李瓊，李美琦，王睿

1 成都理工大學地球物理學院，成都 610059 2 地球勘探與信息技術教育部重點實驗室(成都理工大學)，成都 610059

0 引言

煤層氣是賦存在煤系地層中的優(yōu)質(zhì)清潔能源氣體，加快煤層氣的開發(fā)和利用，在提高煤礦安全作業(yè)、改善能源結構、助力環(huán)保等方面具有積極意義.煤層氣儲層中廣泛分布的裂隙是流體儲存、運移的場所，對煤層氣的產(chǎn)量有實質(zhì)性的影響，對煤層氣儲層進行裂隙檢測識別具有重要意義(趙軍龍和池佳瑋，2020).

在巖石物理領域，通過巖心樣本實驗測量，構建微裂縫、孔隙雙重模型，以巖石物理圖板為媒介，采用譜比法等實現(xiàn)致密砂巖裂隙含量在地震屬性參數(shù)上的反映，應用到研究工區(qū)進行儲層裂縫的定量識別與預測，達到對致密砂巖儲層分析與評價的目標(龐孟強等，2020)，提出了一種利用微裂縫孔隙度來識別深層碳酸鹽巖儲層的方法(Pang et al.，2020).開展地層壓力條件下煤巖動、靜態(tài)彈性參數(shù)實驗研究，獲得動、靜態(tài)彈性參數(shù)之間的關系，為利用動態(tài)彈性參數(shù)預測靜態(tài)彈性參數(shù)提供了巖石物理依據(jù)(李瓊等，2017)，用靜態(tài)和動態(tài)模量估算孔隙結構，這一工作將巖石的彈性特性與孔隙結構聯(lián)系起來(Zhang et al.，2019).

在地震勘探領域，不同的地震屬性反映了地震數(shù)據(jù)體中的不同信息，可應用于不同的實際問題研究，如相干、曲率等幾何屬性常應用于裂隙、河道等地層不連續(xù)性現(xiàn)象的檢測研究.

度量地震數(shù)據(jù)波形的相似性實現(xiàn)地層斷裂等不連續(xù)特征檢測的相干技術廣泛應用于煤層氣儲層裂隙檢測中.Gersztenkorn 和 Marfurt(1999)提出了基于特征構造的第三代相干算法，從三維空間角度詳細描述了相干屬性在由地質(zhì)構造活動產(chǎn)生的地層斷裂上的檢測原理.Sun等(2010)提出分頻相干體算法，這個方法通過分頻技術檢測出全頻帶相干體難以發(fā)現(xiàn)的微小斷裂.Li和Lu(2014)綜合分析了地震相干屬性體中不同頻段與地質(zhì)體尺度的對應關系，融合的分頻相干數(shù)據(jù)體成功地解釋了實際工區(qū)中河道等橫向不連續(xù)性現(xiàn)象.陳杰(2018)應用分頻相干技術在頁巖裂縫發(fā)育帶的檢測中取得較好的成果.彭達等(2019)提出了一種基于傾角導向梯度能量熵的相干分析方法，利用能量熵值刻畫三維地震數(shù)據(jù)的不連續(xù)性空間結構信息.

Richard(1994)通過對曲率和裂隙的研究，發(fā)現(xiàn)了它們之間的相關性，促使應用曲率預測裂隙步入正軌.Roberts(2001)詳細論述了曲率屬性的基本理論，提出了層面曲率屬性算法，為曲率屬性在地層斷裂識別和構造褶曲解釋等方面的應用鋪開了道路.Al-Dossary和Marfurt(2006)提出了體曲率屬性算法，實現(xiàn)了體曲率屬性的多尺度分析.楊威(2011)、楊威等(2011)提出了一種新的三維體曲率屬性計算方法，基于復地震道理論，該方法對裂隙的識別、刻畫更加精細準確.煤層氣儲層中裂隙的分布極其復雜，馬珊珊(2018)基于地震數(shù)據(jù)的曲率屬性預測裂隙發(fā)育規(guī)律，有效地提高裂隙預測精度和準確度.煤層氣儲層三維地震數(shù)據(jù)包含了煤層氣儲層地質(zhì)構造、裂隙發(fā)育帶等信息，李冬和師素珍(2017)通過提取實際三維地震數(shù)據(jù)屬性切片，通過單屬性和多屬性切片初步預測了裂隙發(fā)育帶.

智能優(yōu)化算法的創(chuàng)造性靈感來源于自然界生物的捕食、繁衍等活動.李瓊等(2006)將自適應遺傳算法與人工神經(jīng)網(wǎng)絡技術(BP網(wǎng)絡)有機結合，提出了一種儲層裂縫自適應遺傳-神經(jīng)網(wǎng)絡模型(GA-BP網(wǎng)絡)反演方法，這種混合算法提高了網(wǎng)絡的收斂速度和精度，從而快速獲得全局最優(yōu)解，它優(yōu)于常規(guī)裂縫地震預測技術的裂縫定性分析.劍橋大學學者Yang和Gandomi(2012)借鑒蝙蝠利用回聲定位進行捕食的行為提出了蝙蝠算法(Bat Algorithm，BA)，算法模型簡易且參數(shù)較少，在復雜多維函數(shù)求解上得到了成功應用.劉長平和葉春明(2013)采用“Lévy飛行搜索策略”改進基本BA算法的搜索速度、搜索范圍，提高了基本BA算法的計算效率，抑制基本BA算法的易早熟，提高了收斂精度.Yang和Deb(2009)模擬布谷鳥尋窩產(chǎn)卵行為方式提出了布谷鳥算法(Cuckoo Search，CS).馬燦等(2016)提出了混合模擬退火的布谷鳥算法(Simulated Annealing-Cuckoo Search，SA-CS)，SA-CS算法提高了基本CS算法的計算速度和計算精度.

Mirjalili和Lewis(2016)根據(jù)鯨魚捕食魚蝦的行為習慣特征提出了鯨魚優(yōu)化算法(Whale Optimization Algorithm，WOA)，在標準測試函數(shù)上得到成功運用，研究結果表明，相比于粒子群算法、差分進化算法，WOA算法在函數(shù)求解、收斂速度等方面的運用上有較好的效果.Kaveh和Moghaddam(2018)通過將WOA與碰撞體優(yōu)化( Colliding Body Optimization，CBO)混合，提出WOA-CBO算法，獲得比標準WOA算法更高的求解精度和收斂速度.Ling等(2017)在基本W(wǎng)OA算法中將果蠅飛行運動軌跡融入到鯨魚螺旋游走中，優(yōu)化了收縮、包圍的路徑問題，在基準測試函數(shù)上的測試結果表明，改進的WOA算法在部分函數(shù)的運用上要優(yōu)于基本W(wǎng)OA算法.Wang等(2018)將遺傳算法(GA)的不規(guī)則交叉和變異操作集成到鯨魚優(yōu)化算法中，利用擾動可以更有效地跳出局部最優(yōu)值，使新的WOA-GA算法能實現(xiàn)大規(guī)模NoC(Network-on-Chip)映射中的低能耗和高穩(wěn)定性.Chai等(2020)針對無法進行數(shù)學建模的優(yōu)化問題，提出并行鯨魚優(yōu)化算法(PWOA)，該算法極大地增強了原始WOA算法的全局搜索能力和種群多樣性，并在無線傳感器網(wǎng)絡(WSN)節(jié)點位置確定中展現(xiàn)出較好的應用潛力.Zhang和Wang(2020)提出一種基于非線性自適應權重和黃金正弦算子的鯨魚優(yōu)化算法(NGS-WOA),該算法具有較高的全局收斂性和避免陷入局部最優(yōu)值的優(yōu)點，可有效解決高維優(yōu)化和工程優(yōu)化等問題.Gul等(2021)以元啟發(fā)式頻率修正WOA算法，得到收斂速度更快的調(diào)頻混合鯨魚優(yōu)化算法(FMH-WOA)，相比于其他優(yōu)化算法，F(xiàn)MH-WOA能以較少模擬運行次數(shù)和時間實現(xiàn)隨機搜索的最優(yōu)路徑選擇.

隨著地震分辨率的提高和預測方法技術的創(chuàng)新，發(fā)展和研究細微裂縫或微裂縫的預測是地質(zhì)研究的目標.因此，將鯨魚優(yōu)化算法與神經(jīng)網(wǎng)絡相結合，創(chuàng)建了微裂縫智能優(yōu)化預測算法，這種智能預測方法，充分發(fā)揮兩種方法的優(yōu)勢，且獲取了很好的勘探開發(fā)效果.

1 煤層氣儲層裂隙檢測的WOA-BP算法及特征

煤層氣儲層裂隙檢測的WOA-BP算法是將WOA(Whale Optimization Algorithm)與BP(Back Propagation)有機結合形成優(yōu)勢樣本和二次誤差控制的穩(wěn)健而有效的儲層裂隙檢測方法.

1.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡(Back Propagation Neural Network，BPNN)是一種比較成熟且被廣泛應用的反向誤差傳播的多層ANN模型.圖1為三層BP神經(jīng)網(wǎng)絡結構圖，包含輸入層、隱含層和輸出層.輸入層含有n個單元x=(x1,x2,…,xn)T；隱含層含有h個單元，其輸出為y=(y1,y2,…,yh)T；輸出層含有m個單元，其輸出為z=(z1,z2,…,zm)T；與輸出層對應的m個訓練期望輸出為t=(t1,t2,…,tm)T；隱含層到輸出層的傳遞函數(shù)為f；誤差的反向傳遞函數(shù)為g.BP神經(jīng)網(wǎng)絡模型由輸入數(shù)據(jù)正向傳播、輸出結果誤差反向傳播、網(wǎng)絡模型訓練和模擬仿真輸出組成.輸入信息從輸入層開始輸入，經(jīng)通過隱含層單元節(jié)點處理后傳給輸出層完成正向傳播過程；當輸出誤差不滿足計算精度時，除輸入層外，其他層的輸出誤差經(jīng)過原路經(jīng)返回神經(jīng)節(jié)點完成誤差的反向傳播過程；通過反復迭代修改各層網(wǎng)絡節(jié)點連接權值，不斷減小計算誤差，直至預測誤差滿足給定的精度.

圖1 三層BP神經(jīng)網(wǎng)絡結構圖Fig.1 Structure of 3-layer BP neural network

1.2 鯨魚優(yōu)化算法原理

Mirjalili和Lewis(2016)根據(jù)自然界駝背鯨捕食魚群的習性提出了鯨魚算法.駝背鯨在大海中以捕食小魚小蝦為生.如圖2所示為鯨魚的氣泡捕食行為示意圖.

圖2 鯨魚的氣泡捕魚行為示意圖(Mirjalili and Lewis，2016)Fig.2 Schematic diagram showing fishing behavior of whale with bubble (Mirjalili and Lewis，2016)

駝背鯨在魚群下方噴吐氣泡形成泡泡網(wǎng)，將目標魚群困在其中，鯨魚通過包圍上升、螺旋收縮的方式捕食泡泡網(wǎng)內(nèi)的魚群.用數(shù)學模型表達鯨魚捕食的行為，將魚群作為一個解空間，其中的每一個魚蝦作為一個可行解，鯨魚捕食的過程如同尋求最優(yōu)解的過程，即如何通過最快捷的方式捕食到食物.目前，鯨魚優(yōu)化算法在云計算資源負載預測(謝建群等，2018)、軸承故障診斷(徐繼亞等，2017)、水庫優(yōu)化調(diào)度(崔東文，2017)、汽輪機熱耗率模型預測(牛培峰等，2017)、渣油加氫參數(shù)優(yōu)化等領域中有所應用(許瑜飛等，2018).

圖3為鯨魚優(yōu)化算法流程圖，鯨魚優(yōu)化算法可以分為以下3個階段.

圖3 鯨魚優(yōu)化算法流程圖Fig.3 Flowchart showing whale optimized algorithm

(1)包圍捕食階段

首先是“包圍捕食”階段，鯨魚群體分布于食物周圍，沿一定的路線向食物靠近的過程，通常采用收縮包圍的方式接近食物.在包圍階段初期，鯨魚個體之間不清楚魚群的具體位置信息，通過群體的交流實現(xiàn)魚群位置信息的共享.WOA算法初期將距離魚群最近的鯨魚個體作為局部最優(yōu)解，其余鯨魚個體會計算當前自己所在位置到當前最優(yōu)解的距離，進而朝著當前最優(yōu)解聚攏，包圍魚群.這個階段的數(shù)學模型表示如下，假設在魚群中存在當前局部最優(yōu)解X*，則當前位置向量X與X*的距離R表示為：

R=|C·X*(t)-X(t)|，

(1)

X(t+1)=X*(t)-A·R，

(2)

式中A、C是系數(shù)向量，R是距離向量，X*是局部最優(yōu)解，X是位置向量，| |是絕對值.A、C數(shù)學表達式為：

A=2a·r-a，

(3)

C=2·r，

(4)

式(3)中，a是從2到0線性減小的向量，r∈[0,1]為隨機向量，A為距離系數(shù)，其變化受a的影響.

(2)氣泡襲擊階段

在減小魚群的活動范圍后，在一定小的空間中，鯨魚會朝著魚群噴吐氣泡，形成“泡泡網(wǎng)”，“泡泡網(wǎng)”會圈定魚群使其無法逃脫，而后鯨魚會采用收縮包圍或螺旋游走的方式獲取該區(qū)域內(nèi)的全部食物，達到在解空間中尋優(yōu)的目的.

①收縮包圍原理

根據(jù)式(3)進行收縮包圍，朝魚群逼近.當距離系數(shù)|A|<1時，鯨魚個體會朝著最優(yōu)解的方向直線逼近.在|A|<1的前提下，|A|越大，鯨魚個體使用較大跨度區(qū)間進行游走，大踏步搜索魚群，使WOA算法具有全局尋優(yōu)勘探的能力；|A|越小，鯨魚使用較小的間距游走，仔細尋覓魚群，使WOA算法具有較強的局部尋優(yōu)水平.

②螺旋更新位置

選擇螺旋游走的方式更新位置，鯨魚能夠精細地捕獲區(qū)域內(nèi)的魚群，螺旋游走極大的提高了WOA算法的局部尋優(yōu)水平，但是隨之而來的是尋優(yōu)效率的降低.鯨魚螺旋游走方式的數(shù)學模型表示為：

X(t+1)=R′·eb l·cos(2πl(wèi))+X*(t)，

(5)

式中，R′=|X*(t)-X(t)|是鯨魚個體到目前最好的鯨魚的距離向量，b是一個常量，l∈[0,1]是一個隨機向量，X*是局部最優(yōu)解.WOA算法中引入了隨機值p來協(xié)助鯨魚完成收縮包圍或螺旋游走方式的選擇，其中p∈[0,1]；引入q值衡量解空間中數(shù)據(jù)的分散程度，q∈[0,1].當p

X(t+1)=

(6)

式(6)表明，p的大小決定了鯨魚的游走方式.

(3)探索食物階段

鯨魚個體采用收縮包圍和螺旋游走的方式捕食局部食物，實現(xiàn)局部尋優(yōu)；鯨魚群體通過群體交流與合作實現(xiàn)更大范圍的食物探索和獲取，跳出局部最優(yōu)解，即WOA算法具有全局尋優(yōu)的能力.當|A|>1時，鯨魚個體遍布在解空間中，進行探索食物，一旦某一鯨魚個體探尋得到可行解，則該鯨魚就是局部最優(yōu)解，轉(zhuǎn)而進入收縮包圍、氣泡攻擊的階段.這一機制使得WOA算法適用于全局尋優(yōu)：

R=|C·Xranr-X(t)|，

(7)

X(t+1)=Xranr-A·R，

(8)

式(7)中，Xranr是隨機獲得的當前最優(yōu)解，本文使用蒙特卡洛方法實現(xiàn)這一過程.

用一個測試函數(shù)對WOA算法進行測試，定維多模態(tài)函數(shù)表達式為：

(9)

如圖4所示，WOA算法在式(9)上的測試誤差與迭代次數(shù)的關系曲線，可以看出，WOA算法計算過程快速收斂，誤差減小快；計算過程穩(wěn)定，計算后期誤差不發(fā)生跳躍(公式(1)—(8)可參考文獻Mirjalili and Lewis, 2016).

圖4 鯨魚優(yōu)化算法測試誤差與迭代次數(shù)的關系曲線Fig.4 Test error versus iteration number for whale optimized algorithm

1.3 儲層裂隙WOA-BP智能檢測方法

儲層裂隙WOA-BP智能檢測方法是由具有較強的非線性映射能力的BP網(wǎng)絡與具有較強的全局搜索和快速收斂能力的WOA法構成，它是一種穩(wěn)健和高效的儲層裂縫檢測方法.其流程圖如圖5所示.

由圖5可以看出，WOA-BP算法在雙誤差與優(yōu)勢樣本的控制下，并基于數(shù)據(jù)和運算階段所設置的環(huán)繞方式等，使得搜索范圍和收斂速度達到優(yōu)化，獲得穩(wěn)定而精確的檢測結果.

2 煤層氣儲層裂隙地震多參數(shù)提取及特征

2.1 地震層位的標定與追蹤

YCN研究區(qū)有兩個主力煤層組M2、M10.其中山西組的M2主力煤層，厚度較大(單層4～6 m)，橫向穩(wěn)定，選為研究計算對象.

對研究區(qū)14口井進行了合成記錄制作，標定了煤層(M2)的地震反射位置，合成記錄標定M2頂位于波峰與波谷轉(zhuǎn)折處(或靠近波峰)，底界標定在最大波谷位置(見圖6、圖7).確定了煤層具有反射強、連續(xù)性好的地震反射特征.

經(jīng)過層位標定后，選擇過井剖面進行追蹤，以此為控制，對M2煤層全區(qū)追蹤.

2.2 煤層氣儲層裂隙地震多參數(shù)提取

2.2.1 方位角、傾角屬性

方位角屬性描述了地層走向、傾向特征，從大尺度上刻畫了研究區(qū)的裂隙發(fā)育系統(tǒng).方位角的變化反映了地層斷裂、孔洞特征，方位角變化越劇烈，落差越明顯，地層成層性越差，斷裂越發(fā)育.

如圖8a中紅色曲線標識的區(qū)域，方位角變化大，數(shù)值落差明顯，是地層斷裂和裂隙發(fā)育的差異邊界.

傾角屬性反映的是層面與裂隙展布面的差異性.在裂隙發(fā)育的地方，會發(fā)生傾角突變，在屬性平面上表現(xiàn)為傾角突變帶.如圖8b中紅色橢圓標示的區(qū)域，傾角變化大，具有明顯的突變帶，其中分布有細密平滑的線帶，可視為裂隙發(fā)育區(qū).

圖5 WOA-BP儲層裂隙檢測流程圖Fig.5 Flowchart of detecting cracks in reservoirs by WOA-BP

2.2.2 曲率屬性

地震曲率屬性反映了目的層的彎曲程度，對折曲、裂隙反應敏感.最正、最負曲率與地質(zhì)構造形態(tài)有確定的對應關系，此處選取最正曲率和最負曲率分析地質(zhì)構造，進行裂隙的檢測.

圖9所示為目的煤層曲率屬性平面圖.圖9a為最正曲率，其中紅色曲線劃分的區(qū)域內(nèi)最正曲率數(shù)值較大、較集中，地層彎曲程度大，向上隆起彎曲，表明地層受力擠壓產(chǎn)生形變，巖層產(chǎn)生破碎，是裂隙發(fā)育形成的有利條件.圖9b為最負曲率，圖中廣泛分布低最負曲率值形成的線條，線條粗細長短不均勻，紅色曲線劃分的區(qū)域最負曲率數(shù)值小而集中，表明該區(qū)域廣泛分布負地形，裂隙發(fā)育.最負曲率與最正曲率數(shù)值分布相對應，表明區(qū)域內(nèi)地層彎曲程度大，正地形與負地形相伴形成，可以預測為裂隙相對發(fā)育的區(qū)域.

2.2.3 相干屬性

Gersztenkorn和 Marfurt(1999)提出了基于特征結構的第三代相干體算法，該算法較好的解決了前代相干算法的抗噪能力、分辨率和效率問題.因此通過第三代相干算法計算相干體，能夠識別出裂隙發(fā)育帶，從宏觀角度反映裂隙的發(fā)育與展布情況.公式為：

(10)

式中，λmax為最大的特征值，λm表示矩陣C的第m個特征值.

圖6 M2煤層的層位標定Fig.6 Horizon calibration of M2 coal beds

圖7 M2煤層的層位標定及追蹤Fig.7 Horizon calibration and tracing for M2 coal beds

圖8 目的煤層方位角(a)傾角(b)屬性平面圖Fig.8 Plane diagram of azimuth (a) and dip (b) of target coal bed

圖9 目的煤層曲率屬性平面圖(a) 最正曲率; (b) 最負曲率.Fig.9 Plane diagram of curvature of target coal bed

圖10所示為目的煤層相干屬性平面圖.圖中用紅色橢圓包圍的區(qū)域A、B、C、D，其間相干值較小，呈條帶狀分布，可以推斷為裂隙分布集中區(qū)域.從圖10可知，地層廣泛發(fā)育的裂隙并不一定有利于煤層氣的成藏.在相干值集中的條帶附近的井多為低產(chǎn)氣井或干井，產(chǎn)量不理想，開采效果差，推斷為裂隙過度發(fā)育，地層破裂嚴重，煤層氣逸散，無法成藏.在由低相干值集中分布的條帶包圍區(qū)域的中間地帶，分布有紅色的高產(chǎn)氣井，說明地層破裂帶的內(nèi)部裂隙發(fā)育適中，利于煤層氣吸附成藏，是良好的儲集體.

圖10 目的煤層相干屬性圖Fig.10 Coherence of target coal bed

2.2.4 構形張量屬性

構型張量屬性一般通過梯度結構張量特征值與三維圖像結構的對應關系可實現(xiàn)計算.依據(jù)特征值與三維圖像結構的對應關系，可以計算不同的構形屬性.有如下描述斷層的表達式(張軍華等，2007)，其中Lamda橫向梯度屬性可表示為：

DLmd=λ2+λ3，

(11)

式中，DLmd為Lamda橫向梯度屬性，λ2、λ3表示梯度結構張量的第2、3個特征值.橫向梯度屬性具有較好的抗噪性，用特征值和特征向量構建的構形張量屬性，能夠很好的描繪斷層和裂縫等細微的地質(zhì)斷裂、孔隙特征.因此利用梯度結構張量矩陣特征值，可以計算地層斷裂特征值，進而檢測裂隙.如圖11所示為目的煤層的構形張量屬性平面圖.圖中顏色分布具有明顯的區(qū)分性，相對于圖10所示的相干屬性，構形張量屬性在平面上表現(xiàn)為團塊狀、短而彎曲的線狀，能夠清楚的識別出裂隙發(fā)育區(qū)的邊界范圍.圖中黑色區(qū)域代表的高屬性值指示裂隙發(fā)育程度高，黑色越集中，裂隙發(fā)育越廣泛；白色區(qū)域代表的低屬性值指示裂隙發(fā)育程度低，白色集中，說明地層裂隙發(fā)育差，連續(xù)性好.

構形張量屬性刻畫出裂隙發(fā)育的邊緣結構，有效增強裂隙的檢測能力.

2.2.5 加權瞬時頻率屬性

煤層氣儲層中分布著發(fā)育程度不同的裂隙，裂隙中的充填物會增大地層的衰減系數(shù)，地震波速度降低，界面反射信號被吸收，地震頻率降低，振幅減小.振幅加權瞬時頻率屬性可以有效的反映地層的吸收特性，從而進行裂隙檢測.圖12所示為目的煤層加權瞬時頻率屬性平面圖.圖中白色代表低頻表明地層的吸收作用明顯，白色集中的條帶，指示地層裂隙發(fā)育的集中區(qū)；圖中紅色橢圓標示的區(qū)域，白色分布集中且細致，為裂隙廣泛發(fā)育的邊界.

圖11 目的煤層構形張量屬性平面圖Fig.11 Configuration tensors of target coal bed

圖12 目的煤層加權瞬時頻率屬性平面圖Fig.12 Weighted instant frequency of target coal bed

上述7種屬性參數(shù)體之間的關系復雜，不同程度不同尺度反映了煤層裂隙的發(fā)育情況，但經(jīng)過圖5所示的WOA-BP流程計算處理后，可獲得共同反映儲層裂隙發(fā)育程度的參數(shù)，稱之為裂隙發(fā)育程度參數(shù).

3 煤層氣儲層裂隙的測井數(shù)據(jù)特征分析及優(yōu)勢樣本

3.1 測井數(shù)據(jù)特征分析

運用智能算法進行煤層氣儲層裂隙檢測，首先要準備適量的樣本對鯨魚優(yōu)化算法改進的BP神經(jīng)網(wǎng)絡(WOA-BP網(wǎng)絡)進行訓練，得到適合研究區(qū)域的目的層裂隙檢測網(wǎng)絡模型.神經(jīng)網(wǎng)絡模型的訓練對于預測十分重要，所用的訓練數(shù)據(jù)應該能反映研究區(qū)域的裂隙水平.

研究區(qū)域內(nèi)分布有14口井，如圖13所示為研究區(qū)域內(nèi)井的分布圖.

圖13 三維工區(qū)鉆井位置圖Fig.13 Locations of drill holes in work area

依據(jù)測井曲線評價井位的裂隙水平，從屬性數(shù)據(jù)中分離出井位的屬性值，可以得到訓練數(shù)據(jù).

聲波時差TD曲線可以反映井周圍裂隙的產(chǎn)狀及發(fā)育程度，對裂隙的顯示主要取決于裂隙的分布密度、縱橫比、充填物和流體的性質(zhì)，因此可以利用聲波時差曲線計算和評價裂縫的發(fā)育程度.如圖14所示為TpH6井850 m到1045 m的聲波時差(AC)測井曲線.圖中用紅色方框標示部分高值，指示裂隙發(fā)育較廣泛區(qū)段.

圖14 TpH6井850 m到1045 m的聲波測井曲線Fig.14 Acoustic logging curve for 850 m to 1045 m in well TpH6

密度測井曲線可以確定地層孔隙度.由于電子密度ρe與真體密度ρb存在線性關系：

ρb=1.0704ρe-0.1388，

(12)

對于飽含水的石灰?guī)r、砂巖和白云巖，密度測井讀數(shù)等于真體積密度ρb(王鐵利和施為兵，2010).

根據(jù)懷利(Wylile)公式可知體積密度：

ρb=φDρf+(1-φD)ρma，

(13)

式中，φD為地層孔隙度，ρf為水的體積密度，ρma為巖石骨架密度.

由式(13)可以計算出地層孔隙度：

(14)

對于含有裂隙的地層，巖石的體密度ρb減小，地層孔隙度φD增加.

圖15為TpL4井850 m到1050 m的密度測井曲線.圖中紅色方框表示部分低值，指示地層孔隙度增加的區(qū)段.

圖15 TpL4井850 m到1050 m的密度測井曲線Fig.15 Density logging curve for 850 m to 1050 m in well TpL4

3.2 優(yōu)勢樣本獲取與裂隙發(fā)育水平評價參數(shù)

(1)優(yōu)勢樣本建立

綜合井數(shù)據(jù)、已知井產(chǎn)量數(shù)據(jù)與巖心薄片法分析數(shù)據(jù)可建立優(yōu)勢樣本.依據(jù)井區(qū)的數(shù)據(jù)(包括巖心薄片法分析數(shù)據(jù))之間的關系，設計一個評價裂縫發(fā)育水平的參數(shù)Sevlt.裂隙發(fā)育水平評價參數(shù)Sevlt反映了裂縫分布密度、裂隙(填充物)速度和裂隙縱橫比的變化等.它是一個多參數(shù)函數(shù)，即Sevlt(TD、φD、Pout、Ppic、Ppre)，其表達式為：

Sevlt=aTD+bφD+cPout+dPpic+ePpre，

(15)

本試驗抽取2萬個聲波時差和孔隙度等參數(shù)計算Sevlt參數(shù)，形成Sevlt三維數(shù)據(jù)體.

4 煤層氣儲層裂隙分布特征及效果分析

4.1 建立研究區(qū)檢測裂隙發(fā)育程度的標準Sevlt參數(shù)

通過分析研究區(qū)已知井的裂縫發(fā)育程度、產(chǎn)氣量與Sevlt參數(shù)之間的關系，建立起研究區(qū)劃分裂縫發(fā)育區(qū)段和區(qū)塊的標準參數(shù)，如表1所示.由表1可看出，從裂縫不發(fā)育到裂縫過度發(fā)育均存在，Sevlt值為(3.2～3.9)，裂縫發(fā)育程度較佳，氣產(chǎn)量高，是高滲儲集體，而Sevlt值大于4.1為裂縫過度發(fā)育.圖16為WOA-BP方法裂隙發(fā)育水平Sevlt值檢測結果.

表1 Sevlt值與裂縫(隙)發(fā)育程度、氣產(chǎn)量關系表Table 1 Sevlt value, development degree of crack and gas production in wells

4.2 煤層氣儲層裂隙發(fā)育區(qū)段的剖面分布特征

圖17所示為Sevlt值的ab剖面曲線圖，圖18所示為Sevlt值的cd剖面曲線圖.

圖16 WOA-BP方法裂隙發(fā)育水平Sevlt值檢測結果Fig.16 Test results of fracture development level Sevltvalue of WOA-BP method

圖17 ab剖面曲線圖Fig.17 Sevlt curve of profile ab

圖18 cd剖面曲線圖Fig.18 Sevlt curve of profile cd

由圖17和圖18可以看出，圖17中用紅色標示TpH7井和TpH6井在ab剖面上的位置，該處為中高Sevlt值，其Sevlt值為(3.2～3.9)，為裂縫發(fā)育區(qū)段；用藍色標示高Sevlt值，其Sevlt值大于4.1，為過度發(fā)育區(qū)段.圖18中用紅色標示TpH1井和TpL14井在cd剖面上的位置，對比TpH1井和TpL14井可知，高產(chǎn)氣井TpH1井的Sevlt值(3.4)高于低產(chǎn)氣井TpL14井的Sevlt值(2.9)，分別為裂縫發(fā)育和不發(fā)育區(qū)段；用藍色標示部分高Sevlt值分布段，Sevlt值大于4.1，為過度發(fā)育區(qū)段.

4.3 煤層氣儲層裂隙發(fā)育區(qū)塊的平面分布特征

圖16是煤層氣儲層的Sevlt值平面分布圖.依據(jù)表1的標準參數(shù)值，在圖16中劃分出4個區(qū)域，分別為A、B、C和D區(qū)域.在D區(qū)域內(nèi)，Sevlt值高值，深紅色表示，裂隙發(fā)育程度較高，該區(qū)域裂隙過度發(fā)育，是一條NE-SW走向的斷層造成的，致使煤層氣沿斷裂帶逸散，因此，Tp2、Tp3井為干井.在A區(qū)域內(nèi)，NW-SE走向的斷層所造成的破碎帶兩側(cè)，其Sevlt值為(3.2～3.9)，裂隙發(fā)育程度適中，因此，TpH1井和TpH7井為高產(chǎn)氣井，為煤層氣儲層優(yōu)質(zhì)儲層.在C區(qū)域內(nèi)，Sevlt值(3.8～4.4)，在斷層附近有少量裂縫分布，其余部位裂縫被充填，因此，TpL14井為低產(chǎn)氣井，為煤層氣的次級儲集層.在B區(qū)域內(nèi)，Sevlt值為高值，裂隙過度發(fā)育，不易形成氣藏，這是由強烈構造變動等地質(zhì)活動所造成的.

5 結論

WOA-BP裂隙檢測方法是一種具有較強的非線性映射能力的BP網(wǎng)絡與具有較強的全局搜索能力和快速收斂能力的WOA方法有機結合而構成的，它是一種在雙誤差和優(yōu)勢樣本控制下的穩(wěn)健和精確而有效的裂縫檢測方法.

在裂隙檢測中，使用了7種屬性數(shù)據(jù)體，它們之間的關系復雜，在利用測井數(shù)據(jù)獲得的Sevlt參數(shù)的匹配下，經(jīng)WOA-BP優(yōu)化方法處理后，獲得了共同反映裂隙發(fā)育程度的參數(shù)Sevlt.在研究地區(qū)的井區(qū)范圍內(nèi)，根據(jù)Sevlt值與裂隙發(fā)育程度和產(chǎn)氣量之間的關系，建立了實際用于劃分裂縫發(fā)育程度的Sevlt參數(shù)的標準值，據(jù)此，在研究地區(qū)檢測出4個裂縫存在區(qū)塊(A、B、C、D)，其中在A區(qū)塊中，獲得了Sevlt值為(3.2～3.9)的優(yōu)質(zhì)煤層氣儲層.

隨著地震分辨率的提高和我們的研究在智能方面的創(chuàng)新，促進了微裂隙預測的發(fā)展，這將產(chǎn)生高效的勘探開發(fā)效益.