多屬性聚類分析技術在八面河西區中的應用

宋光超

摘 ?要：儲層參數的變化引起地震屬性的變化，但是儲層參數與地震屬性的變化并沒有一一對應的關系，為解決此問題采用地震多屬性聚類分析技術。通過屬性優選，將弧長、上半周持續時間、帶寬、最小振幅、瞬時頻率五種對沙四段1砂組儲層敏感且相互獨立的地震屬性參與聚類分析，取得了較好的應用效果。

關鍵詞：八面河;地震屬性;屬性優選;聚類分析

中圖分類號：P631.4 ? ? ? ?文獻標志碼：A ? ? ? ? 文章編號：2095-2945（2019）18-0186-03

Abstract： The change of reservoir parameters leads to the change of seismic attributes， but there is no one-to-one corresponding relationship between reservoir parameters and seismic attributes. Seismic multi-attribute clustering analysis is used to solve this problem. Through attribute optimization， five kinds of seismic attributes， such as arc length， duration of the first half cycle， bandwidth， minimum amplitude and instantaneous frequency， which are sensitive and independent to the reservoir of ES4 member 1 sand group， are involved in cluster analysis， and good application results are obtained.

Keywords： Bamianhe; seismic attribute; attribute optimization; cluster analysis

八面河西區位于八面河鼻狀斷裂帶西段，總體構造格局是一個南高北低的受中生界基底控制的繼承性發育的西緩東陡、北東-南西走向的寬緩鼻狀構造。受繼承性古隆起控制，該區沙四段主要發育灘壩砂體沉積，砂體橫向分布不穩定，橫向預測難。筆者利用地震多屬性聚類分析技術，將地震數據與地質信息之間的非線性關系正確的反映出來，建立八面河西區沙四段地震數據與儲層分布之間的關系，有效的預測了灘壩砂體的發育和分布規律。

1 地震屬性提取

地震屬性是指地震數據中所包含的幾何學、動力學、運動學或統計學特征。在目標地區地震地質情況確定的情況下，儲層厚薄發生變化，地震數據會有所反映，表現為波形、能量、頻率和相位等一系列變化。

本次研究利用Geoframe軟件中的SATK屬性提取模塊，針對八面河西區沙四段1砂組提取了計算地震屬性類（包括均方根振幅、瞬時相位、弧長、最大強度等）、軌跡屬性類（包括上半周持續時間、下半周持續時間、上半周面積、下半周面積等）、持續時間屬性類（包括正半周平均持續時間、最大周期持續時間、持續時間的標準方差等）、層段屬性類（包括振幅標準差、平均正振幅、波峰平均值等）、頻譜屬性類（包括頻帶寬度、總能量、主頻等）共計四大類40多種地震屬性。

2 地震屬性優選

為了尋找對儲層厚度較為敏感的地震屬性，本次統計了工區沙四段1砂組共計28口井的砂巖垂直厚度（表1）導入Geoframe軟件中，并在Seisclass模塊中將井點處不同地震屬性分別與砂巖垂直厚度進行二維交會分析，計算其相關系數，對相關系數在0.6以下的地震屬性剔除掉，保證所選地震屬性反映儲層厚度的可靠性。經過分析，共優選出最大強度、瞬時頻率、最大振幅、最小振幅、平均波峰值、弧長、均方根振幅、正負比率、帶寬、上半周持續時間、振幅標準差等對儲層厚度敏感的地震屬性。

對初步優選出來的地震屬性進行屬性相關性分析（表2），對相似程度較高的兩種或幾種屬性進行篩選，以減少屬性空間的數據冗余而提高預測的精度。通過篩選，共篩選出弧長、上半周持續時間、帶寬、最小振幅、瞬時頻率五種相互獨立但對本區儲層敏感的地震屬性。

3 聚類分析

3.1 聚類分析方法介紹

3.1.1 K-Means聚類方法

K-Means聚類是一種統計學算法，首先在屬性空間內根據用戶定義的分類數目任意的為每一類選擇一個聚類中心。由于開始聚類中心選擇的任意性，因此該計算不能總是收斂于一個解決方法，但對于輸入數據相同的多個操作，其最終結果是非常相似的。隨著計算的運行，按數據點與聚類中心的最近平均值，所有數據點都被指定到某一類別。每一次迭代會減小數據點與聚類中心的平均距離。迭代過程時，當每個點被指定到某一類別后，其與聚類中心的距離將被更新。迭代不斷進行，直到每個點都分配到某一類別，且進一步迭代不會改變數據點的類別。聚類中心的最初位置是隨機選擇的。Error Limit是可供選擇的唯一的一個控制參數，當聚類中心間的平均值小于該參數時，聚類完成。當將Error Limit參數設置較低時，會提高聚類的精度，但會增加計算的時間。

3.1.2 Competitive Learning聚類方法

Competitive Learning聚類是一種神經網絡算法。與K-Means算法類似，該算法不需要對數據有先驗認識，用戶只需定義需要創建的類別數目。使用Competitive這個詞是因為在該算法中聚類中心需要對所屬數據點進行競爭。聚類中心的最初位置并不像K-Means算法一樣是任意給定的，而是通過算法來選擇的。隨著計算的進行，數據點不斷的提供給聚類中心。數據點與聚類中心的最近距離不斷更新，本次距離最近的數據點在下一次的迭代中比其它數據點（在屬性空間中）具有更大的競爭優勢。實際上，在神經網絡術語中，對于提供給網絡的每一個數據點，神經網絡彼此間通過競爭來決定誰是勝者。與提供數據點的權重系數最接近的節點是競爭的勝者。當迭代次數達到預定值，或者聚類中心間距離變化的平均值小于定義的值時，聚類完成。

3.2 聚類分析應用

利用篩選后的弧長、上半周持續時間、帶寬、最小振幅、瞬時頻率五種地震屬性在Geoframe軟件的Seisclass模塊中進行聚類分析運算后得到沙四段1砂組砂巖厚度預測圖（圖1），實鉆井數據與預測數據吻合度較高，說明聚類分析可以對砂體進行很好的預測，據此實施的4口探井均獲得了成功，說明我們所用的方法是正確的。

4 結束語

（1）弧長、上半周持續時間、帶寬、最小振幅、瞬時頻率五種地震屬性對沙四段1砂組儲層敏感且相互獨立。

（2）多屬性聚類分析技術是針對灘壩砂儲藏預測的一種有效手段，不僅可以避免單屬性的多解性問題，而且可以準確預測出研究區儲層的展布情況（包括平面厚薄關系和真實儲層厚度），該方法進一步完善了儲層預測技術系列，提高了隱蔽油藏儲層預測技術水平，降低了勘探風險。

參考文獻：

[1]趙政璋，趙賢正，王英民，等.儲層地震預測理論與實踐[M].北京：科學出版社，2005.

[2]王鑫，王洪國，等.聚類分析方法及工具應用研究[J].計算機科學，2006，33（2）：197-200.

[3]徐懷大，王石鳳，陳開遠.地震地層學解釋基礎[M].北京：中國地質大學出版社，1990.

[4]戈國華，肖海波，張敏.基于FCM的數據聚類分析及Matlab實現[J].福建電腦，2007，04.