地震相約束的儲層高精度定量預測方法研究

謝黎明 曾楷 翟昆 曾成杰

【摘要】? ? 針對地下儲層井參數不足導致神經網絡訓練不充分，預測結果誤差較大的問題。提出了基于地震相約束的高精度地震屬性定量預測方法，即首先對地震多屬性進行聚類得到地震相參數，再依據地質背景，開發動態資料和解釋經驗來分析數據間的關系，即地震相分析。然后依據地震相進行約束，彌補井參數的不足，從而更有效的監督訓練神經網絡，進行地震多屬性的儲層定量預測。該方法在DF1-1油田壓力監測中取得了良好的應用結果。

【關鍵詞】? ? 地震相約束? ? 地震屬性? ? 定量預測

引言：

地震屬性分析結果一般可以劃分構造、檢測斷層、預測巖性、表征儲層參數、識別流體性質、監測油藏變化等。基于地震屬性的儲層預測根據其學習過程是否需要先驗知識又可分為有監督和無監督兩類。

模糊自組織神經網絡（FSONN），是將模糊系統引入了自組織神經網絡，使神經網絡具有處理模糊信息的能力，其本質還是一種自組織神經網絡。1987年，Kosko率先將模糊數學與神經網絡相結合，提出了模糊神經網絡的概念。徑向基函數神經網絡（RBFNN）是一種三層前向神經網絡。它的隱層激活函數是一種徑向對稱的核函數。當輸入樣本傳播到隱單元空間時，這組核函數構成了輸入樣本的一組“基”。因此，這種神經網絡稱為徑向基函數神經網絡。

地震屬性的聚類分析就是利用FSONN神經網絡將地震多屬性映射成一個反映地震反射波綜合特征的屬性參數，又稱為地震相分析。如果能有井資料的標定，即可進行沉積相的轉換與分析。對于少井情況下模式識別，可以將地震多屬性的自組織聚類特征結合到地震屬性的定量預測中，實現對神經網絡更有效的監督與約束。

一、地震相約束的地震儲層預測方法

地震多屬性模式識別預測中，有監督的神經網絡訓練過程，就是將地震屬性作為輸入，井參數作為輸出，計算輸入與輸出間的關系來調整和確定神經網絡的層數、神經元個數和層間的權值。

綜合考慮地震相約束的情況，在已有井參數中加入虛擬井參數，修改神經網絡的訓練方式。假設有三口井P'（x，y，z）=（t1，t2，t4）T，其中兩口井參數t1和t2已知，希望預測剩下的一口井參數t4。同時已經從地震數據中提取了對應于三口井位置的三種地震屬性：

（1）

A'中每一列代表一個屬性，每一行對應一口井參數。

首先將三個地震屬性模糊自組織聚類，并將聚類數據作為第四個地震屬性s4。其次將地質、開發、巖石物理等資料綜合分析聚類特征，構造出一個虛擬井參數t3。

然后用已知的三口井參數P（x，y，z）=（t1，t2，t3）T和聚類得到的第四個地震屬性進行模式識別，即P（x，y，z）=F[A（x，y，z）]，其中F[...]表示某種變換關系。x，y，z表示對應的工區坐標。

由于P（x，y，z）和A（x，y，z）一般情況下都是一種非線性關系，那么可以先線性擬合出兩者的最佳線性關系F[A（x，y，z）]，再用徑向基神經網絡來估計它們的非線性殘差r[A（x，y，z）]，即：

P（x，y，z）=F[A（x，y，z）]+r[A（x，y，z）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

當加入地震相約束的時候，由于虛擬井參數t3是由地震相屬性s4估計出的，所以存在很好的相關性，這樣能夠讓F[A（x，y，z）]更容易的擬合，減小誤差。F[A（x，y，z）]與P（x，y，z）間總是存在誤差E（x，y，z），即：

E（x，y，z）=P（x，y，z）-F[A（x，y，z）]? ? ? ? ? ? ? ? ? ? ?（3）

接下來用A（x，y，z）作為輸入，E（x，y，z）作為輸出，來訓練徑向基函數神經網絡。徑向基函數神經網絡是一種輸入層、隱含層和輸出層的三層前向神經網絡。隱含層由一組徑向基函數構成，常選用高斯函數。對于隱含層神經元的個數、中心及寬度的確定，可以采用基于最近鄰聚類學習算法，動態的進行網絡參數和結構兩個過程的自適應調整，其輸出函數為：

（4）

其中高斯函數半徑r的大小決定了動態自適應徑向基函數神經網絡的復雜程度，越小越復雜，通過實驗選取為0.04。a是輸入矢量，即A中的一行，k表示逐次尋找聚類中心的第k次，ci是第i個基函數的中心，與a具有相同維數的矢量，M是隱含層神經元個數。

訓練結束后，模式識別時徑向基函數神經網絡的輸出R（a）可寫為：

（5）

式中wi是訓練好的隱含層和輸出層間的權值，M是隱含層神經元個數，fi（a）是徑向基函數。那么最終模式識別的輸出結果P（a）可以表達為：

（6）

式中F（a）是多元線性回歸的計算結果，R（a）是徑向基函數計算的殘差，a表示輸入的一組地震屬性矢量。

二、實際應用

DF1-1氣田在2001年和2007年分別進行了地震采集，并做了基礎數據和監測數據的時移匹配。時移監測區域是一個較平緩的背斜構造，總長度約16km。主力氣層分為兩個氣組，I氣組是H1和H2層間，II氣組是H2和H3層間。

首先對工區所有已知28口開發井實測的壓力差異數據進行統計。如圖1，工區整體壓力差范圍在0.5MPa～4.5MPa之間，而且壓力差在1～3.5MPa間最為集中。

接下來根據基準樣本井，以它的時移壓力差（1.5MPa）作為壓力差異基準。結合工區所有井時移壓力差分布范圍（圖1），建立如表1所示的虛擬井的壓力差異數據，其中I氣組4口虛擬井，II氣組3口虛擬井。

最后，用前述地震屬性的組合預測流程分別計算壓力差異，如圖2。I氣組是主力產氣層，壓力下降較大，尤其在CDP1300-2500段的背斜構造上。而II氣組采氣量較小，壓力下降不大，集中在CDP1500-2100的背斜構造區。以油藏數值模擬建立的壓力差異變化模型作為誤差校驗如表2，二者表現出了很好的一致性趨勢。

三、結論

對于地震多屬性的優化可以分為有井條件下的物性優化和無井條件下的純數學優化。當然在有井條件下也可以進行兩個方面的組合優化，即首先進行地震屬性與井參數的相關性與相容性分析;然后進行屬性間的獨立性與冗余性分析，從而進一步保證地震多屬性分析的可靠性。

對于地震相分析可以通過地震多屬性的平面聚類分析、地震多屬性的主成份融合分析、地震體屬性的縱向演化分析等方面的綜合研究，來進一步挖掘地震屬性在油氣勘探中的應用前景。

對于少井勘探區域，可以利用地震屬性的聚類即地震相分布特征，來構造并增加神經網絡學習訓練的虛擬樣本井，從而提高地震屬性表征油藏參數的可靠性與有效性。

參? 考? 文? 獻

[1]王永剛，樂友喜，張軍華著，地震屬性分析技術，山東東營：中國石油大學出版社，2006

[2]劉企英著，利用地震信息進行油氣預測，北京：石油工業出版社，1994。

[3]鮑祥生，油藏注水開采中監測技術的研究與應用，西南石油學院碩士學位論文，2003。

[4]丁峰，地震屬性分析系統的研制與應用研究，西南石油學院碩士學位論文，2004。

[5]鮑祥生，時移地震屬性的分析與應用，西南石油大學博士學位論文，2006。

[6]丁峰，高精度地震屬性技術研究及其系統實現，西南石油大學博士學位學位論文，2008

[7]古發明，地震屬性的優化方法研究與地震相分析，西南石油大學碩士學位論文，2009

[8]魏艷，尹成，丁峰等，地震多屬性綜合分析的應用研究，石油物探，2007，46（1）：42-47

[9]丁峰，尹成，徐峰等，一種基于靈敏屬性分析的相關聚類屬性優化方法，石油地球物理勘探，2008，43（5）：568-572

[10]丁峰，尹成，朱振宇等，利用改進的自組織網絡進行地震屬性分析，西南石油大學學報（自然科學版），2009，31（4）：47-51

[11]趙虎，尹成，朱仕軍，多屬性融合技術研究，勘探地球物理進展，2009，32（2）：119-121

[12]趙虎，尹成，張華光等，屬性技術在油氣檢測中的應用，重慶科技學院學報（自然科學版），2009，11（4）：36-37

[13]尹成，王治國，雷小蘭等，地震相約束的多屬性儲層預測方法研究，西南石油大學學報（自然科學版），2010，32（5）：173-180