張鵬飛，張世暉

(中國地質大學(武漢) 地球物理與空間信息學院,湖北 武漢 430074)

0 引言

地震反演巖性預測一直以來都是油氣勘探與開發(fā)中的重要技術，廣泛應用于生產實踐。地震反演一般以地震資料為基礎，綜合測井、地質等多方面資料研究地下巖性之間的空間變化特征，為后續(xù)的儲量預測和井位評價提供依據。

神經網絡反演憑借其出色的自適應性和靈活性，在地震反演中得到廣泛應用。Hampson等提出利用交叉檢驗法來提高神經網絡的匹配程度，將全部數據分為訓練數據和檢驗數據，前者用于訓練，后者用于檢驗誤差[1]；張紹紅等提出了基于概率神經網絡的砂泥巖巖性反演技術，通過引入概率密度函數理論對地層特征進行預測識別[2]；Tahmasebi P等提出了模糊神經網絡方法，將模糊邏輯方法和神經網絡結合，在保留神經網絡特點的同時突出模糊邏輯在解釋方面的優(yōu)勢[3]；余為維等提出了測井約束和神經網絡聯(lián)合反演儲層的預測技術，在預測儲層方面取得了良好效果[4]；趙鵬飛等提出了基于神經網絡的隨機地震反演方法，不僅提高了隨機反演的計算精度，還簡化了神經網絡的結構，取得了良好的效果[5]。

地震神經網絡反演方法的主要優(yōu)勢是提高波阻抗反演精度，利用神經網絡方法，能夠建立波阻抗—巖性非線性映射關系，從而實現(xiàn)巖性反演與精細刻畫。本文中通過巖性敏感測井曲線分析，將伽馬曲線進行歸一化處理并用于井約束地震反演，以期能提高反演精度，達到精細刻畫巖性空間分布的目的。

1 研究區(qū)概況

西湖凹陷研究區(qū)地處東海陸架盆地，是一個在晚白堊世末期的構造背景上發(fā)育的新生代沉積凹陷，整體呈NNE向發(fā)育，面積約5.9萬km2，是東海最大的含油氣凹陷[6]，有巨大的勘探潛力。該研究區(qū)一直以來油氣鉆探成功率較高，所鉆油井大部分可見油氣存在，且多數是工業(yè)性油氣流，是區(qū)域內富生烴凹陷的主力烴源巖系之一，同時也是我國東部斷陷型盆地海陸過渡相烴源巖的主要代表區(qū)域[7-9]?？傮w來看，區(qū)內烴源巖分布廣，厚度大，內夾有多套薄煤層，烴源巖以陸生有機質輸入為主，質量較高。其中始新統(tǒng)平湖組泥巖及含煤地層是西湖凹陷內的主力烴源巖系，也是我國東部斷陷盆地海陸相烴源巖的典型代表。泥巖作為一種分布最廣泛的沉積巖，在油氣系統(tǒng)中既可以充當烴源巖，也可以作為蓋層和儲層。因此預測泥巖分布規(guī)律，并準確統(tǒng)計泥巖厚度是預測油氣儲量的重要環(huán)節(jié)。

付志方針對西湖凹陷提出儲層特征重構技術，通過構建含有多種量綱的擬測井曲線來反映地下多種地球物理信息[10]；秦蘭芝等在西湖凹陷烴源巖地震反演中通過對測井曲線進行校正，并在此基礎上建立初始地層波阻抗模型進行地震反演[11]；但同時，該研究區(qū)內部鉆井較少，平面分布不均衡，鉆井資料有限。因此，如何能通過現(xiàn)有的有限資料來合理有效地預測斜坡帶中心區(qū)域的砂泥巖分布，并進一步預測烴源巖乃至優(yōu)質烴源巖的厚度是目前的一大難題。

本文結合前人研究成果，首先對獲得的高質量測井資料進行整理分析，結合高品質的地震資料進行人工合成記錄和井震標定，并進行頻段約束。通過對測井資料進行分析，確定與巖性變化敏感度較高的測井曲線，用以進行測井約束。對敏感曲線和其他測井曲線進行歸一化處理，選擇合適的測井曲線進行巖性敏感曲線重構，得到的擬敏感曲線可以提高砂、泥巖的分辨能力。本文利用遺傳神經網絡算法，建立該敏感曲線和波阻抗之間的非線性映射關系，將地震數據進行反演。結合前文所得的巖性曲線進行約束，得到地下巖性分布(圖1)。

圖1 測井約束疊后地震神經網絡反演示意Fig.1 Sketch of poststack seismic neural network inversion constrained by well logs

2 地震反演關鍵流程

2.1 巖性物性交會分析

確定巖性敏感的測井曲線是巖性識別技術中的重要環(huán)節(jié)。通過對研究區(qū)內測井資料和砂泥巖分布概率交會圖整理和分析，該研究區(qū)域內由于目的層埋深較深，強壓實作用使砂巖和泥巖的縱波阻抗、縱波速度等屬性都發(fā)生疊加，因此采用常規(guī)的波阻抗反演難以區(qū)分砂、泥巖。而工區(qū)內伽馬值對于巖性的區(qū)分度較高，呈現(xiàn)為砂巖伽馬值較低、泥巖伽馬值較高的特點(圖2)。

圖2 巖性和伽馬、縱波速度交會Fig.2 The cross plot of all kinds lithology of Gamma ray and P-velocity

2.2 基于滑動窗口濾波的測井歸一化技術

測井曲線是能夠比較客觀地反映地下巖層巖性變化特征。理想情況下，同一層位因為沉積環(huán)境類似，對應的測井曲線應該有類似的特征。但是測井曲線經常會受到儀器、泥漿等因素的影響產生誤差，如果不對這些測井曲線進行處理直接進行反演，反演精度會受到很大影響，因此需要對測井曲線進行歸一化預處理來消除非地質因素的影響。

以B2井為例(圖3)，該井的伽馬值與其他井相比明顯偏小，與砂泥巖的對應關系很差，如果直接將原始伽馬值與波阻抗值重構會嚴重影響反演精度。通過分析原始伽馬曲線的變化趨勢，對其進行低通濾波，得到的相對伽馬曲線會更符合巖性分布規(guī)律。通過原始伽馬曲線和相對伽馬曲線之間的對比，可以看出巖性曲線和相對伽馬曲線的對應程度更好，較厚段的巖性有了更好的對應關系。

將該方法應用于其余的測井上也取得了良好效果，不僅提升了B3井厚段巖性與伽馬值之間的對應程度，還有助于薄層的識別(圖3紅色虛線部分)。在一些砂巖較薄層段，原始伽馬曲線不能反映這種巖性的變化，通過趨勢低通濾波建立的相對伽馬曲線，可以清楚地反映薄層巖性變化特征。

圖3 兩口井相對伽馬曲線建立前后的對比結果Fig.3 Comparison result of gamma and relative gamma for two wells

通過建立相對伽馬曲線，巖性與敏感曲線之間的分布關系進一步得到優(yōu)化，這也為后續(xù)的測井約束和井震反演工作提供了基礎(圖4)。

圖4 伽馬歸一化處理前(a)后(b)與波阻抗交會圖對比Fig.4 Comparation of gamma(a),relative gamma(b) and P-impedance cross plot

2.3 擬敏感曲線構建

為了進一步研究砂、泥巖分布規(guī)律，選擇相對伽馬曲線為砂泥巖巖性敏感曲線，結合波阻抗曲線，重構成新的擬伽馬曲線，將其轉換為以波阻抗為量綱的測井曲線[12-13]。將伽馬曲線和波阻抗曲線進行分頻處理，然后將波阻抗曲線的低頻部分和伽馬曲線的高頻部分進行重構(圖5)。其中波阻抗曲線的低頻部分可以反映地層速度變化趨勢，伽馬曲線的高頻部分可以反映巖性變化特征。憑借此曲線既可以判斷地下實際的速度和密度差異，也可以刻畫巖性分布規(guī)律，深刻地反映地震資料與儲層特征的關系，為我們后期的巖性預測打下基礎。

圖5 擬波阻抗曲線與巖性概率交會Fig.5 Pseudo-wave impedance curve and lithology probability intersection diagram

2.4 井震聯(lián)合神經網絡反演

2.4.1 神經網絡的實現(xiàn)

神經網絡是以自變量為輸入，因變量為輸出，并且以任意高的精度來代替二者的線性函數，得到一種可以反映因變量和自變量之間非線性關系的算法。在地球物理領域，神經網絡反演一直是確定地球物理數據和介質信息之間數學關系的重要工具[14]。常用的神經網絡算法是前饋神經網絡算法(feedforward neural network，簡稱FNN算法)。FNN算法通常分為3部分(圖6)：輸入層(input nodes)、隱層(hidden nodes)和輸出層(output nodes)，這種結構也稱多層感知機制(multilayer perceptron，簡稱MLP)[15]。

圖6 神經網絡算法示意Fig.6 Schematic diagram of neural network algorithm

已知Q個向量和(x1,y1),(x2,y2),…(xQ,yQ)之間具有某種非線性關系，設x和y為含有N個和M個元素的向量，x為輸入，y為輸出。在神經網絡中，即輸入層有N個神經單元，輸出層有M個神經單元。設隱層中有L個神經單元且隱層僅有一層。該神經網絡中的輸入層的每一個單元都以加權求和的方式與隱層中的任一單元連接，并通過隱層中的激勵函數向輸出層輸出結果。

(1)

(2)

神經網絡的實質是求取以期望輸出和實際輸出的誤差值作為目標函數的最優(yōu)化過程。該誤差值表達為:

(3)

式中，y是一個表示神經網絡期望輸出的向量。

由式(3)可得，誤差函數E是一個由輸出層的神經元決定的函數。常見的神經網絡訓練方法是誤差回傳算法，簡稱BP算法[16]。

2.4.2 基于神經網絡的井震聯(lián)合反演流程

神經網絡算法作為一種非線性算法，具有較強的自適應性和高度的靈活性，一直在地震反演中都有著廣泛的應用。在實際應用中，將擬波阻抗曲線和波阻抗數據作為輸入層，通過神經網絡確定兩者間的非線性映射關系。但是神經網絡也存在垂向分辨率過低的問題，同時在復雜地質條件下，砂泥巖的波阻抗信息較為接近，單純的利用波阻抗曲線加權內插效果欠佳。因此通過神經網絡挖掘擬波阻抗曲線和波阻抗曲線之間的相關度，以提高目標層段巖性預測精度。具體做法是，將擬波阻抗曲線以及與擬波阻抗曲線關系密切的其他測井曲線及地震相關屬性作為訓練集合，確定擬波阻抗曲線和波阻抗曲線之間的非線性映射關系。圖7是B1井和B2井的擬波阻抗曲線神經網絡反演結果和測井波阻抗曲線之間的對比關系。其中藍色曲線為實際測井波阻抗曲線，紅色曲線為擬波阻抗曲線反演結果?？梢钥闯鰧嶋H波阻抗曲線與反演波阻抗曲線趨勢基本吻合。最后，將訓練后的神經網絡所含的映射關系用于井約束三維地震反演，進而得到三維巖性反演結果。

圖7 神經網絡井震反演結果和實際測井波阻抗曲線對比Fig.7 Comparison of neural network seismic inversion results and actual P-wave impedance curve

3 反演結果分析

反演結果的縱向分辨率特征反映砂泥巖垂向分布規(guī)律，通過比較反演結果和測井巖性曲線來衡量地震反演精度是否符合實際需要。將測井巖性曲線縱向展布規(guī)律和井旁地震反演時間剖面做對比，來驗證反演結果的可靠性。圖8是過井地震剖面反演結果，反演結果與井基本吻合，泥巖橫向連續(xù)性得到改善。同時根據神經網絡反演結果，結合前人資料選取了優(yōu)質的烴源巖豐度指標[17-18]，預測烴源巖有利層段(圖9)。通過平湖組時間切片可以刻畫泥巖在不同層段的厚度范圍。在該研究區(qū)內，泥巖厚度由西(凹陷外部)到東(凹陷中心)逐漸增厚，泥巖含量逐漸增多(圖10)。將反演測井泥巖厚度與測井實測統(tǒng)計泥巖厚度做對比，泥巖厚度預測精度可達93%以上(表1)。

圖8 鉆井巖性及井旁反演結果對比Fig.8 Comparison of lithology and inversion results of well B2

圖9 平湖組井旁烴源巖分布剖面(黃色為有利烴源巖(TOC豐度>1)區(qū)段)Fig.9 Section of source rocks of well B1 in the Pinghu Formation(yellow part is high-quality source rock (TOC abundance>1) section)

a—平湖組上段泥巖厚度切片;b—平湖組中段泥巖厚度切片;c—平湖組下段泥巖厚度切片a—thickness slice of mudstone in upper Pinghu Formation;b—thickness slice of mudstone in middle Pinghu Formation;c—thickness slice of mudstone in lower Pinghu Formation圖10 西湖凹陷平湖組泥巖厚度切片F(xiàn)ig.10 Thickness slice of mudstone in Pinghu Formation in Xihu Sag

表1 反演泥巖厚度與實測泥巖厚度對比

4 結論

西湖凹陷作為我國重要的烴源巖系，一直以來對其的巖性展布預測受測井范圍有限，地質條件復雜等問題的影響而較為困難。波阻抗信息對于巖性的指示度不高，傳統(tǒng)的井震波阻抗反演在該區(qū)域內反演結果較差。

本文通過結合前人工作經驗，對測井曲線進行歸一化處理，構建神經網絡反演所需的擬敏感曲線，并運用于測井約束的神經網絡反演中。測井曲線歸一化最大限度地減弱了非地質因素對于測井曲線的影響，基于擬敏感曲線的神經網絡方法作為一種非線性方法，用來建立測井曲線與地震資料之間的非線性映射關系，提高了地震反演精度。反演所得結果與測井巖性分布一致，達到了預期的巖性識別效果。同時可以對平湖組各段依照反演結果取泥巖厚度切片，研究泥巖展布規(guī)律，并以此為后期的油氣開發(fā)提供數據支撐和方法依據。