地震屬性優(yōu)化與網(wǎng)絡(luò)函數(shù)逼近儲層砂體厚度預(yù)測方法及應(yīng)用

陳學(xué)國

中石化勝利油田分公司勘探開發(fā)研究院西部分院，山東 東營

地震屬性優(yōu)化與網(wǎng)絡(luò)函數(shù)逼近儲層砂體厚度預(yù)測方法及應(yīng)用

陳學(xué)國

中石化勝利油田分公司勘探開發(fā)研究院西部分院，山東 東營

砂體厚度(或含量)是油氣勘探中的重要參數(shù)。以地震資料與測井解釋成果為基礎(chǔ)，研究儲層砂體厚度預(yù)測方法，提出利用地震屬性優(yōu)化技術(shù)實現(xiàn)降維，建立敏感地震屬性集；并將井旁地震道對應(yīng)的敏感屬性集與測井解釋砂體厚度輸入神經(jīng)網(wǎng)絡(luò)，通過網(wǎng)絡(luò)訓(xùn)練使誤差最小化；在該基礎(chǔ)上，逐道輸入敏感屬性集，由網(wǎng)絡(luò)輸出對應(yīng)的砂體厚度。在勝利油田H4區(qū)塊應(yīng)用上述方法預(yù)測砂巖厚度，相對誤差基本小于20%，滿足了勘探生產(chǎn)的需要。

砂體厚度，地震屬性優(yōu)化，網(wǎng)絡(luò)函數(shù)逼近，儲層預(yù)測

Copyright ? 2017 by author, Yangtze University and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY).

http://creativecommons.org/licenses/by/4.0/

1.引言

地震資料解釋與反演的目標(biāo)就是從三維地震數(shù)據(jù)中提取更多的信息參數(shù)，該信息被稱為地震波特征參數(shù)或地震屬性，是將地震數(shù)據(jù)作不同的數(shù)學(xué)運算得到的一種新參數(shù)[1]-[6]，利用該參數(shù)可以解決地質(zhì)構(gòu)造、預(yù)測地層巖性和油氣等油氣勘探的關(guān)鍵問題。地震屬性是指疊前或疊后地震數(shù)據(jù)經(jīng)過數(shù)學(xué)變換而導(dǎo)出的有關(guān)地震波幾何學(xué)、運動學(xué)、動力學(xué)和統(tǒng)計學(xué)的特征，是地震資料中可描述的、可定量化的特征。地震屬性的種類較多，早期主要以振幅屬性、時間屬性、頻率屬性和地層吸收屬性等為主。近年來，隨著數(shù)學(xué)、圖像與信號處理等相關(guān)領(lǐng)域技術(shù)的發(fā)展，計算地震屬性的方法越來越多，提取的地震屬性也越來越多。地震屬性從不同角度反映了地層砂體厚度、孔隙及孔隙流體、滲透率、地層異常壓力等地層信息。關(guān)于砂體厚度預(yù)測的方法較多，可歸結(jié)為兩大類：一是以波阻抗反演為基礎(chǔ)，二是地震屬性(疊前和疊后)綜合應(yīng)用。該次研究屬于地震屬性的綜合應(yīng)用，筆者在前人研究的基礎(chǔ)上，將屬性優(yōu)化降維與網(wǎng)絡(luò)函數(shù)逼近相結(jié)合，優(yōu)選出對砂體敏感的地震屬性集，進而研究儲層砂體厚度分布。

2.屬性優(yōu)化與神經(jīng)網(wǎng)絡(luò)函數(shù)逼近方法

2.1.地震屬性優(yōu)化

儲層參數(shù)預(yù)測是要將地震屬性通過某種數(shù)學(xué)算法(如模式識別、神經(jīng)網(wǎng)絡(luò))賦予地質(zhì)含義。地震屬性種類繁多，目前國內(nèi)外用于儲層預(yù)測的地震屬性有300余種，這些地震屬性有獨立的，也有相互關(guān)聯(lián)的；有些具有直接的地球物理意義，有些則沒有。地震屬性優(yōu)化就是要在儲層預(yù)測中消去不敏感地震屬性的影響，減少有關(guān)聯(lián)的地震屬性影響，提升敏感的、獨立的地震屬性影響。

在利用地震屬性進行儲層預(yù)測(包括儲層砂體厚度、孔隙度、飽和度等)中，通常提取一組屬性集，并結(jié)合模式識別、多元統(tǒng)計、灰色系統(tǒng)或神經(jīng)網(wǎng)絡(luò)法等進行儲層預(yù)測。但是，不同地區(qū)、不同層位、不同的儲層參數(shù)(孔隙度、飽和度、砂體厚度等)，相應(yīng)的地震屬性敏感度不同，其中K-L變換(Karhunen-Loeve transform)能有效地壓制相關(guān)屬性，提高獨立屬性的作用。該次研究采用K-L變換法實現(xiàn)降維運算，提高獨立屬性在砂體厚度預(yù)測中的影響。

2.2.神經(jīng)網(wǎng)絡(luò)函數(shù)逼近方法

對于神經(jīng)網(wǎng)絡(luò)函數(shù)逼近法作儲層參數(shù)預(yù)測，關(guān)鍵是網(wǎng)絡(luò)的選擇，神經(jīng)網(wǎng)絡(luò)有40種左右，結(jié)構(gòu)、性能各不相同，但它們都是由大量的基本處理單元廣泛連接而成，基本單元稱為神經(jīng)元，也稱為節(jié)點，節(jié)點是所有輸入的加權(quán)和，并通過一個非線性函數(shù)輸出結(jié)果。網(wǎng)絡(luò)性質(zhì)的決定要素有3個，即神經(jīng)元特性、網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練方法。該次研究使用的神經(jīng)元的激活函數(shù)是S型函數(shù)。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是多層感知器，如圖1所示，多層感知器是一種層狀結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，它由輸入層、輸出層和一個或多個中間層構(gòu)成；網(wǎng)絡(luò)中的每個節(jié)點只與鄰層(上、下層)的各個節(jié)點相連接，與同一層間的各節(jié)點不相連，各節(jié)點之間連接的權(quán)系數(shù)大小不同。

Figure 1.The network structure of sand body thickness prediction圖1.儲層砂體厚度預(yù)測的網(wǎng)絡(luò)結(jié)構(gòu)

在網(wǎng)絡(luò)訓(xùn)練過程中，首先由計算機自動生成一組小的隨機數(shù)，并將其作為網(wǎng)絡(luò)內(nèi)部各個節(jié)點之間連接的權(quán)系數(shù)和各個節(jié)點上的閾值的初始值；然后，輸入所有訓(xùn)練樣本集，即K-L變換優(yōu)化后得到的敏感地震屬性集，計算網(wǎng)絡(luò)輸出結(jié)果，進而計算實際輸出與期望輸出的差值(實際輸出是網(wǎng)絡(luò)計算得到的輸出結(jié)果，期望輸出為測井解釋的砂體厚度)；最后比較差值是否滿足誤差要求，若不滿足誤差要求，按照誤差反傳播算法(BP算法)的規(guī)則，修改節(jié)點間連接的權(quán)系數(shù)大小和節(jié)點上閾值的大小，不斷反復(fù)上述過程，直至滿足誤差要求，此時估價函數(shù)降至可接收值，將節(jié)點間連接的權(quán)系數(shù)大小和節(jié)點上閾值的大小固定下來，作為下一步預(yù)測使用。

在利用網(wǎng)絡(luò)函數(shù)逼近法作儲層砂體厚度預(yù)測時，使用如圖1所示的3層感知器作函數(shù)逼近，一個輸入層、一個輸出層和一個中間層，導(dǎo)出的關(guān)系式為：

式中：Yk為網(wǎng)絡(luò)的輸出層各節(jié)點；k為輸出層節(jié)點數(shù)，該次研究只做砂體厚度預(yù)測，k取1；M為中間層的節(jié)點數(shù)，該次研究通過計算比較，取M= 9時收斂快、精度高；N為輸入層的節(jié)點數(shù)，取敏感屬性集的分量個數(shù)；W2為中間層節(jié)點與輸出層節(jié)點間的連接權(quán)；W1為輸入層節(jié)點與中間層節(jié)點間的連接權(quán)；q1為輸入層到中間層節(jié)點上的閾值；q2為中間層到輸出節(jié)點上的閾值。

3.砂體厚度預(yù)測流程

1) 地震資料的構(gòu)造精細解釋。在層位標(biāo)定的基礎(chǔ)上，對目的層頂、底界面作地震構(gòu)造精細解釋，并提取目的層頂、底界面之間的地震數(shù)據(jù)。

2) 地震屬性的提取，建立敏感屬性集。對目的層段地震數(shù)據(jù)，作傅里葉變換、小波變換、希爾伯特變換、相關(guān)運算、譜比法吸收系數(shù)提取等不同的數(shù)學(xué)運算，得到目的層段的地震屬性。

3) 地震屬性的優(yōu)化。對上面提取的地震屬性集通過K-L變換優(yōu)化，確立對砂體厚度敏感的屬性集。

4) 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。設(shè)計神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，根據(jù)井旁敏感的地震屬性和測井解釋砂體厚度或錄井測得砂體厚度，建立神經(jīng)網(wǎng)絡(luò)訓(xùn)練集，輸入設(shè)計的網(wǎng)絡(luò)，按照 BP算法原理進行網(wǎng)絡(luò)訓(xùn)練，確定神經(jīng)網(wǎng)絡(luò)內(nèi)部各個節(jié)點之間連接的權(quán)系數(shù)和節(jié)點上的閾值。

5) 儲層砂體厚度分布預(yù)測。將敏感地震屬性集逐道輸入訓(xùn)練后的網(wǎng)絡(luò)，輸出即為該道對應(yīng)的砂體厚度。

4.應(yīng)用效果與認識

在構(gòu)造精細解釋的基礎(chǔ)上，以地震屬性提取為基礎(chǔ)，以 K-L變換地震屬性優(yōu)化和神經(jīng)網(wǎng)絡(luò)函數(shù)逼近為手段，對勝利油田H4區(qū)塊的沙河街組二段10亞段上沙河街組二段10亞段下等層段的砂體厚度分布進行預(yù)測。在應(yīng)用過程中，重點考慮K-L變換優(yōu)化后的敏感地震屬性集，選取合理的網(wǎng)絡(luò)結(jié)構(gòu)，并充分利用測井資料綜合解釋的砂巖厚度作為約束條件。圖2和圖3分別是砂體厚度平面分布圖，將2個層位近60口井的砂巖厚度預(yù)測結(jié)果與井資料進行對比分析可知，二者符合程度較高，相對誤差基本小于20%，砂體平面展布規(guī)律與沉積相分析規(guī)律基本一致，滿足了勘探生產(chǎn)的需要。

5.結(jié)論

1) 不同的儲層參數(shù)，通過地震屬性優(yōu)化分析能提取反映敏感的一組地震屬性，優(yōu)化后的屬性集有利于提高儲層參數(shù)預(yù)測精度。

2) 該次研究提出的基于地震屬性優(yōu)化與網(wǎng)絡(luò)函數(shù)逼近儲層砂體預(yù)測方法是可行的，在勝利油田 H4區(qū)塊的應(yīng)用中，預(yù)測結(jié)果與井資料的符合率較高，相對誤差均在20%以下。

Figure 2.The prediction of sandstone thickness distribution ofin the studied area圖2.研究區(qū)預(yù)測砂巖厚度分布圖

Figure 3.The prediction of sandstone thickness distribution ofin the studied area圖3.研究區(qū)預(yù)測砂巖厚度分布圖

參考文獻 (References)

[1] 賀振華, 黃德濟, 胡興岷, 等.復(fù)雜油氣藏地震波場特征方法理論及應(yīng)用[M].成都: 四川科學(xué)技術(shù)出版社, 1999.

[2] 桂志先, 朱廣生, 段天友, 等.不同類型油氣藏地震波特征響應(yīng)初探[C]//中國地球物理學(xué)會年刊.上海: 同濟大學(xué)出版社, 1997.

[3] 劉蘭鋒, 劉全新, 雍學(xué)善, 等.基于廣義 S變換的低頻瞬時能量譜油氣檢測技術(shù)[J].天然氣地球科學(xué), 2005, 16(2): 238-241.

[4] 趙成, 桂志先.基于神經(jīng)網(wǎng)絡(luò)的儲層參數(shù)預(yù)測方法及應(yīng)用[J].石油天然氣學(xué)報(江漢石油學(xué)院學(xué)報), 2005, 27(3): 467-468.

[5] 陳遵德.儲層地震屬性優(yōu)化方法[M].北京: 石油工業(yè)出版社, 1998.

[6] 桂志先, 高剛.油藏地球物理[M].北京: 石油工業(yè)出版社, 2015.

Reservoir Prediction

The Method of Sand Body Thickness Prediction Based on Attribute Optimization and Network Function Approximation and Its Application

Xueguo Chen
West Branch of the Research Institute of Exploration and Development, Shengli Oilfield Company, SINOPEC, Dongying Shandong

Received: Nov.16th, 2016; accepted: Feb.15th, 2017; published: Apr.15th, 2017

The sand body thickness (or content) was an important parameter in oil and gas exploration.Based on seismic data and well-logging interpretation, a method for predicting sand body thickness in reservoirs was proposed in this paper.A sensitive seismic attribute set was established by using attribute optimization and dimension reduction.A neural network was established with the input including sensitive attributes of borehole seismic trace and sand body thickness interpretation of well log data.The training of the network would minimize the error, and on this basis, the sensitive attribute was input for each trace and the corresponding sand body thickness was output through network.In Block H4 of Shengli Oilfield the above method is applied to predict sandstone thickness, and the relative error is less than 20%, and it basically meets the need of oil exploration and production.

Sand Body Thickness, Seismic Attribute Optimization, Network Function Approximation,

陳學(xué)國(1972-)，男，博士，高級工程師，現(xiàn)從事勘探地質(zhì)綜合研究工作。

2016年11月16日；錄用日期：2017年2月15日；發(fā)布日期：2017年4月15日

國家“973”項目(2013cb228605)。

文章引用: 陳學(xué)國.地震屬性優(yōu)化與網(wǎng)絡(luò)函數(shù)逼近儲層砂體厚度預(yù)測方法及應(yīng)用[J].石油天然氣學(xué)報, 2017, 39(2): 30-35.https://doi.org/10.12677/jogt.2017.392014