基于極限學習機的裂縫帶預測

陳芊澍,文曉濤,何 健,劉浩男,李 壘

(1.成都理工大學地球物理學院,四川成都 610059;2.成都理工大學油氣藏地質及開發工程國家重點實驗室,四川成都 610059)

裂縫型油氣藏廣泛分布于陸相盆地,油氣儲層面積大,實際地質儲量豐富,是增產上儲的重要領域[1]。但裂縫型油氣儲層的形成過程復雜多樣,裂縫類型和尺度不盡相同,非均質性強,勘探難度極大[2]。傳統巖心定向分析[3]和井壁成像技術分辨率高,能夠精準確定裂縫發育程度與類型[4],但僅代表單點信息,對三維空間裂縫帶的識別能力有限。面對上述問題,許多學者利用縱橫波和轉換波之間的參數差異來預測裂縫,但其識別目標一般為區域構造和與成巖構造有關的大裂縫帶。地震屬性分析通過提取地震波的反射特征(頻率、振幅、相位等)進行裂縫帶預測。越來越多的基于地震屬性進行裂縫帶預測的方法得到發展。相干屬性[5-6]、曲率分析技術[7-8]、螞蟻體追蹤[9-10]、反射強度屬性[11-12]以及基于這些屬性發展的多尺度屬性技術也用于不同尺度的裂縫綜合預測[13]。這些地震屬性預測方法各有優勢,但受區域地質差異和測井資料等影響,僅利用單一地震屬性進行裂縫預測往往會產生多解性與假異常情況。因此,基于測井信息約束的多屬性融合技術是當前關注的重點,但如何融合則是需要研究的關鍵問題。

近年來,機器學習發展迅速,在地球物理領域引起廣泛關注。其中很多有代表性的算法,例如支持向量機、神經網絡、線性回歸、樸素貝葉斯、隨機森林等算法已被引入地震學領域,在流體識別[14]、速度譜自動拾取[15]、地震數據噪聲壓制[16-17]方面均有不錯的應用效果。……