一神经网络算法在地震相识别中的应用

祝永英

(中国石化胜利油田分公司 东胜公司,山东 东营 257000)

一神经网络算法在地震相识别中的应用

祝永英

(中国石化胜利油田分公司 东胜公司,山东 东营 257000)

地震相分析与识别技术是岩相解释和沉积环境分析的有力工具。随着地震数据体的增大,传统人工定相的方法已经不能满足生产发展的要求,利用神经网络方法进行地震相分析是一种有效、定量的地震相确定方式,该方法通过对地震波形的采样点进行分析,并在此基础上进行分类,产生地震相图。结合沉积相模式的指导作用和测井资料所得沉积相图的验证作用,达到地震相识别的目的。

神经网络算法;波形分类;地震相

地震相指的是与相邻单元在地震反射特征参数(包括振幅、连续性、反射结构、频率等)方面存在差异的集合[1]。随着物探和计算机等技术的发展及层序地层学、地震沉积学等新兴学科的出现,尤其是随着三维数据体的增大,传统人工定相的方法已经不能满足实际生产的需求。目前以解释人员训练的人工神经网络为基础的地震相确定方法是实现多元化、精细化、定量化准确定相的重要发展[2- 4]。神经网络算法是一种采用Kohonen 自组织映射方法的鲁棒性模式识别过程[5],由于该算法在不同时间间隔内具有去除噪音和识别有代表性的地震波形聚类的能力,因此适用于地震数据的波形分类[6]。

1 方法原理

利用地震信号的总体变化进行地震相分析主要是采用人工神经网络技术,根据每道的数值对地震道的形状进行分类。由于地震信号物理参数(振幅、频率、相位等)的变化与地震道形状的变化相对应,而地震道形状的变化则可定量为一个采样点对另一个采样点数值的变化,通过神经网络技术对这些地震波形的采样点进行分析,并在此基础上进行分类,由此可达到地震相识别的目的。

神经网络是人工智能的一个分支,主要用于模仿人类鉴定目标的过程。根据神经网络训练过程中是否需要先验知识,可分为有监督和无监督两种方式,本文中采用的是自组织神经网络,属于有监督的算法。该算法通过模拟人脑思维识别不同目标体的特征,在此过程中使相似的种类保持关系。

在人工神经网络实现的过程中有两个重要的概念:距离和相似度,主要体现在波形分类的过程中。本文中采用的是Manhattan距离公式[7]：

(1)

式中，M为Manhattan距离,A、B为子波,i为采样点数。由公式(1)可以看出,通过比较每一参考波形与目标波形,将Manhattan测量值输出,Manhattan距离即为波形样点之间的采样差异值总和。

相似度即计算个体之间的相似程度,本文中采用余弦相似度,余弦相似度衡量的是空间向量的夹角(图1)。两波形之间越为相似,Manhattan距离越小,则余弦相似系数越大。相似系数达到一定的数值,需要对相道进行合并。

通过人工神经网络算法对地震道波形进行计算,分析地震信号的总体变化,并识别这种变化的分布规律与储层沉积相和岩性特征之间的对应关系,由此达到地震相分析的目的。

图1 余弦相似度图解

2 实现流程

利用地震波形特征对地震相的识别以地震资料为主、测井和岩心资料为辅,通过神经网络算法实现。具体实现过程(图2)包括以下几个步骤[8-9]:

(1)建立目的层段。利用人工神经网络算法进行地震相识别的第一步,是建立目的层段。目的层段的建立遵循“断层切割少,波形稳定”的原则。层段大小以包含1～3个反射同相轴为宜,因为层段过大,物理意义复杂,导致解释困难;层段过小,信息量少,没有明确的物理意义。

(2)创建模型道。在确定目的层段的基础上,进行模型道合成,这些模型道代表了在研究区目的层段中地震信号的多样性,通过观察模型道的颜色,可观察地震道形状在所解释区域的分布。

创建模型道的过程主要包含两部分:合成地震道和创建模型道量板,其中,合成地震道是前提,创建模型道量板为最终目的。

合成地震道的基础是反射波波形分析,关键是合成地震道。以测井、岩性资料为基础,通过对典型井目的层段的岩性特征进行分析,根据波阻抗计算公式得出理想中的反射波形,并结合地震资料,分析目的层段反射波波形的特点;根据反射波波形特点,利用神经网络算法,通过多次迭代来进行地震道合成。

模型道量板的创建通过合成地震道与实际地震道的自适应实验和误差处理实现。在允许的误差范围之内,通过合并相似道,将相似的波形归为一类,最终得到一个代表地震层段内反射波波形差异的模型道量板。

(3)波形分类。波形分类主要通过实际地震道数据和模型道量板的计算实现。利用Manhattan距离和余弦相似度两个参数,将地震道形状即波性特征与实际地震数据逐道进行对比,将地震道信号进行归类处理,由此达到对地震信号进行细致刻画的目的。波形分类技术结果的最终是得到地震异常平面分布的规律,即地震相图。

图2 地震相识别流程

(4)综合地质分析。综合地质分析是利用神经网络算法进行地震相识别的最终目的。主要包括两部分内容,分别是:在岩相模式的指导之下,利用井信息对地震相图进行标定和识别;在沉积相模式的指导之下,对地震相结果进行分析,由此达到综合地质分析的目的。

构造坡折带形成的浊积扇体,分为有水道型和无水道型,无水道型扇体展布范围较小,有水道型扇体展布范围大,且存在纵向叠置的现象。根据不同微相类型划分,其砂体厚度和含量也有所不同,反映在地震剖面上波阻抗特征也有所不同。因此,需要在岩相模式的指导之下,利用井的已知信息对地震相图进行标定和识别。

地震相结果分析需要在沉积模式的指导下进行,包括两部分:根据井分析资料得到沉积相图,用于对地震相分析的结果进行验证;对于少井和无井的区域,在沉积相模式的指导之下,根据地震相分析的结果,对浊积扇体的分布规律进行有效预测。

3 应用实例

以车西洼陷车40-44块为例,利用神经网络算法对浊积扇体的地震相分布进行分析。车西洼陷地理位置位于山东省无棣县境内,构造位置处于济阳坳陷车镇凹陷的西部,北部以埕南大断层为界,与埕子口凸起相邻,南部的无棣凸起和义和庄凸起为曹家庄断阶带的主要物源供给区,西部与庆云凸起相接,东部与大王北次洼陷相连,洼陷整体为北东-南西走向,呈“北断南超”的箕状构造格局。车40-44块位于车西洼陷南部缓坡带,为曹家庄断阶带的一部分(图3)。

图3 车40-44块构造位置图

由于断层对该区块进行切割,车40-44块形成以“顺向断阶”为主的构造形态。在沙三上亚段沉积时期,构造活动频繁,同沉积断层发育,缓坡坡折带由多级阶状断层组成。构造坡折带制约着盆地的可容纳空间,对沉积体系发育和砂体分布起着重要的控制作用[10],因此浊积扇体沿控制局部构造断层的下降盘分布,规模较小的断层控制着扇体的展布形态。

从岩性特点分析:该区沙三上亚段岩性普遍较细,以灰色粉砂岩、细砂岩为主,局部出现含泥砾砂岩。根据目的层段的选取原则,确定Es32与Es33之间的区域为研究层段。从典型井单井相剖面可看出,Es32以泥岩为主,Es33泥岩段中夹杂大段砂岩(图4)。通常情况下泥岩的声波时差高于砂岩,根据波阻抗的计算公式可知目的层段为一强波谷反射与两个弱波峰反射的组合(图4(b))。

图4 单井相图

以反射波波形分析为基础,利用神经网络算法通过对目的层段地震道数据的N次迭代处理合成地震道,由此得到最初的模型道量板,有16类地震道模型(图5(a))。将合成地震道与实际地震道进行对比,通过自适应实验和误差处理,在误差范围之内,对相似地震道进行合并,由此得到14类地震道模型。地震模型道即为波形分类类型,是岩性分析和储层预测的依据,每一道代表不一种波的类型,不同波的类型通过不同的颜色进行区分,整个模型道量板代表了目的层地震道信号的多样性(图5(b))。

波形分类之后,得到各组分“离散”的地震相。设置个相成分所占的比例(图6),根据聚类结果生成综合地震相图。在地震相图上,各颜色代表对应的波形,通过了解和评估地震道形状在目标区域的分布情况,在浊积扇沉积模式的指导下,设置各成分所占的比例,建立地震信号总体变化及其分布规律,最终得到符合构造坡折带浊积扇沉积特点的地震相图(图7)。

结合浊积扇体的微相类型,进行波形分析,即通过对比井点处目的层段砂泥组合与波形的关系,确定该波形对应的储层沉积特征。车410井位于扇主水道侧缘,且存在纵向叠置的现象,车40井位于扇端,因此扇端的含沙量比主水道侧缘要低,砂体厚度也相对较薄。分别选取两口井的过井剖面,可见车410井目的层波谷比车40井明显较宽,符合根据浊积扇体微相类型所产生波阻抗差的认识。与模型道量板进行比较,车410与合并后模型道的量板12较为一致,反映水道侧缘沉积,车40与合并后模型道的量板6相似程度更高,反映扇端沉积。

由于合并的是相似地震波形,并非完全相同,因此波形合并前后分类数存在差别。所以,波形合并前后(图8)的地震相图依然存在差异。

图5 模型道量板

图6 地震剖面

图7 地震相相关直方图

图8 地震相图

就地震相与沉积相的吻合程度而言,波形合并后地震相(图8(b))刻画得更为精细,与沉积相(图10(b))更为相似。

最后,在沉积相模式(图9)的指导下进行综合地质分析。构造坡折带浊积扇体属于重力流沉积模式[11-12],研究区在沙三上亚段沉积时期处于沙四段-沙三段沉积旋回的末期,是断陷湖盆水体退缩阶段的沉积产物[14-15]。在沙三上亚段沉积时期,南部无棣凸起和义和庄凸起、西部庆云凸起抬升,地层遭受剥蚀,沉积区范围变小,物源沿缓坡经过长距离的搬运作用,在车40-44块同沉积断层的下降盘沉积下来,根据地势条件,浊积扇体呈“裙带状”分布于断层下降盘,这是该区浊积扇体的形成条件和触发机制。

图9 沉积相模式

根据地震相的展布形态,对地震相特点进行分析。通过过井地震剖面(图10(a))和由井资料勾画的沉积相骨架图(图10(b))可看出:近东西向呈两侧高、中间低的地势形态,浊积扇体沿断层在中间低洼部分比较发育。发育在同沉积断层下降盘的浊积扇体,其分布形态与物源有关,此外,在扇体的侧向迁移方面小断层对扇体分布形态也起了重要作用。需要注意的是:西南部的地震相图与沉积相图不一致,原因是这块没有钻井资料,因此无法得到准确的沉积相图,可见通过神经网络方法得出的地震相图对储层预测也起着重要作用。

针对储层的沉积特征,结合区域沉积背景,对浊积扇储层进行预测。根据地震相对浊积扇储层识别的效果,可以总结为以下两点:①浊积扇体沿近东西向控制局部构造的弧形盆倾断层(F40和F44)的下降盘排列,这与研究区地质情况和构造坡折带浊积扇体模式相吻合;②扇体的具体展布形态受地势、物源和小断层的影响,小断层和物源供给对扇体的细节刻画起着重要的作用,比如,在物源供给方面,无棣凸起为工区西部近距离提供大量物源,该区扇体规模较大;在小断层影响方面,以车40井西北侧的断层为例,小断层对扇体形态的细节刻画也起着重要作用。

图10 地震剖面与沉积相

4 结束语

将神经网络算法用于以波形分析为基础的地震相识别,不仅有效解决利用三维地震数据进行人工定相时工作量大的问题,还具有定量分析的特点。以车西洼陷缓坡带构造坡折带浊积扇体为例,在沉积相模式的指导下,结合测井、岩性资料,利用神经网络算法进行地震相预测,根据与测井资料和沉积相图的吻合程度,取得很好的预测效果。

需要注意的是,由于神经网络算法研究的对象是地震反射波形,以浊积扇相为例,同一种波形可以是不同砂、泥岩组合的地震响应,因此结果存在多解性。在这种情况下,要结合测井、岩性综合分析结果,进行地震相分析。

[1] BRIAN P W, STEVE R M, JOHN E E. Interactive seismic facies classification using textural attributes and neural networks[J]. The Leading Edge,2002:1042-1049.

[2] SLOSS L L. Stratigraphic models in exploration[J].AAPG Bulletin,1962,46(7):1050-1057.[3] 杨占龙,陈启林,沙雪梅,等.关于地震波形分类的再分类研究[J].天然气地球科学,2008,19(3):377-380.

[4] VAIL P R. Seismic stratigraphy interpretation using sequence stratigraphy: Part 1: seismic stratigraphy interpretation procedure[J]. AAPG Bulletin,1987:1-10.

[5] THIERRY C, MANUEL P, KOSTIA A. Unsupervised seismic facies classification: a review and comparison of techniques and implementation[J].The Leading dge,2003:942-953.

[6] MANUEL P, JOSE G. Tracking tertiary delta sands (Urdaneta West, Lake Maracaibo,Venezuela): an integrated seismic facies classification workflow[J].The Leading Edge,2003:909-912.

[7] 范洪军,范廷恩,王晖,等. 地震波形分类技术在河流相储层研究中的应用[J].CT理论与应用研究,2014,23(1):71-79.

[8] 王贵文，张新培.塔里木盆地塔中地区志留系测井沉积相研究[J].中国石油大学学报：自然科学版，2006(3):48-53.

[9] 冯建伟，戴俊生，冀国胜，等.测井资料定量识别河流储层建筑结构要素[J].中国石油大学学报：自然科学版，2007(5):29-35.

[10] 林畅松,潘元林,肖建新,等.“构造坡折带”—断陷盆地层序分析和油气预测的重要概念[J].地球科学—中国地质大学学报,2000,25(3):260-266.

[11] SHANMUGAM G. Deep-water processes and facies models: implications for sandstone petroleum reservoirs[M].Beijing: Petroleum Industry Press, 2014:32-37.

[12] SHANMUGAM G. New perspectives on deep-water sandstones: origin, recognition, initiation, and reservoir quality[M].Beijing: Petroleum Industry Press, 2013:21-28.

[13] 杨仁超,何治亮,邱桂强,等. 鄂尔多斯盆地南部晚三叠世重力流沉积体系[J].石油勘探与开发,2014,41(6):661- 670.

[14] 李凌.车西洼陷沙三上亚段滑塌浊积砂体的沉积特征[J].西安石油大学学报:自然科学版,2010,25(2):22-29.

[15] 万涛，蒋有录，林会喜，等.车西洼陷南坡油气成藏和富集的主控因素[J].中国石油大学学报：自然科学版，2010(6):44-50.

[责任编辑] 董大伟

2015-10-20

祝永英(1983—)，男，山东栖霞人，中国石化胜利油田分公司东胜公司工程师，主要从事石油地质研究。

10.3969/j.issn.1673-5935.2015.04.002

P631

A

1673-5935(2015)04- 0004- 06