李東安,寧俊瑞,劉振峰

(1.中國地質(zhì)大學(xué)資源學(xué)院,湖北武漢430074; 2.中國石油化工股份有限公司石油勘探開發(fā)研究院,北京100083)

用神經(jīng)網(wǎng)絡(luò)和地質(zhì)統(tǒng)計(jì)學(xué)綜合多元信息進(jìn)行儲(chǔ)層預(yù)測

李東安1,寧俊瑞2,劉振峰2

(1.中國地質(zhì)大學(xué)資源學(xué)院,湖北武漢430074; 2.中國石油化工股份有限公司石油勘探開發(fā)研究院,北京100083)

由于實(shí)際地下地質(zhì)地球物理?xiàng)l件的復(fù)雜性和地震等資料品質(zhì)所限,相關(guān)問題的解決較為困難。在研究中如何將多元信息結(jié)合起來是實(shí)現(xiàn)這一目標(biāo)的可行途徑。遵循這一思路,在D氣田地震儲(chǔ)層預(yù)測中,針對研究區(qū)儲(chǔ)層地質(zhì)、地球物理特點(diǎn),嘗試用神經(jīng)網(wǎng)絡(luò)和地質(zhì)統(tǒng)計(jì)學(xué)作為不同信息的融合平臺(tái),并將二者結(jié)合起來,充分地將多種地震屬性和測井資料相結(jié)合,有效地減少了儲(chǔ)層預(yù)測的多解性,提高了儲(chǔ)層預(yù)測精度,達(dá)到了良好的應(yīng)用效果。

地震屬性;神經(jīng)網(wǎng)絡(luò);地質(zhì)統(tǒng)計(jì)學(xué);儲(chǔ)層預(yù)測

減少預(yù)測結(jié)果的多解性、提高預(yù)測精度是儲(chǔ)層地震預(yù)測的永恒話題。由于地震儲(chǔ)層預(yù)測是一個(gè)典型的信息不對稱問題,充分地占有多元信息對于減少問題的不對稱性、減少儲(chǔ)層預(yù)測的多解性至關(guān)重要。量綱不同、機(jī)理不同的信息如何充分地融合是業(yè)內(nèi)人員始終關(guān)注的問題。目前比較成熟的方法主要有兩種:一種是神經(jīng)網(wǎng)絡(luò)方法,另一種是地質(zhì)統(tǒng)計(jì)學(xué)方法[1～7]。在實(shí)際應(yīng)用中,兩種方法及以其為基礎(chǔ)的相關(guān)軟件多單獨(dú)使用。由于兩種方法各有優(yōu)劣,在面對復(fù)雜的儲(chǔ)層地質(zhì)地球物理?xiàng)l件時(shí),單一方法的使用難以取得理想的效果[8～13]?；谝陨峡紤],筆者在從事大量的地震儲(chǔ)層工作基礎(chǔ)上,嘗試著將神經(jīng)網(wǎng)絡(luò)和地質(zhì)統(tǒng)計(jì)學(xué)兩種數(shù)據(jù)(信息)融合平臺(tái)結(jié)合起來使用。通過在D氣田致密碎屑巖儲(chǔ)層預(yù)測中的應(yīng)用實(shí)踐,證實(shí)了這一方案的有效性。

1 方法原理

1.1 概率神經(jīng)網(wǎng)絡(luò)屬性優(yōu)化

概率神經(jīng)網(wǎng)絡(luò)實(shí)際上是用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來實(shí)現(xiàn)數(shù)學(xué)內(nèi)插[10]。通過比較新點(diǎn)處的新屬性與已知的培訓(xùn)中的屬性來確定每一個(gè)點(diǎn)的輸出,得到的預(yù)測值是培訓(xùn)目標(biāo)值的加權(quán)組合。它的潛在優(yōu)點(diǎn)是通過研究數(shù)學(xué)公式,并通過嚴(yán)密的推導(dǎo)來尋找地震屬性和目標(biāo)測井曲線之間的關(guān)系。

概率神經(jīng)網(wǎng)絡(luò)技術(shù)和多層正向充填神經(jīng)網(wǎng)絡(luò)技術(shù)輸入的數(shù)據(jù)相同,都包含一系列培訓(xùn)樣本,設(shè)有3個(gè)地震屬性,在分析時(shí)窗內(nèi)有n個(gè)測井采樣值:

式中:Li為目標(biāo)測井曲線上第i個(gè)采樣點(diǎn)的值;Aij為第i個(gè)地震屬性的第j個(gè)采樣點(diǎn)的值。

對于給定的培訓(xùn)數(shù)據(jù),該網(wǎng)絡(luò)假設(shè)新的輸出測井值是地震屬性的非線性組合,地震數(shù)據(jù)樣本

式中:D(y,yi)是輸入點(diǎn)y與每一個(gè)培訓(xùn)點(diǎn)yi之間的變化量;σj為平滑參數(shù);yij表示第i個(gè)采樣點(diǎn)第j個(gè)屬性。

預(yù)測的好壞主要取決于平滑參數(shù),預(yù)測結(jié)果最優(yōu)化的標(biāo)準(zhǔn)是實(shí)際的目標(biāo)測井值與預(yù)測的目標(biāo)測井值之間的誤差最小。對于第m個(gè)目標(biāo)采樣點(diǎn),新的輸出測井值為:

由此可以計(jì)算每一個(gè)采樣點(diǎn)的實(shí)際的目標(biāo)測井值與預(yù)測的目標(biāo)測井值之間的誤差。對每一個(gè)采樣點(diǎn)處理后總的累計(jì)誤差EV(σ1,σ2,σ3)為:

誤差的大小決定于平滑參數(shù)。

1.2 地質(zhì)統(tǒng)計(jì)學(xué)隨機(jī)模擬(反演)

地質(zhì)統(tǒng)計(jì)學(xué)隨機(jī)模擬是在地質(zhì)統(tǒng)計(jì)學(xué)(空間信息統(tǒng)計(jì)學(xué))基礎(chǔ)上發(fā)展起來的一門技術(shù)。由于研究過程中涉及到的儲(chǔ)層變量類型的不同,類型變量(離散變量,如沉積相、巖相)和連續(xù)變量(如孔隙度、滲透率、飽和度等)模擬方法有所不同。下面對具體工作中關(guān)系較為密切的幾個(gè)個(gè)方面作以簡要闡述。

1)地質(zhì)統(tǒng)計(jì)學(xué)和隨機(jī)模擬

地質(zhì)統(tǒng)計(jì)學(xué)體系由4部分組成——區(qū)域化變量理論、空間結(jié)構(gòu)變異性分析(變差函數(shù))、克里金插值技術(shù)和隨機(jī)模擬技術(shù)[3～5]。區(qū)域化變量理論闡述了地質(zhì)統(tǒng)計(jì)學(xué)研究變量是空間位置的函數(shù),空間變量具有確定性和隨機(jī)性,不同空間位置變量相關(guān)性(空間變量變異性)與空間距離有關(guān);空間結(jié)構(gòu)變異性分析給出了研究空間變量變異性的工具——變差函數(shù)模型;克里金插值技術(shù)是在變差函數(shù)分析的基礎(chǔ)上對未知區(qū)域進(jìn)行插值的一門技術(shù),其中包含了多種克里金算法。

隨機(jī)模擬技術(shù)是在空間變異性分析和克里金技術(shù)的基礎(chǔ)上,結(jié)合蒙特卡羅技術(shù)形成的一種對未知變量分布進(jìn)行隨機(jī)模擬的一種方法。簡單而言,地質(zhì)統(tǒng)計(jì)學(xué)研究的變量是隨機(jī)的,經(jīng)過空間變異性分析和克里金方程組的求解,可以獲得空間某一未知點(diǎn)空間隨機(jī)變量的累計(jì)概率分布函數(shù),通過蒙特卡羅技術(shù)對該分布進(jìn)行等概率的抽樣,可以獲得該點(diǎn)的一簇可能的變量值,為預(yù)測該點(diǎn)變量值提供依據(jù)。

2)連續(xù)變量的變差函數(shù)

變差函數(shù)是地質(zhì)統(tǒng)計(jì)學(xué)方法中最常用的衡量儲(chǔ)層變量空間變異性的工具。在儲(chǔ)層建模過程中,綜合各種不同來源的數(shù)據(jù),研究變差函數(shù)的計(jì)算及理論擬合,是十分必要的。變差函數(shù)分析直接關(guān)系到建立儲(chǔ)層模型的可靠性。這里對變差函數(shù)做簡要介紹。連續(xù)變量Z(x)變差函數(shù)的數(shù)學(xué)表達(dá)式為:

式中:γ(·)是半變差函數(shù),一般直接稱之為變差函數(shù);E[·]表示數(shù)學(xué)期望;Z(xi)和Z(xj)是空間區(qū)域內(nèi)兩個(gè)位置的觀測值。上式表明變差函數(shù)為空間兩點(diǎn)的觀測值差的平方的數(shù)學(xué)期望之半。

實(shí)際應(yīng)用時(shí)估計(jì)變差函數(shù)采用下式計(jì)算:

式中為估計(jì)變量函數(shù);N(h)表示距離為h的點(diǎn)對個(gè)數(shù)。

圖1示出了變差函數(shù)的主要參數(shù)。從圖中可以看出,變差函數(shù)的一個(gè)基本參數(shù)是變程,當(dāng)滯后距離h增大時(shí),γ(·)的值隨之增大,當(dāng)γ(·)達(dá)到平穩(wěn)值時(shí)的滯后距h值稱為變程,它表示空間上的最大相關(guān)距離;另一個(gè)參數(shù)是基臺(tái)值,即當(dāng)γ(·)達(dá)到平穩(wěn)值時(shí)的值,表示數(shù)值先驗(yàn)方差的大小,塊金值是h=0位置的非零γ(·)值。可以看出,當(dāng)h=0時(shí),γ(·)=0,但實(shí)際上,還會(huì)出現(xiàn)塊金值,產(chǎn)生這種現(xiàn)象的原因比較多,可能是由于采樣和實(shí)驗(yàn)誤差或小尺度的變化引起的。

3)類型變量的變差函數(shù)

在巖相參數(shù)等類型變量的變差函數(shù)求取前,首先要對巖相代碼做一下指示變換,將巖相代碼Z(x)轉(zhuǎn)變?yōu)閹r相指示代碼I(x)(包含0和1兩個(gè)值為例)。

式中:vc為特定巖相代碼值。

指示變差函數(shù)為:

實(shí)際應(yīng)用時(shí)估計(jì)指示變差函數(shù)采用下式計(jì)算:

圖1 變差函數(shù)主要參數(shù)示意圖Fig.1 Main parameters of variogram

4)序貫指示模擬和序貫高斯模擬

在儲(chǔ)層參數(shù)隨機(jī)模擬過程中,類型變量多采用序貫指示模擬算法,連續(xù)變量多采用序貫高斯模擬算法。

序貫指示模擬的基本思想就是將地質(zhì)信息進(jìn)行離散的編碼,通常編碼成0與1兩值的指示變量(兩種類型變量為例),然后構(gòu)建指示變量的變差函數(shù)模型,通過求解克里金方程組,得到指示變量的克里金估計(jì)。指示變量的克里金估計(jì)給出了未知位置變量的概率估計(jì)(通過解克里金方程組,權(quán)系數(shù)λj已知)。

式中:λj為權(quán)系數(shù)。

然后采用Monte Carlo技術(shù)對未知變量點(diǎn)進(jìn)行賦值。對所有未知變量點(diǎn)按次序訪問一遍得到隨機(jī)模型的一個(gè)實(shí)現(xiàn)。

序貫高斯模擬是主要應(yīng)用于連續(xù)型隨機(jī)變量模擬的一種方法,屬于參數(shù)估計(jì)的隨機(jī)模擬方法。首先假定連續(xù)變量服從正態(tài)(高斯)分布,然后通過克里金估值技術(shù)確定正態(tài)分布的兩個(gè)參數(shù)——數(shù)學(xué)期望和估計(jì)方差。其中數(shù)學(xué)期望為(通過解克里金方程組,權(quán)系數(shù)λj已知):

在確定了分布參數(shù)之后,對未知變量點(diǎn)通過Monte Carlo技術(shù)進(jìn)行抽樣賦值,對所有未知變量點(diǎn)按次序訪問一遍得到隨機(jī)模型的一個(gè)實(shí)現(xiàn)。

為了最大限度地充分利用或間接利用地震信息,在以上兩種方法使用過程中,在克里金估計(jì)環(huán)節(jié)一般使用同位配置協(xié)克里金方法,將第二變量的影響考慮進(jìn)去。如巖相模擬、孔隙度模擬時(shí)第二變量為波阻抗,在滲透率模擬和含氣飽和度模擬環(huán)節(jié)第二變量為孔隙度信息。同位配置協(xié)克里金的估計(jì)值表達(dá)形式為:

式中:λy為同位的主變量Z(xi)和第二變量y(xi)的線性相關(guān)系數(shù)。

1.3 二者結(jié)合的必要性

在神經(jīng)網(wǎng)絡(luò)多屬性優(yōu)化過程中,測井曲線被作為學(xué)習(xí)目標(biāo)曲線,不參與到新屬性的合成之中,其自身高頻成分往往不能在優(yōu)化屬性得到直接的反映,因而優(yōu)化屬性只是多種地震屬性的一種組合,垂向分辨能力較低。在地質(zhì)統(tǒng)計(jì)學(xué)隨機(jī)模擬(反演)過程中,測井信息是作為條件數(shù)據(jù)(硬數(shù)據(jù))出現(xiàn)的,直接參與到模擬結(jié)果之中,因而具有較高的垂向分辨能力。在適用性上,在研究區(qū)鉆井?dāng)?shù)目較少的情況下,如果鉆井分布均勻,采用神經(jīng)網(wǎng)絡(luò)方法雖然分辨率低一些,但能較客觀地預(yù)測儲(chǔ)層參數(shù)的橫向分布狀態(tài)。地質(zhì)統(tǒng)計(jì)學(xué)方法在鉆井較為稀疏的情況下,很難對儲(chǔ)層參數(shù)的變異結(jié)構(gòu)做出較為合理的分析,因而往往會(huì)在平面圖上出現(xiàn)“圍井打圈”,剖面圖上出現(xiàn)“圣誕樹”或“平行軌道”等明顯有悖于地質(zhì)規(guī)律的現(xiàn)象。在儲(chǔ)層、非儲(chǔ)層阻抗差異微弱的情況下,由于“軟數(shù)據(jù)”(地震數(shù)據(jù))約束失效,會(huì)加劇以上不合理現(xiàn)象的出現(xiàn)。

考慮到二者的應(yīng)用特點(diǎn)和適用情況,為了兼顧預(yù)測結(jié)果側(cè)向上的客觀趨勢和垂向較好的分辨能力,如何將二者結(jié)合起來使用就成為研究工作當(dāng)中需要考慮的問題。基于以上分析,結(jié)合D氣田地震儲(chǔ)層預(yù)測實(shí)際工作,筆者進(jìn)行了將神經(jīng)網(wǎng)絡(luò)和地質(zhì)統(tǒng)計(jì)學(xué)結(jié)合起來進(jìn)行工作的嘗試。

2 實(shí)際應(yīng)用

2.1 應(yīng)用需求

D氣田是一個(gè)以上古生界致密碎屑巖巖性氣藏為主的大型氣田。儲(chǔ)層地質(zhì)地球物理?xiàng)l件較為復(fù)雜,儲(chǔ)層砂體較薄(單砂體一般小于10 m)、側(cè)向變化迅速。同時(shí),目的層段砂泥巖阻抗差異微弱,地震資料主頻較低(25～30 Hz),單從地震剖面上很難對儲(chǔ)集體砂體做出預(yù)測。針對這種情況,研究中多種信息的利用成為優(yōu)先考慮的問題。地震屬性分析技術(shù)、基于地質(zhì)統(tǒng)計(jì)學(xué)的儲(chǔ)層參數(shù)反演技術(shù)得到了大量的應(yīng)用并獲得了較好的應(yīng)用成效。但隨著勘探開發(fā)的不斷深入,儲(chǔ)層預(yù)測的難度也在不斷加大,如何在已有技術(shù)基礎(chǔ)上進(jìn)行優(yōu)化現(xiàn)有方法技術(shù),進(jìn)一步減少儲(chǔ)層預(yù)測多解性、提高儲(chǔ)層預(yù)測精度就成為需要著重考慮的問題。

筆者在對已有技術(shù)分析的基礎(chǔ)上認(rèn)為,單一屬性分析存在的主要問題是由原始地震數(shù)據(jù)帶來的分辨能力不夠、多解性強(qiáng)、缺少明確的地質(zhì)含義;儲(chǔ)層參數(shù)反演存在的主要問題是所使用的地震約束數(shù)據(jù)體(阻抗)對一些儲(chǔ)層參數(shù),如致密層段的巖性、孔隙度、含氣性的分異度不夠,從而導(dǎo)致在復(fù)雜層段和區(qū)域不能很好地起到側(cè)向的約束作用,同時(shí)由于反演在時(shí)間域進(jìn)行,需要分層段在空間域進(jìn)行統(tǒng)計(jì)分析的參數(shù)模型很難求取準(zhǔn)確。

2.2 應(yīng)用方案

圖2 神經(jīng)網(wǎng)絡(luò)和地質(zhì)統(tǒng)計(jì)學(xué)整合多元信息流程圖Fig.2 Flowchart showing the information integration based on artificial neural network and geostatistics

基于以上認(rèn)識(shí),應(yīng)該在屬性分析和參數(shù)模擬兩個(gè)環(huán)節(jié)及兩個(gè)環(huán)節(jié)的結(jié)合上進(jìn)行研究方案的重調(diào)整。研究中應(yīng)選擇概率神經(jīng)網(wǎng)絡(luò)方法,以測井曲線作為學(xué)習(xí)目標(biāo),進(jìn)行多種地震屬性優(yōu)化,獲得地質(zhì)含義較為明確的新的屬性數(shù)據(jù)體。但是新的屬性體的垂向分辨能力是不充分的。在此基礎(chǔ)上,用新的優(yōu)化屬性體為約束,以測井?dāng)?shù)據(jù)作為條件數(shù)據(jù)(硬數(shù)據(jù))進(jìn)行儲(chǔ)層參數(shù)地質(zhì)統(tǒng)計(jì)學(xué)隨機(jī)模擬(反演),最終得到較為精細(xì),同時(shí)側(cè)向分布合理的儲(chǔ)層參數(shù)模型。在流程圖(圖2)中,巖性、物性、含氣性(反演)模擬是分層次、逐級(jí)控制進(jìn)行的,這也是與沉積地質(zhì)學(xué)中對巖性、物性、含氣性3者的關(guān)系相一致的。

2.3 流程調(diào)試和關(guān)鍵參數(shù)選擇

應(yīng)用概率神經(jīng)網(wǎng)絡(luò),以重構(gòu)的巖性指示曲線為目標(biāo)測井曲線對地震屬性進(jìn)行了屬性優(yōu)化的相關(guān)分析工作。經(jīng)過調(diào)試,最終確定了阻抗、二階導(dǎo)數(shù)、絕對振幅積分、道積分、55～70 Hz信息、視極性、優(yōu)勢頻率、瞬時(shí)相位余弦、瞬時(shí)相位9種地震屬性作為敏感屬性參與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí),學(xué)習(xí)得到的新的優(yōu)化屬性數(shù)據(jù)與重構(gòu)的巖性指示曲線有較好的相關(guān)性,相關(guān)系數(shù)達(dá)到84.54%。從圖3可以看出,優(yōu)化屬性與巖性指示曲線的相關(guān)性也較阻抗與巖性指示曲線的相關(guān)性有較大改善,單獨(dú)由阻抗預(yù)測結(jié)果與巖性指示曲線的相關(guān)性僅有45.76%。而且因?yàn)閮?yōu)化屬性以巖性指示曲線為學(xué)習(xí)目標(biāo)進(jìn)行了訓(xùn)練,因而具有明確的地質(zhì)意義,低值(＜270)代表了砂巖的存在。圖4給出了一條屬性優(yōu)化剖面,盡管垂向精度不夠高,但較好地反映了砂巖側(cè)向的展布趨勢,可以作為巖性參數(shù)模擬的約束數(shù)據(jù)體。

在應(yīng)用地質(zhì)統(tǒng)計(jì)學(xué)進(jìn)行儲(chǔ)層參數(shù)反演(模擬)環(huán)節(jié),最為關(guān)鍵的參數(shù)是各小層各巖相的變差函數(shù)模型,模擬是在深度域進(jìn)行的,相應(yīng)參數(shù)的空間統(tǒng)計(jì)得以較好地完成。

2.4 應(yīng)用效果

在相關(guān)參數(shù)調(diào)試的基礎(chǔ)上,依照圖1所示的工作流程進(jìn)行了相關(guān)工作,并按照隨機(jī)模擬常用的模擬前后參數(shù)分布直方圖最為近似的原則(“忠實(shí)于直方圖”)進(jìn)行了預(yù)測結(jié)果優(yōu)選,最終得到了研究區(qū)目的層段的巖相、孔隙度、含氣飽和度預(yù)測結(jié)果。圖5顯示了同一剖面的巖性、孔隙度、含氣飽和度的分布狀況。從剖面可以看到,薄層砂體的巖性、物性和含氣性分布狀況得到了較為精細(xì)的刻畫。

以上研究成果被及時(shí)地應(yīng)用到D氣田井位部署工作之中,成為氣田井位部署的主要參考依據(jù)之一。結(jié)合鉆井情況分析,對儲(chǔ)層參數(shù)模擬結(jié)果進(jìn)行了鉆井驗(yàn)證。

圖3 阻抗預(yù)測結(jié)果(左)、優(yōu)化屬性預(yù)測結(jié)果(右)與巖性指示曲線相關(guān)性比較Fig.3 Correlations of predicted impedance(left)and optimized attribute(right)with lithology indicator curves

圖4 屬性優(yōu)化剖面揭示的砂體側(cè)向展布Fig.4 Lateral distribution of sandbody revealed by optimized attribute sections

圖5 儲(chǔ)層參數(shù)(巖性、孔隙度、含氣飽和度)預(yù)測成果剖面Fig.5 Reservoir prediction profiles(lithology,porosity and gas saturation)

參加驗(yàn)證分析的未參與模擬的鉆井共計(jì)20口,氣砂巖厚度平均絕對誤差值為0.36 m,平均相對誤差值為13.72%?？梢?預(yù)測結(jié)果準(zhǔn)確率在85%以上,儲(chǔ)層預(yù)測成果是較為可靠的。

3 結(jié)論

針對復(fù)雜地質(zhì)地球物理?xiàng)l件下地震儲(chǔ)層預(yù)測中遇到的多解性和精度問題,筆者從地震儲(chǔ)層預(yù)測兩種常用的信息融合工具——神經(jīng)網(wǎng)絡(luò)和地質(zhì)統(tǒng)計(jì)學(xué)的原理出發(fā),提出了將二者結(jié)合進(jìn)行地震儲(chǔ)層預(yù)測方案流程。結(jié)合D氣田致密碎屑巖巖性氣藏儲(chǔ)層預(yù)測中遇到的實(shí)際問題,對該方案流程進(jìn)行了驗(yàn)證性分析應(yīng)用,應(yīng)用結(jié)果表明,儲(chǔ)層預(yù)測結(jié)果的精度較高,預(yù)測過程中的一些多解性現(xiàn)象得到顯著改善,相關(guān)方案流程對于致密碎屑巖薄儲(chǔ)層預(yù)測來說,是較為有效的。

1 侯景儒,尹鎮(zhèn)南,李維明,等.實(shí)用地質(zhì)統(tǒng)計(jì)學(xué)(空間信息統(tǒng)計(jì)學(xué))[M].北京:地質(zhì)出版社,1998.1～5

2 王家華,張團(tuán)峰.油氣儲(chǔ)層隨機(jī)建模[M].北京:石油工業(yè)出版社,2001.1～10

3 Pan Guocheng.地質(zhì)統(tǒng)計(jì)學(xué)中的區(qū)域化變量理論[J].世界地質(zhì),1997,16(2):85～93

4 Pan Guocheng.地質(zhì)統(tǒng)計(jì)學(xué)中結(jié)構(gòu)分析的理論與方法[J].世界地質(zhì),1997,16(3):70～82

5 Pan Guocheng.地質(zhì)統(tǒng)計(jì)學(xué)中的估值技術(shù)和條件模擬[J].世界地質(zhì),1997,16(3):83～10

6 劉振峰,郝天珧,楊長春.沉積模型和儲(chǔ)層隨機(jī)建模[J].地球物理學(xué)進(jìn)展,2003,18(3):519～523

7 劉振峰.基于MRF模型的油氣儲(chǔ)層屬性隨機(jī)建模方法研究[D].中科院研究生院,2004.1～6

8 李軍,熊利平,趙為永.基于確定性和隨機(jī)模型的薄儲(chǔ)層巖性預(yù)測[J].石油與天然氣地質(zhì),2009,30(2):240～244

9 譙述蓉,張虹,趙爽.川西DY地區(qū)須家河組致密砂巖儲(chǔ)層預(yù)測技術(shù)及應(yīng)用效果分析[J].石油與天然氣地質(zhì),2008, 29(6):774～780

10 許杰,何治亮,董寧,等.鄂爾多斯盆地大牛地氣田盒3段河道砂巖相控儲(chǔ)層預(yù)測[J].石油與天然氣地質(zhì),2009,30(6):692～705

11 董寧,劉振峰,周小鷹,等.鄂爾多斯盆地致密碎屑巖儲(chǔ)層地震識(shí)別及預(yù)測[J].石油與天然氣地質(zhì),2008,29(5):668～675

12 Caers J,Ma X.Modelling conditional distributions of facies from seismic using neural nets[J].Mathematical Geology, 2002,34:143-167

13 Caers J,Avseth P,Mukerji T.Geostatistical integration of rock physics seismic amplitudes and geological models in North-Sea turbidite systems[J].The Leading Edge,2001,20 (3):308-312

Reservoir prediction with integrated information based on artificial neural network technology and geostatistics

Li Dongan1,Ning Junrui2and Liu Zhenfeng2
(1.Faculty of Resources,China University of Geosciences,Wuhan,Hubei430074,China;2.S INOPEC Petroleum Ex ploration and Production Research Institute,Beijing100083,China)

How to eliminate mistiness and improve the precision of seismic data interpretation is an everlasting topic in reservoir prediction.However,it is rather difficult to solve the problem due to the complexity of actual geological and geophysical conditions and low quality of seismic data.Recent study shows that integration of information from different sources is an effective way to deal with the issue.Guided by this understanding,we tried to combine artificial neural network technologies and geostatistics in reservoir prediction of the Dgas field. By doing so,we realized the integration of multiple seismic attributes with logging data,and effectively reduced the mistiness and improved the precision of prediction.

seismic attribute,artificial neural network,geostatistics,reservoir prediction

TE132.1

A

0253-9985(2010)04-0493-06

2010-06-28。

李東安(1963—),男,高級(jí)工程師,石油物探。

國家“十一五”科技攻關(guān)重大專項(xiàng)(2008ZX05002-005-003)。

(編輯 高 巖)