李 密，李少華，王紅賓，曾勝勇，郭士東

（1.中國(guó)石化中原油田普光分公司采氣廠，四川達(dá)州636155；2.長(zhǎng)江大學(xué)地球科學(xué)學(xué)院）

在ML油田，研究區(qū)面積為600 km2，目的層段為珠江組，地震時(shí)窗為1 700～2 100 ms。由于地震資料品質(zhì)差，井?dāng)?shù)據(jù)缺乏，而且開發(fā)程度低，所以常規(guī)阻抗反演、AVO 反演進(jìn)行油氣預(yù)測(cè)效果不理想。多屬性概率神經(jīng)網(wǎng)絡(luò)方法與常規(guī)反演方法比較具有自身的優(yōu)點(diǎn)，它采用的多屬性技術(shù)能綜合利用疊前和疊后地震數(shù)據(jù)的信息，采用概率神經(jīng)網(wǎng)絡(luò)算法建立含油氣性與地震屬性之間復(fù)雜的非線性關(guān)系，利用這種非線性關(guān)系對(duì)砂體進(jìn)行油氣預(yù)測(cè)［1］。

1 概率神經(jīng)網(wǎng)絡(luò)方法

1.1 基本原理

概率神經(jīng)網(wǎng)絡(luò)算法是利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)的數(shù)學(xué)插值方法，類似于多維空間的格里金插值，具有高度的容錯(cuò)性，即使某個(gè)井旁地震參數(shù)或某個(gè)網(wǎng)絡(luò)連接有“缺陷”，也可以通過(guò)“聯(lián)想”得到全部或者大部分信息［2］。

概率神經(jīng)網(wǎng)絡(luò)是基于采樣點(diǎn)的算法，為了克服采用單采樣點(diǎn)與目標(biāo)曲線進(jìn)行相關(guān)時(shí)，沒(méi)有考慮井和地震之間有很大的頻率成分差異的缺點(diǎn)［3］，概率神經(jīng)網(wǎng)絡(luò)引入了褶積因子，通過(guò)每個(gè)屬性上一組采樣點(diǎn)的加權(quán)平均來(lái)預(yù)測(cè)測(cè)井曲線上某點(diǎn)的值，建立屬性上鄰近的多采樣點(diǎn)與測(cè)井?dāng)?shù)據(jù)的相關(guān)性［4］。

1.2 誤差驗(yàn)證

多屬性概率神經(jīng)網(wǎng)絡(luò)方法使用交互式的驗(yàn)證過(guò)程得到驗(yàn)證誤差。將測(cè)井?dāng)?shù)據(jù)分為訓(xùn)練數(shù)據(jù)庫(kù)和驗(yàn)證數(shù)據(jù)庫(kù)。挑選時(shí)深關(guān)系好、目標(biāo)層段曲線與地震屬性關(guān)系明顯的測(cè)井?dāng)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)庫(kù)，剩余井的測(cè)井?dāng)?shù)據(jù)作為驗(yàn)證數(shù)據(jù)庫(kù)。使用訓(xùn)練數(shù)據(jù)庫(kù)進(jìn)行培訓(xùn)，使用驗(yàn)證數(shù)據(jù)庫(kù)來(lái)度量預(yù)測(cè)誤差時(shí)，總驗(yàn)證誤差由各點(diǎn)驗(yàn)證誤差求均方根得到。

由于概率神經(jīng)網(wǎng)絡(luò)算法是逐個(gè)樣點(diǎn)進(jìn)行計(jì)算并對(duì)結(jié)果進(jìn)行優(yōu)選，運(yùn)行時(shí)間較長(zhǎng)，所以選擇合理的計(jì)算參數(shù)尤為重要。

2 應(yīng)用實(shí)例

2.1 區(qū)域地質(zhì)概況

ML油田在18.5 Ma出現(xiàn)一次規(guī)模巨大的海侵，因此發(fā)育了很厚的海侵體系域，晚期海侵沉積覆蓋在早期海侵砂體之上，形成了珠江組的多套油層，為形成各類巖性油氣藏提供了必要條件。

根據(jù)前人對(duì)巖性地層圈閉認(rèn)識(shí)，結(jié)合本區(qū)實(shí)際情況，研究發(fā)現(xiàn)背斜構(gòu)造翼部和鼻狀構(gòu)造是尋找?guī)r性地層圈閉的良好場(chǎng)所。本研究區(qū)已經(jīng)鉆遇4個(gè)巖性油氣藏砂體，這將作為條件數(shù)據(jù)用于對(duì)概率神經(jīng)網(wǎng)絡(luò)培訓(xùn)以及對(duì)預(yù)測(cè)結(jié)果的驗(yàn)證，最后對(duì)研究區(qū)6個(gè)巖性油氣藏遠(yuǎn)景目標(biāo)進(jìn)行含油氣性預(yù)測(cè)（圖1）。

2.2反演參數(shù)

工區(qū)內(nèi)有15口井可用，反演主要用到油層解釋曲線、聲波時(shí)差曲線以及check-shot時(shí)深校正曲線。挑選時(shí)深關(guān)系好、目標(biāo)曲線與地震屬性關(guān)系明顯的9口井的測(cè)井?dāng)?shù)據(jù)作為“訓(xùn)練數(shù)據(jù)”，其余6口井的測(cè)井?dāng)?shù)據(jù)作為“驗(yàn)證數(shù)據(jù)”。

研究區(qū)共提取了12種疊前屬性和24種疊后屬性（表1），采用逐步遞歸法來(lái)進(jìn)行多屬性優(yōu)選［5］，最終優(yōu)選出7種屬性（振幅包絡(luò)、瞬時(shí)相位、瞬時(shí)頻率、泊松比、λρ反射率、密度、時(shí)間）進(jìn)行概率神經(jīng)網(wǎng)絡(luò)反演。

優(yōu)選出屬性組后，通過(guò)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)選實(shí)驗(yàn)來(lái)確定神經(jīng)網(wǎng)絡(luò)培訓(xùn)參數(shù)（表2），根據(jù)預(yù)測(cè)誤差的大小以及培訓(xùn)時(shí)間長(zhǎng)短來(lái)優(yōu)選反演參數(shù)［6］。

圖1 研究區(qū)目標(biāo)砂體分布（紅色為已鉆遇砂體，其它為遠(yuǎn)景目標(biāo)）

表1 屬性優(yōu)選

表2 神經(jīng)網(wǎng)絡(luò)培訓(xùn)參數(shù)優(yōu)選

當(dāng)sigmas數(shù)和共軛迭代次數(shù)增大時(shí)，預(yù)測(cè)誤差無(wú)顯著變化，所以這兩個(gè)參數(shù)對(duì)預(yù)測(cè)誤差的影響較小，為了縮短訓(xùn)練時(shí)間，這兩個(gè)參數(shù)采用設(shè)置sigmas數(shù)為25、共軛迭代次數(shù)為20。增加褶積因子數(shù)，預(yù)測(cè)誤差減小，但褶積因子過(guò)大則會(huì)出現(xiàn)“過(guò)訓(xùn)練”現(xiàn)象，預(yù)測(cè)誤差反而增大。通過(guò)對(duì)比訓(xùn)練結(jié)果，當(dāng)褶積因子等于5時(shí)，培訓(xùn)結(jié)果和原始曲線擬合較好，培訓(xùn)時(shí)間也滿足要求。

2.3 反演結(jié)果

完成概率神經(jīng)網(wǎng)絡(luò)培訓(xùn)后，將培訓(xùn)結(jié)果應(yīng)用于已鉆遇巖性油氣藏砂體進(jìn)行油氣預(yù)測(cè)，得到已鉆遇四個(gè)砂體的油氣分布概率（圖2）。

將預(yù)測(cè)結(jié)果與已知測(cè)井?dāng)?shù)據(jù)進(jìn)行對(duì)比說(shuō)明預(yù)測(cè)結(jié)果真實(shí)可靠（表3），此方法可以用于對(duì)潛在的巖性油氣藏砂體進(jìn)行油氣預(yù)測(cè)。

采用多屬性概率神經(jīng)網(wǎng)絡(luò)方法對(duì)ML油田6個(gè)潛在的巖性油氣藏砂體進(jìn)行油氣預(yù)測(cè)，砂體油氣分布概率見(jiàn)圖3，統(tǒng)計(jì)結(jié)果見(jiàn)表4。

表3 已鉆遇巖性油氣藏砂體預(yù)測(cè)結(jié)果比較

表4 潛在巖性油氣藏目標(biāo)砂體預(yù)測(cè)

從含油氣面積以及含油氣厚度來(lái)看，砂體yl1、砂體yl3、砂體yl5油氣充注較好，可作為候選目標(biāo)。砂體yl4、砂體yl6部分被油氣充注，需結(jié)合其它資料綜合分析砂體的含油性。砂體yl2基本無(wú)油氣顯示。

3 結(jié)論

（1）多屬性概率神經(jīng)網(wǎng)絡(luò)反演能綜合疊前與疊后的數(shù)據(jù)信息，而且建立測(cè)井曲線與地震屬性間的非線性關(guān)系來(lái)進(jìn)行油氣預(yù)測(cè)，相比常規(guī)阻抗反演方法，適用于地質(zhì)環(huán)境復(fù)雜、開發(fā)程度低的情況。

圖2 已鉆遇砂體油氣預(yù)測(cè)概率分布

圖3 目標(biāo)砂體油氣預(yù)測(cè)概率分布

（2）概率神經(jīng)網(wǎng)絡(luò)是基于采樣點(diǎn)算法，計(jì)算時(shí)間較長(zhǎng)，所以在進(jìn)行油氣預(yù)測(cè)前，必須對(duì)反演參數(shù)進(jìn)行優(yōu)選，以節(jié)約計(jì)算時(shí)間和減少預(yù)測(cè)誤差。

（3）在研究區(qū)，通過(guò)對(duì)遠(yuǎn)景目標(biāo)的鉆探證明預(yù)測(cè)結(jié)果真實(shí)可靠，效果良好。證明多屬性概率神經(jīng)網(wǎng)絡(luò)油氣預(yù)測(cè)方法適合本地區(qū)的地質(zhì)情況，能較好應(yīng)用于對(duì)本地區(qū)巖性油氣藏的勘探和開發(fā)。

［1］ H Khoshdel，M A Riahi.3D porosity estimation using multi-attribute analysis methods in one of the Persian gulf oil fields［J］.Society of petroleum engineers，2007，11（14）：1-9.

［2］ 張邵紅.概率神經(jīng)網(wǎng)絡(luò)技術(shù)在非均質(zhì)地層巖性反演中的應(yīng)用［J］.石油學(xué)報(bào)，2008，29（4）：549-552.

［3］ Daniel P Hampson.Use of multiattribute transforms to predict log propertied from seismic data［J］.Geophysics，2001，66（1）：220-236.

［4］ 馬朋善，方贇，王向陽(yáng)，等.利用地震多屬性變換預(yù)測(cè)儲(chǔ)層分布［J］.河南石油，2004，18（4）：16-20.

［5］ 陸光輝，吳官生，朱玉波，等.地震屬性信息預(yù)測(cè)儲(chǔ)層厚度［J］.河南石油，2003，17（2）：10-12.

［6］ 張喜，喬向陽(yáng)，王玉艷，等.神經(jīng)網(wǎng)絡(luò)多屬性分析技術(shù)［J］.油氣田地面工程，2007，26（8）：1-3.