丁 峰 胡光義 尹 成 范廷恩 羅浩然 張 棟

(1.西南石油大學(xué)地球科學(xué)與技術(shù)學(xué)院 四川成都 610500； 2.海洋石油高效開發(fā)國家重點實驗室 北京 100028；3.中海油研究總院有限責(zé)任公司 北京 100028)

油田勘探開發(fā)初期僅靠井眼資料的“一孔之見”無法準(zhǔn)確認(rèn)識儲層疊置關(guān)系和沉積相平面展布特征,因此地震相預(yù)測方法應(yīng)運而生，該方法是在地震地層單元內(nèi)部提取和分析地震特征參數(shù)，結(jié)合測井和其他地質(zhì)資料，對地震相單元進(jìn)行識別和成圖，通過一定的技術(shù)方法和解釋手段將地震相轉(zhuǎn)換到沉積相，以此作為研究生、儲、蓋組合及油氣分布規(guī)律的依據(jù)[1]。地震相預(yù)測的關(guān)鍵在于對地震反射模式進(jìn)行準(zhǔn)確的劃分。傳統(tǒng)的劃分方法稱為“相面法”，即通過肉眼觀察將具有相似特征的地震反射模式歸為一類[2]，這種方法費時費工，主觀性強，不利于識別地震剖面上不突出的異常反射特征。Love 等[3]提出使用地震結(jié)構(gòu)屬性來劃分地震反射模式，但當(dāng)時提取地震結(jié)構(gòu)屬性的方法還不成熟，劃分結(jié)果受限于地震資料的信噪比。后來，人們將神經(jīng)網(wǎng)絡(luò)技術(shù)引入到地震反射模式的劃分中來，進(jìn)一步提高了地震反射模式劃分的精度。

目前有2種神經(jīng)網(wǎng)絡(luò)地震反射模式預(yù)測技術(shù)較為流行。一種是基于地震波形分類的地震反射模式預(yù)測技術(shù)，主要利用自組織特征映射(SOFM)神經(jīng)網(wǎng)絡(luò)對地震道波形及其反映的地質(zhì)特征進(jìn)行自動識別和分類，從而完成地震反射模式預(yù)測。該技術(shù)存在一些缺點難以克服：①需要人為預(yù)先設(shè)定地震反射模式的分類數(shù)，這往往會導(dǎo)致分類數(shù)設(shè)定不準(zhǔn)確，一般需要多次計算來估算該參數(shù)；②需要多次(通常數(shù)十次)迭代運算才能使分類結(jié)果收斂于準(zhǔn)確的結(jié)果；③分類結(jié)果地質(zhì)意義不明確，還需要結(jié)合鉆井、地質(zhì)等資料進(jìn)行進(jìn)一步解釋，工作量巨大且過于依賴工作人員的個人能力[4]。另一種是基于地震屬性和多層感知器(MLP)神經(jīng)網(wǎng)絡(luò)的地震反射模式預(yù)測技術(shù)，利用地震屬性中豐富的地層結(jié)構(gòu)、巖性和物性等信息來驅(qū)動多層感知器神經(jīng)網(wǎng)絡(luò)，可在鉆井有限的情況下對研究區(qū)的地震反射模式進(jìn)行比較準(zhǔn)確的預(yù)測。但是該技術(shù)同樣存在一些缺陷：①收斂速度慢，耗費大量的計算時間；②將現(xiàn)有的監(jiān)督信息分成幾種類型，一次性將儲層的地震反射模式預(yù)測出來，往往出現(xiàn)分類不準(zhǔn)確的情況[5-6]。

本文提出了一種基于地質(zhì)信息約束的概率神經(jīng)網(wǎng)絡(luò)地震反射模式預(yù)測方法，建立了有監(jiān)督的地震反射模式預(yù)測技術(shù)流程，并在渤海秦皇島32-6油田某河流相儲層地震模式預(yù)測中進(jìn)行了應(yīng)用，取得了良好的效果。

1 基于地質(zhì)信息約束的概率神經(jīng)網(wǎng)絡(luò)地震反射模式預(yù)測技術(shù)流程

針對現(xiàn)有技術(shù)的缺點，提出了基于地質(zhì)信息約束的概率神經(jīng)網(wǎng)絡(luò)地震反射模式預(yù)測方法，其技術(shù)流程見圖1。本文方法具有以下優(yōu)點：①利用計算效率高且可監(jiān)督的概率神經(jīng)網(wǎng)絡(luò)作為模式預(yù)測工具，解決了現(xiàn)有技術(shù)計算速度慢、無監(jiān)督等問題；②構(gòu)建地質(zhì)信息庫，利用地質(zhì)-地震模式轉(zhuǎn)換技術(shù)形成約束條件；③基于地震尺度的監(jiān)督信息加入到地震反射模式的識別當(dāng)中，使得預(yù)測結(jié)果更加準(zhǔn)確且具有明確的地質(zhì)意義；④分步式、智能化地拾取可分辨的地震反射模式，能夠在地震尺度范圍內(nèi)對儲層地震反射模式進(jìn)行充分的預(yù)測。具體實現(xiàn)步驟如下。

1) 資料評估，包括地質(zhì)、測井和地震資料的評估。地質(zhì)資料評估是為了了解工區(qū)的地質(zhì)概況，對其沉積演化史和巖性資料有所認(rèn)識，在對這些資料充分評估后便可建立地質(zhì)信息知識庫；測井資料評估主要是了解和統(tǒng)計每口井在目的層段的測井響應(yīng)特征和儲層參數(shù)；地震資料評估主要是拾取資料的信噪比和分辨率，以確定后續(xù)提取的地震屬性所能反映的儲層特征的大致趨勢和能分辨的最小地層厚度。

圖1 基于地質(zhì)信息約束的概率神經(jīng)網(wǎng)絡(luò)地震模式預(yù)測 技術(shù)流程(河流相砂體儲層為例)Fig .1 Flow chart under the constraint of geological information for prediction of seismic reflection patterns with probabilistic neural network(an example of fluvial facies sand body reservoir)

2) 從步驟1所建的工區(qū)地質(zhì)信息知識庫中提取巖性、巖性組合特征和相序特征等地質(zhì)信息，并結(jié)合測井曲線對單井進(jìn)行解釋，建立起地質(zhì)尺度下的單井優(yōu)勢相分析柱狀圖[7-9]；然后對柱狀圖和工區(qū)不同地質(zhì)情況進(jìn)行綜合分析,通過地質(zhì)知識約束下的地震響應(yīng)分析-屬性特征分析-神經(jīng)網(wǎng)絡(luò)分析的技術(shù)流程將單井優(yōu)勢相轉(zhuǎn)換為儲層中地震可識別反射模式，形成地質(zhì)信息約束下的地質(zhì)-地震模式轉(zhuǎn)換技術(shù)。

3) 以沉積學(xué)、測井地質(zhì)學(xué)和地震地層學(xué)為理論指導(dǎo)，結(jié)合步驟2中得到的地震模式及地層的密度、速度等信息，建立工區(qū)儲層的抽象化地震響應(yīng)模型。

4) 采用正演模擬法分析地震屬性。利用波動方程對步驟3中所建模型進(jìn)行正演模擬得到地震數(shù)據(jù)；選取合適的時窗對正演數(shù)據(jù)提取各種類型的地震屬性，并對所提屬性做標(biāo)準(zhǔn)化、野值剔除和去噪等預(yù)處理操作；分析模型中各個地震模式對應(yīng)的地震響應(yīng)特征，以地質(zhì)信息作為約束條件，運用交會圖和等級相關(guān)分析等方法來評價各個屬性對響應(yīng)特征的敏感程度，選擇能清晰反映模型中各個地震模式的響應(yīng)特征及其變化的屬性來構(gòu)成地震敏感屬性集合。

5) 利用概率神經(jīng)網(wǎng)絡(luò)(PNN)自動、分步識別抽象化地震響應(yīng)模型中可分辨的地震模式。識別過程分兩步，即首先用解釋人員構(gòu)建的訓(xùn)練樣本集對連接網(wǎng)絡(luò)各層之間的權(quán)系數(shù)進(jìn)行訓(xùn)練；然后將訓(xùn)練好的網(wǎng)絡(luò)用于模型中地震模式的識別，得到地震上可分辨的地震模式。

概率神經(jīng)網(wǎng)絡(luò)屬于有監(jiān)督型前饋神經(jīng)網(wǎng)絡(luò)，與無監(jiān)督的自組織神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上和訓(xùn)練方式上具有顯著區(qū)別。它主要分為4層：輸入層、隱含層、求和層和輸出層。輸入層與隱含層之間的權(quán)系數(shù)可通過訓(xùn)練得到；隱含層與求和層之間以等權(quán)值連接；求和層與輸出層之間的權(quán)系數(shù)為各類訓(xùn)練樣本數(shù)的倒數(shù)。以河流相砂體儲層地震反射模式預(yù)測為例，每個訓(xùn)練樣本由作為輸入信息的敏感地震屬性和作為監(jiān)督信息的地震反射模式組成。訓(xùn)練樣本的類型根據(jù)儲層中砂體和圍巖之間的疊置關(guān)系來定義。在模型中抽取能反映砂體和圍巖之間典型疊置關(guān)系的地震道作為訓(xùn)練樣本，各類型的訓(xùn)練樣本應(yīng)滿足均勻選取的原則[10-12]。

6)選擇合適的時窗從實際地震資料中按步驟4優(yōu)選的敏感屬性集合提取地震屬性，并對所提屬性做相關(guān)預(yù)處理操作(標(biāo)準(zhǔn)化、野值剔除和去噪)。

7) 利用概率神經(jīng)網(wǎng)絡(luò)分步、智能化地預(yù)測工區(qū)儲層的地震反射模式分布。網(wǎng)絡(luò)訓(xùn)練所需樣本由地震敏感屬性(步驟6)和可分辨的地震模式(步驟5)構(gòu)成，該步驟中一種可分辨的地震模式對應(yīng)一種地震反射模式，故步驟5中得到的可分辨的地震模式可以用來約束工區(qū)儲層的地震反射模式類型定義。地震反射模式預(yù)測分步進(jìn)行，以迭代循環(huán)的方式逐漸細(xì)化，直到在地質(zhì)信息約束下預(yù)測出儲層中各種類型的可分辨地震反射模式，從而得到地震反射模式圖。

2 實例應(yīng)用

針對秦皇島32-6油田某河流相儲層，開展了地質(zhì)信息約束下的概率神經(jīng)網(wǎng)絡(luò)地震反射模式預(yù)測方法的實際應(yīng)用，取得了良好效果。

河流相儲層識別的難點在于砂體疊置模式，所以首先需要知道在實際工區(qū)儲層中存在哪些砂體疊置模式，然后研究這些模式是否可轉(zhuǎn)化為可分辨地震模式[13-15]。利用地質(zhì)信息知識庫，結(jié)合儲層實際情況，先建立簡單砂體疊置關(guān)系的正演模型，再逐步建立更加復(fù)雜的正演模型?？偨Y(jié)和自動分析地震反射模型11類70多個，最后形成具有普遍代表性的目標(biāo)儲層抽象模型(圖2)。

圖2 秦皇島32-6油田某河流相儲層砂體模型Fig .2 Sand body model of fluvial facies of a reservoir in QHD32-6 oilfield

利用地震資料品質(zhì)分析、高精度地震屬性分析、地質(zhì)信息約束下的地震反射模式正演分析，可以得到儲層實際可劃分的6種可分辨地震模式(圖3)：純厚砂體模式、厚砂體單泥巖夾層模式、薄砂體單泥巖夾層模式、砂泥巖多互層模式、薄砂體(尖滅)模式、泥巖模式。然后在地質(zhì)信息約束下進(jìn)行地質(zhì)-地震可分辨反射模式轉(zhuǎn)化，完成定義和統(tǒng)計，為后續(xù)地質(zhì)信息約束下的地震反射模式預(yù)測提供監(jiān)督樣本。

圖3 秦皇島32-6油田某河流組儲層可分辨地震模式Fig .3 Distinguishable seismic model of a reservoir with flurial facies in QHD32-6 oilfield

地震反射模式預(yù)測分步進(jìn)行：第1步，將含砂巖相與泥巖分開；第2步，將含砂巖相進(jìn)一步細(xì)分為純砂巖相和砂泥互層；第3步，將砂泥互層再次細(xì)分為不同厚度的砂巖夾不同厚度的泥巖，厚度閾值因儲層而異。這樣的步驟還可以循環(huán)下去，直到在約束條件下預(yù)測出儲層中各種類型的地震可分辨反射模式，即實現(xiàn)了依據(jù)砂-泥相、砂-砂泥互層-泥相、砂-砂泥互層細(xì)分-泥相逐步深入細(xì)化的地質(zhì)信息約束下的自動預(yù)測分析。該技術(shù)實現(xiàn)了地震反射模式預(yù)測的智能化、可約束化、可解讀性、有序性等。

以秦皇島32-6油田某河流相小層油藏單元為例，該儲層平均厚20余米，河道砂體厚度為3～8 m，地震資料主頻為45 Hz左右。圖4為利用地震屬性技術(shù)+自組織神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)地震反射模式先后預(yù)測2次的結(jié)果，圖5為本文方法預(yù)測結(jié)果。從圖4、5可以看出，傳統(tǒng)方法預(yù)測結(jié)果不穩(wěn)定，多次預(yù)測可能出現(xiàn)多種結(jié)果；本文方法預(yù)測結(jié)果較穩(wěn)定。選取10口井作為檢驗井，35口井作為約束井，本文方法儲層地震模式預(yù)測的符合率為90%；選取20口井作為檢驗井，25口井作為約束井，本文方法儲層地震反射模式預(yù)測的符合率為86%。模型及實際數(shù)據(jù)應(yīng)用表明，在地震資料主頻為45 Hz左右時，本文方法可以有效識別出3～8 m的河道砂體，并能夠識別大于2 m的泥巖隔夾層個數(shù)，為河道預(yù)測、儲層參數(shù)預(yù)測、沉積相劃分提供了數(shù)據(jù)支持和依據(jù)。該方法有效提高了地震反射模式預(yù)測精度，樣本條件不變的情況下多次預(yù)測成果圖無明顯變化。

圖4 秦皇島32-6油田某河流相小層傳統(tǒng)地震 反射模式預(yù)測結(jié)果Fig .4 Prediction results of the fluvial facies reserwir in QHD32-6 oilfield by using traditional seismic reflection model

圖5 秦皇島32-6油田某河流相小層地質(zhì)信息約束預(yù)測結(jié)果Fig .5 Prediction results of the fluvial facies reservoir in QHD32-6 oilfield seismic model based on geological information constraints

3 結(jié)論

提出了基于地質(zhì)信息約束的概率神經(jīng)網(wǎng)絡(luò)地震反射模式預(yù)測方法，該方法中地質(zhì)模式-地震可分辨反射模式轉(zhuǎn)換技術(shù)是核心，可監(jiān)督的地震屬性優(yōu)選、敏感性分析、地震反射模式預(yù)測等都建立在此之上。本文方法解決了2個關(guān)鍵性問題，一是如何體現(xiàn)地質(zhì)信息對地震信息的約束，二是如何實現(xiàn)地質(zhì)信息約束的地震反射模式的高精度預(yù)測。渤海秦皇島32-6油田某河流相儲層應(yīng)用表明，本文方法提高了地震反射模式預(yù)測精度，具有高效、穩(wěn)定、智能化、可解讀性強等特點。

[1] 王龍軍.基于三維地震的地震相分析技術(shù)研究[D].西安：西安科技大學(xué)，2008.

[2] 朱劍兵，趙培坤.國外地震相劃分技術(shù)研究新進(jìn)展[J].勘探地球物理進(jìn)展，2009，32(3)：167-171.ZHU Jianbing,ZHAO Peikun.Advances in seismic facies classification technlolgy abroad[J].Progress in Exploration Geophysics,2009,32(3):167-171.

[3] LOVE P L,SIMAAN M.Segmentation of stacked seismic data by the classification of image texture[J].SEG Technical Program Expanded Abstracts,1984,3:480-482.

[4] MELDAHL P,HEGGLAND R,BRIL B,et al.The chimney cube,an example of semi-automated detection of seismic objects by directive attributes and neural networks:part I; methodology[J].SEG Technical Program Expanded Abstracts,1999,18(1):931-934.

[5] 丁峰，尹成，朱振宇，等.利用改進(jìn)的自組織網(wǎng)絡(luò)進(jìn)行地震屬性分析[J].西南石油大學(xué)學(xué)報(自然科學(xué)版)，2009，31(4)：47-51.DING Feng,YIN Cheng,ZHU Zhenyu,et al.Seismic attribute analysis by using improved self-organizing network[J].Journal of Southwest Petroleum University(Science& Technology Edition),2009,31(4):47-51.

[6] 羅浩然，尹成，丁峰，等.概率神經(jīng)網(wǎng)絡(luò)的平滑參數(shù)分析及在地震屬性分析中的應(yīng)用[J].石油物探，2017，56(4)：551-558.LUO Haoran,YIN Cheng,DING Feng,et al.The smoothing parameter analysis of probabilistic neural network and its application in seismic attribute analysis[J].Geophysical Prospecting for Petroleum,2017,56(4):551-558.

[7] 胡光義，陳飛，孫立春,等.高分辨率層序地層學(xué)在河流相油田開發(fā)中的應(yīng)用[J].沉積學(xué)報，2013,31(4):600-606.HU Guangyi,CHEN Fei,SUN Lichun,et al.Application of high-resolution sequence stratigraphy of fluvial facies in development of oilfield[J].Acta Sedimentologica Sinica,2013,31(4):600-606.

[8] 胡光義，陳飛，范廷恩,等.基于復(fù)合砂體構(gòu)型樣式的河流相儲層細(xì)分對比方法[J].大慶石油地質(zhì)與開發(fā)，2017,36(2):12-18.HU Guangyi,CHEN Fei,FAN Tingen,et al.Subdividing and comparing method of the fluvial facies reservoirs based on the complex sandbody architectures[J].Petroleum Geology and Oilfield Development in Daqing,2017,36(2):12-18.

[9] 袁全社,樂有喜.用神經(jīng)網(wǎng)絡(luò)與構(gòu)造屬性進(jìn)行交互地震反射模式分析[J].勘探地球物理學(xué)進(jìn)展,2004,27(2):93-98.YUAN Quanshe,LE Youxi.Interactive analysis of seismic facies using neural network and textural attribute[J].Progress in Exploration Geophysics,2004,27(2):93-98.

[10] 段玉順，李芳.地震反射模式的自動識別方法及應(yīng)用[J].石油地球物理勘探,2004，39(2):158-162.DUAN Yushun,LI Fang.Automatic identification of seismic facies and application[J].Oil Geophysical Prospecting,2004,39(2):158-162.

[11] 胡光義，范廷恩,陳飛，等.從儲層構(gòu)型到“地震構(gòu)型相”:一種河流相高精度概念模型的表征方法[J].地質(zhì)學(xué)報，2017,91(2):465-478.HU Guangyi,FAN Tingen,CHEN Fei,et al.From reservoir architecture to seismic architecture facies：characteristic method of a high-resolution fluvial facies model[J].Acta Geologica Sinica,2017,91(2):465-478.

[12] 丁峰，尹成，朱振宇,等.利用改進(jìn)的自組織網(wǎng)絡(luò)進(jìn)行地震屬性分析[J].西南石油大學(xué)學(xué)報(自然科學(xué)版)，2009，31(4)：47-51.DING Feng,YIN Cheng,ZHU Zhenyu,et al.Seismic attribute analysis by using improved self-organizing network[J].Journal of Southwest Petroleum University(Science& Technology Edition),2009,31(4):47-51.

[13] 岳大力.曲流河儲層構(gòu)型分析與剩余油分布模式研究:以孤島油田館陶組為例[D].北京：中國石油大學(xué)，2006.

[14] 胡光義，陳飛，范廷恩,等.渤海海域S油田新近系明化鎮(zhèn)組河流相復(fù)合砂體疊置樣式分析[J].沉積學(xué)報，2014,32(3):586-592.HU Guangyi,CHEN Fei,FAN Tingen,et al.Analysis of fluvial facies compound sandbody architecture of the neogene Minghuazhen Formation of S oilfield in the Bohai bay[J].Acta Sedimentologica Sinica,2014,32(3):586-592.

[15] 陳飛，胡光義，范廷恩,等.渤海海域W油田新近系明化鎮(zhèn)組河流相砂體結(jié)構(gòu)特征[J].地學(xué)前緣，2015,22(2):207-213.CHEN Fei,HU Guangyi,FAN Tingen,et al.Sandbody architecture and sequence stratigraphy of fluvial facies,Neogene Minghuazhen Formation,W oilfield,Bohai bay[J].Earth Science Frontiers,2015,22(2):207-213.