基于粒子群優(yōu)化的BP網(wǎng)絡(luò)在地震屬性融合技術(shù)中的應(yīng)用

曹琳昱，朱仕軍，周 強(qiáng)

（1.西南石油大學(xué)資源與環(huán)境學(xué)院，四川成都 610500；2.中國(guó)石油天然氣集團(tuán)公司川慶鉆探工程有限公司測(cè)井分公司，重慶 400000）

基于粒子群優(yōu)化的BP網(wǎng)絡(luò)在地震屬性融合技術(shù)中的應(yīng)用

曹琳昱1，朱仕軍1，周 強(qiáng)2

（1.西南石油大學(xué)資源與環(huán)境學(xué)院，四川成都 610500；2.中國(guó)石油天然氣集團(tuán)公司川慶鉆探工程有限公司測(cè)井分公司，重慶 400000）

受地震資料品質(zhì)、巖性、構(gòu)造等諸多因素的影響，單一地震屬性只能在一定程度上提供預(yù)測(cè)儲(chǔ)層的方向，并存在多解性。地震屬性融合技術(shù)用井孔資料對(duì)地震屬性進(jìn)行標(biāo)定，建立儲(chǔ)層含油氣性與地震屬性之間的關(guān)系，采取數(shù)學(xué)手段融合多種地震屬性進(jìn)行儲(chǔ)層含油氣性判別，避免了單一地震屬性解釋儲(chǔ)層的多解性問(wèn)題。BP網(wǎng)絡(luò)具有良好的非線性擬合能力，但是易陷入局部極小值，不收斂，影響預(yù)測(cè)精度。針對(duì)該問(wèn)題，采用粒子群優(yōu)化其網(wǎng)絡(luò)權(quán)值和閾值，再用BP網(wǎng)絡(luò)對(duì)儲(chǔ)層、非儲(chǔ)層進(jìn)行模式識(shí)別，取得較好成效。

粒子群優(yōu)化；BP網(wǎng)絡(luò)；地震屬性融合技術(shù)；儲(chǔ)層預(yù)測(cè)

Abstract：particle swarm optimization，BP neural network，seismic attribute fusion technique，reservoir prediction

地震屬性與儲(chǔ)層參數(shù)不存在一一對(duì)應(yīng)關(guān)系，是構(gòu)造、巖性與含油氣等綜合因素的響應(yīng)。單一屬性解釋儲(chǔ)層不可避免的存在多解性［1～4］，對(duì)此，有學(xué)者［5～7］提供了解決思路或進(jìn)行精細(xì)標(biāo)定，或采用多地震屬性分析，或進(jìn)行模式聚類，都取得了較好效果。地震屬性融合技術(shù)［8］，應(yīng)用井孔資料對(duì)地震屬性進(jìn)行標(biāo)定，建立油藏（儲(chǔ)層）特征與地震屬性之間的關(guān)系，融合多地震屬性進(jìn)行模式識(shí)別。BP網(wǎng)絡(luò)具有良好的非線性擬合能力，可很好的融合多地震屬性，預(yù)測(cè)儲(chǔ)層參數(shù)［9］。但是BP網(wǎng)絡(luò)基于梯度下降算法，容易陷入局部收斂的問(wèn)題。筆者采用粒子群優(yōu)化其網(wǎng)絡(luò)權(quán)值和閾值，以達(dá)到尋找全局最小值的目的，提高地震屬性融合技術(shù)的可靠性。

1 基于PSO優(yōu)化的BP網(wǎng)絡(luò)融合技術(shù)

BP網(wǎng)絡(luò)誤差逆向傳播。其學(xué)習(xí)思想：對(duì)網(wǎng)絡(luò)權(quán)值（wij）與閾值（θ）的修正，使得誤差函數(shù)（E）沿負(fù)梯度方向下降，公式（1）所示，從某一起始點(diǎn)開(kāi)始的斜面逐漸達(dá)到誤差的最小值。在其訓(xùn)練過(guò)程中，可能陷入一個(gè)局部極小值。

式中：Wij——輸入節(jié)點(diǎn)與隱節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值；k——BP神經(jīng)網(wǎng)絡(luò)的第k次計(jì)算；η——學(xué)習(xí)率；E——誤差；ol——實(shí)際輸出；tl——預(yù)期輸出。

為解決BP神經(jīng)網(wǎng)絡(luò)法對(duì)初始權(quán)值敏感、易陷入局部極小值的問(wèn)題，采用基于全局隨機(jī)優(yōu)化思想的粒子群優(yōu)化（PSO）算法，對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行了優(yōu)化［10］。式（2）為粒子群的適度函數(shù)。PSO算法中的粒子尋優(yōu)基本公式如下：

式中：w——慣性因子；r1，r2——（0，1）區(qū)間服從均勻分布的隨機(jī)數(shù)；c1i，c2i——學(xué)習(xí)因子；n——迭代次數(shù)；——迭代n次時(shí)粒子i的空間位置——迭代n+1次時(shí)粒子i的速度——迭代n次時(shí)粒子i的速度，Gn——微粒從初始到當(dāng)前迭代次數(shù)搜索產(chǎn)生的個(gè)體極值和全局極值。

基于粒子群優(yōu)化的BP網(wǎng)絡(luò)計(jì)算步驟如下：

第一步，根據(jù)神經(jīng)網(wǎng)絡(luò)的輸入、輸出樣本集，建立神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，將神經(jīng)元之間所有的連接權(quán)值和閾值編碼成實(shí)數(shù)向量，表示種群中的個(gè)體粒子。

第二步，初始化粒子群規(guī)模，粒子的初始位置、速度，慣性因子ω，學(xué)習(xí)因子c1和c2，最大迭代次數(shù)；初始化每一個(gè)粒子的個(gè)體極值和全局最優(yōu)值等。比較適應(yīng)度，確定每個(gè)粒子的個(gè)體極值點(diǎn)和全局最優(yōu)。

第三步，更新每個(gè)粒子的位置和速度計(jì)算出算法的誤差。

第四步，判斷誤差是否滿足預(yù)設(shè)精度或迭代是否達(dá)到最大次數(shù)。若誤差滿足預(yù)設(shè)精度，算法收斂，最后一次迭代的全局最優(yōu)值Gn中每一維的權(quán)值和閾值就是所求的最優(yōu)解；若迭代次數(shù)未達(dá)到最大，返回第三步，算法繼續(xù)迭代，否則算法終止。

2 單一屬性分析

圖1 頻率為20 Hz的能量切片F(xiàn)ig.1 Energy slice with the frequency of20 Hz

圖2 頻率為30 Hz的能量切片F(xiàn)ig.2 Energy slice with the frequency of30 Hz

研究截取X地區(qū)為一侏羅系地層。該區(qū)有鉆井1井，2井，3井，4井鉆穿目的層，均有油氣顯示，尤其是4號(hào)井產(chǎn)量最高。對(duì)目的層提取20，30，35 Hz頻率能量體、反射強(qiáng)度、相對(duì)波阻抗屬性，進(jìn)行單一屬性分析。

20，30，35 Hz頻率能量體［11～13］是對(duì)地震道進(jìn)行連續(xù)時(shí)頻分析生成的一系列相應(yīng)離散頻率能量體，沿目的層切片所得。理論研究表明，與致密的單相地質(zhì)體相比，當(dāng)?shù)刭|(zhì)體中含流體如油、氣或水時(shí)，會(huì)引起地震波能量的衰減。在低頻20 Hz能量切片（圖1）上，4井，2井處于高值區(qū)域，3井值相對(duì)4井，2井較低。在30 Hz能量切片（圖2）上，4口井均處于低值，尤其是相比圖1，4井能量衰減最大，從高值直接衰減為低值。在35 Hz能量切片（圖3）上，4井處于絕對(duì)低值。所以證實(shí)各單一頻率的數(shù)據(jù)進(jìn)行對(duì)比、分析和解釋，利用譜衰減來(lái)預(yù)測(cè)儲(chǔ)層含油氣性有一定可行性。

地震波的振幅是很多地震屬性的源數(shù)據(jù)，所以其中包含了很多儲(chǔ)層的信息。油氣層的反射振幅特征取決于儲(chǔ)層和蓋層的速度關(guān)系。X區(qū)是砂泥巖互層，含氣砂巖與不含氣砂巖相比，反射強(qiáng)度相對(duì)較弱。從反射強(qiáng)度切片（圖2）上可見(jiàn)4口井均處于低值區(qū)域。聯(lián)合試油情況，可初步得出，儲(chǔ)層處于反射強(qiáng)度低值區(qū)的結(jié)論。

相對(duì)波阻抗屬性是通過(guò)道積分方法求取的，有明確的物理意義。相對(duì)波阻抗切片（圖3）顯示，1井，2井，4井都落入了低相對(duì)波阻抗區(qū)域，這決定了筆者對(duì)于相對(duì)波阻抗屬性的預(yù)測(cè)模式是尋找高值中的相對(duì)低值異常區(qū)域，它反映了砂巖含氣后的相對(duì)波阻抗值向低值方向移動(dòng)，可以作為儲(chǔ)層預(yù)測(cè)的因素之一。

通過(guò)以上單一屬性分析，根據(jù)鉆井資料和屬性切片，初步認(rèn)定低頻高值，高頻低值，較弱反射強(qiáng)度，強(qiáng)背景下的相對(duì)弱波阻抗為有利儲(chǔ)層區(qū)域。但是地震屬性與儲(chǔ)層參數(shù)不存在一一對(duì)應(yīng)關(guān)系，受制于地震資料品質(zhì)好壞的影響，是構(gòu)造、巖性與含油氣等綜合因素的響應(yīng)。單一屬性解釋儲(chǔ)層不可避免的存在多解性，比如，3井是干井，但反射強(qiáng)度較弱，相對(duì)波阻抗值較高，與另外3口氣井相同。地震屬性融合技術(shù)很好的解決了這個(gè)問(wèn)題，應(yīng)用井孔資料對(duì)地震屬性進(jìn)行標(biāo)定，建立油藏（儲(chǔ)層）特征與地震屬性之間的關(guān)系，融合多地震屬性進(jìn)行模式識(shí)別。

3 多屬性融合分析

圖3 頻率為35 Hz的能量切片F(xiàn)ig.3 Energy slice with the frequency of 35 Hz

圖4 反射強(qiáng)度切片F(xiàn)ig.4 Slice of reflection strength

在4井所處區(qū)域，提取20，30，35 Hz頻率能量、反射強(qiáng)度，相對(duì)波阻抗的儲(chǔ)層樣本10個(gè)，在干井3井區(qū)域提取非儲(chǔ)層樣本10個(gè)。為避免神經(jīng)網(wǎng)絡(luò)權(quán)值計(jì)算過(guò)程中大數(shù)吃小數(shù)的狀況，對(duì)其進(jìn)行歸一化。建立一個(gè)3層BP神經(jīng)網(wǎng)絡(luò)，用粒子群優(yōu)化其神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。設(shè)定其輸出1對(duì)應(yīng)儲(chǔ)層，輸出0對(duì)應(yīng)非儲(chǔ)層。編程實(shí)現(xiàn)其算法，得出該區(qū)屬性融合圖（圖4）。用未參與計(jì)算的1井，2井作為蘊(yùn)藏井來(lái)驗(yàn)證屬性融合效果，1井，2井均位于有效儲(chǔ)層區(qū)域（黃色，介于紅色和黃色之間），與這兩口井有產(chǎn)量，但是產(chǎn)量不高的情況相吻合。

圖5 相對(duì)波阻抗切片F(xiàn)ig.5 Slice of relative wave impedance

圖6 屬性融合圖Fig.6 Map showing fusion of attributes

BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的模式識(shí)別能力，能很好的劃分儲(chǔ)層（紅色）與非儲(chǔ)層（綠色）。根據(jù)屬性融合圖，可看出4井儲(chǔ)層集中區(qū)，與4井是高產(chǎn)井的實(shí)際情況相吻合。除了得出已鉆4井與屬性融合圖吻合外，可預(yù)測(cè)出另外幾個(gè)有利儲(chǔ)層區(qū)域，為下一步定井位提供有力憑據(jù)。

4 結(jié)論

1）X區(qū)的單一地震屬性可以在一定程度上為儲(chǔ)層預(yù)測(cè)提供依據(jù)。X區(qū)目的層有利儲(chǔ)層區(qū)域20 Hz能量大，30，35 Hz能量小，反射強(qiáng)度相較弱，相對(duì)波阻抗為高值背景下的低值。

2）基于粒子群BP網(wǎng)絡(luò)的地震屬性融合技術(shù)是可行的，為儲(chǔ)層預(yù)測(cè)提供了一個(gè)較為可靠的方法，有較強(qiáng)的實(shí)用價(jià)值。

1 曹輝.關(guān)于地震屬性應(yīng)用的幾點(diǎn)認(rèn)識(shí)［J］.勘探地球物理進(jìn)展， 2002，25（5）：18～22

2 杜世通.地震屬性分析［J］.油氣地球物理，2004，2（4）：19～31

3 侯伯剛，楊池銀，武站國(guó)，等.地震屬性及其在儲(chǔ)層預(yù)測(cè)中的影響因素［J］.石油地球物理勘探，2004，39（5）：553～558

4 唐建明，楊軍，張哨楠.川西坳陷中、淺層氣藏儲(chǔ)層識(shí)別技術(shù)［J］.石油與天然氣地質(zhì)，2006，27（6）：879～893

5 石萬(wàn)忠，陳開(kāi)遠(yuǎn)，陳新軍，等.地震屬性參數(shù)在勝坨油田氣藏預(yù)測(cè)中的應(yīng)用［J］.石油與天然氣地質(zhì)，2003，24（2）：196～198

6 孫萬(wàn)軍.多種地震屬性參數(shù)在儲(chǔ)層橫向預(yù)測(cè)中的應(yīng)用［J］.石油地球物理勘探，2004，39（5）：586～588

7 陳波，胡少華，畢建軍.地震屬性模式聚類預(yù)測(cè)儲(chǔ)層物性參數(shù)［J］.石油地球物理勘探，2005，40（2）：204～208

8 趙虎，尹成，朱仕軍.多屬性融合技術(shù)研究［J］.勘探地球物理進(jìn)展，2009，32（2）：119～121

9 王永剛，曹丹平，朱兆林.神經(jīng)網(wǎng)絡(luò)方法烴類預(yù)測(cè)中的問(wèn)題探討［J］.石油物探，2004，43（1）：94～98

10 崔吉峰，乞建勛，楊尚東.基于粒子群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型及其應(yīng)用［J］.中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2009， 40（1）：190～194

11 畢研斌，龍勝祥，郭彤樓，等.應(yīng)用頻率衰減屬性預(yù)測(cè)TNB地區(qū)儲(chǔ)層含氣性［J］.石油與天然氣地質(zhì)，2007，28（1）：116～121

12 Partyka G，Gridley J，Lopez J.Interpretational application of spectral decomposition in reservoir characterization［J］.The Leading Edge，1999，18（3）：353-360

13 瞿子易，周文，羅鑫，等.基于粒子群和支持向量機(jī)的裂縫識(shí)別［J］.石油與天然氣地質(zhì)，2009，30（6）350～356

（編輯 高 巖）

Application of particle swarm optim ization-based BP neural network to multi-attribute fusion techniques

Cao Linyu1，Zhu Shijun1and Zhou Qiang2
（1.School of Resources and Environment，Southwest Petroleum University，Chengdu，Sichuan 610500，China；2.Logging Branch Company，CNPC Chuanqing Drilling Engineering Company，Chongqing 400000，China）

Constrained by factors such as quality of seismic data，lithology and structures，single seismic attribute can only be used to predict reservoirs to a certain extent and there aremultiple possibilities.Through calibrating seismic attributeswith well data，seismic attribute fusion techniques can correlate oil/gas potential with seismic attributes.For oil/gas potential prediction of reservoirs，mathematics-based multi-attribute fusion can avoid the ambiguity of single-attribute reservoir interpretation.Back propagation（BP）neural network is very good at nonlinear fitting，but it is easy to get a localminimum without convergence，influencing the accuracy of prediction. To solve this problem，particle swarm is adopted first to optimize the network weight and threshold，and BP neural network is then used to differentiate reservoirs and non-reservoirs.The results are satisfactory.

TE132.1

：A

0253-9985（2010）05-0685-04

2009-07-13；

2010-09-08。

曹琳昱（1984—），女，碩士研究生，儲(chǔ)層預(yù)測(cè)。