一種基于RBF算法的裂縫預測參數自動優化方法與應用

楊敬雅，李相文，李 磊，劉永雷，陶春峰，朱冬輝，王 茂

(中國石油東方地球物理勘探有限責任公司，河北 涿州 072750)

自2009年來，塔里木盆地塔北地區哈拉哈塘油田、塔河油田和塔中I號凝析氣田的勘探開發研究，形成圍繞強非均質性縫洞型儲集層的基于地震數據關聯信息研究的關鍵技術，如疊前、疊后裂縫預測技術、非均質縫洞體系量化描述技術[1]和基于OVT道集的方位AVO油氣檢測技術[2]，其中裂縫預測技術主要是用于解決基于地震數據描述儲集層中裂縫發育的強度和發育方位的問題。隨著油田勘探開發的深入以及進一步開展斷溶體構型研究，對儲層中裂縫發育的描述越來越受到重視。

研究表明，AVO或AVA隨方位角的變化關系反映了巖石硬度的變化[3]，甚至可以反映儲集層或儲集層內含流體性質的差異。因此，如果用AVAZ分析的方法計算出360°范圍內的每一組方位角(一般根據需要設定一組方位角的跨度≥1°且≤60°為宜，不同方位跨度可均勻重疊)的AVO梯度值，就可以求取所劃分方位角扇區方案中各組方向AVO梯度間的最大差值，可據此判定裂縫的走向[4]。實際生產中，在超級計算機并行CPU、GPU處理能力快速發展的驅動下，掀起了OVT域螺旋道集在碳酸鹽巖縫洞型油氣藏連通性分析方面的應用的熱潮。有研究利用基于OVT域五維地震道集數據所充分挖掘的地面地震數據中的有效信息(方位角各向異性等)以提高裂縫預測的精度[5-6]，該方法在塔北地區較高品質地區的應用取得較好應用效果，但在塔中地震資料品質低的地區一直未取得明顯進展，主要是缺乏一種自動化程度更高的裂縫分析方法，減少地震解釋中的多解性。

本文通過OVT道集品質的綜合評價及方位角、炮檢距參數信息初分析等一系列流程，快速迭代并自動優化最優方位角與炮檢距參數方案，在此基礎上建立起一種自動化程度更高的裂縫分析結果的參數模板，提供后續裂縫計算。應用表明，該方法可大大縮減對比分析不同參數方案計算結果的所耗機時，并使得求取較好裂縫預測結果的繁瑣工作流程得到簡化，進一步提高裂縫分析的效率，快速地支持油藏描述及井位部署。

1 OVT域道集

伴隨著國內寬方位高密度三維地震采集技術的不斷發展，并且取得非常好的推廣應用效果，配套的寬方位高密度地震數據處理技術和解釋技術均得以迅速發展。同時，一些新技術被提出，如炮檢距向量槽(OVS)[7]以及后來繼續演變而成的炮檢距向量片(OVT)處理技術，利用OVT域處理技術所得到的是一種疊前偏移處理的地震道集，被稱為OVT域道集或者螺旋道集，是一種道頭信息中含有三維空間信息(坐標信息、深度或時間)、炮檢距信息、方位信息的道集(圖1)，可作為一種共反射點道集。

OVT道集是基于十字排列的細分、地面坐標系及方位角扇區劃分的集合[8]。每一OVT向量片集合都是由沿炮線方向有限范圍(與采集觀測系統相關，滿足空間采樣定理)的炮點和沿接收線方向有限范圍的檢波點構成。一個十字排列子集具有大致相同的炮檢距和方位角的地震道，理論上是覆蓋整個工區的單次覆蓋數據體集。由于螺旋道集同時具有炮檢距信息、方位信息，因此是一種非常有利于開展裂縫預測(發育方位及發育程度)和方位油氣預測的基礎數據。當然也存在一定局限性，比如在復雜介質中，由于地震波傳播過程中可能具有多路徑特征，存在反映地下反射位置不準確等問題。

圖1 某一CRP點OVT道集三維可視化

2 裂縫預測模板自動優化方法原理

2.1 炮檢距與方位角參數初步優化

首先對OVT道集進行有效性評價，包括不同方位扇區疊加數據、不同炮檢距范圍疊加數據的對比分析等。其次，根據地震數據處理過程中能直觀地反映資料覆蓋次數的面元屬性參數，有效地對螺旋道集數據的炮檢距范圍進行優化，解決基于橢圓擬合的裂縫預測方法中數據優化的兩個矛盾，即近炮檢距數據(等價于自激自收，各向異性非常弱，有可能沒有各向異性，甚至存在嚴重的多次波)和遠炮檢距地震資料(品質較差且覆蓋次數不均，各個方位扇區內地震數據間的差異不能反映真實的地層各向異性特征)不能同時兼顧的矛盾；方位扇區的劃分疊加數量(數量大、樣點品質差，橢圓擬合結果差)和基于橢圓算法(樣點少于7點時，橢圓擬合的結果存在多解性，穩定性差)的裂縫預測原理之間的矛盾。

2.2 裂縫預測參數模板自動優化方法

在炮檢距參數和方位角疊加數量的初步優化后，通過RBF神經網絡算法進行分類、非線性控制與模式識別。

RBF(Radial-Basis Function)是多變量插值的徑向基函數方法[9-10]。從算法的結構上看，RBF神經網絡屬于多層前向神經網絡，結構相對簡單，其訓練簡潔而且收斂速度快，能夠逼近任意非線性函數。它是一種由信號源節點集為第1層，作為輸入層；第2層采用對中心點徑向對稱且衰減的非負非線性函數為變換函數，即為隱含層；最后一層是輸出層，將對輸入層信息做出相應響應。RBF神經網絡的基本思想是用徑向基函數作為隱單元的“基”(隱單元的個數由所要描述的問題而定)，隱含層對輸入矢量進行相應數學變換，將低維度的輸入數據變換到高維度空間內，使得在低維空間內線性不可分的問題在高維空間內實現線性可分。因此RBF神經網絡算法被較為廣泛的應用于各個行業中。

徑向基函數有很多不同的形式[11]，如Gaussian函數、Multiquadric函數、Inverse Multiquadric函數以及Cauchy函數，其中最為常用的是Gaussian函數：

(1)

其中：X是樣本集，C是高斯函數的中心向量，б是類半徑，均是無量綱參數。隱節點中的徑向基函數都產生相同的輸出，并且輸入樣本集X與RBF的中心C越接近隱節點的響應越大，因此通過調整半徑б的值即可調整基函數曲線的寬度。

2.3 實現流程

應用OVT道集開展疊前各向異性裂縫預測，其預測參數模板自動優化方法的基本流程為：(1)獲取地震資料采集參數信息，包括橫縱比、覆蓋次數，用于基礎數據優化，建立炮檢距參數和方位角疊加數量初步參數框架(圖2a)；(2)給定迭代次數，對炮檢距參數和方位角疊加數量初步參數框架內的數據進行二次優化與分類(圖2b)；(3)應用一井筒所測目的層的FMI測井資料與上一步分類數據進行訓練學習與非線性控制，自動優選橢圓擬合結果可信度最大的參數組合后保存參數模板(圖2c、d)，可信度最大即求解橢圓方程的最優解或唯一解(圖2e、f)，然后依次建立待測區內所有具有FMI測井資料井的參數模板；(4)最后根據所有井的訓練結果，再次應用FMI測井資料解釋結果為樣本點進行模式識別與聚類分析，根據聚類結果進行橫向分區；(5)在橫向分區的成果上提取各區最優裂縫預測參數結果(結果數量與所給定迭代次數相關)作為待測區裂縫綜合預測的參數。

圖2 某一CRP點裂縫預測參數自動優化示意

裂縫預測模板自動優化模塊分a～f共6個功能模塊：(a)為炮檢距參數和方位角疊加數量初步優化參數框架；(b)為設置迭代次數；(c)為FMI測井解釋成果輸入；(d)為最優模塊保存區；(e)為迭代模塊總數橢圓擬合結果信噪比分析窗口，縱軸為方位角，橫軸為置信度；(f)為模塊橢圓擬合時樣本點在極坐標系統的分布與橢圓擬合結果監視窗口。

3 應用實例

以塔中地區中古8高密度三維區應用為例，地表為巨厚沙丘，平均低降速帶厚度約20 m。研究區內目的層為奧陶系良里塔格組-鷹山組地層，非均質性縫洞型儲集層非常發育，儲層的地震特征為“串珠”狀反射特征(圖3)，是油田開發產能建產的主體區，是滾動評價上報探明儲量的目標區，更是勘探突破發現的重點區塊。

圖3 ZG8高密度三維區OVT域處理(a)與常規處理(b)地震剖面對比

通過本文所述方法的應用，裂縫預測效果有明顯改善(圖4)。圖4a為常規橢圓擬合方法裂縫預測結果平面圖，預測結果ZG11-H1～ZG11-H2斷裂帶南部ZG23井區裂縫發育(圖4a中A區)與區內FMI測井解釋成果不相符，該裂縫欠發育。圖4b為基于RBF算法的裂縫預測參數自動優化后的預測結果平面圖(與圖4a預測時窗一致)，圖4b中ZG11-H1～ZG11-H2斷裂帶南部ZG23井區裂縫欠發育，且裂縫沿著斷裂帶伴生發育，北部B區裂縫發育均與實鉆結果相符，裂縫發育規律與勘探開發地質認識一致。通過與區內實測FMI測井解釋成果對比，新方法的預測結果與井裂縫發育方位一致(圖4c、d、e)。

圖4 ZG8高密度三維區新老方法預測裂縫結果對比

據統計，研究區內完鉆井43口，具有FMI測井資料的9口，與FMI測井結果符合的井有8口，符合率達到88.9%(常規方法預測符合率63.0%)；與區內出現鉆井異常(放空、漏失、溢流)井或經酸化壓裂證實井周儲層發育情況井的總井數39口井相比，預測符合井數為37口，符合率達到94.9%(常規方法預測符合率82.1%)。

如圖5所示，ZG11-H12、ZG11-H5、ZG11-H10、ZG11-H8、ZG11-6位于同一縫洞單元內(圖5a)，上述5口井相繼測得地層靜壓力數據的變化趨勢基于一致，屬于同一壓力系統，該連通系統內5口井與周邊H15、H11、H7、H1等井地層壓力變化特征完全不同(圖5b)。此外，上述5口井中位于單元中間的ZG11-H10和單元最北端的ZG11-6井在后期鉆井中均表現出地層壓力系數低的特征，分別為0.89和0.85，說明井點處儲層內流體被動用一部分，其中ZG11-H10試油投產的同時，北部完鉆投產且垂深最深的ZG11-H8井立即表現出生產含水上升的特征。動靜態數據均表明前述H12等5井是連通的，也進一步佐證基于本文方法裂縫預測結果的連通單元解釋結果與油氣藏開發地質認識相匹配。近期部署完鉆的ZG11-16、ZG8-H4C、ZG113-1、ZG113-2、ZG8-7、ZG8-9測試投產，均與預測結果相符，進一步證實方法的有效性和高效特征。

圖5 ZG8高密度三維區5口井連通單元裂縫預測與儲層分布平面疊合(a)和多井地層壓力隨時間變化趨勢(b)對比

4 認識

本文采用基于RBF神經網絡多變量插值的徑向基函數的裂縫預測參數模板自動優化技術，主動識別與目前地質認識相符的裂縫發育區。這種算法是由地震數據+測井解釋成果聯合驅動、優化確定最優裂縫預測模板，提高了對于低信噪比地震數據區復雜縫洞體特征識別的準確性。其次，該方法大大提高了對比分析不同參數方案計算結果的時效性，簡化了裂縫預測的繁瑣工作流程，提升了方法可操作性。最后，在塔中地區的實驗，取得良好的應用效果，進一步論證了本文提出的方法的可行性和可靠性。