周 杰

（1.中國地質(zhì)大學(xué)能源學(xué)院，北京 100083；2.中原油田分公司勘探開發(fā)科學(xué)研究院，河南 濮陽 457001）

神經(jīng)網(wǎng)絡(luò)法地震反演應(yīng)用及效果

周 杰1，2

（1.中國地質(zhì)大學(xué)能源學(xué)院，北京 100083；2.中原油田分公司勘探開發(fā)科學(xué)研究院，河南 濮陽 457001）

X潛山研究區(qū)屬于儲層非均質(zhì)性極強的裂縫型油藏，構(gòu)造極為復(fù)雜，初始模型的構(gòu)建難度極大，多解性非常強。為此，要尋找一種方法，充分利用現(xiàn)有各種測井資料，彌補聲波測井的不足；充分利用地震資料的中頻信息，來提高儲層反演的分辨率和精度，盡可能的減少反演結(jié)果的多解性，增加反演成果的客觀性，以便更準確地進行儲層預(yù)測。作者建立地震屬性與測井資料的多維線性或非線性的統(tǒng)計關(guān)系，進而利用基于神經(jīng)網(wǎng)絡(luò)法地震反演和線性、非線性多元地震屬性分析對裂縫型儲層進行橫向預(yù)測。概率神經(jīng)網(wǎng)絡(luò)方法采用了交叉檢驗預(yù)測精度的方法，所以，在相關(guān)性較好的情況下，增加了預(yù)測結(jié)果的可靠性，減少了多解性，提高了預(yù)測結(jié)果的精度。

神經(jīng)網(wǎng)絡(luò)；地震屬性；逐步回歸；屬性優(yōu)化；地震反演

X潛山研究區(qū)屬于儲層非均質(zhì)性極強的裂縫型油藏，構(gòu)造極為復(fù)雜，初始模型的構(gòu)建難度極大，基于模型的高精度地震反演難度大、多解性強。為此，要尋找一種方法，充分利用現(xiàn)有各種測井資料，彌補聲波測井的不足；充分利用地震資料的中頻信息，來提高用儲層反演的分辨率和精度，盡可能地減少反演結(jié)果的多解性，增加反演成果的客觀性，以便更準確地進行儲層預(yù)測。因此，測井數(shù)據(jù)跟地震數(shù)據(jù)的有機融合將是儲層地震地質(zhì)綜合預(yù)測的關(guān)鍵。

前人研究表明，結(jié)合的第一種形式是由聲波測井制作合成地震記錄，從而分析地震反射特征與地質(zhì)模型的關(guān)系，進一步利用地震反射特征解釋地質(zhì)現(xiàn)象；結(jié)合的第二種形式是由地震資料進行測井儲層物性的反演模擬，也就是地震反演［1-3］。

由于研究區(qū)鉆井較多，且分布較為均勻，所以，筆者試圖繞過初始地質(zhì)模型難以建立的難題，從建立鉆井位置處的地震屬性與測井資料的多維線性或非線性的統(tǒng)計關(guān)系入手，利用基于神經(jīng)網(wǎng)絡(luò)法的地震反演和線性、非線性多元地震屬性分析對裂縫型儲層進行橫向預(yù)測。

1 不同神經(jīng)網(wǎng)絡(luò)特點分析

1.1 多層前饋神經(jīng)網(wǎng)絡(luò)特點

圖1為利用隱層5個節(jié)點的多層前饋神經(jīng)網(wǎng)絡(luò)的預(yù)測曲線。圖1說明了多層前饋神經(jīng)網(wǎng)絡(luò)2方面的特點：一是比起線性回歸來，擬合數(shù)據(jù)更為準確的遍歷大多數(shù)屬性點的所在范圍；二是當網(wǎng)絡(luò)試圖更密切的擬合這些數(shù)據(jù)時，在屬性低值區(qū)顯得有些不穩(wěn)定，這就是被稱作“過學(xué)習(xí)”的典型例子。

1.2 概率神經(jīng)網(wǎng)絡(luò)特點

概率神經(jīng)網(wǎng)絡(luò)實際上是一種數(shù)學(xué)插值手段，其實現(xiàn)恰好用到了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，它可以比多層前饋神經(jīng)網(wǎng)絡(luò)更好地理解其行為。圖2為概率神經(jīng)網(wǎng)絡(luò)獲得的預(yù)測曲線（使用數(shù)據(jù)與圖1相同），可看出概率神經(jīng)網(wǎng)絡(luò)具有擬合數(shù)據(jù)良好的特點，這跟多層前饋神經(jīng)網(wǎng)絡(luò)是一樣的，但是它在地震屬性范圍內(nèi)穩(wěn)定性更好。

2 應(yīng)用實例

2.1 地質(zhì)概況

X潛山研究區(qū)位于渤海南部淺海海域，水深4～12 m。X潛山主要發(fā)育古生界儲層，下古生界地層巖性變化大，儲集空間多，既具有準同生成因儲集空間，也有后生和表生成因儲集空間，儲層發(fā)育控制因素復(fù)雜多樣，其突出特點是原生儲集空間不發(fā)育，裂縫是重要的儲集和滲流空間。研究區(qū)主要的儲層段發(fā)育在上馬家溝組和下馬家溝組，以及冶里—亮甲山組和八陡組。

2.2 研究思路

研究表明，X 潛山研究區(qū)屬于儲層非均質(zhì)性極強的裂縫型油藏，構(gòu)造極為復(fù)雜，初始模型的構(gòu)建難度極大，基于模型的高精度地震反演難度大、多解性強。因此，測井數(shù)據(jù)跟地震數(shù)據(jù)或者衍生的地震屬性的有機融合將是儲層地震地質(zhì)綜合預(yù)測的關(guān)鍵。

2.3 地震屬性優(yōu)化

2.3.1 逐步回歸優(yōu)化地震屬性

從三維地震數(shù)據(jù)體提取了一系列基于樣點或者基于層位的地震屬性值，目的在于獲取一種多元地震屬性變換，這種變換是在地震屬性子集和測井目標物性值之間建立一種線性或非線性變換。研究認為它比原始地震數(shù)據(jù)更為有利的原因之一是這些屬性的大部分是非線性的，因此提高了方法的預(yù)測能力。一般把地震屬性定義成一種地震道數(shù)據(jù)的數(shù)學(xué)變換。它包括簡單屬性如道包絡(luò)、瞬時相位、瞬時頻率等和復(fù)雜屬性如地震道反演和AVO屬性。

多元地震屬性逐步回歸優(yōu)化技術(shù)的步驟如下：

第一步，通過任意搜索找到單個最優(yōu)屬性，屬性為振幅加權(quán)相位、平均頻率、視極性等。求解最優(yōu)的系數(shù)和計算預(yù)測誤差。最好的屬性就是預(yù)測誤差最小的那個稱為屬性1。

第二步，找出最優(yōu)的成對屬性，假設(shè)開始屬性序號為屬性1，其余屬性均依次形成如下全部屬性對：（屬性1，振幅加權(quán)相位），（屬性1，平均頻率）等，對每一對，都求解最優(yōu)系數(shù)和計算預(yù)測誤差。最好的對就是預(yù)測誤差最小的，把從最好對中得到的第二種屬性稱為屬性2。

第三步，找出最優(yōu)的三重屬性，假設(shè)開始兩個序號為屬性1和屬性2，其余的屬性形成三重屬性對：（屬性1，屬性2，振幅加權(quán)相位），（屬性1，屬性2，平均頻率）等，對每組三重屬性，求解最優(yōu)系數(shù)和計算預(yù)測誤差，最優(yōu)的三重屬性對就是預(yù)測誤差最小的那組，把來自三重屬性的第三個屬性成為屬性3。

不斷執(zhí)行這一過程直到達到滿意為止。

通過多元地震屬性逐步回歸分析，地震屬性對儲層特性的反映更為精細，預(yù)測儲層的能力進一步加強。

2.3.2 優(yōu)化后地震屬性的檢驗

如何檢驗優(yōu)化后地震屬性及其組合地震屬性集預(yù)測儲層參數(shù)能力的大小是非常重要的。選擇交會檢驗的處理過程，它可以用于任何類型的預(yù)測檢驗。交會檢驗涉及到把訓(xùn)練數(shù)據(jù)分成2個子集：訓(xùn)練數(shù)據(jù)集和檢驗數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集用于得到變換，而檢驗數(shù)據(jù)集則用于測量最終的預(yù)測誤差。在分析中，數(shù)據(jù)通過鉆井來自然劃分。除了一些特定隱蔽井外，訓(xùn)練數(shù)據(jù)集由所有井的訓(xùn)練樣本組成。檢驗數(shù)據(jù)集是由來自隱蔽井的一些樣本集組成。在交叉檢驗的處理過程中，有多少井就要重復(fù)多少次分析，每一次均要排除一些不同的的井?？偟臋z驗誤差就是各個誤差的均方根誤差。

交會檢驗的目的是獲得最優(yōu)地震屬性組合，其預(yù)測誤差最小，同時它的檢驗誤差也是最小的。為求取最佳的地震屬性組合，進行了10種地震屬性的多屬性轉(zhuǎn)換和交會檢驗。研究結(jié)果得知，隨著地震屬性個數(shù)的增加，預(yù)測誤差逐漸變小，但是，檢驗誤差曲線并不會單調(diào)下降。實際上，它在第5個屬性附近表現(xiàn)局部最小，然后逐步增加。這種現(xiàn)象意味著第五個屬性后面的所有其他屬性都屬于“過學(xué)習(xí)”。一般來說，如果檢驗誤差曲線上極小值比較明顯，就認為那一點的屬性號是最優(yōu)的。如圖3所示，所作的10種地震屬性的多屬性轉(zhuǎn)換，第5種屬性組合的檢驗誤差是最小的。

2.4 概率神經(jīng)網(wǎng)絡(luò)法的應(yīng)用及效果分析

概率神經(jīng)網(wǎng)絡(luò)具有擬合數(shù)據(jù)良好的特點，跟多層前饋神經(jīng)網(wǎng)絡(luò)是一樣的。但是它在地震屬性范圍內(nèi)更具有穩(wěn)定性。

經(jīng)過多屬性逐步回歸優(yōu)化及交會檢驗的處理后，獲得了最佳的地震屬性組合，它的預(yù)測誤差最小，同時檢驗誤差也最小。在此基礎(chǔ)上，利用概率神經(jīng)網(wǎng)絡(luò)對所選擇的地震屬性組合和裂縫儲層參數(shù)進行訓(xùn)練。通過多次試驗，獲得了較為準確、穩(wěn)定的非線性關(guān)系，相關(guān)系數(shù)可以達到0.87。

利用以上結(jié)果，首先對井旁地震道進行了預(yù)測，預(yù)測結(jié)果見圖4。預(yù)測裂縫曲線與cb306、cb304、cb302等井的主要目的層八陡組、上下馬家溝組、冶里—亮甲山組裂縫儲層曲線的符合率較高，相關(guān)系數(shù)可以達到0.87，滿足了裂縫儲層預(yù)測的要求。

在井旁道裂縫曲線預(yù)測的基礎(chǔ)上，利用概率神經(jīng)網(wǎng)絡(luò)法地震反演對整個三維地震數(shù)據(jù)體進行了處理，獲得了裂縫特征數(shù)據(jù)體一套（見圖5）。主要目的層八陡組、上下馬家溝組、冶里—亮甲山組鉆井裂縫儲層曲線與預(yù)測的裂縫特征數(shù)據(jù)吻合的較好，基本可以滿足裂縫儲層預(yù)測的要求。

從概率神經(jīng)網(wǎng)絡(luò)法反演的裂縫剖面可以看出，裂縫儲層反映清楚、層次感強，剖面分辨率比模型法有所提高。由于概率神經(jīng)網(wǎng)絡(luò)方法采用了交叉檢驗預(yù)測精度的方法，所以，在相關(guān)性較好的情況下，減少了對模型的依賴，減少了多解性，提高了預(yù)測結(jié)果的精度。

2.5 裂縫儲層平面預(yù)測效果分析

在概率神經(jīng)網(wǎng)絡(luò)法地震反演得到的裂縫特征數(shù)據(jù)體上，對八陡組裂縫儲層進行了平面追蹤解釋。裂縫儲層分布特征描述如下：

在cb306-zh10-lao301井區(qū)，zh10井揭示八陡組地層厚度3 1 m，鉆遇Ⅰ+Ⅱ類儲層厚度17.3 m，儲地比55.8%；zh102井揭示八陡組地層厚度37 m，鉆遇Ⅰ+Ⅱ類儲層厚度19.4 m，儲地比50.0%；除zh10、zh102井區(qū)以外，cb304井區(qū)儲層較為發(fā)育，最厚約20 m；在cb302井西南有一儲層發(fā)育區(qū)，厚度約在20 m。

3 結(jié)論

1）建立了地震屬性與測井資料的多維線性或非線性的統(tǒng)計關(guān)系，進而利用基于概率神經(jīng)網(wǎng)絡(luò)法的地震反演和線性、非線性多元地震屬性分析對裂縫型儲層進行了橫向預(yù)測。

2）經(jīng)過多屬性逐步回歸優(yōu)化及交會檢驗，獲得了最佳的地震屬性組合。獲得的地震屬性組合具有預(yù)測能力好，預(yù)測誤差小的特點。在此基礎(chǔ)上，利用概率神經(jīng)網(wǎng)絡(luò)對所選擇的地震屬性組合和裂縫儲層參數(shù)進行訓(xùn)練，獲得了較為準確、穩(wěn)定的非線性關(guān)系，相關(guān)系數(shù)可以達到0.87。

3）預(yù)測的裂縫曲線與已知井裂縫曲線的符合率較高，可以滿足復(fù)雜儲層預(yù)測的要求。

［1］ 李維新，秦楠，吳媚，等.巖性-物性高分辨率非線性聯(lián)合反演技術(shù)及其應(yīng)用［J］.石油物探，2009，48（4）：359-367.

Li Weixin，Qin Nan，Wu Mei，et al.High-resolution nonlinear lithologic-petrophysical joint inversion technique and its application［J］.Geophysical Prospecting for Petroleum，2009，48（4）：359-367.

［2］ 楊貴祥，黃捍東，高銳，等.地震反演成果的沉積學(xué)解釋［J］.石油實驗地質(zhì)，2009，31（4）：415-419.

Yang Guixiang，Huang Handong，Gao Rui，et al.Sediment logical interpretation for seismic inversion results［J］.Petroleum Geology &Experiment，2009，31（4）：415-419.

［2］ 黃捍東，張如偉，魏世平.地震非線性隨機反演方法在陸相薄砂巖儲層預(yù)測中的應(yīng)用［J］.石油學(xué)報，2009，30（3）：386-390.

Huang Handong，Zhang Ruwei，Wei Shiping.Research on application of seismic nonlinear random inversion to reservoir prediction in the thin sandstone of continental deposits［J］.Acta Petrolei Sinica，2009，30（3）：386-390.

Application and effect of seismic inversion based on neural network

Zhou Jie1，2
(1.School of Energy Resources,China University of Geosciences,Beijing 100083,China;2.Exploration and Development Research Institute of Zhongyuan Oilfield Company,SINOPEC,Puyang 457001,China)

The study area of X buried hill belongs to the fractured reservoir with very strong heterogeneity.The structure is extremely complicated,the construction of the initial model is extremely difficult and the multiple solutions are very strong.So we must make full use of logging data and middle frequency information of seismic data,make up the insufficiency of sonic logging to improve the resolution and accuracy of inversion,reduce the multiple solutions of inversion results as much as possible and increase the objectivity of inversion results so as to accurately predict reservoir.This article started from the establishment of statistics relationship between seismic attributes and log data based on linear or nonlinear relationship,and made full use of the seismic inversion based on neural network and linear and nonlinear multivariate seismic attribute analysis technology to horizontally predict the fractured reservoir.The method of probabilistic neural network prediction adopted the cross validation methods,which increased the reliability of prediction,decreased the multiple solutions and improved the prediction accuracy in the situation of good correlation.

neural network,seismic attributes,stepwise regression,attribute optimization,seismic inversion.

TE132.1

A

2009-12-19；改回日期：2010-07-15。

周杰，男，1967年生，高級工程師，在讀博士研究生，1989年畢業(yè)于中國地質(zhì)大學(xué)（武漢），從事儲層預(yù)測和油氣檢測研究，主攻方向：能源地質(zhì)。電話：（0393）4821939，E-mail：zhouj@zydzy.com。

（編輯 楊會朋）

1005-8907（2010）05-560-03

周杰.神經(jīng)網(wǎng)絡(luò)法地震反演應(yīng)用及效果［J］.斷塊油氣田，2010，17（5）：560-562，570.

ZhouJie.Applicationandeffect of seismicinversionbasedonneural network［J］.Fault-Block Oil&Gas Field，2010，17（5）：560-562,570.