祝永英

(中國石化勝利油田分公司 東勝公司,山東 東營 257000)

一神經(jīng)網(wǎng)絡算法在地震相識別中的應用

祝永英

(中國石化勝利油田分公司 東勝公司,山東 東營 257000)

地震相分析與識別技術是巖相解釋和沉積環(huán)境分析的有力工具。隨著地震數(shù)據(jù)體的增大,傳統(tǒng)人工定相的方法已經(jīng)不能滿足生產(chǎn)發(fā)展的要求,利用神經(jīng)網(wǎng)絡方法進行地震相分析是一種有效、定量的地震相確定方式,該方法通過對地震波形的采樣點進行分析,并在此基礎上進行分類,產(chǎn)生地震相圖。結(jié)合沉積相模式的指導作用和測井資料所得沉積相圖的驗證作用,達到地震相識別的目的。

神經(jīng)網(wǎng)絡算法;波形分類;地震相

地震相指的是與相鄰單元在地震反射特征參數(shù)(包括振幅、連續(xù)性、反射結(jié)構、頻率等)方面存在差異的集合[1]。隨著物探和計算機等技術的發(fā)展及層序地層學、地震沉積學等新興學科的出現(xiàn),尤其是隨著三維數(shù)據(jù)體的增大,傳統(tǒng)人工定相的方法已經(jīng)不能滿足實際生產(chǎn)的需求。目前以解釋人員訓練的人工神經(jīng)網(wǎng)絡為基礎的地震相確定方法是實現(xiàn)多元化、精細化、定量化準確定相的重要發(fā)展[2- 4]。神經(jīng)網(wǎng)絡算法是一種采用Kohonen 自組織映射方法的魯棒性模式識別過程[5],由于該算法在不同時間間隔內(nèi)具有去除噪音和識別有代表性的地震波形聚類的能力,因此適用于地震數(shù)據(jù)的波形分類[6]。

1 方法原理

利用地震信號的總體變化進行地震相分析主要是采用人工神經(jīng)網(wǎng)絡技術,根據(jù)每道的數(shù)值對地震道的形狀進行分類。由于地震信號物理參數(shù)(振幅、頻率、相位等)的變化與地震道形狀的變化相對應,而地震道形狀的變化則可定量為一個采樣點對另一個采樣點數(shù)值的變化,通過神經(jīng)網(wǎng)絡技術對這些地震波形的采樣點進行分析,并在此基礎上進行分類,由此可達到地震相識別的目的。

神經(jīng)網(wǎng)絡是人工智能的一個分支,主要用于模仿人類鑒定目標的過程。根據(jù)神經(jīng)網(wǎng)絡訓練過程中是否需要先驗知識,可分為有監(jiān)督和無監(jiān)督兩種方式,本文中采用的是自組織神經(jīng)網(wǎng)絡,屬于有監(jiān)督的算法。該算法通過模擬人腦思維識別不同目標體的特征,在此過程中使相似的種類保持關系。

在人工神經(jīng)網(wǎng)絡實現(xiàn)的過程中有兩個重要的概念:距離和相似度,主要體現(xiàn)在波形分類的過程中。本文中采用的是Manhattan距離公式[7]：

(1)

式中，M為Manhattan距離,A、B為子波,i為采樣點數(shù)。由公式(1)可以看出,通過比較每一參考波形與目標波形,將Manhattan測量值輸出,Manhattan距離即為波形樣點之間的采樣差異值總和。

相似度即計算個體之間的相似程度,本文中采用余弦相似度,余弦相似度衡量的是空間向量的夾角(圖1)。兩波形之間越為相似,Manhattan距離越小,則余弦相似系數(shù)越大。相似系數(shù)達到一定的數(shù)值,需要對相道進行合并。

通過人工神經(jīng)網(wǎng)絡算法對地震道波形進行計算,分析地震信號的總體變化,并識別這種變化的分布規(guī)律與儲層沉積相和巖性特征之間的對應關系,由此達到地震相分析的目的。

圖1 余弦相似度圖解

2 實現(xiàn)流程

利用地震波形特征對地震相的識別以地震資料為主、測井和巖心資料為輔,通過神經(jīng)網(wǎng)絡算法實現(xiàn)。具體實現(xiàn)過程(圖2)包括以下幾個步驟[8-9]:

(1)建立目的層段。利用人工神經(jīng)網(wǎng)絡算法進行地震相識別的第一步,是建立目的層段。目的層段的建立遵循“斷層切割少,波形穩(wěn)定”的原則。層段大小以包含1～3個反射同相軸為宜,因為層段過大,物理意義復雜,導致解釋困難;層段過小,信息量少,沒有明確的物理意義。

(2)創(chuàng)建模型道。在確定目的層段的基礎上,進行模型道合成,這些模型道代表了在研究區(qū)目的層段中地震信號的多樣性,通過觀察模型道的顏色,可觀察地震道形狀在所解釋區(qū)域的分布。

創(chuàng)建模型道的過程主要包含兩部分:合成地震道和創(chuàng)建模型道量板,其中,合成地震道是前提,創(chuàng)建模型道量板為最終目的。

合成地震道的基礎是反射波波形分析,關鍵是合成地震道。以測井、巖性資料為基礎,通過對典型井目的層段的巖性特征進行分析,根據(jù)波阻抗計算公式得出理想中的反射波形,并結(jié)合地震資料,分析目的層段反射波波形的特點;根據(jù)反射波波形特點,利用神經(jīng)網(wǎng)絡算法,通過多次迭代來進行地震道合成。

模型道量板的創(chuàng)建通過合成地震道與實際地震道的自適應實驗和誤差處理實現(xiàn)。在允許的誤差范圍之內(nèi),通過合并相似道,將相似的波形歸為一類,最終得到一個代表地震層段內(nèi)反射波波形差異的模型道量板。

(3)波形分類。波形分類主要通過實際地震道數(shù)據(jù)和模型道量板的計算實現(xiàn)。利用Manhattan距離和余弦相似度兩個參數(shù),將地震道形狀即波性特征與實際地震數(shù)據(jù)逐道進行對比,將地震道信號進行歸類處理,由此達到對地震信號進行細致刻畫的目的。波形分類技術結(jié)果的最終是得到地震異常平面分布的規(guī)律,即地震相圖。

圖2 地震相識別流程

(4)綜合地質(zhì)分析。綜合地質(zhì)分析是利用神經(jīng)網(wǎng)絡算法進行地震相識別的最終目的。主要包括兩部分內(nèi)容,分別是:在巖相模式的指導之下,利用井信息對地震相圖進行標定和識別;在沉積相模式的指導之下,對地震相結(jié)果進行分析,由此達到綜合地質(zhì)分析的目的。

構造坡折帶形成的濁積扇體,分為有水道型和無水道型,無水道型扇體展布范圍較小,有水道型扇體展布范圍大,且存在縱向疊置的現(xiàn)象。根據(jù)不同微相類型劃分,其砂體厚度和含量也有所不同,反映在地震剖面上波阻抗特征也有所不同。因此,需要在巖相模式的指導之下,利用井的已知信息對地震相圖進行標定和識別。

地震相結(jié)果分析需要在沉積模式的指導下進行,包括兩部分:根據(jù)井分析資料得到沉積相圖,用于對地震相分析的結(jié)果進行驗證;對于少井和無井的區(qū)域,在沉積相模式的指導之下,根據(jù)地震相分析的結(jié)果,對濁積扇體的分布規(guī)律進行有效預測。

3 應用實例

以車西洼陷車40-44塊為例,利用神經(jīng)網(wǎng)絡算法對濁積扇體的地震相分布進行分析。車西洼陷地理位置位于山東省無棣縣境內(nèi),構造位置處于濟陽坳陷車鎮(zhèn)凹陷的西部,北部以埕南大斷層為界,與埕子口凸起相鄰,南部的無棣凸起和義和莊凸起為曹家莊斷階帶的主要物源供給區(qū),西部與慶云凸起相接,東部與大王北次洼陷相連,洼陷整體為北東-南西走向,呈“北斷南超”的箕狀構造格局。車40-44塊位于車西洼陷南部緩坡帶,為曹家莊斷階帶的一部分(圖3)。

圖3 車40-44塊構造位置圖

由于斷層對該區(qū)塊進行切割,車40-44塊形成以“順向斷階”為主的構造形態(tài)。在沙三上亞段沉積時期,構造活動頻繁,同沉積斷層發(fā)育,緩坡坡折帶由多級階狀斷層組成。構造坡折帶制約著盆地的可容納空間,對沉積體系發(fā)育和砂體分布起著重要的控制作用[10],因此濁積扇體沿控制局部構造斷層的下降盤分布,規(guī)模較小的斷層控制著扇體的展布形態(tài)。

從巖性特點分析:該區(qū)沙三上亞段巖性普遍較細,以灰色粉砂巖、細砂巖為主,局部出現(xiàn)含泥礫砂巖。根據(jù)目的層段的選取原則,確定Es32與Es33之間的區(qū)域為研究層段。從典型井單井相剖面可看出,Es32以泥巖為主,Es33泥巖段中夾雜大段砂巖(圖4)。通常情況下泥巖的聲波時差高于砂巖,根據(jù)波阻抗的計算公式可知目的層段為一強波谷反射與兩個弱波峰反射的組合(圖4(b))。

圖4 單井相圖

以反射波波形分析為基礎,利用神經(jīng)網(wǎng)絡算法通過對目的層段地震道數(shù)據(jù)的N次迭代處理合成地震道,由此得到最初的模型道量板,有16類地震道模型(圖5(a))。將合成地震道與實際地震道進行對比,通過自適應實驗和誤差處理,在誤差范圍之內(nèi),對相似地震道進行合并,由此得到14類地震道模型。地震模型道即為波形分類類型,是巖性分析和儲層預測的依據(jù),每一道代表不一種波的類型,不同波的類型通過不同的顏色進行區(qū)分,整個模型道量板代表了目的層地震道信號的多樣性(圖5(b))。

波形分類之后,得到各組分“離散”的地震相。設置個相成分所占的比例(圖6),根據(jù)聚類結(jié)果生成綜合地震相圖。在地震相圖上,各顏色代表對應的波形,通過了解和評估地震道形狀在目標區(qū)域的分布情況,在濁積扇沉積模式的指導下,設置各成分所占的比例,建立地震信號總體變化及其分布規(guī)律,最終得到符合構造坡折帶濁積扇沉積特點的地震相圖(圖7)。

結(jié)合濁積扇體的微相類型,進行波形分析,即通過對比井點處目的層段砂泥組合與波形的關系,確定該波形對應的儲層沉積特征。車410井位于扇主水道側(cè)緣,且存在縱向疊置的現(xiàn)象,車40井位于扇端,因此扇端的含沙量比主水道側(cè)緣要低,砂體厚度也相對較薄。分別選取兩口井的過井剖面,可見車410井目的層波谷比車40井明顯較寬,符合根據(jù)濁積扇體微相類型所產(chǎn)生波阻抗差的認識。與模型道量板進行比較,車410與合并后模型道的量板12較為一致,反映水道側(cè)緣沉積,車40與合并后模型道的量板6相似程度更高,反映扇端沉積。

由于合并的是相似地震波形,并非完全相同,因此波形合并前后分類數(shù)存在差別。所以,波形合并前后(圖8)的地震相圖依然存在差異。

圖5 模型道量板

圖6 地震剖面

圖7 地震相相關直方圖

圖8 地震相圖

就地震相與沉積相的吻合程度而言,波形合并后地震相(圖8(b))刻畫得更為精細,與沉積相(圖10(b))更為相似。

最后,在沉積相模式(圖9)的指導下進行綜合地質(zhì)分析。構造坡折帶濁積扇體屬于重力流沉積模式[11-12],研究區(qū)在沙三上亞段沉積時期處于沙四段-沙三段沉積旋回的末期,是斷陷湖盆水體退縮階段的沉積產(chǎn)物[14-15]。在沙三上亞段沉積時期,南部無棣凸起和義和莊凸起、西部慶云凸起抬升,地層遭受剝蝕,沉積區(qū)范圍變小,物源沿緩坡經(jīng)過長距離的搬運作用,在車40-44塊同沉積斷層的下降盤沉積下來,根據(jù)地勢條件,濁積扇體呈“裙帶狀”分布于斷層下降盤,這是該區(qū)濁積扇體的形成條件和觸發(fā)機制。

圖9 沉積相模式

根據(jù)地震相的展布形態(tài),對地震相特點進行分析。通過過井地震剖面(圖10(a))和由井資料勾畫的沉積相骨架圖(圖10(b))可看出:近東西向呈兩側(cè)高、中間低的地勢形態(tài),濁積扇體沿斷層在中間低洼部分比較發(fā)育。發(fā)育在同沉積斷層下降盤的濁積扇體,其分布形態(tài)與物源有關,此外,在扇體的側(cè)向遷移方面小斷層對扇體分布形態(tài)也起了重要作用。需要注意的是:西南部的地震相圖與沉積相圖不一致,原因是這塊沒有鉆井資料,因此無法得到準確的沉積相圖,可見通過神經(jīng)網(wǎng)絡方法得出的地震相圖對儲層預測也起著重要作用。

針對儲層的沉積特征,結(jié)合區(qū)域沉積背景,對濁積扇儲層進行預測。根據(jù)地震相對濁積扇儲層識別的效果,可以總結(jié)為以下兩點:①濁積扇體沿近東西向控制局部構造的弧形盆傾斷層(F40和F44)的下降盤排列,這與研究區(qū)地質(zhì)情況和構造坡折帶濁積扇體模式相吻合;②扇體的具體展布形態(tài)受地勢、物源和小斷層的影響,小斷層和物源供給對扇體的細節(jié)刻畫起著重要的作用,比如,在物源供給方面,無棣凸起為工區(qū)西部近距離提供大量物源,該區(qū)扇體規(guī)模較大;在小斷層影響方面,以車40井西北側(cè)的斷層為例,小斷層對扇體形態(tài)的細節(jié)刻畫也起著重要作用。

圖10 地震剖面與沉積相

4 結(jié)束語

將神經(jīng)網(wǎng)絡算法用于以波形分析為基礎的地震相識別,不僅有效解決利用三維地震數(shù)據(jù)進行人工定相時工作量大的問題,還具有定量分析的特點。以車西洼陷緩坡帶構造坡折帶濁積扇體為例,在沉積相模式的指導下,結(jié)合測井、巖性資料,利用神經(jīng)網(wǎng)絡算法進行地震相預測,根據(jù)與測井資料和沉積相圖的吻合程度,取得很好的預測效果。

需要注意的是,由于神經(jīng)網(wǎng)絡算法研究的對象是地震反射波形,以濁積扇相為例,同一種波形可以是不同砂、泥巖組合的地震響應,因此結(jié)果存在多解性。在這種情況下,要結(jié)合測井、巖性綜合分析結(jié)果,進行地震相分析。

[1] BRIAN P W, STEVE R M, JOHN E E. Interactive seismic facies classification using textural attributes and neural networks[J]. The Leading Edge,2002:1042-1049.

[2] SLOSS L L. Stratigraphic models in exploration[J].AAPG Bulletin,1962,46(7):1050-1057.[3] 楊占龍,陳啟林,沙雪梅,等.關于地震波形分類的再分類研究[J].天然氣地球科學,2008,19(3):377-380.

[4] VAIL P R. Seismic stratigraphy interpretation using sequence stratigraphy: Part 1: seismic stratigraphy interpretation procedure[J]. AAPG Bulletin,1987:1-10.

[5] THIERRY C, MANUEL P, KOSTIA A. Unsupervised seismic facies classification: a review and comparison of techniques and implementation[J].The Leading dge,2003:942-953.

[6] MANUEL P, JOSE G. Tracking tertiary delta sands (Urdaneta West, Lake Maracaibo,Venezuela): an integrated seismic facies classification workflow[J].The Leading Edge,2003:909-912.

[7] 范洪軍,范廷恩,王暉,等. 地震波形分類技術在河流相儲層研究中的應用[J].CT理論與應用研究,2014,23(1):71-79.

[8] 王貴文，張新培.塔里木盆地塔中地區(qū)志留系測井沉積相研究[J].中國石油大學學報：自然科學版，2006(3):48-53.

[9] 馮建偉，戴俊生，冀國勝，等.測井資料定量識別河流儲層建筑結(jié)構要素[J].中國石油大學學報：自然科學版，2007(5):29-35.

[10] 林暢松,潘元林,肖建新,等.“構造坡折帶”—斷陷盆地層序分析和油氣預測的重要概念[J].地球科學—中國地質(zhì)大學學報,2000,25(3):260-266.

[11] SHANMUGAM G. Deep-water processes and facies models: implications for sandstone petroleum reservoirs[M].Beijing: Petroleum Industry Press, 2014:32-37.

[12] SHANMUGAM G. New perspectives on deep-water sandstones: origin, recognition, initiation, and reservoir quality[M].Beijing: Petroleum Industry Press, 2013:21-28.

[13] 楊仁超,何治亮,邱桂強,等. 鄂爾多斯盆地南部晚三疊世重力流沉積體系[J].石油勘探與開發(fā),2014,41(6):661- 670.

[14] 李凌.車西洼陷沙三上亞段滑塌濁積砂體的沉積特征[J].西安石油大學學報:自然科學版,2010,25(2):22-29.

[15] 萬濤，蔣有錄，林會喜，等.車西洼陷南坡油氣成藏和富集的主控因素[J].中國石油大學學報：自然科學版，2010(6):44-50.

[責任編輯] 董大偉

2015-10-20

祝永英(1983—)，男，山東棲霞人，中國石化勝利油田分公司東勝公司工程師，主要從事石油地質(zhì)研究。

10.3969/j.issn.1673-5935.2015.04.002

P631

A

1673-5935(2015)04- 0004- 06