地震多属性在河流相储层有利砂体厚度预测中的应用

许翔　郑东　何方　孔蔚

【摘 要】河流相储层单砂体厚度小，砂体接触关系复杂，受限于地震分辨率的影响，对储层砂体的发育具有较大的不确定性。本文对工区储层的这种情况，采用了多种属性结合，利用属性优化方法，使用神经网络识别方法对有利砂体进行预测，并针对预测结果进行评价和检验，以期望获取更好的预测效果。

【关键词】河流相储层；地震属性；属性优化；砂体厚度；储层预测

【Abstract】Sand thickness in fluvial reservoir is thin， contact relationship is complex， as seismic resolution is limited， sand bodies in reservoir are uncertain. For this situation， uses seismic multi-attribute， attributes optimization method， neural network recognition method to predict favorable sand body， and evaluate and examine the results， expecting to obtain better prediction effect.

【Key words】Fluvial reservoir； Seismic attribute； Attribute optimization； Sand thickness； Reservoir prediction

河流相储层是中国已发现的油气田中重要的储层类型，其内部砂体的分布特征等方面的研究具有非常重要的现实意义。地震属性相关技术的研究分析广泛应用于地震资料解释的各个环节，地震属性分析技术主要是对通过储层的不同属性组合特征关系来解决储层的预测问题，从而有效地对储层的分布特征的预测进行指导，提高砂体解释的准确性。

本文通过对工区地震数据提取多种地震属性，并结合工区钻井资料，筛选出敏感属性，然后建立优化属性组，最终利用神经网络等方法对工区有利砂体区域进行预测，并选取检验井对预测结果进行评价和检验，从而获得更好的效果。

1 方法原理

1.1 地震属性

地震属性是从地震资料的几何学、运动学、动力学及统计学特征的一种量度，是一种描述和量化地震资料的特征，是原始地震资料中所包含全部信息的子集，而地震属性的求取是对地震数据进行分解，每一个地震属性都是地震数据的子集，是地震数据中反映不同地质信息的子集，是刻画、描述地层结构、岩性以及物性等地质信息的地震特征量[1]。属性优化就是优选出对求解问题最敏感、最有效或最有代表性的属性。在勘探油气中，地震属性分析技术越来越多的应用在断层检测、岩性预测、有利储集体的确定等之中。

1.2 属性优化方法粗集理论

粗糙集（Rough set，简称RS或粗集）理论是一种刻画不完整性和不确定性的数学工具，能有效地分析和处理不精确、不一致、不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律[2-3]。粗集理论为研究不完整数据进行分析、推理，发现数据间的关系，提取有用属性，简化信息处理，研究不精确、不确定知识的表达、学习、归纳方法提供了一个有力的工具。同时，RS理论还为信息科学和认知科学提供了新的科学逻辑和研究方法，并且为智能信息处理提供了有效的处理技术。RS理论无需提供出问题所需处理的数据集合外的任何先验信息，仅根据观察数据删除冗余信息，比较不完整的知识程度──粗糙度，属性间的依赖性与重要性，抽取分类规则等的能力。由此，粗糙集为数据库知识发现、专家系统、决策支持系统、模式识别、模糊控制等，提供了一种新的数学方法。

1.3 利用粗集理论地震属性优化实现

用于储层预测的地震属性数据，我们只需选用优选出的敏感属性数据就可以了。其具体实现过程说明如下[4-5]：

（1）对用于敏感属性优选的地震属性进行预处理；

（2）构建决策表。地震属性为决策表中的条件属性，储层参数或油气性特征等为决策表中的决策属性；

（3）对地震属性进行量化处理。然后，删除重复样本、多余属性、求出最小约简表、根据最小约简表求出决策规则，最终得到工区该目的层与有利砂体厚度参数最敏感的地震属性。

2 实例分析

本文以某河流相工区某小层的砂体厚度预测为例，来对属性优选和砂体预测进行研究。对该小层进行地震属性的提取，参考工区内井资料已有的有利砂体厚度，得到该层位有关砂体厚度的敏感属性分别是：振幅类4个（总的绝对值振幅、最大绝对值振幅、平均振幅、平均能量）；瞬时类1个（平均瞬时相位）；层序类3个（波谷数、复合包络差、能量半时间）；小波系数类3个（小波系数C1、小波系数C2、小波系数C5）。利用优选出的敏感属性建立属性组，使用径向基神经网络方法对工区该小层的砂体厚度进行预测（图1）。

总体来说，砂体厚度较厚，大部分砂体厚度都在8～15m，在纵向上存在较多厚砂体，砂体整体连续性较好，在研究区内成片发育，具有曲流河特征。

为了进一步验证使用该方法进行砂体厚度预测的准确性，从已知的钻井资料中抽取了10口检验井，他们的砂体厚度数据不参与径向基神经网络计算，比较实际值与预测值之间的关系（表1）。

通过表中统计可以看出，利用优选敏感属性进行径向基神经网络对该小层的砂体厚度预测比较准确，其中9口井的误差率（误差率=误差/实钻厚度*100%）都在20%以下，具有较高的符合率。（下转第125页）（上接第123页）

3 结语

本研究区中，缺乏叠前资料，在这种情况下，对叠后资料进行属性的提取、预处理、优化，选取优化属性对实际工区的砂体发育进行预测，取得了很好的效果。利用地震多属性分析技术，可以增强目标评价的可靠性和提高预测结果的准确性，为减小钻探风险，提高钻探的成功率打下了很好的基础。

【参考文献】

[1]王永刚，乐友喜，张军华.地震属性分析技术[M].中国石油大学出版社，2007.

[2]古发明，尹成，丁峰.应用粗集理论优选地震属性的方法研究[J].西南石油大学学报，2007，29（6）：1-4.

[3]古发明，尹成，丁峰，等.粗集理论在地震储层预测中的应用[J].地球物理学进展，2009，24（1）：231-237.

[4]王永刚，谢东，乐友喜，刘伟.地震属性分析技术在储层预测中的应用[J].石油大学学报：自然科学版，2003，27（3）：30-32.

[5]魏艳，尹成，丁峰.地震多属性综合分析的应用研究[J].石油物探，2007，46（1）：42-47.

[责任编辑：汤静]