多屬性概率神經網絡技術在ML油田巖性油氣藏預測中的應用

李 密，李少華，王紅賓，曾勝勇，郭士東

（1.中國石化中原油田普光分公司采氣廠，四川達州636155；2.長江大學地球科學學院）

在ML油田，研究區面積為600 km2，目的層段為珠江組，地震時窗為1 700～2 100 ms。由于地震資料品質差，井數據缺乏，而且開發程度低，所以常規阻抗反演、AVO 反演進行油氣預測效果不理想。多屬性概率神經網絡方法與常規反演方法比較具有自身的優點，它采用的多屬性技術能綜合利用疊前和疊后地震數據的信息，采用概率神經網絡算法建立含油氣性與地震屬性之間復雜的非線性關系，利用這種非線性關系對砂體進行油氣預測［1］。

1 概率神經網絡方法

1.1 基本原理

概率神經網絡算法是利用神經網絡結構實現的數學插值方法，類似于多維空間的格里金插值，具有高度的容錯性，即使某個井旁地震參數或某個網絡連接有“缺陷”，也可以通過“聯想”得到全部或者大部分信息［2］。

概率神經網絡是基于采樣點的算法，為了克服采用單采樣點與目標曲線進行相關時，沒有考慮井和地震之間有很大的頻率成分差異的缺點［3］，概率神經網絡引入了褶積因子，通過每個屬性上一組采樣點的加權平均來預測測井曲線上某點的值，建立屬性上鄰近的多采樣點與測井數據的相關性［4］。

1.2 誤差驗證

多屬性概率神經網絡方法使用交互式的驗證過程得到驗證誤差。將測井數據分為訓練數據庫和驗證數據庫。挑選時深關系好、目標層段曲線與地震屬性關系明顯的測井數據作為訓練數據庫，剩余井的測井數據作為驗證數據庫。使用訓練數據庫進行培訓，使用驗證數據庫來度量預測誤差時，總驗證誤差由各點驗證誤差求均方根得到。

由于概率神經網絡算法是逐個樣點進行計算并對結果進行優選，運行時間較長，所以選擇合理的計算參數尤為重要。

2 應用實例

2.1 區域地質概況

ML油田在18.5 Ma出現一次規模巨大的海侵，因此發育了很厚的海侵體系域，晚期海侵沉積覆蓋在早期海侵砂體之上，形成了珠江組的多套油層，為形成各類巖性油氣藏提供了必要條件。

根據前人對巖性地層圈閉認識，結合本區實際情況，研究發現背斜構造翼部和鼻狀構造是尋找巖性地層圈閉的良好場所。本研究區已經鉆遇4個巖性油氣藏砂體，這將作為條件數據用于對概率神經網絡培訓以及對預測結果的驗證，最后對研究區6個巖性油氣藏遠景目標進行含油氣性預測（圖1）。

2.2反演參數

工區內有15口井可用，反演主要用到油層解釋曲線、聲波時差曲線以及check-shot時深校正曲線。挑選時深關系好、目標曲線與地震屬性關系明顯的9口井的測井數據作為“訓練數據”，其余6口井的測井數據作為“驗證數據”。

研究區共提取了12種疊前屬性和24種疊后屬性（表1），采用逐步遞歸法來進行多屬性優選［5］，最終優選出7種屬性（振幅包絡、瞬時相位、瞬時頻率、泊松比、λρ反射率、密度、時間）進行概率神經網絡反演。

優選出屬性組后，通過神經網絡參數優選實驗來確定神經網絡培訓參數（表2），根據預測誤差的大小以及培訓時間長短來優選反演參數［6］。

圖1 研究區目標砂體分布（紅色為已鉆遇砂體，其它為遠景目標）

表1 屬性優選

表2 神經網絡培訓參數優選

當sigmas數和共軛迭代次數增大時，預測誤差無顯著變化，所以這兩個參數對預測誤差的影響較小，為了縮短訓練時間，這兩個參數采用設置sigmas數為25、共軛迭代次數為20。增加褶積因子數，預測誤差減小，但褶積因子過大則會出現“過訓練”現象，預測誤差反而增大。通過對比訓練結果，當褶積因子等于5時，培訓結果和原始曲線擬合較好，培訓時間也滿足要求。

2.3 反演結果

完成概率神經網絡培訓后，將培訓結果應用于已鉆遇巖性油氣藏砂體進行油氣預測，得到已鉆遇四個砂體的油氣分布概率（圖2）。

將預測結果與已知測井數據進行對比說明預測結果真實可靠（表3），此方法可以用于對潛在的巖性油氣藏砂體進行油氣預測。

采用多屬性概率神經網絡方法對ML油田6個潛在的巖性油氣藏砂體進行油氣預測，砂體油氣分布概率見圖3，統計結果見表4。

表3 已鉆遇巖性油氣藏砂體預測結果比較

表4 潛在巖性油氣藏目標砂體預測

從含油氣面積以及含油氣厚度來看，砂體yl1、砂體yl3、砂體yl5油氣充注較好，可作為候選目標。砂體yl4、砂體yl6部分被油氣充注，需結合其它資料綜合分析砂體的含油性。砂體yl2基本無油氣顯示。

3 結論

（1）多屬性概率神經網絡反演能綜合疊前與疊后的數據信息，而且建立測井曲線與地震屬性間的非線性關系來進行油氣預測，相比常規阻抗反演方法，適用于地質環境復雜、開發程度低的情況。

圖2 已鉆遇砂體油氣預測概率分布

圖3 目標砂體油氣預測概率分布

（2）概率神經網絡是基于采樣點算法，計算時間較長，所以在進行油氣預測前，必須對反演參數進行優選，以節約計算時間和減少預測誤差。

（3）在研究區，通過對遠景目標的鉆探證明預測結果真實可靠，效果良好。證明多屬性概率神經網絡油氣預測方法適合本地區的地質情況，能較好應用于對本地區巖性油氣藏的勘探和開發。

［1］ H Khoshdel，M A Riahi.3D porosity estimation using multi-attribute analysis methods in one of the Persian gulf oil fields［J］.Society of petroleum engineers，2007，11（14）：1-9.

［2］ 張邵紅.概率神經網絡技術在非均質地層巖性反演中的應用［J］.石油學報，2008，29（4）：549-552.

［3］ Daniel P Hampson.Use of multiattribute transforms to predict log propertied from seismic data［J］.Geophysics，2001，66（1）：220-236.

［4］ 馬朋善，方贇，王向陽，等.利用地震多屬性變換預測儲層分布［J］.河南石油，2004，18（4）：16-20.

［5］ 陸光輝，吳官生，朱玉波，等.地震屬性信息預測儲層厚度［J］.河南石油，2003，17（2）：10-12.

［6］ 張喜，喬向陽，王玉艷，等.神經網絡多屬性分析技術［J］.油氣田地面工程，2007，26（8）：1-3.