陳芊澍,文曉濤,何 健,劉浩男,李 壘

(1.成都理工大學(xué)地球物理學(xué)院,四川成都 610059;2.成都理工大學(xué)油氣藏地質(zhì)及開(kāi)發(fā)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,四川成都 610059)

裂縫型油氣藏廣泛分布于陸相盆地,油氣儲(chǔ)層面積大,實(shí)際地質(zhì)儲(chǔ)量豐富,是增產(chǎn)上儲(chǔ)的重要領(lǐng)域[1]。但裂縫型油氣儲(chǔ)層的形成過(guò)程復(fù)雜多樣,裂縫類(lèi)型和尺度不盡相同,非均質(zhì)性強(qiáng),勘探難度極大[2]。傳統(tǒng)巖心定向分析[3]和井壁成像技術(shù)分辨率高,能夠精準(zhǔn)確定裂縫發(fā)育程度與類(lèi)型[4],但僅代表單點(diǎn)信息,對(duì)三維空間裂縫帶的識(shí)別能力有限。面對(duì)上述問(wèn)題,許多學(xué)者利用縱橫波和轉(zhuǎn)換波之間的參數(shù)差異來(lái)預(yù)測(cè)裂縫,但其識(shí)別目標(biāo)一般為區(qū)域構(gòu)造和與成巖構(gòu)造有關(guān)的大裂縫帶。地震屬性分析通過(guò)提取地震波的反射特征(頻率、振幅、相位等)進(jìn)行裂縫帶預(yù)測(cè)。越來(lái)越多的基于地震屬性進(jìn)行裂縫帶預(yù)測(cè)的方法得到發(fā)展。相干屬性[5-6]、曲率分析技術(shù)[7-8]、螞蟻體追蹤[9-10]、反射強(qiáng)度屬性[11-12]以及基于這些屬性發(fā)展的多尺度屬性技術(shù)也用于不同尺度的裂縫綜合預(yù)測(cè)[13]。這些地震屬性預(yù)測(cè)方法各有優(yōu)勢(shì),但受區(qū)域地質(zhì)差異和測(cè)井資料等影響,僅利用單一地震屬性進(jìn)行裂縫預(yù)測(cè)往往會(huì)產(chǎn)生多解性與假異常情況。因此,基于測(cè)井信息約束的多屬性融合技術(shù)是當(dāng)前關(guān)注的重點(diǎn),但如何融合則是需要研究的關(guān)鍵問(wèn)題。

近年來(lái),機(jī)器學(xué)習(xí)發(fā)展迅速,在地球物理領(lǐng)域引起廣泛關(guān)注。其中很多有代表性的算法,例如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、線性回歸、樸素貝葉斯、隨機(jī)森林等算法已被引入地震學(xué)領(lǐng)域,在流體識(shí)別[14]、速度譜自動(dòng)拾取[15]、地震數(shù)據(jù)噪聲壓制[16-17]方面均有不錯(cuò)的應(yīng)用效果。2006年,HUANG等[18]提出了一種新型學(xué)習(xí)算法——極限學(xué)習(xí)機(jī)(extreme learning machine,ELM),它基于單隱層前饋神經(jīng)網(wǎng)絡(luò)構(gòu)建的算法,僅有一個(gè)隱藏層的簡(jiǎn)單結(jié)構(gòu)卻具有不錯(cuò)的學(xué)習(xí)效果。與傳統(tǒng)的單隱層前饋神經(jīng)網(wǎng)絡(luò)不同,極限學(xué)習(xí)機(jī)的輸入權(quán)重和偏置均隨機(jī)設(shè)定,再利用廣義逆矩陣?yán)碚搧?lái)計(jì)算輸出權(quán)重。相比于其它一些機(jī)器學(xué)習(xí)算法,ELM在不失一定的學(xué)習(xí)精度的前提下,具有快速學(xué)習(xí)、強(qiáng)泛化能力、人為干預(yù)較少的優(yōu)點(diǎn)[19]。潘華賢等[20]研究了ELM進(jìn)行儲(chǔ)層滲透率預(yù)測(cè)的能力并與支持向量機(jī)(support vector machine,SVM)算法進(jìn)行了對(duì)比,結(jié)果表明ELM算法較SVM算法泛化能力強(qiáng),運(yùn)算效率高。目前,已有一些學(xué)者將機(jī)器學(xué)習(xí)應(yīng)用于裂縫預(yù)測(cè),但大多都局限于測(cè)井?dāng)?shù)據(jù)的預(yù)測(cè)[21]。李軍等[22]將測(cè)井?dāng)?shù)據(jù)與地震數(shù)據(jù)相結(jié)合,利用BP神經(jīng)網(wǎng)絡(luò)綜合預(yù)測(cè)裂縫發(fā)育帶。受制于BP神經(jīng)網(wǎng)絡(luò)的固有缺陷[23],該方法學(xué)習(xí)效率較低、易陷入局部擬合且當(dāng)預(yù)測(cè)區(qū)域深度過(guò)大時(shí),效果不理想。何健等[24]將近似支持向量機(jī)(proximal support vector machine,PSVM)算法用于裂縫分類(lèi)。作為支持向量機(jī)的改進(jìn)算法,PSVM有著較高的運(yùn)算效率和準(zhǔn)確度。ELM因其較強(qiáng)的泛化能力,運(yùn)算效率優(yōu)于SVM,但與PSVM相比,兩者的分類(lèi)效果還需要進(jìn)一步研究。為此,本文引入ELM算法,比較ELM算法與PSVM算法基于測(cè)井?dāng)?shù)據(jù)和井旁道地震數(shù)據(jù)的分類(lèi)效果,再對(duì)實(shí)際研究區(qū)域進(jìn)行裂縫綜合預(yù)測(cè)。

1 方法原理

1.1 極限學(xué)習(xí)機(jī)

ELM是架構(gòu)在單隱層前饋神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的算法,神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值和偏置均采取隨機(jī)賦值的方式,并在最小二乘準(zhǔn)則的框架下,利用Moore-Penrose廣義逆計(jì)算輸出權(quán)值。因此,較傳統(tǒng)的基于梯度下降學(xué)習(xí)理論的神經(jīng)網(wǎng)絡(luò),ELM有快速收斂、不易陷入局部極值等優(yōu)點(diǎn)[25],適合對(duì)區(qū)域尺度大,數(shù)據(jù)繁雜的裂縫帶進(jìn)行預(yù)測(cè)。ELM的原理如下。

給定包含N個(gè)任意樣本(xi,ti)的數(shù)據(jù)集,輸入層節(jié)點(diǎn)數(shù)為n,輸出層節(jié)點(diǎn)數(shù)為m,其中xi=[xi1,xi2,…,xin]∈Rn,ti=[ti1,ti2,…,tim]∈Rm。對(duì)于一個(gè)激勵(lì)函數(shù)為g(x),且有K個(gè)隱藏節(jié)點(diǎn)的單隱藏層的神經(jīng)網(wǎng)絡(luò):

(1)

式中:g(x)可選用Sigmoid函數(shù)、Gaussian函數(shù)等;wi=[wi,1,wi,2,…,wi,n]T為第i個(gè)隱藏節(jié)點(diǎn)與輸入節(jié)點(diǎn)間的權(quán)值向量;βi=[βi,1,βi,2,…,βi,m]T為第i個(gè)隱藏節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的權(quán)值向量;bi是第i個(gè)隱藏節(jié)點(diǎn)的偏置;〈wi,xj〉表示wi和xj的內(nèi)積;oj為輸出值。

ELM的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

已知單隱層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)是使輸出的誤差最小,即存在βi,wi和bi使得:

(2)

公式(2)用矩陣表示為:

Hβ=T

(3)

式中:H表示為神經(jīng)網(wǎng)絡(luò)隱層的輸出矩陣;β為輸出權(quán)重矩陣;T為期望輸出矩陣。

圖1 極限學(xué)習(xí)機(jī)(ELM)網(wǎng)絡(luò)結(jié)構(gòu)

H(w1,w2,…,wK,b1,b2,…,bK,x1,x2,…,xN)

(4)

(5)

這等價(jià)于求解最小化損失函數(shù):

(6)

(7)

1.2 幾種常見(jiàn)的裂縫帶預(yù)測(cè)屬性

當(dāng)利用機(jī)器學(xué)習(xí)算法解決分類(lèi)問(wèn)題時(shí),選取的輸入特征需要相對(duì)獨(dú)立。本文選用曲率、相干和反射強(qiáng)度屬性作為輸入特征,它們具有不同的物理意義。

曲率屬性屬于地震幾何屬性,能夠描述地質(zhì)體的幾何變化,由于其對(duì)斷裂和裂縫等反應(yīng)敏感,可以用于預(yù)測(cè)裂縫的發(fā)育程度。曲率屬性包括面曲率和體曲率屬性,面曲率屬性僅利用了層位數(shù)據(jù),而體曲率屬性充分利用了地震體的傾角、振幅等信息?？紤]到實(shí)際三維工區(qū)的需要,我們選取體曲率屬性作為本文的輸入特征之一。

相干屬性由地震數(shù)據(jù)中相鄰地震道之間的相似性來(lái)確定,能識(shí)別并表征斷層及裂縫發(fā)育帶的分布規(guī)律和延展形態(tài)。相干體技術(shù)有3類(lèi),一是基于互相關(guān)的相干算法,二是基于相似性分析的相干算法,三是基于特征值分析的相干算法。相較于第3類(lèi)算法,前兩類(lèi)算法的抗噪性相對(duì)較差,不利于壓制噪聲,計(jì)算時(shí)窗選取不當(dāng)易產(chǎn)生人為假像。本文采用基于特征值分析的相干體技術(shù),具有較高分辨率。

反射強(qiáng)度屬性即瞬時(shí)振幅是振幅類(lèi)屬性,為時(shí)間域內(nèi)所選樣點(diǎn)各道在不同時(shí)刻對(duì)應(yīng)的振幅大小。反射強(qiáng)度屬性可以作為斷層解釋的依據(jù),有助于對(duì)大斷層的檢測(cè)。

我們利用ELM進(jìn)行裂縫帶預(yù)測(cè)時(shí),首先根據(jù)測(cè)井解釋報(bào)告等資料將工區(qū)大致劃分成裂縫欠發(fā)育區(qū)、裂縫較發(fā)育區(qū)和裂縫發(fā)育區(qū)3部分,再按區(qū)域?qū)?種屬性數(shù)據(jù)按劃分區(qū)域分別制作成訓(xùn)練樣本,處于裂縫欠發(fā)育區(qū)域樣本視為1類(lèi)樣本,裂縫較發(fā)育區(qū)域樣本視為2類(lèi)樣本,裂縫發(fā)育區(qū)域樣本視為3類(lèi)樣本,以此構(gòu)建一個(gè)三分類(lèi)問(wèn)題,利用ELM學(xué)習(xí),得出網(wǎng)絡(luò)模型,判別由目的層全部區(qū)域內(nèi)曲率、相干和反射強(qiáng)度屬性制成的預(yù)測(cè)集,最終實(shí)現(xiàn)裂縫帶預(yù)測(cè)。

由于測(cè)井或地震數(shù)據(jù)輸入單位不一,有些數(shù)據(jù)變化范圍較大,有些數(shù)據(jù)變化范圍較小,導(dǎo)致神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng),收斂慢,還有可能使得輸入屬性的作用權(quán)重不同,影響訓(xùn)練結(jié)果。因此,要將網(wǎng)絡(luò)訓(xùn)練的目標(biāo)數(shù)據(jù)映射到激活函數(shù)值域。本文做法是將屬性值歸一化到[-1,1]。歸一化公式為:

(8)

式中:Y為歸一化后屬性值;X為歸一化前屬性值;xmin為該類(lèi)屬性最小值;xmax為該類(lèi)屬性最大值。

我們建立了基于ELM的裂縫預(yù)測(cè)技術(shù)流程(圖2)。

圖2 基于ELM的裂縫預(yù)測(cè)技術(shù)流程

2 模型數(shù)據(jù)實(shí)驗(yàn)

2.1 模型設(shè)計(jì)

本文選用川東北某工區(qū)2組測(cè)井?dāng)?shù)據(jù)(w1井和w2井)以及對(duì)應(yīng)井旁道地震屬性數(shù)據(jù)來(lái)驗(yàn)證ELM算法的分類(lèi)效果。采用圖2所示的技術(shù)流程。在w1井和w2井油氣儲(chǔ)層裂縫發(fā)育、欠發(fā)育區(qū)域分別選取自然伽馬(GR)、聲波時(shí)差(AC)、補(bǔ)償中子(CNL)、淺側(cè)向電阻率(RS)、深側(cè)向電阻率(RD)5種測(cè)井?dāng)?shù)據(jù)制作訓(xùn)練數(shù)據(jù)集和預(yù)測(cè)數(shù)據(jù)集(表1)。這5種測(cè)井參數(shù)的數(shù)值在裂縫發(fā)育區(qū)和裂縫欠發(fā)育區(qū)有較為明顯的差異,可以較好地區(qū)分裂縫發(fā)育區(qū)和欠發(fā)育區(qū)。w1井?dāng)?shù)據(jù)制作成為訓(xùn)練數(shù)據(jù)集,w2井?dāng)?shù)據(jù)則為預(yù)測(cè)數(shù)據(jù)集。另外,與測(cè)井?dāng)?shù)據(jù)集制作方法相同,在w1井和w2井旁地震道按油氣儲(chǔ)層裂縫發(fā)育、欠發(fā)育區(qū)域選取常用于揭示裂縫特征的曲率、相干和反射強(qiáng)度等地震屬性來(lái)制作訓(xùn)練數(shù)據(jù)集和預(yù)測(cè)數(shù)據(jù)集(表2)。w1井?dāng)?shù)據(jù)制作成為訓(xùn)練數(shù)據(jù)集,w2井?dāng)?shù)據(jù)則為預(yù)測(cè)數(shù)據(jù)集。

基于測(cè)井解釋結(jié)果及測(cè)井曲線,挑選w1井裂縫區(qū)域測(cè)井?dāng)?shù)據(jù),并將裂縫發(fā)育狀況按裂縫欠發(fā)育和裂縫發(fā)育分別附上1類(lèi)和2類(lèi)標(biāo)簽作為訓(xùn)練數(shù)據(jù)集。再依據(jù)w2井測(cè)井解釋結(jié)果及數(shù)據(jù)制作預(yù)測(cè)數(shù)據(jù)集并附上標(biāo)簽。同理,挑選w1井旁單地震道地震屬性數(shù)據(jù),按裂縫發(fā)育狀況分別用1類(lèi)和2類(lèi)標(biāo)簽標(biāo)注作為訓(xùn)練數(shù)據(jù)集。挑選w2井旁單地震道地震屬性數(shù)據(jù)制作預(yù)測(cè)數(shù)據(jù)集并附上標(biāo)簽。將訓(xùn)練數(shù)據(jù)集與預(yù)測(cè)數(shù)據(jù)集作為輸入,運(yùn)用ELM算法進(jìn)行分類(lèi)計(jì)算,得到分類(lèi)結(jié)果。

表1 裂縫識(shí)別測(cè)井訓(xùn)練數(shù)據(jù)集(部分)

表2 裂縫識(shí)別地震屬性訓(xùn)練數(shù)據(jù)集(部分)

2.2 測(cè)試及結(jié)果

2.2.1 基于測(cè)井?dāng)?shù)據(jù)

基于實(shí)驗(yàn)?zāi)Ｐ偷姆诸?lèi)效果主要是由分類(lèi)正確率和計(jì)算用時(shí)來(lái)衡量。分類(lèi)正確率即此類(lèi)樣本數(shù)據(jù)劃分正確的數(shù)量與此類(lèi)樣本總數(shù)的比值。

制作的訓(xùn)練數(shù)據(jù)集由509個(gè)裂縫欠發(fā)育帶樣本數(shù)據(jù)和491個(gè)裂縫發(fā)育帶樣本數(shù)據(jù)組成;預(yù)測(cè)數(shù)據(jù)集包含490個(gè)裂縫欠發(fā)育帶樣本數(shù)據(jù)和501個(gè)裂縫發(fā)育帶樣本數(shù)據(jù)。將訓(xùn)練數(shù)據(jù)集和預(yù)測(cè)數(shù)據(jù)集作為輸入使用ELM算法進(jìn)行分類(lèi)。預(yù)測(cè)的結(jié)果如表3。

表3 ELM算法預(yù)測(cè)結(jié)果

預(yù)測(cè)結(jié)果表明ELM算法耗時(shí)與隱層節(jié)點(diǎn)設(shè)置數(shù)量有直接聯(lián)系,隱層節(jié)點(diǎn)數(shù)設(shè)置越多,算法耗時(shí)越長(zhǎng)?？傮w上,隨著隱層節(jié)點(diǎn)數(shù)量增加,預(yù)測(cè)正確率越高。但當(dāng)隱層節(jié)點(diǎn)數(shù)大于訓(xùn)練數(shù)據(jù)集數(shù)量后,正確率增加不明顯,且有波動(dòng)。實(shí)驗(yàn)表明,隱層節(jié)點(diǎn)數(shù)設(shè)置1000時(shí),預(yù)測(cè)數(shù)據(jù)集正確率能達(dá)到94.95%,已經(jīng)滿足了分類(lèi)預(yù)測(cè)的要求。

為了研究ELM算法與PSVM算法的分類(lèi)效果,我們利用PSVM算法對(duì)相同的訓(xùn)練數(shù)據(jù)集和預(yù)測(cè)數(shù)據(jù)集進(jìn)行分類(lèi)。理論上,分類(lèi)效果直接受到映射方式的影響,ELM因其隨機(jī)輸入權(quán)重和隱層偏置的特性使其有若干種方式投影到高維,且訓(xùn)練速度極快;而PSVM映射方式受核函數(shù)影響,加之訓(xùn)練速度相對(duì)較慢,總體性能相對(duì)不及ELM。分類(lèi)效果如表4?？梢钥闯鯡LM算法正確率略高于PSVM算法并且耗時(shí)較短。隨機(jī)輸入權(quán)重和隱層偏置使得ELM算法在處理大數(shù)據(jù)訓(xùn)練集時(shí)有更快的運(yùn)算效率。

由于揭示裂縫欠發(fā)育帶和裂縫發(fā)育帶的測(cè)井?dāng)?shù)據(jù)局部有重疊,因此采用多屬性融合的方式劃分復(fù)雜數(shù)據(jù)類(lèi)型能有效提高分類(lèi)正確率。圖3為PSVM算法與ELM預(yù)測(cè)結(jié)果的聲波時(shí)差和自然伽馬的交會(huì)圖,圖中橙色圓點(diǎn)和紅色叉號(hào)對(duì)應(yīng)的聲波時(shí)差和自然伽馬數(shù)據(jù)均來(lái)自測(cè)井裂縫發(fā)育帶,淺藍(lán)圓點(diǎn)和深藍(lán)叉號(hào)數(shù)據(jù)則來(lái)自裂縫欠發(fā)育區(qū)域,叉號(hào)是預(yù)測(cè)失敗部分。從黑色虛線框所在的聲波時(shí)差和自然伽馬數(shù)值交集部分分類(lèi)效果來(lái)看,ELM算法分類(lèi)效果明顯優(yōu)于PSVM算法,表明PSVM算法對(duì)數(shù)據(jù)重疊部分的分類(lèi)效果不如ELM算法。ELM算法在劃分重疊部分的數(shù)據(jù)時(shí)能夠保持較高的分類(lèi)正確率。

表4 ELM與PSVM算法分類(lèi)效果對(duì)比

圖3 模型測(cè)試結(jié)果(部分)自然伽馬和聲波時(shí)差交會(huì)顯示

2.2.2 基于地震屬性數(shù)據(jù)

利用w1井旁道地震屬性數(shù)據(jù)制作的訓(xùn)練數(shù)據(jù)集由479個(gè)裂縫欠發(fā)育帶樣本數(shù)據(jù)和521個(gè)裂縫發(fā)育帶樣本數(shù)據(jù)組成。利用w2井旁道地震數(shù)據(jù)制作的預(yù)測(cè)數(shù)據(jù)集包含218個(gè)裂縫欠發(fā)育帶樣本數(shù)據(jù)和237個(gè)裂縫發(fā)育帶樣本數(shù)據(jù)。將訓(xùn)練數(shù)據(jù)集和預(yù)測(cè)數(shù)據(jù)集作為輸入分別使用ELM算法和PSVM算法進(jìn)行分類(lèi)。ELM算法隱層節(jié)點(diǎn)數(shù)設(shè)置為1000。二種算法的分類(lèi)效果見(jiàn)表5。

表5 基于地震數(shù)據(jù)的二種算法的分類(lèi)效果

預(yù)測(cè)結(jié)果表明,ELM算法的正確率略高于PSVM算法并且有計(jì)算耗時(shí)更短的優(yōu)勢(shì)?；诘卣饠?shù)據(jù)和測(cè)井?dāng)?shù)據(jù)的ELM的裂縫分類(lèi)都能保持較高的正確率。選擇適當(dāng)?shù)臉颖炯?地震數(shù)據(jù)3屬性的分類(lèi)效果就能夠同測(cè)井?dāng)?shù)據(jù)5屬性的分類(lèi)效果相當(dāng),能夠滿足實(shí)際應(yīng)用的要求。

3 實(shí)際應(yīng)用

測(cè)井?dāng)?shù)據(jù)的ELM分類(lèi)常常能夠達(dá)到較高的精度,對(duì)巖樣中的一條或幾條裂縫有一定的識(shí)別能力。在尺度大、數(shù)據(jù)多的地震勘探中,要做到識(shí)別單條裂縫,常規(guī)技術(shù)達(dá)不到這種精度。但對(duì)于發(fā)育有較多數(shù)量裂縫且具有一定規(guī)模的裂縫帶區(qū)域,地震數(shù)據(jù)可以滿足裂縫預(yù)測(cè)的識(shí)別精度。針對(duì)以上研究?jī)?nèi)容,選取川東北某工區(qū)須家河組須四段地震資料驗(yàn)證ELM算法用于裂縫帶的預(yù)測(cè)效果。

3.1 研究區(qū)概況

川東北地區(qū)區(qū)域內(nèi)斷層主要發(fā)育在九龍山構(gòu)造轉(zhuǎn)折端,須家河組須四段主要發(fā)育北西和北東兩組方向的裂縫。成像測(cè)井等資料表明北西向中高傾角裂縫開(kāi)啟性好。研究區(qū)內(nèi)致密砂巖氣藏發(fā)育,有4口產(chǎn)氣井(w1,w2,w3和w4井),其中w1井、w2井、w3井為高產(chǎn)氣井。受北西向?qū)_、背沖斷層組合影響,有效裂縫發(fā)育規(guī)模大,高產(chǎn)單井產(chǎn)量均達(dá)到12×104m3/d。單井日產(chǎn)量及測(cè)試段裂縫的地震相類(lèi)型見(jiàn)表6。

裂縫的地震相是不同尺度的斷裂在地震剖面上所反映的特征。在該研究區(qū)域地震相分析,解釋為5類(lèi)地震相:第1類(lèi)為大斷裂;第2類(lèi)為斷裂;第3類(lèi)為微斷裂;第4類(lèi)為裂縫;第5類(lèi)為基質(zhì)。第1、2、3、4類(lèi)裂縫的地震相為研究區(qū)域須四段裂縫發(fā)育有利相帶,占總數(shù)據(jù)比例為65%。

表6 單井日產(chǎn)量及裂縫的地震相類(lèi)型

3.2 裂縫帶預(yù)測(cè)訓(xùn)練數(shù)據(jù)集的選取

體曲率屬性可以有效表征裂縫發(fā)育程度,相干屬性能反映斷層空間展布特征,反射強(qiáng)度屬性反映了地震反射波能量強(qiáng)度的變化。盡管這些地震屬性能夠從不同角度刻畫(huà)裂縫帶的各類(lèi)特征,但僅使用單一屬性不能全面客觀地評(píng)價(jià)裂縫發(fā)育的實(shí)際情況,容易造成多解等問(wèn)題。因此,綜合利用多種屬性,將體曲率、相干屬性和反射強(qiáng)度屬性融合,利用ELM算法進(jìn)行裂縫發(fā)育帶的預(yù)測(cè)。

訓(xùn)練數(shù)據(jù)集由研究區(qū)內(nèi)4口井的井旁道體曲率、相干屬性和反射強(qiáng)度屬性數(shù)據(jù)構(gòu)成。再基于完鉆報(bào)告等測(cè)井解釋資料將裂縫的發(fā)育程度分成3類(lèi):裂縫欠發(fā)育,裂縫較發(fā)育和裂縫發(fā)育,分別對(duì)應(yīng)附上標(biāo)簽1、2、3。

在制作訓(xùn)練數(shù)據(jù)集時(shí)需要考慮以下兩點(diǎn):

1) 訓(xùn)練數(shù)據(jù)的選取要有代表性。本文是在測(cè)井解釋結(jié)果及測(cè)井曲線的基礎(chǔ)上篩選數(shù)據(jù),考慮到數(shù)據(jù)的均衡性,選取的數(shù)據(jù)應(yīng)兼顧主裂縫帶和次級(jí)裂縫帶。分析裂縫發(fā)育帶、較發(fā)育帶和欠發(fā)育帶的數(shù)據(jù)特征,根據(jù)其差異挑選典型的數(shù)據(jù)樣本,盡量使得局部重疊的數(shù)據(jù)最小化。

2) 訓(xùn)練數(shù)據(jù)中3類(lèi)樣本的比例要合適。在針對(duì)整個(gè)研究區(qū)進(jìn)行大范圍的裂縫帶預(yù)測(cè)時(shí),需要考慮訓(xùn)練數(shù)據(jù)中各類(lèi)樣本之間數(shù)量的比例。根據(jù)地質(zhì)背景等資料,研究區(qū)域裂縫欠發(fā)育帶范圍遠(yuǎn)大于裂縫發(fā)育帶和較發(fā)育帶且裂縫發(fā)育帶相比于較發(fā)育帶規(guī)模更小。因此,選取的訓(xùn)練數(shù)據(jù)中3類(lèi)樣本的占比需要根據(jù)實(shí)際情況調(diào)整。

3.3 預(yù)測(cè)效果

不同地震屬性對(duì)裂縫帶識(shí)別各有優(yōu)勢(shì),但同時(shí)也存在一定缺陷。圖4為研究區(qū)須四段3種地震屬性的等時(shí)切片?？梢?jiàn),體曲率屬性(圖4a)雖能夠反映裂縫發(fā)育情況,但易受噪聲干擾,對(duì)地層起伏形態(tài)的刻畫(huà)也受制于人工解釋的主觀性影響,所以位于欠發(fā)育帶的w4井的裂縫發(fā)育情況難以分辨。反射強(qiáng)度屬性(圖4b)表現(xiàn)出橫向變化趨勢(shì),卻在一定程度上損失了垂直分辨率,在大尺度裂縫預(yù)測(cè)應(yīng)用中,存在一定誤差,導(dǎo)致研究區(qū)高產(chǎn)氣w3井是否在裂縫發(fā)育帶上難以準(zhǔn)確判別。相干屬性(圖4c)對(duì)數(shù)據(jù)信噪比有一定要求,在低信噪比情形下預(yù)測(cè)會(huì)產(chǎn)生假相干,因此,預(yù)測(cè)結(jié)果中w4井所在區(qū)域的裂縫發(fā)育狀況不太準(zhǔn)確。

利用ELM算法基于研究區(qū)地震三屬性數(shù)據(jù)進(jìn)行裂縫預(yù)測(cè)。圖4d為ELM算法對(duì)研究區(qū)裂縫發(fā)育帶的預(yù)測(cè)結(jié)果。圖中白色部分代表裂縫帶欠發(fā)育區(qū)域,綠色部分代表裂縫帶較發(fā)育區(qū)域,紅色部分代表裂縫帶發(fā)育區(qū)域。預(yù)測(cè)結(jié)果較好地反映研究區(qū)內(nèi)大斷裂的基本形態(tài),準(zhǔn)確地將w1井、w2井、w3井及其附近裂縫發(fā)育情況預(yù)測(cè)出來(lái),這3口高產(chǎn)氣井均位于裂縫較發(fā)育帶上,且井位附近也有對(duì)裂縫發(fā)育帶分布形態(tài)的表征。同時(shí),將單地震屬性難以判斷的w4井所在位置裂縫發(fā)育情況準(zhǔn)確地進(jìn)行了預(yù)測(cè)。位于裂縫欠發(fā)育帶的w4井預(yù)測(cè)結(jié)果符合其低產(chǎn)井的實(shí)際開(kāi)采情況。以上預(yù)測(cè)結(jié)果與測(cè)井資料、單井產(chǎn)量等鉆探信息一致,說(shuō)明ELM算法針對(duì)該研究區(qū)裂縫帶類(lèi)型預(yù)測(cè)具有較高的可信度。

圖4 研究區(qū)須四段不同屬性等時(shí)切片及裂縫帶預(yù)測(cè)結(jié)果

4 結(jié)論

1) 將ELM算法用于裂縫帶綜合預(yù)測(cè),相較于單地震屬性裂縫帶預(yù)測(cè),綜合預(yù)測(cè)精度高,同時(shí)能有效避免單一屬性在裂縫時(shí)的多解性。研究區(qū)裂縫帶預(yù)測(cè)結(jié)果表明,ELM算法能有效應(yīng)用于裂縫帶預(yù)測(cè),這也為ELM算法推廣到其它地區(qū)提供了思路。

2) 因?yàn)镋LM算法能隨機(jī)生成輸入與輸出層間連接權(quán)重以及隱層神經(jīng)元閾值,極大簡(jiǎn)化了樣本的學(xué)習(xí)過(guò)程,訓(xùn)練效率顯著提高。同時(shí)相比PSVM算法,ELM算法預(yù)測(cè)結(jié)果準(zhǔn)確率高、用時(shí)短。針對(duì)數(shù)據(jù)量大、范圍廣的工區(qū)進(jìn)行裂縫帶分類(lèi)預(yù)測(cè)具有較大潛力。

在一定范圍內(nèi),ELM算法隱層節(jié)點(diǎn)個(gè)數(shù)越多分類(lèi)準(zhǔn)確率越高。當(dāng)隱層節(jié)點(diǎn)個(gè)數(shù)設(shè)置過(guò)多時(shí)(一般遠(yuǎn)大于樣本數(shù)量),分類(lèi)效果受節(jié)點(diǎn)增多影響就會(huì)變小,有時(shí)分類(lèi)正確率反而會(huì)有所降低。此外,計(jì)算時(shí)間隨節(jié)點(diǎn)個(gè)數(shù)增多而增加。因此,在實(shí)際應(yīng)用中,應(yīng)根據(jù)工區(qū)需求合理選擇節(jié)點(diǎn)數(shù)量。