基于疊前地震紋理特征的半監督地震相分析

蔡涵鵬 胡浩煬 吳慶平 王 軍 李志鵬

(①電子科技大學資源與環境學院，四川成都 611731； ②電子科技大學信息地學中心，四川成都 611731；③中國石化勝利油田分公司勘探開發研究院，山東東營 257015)

0 引言

在地震層序劃分的基礎上，地震相分析利用地震波參數(振幅、頻率、相位等)特征的差異性，將地震層序劃分為不同的地震相類別。結合鉆井及已知地質信息，可以將地震相分析結果用于巖相或沉積環境的推斷[1]。特定情況下，地震相分析結果也可用于識別儲層和流體性質。在地震儲層特征的描述和檢測方法中，地震相分析已經成為一種不可或缺的方法[2]。諸多地球物理學學家借鑒圖像模式識別方法理論，僅僅從海量地震數據中得到地震屬性以及其他一些輔助信息刻畫地質體的空間分布，逐漸形成了方法理論較完善的無監督地震相分析方法，實際資料應用也取得了良好效果[3]。

自組織映射(Self-Organizing Map,SOM)方法被廣泛應用于地震相分析。通過識別訓練好的SOM網絡輸出層神經元與地震相類別之間的關系，可以有效確定待測試樣本與地震相類別之間的關系。SOM網絡輸出層神經元與地震相類別之間的關系是通過對SOM網絡輸出層神經元進行K均值聚類實現的。K均值聚類方法將待分析的樣本集分為K個簇，使簇內樣本具有較高的相似度，而簇間樣本具有較低的相似度。相似度可由每個樣本到簇中心的歐式距離、曼哈頓距離或馬氏距離等方式度量。大量實踐表明，K均值聚類易受“噪聲”和孤立點的影響，無法實現對SOM輸出層的神經元的最佳聚類。由此SOM輸出層神經元映射到地震相類別時可能會使地震相邊界模糊甚至混淆。值得注意的是，基于SOM的地震相分析方法不是利用鉆井、測井、地質等先驗知識，而是僅根據經驗判斷類別數K。張等[4]利用粒子群優化算法對SOM輸出層的神經元進行了優化聚類，但仍未利用鉆井、測井等寶貴信息。

現階段地震相分析大多基于原始地震波形。由于大地的濾波作用，地震數據呈低頻、窄帶特征，因而僅僅利用原始地震波形難以描述地震反射信息中的微小變化，如小斷層、阻抗差異小的巖性邊界。近年來，應用于油氣勘探開發的各種地震屬性計算方法已經取得了重大進展[5]。眾多地球物理學家們將時頻分析、瞬時屬性、幾何結構屬性(曲率、相干等)、紋理屬性、彈性參數反演等結果與SOM方法相結合，實現了地震相自動劃分和識別[6]，尤其是圖像紋理分析得到廣泛關注。Gao[7]將地震紋理定義為相鄰地震振幅的空間排列，并指出，對于識別地震特征，與平均振幅相比，地震紋理分析有效強調并突出地震反射振幅的空間變異性。地震紋理屬性已被應用于構造解釋、鹽丘體識別、儲層描述和預測、沉積環境分析等，也被成功地應用于地震相分析[7-8]。胡英等[9]聯合地震紋理屬性和模糊C均值聚類算法實現了地震相的自動劃分。但現有方法均是從疊后地震數據中提取地震紋理特征。疊前地震屬性已經成為地震屬性發展的一個必然方向[10]。Song等[11]提出基于疊前地震紋理屬性地震相分析方法，并初步應用于斷層和溶蝕孔洞發育區的識別。

因此，本文提出基于疊前地震紋理屬性的半監督地震相分析算法，不僅能夠從疊前地震數據中挖掘更多的有關微小空間、振幅隨方位角/炮檢距等的變異性，也能有效利用鉆井、測井、地質等寶貴的先驗信息，并采用全局優化算法優化SOM從輸出層到地震相類別的映射關系。本文方法在理論模型數據和塔里木盆地實際資料的應用中均取得良好的效果。

1 方法原理

1.1 疊前地震紋理特征提取

相比于單一地震波形本身的特征，紋理特征不僅可以反映疊前地震反射面元本身的波形特征，還包含多個方向的空間信息，它是地震波形、空間信息、儲層特征的有機整合體。在假定圖像中各像素間的空間分布關系包含了圖像紋理信息的前提下，Haralick等[12]提出了分析紋理的灰度共生矩陣(GLCM)統計法，并定義了14種紋理屬性。Ulaby等[13]通過實際資料應用發現，只有能量、對比度、同質性和相關性之間是相互獨立的。能量反映紋理信息的粗細程度；對比度反映紋理特征變化的程度；同質性反映局部紋理的均勻程度；相關性則反映GLCM中行元與列元的相似程度。

隨著地震采集儀器的進步和觀測系統的優化，共反射點疊前地震數據局部疊加的信噪比已經能夠滿足儲層預測、流體識別的要求。根據Song等[11]設計的疊前紋理特征提取算法，并考慮不同空間方向上的差異性，從6個方向上計算各地震反射元的GLCM。在GLCM的基礎上，計算能量、對比度、相關性和同質性四種非相關的疊前地震紋理屬性。本次研究不考慮時間方向，每個地震反射元的疊前地震紋理元與GLCM統計方向分別如圖1和表1所示。

表1 地震反射元的GLCM統計方向[11]

Inline和Crossline方向提取的紋理屬性分別用于增強地震反射元之間在主測線和聯絡測線方向的關系(如斷層、地質體邊界、地質體橫向連續性等)；炮檢距方向提取的紋理屬性可突出地震反射元中與巖性和流體性質相關的振幅隨炮檢距變化的信息；方位角方向提取的紋理屬性可增強地震反射元中與各向異性(如裂縫發育程度)相關的振幅隨方位角變化信息。對于不同的疊前地震數據道集和不同的應用目的，提取疊前地震紋理特征的方式存在差異，如對于描述儲層各向異性特征，疊前紋理屬性特征提取的重點方向是方位角方向，并且考慮到疊前紋理屬性描述的是相同反射點在不同方向上地震反射振幅的變化，寬方位角疊前道集需要采用各向異性速度完成動校正處理，即保證道集被校平。

圖1 地震反射元的疊前地震紋理元示意圖

1.2 自組織映射

自組織映射是一種無監督的競爭性學習方法，由2層網絡結構組成(圖2)。

圖2 SOM網絡結構示意圖

圖2中輸入層的維數與每個樣本向量的維數一致。輸入層與輸出層之間采取全連接，而輸出層各神經元之間為側抑制連接。假設訓練樣本Xi的維度為D，首先計算Xi與競爭層各神經元之間的距離，從中找出距離Xi最近的最佳匹配神經元(Best Matching Unit，BMU)，然后根據式(1)更新神經元及其領域內包含的神經元的權值

Ws(t+1)=Ws(t)+η(t)h[dist(BMU,vs),t]×

[Xi-Ws(t)]

(1)

式中：vs表示領域內第s個神經單元；Ws(t)表示第s個神經元在t時刻對應的權向量；η(t)是一個隨時間增加而逐漸減小的學習率；h(·)是領域函數自變量； dist(·，·)表示求取領域內神經元間的距離。依次利用訓練樣本更新網絡權值。訓練結束后，相鄰的輸出層節點就可以認為關聯了輸入數據中的相似樣本。

1.3 半監督自組織映射

1.4 算法流程

結合少量的已知標簽信息，本文研究了基于 SS-SOM聚類方法。為了緩解K均值聚類方法從SOM輸出層到地震相映射時相邊界的混淆，利用全局優化算法和監督信息進行SOM輸出層關聯節點的劃分。采用全局優化算法對SOM輸出層的神經元進行優化聚類，從而得到一個從輸出層結點到地震相類別指派的最優映射，實現流程如圖3所示，具體算法步驟如下：

(1)根據應用目標，采取合適方式從疊前地震數據中提取疊前地震紋理屬性；

(2)對訓練集(包括少量有標簽和大量無標簽的樣本)進行SOM訓練；

(3)標記標簽樣本對應的SOM輸出層的響應元，并根據標簽信息確定它們之間的“必連”或“勿連”關系；

(4)利用全局優化算法和獲取的連接約束關系對SOM輸出層進行優化K均值聚類，待優化的目標函數f為K均值聚類的類內距離之和

(2)

(5)重復步驟(4)，直至滿足全局最優化算法的停止條件，得到最終SOM輸出神經元與類別的映射關系；

圖3 半監督地震相分析方法流程

(6)將待測試樣本輸入步驟(5)獲得SOM網絡，得到它在SOM輸出層的響應元，根據優化的映射關系得到待測試樣本對應的地震相類別。

2 模型分析

用圖4所示地質結構模型合成包含振幅隨炮檢距變化信息的疊前地震數據，驗證疊前地震紋理屬性的優越性和半監督地震相分析方法的有效性。數據生成過程中，震源子波為主頻等于30Hz的雷克子波，正演合成記錄采用Aki-Richards三項AVO方程，時間采樣率為1ms。圖4a所示地質結構模型包含了4大套地層，不同地層巖石的物性參數(縱、橫波速度、密度)如圖4b所示。圖4中存在4種橫向差異巖性體。為保證合成疊前地震道集與實際采集地震數據更一致，使用帶通濾波器(10～15—50～60Hz)獲得信噪比為10dB的疊前地震道集數據體，并疊加生成的疊前地震道集，獲得疊后地震數據體。

首先對目標數據提取疊前地震紋理屬性，再利用SOM、SS-SOM方法分別生成地震相圖，結果如圖5所示。SOM和SS-SOM網絡結構中輸出層神經元數目均為100。

圖5表明，噪聲和疊加操作使疊后地震數據包含的信息模糊，致使分類結果中的類別混淆，相帶完全不可識別；基于疊前地震紋理屬性的地震相分析結果則相對清晰。圖5b表明，在含噪聲情況下，盡管根據疊前地震紋理屬性可分析出解釋所需的有價值信息，但仍存在大量的錯誤地震相類別指派，尤其是對于第②類規模較小巖性體(黑色箭頭)空間展布的預測誤差更大。圖5c表明本文方法得到的地震相圖誤差極小。

圖4 地質結構模型(a)及LL’剖面地質模型參數(b)

圖5 不同方法的地震相分析結果a)疊后數據SOM方法; (b)疊前地震紋理屬性SOM方法; (c)疊前地震紋理屬性SS-SOM方法圖中①～④表示巖性體編號

3 實例分析

以塔里木盆地A區的巴仕基奇克組為例分析和驗證本文方法的實際應用效果。巴仕基奇克組頂如圖6綠線所示。該試驗區中，巴仕基奇克組地層中包含大量斷層和不同厚度的砂體。根據地震資料的主頻、砂巖速度以及鉆井資料，將該目標地層劃分為四類地震反射模式：無砂模式(如W2、W4、W5、W7井)、薄砂模式(小于調諧厚度，如W6、W9、W11井)、厚砂模式(W3、W8井)以及斷層模式。

對疊前地震道集(包含振幅隨炮檢距變化)提取地震紋理屬性(圖7)。可見，在疊前地震同質性紋理屬性中，斷層呈現為低同質性特征(黑色)。

借鑒de Matos等[3]的研究成果，本文應用于實際數據處理的SOM網絡結構中輸出層神經元數目為100。不同方法的分析的地震相結果見圖8。

圖8a未能清晰地描述斷層，并且相帶的邊界不清晰(如白色箭頭所示)。圖8b表明，基于疊前地震紋理特征的無監督SOM聚類方法獲得的地震相圖對斷層的空間展布描述效果有極大的提升(如紅色箭頭標記處)，證實了疊前地震紋理屬性可有效描述實際地震數據包含的細微信息，但是地震相邊界仍然模糊不清。

圖7 沿目標層位的疊前地震同質性紋理屬性切片圖中AA′線為圖6地震剖面所對應的位置，BB′曲線為依據實際鉆井資料和地震均方根振幅屬性推測的砂體邊界

在進行半監督聚類的地震相分析過程中，采用交叉驗證方法優選獲得最終的SS-SOM網絡模型，即隨機地將鉆遇無砂模式、薄砂模式、厚砂模式的井均留出一口井作為驗證，將其余井作為標簽參與訓練，從而有效地避免SS-SOM模型欠學習，處理結果見圖8c。對比圖8b與8c表明，本文方法對斷層和相邊界的刻畫都更加清晰，并且橫向分辨率也得到了一定程度的提升(如圖8c中白色橢圓所示)。結合已知鉆井信息對比分析，圖8a中的井W4、W6、W8和W11的信息均與測井資料不符；圖8b中井W9和W11所處位置被劃分為無砂地震反射模式，井W6所處位置被劃分為厚砂巖地震反射模式；而圖8c中，各井位置的相劃分結果均與測井資料基本相符，證明了本文研究方法的適用性和正確性。

圖8 不同方法的實際數據地震相分析結果(a)疊后地震波形采用SOM方法得到的地震相圖； (b)疊前地震紋理特征采用SOM方法得到的地震相圖； (c)疊前地震紋理特征采用SS-SOM方法得到的地震相圖。紅色箭頭指示處為斷層，白色箭頭指示處為相邊界

4 結論

本文提出了一種基于疊前地震紋理特征的半監督地震相分析方法。結合鉆井已知資料和全局優化算法，采用半監督方式對傳統的無監督SOM方法進行優化和改進，實現了SOM網絡輸出層神經元到地震相類別的更優聚類，提高了地震相帶邊界識別能力，能產生更準確的地震相圖。數值模型和實際資料應用結果證明，基于疊前地震紋理特征的地震相分析有助于提高地震相分類的效果，對微小相帶的展示更清晰和準確。