人工神經網絡波形分類油氣 有利區帶劃分可靠性分析
——以旬宜上古生界為例

劉志遠，楊春峰，孟祥翠，金蕓蕓，莊一鵬，常文鑫

（ 1.頁巖油氣富集機理與有效開發國家重點實驗室，北京 100083；2.中國石化河南油田分公司勘探開發研究院， 河南鄭州 450048；3.中國科學院科技戰略咨詢研究院，北京 100190；4.中國石化彈性波理論與探測技術重點實驗室， 北京 100083；5.中國石化石油勘探開發研究院，北京 100083）

地震相是沉積相在地震數據上的綜合響應特征。基于波形分類的地震相技術是對目標層段的地震道波形形狀進行分類，并以此分類刻畫較大區域的沉積相帶或小區域范圍內的巖相區帶。前人對地震相進行了深入地研究，但鑒于地震數據體和屬性體的復雜性，目前尚無法找到地震數據與地質體間一一對應的聯系[1–11]。對不同地震相、不同的沉積環境，最有效和最具代表性的地震屬性是不同的，地震相的劃分仍存在某種程度的多解性[12–18]。這些問題可歸納為兩點：①評價地震相分類結果的可信度或可靠性比較困難；②在地震相分類過程中無法利用有價值的先驗信息以指導分類并提高分類結果的準確性。

針對地震相可靠性問題，基于人工神經網絡的地震相方法，從波形的形態出發，以鄂爾多斯盆地南部南旬宜區塊上古生界致密砂巖儲層為實際數據依托，分析地震波形對巖性敏感的測井曲線波形的對應關系及地震相與測井相再到沉積相乃至巖性的對應關系，進而得出基于波形分類的地震相預測油氣分布有利區的可行性和可靠性。

1 鄂爾多斯盆地南部上古生界的沉積特征

近年來，鄂爾多斯盆地巖性油氣藏勘探取得了突破，其北部的杭錦旗、大牛地等整裝大油氣田的發現，使得巖性地層油氣藏在該區的勘探生產實踐中受到越來越多的重視[19]。旬邑–宜君（簡稱旬宜）區塊位于鄂爾多斯盆地南部，處于伊陜斜坡南部和渭北隆起北部轉換帶，位于鄂爾多斯盆地主體內。與北部相比，南部地區尚未取得較大突破。其中太原組–山西組的煤系地層是上古生界油氣藏的主要烴源巖地層，上古生界儲層以石炭系–二疊系太原組、山西組的海相砂巖及上下石盒子組的河湖相砂巖為主。旬宜區塊上古生界砂巖儲層受巖性、厚度、成巖作用、構造運動等地質因素的影響，儲層物性普遍致密，是儲集性能不好的主要原因。從砂巖厚度、物性條件及距生油氣層位置來看，相對有利的儲層層系為山西組和下石盒子組。基于該區塊的長期研究認為，沉積相帶控制氣藏分布，鄂爾多斯盆地南部地區上古生界目的層山西組二段、盒一段儲層相帶類型為辮狀河三角洲前緣水下分支河道。沉積相控制了儲層的空間展布，儲層主要發育在前緣水下分流河道砂體中，砂巖類型為三角洲前緣指狀砂體，砂巖層數少，泥巖厚度較大，有較強的側向封堵，形成良好的儲蓋組合。

旬–宜區塊上古生界單層厚砂體的展布是油氣富集的重要因素[20]，主要油氣目標層為山2 層和盒1層。山2 層和盒1 層均為致密砂巖層，橫向非均質性強，已鉆井位很少，需要刻畫砂體有利分布區進而尋找油氣有利區帶；但砂體刻畫難度較大，落實程度較低，制約了該區塊的勘探進展。

2 波形分類區帶劃分可靠性分析

應用地震數據對儲層的空間和時間特性進行細致劃分是地震相分析的核心。地震相分析結果的可靠性，很大程度上取決于地震數據的質量（完整性和信噪比等）、地質結構的復雜性以及地質解釋人員的經驗等因素。

2.1 地震相算法分類

地震相的分類方法很多，主要分為無監督分類法和有監督分類法。

2.1.1 無監督分類

當先驗信息不完整或不存在時，通過無監督學習分類是最有效的方法之一，兩種常見無監督學習方法為：①自組織神經網絡（SOM）聚類，其使用無監督學習來訓練以生成低維（通常為二維）、離散化的訓練樣本輸入空間，稱為地圖，實現了高維分布到有規律的低維網格的有序映射，是一種降維方法；②高斯混合模型（GMM），是概率分布的參數模型，比傳統的無監督聚類算法在建模中提供更大的靈活性和精度。無監督分類算法主要應用于疊后地震數據的地震相分析，因為疊后地震數據簡單，運算量小，應用這些算法可以快速地得到必要的結果。但對于疊前地震數據，直接應用這些算法，其龐大的維度和數據量會導致運算困難、結果不精確等問題。

2.1.2 有監督分類

地震探區會有一些測井數據，這些測井數據可以作為地震數據的有標簽信息對模型。有監督分類有兩種：①支持向量機（SVM）是基于邊緣距離最大化理論的有監督學習算法，適用于需要分析和回歸的數據；②人工神經網絡（ANN）是基于多層感知器（MLP）和徑向基函數（RBF）的有監督分類方法，模擬生物的神經元網絡對信息的反饋。

本文采用人工神經網絡算法進行地震相技術應用，對大規模的地震數據，井數據是稀疏的，在使用有監督分類時往往出現分類模型泛化能力很差，輸出結果不符合實際地質特征，井數據只能代表局部特征，其可靠性分析需要深入研究。

2.2 砂體地震波形響應分析

波形分類可靠性分析時，需要確定目標地質體在地震波形上的響應，在旬宜區塊可通過測井數據的去砂實驗來驗證砂體在地震波形上的響應特征。去砂實驗是拉平砂體層對應的測井曲線段，并以去砂的測井曲線重新做合成記錄。該區X1 井去砂實驗效果如圖1 所示。由去砂實驗可知，山2 層和山1層在去砂前后合成記錄波形變化較弱，即這兩個層段的砂體在波形上的響應較弱，進而可以認為這兩個層段的地震波形數據在砂體識別能力上較弱。分析以上現象原因，通過已有鉆井資料可知，山2 層和山1 層距離下方煤層很近，而煤層在地震數據上為強反射層特征，煤層反射對上方的山2 和山1 層的波形響應有較強的掩蓋作用。由以上分析可知，山2 層和山1 層的波形分類結果可能難以真實反映該層段的砂體有利區，波形分類的有利區預測結果的可靠性較弱。對于盒5 段和盒1 段，在去砂前后合成記錄波形變化較強，即這兩個層段的砂體在波形上的響應較強，可以認為這兩個層段的地震波形數據在砂體識別能力上較強，其波形分類的有利區預測結果可靠性可能較好。

圖1 X1 井測井曲線去砂實驗表征不同層位砂體波形響應特征

對于波形分類計算，時窗參數是關鍵參數之一[21]。由圖1 去砂實驗可知，盒5 段和盒1 段砂體的厚度在時間域為4 ms 和6 ms，而去砂前后，即砂體存在與否，其影響的波形時窗范圍約為40 ms。在波形分類中，為了刻畫目標地質體并進行區帶劃分，計算時窗采用地質體厚度時窗或是地質體影響的振幅范圍時窗。分別對兩種方案進行計算對比，結果如圖2 所示。基于該區塊已有地質認識，上古生界沉積微相有9 類，盒5 段自東北至西南地層有4 段前積沉積體。圖2 的對比結果中，40 ms 時窗波形分類結果與盒5 段的地質認識更為吻合，正好按照前積方向主要大致分為4 段；而6 ms 時窗僅計算表征出了2 類相帶，因此40 ms 時窗計算的結果更為準確。從理論上分析，由圖2a 和圖2b 對應的波形分類模型道可以看出，40 ms 時窗的9 類模型道大約為一個半波長的時窗長度，而6 ms 時窗的9 類模型道大約為半個波長，前者模型道之間的差異性更明顯，分類更加精確。

圖2 盒5 段波形分類不同時窗參數計算結果對比

2.3 地震波形與測井曲線波形對應性分析

計算有井位約束的地震波形分類時，通常會采用井點處對應時窗范圍內的地震道作為模型道來計算地震相。合成記錄波形能夠在目標地質體有較好響應的基礎上，分析地震波形與測井合成記錄的對應關系。

實際計算中，合成記錄由子波和反射系數褶積計算，反射系數由測井聲波曲線（AC）計算，子波可從地震數據提取，測井伽馬曲線（GR）能夠較好地區分砂泥巖。這幾組數據在旬宜區塊波形上的對應關系如圖3 所示，實際地震道與測井合成記錄在振幅、相位、頻率、波形形態上均有較好的一致性，測井AC 與GR 曲線在整體形態上，有較好的負相關關系。因此，可以認為下石盒子組層系的地震波形與測井AC 曲線有較好的對應關系，進而與GR 曲線和巖性有較好的匹配關系。

圖3 地震波形與測井曲線波形對應性

2.4 沉積相與測井曲線波形響應匹配性分析

測井作為連接地震數據和地質沉積相的紐帶，GR 曲線能夠反映地質巖性，AC 曲線可以用來計算合成記錄，以上合成記錄與地震波形有較好地對應關系。那么AC 曲線和GR 曲線的匹配對應關系則在一定程度上反映了地震波形與沉積相的匹配關系，也就是表征波形分類結果描述沉積相的可靠程度。

根據該區塊地質沉積研究，旬宜上古生界分為9 類巖性組合的沉積微相（圖4）。每類微相從左到右分別對應測井GR 曲線、巖性柱狀圖和AC 曲線。根據測井解釋研究，GR 測井曲線對古生界砂泥巖巖性區分度較好，圖中GR 曲線與沉積微相有一致的對應關系。

AC 曲線與GR 曲線的對應關系如圖所示，除去紅框以外的區域，AC 曲線與GR 曲線在80%的對應段有著較好的負相關匹配關系。

圖4 測井AC 曲線和GR 曲線與沉積微相對應關系

3 有利區劃分及效果分析

基于以上地震波形、測井曲線波形、沉積微相的對應匹配關系，得知以上數據之間的匹配關系較好，即波形分類結果可靠性較強，可將波形分類方法應用于鄂爾多斯南部旬宜區塊上古生界的油氣有利區劃分。該區塊目的層構造平緩，沉積相對穩定，由上述可靠性分析可知，石盒子組地層的波形分類地震相可用于區分沉積相帶。盒1 段的波形分類結果如圖5 所示。波形分類計算地震相時，用該區塊X1 井和X2 井約束。

圖5 盒1 段波形分類計算平面圖

圖6 為河道砂體主體部位過X1 井和X2 井的地震剖面，黃色為盒5 段儲層，粉色為盒1 段儲層，計算波形分類地震相的時窗與圖6 中地震相顯示所占厚度時窗相同。綠色層位為山2 段儲層，灰色層位為山1 層緊鄰其下的強反射煤層。從剖面上可見，波形變化處基本為地震相帶的變化處。X1 井有利砂體發育區在盒1 段較為落實，砂體追蹤的地震同相軸變化明顯，已鉆的X1 井位于河道砂體的主體部位，可以清楚看到砂體邊界的變化，該套砂體整體表現為典型的泥包砂特征，可形成良好的巖性圈閉。已鉆的X2 井位于振幅能量較弱區域，該井在盒1 段砂體薄，巖性結構為砂泥巖薄互層，砂體物性也沒有X1 井的好。

石盒子組層系有利油氣層段位于盒1 段，盒1段砂體解剖后的結果與波形分類計算的有利區劃分一致，即X1 井位于單層較厚砂體發育有利相帶，此相帶為南北向發育河道砂的主體區域，X2 井則位于多層薄砂迭置的非有利相帶區，通過該區盲井也驗證了該波形分類結果的可靠性。

綜上所述，兩個層位的砂體區帶預測結果與區域沉積環境吻合，與單井微相匹配程度高，波形聚類的屬性細節變化符合沉積特征。盲井驗證結果表明，此波形聚類的可靠性高，該波形聚類的油氣有利區預測結果可用于儲層砂體巖性油藏的區帶優選。

4 結論

基于原始地震數據體，運用基于神經網絡方法的地震相分類可靠性分析，能夠賦予井控地震模型道以實際的測井和地質沉積意義。井控點位置地質體響應時窗范圍內的地震道波形，與同時窗范圍內測井合成記錄道，具有波形的一致性，同時對應測井敏感曲線（本文為GR 曲線）所指示的巖性組合對應的沉積相，即井點處的地震模型道波形對應著測井段所指示的沉積微相。

圖6 過X1 井、X2 井東西向地震波形分類與剖面疊合

（1）顎爾多斯南部旬邑區塊綜合運用地質沉積數據、測井數據、地震數據等多層次波形對比顯示，地震波形與測井AC 曲線有著較好的匹配關系。

（2）測井AC 曲線與測井GR 曲線有較好的負相關匹配關系，GR 曲線對砂巖和泥巖的巖性具有較好地區分響應表征，砂泥巖的不同組合對應著不同的沉積微相。這幾方面匹配關系是地震相可靠性分析的關鍵。