薄 昕,徐旺林,陳小宏,李景葉,湯 韋,郭康康,趙 偉

(1.中國(guó)石油大學(xué)(北京)地球物理學(xué)院,北京 102249;2.中國(guó)石油天然氣股份有限公司勘探開(kāi)發(fā)研究院,北京 100083;3.中國(guó)石油化工股份有限公司石油勘探開(kāi)發(fā)研究院,北京 100083;4.北京易源興華軟件有限公司,北京 100191)

裂縫作為重要的儲(chǔ)集空間和滲流通道,在致密砂巖、碳酸鹽巖、花崗巖等油藏中廣泛存在,是儲(chǔ)層孔隙空間的重要連通渠道[1],裂縫發(fā)育程度及分布情況對(duì)致密儲(chǔ)層高產(chǎn)穩(wěn)產(chǎn)與否有重大意義[2-3]。裂縫成因機(jī)理復(fù)雜,非均質(zhì)性極強(qiáng),預(yù)測(cè)難度大。如何準(zhǔn)確有效地對(duì)地下油氣儲(chǔ)層中的裂縫進(jìn)行預(yù)測(cè)和描述是裂縫型油氣藏勘探開(kāi)發(fā)中的難點(diǎn)之一。地震屬性是最常用的疊后裂縫預(yù)測(cè)方法,它通過(guò)直接觀測(cè)或間接地根據(jù)經(jīng)驗(yàn)和邏輯推理從地震數(shù)據(jù)中獲取裂縫相關(guān)信息,從而實(shí)現(xiàn)裂縫預(yù)測(cè)的目的。目前,常用的地震屬性預(yù)測(cè)裂縫的方法主要有:基于地震信號(hào)波形相似性特征識(shí)別裂縫的相干體[4-5]、方差體和似然屬性[6]等;量化地震反射面幾何形態(tài)橫向變化的地震幾何屬性,其中包括一階傾向?qū)傩?、二階曲率屬性和三階撓曲屬性[7-8]。針對(duì)邊緣檢測(cè)[9-10]和斷裂增強(qiáng)的識(shí)別算法,PEDERSEN等[11]和張介輝等[12]引入了蟻群優(yōu)化的概念并發(fā)展了螞蟻?zhàn)粉櫵惴ㄒ酝癸@方差體的輪廓。然而,地震屬性與裂縫之間往往不是單純的一一對(duì)應(yīng)關(guān)系,而是一種多元復(fù)雜的非線性關(guān)系[13],而且單屬性預(yù)測(cè)結(jié)果存在不穩(wěn)定和多解性問(wèn)題,這些屬性和參數(shù)從不同角度反映了儲(chǔ)層的某種地質(zhì)特征,僅用一種地震屬性很難準(zhǔn)確地進(jìn)行儲(chǔ)層裂縫預(yù)測(cè)[14-15]。因此,開(kāi)展地震多屬性融合研究,綜合利用多屬性信息表征裂縫特征十分重要。

地震多屬性融合的方法有多種,主要采用分形、混沌、模糊推理、人工神經(jīng)網(wǎng)絡(luò)等數(shù)學(xué)和物理的理論及方法。饒溯等[16]基于小波變換將分頻相干屬性分解到小波域,對(duì)小波域中不同方向特征系數(shù)加權(quán)融合后,通過(guò)小波重構(gòu)得到最終融合結(jié)果,實(shí)現(xiàn)了對(duì)斷層和裂縫的綜合檢測(cè);朱可丹等[17]應(yīng)用多元線性回歸融合技術(shù),建立砂巖厚度與多地震屬性之間的回歸方程,實(shí)現(xiàn)對(duì)砂巖儲(chǔ)層厚度的高精度預(yù)測(cè);針對(duì)BP網(wǎng)絡(luò)易陷入局部極小值,不收斂問(wèn)題,曹琳昱等[18]采用粒子群優(yōu)化網(wǎng)絡(luò)權(quán)值和閾值,再利用BP網(wǎng)絡(luò)對(duì)儲(chǔ)層、非儲(chǔ)層進(jìn)行模式識(shí)別,取得了較好的成效。傳統(tǒng)屬性融合能夠?qū)⒉煌牡卣饘傩蕴卣魅诤系揭黄鹣嗷パa(bǔ)充,但對(duì)于單一屬性中出現(xiàn)的冗余或者錯(cuò)誤信息往往照單全收,缺乏辨別能力,并且對(duì)斷裂特征的分辨能力也有待進(jìn)一步提高。李全忠等[19]提出一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulse coupled neural networks,PCNN)的地震屬性融合方法,實(shí)現(xiàn)了地震屬性的人工智能處理。脈沖耦合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有強(qiáng)大的非線性處理功能和良好的脈沖傳播特性,能大大提高多屬性融合的精確度,而且在圖像處理及模式識(shí)別等領(lǐng)域得到了廣泛的應(yīng)用。KONG等[20]對(duì)圖像采用非下采樣shearlet變換,將圖像的變換特征輸入到PCNN中實(shí)現(xiàn)特征聚類,從而根據(jù)圖像變換特征聚類頻率圖實(shí)現(xiàn)圖像融合;CAI等[21]基于拉普拉斯金字塔算法和脈沖耦合神經(jīng)網(wǎng)絡(luò)提出了多聚焦圖像融合算法;李敏等[22]提出了一種基于非下采樣剪切波變換和改進(jìn)PCNN的紅外與可見(jiàn)光圖像融合方法。此外,基于拉普拉斯金字塔(laplace pyramid,LP)多尺度分析的融合方法可以獲得更加突出的融合特征,在圖像融合領(lǐng)域也得到了很好的應(yīng)用。苗啟廣等[23]改進(jìn)了拉普拉斯變換方法,給出了基于改進(jìn)的拉普拉斯變換方法進(jìn)行圖像融合的基本架構(gòu),并對(duì)變換系數(shù)的設(shè)置與融合過(guò)程的處理進(jìn)行了詳細(xì)介紹;高浩然等[24]通過(guò)視覺(jué)顯著性測(cè)試的變換特征實(shí)現(xiàn),提高了基于圖像多尺度金字塔分解的圖像融合性能。

本文針對(duì)單屬性裂縫預(yù)測(cè)的不足以及傳統(tǒng)多屬性融合方法存在的問(wèn)題,在前人研究的基礎(chǔ)上,將LP多尺度分析算法與PCNN模型相結(jié)合,提出LP-PCNN多屬性融合儲(chǔ)層裂縫預(yù)測(cè)方法。利用拉普拉斯金字塔變換在保存更多細(xì)節(jié)信息的同時(shí),將地震屬性分解到不同的空間頻帶,運(yùn)用PCNN進(jìn)行非線性聚類特征分析,計(jì)算局部熵并以此為依據(jù),在不同尺度上對(duì)相應(yīng)的細(xì)節(jié)進(jìn)行增強(qiáng)融合,最后利用拉普拉斯金字塔重構(gòu)算法,得到多屬性融合裂縫綜合預(yù)測(cè)的結(jié)果。其中,為了統(tǒng)一量綱,需要根據(jù)優(yōu)選的各裂縫敏感屬性的原理和物理意義對(duì)其進(jìn)行標(biāo)準(zhǔn)化預(yù)處理。用實(shí)際工區(qū)的資料對(duì)該方法進(jìn)行測(cè)試,以驗(yàn)證該方法在結(jié)合多屬性信息,全面表征裂縫分布,綜合預(yù)測(cè)儲(chǔ)層裂縫特征方面的有效性。

1 方法簡(jiǎn)介

1.1 屬性分析

裂縫能夠增加油氣儲(chǔ)層的有效孔隙度,改善儲(chǔ)集空間的連通性并提高儲(chǔ)層滲透率,還可為油氣的運(yùn)移提供重要通道,裂縫發(fā)育對(duì)致密儲(chǔ)層性能改善具有重大作用。裂縫的發(fā)育程度會(huì)對(duì)地震波傳播速度、吸收衰減作用等產(chǎn)生一定的影響,因此,在振幅、頻率以及反射面等屬性中會(huì)表現(xiàn)出較為明顯的特征[12]。另外,裂縫具有較強(qiáng)的各向異性特征,表現(xiàn)為地震波傳播速度隨方位角變化,沿裂縫方向傳播時(shí)瞬時(shí)振幅和瞬時(shí)頻率最大,垂直于該方向傳播時(shí)瞬時(shí)振幅和瞬時(shí)頻率最小?；诏B前分方位數(shù)據(jù)體計(jì)算瞬時(shí)振幅(或瞬時(shí)頻率),讀取道集上目的層的瞬時(shí)振幅(或瞬時(shí)頻率)值,不同方位瞬時(shí)振幅(或瞬時(shí)頻率)在極坐標(biāo)下呈現(xiàn)橢圓特征,根據(jù)各點(diǎn)的數(shù)值趨勢(shì)進(jìn)行橢圓擬合,橢圓偏心率越大,說(shuō)明裂縫發(fā)育強(qiáng)度越大。屬性分析要求根據(jù)層裂縫特點(diǎn),選取合理的時(shí)窗,提取相干屬性、曲率屬性、傾角屬性、Canny邊緣檢測(cè)屬性、螞蟻體屬性以及基于瞬時(shí)振幅和瞬時(shí)頻率的裂縫強(qiáng)度屬性等反映研究區(qū)儲(chǔ)層裂縫特征的地震屬性,并對(duì)這些地震屬性進(jìn)行優(yōu)選,獲得裂縫敏感屬性。

1.2 LP變換與重構(gòu)

高斯金字塔是一種有效的圖像多尺度、多分辨率分析方法,是以一系列金字塔形式排列的分辨率逐漸降低的圖像集合。高斯金字塔是通過(guò)高斯平滑和交錯(cuò)下采樣獲得一系列下采樣數(shù)據(jù)的,其截止頻率從上一層到下一層以因子2逐漸增加,所以高斯金字塔可以跨越很大的頻率范圍[25]。設(shè)原始單個(gè)地震屬性為G0,Gl-1為高斯金字塔的第(l-1)層地震屬性。對(duì)Gl-1進(jìn)行高斯低通濾波和向下采樣處理后我們可以得到高斯金字塔的第l層地震屬性Gl,Gl是Gl-1的1/4。

(1)

其中,Ω(m,n)為具有低通濾波作用的高斯卷積核。

(2)

拉普拉斯金字塔第l層圖像LPl表達(dá)式為:

(3)

顯然,可以通過(guò)上采樣獲得重建的拉普拉斯金字塔,將高斯金字塔進(jìn)行上采樣,然后進(jìn)行高斯卷積濾波,將得到的每一層圖像與拉普拉斯金字塔存放的殘差進(jìn)行對(duì)應(yīng)相加。

(4)

本文采用拉普拉斯金字塔變換對(duì)表征裂縫特征的地震屬性進(jìn)行多尺度分解與重構(gòu)的目的是將原地震屬性分別分解到多個(gè)尺度的空間頻帶上,分離出地震屬性的細(xì)節(jié)信息,同時(shí)保護(hù)單個(gè)地震屬性預(yù)測(cè)的裂縫信息的完整性,確保多屬性融合后裂縫預(yù)測(cè)結(jié)果的準(zhǔn)確性。

1.3 簡(jiǎn)化的PCNN模型

PCNN模型是在Eckhorn的聯(lián)接模型上提出的一種新型人工神經(jīng)網(wǎng)絡(luò)模型,具有良好的脈沖傳播和耦合連接特性,被廣泛應(yīng)用于數(shù)據(jù)融合和模式識(shí)別等領(lǐng)域。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不同,PCNN模型是一個(gè)強(qiáng)自適應(yīng)系統(tǒng),實(shí)現(xiàn)過(guò)程中不需要學(xué)習(xí)和訓(xùn)練即可從復(fù)雜的背景中提取有效信息,節(jié)省運(yùn)算時(shí)間,提高屬性融合的實(shí)時(shí)性。在數(shù)據(jù)處理中,PCNN是一個(gè)由若干神經(jīng)元局部互聯(lián)的單層二維反饋網(wǎng)絡(luò),構(gòu)成PCNN系統(tǒng)的每一個(gè)神經(jīng)元都是動(dòng)態(tài)的。簡(jiǎn)化后的PCNN神經(jīng)元模型描述為:

Fij(n)=Sij

(5)

(6)

Uij(n)=Fij(n)[1+βLij(n)]

(7)

(8)

(9)

構(gòu)成PCNN的神經(jīng)元系統(tǒng)是一個(gè)復(fù)雜的非線性動(dòng)態(tài)系統(tǒng),每個(gè)神經(jīng)元Nij由接收部分、調(diào)制部分和脈沖產(chǎn)生部分組成,簡(jiǎn)化的PCNN模型如圖1所示。

圖1 簡(jiǎn)化的PCNN模型

接收部分是神經(jīng)元對(duì)外界信息感知層,主要包括外部輸入數(shù)據(jù)Fij(n)和鄰域神經(jīng)元的脈沖輸出反饋Yij(n)兩個(gè)部分,構(gòu)成一個(gè)二維神經(jīng)網(wǎng)絡(luò)。PCNN模型需要進(jìn)行多次迭代運(yùn)算,鄰域神經(jīng)元的脈沖輸出反饋Yij(n)表征的是神經(jīng)元之前的記憶和周圍神經(jīng)元的相互干擾,這個(gè)干擾通過(guò)連接權(quán)重Wijkl控制得到連接項(xiàng)Lij(n)。神經(jīng)元總的內(nèi)部活動(dòng)Uij(n)由輸入數(shù)據(jù)和反饋連接項(xiàng)以非線性耦合方式調(diào)制而成。Uij(n)進(jìn)入脈沖發(fā)生器,迭代開(kāi)始前,所有神經(jīng)元初始狀態(tài)值為0,迭代開(kāi)始后,內(nèi)部活動(dòng)項(xiàng)Uij(n)等于外部輸入Sij,神經(jīng)元?jiǎng)討B(tài)閾值θij(n)開(kāi)始衰減,當(dāng)動(dòng)態(tài)閾值衰減到小于內(nèi)部活動(dòng)項(xiàng)時(shí),神經(jīng)元產(chǎn)生脈沖輸出,即處于點(diǎn)火狀態(tài)(Yij(n)=1),否則,不點(diǎn)火(Yij(n)=0)。一旦神經(jīng)元有脈沖輸出產(chǎn)生,會(huì)調(diào)節(jié)脈沖發(fā)生器的閾值使其迅速增加,抑制下一次脈沖輸出;然后迭代動(dòng)態(tài)閾值繼續(xù)衰減,當(dāng)動(dòng)態(tài)閾值θij(n)再次衰減到小于內(nèi)部活動(dòng)項(xiàng)Uij(n)時(shí),再次發(fā)生點(diǎn)火。由于PCNN中的神經(jīng)元接收鄰近神經(jīng)元的脈沖耦合輸入,所以在迭代計(jì)算過(guò)程中,外部輸入相似的神經(jīng)元會(huì)逐漸實(shí)現(xiàn)脈沖的同步發(fā)出。這反映了特征聚類在圖像處理中的作用,利用神經(jīng)元在多次迭代中產(chǎn)生脈沖輸出的次數(shù)可以實(shí)現(xiàn)地震多屬性的融合,這種現(xiàn)象可以用神經(jīng)元的點(diǎn)火頻率(FM)來(lái)描述。

(10)

其中,N是PCNN的迭代次數(shù)。

1.4 LP-PCNN多屬性融合方法

地震屬性對(duì)儲(chǔ)層裂縫區(qū)域特性和趨勢(shì)的預(yù)測(cè)不是地下空間一個(gè)點(diǎn)所能表征的,它是由某一區(qū)域多個(gè)點(diǎn)的相互關(guān)系來(lái)共同表征和體現(xiàn)的。圖2a是直接利用每一采樣點(diǎn)的點(diǎn)火頻率進(jìn)行LP-PCNN多屬性融合的結(jié)果,基于點(diǎn)火頻率融合結(jié)果表現(xiàn)出片面性及對(duì)裂縫邊緣的高度敏感性。熵是根據(jù)屬性數(shù)據(jù)的統(tǒng)計(jì)特性來(lái)表征其綜合空間特征的,能夠綜合反映屬性包含的信息。因此,我們引入局部熵(local entropy,LE)用作點(diǎn)火頻率評(píng)價(jià)因子對(duì)各尺度屬性子帶進(jìn)行融合,基于局部熵進(jìn)行LP-PCNN多屬性融合的結(jié)果(圖2b)能更加清晰地刻畫儲(chǔ)層裂縫邊界特征,裂縫預(yù)測(cè)的精度更高。定義LE為:

圖2 基于點(diǎn)火頻率(a)和局部熵(b)進(jìn)行LP-PCNN多屬性融合的結(jié)果

(11)

(12)

在(i,j)處取一m×n大小的鄰域空間,h(k)為鄰域直方圖,pk則表示對(duì)鄰域直方圖h(k)歸一化。K表示鄰域空間內(nèi)的最大灰度值。LP-PCNN多屬性融合方法流程如圖3所示。

圖3 LP-PCNN多屬性融合方法流程

基于LP-PCNN融合方法實(shí)現(xiàn)多屬性融合綜合預(yù)測(cè)裂縫的主要步驟如下(以兩個(gè)屬性為例):

1) 從地震數(shù)據(jù)中提取能表征裂縫特征的地震屬性,優(yōu)選對(duì)研究區(qū)裂縫敏感的地震屬性,依據(jù)其物理意義進(jìn)行歸一化預(yù)處理,統(tǒng)一量綱,得到預(yù)處理后的地震屬性A和B;

2) 利用拉普拉斯金字塔算法分別將預(yù)處理后的各個(gè)屬性分解成N個(gè)尺度,得到分解后的結(jié)果SA1,SA2,…,SAN和SB1,SB2,…,SBN;

3) 基于PCNN神經(jīng)網(wǎng)絡(luò)分別計(jì)算SA1,SA2,…,SAN和SB1,SB2,…,SBN每個(gè)層的神經(jīng)元點(diǎn)火頻率FMA1,FMA2,…,FMAN和FMB1,FMB2,…,FMBN;

4) 利用點(diǎn)火頻率結(jié)果計(jì)算每個(gè)屬性每一層的局部熵,得到LEA1,LEA2,…,LEAN和LEB1,LEB2,…,LEBN;

5) 以局部熵為權(quán)重,計(jì)算屬性A和B在每個(gè)分解尺度上的融合結(jié)果,得到S1,S2,…,SN;

6) 對(duì)S1,S2,…,SN進(jìn)行拉普拉斯金字塔重構(gòu),得到融合結(jié)果S。

2 實(shí)際應(yīng)用

2.1 不同方位裂縫屬性融合

為了驗(yàn)證LP-PCNN多屬性融合算法的有效性,對(duì)Q工區(qū)實(shí)際地震數(shù)據(jù)進(jìn)行測(cè)試。工區(qū)線道號(hào)范圍為690×690,采樣率為2ms,儲(chǔ)層非均質(zhì)性強(qiáng),裂縫發(fā)育。首先測(cè)試本文方法對(duì)不同方位相干屬性融合的性能。裂縫發(fā)育帶在空間上具有方向性特征,分方位數(shù)據(jù)體中往往蘊(yùn)含豐富的各向異性信息,而全疊加數(shù)據(jù)由于缺少方位信息,許多分方位數(shù)據(jù)上存在的裂縫信息在全疊加數(shù)據(jù)上被削弱甚至完全丟失。圖4a至圖4c分別為對(duì)0～60°,60°～120°和120°～180°共3個(gè)分方位疊加數(shù)據(jù)提取相干屬性并進(jìn)行歸一化處理后的沿層切片。由圖4可見(jiàn),不同方位相干屬性差異明顯。圖5a、圖5b和圖5c 分別為基于全疊加數(shù)據(jù)的相干屬性沿層切片(歸一化后)、采用本文方法和小波變換(WT)方法對(duì)多個(gè)分方位相干屬性進(jìn)行融合的結(jié)果。對(duì)比圖5a 和圖5b可見(jiàn),本文方法融合結(jié)果能夠綜合各個(gè)方位上的裂縫信息,對(duì)工區(qū)裂縫的表征效果明顯優(yōu)于基于全疊加數(shù)據(jù)的相干屬性結(jié)果,有利于對(duì)儲(chǔ)層裂縫特征進(jìn)行更加全面的預(yù)測(cè);對(duì)比圖5b和圖5c 可見(jiàn),本文方法融合結(jié)果在表征裂縫時(shí),能量更強(qiáng),對(duì)裂縫細(xì)節(jié)信息的刻畫更加全面。

圖4 基于分方位疊加數(shù)據(jù)的相干屬性沿層切片(歸一化后)a 0～60°; b 60°～120°; c 120°～180°

圖5 基于全疊加數(shù)據(jù)的相干屬性沿層切片(歸一化后)(a)以及采用本文方法(b)和小波變換(WT)方法(c)對(duì)多個(gè)分方位相干屬性進(jìn)行融合的結(jié)果

2.2 不同裂縫屬性融合

實(shí)際資料解釋中,在多屬性融合綜合預(yù)測(cè)儲(chǔ)層裂縫時(shí),可以考慮用不同方位裂縫屬性融合的結(jié)果代替基于全疊加數(shù)據(jù)屬性預(yù)測(cè)的結(jié)果,但為了突出本文方法的融合效果,此測(cè)試仍然選擇基于全疊加數(shù)據(jù)相干屬性結(jié)果。圖6a至圖6c分別為歸一化預(yù)處理后的相干屬性、最大曲率屬性和基于瞬時(shí)頻率的裂縫強(qiáng)度屬性沿層切片。圖中高值代表裂縫更發(fā)育。相干屬性(圖6a)表征地震數(shù)據(jù)波形的相似性,曲率屬性(圖6b)刻畫地層的彎曲程度,二者都是基于地震數(shù)據(jù)的幾何形態(tài)特征預(yù)測(cè)裂縫,能夠較為準(zhǔn)確地描述裂縫發(fā)育帶的分布特征,但對(duì)微小裂縫的預(yù)測(cè)效果并不十分理想。實(shí)際的斷裂并非全方位都發(fā)育[23],因此裂縫一般表現(xiàn)出較強(qiáng)的各向異性特征,基于疊前分方位數(shù)據(jù)體的方位瞬時(shí)頻率計(jì)算得到的裂縫強(qiáng)度屬性(圖6c) 能夠很好地表征地震數(shù)據(jù)的各向異性特征。然而,利用地震數(shù)據(jù)得到的地下各向異性的信息并非完全由裂縫引起,是包括了地下介質(zhì)構(gòu)造起伏、巖性不均等因素的綜合影響結(jié)果,因此往往存在虛假裂縫信息。相干屬性、最大曲率屬性和基于瞬時(shí)頻率的裂縫強(qiáng)度屬性融合的結(jié)果,應(yīng)該既能將不同屬性預(yù)測(cè)的裂縫特征進(jìn)行相互補(bǔ)充和加強(qiáng),也能夠減弱不同屬性裂縫預(yù)測(cè)的結(jié)果中存在的虛假裂縫特征,尤其是基于瞬時(shí)頻率的裂縫強(qiáng)度屬性中冗余的各向異性信息,從而更加全面地表征工區(qū)裂縫特征。

圖7a是基于LP-PCNN方法對(duì)圖6所示3個(gè)屬性進(jìn)行融合的結(jié)果,同樣與小波變換(WT)方法融合結(jié)果(圖7b)進(jìn)行對(duì)比,二者輸入數(shù)據(jù)一致。從圖7可以看出,小波變換融合方法能夠更好地涵蓋3種單屬性中預(yù)測(cè)的裂縫信息(紅色方框區(qū)域),但是對(duì)信息缺乏辨別與篩選能力,裂縫邊界模糊,能量分散。相比之下,本文方法無(wú)論是在能量、輪廓,還是在對(duì)裂縫信息的篩選與整合上都有明顯的優(yōu)勢(shì)。利用LP-PCNN方法進(jìn)行多屬性融合,疊后數(shù)據(jù)的相干、曲率屬性難以預(yù)測(cè)的裂縫細(xì)節(jié)得到一定程度的補(bǔ)充。Y16井所在區(qū)域裂縫強(qiáng)度屬性預(yù)測(cè)存在裂縫,但在相干屬性和曲率屬性中均未預(yù)測(cè)到裂縫信息,根據(jù)LP-PCNN方法融合結(jié)果,分析認(rèn)為該區(qū)域很大概率裂縫發(fā)育。試油結(jié)果表明,Y16井為油井,驗(yàn)證了本文方法融合結(jié)果的可靠性。此外,在本文方法融合結(jié)果中,裂縫強(qiáng)度屬性中虛假裂縫信息得到壓制,裂縫邊界刻畫得更加清晰,不同斷裂的連通特征更加明顯(黃色箭頭指示區(qū)域),分辨率更高。實(shí)際數(shù)據(jù)測(cè)試表明,本文方法能夠很好地將不同尺度的裂縫屬性信息進(jìn)行融合,有利于對(duì)裂縫進(jìn)行綜合表征。

圖6 歸一化預(yù)處理后的屬性沿層切片a 相干屬性; b 曲率屬性; c 基于瞬時(shí)頻率的裂縫強(qiáng)度屬性

圖7 LP-PCNN方法(a)和WT方法(b)多屬性融合裂縫預(yù)測(cè)結(jié)果

3 結(jié)論

本文針對(duì)單屬性裂縫預(yù)測(cè)結(jié)果存在多解性和不穩(wěn)定問(wèn)題,提出了一種基于PCNN和拉普拉斯金字塔變換的多屬性融合方法,實(shí)現(xiàn)對(duì)儲(chǔ)層裂縫的綜合預(yù)測(cè)。拉普拉斯金字塔方法可以在保留高頻細(xì)節(jié)信息的同時(shí)將地震屬性分解為不同尺度。PCNN強(qiáng)大的非線性處理功能,能夠耦合周圍神經(jīng)元的刺激影響,突出各個(gè)尺度上的目標(biāo)信息,從而進(jìn)一步提高多屬性裂縫融合結(jié)果的精度。將該方法應(yīng)用于Q工區(qū)實(shí)際地震數(shù)據(jù),對(duì)不同方位裂縫相干屬性的融合結(jié)果在裂縫能量和細(xì)節(jié)信息刻畫方面效果良好,且明顯優(yōu)于全疊加地震數(shù)據(jù)相干屬性預(yù)測(cè)結(jié)果。不同裂縫屬性融合結(jié)果表明,相比于傳統(tǒng)方法,本文方法不僅能夠整合不同尺度屬性預(yù)測(cè)的裂縫信息,而且能夠壓制單屬性中的虛假裂縫信息,突出裂縫邊界特征,提高裂縫預(yù)測(cè)結(jié)果的信噪比。另外,融合結(jié)果與實(shí)際試油結(jié)果吻合度高,具有較高的應(yīng)用價(jià)值。