丁海，臧子婧，吳海波

（1.安徽省煤田地質(zhì)局勘查研究院，安徽合肥 230088；2.安徽省非常規(guī)天然氣工程技術(shù)研究中心，安徽合肥 230088；3.安徽理工大學(xué)地球與環(huán)境學(xué)院，安徽淮南 232001；4.安徽能科工程科技有限公司，安徽合肥 230088）

0 引言

我國(guó)的非常規(guī)天然氣資源具有總量多，分布廣，開發(fā)利用價(jià)值大等特點(diǎn)[1～4]。煤系氣是常見的非常規(guī)天然氣資源，在實(shí)際工作中，由于復(fù)雜的地質(zhì)條件和高昂的開采成本，使得煤系氣的資源利用率不高，因此，如何準(zhǔn)確預(yù)測(cè)煤系氣含氣量的分布是煤系氣資源開發(fā)利用的重要前提[5～9]。煤系非常規(guī)氣的地球物理響應(yīng)特征與常規(guī)油氣之間存在明顯差異，因此，用于常規(guī)油氣儲(chǔ)層的地震預(yù)測(cè)技術(shù)，并不能很好地適用于煤系非常規(guī)氣儲(chǔ)層預(yù)測(cè)[10]；但以常規(guī)油氣勘探的技術(shù)方案為藍(lán)本，形成適用于煤系氣儲(chǔ)層的評(píng)價(jià)方法和技術(shù)思路，值得嘗試，也是解決煤系氣儲(chǔ)層精準(zhǔn)評(píng)價(jià)的捷徑。

現(xiàn)階段儲(chǔ)層預(yù)測(cè)與評(píng)價(jià)已由線性方法發(fā)展到非線性領(lǐng)域，并逐步向著智能化方向發(fā)展。人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法是目前應(yīng)用范圍最廣的非線性預(yù)測(cè)算法，該算法具有精度高、速度快、函數(shù)擬合能力強(qiáng)等一系列優(yōu)點(diǎn)，尤其適用于解決非線性問題[11～13]。針對(duì)常見的儲(chǔ)層預(yù)測(cè)與評(píng)價(jià)問題，人工神經(jīng)網(wǎng)絡(luò)能夠很好地用于表征地震響應(yīng)參數(shù)與地層參數(shù)（含氣性、孔隙度、裂縫密度等）之間的非線性映射關(guān)系。

根據(jù)兩淮地區(qū)典型沉積柱狀剖面，淮南煤田太原組含煤巖系由碳酸鹽巖和碎屑巖交互組成，反映了本組沉積時(shí)陸表海水進(jìn)退頻繁。該組厚90～150 m，平均厚度約112.05 m。該組巖性主要由深灰-灰色石灰?guī)r、砂巖、粉砂巖、泥巖、碳質(zhì)頁巖和煤層等組成，其中含碳酸鹽巖11～13層，主要是其泥頁巖有機(jī)碳含量平均可達(dá)2.25%，且含氣性較高，為較好的烴源巖及含氣儲(chǔ)層，但由于其烴源巖多為薄互層，其單層烴源巖厚度一般小于5 m，因此對(duì)于淮南煤田太原組煤系儲(chǔ)層含氣性預(yù)測(cè)難度較大，且相關(guān)研究工作開展較少[14～15]。

因此，本文針對(duì)太原組煤系氣儲(chǔ)層的含氣性預(yù)測(cè)問題，嘗試通過優(yōu)選出與煤系儲(chǔ)層含氣性相關(guān)性好的多類型地震屬性，并基于人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，提出一種適用于煤系氣儲(chǔ)層的含氣性預(yù)測(cè)方法，并利用實(shí)測(cè)的煤系氣樣本數(shù)據(jù)來論證其預(yù)測(cè)精度。

1 研究區(qū)概況

本次研究區(qū)位于淮南煤田潘集外圍地區(qū)，區(qū)內(nèi)無大型褶皺發(fā)育，分布有少許斷層，預(yù)測(cè)的目標(biāo)儲(chǔ)層為太原組煤系氣儲(chǔ)層，埋深為1898～2003 m，組內(nèi)分布有4 段煤層。本次數(shù)據(jù)處理采用的二維地震測(cè)線為pjww19-20 線以及pjwwL11 線，測(cè)井?dāng)?shù)據(jù)則為潘集外圍的19-20-1井，其中，井位置處有3個(gè)不同深度的樣本提供煤系氣含氣量數(shù)據(jù)。研究區(qū)概況如圖1所示。

圖1 潘集外圍研究區(qū)位置Figure 1. Location of the study area in the outskirts of the Panji mining area

兩條十字交叉測(cè)線的地震剖面如圖2 和圖3 所示，其中，在pjww19-20 測(cè)線地震剖面的CDP-150 和CDP-590 附近，各發(fā)育有一正斷層，貫穿T13 煤，其余地層連續(xù)且無明顯褶曲與斷層，地層總體沿測(cè)線方向上傾。對(duì)于pjwwL11 測(cè)線地震剖面，在CDP-1315 發(fā)育有一正斷層，斷層貫穿T13 至T0，地層總體沿測(cè)線方向下傾。

圖2 pjww19-20測(cè)線地震剖面與構(gòu)造解釋Figure 2. Seismic profile and structural interpretation of survey line pjww19-20

圖3 pjwwL11測(cè)線地震剖面與構(gòu)造解釋Figure 3. Seismic profile and structural interpretation of survey line pjwwL11

2 地震屬性提取與優(yōu)選

2.1 多類型地震屬性的提取

基于過19-20-1井的pjwwL11線、pjww19-20線兩個(gè)交叉測(cè)線的地震剖面數(shù)據(jù)提取17種初始地震屬性用于優(yōu)選。具體的地震屬性類型與測(cè)線長(zhǎng)度信息見表1。

表1 各測(cè)線提取的地震屬性Table 1. Seismic attributes extracted from each survey line

2.2 敏感地震屬性優(yōu)選

由于二維地震剖面只能做地震道分析方面屬性的提取，順層提取的振幅等屬性只是一條指示屬性值的色帶，不能像三維數(shù)據(jù)體一樣延展成為一張切片，提取的地震屬性隨機(jī)性和偶然性均較大，且二維地震能夠有效提取和解釋的地震屬性類型有限，而具有明確地質(zhì)意義與預(yù)測(cè)目標(biāo)相關(guān)性無法直接確定[16～18]。因此，有必要對(duì)提取到的地震屬性進(jìn)行分類優(yōu)選，以確保優(yōu)選出的地震屬性集對(duì)預(yù)測(cè)目標(biāo)反映最敏感且相互獨(dú)立[17]。為此，采用聚類分析的方法進(jìn)行地震屬性分類優(yōu)選，以進(jìn)一步提高儲(chǔ)層含氣性預(yù)測(cè)的精度。具體的優(yōu)選方法以pjww19-20測(cè)線為例，包括：

（1）將井位置處不同深度的煤系氣含氣數(shù)據(jù)和對(duì)應(yīng)的地震屬性進(jìn)行歸一化處理后，按照公式（1）計(jì)算出各屬性和煤系氣含氣量（歸一化后）的相關(guān)系數(shù)，優(yōu)選出相關(guān)系數(shù)較大的6種。pjww19-20測(cè)線各屬性與煤層含氣量的相關(guān)系數(shù)如表2所示。

（1）式中：xi為歸一化后各個(gè)屬性；y為歸一化后的煤層含氣量數(shù)據(jù)。

（2）將歸一化后的6 種地震屬性作為行向量組成矩陣rij，按照公式（2）計(jì)算各行之間距離系數(shù)并進(jìn)行分類，得出如圖4 所示屬性聚類分析圖，其中，1～6 編號(hào)分別對(duì)應(yīng)表2中的地震屬性順序。

圖4 pjwwL11測(cè)線地震屬性聚類分析結(jié)果Figure 4. Cluster analysis results of seismic attributes of survey line pjwwL11

表2 井位置的優(yōu)選地震屬性與煤系氣儲(chǔ)層含氣量相關(guān)系數(shù)Table 2. Coefficient of correlation between optimized seismic attributes and gas content in the gas reservoir of coal measures at the well location

（2）式中：d為距離系數(shù)；m為地震屬性數(shù)量；矢量Xi=(xi1,xi2,…,xim)和矢量Xj=(xj1,xj2,…,xjm)是矩陣rij的行向量；i，j=1，2，3，…,n。

圖4 所示，6 種地震屬性可大致分為四大類，即編號(hào)4、編號(hào)2、編號(hào)1 和其他三類屬性。對(duì)比表2，分別從各類中挑選出相關(guān)系數(shù)最大的地震屬性，即瞬時(shí)帶寬、瞬時(shí)Q值、瞬時(shí)主頻以及簡(jiǎn)單差異體4 個(gè)屬性，作為本次含氣量預(yù)測(cè)的地震屬性集。pjww19-20 測(cè)線優(yōu)選出的太原組地震屬性如圖5所示。

圖5 pjww19-20測(cè)線煤系氣儲(chǔ)層優(yōu)選屬性Figure 5. Optimized attributes of the gas reservoir in coal measures of survey line pjww19-20

pjwwL11 測(cè)線所提取的17 個(gè)地震屬性優(yōu)選步驟如上，此處不再贅述。優(yōu)選出的太原組地震屬性如圖6所示。

圖6 pjwwL11測(cè)線煤系氣儲(chǔ)層優(yōu)選屬性Figure 6. Optimized attributes of the gas reservoir in coal measures of the survey line pjwwL11

從優(yōu)選的地震屬性來看，多具有明確的地質(zhì)含義，且與目標(biāo)儲(chǔ)層的含氣性識(shí)別具有一定的相關(guān)性。其中瞬時(shí)帶寬顯示了隨著地震特征變化的整體吸收效果；瞬時(shí)主頻常用于對(duì)特定地區(qū)的橫向異常的追蹤；簡(jiǎn)單差異體屬性能指示地震衰減特征，能反映巖性尖滅點(diǎn)，亮暗點(diǎn)以及油氣的方位異常；瞬時(shí)Q值與地震波衰減吸收系數(shù)成反比[19～20]；甜點(diǎn)屬性可用于識(shí)別薄層和其他地質(zhì)體外形特征；瞬時(shí)加速度屬性可以指示由層理差異引起的變化，可預(yù)測(cè)儲(chǔ)集層流體邊界。

3 煤系氣儲(chǔ)層含氣性預(yù)測(cè)結(jié)果與分析

3.1 人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡(jiǎn)稱ANN），是20世紀(jì)80年代以來人工智能領(lǐng)域興起的研究熱點(diǎn)。簡(jiǎn)單來說，它是一種模擬人腦神經(jīng)系統(tǒng)處理復(fù)雜問題的數(shù)學(xué)模型，在進(jìn)行信息處理時(shí)，它不需要知道輸入輸出之間的確切關(guān)系，僅僅通過各層神經(jīng)元之間信息的傳遞、學(xué)習(xí)、轉(zhuǎn)化就能逼近任意函數(shù)。因此相比較傳統(tǒng)的數(shù)據(jù)處理方法，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理模糊數(shù)據(jù)、非線性數(shù)據(jù)以及隨機(jī)性數(shù)據(jù)方面具有明顯優(yōu)勢(shì)，具有并行性高、自適應(yīng)學(xué)習(xí)能力強(qiáng)、聯(lián)想能力強(qiáng)、容錯(cuò)性高等特點(diǎn)[21～23]。

其中，BP 神經(jīng)網(wǎng)絡(luò)是目前最常用的一種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，由Rumelhant 和Mcllelland 在1986年提出。整個(gè)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成[24]，其基本思想是，學(xué)習(xí)過程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過程組成。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)隱層逐層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望輸出不符，則轉(zhuǎn)向誤差的反向傳播階段。誤差的反向傳播是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)即作為修正各單元權(quán)值的依據(jù)。這種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程，是周而復(fù)始地進(jìn)行，直到網(wǎng)絡(luò)輸出的誤差滿足精度要求，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

本次預(yù)測(cè)樣本的輸出為井位置處3個(gè)不同深度的煤系氣儲(chǔ)層的含氣量數(shù)據(jù)，輸入為優(yōu)選地震屬性數(shù)據(jù)，預(yù)測(cè)結(jié)果的輸出則為整個(gè)太原組的煤系氣儲(chǔ)層含氣量情況。具體算法如下：

（1）網(wǎng)絡(luò)初始化，輸入學(xué)習(xí)樣本，學(xué)習(xí)樣本由輸入信息和期望輸出兩部分組成。

（2）把輸入信息輸入到網(wǎng)絡(luò)中，進(jìn)行網(wǎng)絡(luò)正向傳播。

（3）網(wǎng)絡(luò)分別計(jì)算經(jīng)神經(jīng)元處理后的各層節(jié)點(diǎn)的輸出。

（4）計(jì)算網(wǎng)絡(luò)實(shí)際輸出和期望輸出的誤差。

（5）若誤差精度不滿足要求，則將誤差信號(hào)按照原來的通路反向傳播，并逐層調(diào)整網(wǎng)絡(luò)中各神經(jīng)元的連接權(quán)值。

（6）重復(fù)（3）～（5）的步驟，直到整個(gè)學(xué)習(xí)樣本誤差達(dá)到要求時(shí)為止。

（7）基于訓(xùn)練好的預(yù)測(cè)模型，輸入整個(gè)太原組段的優(yōu)選地震屬性信息，完成太原組煤系氣儲(chǔ)層含氣量的預(yù)測(cè)。

3.2 預(yù)測(cè)結(jié)果分析

pjww19-20測(cè)線太原組目標(biāo)儲(chǔ)層含氣量預(yù)測(cè)結(jié)果如圖7所示，井位置預(yù)測(cè)含氣量結(jié)果與實(shí)測(cè)結(jié)果對(duì)比見表3。pjwwL11測(cè)線太原組目標(biāo)煤儲(chǔ)層含氣量預(yù)測(cè)如圖8所示，井位置預(yù)測(cè)含氣量結(jié)果與實(shí)測(cè)結(jié)果對(duì)比見表4。

圖7 pjww19-20測(cè)線目標(biāo)儲(chǔ)層含氣量預(yù)測(cè)結(jié)果Figure 7. Prognosis of gas content in the target reservoir of the survey line pjww19-20

表3 井位置含氣量預(yù)測(cè)值與實(shí)測(cè)值對(duì)比Table 3. Comparison between predicted and measured gas contents at the well location

圖8 pjwwL11測(cè)線目標(biāo)儲(chǔ)層含氣量預(yù)測(cè)結(jié)果Figure 8. Prognosis of gas content in the target reservoir of the survey line pjwwL11

表4 井位置預(yù)測(cè)值與實(shí)測(cè)值對(duì)比Table 4. Comparison of predicted and measured gas contents at the well location

由預(yù)測(cè)結(jié)果可大致推斷，pjww19-20 測(cè)線太原組內(nèi)主要含氣層的含氣量基本在0.76 m3/t 左右，而pjwwL11 測(cè)線含氣量在1.05 m3/t 左右，除了局部有少量富集現(xiàn)象之外，兩條測(cè)線的太原組煤系氣儲(chǔ)層含氣量差異較小，pjwwL11 測(cè)線煤系氣儲(chǔ)層含氣量略高。兩條測(cè)線井位置的預(yù)測(cè)值與實(shí)測(cè)值誤差均較小，準(zhǔn)確率都在90%以上，預(yù)測(cè)結(jié)果精度高。

4 結(jié)論

（1）對(duì)于常規(guī)地震屬性分析技術(shù)存在的地震屬性參數(shù)地質(zhì)意義不明確的問題，本文針對(duì)煤系氣儲(chǔ)層含氣性預(yù)測(cè)這一目標(biāo)，利用聚類分析的方法，優(yōu)選出了對(duì)煤系氣儲(chǔ)層含氣量反應(yīng)最敏感且相互獨(dú)立的多種地震屬性，充分并精準(zhǔn)挖掘了地震屬性信息。

（2）基于優(yōu)選的地震屬性利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)兩條交叉測(cè)線太原組煤系氣儲(chǔ)層含氣量情況進(jìn)行預(yù)測(cè)，并與實(shí)測(cè)結(jié)果對(duì)比表明，各樣本處煤系氣儲(chǔ)層含氣量的預(yù)測(cè)值精度均在90%以上，驗(yàn)證了基于敏感地震屬性預(yù)測(cè)煤系氣儲(chǔ)層含氣量的有效性。