張鵬飛，張世暉

(中國地質(zhì)大學(xué)(武漢) 地球物理與空間信息學(xué)院,湖北 武漢 430074)

0 引言

地震反演巖性預(yù)測(cè)一直以來都是油氣勘探與開發(fā)中的重要技術(shù)，廣泛應(yīng)用于生產(chǎn)實(shí)踐。地震反演一般以地震資料為基礎(chǔ)，綜合測(cè)井、地質(zhì)等多方面資料研究地下巖性之間的空間變化特征，為后續(xù)的儲(chǔ)量預(yù)測(cè)和井位評(píng)價(jià)提供依據(jù)。

神經(jīng)網(wǎng)絡(luò)反演憑借其出色的自適應(yīng)性和靈活性，在地震反演中得到廣泛應(yīng)用。Hampson等提出利用交叉檢驗(yàn)法來提高神經(jīng)網(wǎng)絡(luò)的匹配程度，將全部數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和檢驗(yàn)數(shù)據(jù)，前者用于訓(xùn)練，后者用于檢驗(yàn)誤差[1]；張紹紅等提出了基于概率神經(jīng)網(wǎng)絡(luò)的砂泥巖巖性反演技術(shù)，通過引入概率密度函數(shù)理論對(duì)地層特征進(jìn)行預(yù)測(cè)識(shí)別[2]；Tahmasebi P等提出了模糊神經(jīng)網(wǎng)絡(luò)方法，將模糊邏輯方法和神經(jīng)網(wǎng)絡(luò)結(jié)合，在保留神經(jīng)網(wǎng)絡(luò)特點(diǎn)的同時(shí)突出模糊邏輯在解釋方面的優(yōu)勢(shì)[3]；余為維等提出了測(cè)井約束和神經(jīng)網(wǎng)絡(luò)聯(lián)合反演儲(chǔ)層的預(yù)測(cè)技術(shù)，在預(yù)測(cè)儲(chǔ)層方面取得了良好效果[4]；趙鵬飛等提出了基于神經(jīng)網(wǎng)絡(luò)的隨機(jī)地震反演方法，不僅提高了隨機(jī)反演的計(jì)算精度，還簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，取得了良好的效果[5]。

地震神經(jīng)網(wǎng)絡(luò)反演方法的主要優(yōu)勢(shì)是提高波阻抗反演精度，利用神經(jīng)網(wǎng)絡(luò)方法，能夠建立波阻抗—巖性非線性映射關(guān)系，從而實(shí)現(xiàn)巖性反演與精細(xì)刻畫。本文中通過巖性敏感測(cè)井曲線分析，將伽馬曲線進(jìn)行歸一化處理并用于井約束地震反演，以期能提高反演精度，達(dá)到精細(xì)刻畫巖性空間分布的目的。

1 研究區(qū)概況

西湖凹陷研究區(qū)地處東海陸架盆地，是一個(gè)在晚白堊世末期的構(gòu)造背景上發(fā)育的新生代沉積凹陷，整體呈NNE向發(fā)育，面積約5.9萬km2，是東海最大的含油氣凹陷[6]，有巨大的勘探潛力。該研究區(qū)一直以來油氣鉆探成功率較高，所鉆油井大部分可見油氣存在，且多數(shù)是工業(yè)性油氣流，是區(qū)域內(nèi)富生烴凹陷的主力烴源巖系之一，同時(shí)也是我國東部斷陷型盆地海陸過渡相烴源巖的主要代表區(qū)域[7-9]?？傮w來看，區(qū)內(nèi)烴源巖分布廣，厚度大，內(nèi)夾有多套薄煤層，烴源巖以陸生有機(jī)質(zhì)輸入為主，質(zhì)量較高。其中始新統(tǒng)平湖組泥巖及含煤地層是西湖凹陷內(nèi)的主力烴源巖系，也是我國東部斷陷盆地海陸相烴源巖的典型代表。泥巖作為一種分布最廣泛的沉積巖，在油氣系統(tǒng)中既可以充當(dāng)烴源巖，也可以作為蓋層和儲(chǔ)層。因此預(yù)測(cè)泥巖分布規(guī)律，并準(zhǔn)確統(tǒng)計(jì)泥巖厚度是預(yù)測(cè)油氣儲(chǔ)量的重要環(huán)節(jié)。

付志方針對(duì)西湖凹陷提出儲(chǔ)層特征重構(gòu)技術(shù)，通過構(gòu)建含有多種量綱的擬測(cè)井曲線來反映地下多種地球物理信息[10]；秦蘭芝等在西湖凹陷烴源巖地震反演中通過對(duì)測(cè)井曲線進(jìn)行校正，并在此基礎(chǔ)上建立初始地層波阻抗模型進(jìn)行地震反演[11]；但同時(shí)，該研究區(qū)內(nèi)部鉆井較少，平面分布不均衡，鉆井資料有限。因此，如何能通過現(xiàn)有的有限資料來合理有效地預(yù)測(cè)斜坡帶中心區(qū)域的砂泥巖分布，并進(jìn)一步預(yù)測(cè)烴源巖乃至優(yōu)質(zhì)烴源巖的厚度是目前的一大難題。

本文結(jié)合前人研究成果，首先對(duì)獲得的高質(zhì)量測(cè)井資料進(jìn)行整理分析，結(jié)合高品質(zhì)的地震資料進(jìn)行人工合成記錄和井震標(biāo)定，并進(jìn)行頻段約束。通過對(duì)測(cè)井資料進(jìn)行分析，確定與巖性變化敏感度較高的測(cè)井曲線，用以進(jìn)行測(cè)井約束。對(duì)敏感曲線和其他測(cè)井曲線進(jìn)行歸一化處理，選擇合適的測(cè)井曲線進(jìn)行巖性敏感曲線重構(gòu)，得到的擬敏感曲線可以提高砂、泥巖的分辨能力。本文利用遺傳神經(jīng)網(wǎng)絡(luò)算法，建立該敏感曲線和波阻抗之間的非線性映射關(guān)系，將地震數(shù)據(jù)進(jìn)行反演。結(jié)合前文所得的巖性曲線進(jìn)行約束，得到地下巖性分布(圖1)。

圖1 測(cè)井約束疊后地震神經(jīng)網(wǎng)絡(luò)反演示意Fig.1 Sketch of poststack seismic neural network inversion constrained by well logs

2 地震反演關(guān)鍵流程

2.1 巖性物性交會(huì)分析

確定巖性敏感的測(cè)井曲線是巖性識(shí)別技術(shù)中的重要環(huán)節(jié)。通過對(duì)研究區(qū)內(nèi)測(cè)井資料和砂泥巖分布概率交會(huì)圖整理和分析，該研究區(qū)域內(nèi)由于目的層埋深較深，強(qiáng)壓實(shí)作用使砂巖和泥巖的縱波阻抗、縱波速度等屬性都發(fā)生疊加，因此采用常規(guī)的波阻抗反演難以區(qū)分砂、泥巖。而工區(qū)內(nèi)伽馬值對(duì)于巖性的區(qū)分度較高，呈現(xiàn)為砂巖伽馬值較低、泥巖伽馬值較高的特點(diǎn)(圖2)。

圖2 巖性和伽馬、縱波速度交會(huì)Fig.2 The cross plot of all kinds lithology of Gamma ray and P-velocity

2.2 基于滑動(dòng)窗口濾波的測(cè)井歸一化技術(shù)

測(cè)井曲線是能夠比較客觀地反映地下巖層巖性變化特征。理想情況下，同一層位因?yàn)槌练e環(huán)境類似，對(duì)應(yīng)的測(cè)井曲線應(yīng)該有類似的特征。但是測(cè)井曲線經(jīng)常會(huì)受到儀器、泥漿等因素的影響產(chǎn)生誤差，如果不對(duì)這些測(cè)井曲線進(jìn)行處理直接進(jìn)行反演，反演精度會(huì)受到很大影響，因此需要對(duì)測(cè)井曲線進(jìn)行歸一化預(yù)處理來消除非地質(zhì)因素的影響。

以B2井為例(圖3)，該井的伽馬值與其他井相比明顯偏小，與砂泥巖的對(duì)應(yīng)關(guān)系很差，如果直接將原始伽馬值與波阻抗值重構(gòu)會(huì)嚴(yán)重影響反演精度。通過分析原始伽馬曲線的變化趨勢(shì)，對(duì)其進(jìn)行低通濾波，得到的相對(duì)伽馬曲線會(huì)更符合巖性分布規(guī)律。通過原始伽馬曲線和相對(duì)伽馬曲線之間的對(duì)比，可以看出巖性曲線和相對(duì)伽馬曲線的對(duì)應(yīng)程度更好，較厚段的巖性有了更好的對(duì)應(yīng)關(guān)系。

將該方法應(yīng)用于其余的測(cè)井上也取得了良好效果，不僅提升了B3井厚段巖性與伽馬值之間的對(duì)應(yīng)程度，還有助于薄層的識(shí)別(圖3紅色虛線部分)。在一些砂巖較薄層段，原始伽馬曲線不能反映這種巖性的變化，通過趨勢(shì)低通濾波建立的相對(duì)伽馬曲線，可以清楚地反映薄層巖性變化特征。

圖3 兩口井相對(duì)伽馬曲線建立前后的對(duì)比結(jié)果Fig.3 Comparison result of gamma and relative gamma for two wells

通過建立相對(duì)伽馬曲線，巖性與敏感曲線之間的分布關(guān)系進(jìn)一步得到優(yōu)化，這也為后續(xù)的測(cè)井約束和井震反演工作提供了基礎(chǔ)(圖4)。

圖4 伽馬歸一化處理前(a)后(b)與波阻抗交會(huì)圖對(duì)比Fig.4 Comparation of gamma(a),relative gamma(b) and P-impedance cross plot

2.3 擬敏感曲線構(gòu)建

為了進(jìn)一步研究砂、泥巖分布規(guī)律，選擇相對(duì)伽馬曲線為砂泥巖巖性敏感曲線，結(jié)合波阻抗曲線，重構(gòu)成新的擬伽馬曲線，將其轉(zhuǎn)換為以波阻抗為量綱的測(cè)井曲線[12-13]。將伽馬曲線和波阻抗曲線進(jìn)行分頻處理，然后將波阻抗曲線的低頻部分和伽馬曲線的高頻部分進(jìn)行重構(gòu)(圖5)。其中波阻抗曲線的低頻部分可以反映地層速度變化趨勢(shì)，伽馬曲線的高頻部分可以反映巖性變化特征。憑借此曲線既可以判斷地下實(shí)際的速度和密度差異，也可以刻畫巖性分布規(guī)律，深刻地反映地震資料與儲(chǔ)層特征的關(guān)系，為我們后期的巖性預(yù)測(cè)打下基礎(chǔ)。

圖5 擬波阻抗曲線與巖性概率交會(huì)Fig.5 Pseudo-wave impedance curve and lithology probability intersection diagram

2.4 井震聯(lián)合神經(jīng)網(wǎng)絡(luò)反演

2.4.1 神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

神經(jīng)網(wǎng)絡(luò)是以自變量為輸入，因變量為輸出，并且以任意高的精度來代替二者的線性函數(shù)，得到一種可以反映因變量和自變量之間非線性關(guān)系的算法。在地球物理領(lǐng)域，神經(jīng)網(wǎng)絡(luò)反演一直是確定地球物理數(shù)據(jù)和介質(zhì)信息之間數(shù)學(xué)關(guān)系的重要工具[14]。常用的神經(jīng)網(wǎng)絡(luò)算法是前饋神經(jīng)網(wǎng)絡(luò)算法(feedforward neural network，簡(jiǎn)稱FNN算法)。FNN算法通常分為3部分(圖6)：輸入層(input nodes)、隱層(hidden nodes)和輸出層(output nodes)，這種結(jié)構(gòu)也稱多層感知機(jī)制(multilayer perceptron，簡(jiǎn)稱MLP)[15]。

圖6 神經(jīng)網(wǎng)絡(luò)算法示意Fig.6 Schematic diagram of neural network algorithm

已知Q個(gè)向量和(x1,y1),(x2,y2),…(xQ,yQ)之間具有某種非線性關(guān)系，設(shè)x和y為含有N個(gè)和M個(gè)元素的向量，x為輸入，y為輸出。在神經(jīng)網(wǎng)絡(luò)中，即輸入層有N個(gè)神經(jīng)單元，輸出層有M個(gè)神經(jīng)單元。設(shè)隱層中有L個(gè)神經(jīng)單元且隱層僅有一層。該神經(jīng)網(wǎng)絡(luò)中的輸入層的每一個(gè)單元都以加權(quán)求和的方式與隱層中的任一單元連接，并通過隱層中的激勵(lì)函數(shù)向輸出層輸出結(jié)果。

(1)

(2)

神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)是求取以期望輸出和實(shí)際輸出的誤差值作為目標(biāo)函數(shù)的最優(yōu)化過程。該誤差值表達(dá)為:

(3)

式中，y是一個(gè)表示神經(jīng)網(wǎng)絡(luò)期望輸出的向量。

由式(3)可得，誤差函數(shù)E是一個(gè)由輸出層的神經(jīng)元決定的函數(shù)。常見的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法是誤差回傳算法，簡(jiǎn)稱BP算法[16]。

2.4.2 基于神經(jīng)網(wǎng)絡(luò)的井震聯(lián)合反演流程

神經(jīng)網(wǎng)絡(luò)算法作為一種非線性算法，具有較強(qiáng)的自適應(yīng)性和高度的靈活性，一直在地震反演中都有著廣泛的應(yīng)用。在實(shí)際應(yīng)用中，將擬波阻抗曲線和波阻抗數(shù)據(jù)作為輸入層，通過神經(jīng)網(wǎng)絡(luò)確定兩者間的非線性映射關(guān)系。但是神經(jīng)網(wǎng)絡(luò)也存在垂向分辨率過低的問題，同時(shí)在復(fù)雜地質(zhì)條件下，砂泥巖的波阻抗信息較為接近，單純的利用波阻抗曲線加權(quán)內(nèi)插效果欠佳。因此通過神經(jīng)網(wǎng)絡(luò)挖掘擬波阻抗曲線和波阻抗曲線之間的相關(guān)度，以提高目標(biāo)層段巖性預(yù)測(cè)精度。具體做法是，將擬波阻抗曲線以及與擬波阻抗曲線關(guān)系密切的其他測(cè)井曲線及地震相關(guān)屬性作為訓(xùn)練集合，確定擬波阻抗曲線和波阻抗曲線之間的非線性映射關(guān)系。圖7是B1井和B2井的擬波阻抗曲線神經(jīng)網(wǎng)絡(luò)反演結(jié)果和測(cè)井波阻抗曲線之間的對(duì)比關(guān)系。其中藍(lán)色曲線為實(shí)際測(cè)井波阻抗曲線，紅色曲線為擬波阻抗曲線反演結(jié)果?？梢钥闯鰧?shí)際波阻抗曲線與反演波阻抗曲線趨勢(shì)基本吻合。最后，將訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)所含的映射關(guān)系用于井約束三維地震反演，進(jìn)而得到三維巖性反演結(jié)果。

圖7 神經(jīng)網(wǎng)絡(luò)井震反演結(jié)果和實(shí)際測(cè)井波阻抗曲線對(duì)比Fig.7 Comparison of neural network seismic inversion results and actual P-wave impedance curve

3 反演結(jié)果分析

反演結(jié)果的縱向分辨率特征反映砂泥巖垂向分布規(guī)律，通過比較反演結(jié)果和測(cè)井巖性曲線來衡量地震反演精度是否符合實(shí)際需要。將測(cè)井巖性曲線縱向展布規(guī)律和井旁地震反演時(shí)間剖面做對(duì)比，來驗(yàn)證反演結(jié)果的可靠性。圖8是過井地震剖面反演結(jié)果，反演結(jié)果與井基本吻合，泥巖橫向連續(xù)性得到改善。同時(shí)根據(jù)神經(jīng)網(wǎng)絡(luò)反演結(jié)果，結(jié)合前人資料選取了優(yōu)質(zhì)的烴源巖豐度指標(biāo)[17-18]，預(yù)測(cè)烴源巖有利層段(圖9)。通過平湖組時(shí)間切片可以刻畫泥巖在不同層段的厚度范圍。在該研究區(qū)內(nèi)，泥巖厚度由西(凹陷外部)到東(凹陷中心)逐漸增厚，泥巖含量逐漸增多(圖10)。將反演測(cè)井泥巖厚度與測(cè)井實(shí)測(cè)統(tǒng)計(jì)泥巖厚度做對(duì)比，泥巖厚度預(yù)測(cè)精度可達(dá)93%以上(表1)。

圖8 鉆井巖性及井旁反演結(jié)果對(duì)比Fig.8 Comparison of lithology and inversion results of well B2

圖9 平湖組井旁烴源巖分布剖面(黃色為有利烴源巖(TOC豐度>1)區(qū)段)Fig.9 Section of source rocks of well B1 in the Pinghu Formation(yellow part is high-quality source rock (TOC abundance>1) section)

a—平湖組上段泥巖厚度切片;b—平湖組中段泥巖厚度切片;c—平湖組下段泥巖厚度切片a—thickness slice of mudstone in upper Pinghu Formation;b—thickness slice of mudstone in middle Pinghu Formation;c—thickness slice of mudstone in lower Pinghu Formation圖10 西湖凹陷平湖組泥巖厚度切片F(xiàn)ig.10 Thickness slice of mudstone in Pinghu Formation in Xihu Sag

表1 反演泥巖厚度與實(shí)測(cè)泥巖厚度對(duì)比

4 結(jié)論

西湖凹陷作為我國重要的烴源巖系，一直以來對(duì)其的巖性展布預(yù)測(cè)受測(cè)井范圍有限，地質(zhì)條件復(fù)雜等問題的影響而較為困難。波阻抗信息對(duì)于巖性的指示度不高，傳統(tǒng)的井震波阻抗反演在該區(qū)域內(nèi)反演結(jié)果較差。

本文通過結(jié)合前人工作經(jīng)驗(yàn)，對(duì)測(cè)井曲線進(jìn)行歸一化處理，構(gòu)建神經(jīng)網(wǎng)絡(luò)反演所需的擬敏感曲線，并運(yùn)用于測(cè)井約束的神經(jīng)網(wǎng)絡(luò)反演中。測(cè)井曲線歸一化最大限度地減弱了非地質(zhì)因素對(duì)于測(cè)井曲線的影響，基于擬敏感曲線的神經(jīng)網(wǎng)絡(luò)方法作為一種非線性方法，用來建立測(cè)井曲線與地震資料之間的非線性映射關(guān)系，提高了地震反演精度。反演所得結(jié)果與測(cè)井巖性分布一致，達(dá)到了預(yù)期的巖性識(shí)別效果。同時(shí)可以對(duì)平湖組各段依照反演結(jié)果取泥巖厚度切片，研究泥巖展布規(guī)律，并以此為后期的油氣開發(fā)提供數(shù)據(jù)支撐和方法依據(jù)。