利用Kohonen神經(jīng)網(wǎng)絡(luò)劃分二維地震相——以柴達木盆地E區(qū)風險勘探為例

劉小洪，馮明友，楊午陽，孫 輝，魏新建，劉 哲

（1.西南石油大學資源與環(huán)境學院；2.中國石油勘探開發(fā)研究院西北分院；3.中國石油長慶油田分公司勘探部）

利用Kohonen神經(jīng)網(wǎng)絡(luò)劃分二維地震相
——以柴達木盆地E區(qū)風險勘探為例

劉小洪1，馮明友1，楊午陽2，孫 輝2，魏新建2，劉 哲3

（1.西南石油大學資源與環(huán)境學院；2.中國石油勘探開發(fā)研究院西北分院；3.中國石油長慶油田分公司勘探部）

為研究柴達木盆地E區(qū)大型背斜構(gòu)造沉積相及砂體展布規(guī)律，在二維地震數(shù)據(jù)閉合差校正、鄰區(qū)井標定引入及精細層位解釋基礎(chǔ)上，利用改進算法的Kohonen神經(jīng)網(wǎng)絡(luò)技術(shù)開展二維地震相劃分研究，識別出三角洲前緣水下分流河道、分流間灣及灘壩等微相。本文研究認為，研究區(qū)古流向為南東—北西向，儲集砂體較發(fā)育，主要富集于研究區(qū)中部，現(xiàn)今構(gòu)造東高點位于有利沉積相帶。改進算法的Kohonen神經(jīng)網(wǎng)絡(luò)二維地震相劃分技術(shù)補充了沉積相研究成果，適合于西部二維地震資料覆蓋的風險探區(qū)，具較強的推廣價值。

Kohonen；神經(jīng)網(wǎng)絡(luò)；地震相；沉積相；柴達木盆地

0 引言

地震相指特定沉積相或地質(zhì)體在地震振幅、相位、連續(xù)性及反射特征組合中的綜合響應。地震相分析即以實際地質(zhì)資料為基礎(chǔ)，利用地震參數(shù)并結(jié)合其它資料進行綜合沉積環(huán)境解釋的過程。

地震相研究的核心為神經(jīng)網(wǎng)絡(luò)技術(shù)［1-4］。神經(jīng)網(wǎng)絡(luò)技術(shù)主要分為有監(jiān)督的神經(jīng)網(wǎng)絡(luò)技術(shù)（應用于勘探中后期及開發(fā)期）和無監(jiān)督的神經(jīng)網(wǎng)絡(luò)技術(shù)（多應用于勘探前期），多名學者［5-10］曾利用神經(jīng)網(wǎng)絡(luò)技術(shù)開展地球物理方面的研究。

研究區(qū)位于柴達木盆地北部風險勘探區(qū)，該研究區(qū)二維地震資料豐富，有監(jiān)督的神經(jīng)網(wǎng)絡(luò)技術(shù)受限。本文開發(fā)出二維地震相分析及成圖軟件，利用Kohonen神經(jīng)網(wǎng)絡(luò)技術(shù)對地震道波形進行分類并將此分類形成離散的“地震相”；再根據(jù)“擬合度”準則對實際地震道進行對比和分類，細致刻畫出地震信號橫向變化規(guī)律及地震波形平面分類特征；最后結(jié)合相關(guān)研究結(jié)果對地震資料進行綜合地質(zhì)解釋，進而開展儲層預測和含油氣性判別研究。

1 Kohonen神經(jīng)網(wǎng)絡(luò)原理

Kohonen神經(jīng)網(wǎng)絡(luò)是無監(jiān)督學習的人工神經(jīng)網(wǎng)絡(luò)，也稱為自組織特征圖（Self-Organizing Map）。該網(wǎng)絡(luò)可實現(xiàn)對輸入模式特征進行拓撲邏輯映射，是一種高維輸入向量向低維輸出向量投影的方法，主要由輸入層、隱藏層（Kohonen層）和輸出層組成（圖 1）［11］。其原理是：模擬生物神經(jīng)元之間的競爭作用進行信息處理，通過比較輸入樣本間的空間最小距離來不斷調(diào)整神經(jīng)元間的權(quán)值，從而使相似的輸入樣本（即優(yōu)勝神經(jīng)元）聚集為一種分類，經(jīng)過每一類反復迭代，最終輸出一組已分類的數(shù)據(jù)。

圖1 Kohonen神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Structural diagram of Kohonen neural network

2 實現(xiàn)步驟

利用Kohonen神經(jīng)網(wǎng)絡(luò)技術(shù)劃分二維地震相的主要步驟為：①對二維地震資料進行去噪處理和閉合差校正，并結(jié)合研究區(qū)或相鄰區(qū)域的測井資料進行精細層位標定，在標定結(jié)果上解釋目的層位；②設(shè)置地震相分類數(shù)，對權(quán)值、學習速率及鄰域進行初始化，以地震道值作為輸入樣本；③采用公式（式中 wmn表示輸入樣本到輸出結(jié)點的權(quán)值；t表示時刻，為正整數(shù)）計算輸入樣本xm到每一個輸出結(jié)點n之間的距離dn，此距離被稱為Euclidean距離，并選取具有最小距離的結(jié)點（n為輸出結(jié)點）；④修改n與鄰近結(jié)點之間的權(quán)值，采用公式 wmn（t+1）=wmn（t）+η（t）［xm（t）-wmn（t）］（式中 η（t）為一個增益項，0＜η（t）＜1，隨時間增加下降至0）修正權(quán)值；⑤若增益項的值減小至0，則結(jié)果滿意，輸出結(jié)果，否則轉(zhuǎn)換至第二步重新訓練，直至神經(jīng)網(wǎng)絡(luò)收斂為止；⑥對輸出的地震相結(jié)果進行分析，將地震相轉(zhuǎn)化為沉積相。

3 應用實例

3.1 研究區(qū)概況

研究區(qū)構(gòu)造位于柴達木盆地北緣斷塊帶鄂博梁—葫蘆山—伊克雅烏汝背斜帶的中段，北鄰昆特依—伊北凹陷，南接一里坪凹陷，呈“兩凹夾一隆”的構(gòu)造格局。由圖2可看出，研究區(qū)現(xiàn)今地表構(gòu)造為北西—南東向延伸的長軸背斜，背斜長約46 km，寬約8 km，面積約368 km2。由周緣鉆探可知，該區(qū)主要目的層為上新統(tǒng)上油砂山組（）、上新統(tǒng)下油砂山組（）、中新統(tǒng)上干柴溝組（N1）3個層位。 多名學者結(jié)合頂部構(gòu)造特征（圖3）、鄰區(qū)構(gòu)造研究成果［12-14］、二維地震資料似“平點”含氣性預測結(jié)果［15］等認為，研究區(qū)具大型氣藏潛力。但鑒于資料缺乏、沉積特征復雜及構(gòu)造含氣性不確定等問題，至今該區(qū)的勘探仍未能突破。

圖2 研究區(qū)構(gòu)造位置圖Fig.2 Structural location of the study area

圖3 研究區(qū)頂部時間構(gòu)造圖Fig.3 Time-structure map for the top ofin the study area

研究區(qū)內(nèi)二維測線經(jīng)連片處理，測線交點處的時差、振幅、相位、頻率基本閉合，二維地震測網(wǎng)為2 km×3 km～2 km×4 km，分布均勻，可滿足平面研究要求。所以，本文利用改進算法的Kohonen神經(jīng)網(wǎng)絡(luò)技術(shù)對目的層開展二維地震相劃分研究，并結(jié)合沉積相平面研究成果進行綜合分析，以期為沉積相及砂體展布規(guī)律研究提供技術(shù)支持。

3.2 Kohonen神經(jīng)網(wǎng)絡(luò)地震相劃分

本文利用Kohonen神經(jīng)網(wǎng)絡(luò)技術(shù)進行二維地震相劃分的流程主要由二維地震資料預處理、目的層層位精細解釋、地震反射特征分類、地震波形Kohonen神經(jīng)網(wǎng)絡(luò)分析、地震相—沉積相平面對比分析等組成。首先，對研究區(qū)34條二維地震測線進行相位校正和波形、振幅及頻率一致性處理，并通過閉合差校正來解決二維地震資料因施工年度、施工因素及處理流程不統(tǒng)一等引起的問題；其次，結(jié)合相鄰區(qū)域葫蘆山構(gòu)造井-震標定結(jié)果，將標定層位引入研究區(qū)，并對研究區(qū)目的層進行精細層位解釋；最后根據(jù)目的層地震反射同相軸的振幅、頻率、連續(xù)性等特征，將地震剖面分為4種類型（對應平面分布如圖3中Ⅰ—Ⅳ所示）：Ⅰ型，同相軸反射呈雜亂型，橫向極不連續(xù)，中等振幅，中等頻率，為混合間互沉積（圖4a）；Ⅱ型，振幅為雙強谷夾弱峰型，中等頻率，同相軸橫向連續(xù)性中等，為三角洲前緣分流間灣沉積（圖4b）；Ⅲ型，振幅為強谷強峰型，頻率較高，同相軸橫向連續(xù)性好，為灘壩砂沉積（圖4c）；Ⅳ型，振幅為強谷強峰型，頻率較低，同相軸橫向連續(xù)性較差，同相軸略顯下拉現(xiàn)象，可能為三角洲前緣分流河道沉積（圖4d）。其它地震反射特征介于4種類型之間，難以直接甄別。

圖4 研究區(qū)典型地震反射特征剖面Fig.4 Typical seismic sections of reflection characteristics in the study area

在地震剖面分類研究基礎(chǔ)上，沿層提取地震振幅，將振幅波形中不同道的每個采樣點作為輸入數(shù)據(jù)，送入神經(jīng)網(wǎng)絡(luò)進行學習，反復迭代，修改權(quán)值，直至網(wǎng)絡(luò)訓練成熟，網(wǎng)絡(luò)拓撲趨于穩(wěn)定，再重新將所有提取的振幅波形送入網(wǎng)絡(luò)，從而得到最終的地震相分類結(jié)果。在計算時為避免受地震資料品質(zhì)的影響，本文選擇大時窗進行屬性提取，巖層上、下分別提取16 ms。考慮到地震相分類數(shù)過少可能會導致結(jié)果失真，首先選擇分類數(shù)為8進行分析（圖5a），為使結(jié)果突出優(yōu)勢相且與地質(zhì)意義相吻合，進一步將分類數(shù)合并為4（中間采用過渡色充填）。因此，Kohonen神經(jīng)網(wǎng)絡(luò)地震相最終分類結(jié)果（圖5b）能整體反映沉積體系及砂體展布特征。

圖5 研究區(qū)頂部Kohonen分類剖面（a）、地震相分類結(jié)果解釋（b）及沉積相平面圖（c）Fig.5 Seismic section of Kohonen classification （a）,interpretation result of seismic facies classification （b） and sedimentary facies ichnography （c） of the top ofin the study area

區(qū)域沉積相研究成果表明：漸新世早期由于盆地邊緣斷裂活動強烈，盆地整體沉降進入大型坳陷期，研究區(qū)接受了一套三角洲相沉積，周邊主要發(fā)育濱淺湖相沉積；中新世的沉積環(huán)境基本繼承了漸新世沉積格局，研究區(qū)繼續(xù)接受三角洲相和濱淺湖相沉積，水體范圍有所擴大，但水體淺，為廣泛的弱氧化環(huán)境；晚第三紀上新世早期，研究區(qū)水體逐漸變深，沉積物顏色變暗，物源豐富，沉積厚度較大。各期有利沉積相帶均為分選較好、儲滲性佳的濱淺湖灘壩及三角洲前緣水下分流河道微相（圖5c）。

3.3 應用效果分析

基于Kohonen神經(jīng)網(wǎng)絡(luò)技術(shù)劃分的地震相平面圖細化了沉積相研究成果。本文研究認為：研究區(qū)內(nèi)主要發(fā)育三角洲前緣水下分流河道及濱淺湖灘壩等微相，古流向為南東—北西向，砂體廣泛分布，尤其中部地區(qū)（今構(gòu)造高點）相對富集；有利區(qū)域（紅—黃色）為三角洲前緣水下分流河道微相（圖3b），現(xiàn)今構(gòu)造東高點位于有利相帶內(nèi)。

實鉆表明，構(gòu)造東高點在N21氣測顯示活躍、儲層發(fā)育、測井解釋儲層厚，表明預測結(jié)果可信。

4 結(jié)論及認識

Kohonen神經(jīng)網(wǎng)絡(luò)技術(shù)在淺層氣預測、油氣評價、巖性識別、地震相劃分等方面具有優(yōu)勢，在運用時需注意以下幾點：

（1）高信噪比的地震資料、規(guī)則的測網(wǎng)、準確的層位解釋是進行二維地震相劃分的前提，因此二維地震資料預處理和標定極為重要。

（2）通常選擇較大時窗進行劃分，分類時可對整個數(shù)據(jù)進行快速掃描以選取最佳分類數(shù)。

（3）神經(jīng)元數(shù)量應適中，過多會影響分類速度，過少則導致分類結(jié)果重復，影響預測精度。

（4）神經(jīng)網(wǎng)絡(luò)運用前可利用二維地震剖面反射特征進行分析，劃分時需在地質(zhì)思路的指導下結(jié)合其它資料綜合對比，才能全面、準確地得出符合實際的劃分結(jié)果。

［1］Ediriwickrema J，Khorram S.Hierachical Maximum Likelihood Classification for Improved Accuracies［J］.IEEE Transon Geoscience and Remote Sensing，1997，35（4）：810-816.

［2］EssenreiterR，KarrenbachM，TreitelS.Identification and classification of multiple reflections with self-organizing maps［J］.Geophysical Prospecting，2001，49（3）：341-352.

［3］Baan M V D，Jutten C.Neural networks in geophysical applications［J］.Geophysics，2000，65（4）：1032-1047.

［4］Taner M T，Berge，Walls J D，et al.Well log calibration of kohonenclassified seismic attributes using bayesian logic ［J］.Journal of Petroleum Geology，2001，24（4）：405-416.

［5］鄧傳偉，李莉華，金銀姬，等.波形分類技術(shù)在儲層沉積微相預測中的應用［J］.石油物探，2008，47（3）：262-265.

［6］孫勤華，劉曉梅，劉建新，等.利用波形分析技術(shù)半定量預測塔中碳酸鹽巖儲層［J］.巖性油氣藏，2010，22（1）：101-103.

［7］王宏斌，張虎權(quán)，衛(wèi)平生，等.碳酸鹽巖地震儲層學在塔中地區(qū)生物礁灘復合體油氣勘探中的應用［J］.巖性油氣藏，2010，22（2）：18-23.

［8］侯斌，桂志先，許輝群，等.應用多屬性神經(jīng)網(wǎng)絡(luò)方法預測油氣［J］.巖性油氣藏，2010，22（3）：118-120.

［9］衛(wèi)平生，潘建國，張虎權(quán)，等.地震儲層學的概念、研究方法和關(guān)鍵技術(shù)［J］.巖性油氣藏，2010，22（2）：1-5.

［10］楊杰，衛(wèi)平生，李相博.石油地震地質(zhì)學的基本概念、內(nèi)容和研究方法［J］.巖性油氣藏，2010，22（1）：1-6.

［11］Kohonen T.The Self-organizing maps［J］.Proceedings of the IEEE，1990，78（9）：1464-1480.

［12］宋成鵬，張曉寶，汪立群，等.柴達木盆地北緣天然氣成因類型及氣源判識［J］.石油與天然氣地質(zhì)，2009，31（1）：90-96.

［13］羅群，黃捍東，李玉喜.柴達木盆地北緣淺層滑脫斷裂下盤油氣富集規(guī)律及控藏模式［J］.中國石油大學學報：自然科學版，2009，51（3）：34-38.

［14］沈亞，陳元忠，孫維軍，等.柴達木盆地地震地質(zhì)研究新進展［J］.石油地球物理勘探，2008，43（S1）：146-150.

［15］陳迎賓，張壽庭，萬傳治，等.柴達木盆地鄂博梁Ⅲ號構(gòu)造地震低速異常識別及成因探討［J］.地球物理學進展，2008，23（6）：1894-1902.

Application of Kohonen neural network to 2D seismic facies division in E area of Qaidam Basin

LIU Xiao-hong1， FENG Ming-you1， YANG Wu-yang2， SUN Hui2， WEI Xin-jian2， LIU Zhe3
（1.School of Resources and Environment， Southwest Petroleum University， Chengdu 610500， China； 2.Research Institute of Petroleum Exploration&Development-Northwest， PetroChina， Lanzhou 730020， China； 3.Department of Exploration，Changqing Oilfield Company， PetroChina， Xi’an 710018， China）

The situation ofE area is hard toproceed deep research and risk assessment bythe absent ofprospectingwell data.Based on seismic mis-tie calibration,adjacent well calibration and fine horizon interpretation,Kohonen neural network method is applied to carry out two-dimensional seismic facies classification of target zone.Microfacies of delta front such as distributary channel,interdistributary bay and sand bar are recognized.The paleocurrent direction is suspected from southeast to northwest.Reservoir sand bodies developed well in the middle of the study area,preliminary prospecting well is located in favorable sedimentary facies.Sedimentary facies division are supplied and refined bythe result ofseismic facies，which can supplysignificant foundation for geometric arrangement ofrisk wells and regional breakthrough.

Kohonen； neuralnetwork； seismicfacies； sedimentaryfacies； QaidamBasin

TE112.221

A

2010-12-20；

2011-02-16

劉小洪，1980年生，女，講師，主要從事儲層沉積學研究。地址：（610500）四川省成都市新都區(qū)新都大道 8號西南石油大學資源與環(huán)境學院。E-mail：liuxiaohong_swpu@163.com

1673-8926（2011）04-0115-04

郭言青）