曹琳昱，朱仕軍，周 強

（1.西南石油大學資源與環(huán)境學院，四川成都 610500；2.中國石油天然氣集團公司川慶鉆探工程有限公司測井分公司，重慶 400000）

基于粒子群優(yōu)化的BP網絡在地震屬性融合技術中的應用

曹琳昱1，朱仕軍1，周 強2

（1.西南石油大學資源與環(huán)境學院，四川成都 610500；2.中國石油天然氣集團公司川慶鉆探工程有限公司測井分公司，重慶 400000）

受地震資料品質、巖性、構造等諸多因素的影響，單一地震屬性只能在一定程度上提供預測儲層的方向，并存在多解性。地震屬性融合技術用井孔資料對地震屬性進行標定，建立儲層含油氣性與地震屬性之間的關系，采取數學手段融合多種地震屬性進行儲層含油氣性判別，避免了單一地震屬性解釋儲層的多解性問題。BP網絡具有良好的非線性擬合能力，但是易陷入局部極小值，不收斂，影響預測精度。針對該問題，采用粒子群優(yōu)化其網絡權值和閾值，再用BP網絡對儲層、非儲層進行模式識別，取得較好成效。

粒子群優(yōu)化；BP網絡；地震屬性融合技術；儲層預測

Abstract：particle swarm optimization，BP neural network，seismic attribute fusion technique，reservoir prediction

地震屬性與儲層參數不存在一一對應關系，是構造、巖性與含油氣等綜合因素的響應。單一屬性解釋儲層不可避免的存在多解性［1～4］，對此，有學者［5～7］提供了解決思路或進行精細標定，或采用多地震屬性分析，或進行模式聚類，都取得了較好效果。地震屬性融合技術［8］，應用井孔資料對地震屬性進行標定，建立油藏（儲層）特征與地震屬性之間的關系，融合多地震屬性進行模式識別。BP網絡具有良好的非線性擬合能力，可很好的融合多地震屬性，預測儲層參數［9］。但是BP網絡基于梯度下降算法，容易陷入局部收斂的問題。筆者采用粒子群優(yōu)化其網絡權值和閾值，以達到尋找全局最小值的目的，提高地震屬性融合技術的可靠性。

1 基于PSO優(yōu)化的BP網絡融合技術

BP網絡誤差逆向傳播。其學習思想：對網絡權值（wij）與閾值（θ）的修正，使得誤差函數（E）沿負梯度方向下降，公式（1）所示，從某一起始點開始的斜面逐漸達到誤差的最小值。在其訓練過程中，可能陷入一個局部極小值。

式中：Wij——輸入節(jié)點與隱節(jié)點間的網絡權值；k——BP神經網絡的第k次計算；η——學習率；E——誤差；ol——實際輸出；tl——預期輸出。

為解決BP神經網絡法對初始權值敏感、易陷入局部極小值的問題，采用基于全局隨機優(yōu)化思想的粒子群優(yōu)化（PSO）算法，對BP神經網絡的初始權值和閾值進行了優(yōu)化［10］。式（2）為粒子群的適度函數。PSO算法中的粒子尋優(yōu)基本公式如下：

式中：w——慣性因子；r1，r2——（0，1）區(qū)間服從均勻分布的隨機數；c1i，c2i——學習因子；n——迭代次數；——迭代n次時粒子i的空間位置——迭代n+1次時粒子i的速度——迭代n次時粒子i的速度，Gn——微粒從初始到當前迭代次數搜索產生的個體極值和全局極值。

基于粒子群優(yōu)化的BP網絡計算步驟如下：

第一步，根據神經網絡的輸入、輸出樣本集，建立神經網絡的拓撲結構，將神經元之間所有的連接權值和閾值編碼成實數向量，表示種群中的個體粒子。

第二步，初始化粒子群規(guī)模，粒子的初始位置、速度，慣性因子ω，學習因子c1和c2，最大迭代次數；初始化每一個粒子的個體極值和全局最優(yōu)值等。比較適應度，確定每個粒子的個體極值點和全局最優(yōu)。

第三步，更新每個粒子的位置和速度計算出算法的誤差。

第四步，判斷誤差是否滿足預設精度或迭代是否達到最大次數。若誤差滿足預設精度，算法收斂，最后一次迭代的全局最優(yōu)值Gn中每一維的權值和閾值就是所求的最優(yōu)解；若迭代次數未達到最大，返回第三步，算法繼續(xù)迭代，否則算法終止。

2 單一屬性分析

圖1 頻率為20 Hz的能量切片Fig.1 Energy slice with the frequency of20 Hz

圖2 頻率為30 Hz的能量切片Fig.2 Energy slice with the frequency of30 Hz

研究截取X地區(qū)為一侏羅系地層。該區(qū)有鉆井1井，2井，3井，4井鉆穿目的層，均有油氣顯示，尤其是4號井產量最高。對目的層提取20，30，35 Hz頻率能量體、反射強度、相對波阻抗屬性，進行單一屬性分析。

20，30，35 Hz頻率能量體［11～13］是對地震道進行連續(xù)時頻分析生成的一系列相應離散頻率能量體，沿目的層切片所得。理論研究表明，與致密的單相地質體相比，當地質體中含流體如油、氣或水時，會引起地震波能量的衰減。在低頻20 Hz能量切片（圖1）上，4井，2井處于高值區(qū)域，3井值相對4井，2井較低。在30 Hz能量切片（圖2）上，4口井均處于低值，尤其是相比圖1，4井能量衰減最大，從高值直接衰減為低值。在35 Hz能量切片（圖3）上，4井處于絕對低值。所以證實各單一頻率的數據進行對比、分析和解釋，利用譜衰減來預測儲層含油氣性有一定可行性。

地震波的振幅是很多地震屬性的源數據，所以其中包含了很多儲層的信息。油氣層的反射振幅特征取決于儲層和蓋層的速度關系。X區(qū)是砂泥巖互層，含氣砂巖與不含氣砂巖相比，反射強度相對較弱。從反射強度切片（圖2）上可見4口井均處于低值區(qū)域。聯合試油情況，可初步得出，儲層處于反射強度低值區(qū)的結論。

相對波阻抗屬性是通過道積分方法求取的，有明確的物理意義。相對波阻抗切片（圖3）顯示，1井，2井，4井都落入了低相對波阻抗區(qū)域，這決定了筆者對于相對波阻抗屬性的預測模式是尋找高值中的相對低值異常區(qū)域，它反映了砂巖含氣后的相對波阻抗值向低值方向移動，可以作為儲層預測的因素之一。

通過以上單一屬性分析，根據鉆井資料和屬性切片，初步認定低頻高值，高頻低值，較弱反射強度，強背景下的相對弱波阻抗為有利儲層區(qū)域。但是地震屬性與儲層參數不存在一一對應關系，受制于地震資料品質好壞的影響，是構造、巖性與含油氣等綜合因素的響應。單一屬性解釋儲層不可避免的存在多解性，比如，3井是干井，但反射強度較弱，相對波阻抗值較高，與另外3口氣井相同。地震屬性融合技術很好的解決了這個問題，應用井孔資料對地震屬性進行標定，建立油藏（儲層）特征與地震屬性之間的關系，融合多地震屬性進行模式識別。

3 多屬性融合分析

圖3 頻率為35 Hz的能量切片Fig.3 Energy slice with the frequency of 35 Hz

圖4 反射強度切片Fig.4 Slice of reflection strength

在4井所處區(qū)域，提取20，30，35 Hz頻率能量、反射強度，相對波阻抗的儲層樣本10個，在干井3井區(qū)域提取非儲層樣本10個。為避免神經網絡權值計算過程中大數吃小數的狀況，對其進行歸一化。建立一個3層BP神經網絡，用粒子群優(yōu)化其神經網絡權值和閾值。設定其輸出1對應儲層，輸出0對應非儲層。編程實現其算法，得出該區(qū)屬性融合圖（圖4）。用未參與計算的1井，2井作為蘊藏井來驗證屬性融合效果，1井，2井均位于有效儲層區(qū)域（黃色，介于紅色和黃色之間），與這兩口井有產量，但是產量不高的情況相吻合。

圖5 相對波阻抗切片Fig.5 Slice of relative wave impedance

圖6 屬性融合圖Fig.6 Map showing fusion of attributes

BP神經網絡具有較強的模式識別能力，能很好的劃分儲層（紅色）與非儲層（綠色）。根據屬性融合圖，可看出4井儲層集中區(qū)，與4井是高產井的實際情況相吻合。除了得出已鉆4井與屬性融合圖吻合外，可預測出另外幾個有利儲層區(qū)域，為下一步定井位提供有力憑據。

4 結論

1）X區(qū)的單一地震屬性可以在一定程度上為儲層預測提供依據。X區(qū)目的層有利儲層區(qū)域20 Hz能量大，30，35 Hz能量小，反射強度相較弱，相對波阻抗為高值背景下的低值。

2）基于粒子群BP網絡的地震屬性融合技術是可行的，為儲層預測提供了一個較為可靠的方法，有較強的實用價值。

1 曹輝.關于地震屬性應用的幾點認識［J］.勘探地球物理進展， 2002，25（5）：18～22

2 杜世通.地震屬性分析［J］.油氣地球物理，2004，2（4）：19～31

3 侯伯剛，楊池銀，武站國，等.地震屬性及其在儲層預測中的影響因素［J］.石油地球物理勘探，2004，39（5）：553～558

4 唐建明，楊軍，張哨楠.川西坳陷中、淺層氣藏儲層識別技術［J］.石油與天然氣地質，2006，27（6）：879～893

5 石萬忠，陳開遠，陳新軍，等.地震屬性參數在勝坨油田氣藏預測中的應用［J］.石油與天然氣地質，2003，24（2）：196～198

6 孫萬軍.多種地震屬性參數在儲層橫向預測中的應用［J］.石油地球物理勘探，2004，39（5）：586～588

7 陳波，胡少華，畢建軍.地震屬性模式聚類預測儲層物性參數［J］.石油地球物理勘探，2005，40（2）：204～208

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

9 王永剛，曹丹平，朱兆林.神經網絡方法烴類預測中的問題探討［J］.石油物探，2004，43（1）：94～98

10 崔吉峰，乞建勛，楊尚東.基于粒子群改進BP神經網絡的組合預測模型及其應用［J］.中南大學學報（自然科學版），2009， 40（1）：190～194

11 畢研斌，龍勝祥，郭彤樓，等.應用頻率衰減屬性預測TNB地區(qū)儲層含氣性［J］.石油與天然氣地質，2007，28（1）：116～121

12 Partyka G，Gridley J，Lopez J.Interpretational application of spectral decomposition in reservoir characterization［J］.The Leading Edge，1999，18（3）：353-360

13 瞿子易，周文，羅鑫，等.基于粒子群和支持向量機的裂縫識別［J］.石油與天然氣地質，2009，30（6）350～356

（編輯 高 巖）

Application of particle swarm optim ization-based BP neural network to multi-attribute fusion techniques

Cao Linyu1，Zhu Shijun1and Zhou Qiang2
（1.School of Resources and Environment，Southwest Petroleum University，Chengdu，Sichuan 610500，China；2.Logging Branch Company，CNPC Chuanqing Drilling Engineering Company，Chongqing 400000，China）

Constrained by factors such as quality of seismic data，lithology and structures，single seismic attribute can only be used to predict reservoirs to a certain extent and there aremultiple possibilities.Through calibrating seismic attributeswith well data，seismic attribute fusion techniques can correlate oil/gas potential with seismic attributes.For oil/gas potential prediction of reservoirs，mathematics-based multi-attribute fusion can avoid the ambiguity of single-attribute reservoir interpretation.Back propagation（BP）neural network is very good at nonlinear fitting，but it is easy to get a localminimum without convergence，influencing the accuracy of prediction. To solve this problem，particle swarm is adopted first to optimize the network weight and threshold，and BP neural network is then used to differentiate reservoirs and non-reservoirs.The results are satisfactory.

TE132.1

：A

0253-9985（2010）05-0685-04

2009-07-13；

2010-09-08。

曹琳昱（1984—），女，碩士研究生，儲層預測。