BP神經(jīng)網(wǎng)絡(luò)與多點(diǎn)地質(zhì)統(tǒng)計(jì)相結(jié)合的井震約束濁積水道模擬

劉小亮，于興河，李勝利 （中國(guó)地質(zhì)大學(xué)（北京）能源學(xué)院，北京100083）

BP神經(jīng)網(wǎng)絡(luò)與多點(diǎn)地質(zhì)統(tǒng)計(jì)相結(jié)合的井震約束濁積水道模擬

劉小亮，于興河，李勝利 （中國(guó)地質(zhì)大學(xué)（北京）能源學(xué)院，北京100083）

勘探階段，僅依靠數(shù)目較少的井點(diǎn)數(shù)據(jù)很難在較大工區(qū)范圍內(nèi)建立令人信服的沉積相模式。然而，以地震數(shù)據(jù)做約束，往往會(huì)使沉積相更加逼近軟數(shù)據(jù)的分布趨勢(shì)。以澳西北陸架Vulcan次盆P22區(qū)塊Puffin組Unit7小層為研究對(duì)象，在建立沉積相的過(guò)程中，提出了分層次約束的方法，即以BP神經(jīng)網(wǎng)絡(luò)算法控宏觀，以多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)約微觀的方法流程，同時(shí)結(jié)合已知井的巖性類(lèi)型數(shù)據(jù)點(diǎn)和源于地震的巖性類(lèi)型數(shù)據(jù)點(diǎn)，再現(xiàn)了濁積水道的沉積展布規(guī)律。采用截?cái)喔咚购投帱c(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)2種方法進(jìn)行模擬，分別產(chǎn)生了濁積水道的8個(gè)模擬實(shí)現(xiàn)，對(duì)比結(jié)果表明，多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)模擬方法在再現(xiàn)濁積水道的幾何形態(tài)方面比基于變差函數(shù)的截?cái)喔咚鼓M更具有優(yōu)越性。最后以偏差目標(biāo)函數(shù)為標(biāo)準(zhǔn)，優(yōu)選出了偏差最小的模擬實(shí)現(xiàn)。

地震屬性；BP神經(jīng)網(wǎng)絡(luò)；多點(diǎn)地質(zhì)統(tǒng)計(jì)；截?cái)喔咚鼓M；多點(diǎn)模擬；濁積水道

人工神經(jīng)網(wǎng)絡(luò)BP算法是一種描述非線性映射關(guān)系的數(shù)學(xué)算法，該算法早在1986年由Rumelhart等人提出［1］，目前在地學(xué)領(lǐng)域成功應(yīng)用該算法的例子包括聲阻抗反演［2］、地震數(shù)據(jù)濾波［3］、測(cè)井曲線的孔隙度及滲透率預(yù)測(cè)［4］、地球物理參數(shù)估計(jì)［5］等。BP算法不僅在描述儲(chǔ)層兩種特性之間的非線性關(guān)系方面具有其他方法不可替代的優(yōu)越性，而且便于預(yù)測(cè)儲(chǔ)層某種特征的宏觀分布；而多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)［6］在1993年由Guardiano和Srivastava提出，并由Journel和Strebelle等人［7，8］將該理論應(yīng)用到儲(chǔ)層模擬當(dāng)中。多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)通過(guò)掃描具有復(fù)雜幾何特征的訓(xùn)練圖像獲得沉積相條件概率分布，進(jìn)而模擬出各個(gè)待模擬點(diǎn)的相類(lèi)型，這在模擬地下具有彎曲形態(tài)水道的幾何特征方面比傳統(tǒng)地質(zhì)統(tǒng)計(jì)學(xué)更具有優(yōu)勢(shì)。因此，在儲(chǔ)層表征與模擬［9，10］這一研究領(lǐng)域，多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)具有相當(dāng)重要的地位。在濁積水道的模擬過(guò)程中結(jié)合兩種理論的優(yōu)勢(shì)，對(duì)神經(jīng)網(wǎng)絡(luò)BP算法控制宏觀分布、多點(diǎn)地質(zhì)統(tǒng)計(jì)模擬展現(xiàn)微觀形態(tài)的方法流程加以體現(xiàn)，有助于提高模擬實(shí)現(xiàn)的可信度。筆者首先利用神經(jīng)網(wǎng)絡(luò)BP算法對(duì)地震屬性與含砂率之間的非線性對(duì)應(yīng)關(guān)系進(jìn)行學(xué)習(xí)訓(xùn)練，進(jìn)而從宏觀上預(yù)測(cè)了整個(gè)研究區(qū)的含砂率分布；其次在前人研究成果的基礎(chǔ)上，分別將截?cái)喔咚购投帱c(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)方法應(yīng)用到澳西北陸架Vulcan次盆P22區(qū)塊Puffin組Unit7小層的相模擬研究當(dāng)中，每種方法均得到了8種不同的模擬實(shí)現(xiàn)，對(duì)比了模擬結(jié)果，并分析了兩種方法在模擬濁積水道形態(tài)上的優(yōu)劣；最后將模擬結(jié)果與含砂率分布做疊合，以偏差目標(biāo)函數(shù)優(yōu)選了模擬結(jié)果。

1 基本原理

1.1 人工神經(jīng)網(wǎng)絡(luò)BP算法

人工神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的激活函數(shù)選用S形函數(shù)［11］，網(wǎng)絡(luò)結(jié)構(gòu)為n層，第1層、第n層分別為BP網(wǎng)絡(luò)的輸入、輸出層，Wijk為第k層第j個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)（神經(jīng)元）與第k－1層第i個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)（神經(jīng)元）之間的連接權(quán)。神經(jīng)網(wǎng)絡(luò)采用自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率的誤差反傳算法［12］，其訓(xùn)練過(guò)程大致分為5個(gè)步驟：初始化網(wǎng)絡(luò)各節(jié)點(diǎn)之間的連接權(quán)、網(wǎng)絡(luò)正向計(jì)算、判斷網(wǎng)絡(luò)誤差是否達(dá)到指定精度、網(wǎng)絡(luò)誤差反傳、調(diào)整網(wǎng)絡(luò)各節(jié)點(diǎn)之間的連接權(quán)（圖1）。

網(wǎng)絡(luò)各節(jié)點(diǎn)連接權(quán)值調(diào)整后，再進(jìn)行正向計(jì)算，判斷網(wǎng)絡(luò)誤差是否達(dá)到指定精度，如此循環(huán)進(jìn)行，直到達(dá)到指定精度跳出循環(huán)。

圖1 人工神經(jīng)網(wǎng)絡(luò)BP算法流程

1.2 多點(diǎn)地質(zhì)統(tǒng)計(jì)法

多點(diǎn)地質(zhì)統(tǒng)計(jì)算法基于序貫?zāi)M算法，當(dāng)某個(gè)待模擬點(diǎn)模擬完成并賦值后，下一個(gè)待模擬點(diǎn)即把該點(diǎn)作為已知條件數(shù)據(jù)進(jìn)行下一步的模擬。掃描訓(xùn)練圖像的過(guò)程中，在特定數(shù)據(jù)事件dn1的條件下，以數(shù)據(jù)點(diǎn)的砂巖取值個(gè)數(shù)c1（dn1）與數(shù)據(jù)點(diǎn)砂巖、泥巖取值總個(gè)數(shù)c（dn1）之比c1（dn1）／c（dn1）近似代替砂巖的條件概率；以數(shù)據(jù)點(diǎn)的泥巖取值個(gè)數(shù)c2（dn1）與數(shù)據(jù)點(diǎn)砂巖、泥巖取值總個(gè)數(shù)c（dn1）之比c2（dn1）／c（dn1）近似代替泥巖的條件概率。而在模擬的過(guò)程中，將某個(gè)待模擬點(diǎn)周?chē)囊阎獢?shù)據(jù)（包括硬數(shù)據(jù)如井?dāng)?shù)據(jù)和已模擬數(shù)據(jù)點(diǎn)）作為數(shù)據(jù)事件，以該數(shù)據(jù)事件確定待模擬點(diǎn)的條件概率分布，進(jìn)而確定待模擬點(diǎn)的相取值。

由于數(shù)據(jù)事件的重復(fù)次數(shù)需要達(dá)到一定的數(shù)目才能使條件概率具有統(tǒng)計(jì)意義。因此，實(shí)際運(yùn)算時(shí)，指定重復(fù)次數(shù)的最低門(mén)限值為100（近似于110×90訓(xùn)練圖像像素個(gè)數(shù)的1／100）。將已知硬數(shù)據(jù)映射到模型后，選取周?chē)矓?shù)據(jù)較多的待模擬點(diǎn)作為初始模擬點(diǎn)，再以落到數(shù)據(jù)模板內(nèi)的條件數(shù)據(jù)作為數(shù)據(jù)事件dn1對(duì)訓(xùn)練圖像進(jìn)行掃描，統(tǒng)計(jì)該數(shù)據(jù)事件dn1條件下待模擬點(diǎn)各相取值的總個(gè)數(shù)c（dn1）。若重復(fù)次數(shù)小于最低門(mén)限值100，則統(tǒng)計(jì)出的條件概率不具有統(tǒng)計(jì)意義，在這種情況下，舍棄數(shù)據(jù)模板中離待模擬點(diǎn)最遠(yuǎn)的數(shù)據(jù)點(diǎn)，此時(shí)數(shù)據(jù)模板中數(shù)據(jù)點(diǎn)數(shù)變?yōu)閚－1，重復(fù)以上掃描過(guò)程直到重復(fù)次數(shù)高于最低門(mén)限值為止。若數(shù)據(jù)模板中數(shù)據(jù)點(diǎn)數(shù)變?yōu)?，則用待模擬點(diǎn)的邊緣概率分布代替其條件概率分布。

2 P22區(qū)塊地質(zhì)概況

圖2 研究區(qū)構(gòu)造位置及P22區(qū)塊Puffin組古地貌

澳西北陸架Vulcan次盆P22區(qū)塊三維地震面積約為240km2，鉆井18口。該研究區(qū)整體位于Puffin地壘和Swan地塹的塹壘轉(zhuǎn)換帶之上（圖2），沉積物從Puffin地壘等高地上剝蝕直接進(jìn)入Swan地塹，在Swan地塹的北西方向的邊界斷層根部沉積。Puffin組整體以深水砂質(zhì)碎屑流沉積為主，沉積物粒度較粗，以灰白色細(xì)砂巖和粉砂巖為主；而泥巖主要為深灰色或灰綠色粉砂質(zhì)泥巖；主要相則可分為4種：濁積水道、水下扇、漫溢砂、深海泥。在研究區(qū)普遍可以見(jiàn)到泥質(zhì)灰?guī)r或灰質(zhì)泥巖，塊狀層理發(fā)育，見(jiàn)漂礫、雙泥層及各種變形構(gòu)造，指示了濁積環(huán)境。

3 含砂率計(jì)算及軟硬數(shù)據(jù)的獲取

3.1 BP神經(jīng)網(wǎng)絡(luò)含砂率計(jì)算

對(duì)于澳西北陸架Vulcan次盆P22區(qū)塊Puffin組Unit7小層具有含砂率數(shù)據(jù)的12口井，優(yōu)選出各井點(diǎn)處的5種地震屬性值（表1）。設(shè)BP神經(jīng)網(wǎng)絡(luò)動(dòng)量因子α為0.2，學(xué)習(xí)因子η為0.5，指定精度ε為10－25，網(wǎng)絡(luò)結(jié)構(gòu)為5－10－1（各層節(jié)點(diǎn)個(gè)數(shù)分別為5、10、1個(gè)）（圖3（a））。將各井點(diǎn)的地震屬性與含砂率數(shù)據(jù)（表1）作為已知訓(xùn)練樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。網(wǎng)絡(luò)在迭代計(jì)算549次后誤差收斂到指定精度ε（圖3（b）），得到了5種地震屬性與含砂率對(duì)應(yīng)關(guān)系的最佳節(jié)點(diǎn)連接權(quán)，進(jìn)而以全區(qū)的這5種地震屬性預(yù)測(cè)含砂率分布（圖4），并以P22區(qū)塊含砂率離散數(shù)值點(diǎn)作為各方向變差函數(shù)計(jì)算的數(shù)據(jù)（圖5）。

表1 已知井地震屬性及Puffin組Unit7小層位含砂率數(shù)據(jù)

圖3 人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖（a）及網(wǎng)絡(luò)誤差曲線（b）

3.2 硬數(shù)據(jù)、軟數(shù)據(jù)的獲取

將已知12口井在Puffin組Unit7小層的巖性作為待模擬區(qū)域的已知硬數(shù)據(jù)（圖6（a））。根據(jù)這12口井的含砂率及各井的巖性，可確定出砂巖含砂率截?cái)喾秶鸀?.7～1，泥巖含砂率截?cái)喾秶鸀?～0.2。這樣，通過(guò)人工神經(jīng)網(wǎng)絡(luò)BP算法預(yù)測(cè)出的全區(qū)含砂率便可以按照此截?cái)喾秶_定出砂、泥巖數(shù)據(jù)點(diǎn)，并將得到的數(shù)據(jù)點(diǎn)作為軟數(shù)據(jù)約束。結(jié)合已知井點(diǎn)處的硬數(shù)據(jù)后，便得到整個(gè)待模擬域的已知數(shù)據(jù)點(diǎn)分布（圖6（b））。

4 截?cái)喔咚鼓M

截?cái)喔咚鼓M根據(jù)變差函數(shù)確定儲(chǔ)層的非均質(zhì)情況。為了確定P22區(qū)塊Puffin組Unit7小層的主變程方向，選取N－S、NNESSW、NE－SW、NEE－SWW、E－W、SEE－NWW、SE－NW、SSE－NNW共8個(gè)方向分別計(jì)算變差函數(shù)，得到Unit7小層在8個(gè)方向的非均質(zhì)分布情況（圖7）。根據(jù)變差函數(shù)分布圖，確定出主變程方向?yàn)镹EE，主變程4500m，次變程方向?yàn)镹W，次變程3100m。據(jù)此，由截?cái)喔咚鼓M方法模擬出8個(gè)實(shí)現(xiàn)（圖8）。

截?cái)喔咚鼓M結(jié)果表明，基于變差函數(shù)的傳統(tǒng)地質(zhì)統(tǒng)計(jì)學(xué)在模擬沉積相分布時(shí)，雖然可以在一定程度上表征出儲(chǔ)層的非均質(zhì)情況，但對(duì)于形如濁積水道這樣的沉積體，模擬結(jié)果在幾何形態(tài)上并不與其相逼近。

圖4 P22區(qū)塊Puffin組Unit7小層含砂率分布預(yù)測(cè)

圖5 P22區(qū)塊Puffin組Unit7小層含砂率數(shù)據(jù)點(diǎn)及變差函數(shù)方向

圖6 軟、硬數(shù)據(jù)約束結(jié)合模擬已知巖性類(lèi)型數(shù)據(jù)點(diǎn)分布

5 多點(diǎn)地質(zhì)統(tǒng)計(jì)模擬

5.1 訓(xùn)練圖像掃描

訓(xùn)練圖像遵循定性的已知地質(zhì)認(rèn)識(shí)，同時(shí)符合定量的幾何學(xué)特征，也反映了沉積相的空間結(jié)構(gòu)特性。對(duì)于澳西北陸架Vulcan次盆P22區(qū)塊Puffin組Unit7小層，根據(jù)已知的沉積環(huán)境，確定研究區(qū)主要為深水濁積扇相。巖心資料表明，Puffin5井位于濁積水道上，因此生成訓(xùn)練圖像最具可行性的做法是以該研究區(qū)域沉積背景和巖心資料為基礎(chǔ)，并結(jié)合濁積水道沉積相模式［13］，人工編制用于多點(diǎn)地質(zhì)模擬的訓(xùn)練圖像。將其網(wǎng)格化后，得到110×90大小的訓(xùn)練圖像（圖9），便于數(shù)據(jù)模板的掃描。

圖7 P22區(qū)塊Puffin組Unit7小層含砂率8個(gè)方向變差函數(shù)分布

在掃描訓(xùn)練圖像過(guò)程中，數(shù)據(jù)模板大小的選擇對(duì)于掃描訓(xùn)練圖像并獲得各相的條件概率分布相當(dāng)重要，該參數(shù)的設(shè)定對(duì)于模擬結(jié)果影響很大。數(shù)據(jù)模板選擇過(guò)小，不能覆蓋河道彎度較小的幾何形態(tài)，所得的條件分布概率對(duì)于彎度小的河流反映不明顯；數(shù)據(jù)模板選擇過(guò)大，所得的數(shù)據(jù)事件重復(fù)次數(shù)較小，關(guān)于復(fù)雜地質(zhì)體的幾何統(tǒng)計(jì)特征得不到較好的反映。因此，綜合訓(xùn)練圖像的大小以及構(gòu)建的訓(xùn)練圖像中地質(zhì)體的復(fù)雜程度兩種因素的影響，以數(shù)據(jù)模板邊長(zhǎng)與訓(xùn)練圖像X方向邊長(zhǎng)之比大致為1∶10和1∶8兩種比例設(shè)置數(shù)據(jù)模板的大小較為合適，便于比較兩種不同大小的數(shù)據(jù)模板所對(duì)應(yīng)的模擬結(jié)果。因此，確定數(shù)據(jù)模板大小為9×9和11×11。

圖8 P22區(qū)塊截?cái)喔咚鼓M8個(gè)模擬實(shí)現(xiàn)

圖9 濁積水道模式訓(xùn)練圖像

5.2 模擬并優(yōu)選

分別以9×9和11×11大小的2種數(shù)據(jù)模板對(duì)訓(xùn)練圖像掃描過(guò)后，得到了數(shù)據(jù)模板中心數(shù)據(jù)點(diǎn)在各種數(shù)據(jù)事件條件下的條件概率分布，進(jìn)而在待模擬域根據(jù)數(shù)據(jù)事件確定待模擬點(diǎn)的巖性類(lèi)型。經(jīng)過(guò)2種數(shù)據(jù)模板的掃描模擬，產(chǎn)生8個(gè)模擬實(shí)現(xiàn)（圖10）。

圖10 研究區(qū)域8個(gè)模擬實(shí)現(xiàn)

與截?cái)喔咚鼓M實(shí)現(xiàn)（圖8）相比，利用多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)模擬的沉積相分布在形態(tài)上更加接近濁積水道。由于軟數(shù)據(jù)約束結(jié)合了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，實(shí)現(xiàn)了對(duì)模擬結(jié)果的宏觀控制；而采用多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)方法進(jìn)行模擬，則展現(xiàn)了對(duì)模擬結(jié)果微觀形態(tài)的描繪。

在應(yīng)用多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)理論模擬相分布的過(guò)程中，由于模擬路徑的選擇為隨機(jī)的過(guò)程，因此，每次模擬的結(jié)果必然各不相同，具有一定的隨機(jī)性。在模擬產(chǎn)生的多個(gè)實(shí)現(xiàn)當(dāng)中，需要按照一定的算法選取比較合理的結(jié)果。將P22區(qū)塊Puffin組Unit7小層的模擬實(shí)現(xiàn)（圖10）與含砂率分布圖（圖4）疊合，計(jì)算出模擬實(shí)現(xiàn)中各個(gè)模擬點(diǎn)與相應(yīng)含砂率的偏差值。定義模擬實(shí)現(xiàn)與全區(qū)含砂率分布的偏差目標(biāo)函數(shù)F（式1），以偏差目標(biāo)函數(shù)為標(biāo)準(zhǔn)，選取偏差最小的模擬實(shí)現(xiàn)。

式中，F(xiàn)為偏差目標(biāo)函數(shù)值；N為研究區(qū)模擬點(diǎn)個(gè)數(shù)；TUi為第i個(gè)模擬點(diǎn)含砂率截?cái)鄥^(qū)間上限，若該模擬點(diǎn)巖性為砂，則TUi值為1，若巖性為泥，則TUi值為0.2；TLi為第i個(gè)模擬點(diǎn)含砂率截?cái)鄥^(qū)間下限，若該模擬點(diǎn)巖性為砂，則TLi值為0.7，若巖性為泥，則TLi值為0；Si為第i個(gè)模擬點(diǎn)在含砂率分布圖中的取值。

根據(jù)式（1）分別計(jì)算出8個(gè)模擬實(shí)現(xiàn)（2396個(gè)模擬點(diǎn)）與研究區(qū)含砂率分布的偏差（表2），選出模擬實(shí)現(xiàn)（f）為最佳方案（圖11）?？梢钥闯?，優(yōu)選結(jié)果的濁積水道從Puffin地壘流向Swan地塹，沉積物在Swan地塹接受沉積。這與研究區(qū)先前地質(zhì)認(rèn)識(shí)相符合。

表2 多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)8個(gè)模擬實(shí)現(xiàn)的偏差目標(biāo)函數(shù)值

6 結(jié) 論

1）多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)理論利用掃描訓(xùn)練圖像獲得多點(diǎn)統(tǒng)計(jì)信息，很好地解決了基于變差函數(shù)的傳統(tǒng)兩點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)不能描繪復(fù)雜幾何形態(tài)地質(zhì)體的缺陷。在模擬濁積水道的微觀形態(tài)方面，多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)方法要優(yōu)于基于變差函數(shù)的截?cái)喔咚鼓M方法。

2）人工神經(jīng)網(wǎng)絡(luò)BP算法實(shí)現(xiàn)了對(duì)地震屬性與含砂率之間非線性對(duì)應(yīng)關(guān)系的數(shù)學(xué)描述；在模擬過(guò)程中軟數(shù)據(jù)約束結(jié)合了BP算法的預(yù)測(cè)結(jié)果，實(shí)現(xiàn)了對(duì)模擬結(jié)果的宏觀控制；多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)方法則實(shí)現(xiàn)了對(duì)濁積水道微觀形態(tài)的描述。

3）以偏差目標(biāo)函數(shù)優(yōu)選了多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)方法的模擬結(jié)果，再現(xiàn)了濁積水道在當(dāng)時(shí)的分布情況。優(yōu)選的模擬結(jié)果符合沉積物從Puffin地壘等高地上剝蝕直接進(jìn)入Swan地塹的地質(zhì)認(rèn)識(shí)。

圖11 優(yōu)選出的模擬實(shí)現(xiàn)（水道與古地貌作疊合）

［1］Rumelhart D E，Hinton G E，Williams R J.Learning representations by back－propagating errors［J］.Nature，1986，323（9）：533～536.

［2］Kamel B，Noureddine D，Tahar A，etal.Acoustic impedance inversion by feedback artificial neural network［J］.Journal of Petroleum Science and Engineering，2010，71（3－4）：106～111.

［3］Noureddine D，Tahar A，Karnel B，etal.Application of feedback connection artificial neural network to seismic data filtering［J］.Comptes Rendus Geoscience，2008，340（6）：335～344.

［4］Helle H B，Bhatt A，Ursin B.Porosity and permeability prediction from wireline logs using artificial neural networks：a North Sea case study［J］.Geophysical Prospecting，2001，49（4）：431～444.

［5］Calderon－Macias C，Sen M K，Stoffa P L.Artificial neural networks for parameter estimation in geophysics［J］.Geophysical Prospecting，2000，48（1）：21～47.

［6］Guardiano F B，Srivastava R M.Multivariate geostatistics——Beyond bivariate moments［A］.Soares A.Geostatistics－Troia［C］.Dordrecht；Boston；London：Kluwer Academic Publications，1993.133～144.

［7］Strebelle S.Multiple－point statistics simulation of continuous variables［J］.GIS and Spatial Analysis，2005，（1）：732～736.

［8］Strebelle S，Journel A.Sequential simulation drawing structures from training images［Z］.Stanford Center for Reservoir Forecasting Annual Report，2000.381～392.

［9］于興河.油氣儲(chǔ)層表征與隨機(jī)建模的發(fā)展歷程及展望［J］.地學(xué)前緣，2008，15（1）：1～15.

［10］Yu Xinghe，Li Shengli，Zhao Shu，etal.Constraining method of stochastic modeling for fluvial petroleum reservoir controlled by depositional facies using wells and seismic data［J］.Earth Science Frontiers，2008，15（4）：25～33.

［11］蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論［M］.北京：高等教育出版社，2001.18～19.

［12］王彥春，苑春芳.靜校正及神經(jīng)網(wǎng)絡(luò)處理技術(shù)［M］.北京：地質(zhì)出版社，2000.74～75.

［13］Nichols G.Sedimentology and Stratigraphy［M］.Second Edition.UK：John Wiley ＆Sons Ltd，2009.255～256.

［編輯］ 宋換新

36 Well－seismic Data Constrained Turbidite Channel Modeling Based on the Combination of Neural Network BP Arithmetic and Multiple－point Geostatistics

LIU Xiao－liang，YU Xing－h(huán)e，LI Sheng－li

（First Authors Address：School Energy Resources，China University of Geosciences，Beijing100083，China）

At oil exploriation stage，it was hard to build the convinced sedimentary facies modes with less well－point data in the large operation area.However，for the restriction of seismic data，the sedimentary facies was often more approximate to the distributive tendency of soft data.In the process of building the sedimentary facies，Subzone 7of Puffin Formation in Block P22in the Vulcan Sub－basin of north－west Australia continent shelf was used as studied object，a layering constraining method was proposed.The idea that macroscale of modeling was controlled by BP arithmetic and microshape of geological body was depicted by multiple－point geostatistics propounded in the modeling progress，and in combination with the lithologic type data derived from known well data and seismic data，the distribution of turbidite channel could be realized by modeling.Truncated Gaussian simulation and multiple－point geostatistics are applied in the modeling process，and each method responds to 8simulation processes respectively.The comparison result indicates that multiplepoint geostatistics is more proper than variogram based Truncated Gaussian simulation in the process of characterizing the geometry of turbidite channel.The optimal simulation with less errors is obtained by the criterion of minimal value of bias object function.

seismic attribute；BP neural network；multi－point geostatistics；Truncated Gaussian simulation；multiplepoint geostatistics simulation；turbidite channel

book=129,ebook=129

TE122.2

A

1000－9752（2012）06－0036－07

2011－08－25

國(guó)家自然科學(xué)基金項(xiàng)目（41072084）；國(guó)家“973”規(guī)劃項(xiàng)目（2009CB219502－3）。

劉小亮（1986－），男，2009年中國(guó)地質(zhì)大學(xué)（北京）畢業(yè)，碩士生，現(xiàn)主要從事地震正演、反演以及儲(chǔ)層預(yù)測(cè)評(píng)價(jià)方面的學(xué)習(xí)與研究工作。