储层物性参数预测的不确定性评价方法，其特征在于，在步骤3中，为方便书写，统计参数为储层物性参数包括泥质含量c、孔隙度φ和含水饱和度s，记为l＝(c,φ,s)∈[L_l,U_l]，U_l和L_l分别表示物性参数的物理意义下的上下界；选取特定的地震属性数据为观测数据，记为d；岩相记为f。

8.根据权利要求7所述的储层物性参数预测的不确定性评价方法，其特征在于，在步骤3中，根据贝叶斯统计方法，固定岩相的物性参数后验分布p(l|d,f)正比于相应物性参数的先验分布p(l|f)和地震属性的条件分布p(d|l,f)的乘积，即

p(l|d,f)∝p(d|l,f)p(l|f) (1)

岩相的后验概率p(f|d)可表示l|f的条件期望形式，即

p(f|d)∝p(f)E_l|f[p(d|l,f)] (2)

其中，E_l|f表示l|f的条件期望；

由公式(6)，通过蒙特卡洛方法计算岩相的后验概率，实现目标岩相的预测；根据公式(5)构造随机游走马尔科夫链模拟目标岩相下的物性参数后验分布。

9.根据权利要求8所述的储层物性参数预测的不确定性评价方法，其特征在于，在步骤3中，岩相变化的物性参数模拟抽样算法具体包括：

第一步，对第k类岩相f_k，根据分布p(l|f_k)生成N_k个物性参数样本{l_i}，计算岩相条件概率

第二步，选取最大时，对应岩相f_M；

第三步，设目标分布F(l)＝p(d|l,f_M)p(l|f_M)，随机游走步长δ，从初始分布p(l|f_M)中随机生成l^(t)＝(c^(t),φ^(t),s^(t)),，马尔科夫链当前的时刻t＝0；

第四步，生成候选值l^*＝l^(t)+s,s～Unif(-δ^-(l^(t)),δ⁺(l^(t)))，其中

x＝l^(t)，分别表示泥质含量、孔隙度和含水波饱和度的修正游走步长；

第五步，计算候选值概率p_t＝min(R(l^(t),l^*),1)，其中

第六步，生成物性参数样本l^(t+1)＝ql^*+(1-q)l^(t)，其中q服从参数p_t的0-1分布；

第七步，马尔科夫链当前的时刻t＝t+1，返回第四步；直到马尔科夫链达到停止时刻T，即t＞T，停止运行，输出物性参数样本集S_l＝{l⁽⁰⁾,l⁽¹⁾,...,l^(T)}；

第八步，基于物性参数样本集S_l，计算样本均值来预测物性参数，计算样本方差来定量评价物性参数预测的风险，计算样本高低分位数来表示物性参数可能的变化范围。

10.根据权利要求1所述的储层物性参数预测的不确定性评价方法，其特征在于，在步骤4中，设T₀表示预烧期，泥质含量的期望估计孔隙度的期望估计和含水饱和度的期望估计分别为