地震相约束的储层高精度定量预测方法研究

谢黎明 曾楷 翟昆 曾成杰

【摘要】    针对地下储层井参数不足导致神经网络训练不充分，预测结果误差较大的问题。提出了基于地震相约束的高精度地震属性定量预测方法，即首先对地震多属性进行聚类得到地震相参数，再依据地质背景，开发动态资料和解释经验来分析数据间的关系，即地震相分析。然后依据地震相进行约束，弥补井参数的不足，从而更有效的监督训练神经网络，进行地震多属性的储层定量预测。该方法在DF1-1油田压力监测中取得了良好的应用结果。

【关键词】    地震相约束    地震属性    定量预测

引言：

地震属性分析结果一般可以划分构造、检测断层、预测岩性、表征储层参数、识别流体性质、监测油藏变化等。基于地震属性的储层预测根据其学习过程是否需要先验知识又可分为有监督和无监督两类。

模糊自组织神经网络（FSONN），是将模糊系统引入了自组织神经网络，使神经网络具有处理模糊信息的能力，其本质还是一种自组织神经网络。1987年，Kosko率先将模糊数学与神经网络相结合，提出了模糊神经网络的概念。径向基函数神经网络（RBFNN）是一种三层前向神经网络。它的隐层激活函数是一种径向对称的核函数。当输入样本传播到隐单元空间时，这组核函数构成了输入样本的一组“基”。因此，这种神经网络称为径向基函数神经网络。

地震属性的聚类分析就是利用FSONN神经网络将地震多属性映射成一个反映地震反射波综合特征的属性参数，又称为地震相分析。如果能有井资料的标定，即可进行沉积相的转换与分析。对于少井情况下模式识别，可以将地震多属性的自组织聚类特征结合到地震属性的定量预测中，实现对神经网络更有效的监督与约束。

一、地震相约束的地震储层预测方法

地震多属性模式识别预测中，有监督的神经网络训练过程，就是将地震属性作为输入，井参数作为输出，计算输入与输出间的关系来调整和确定神经网络的层数、神经元个数和层间的权值。

综合考虑地震相约束的情况，在已有井参数中加入虚拟井参数，修改神经网络的训练方式。假设有三口井P'（x，y，z）=（t1，t2，t4）T，其中两口井参数t1和t2已知，希望预测剩下的一口井参数t4。同时已经从地震数据中提取了对应于三口井位置的三種地震属性：

（1）

A'中每一列代表一个属性，每一行对应一口井参数。

首先将三个地震属性模糊自组织聚类，并将聚类数据作为第四个地震属性s4。其次将地质、开发、岩石物理等资料综合分析聚类特征，构造出一个虚拟井参数t3。

然后用已知的三口井参数P（x，y，z）=（t1，t2，t3）T和聚类得到的第四个地震属性进行模式识别，即P（x，y，z）=F[A（x，y，z）]，其中F[...]表示某种变换关系。x，y，z表示对应的工区坐标。

由于P（x，y，z）和A（x，y，z）一般情况下都是一种非线性关系，那么可以先线性拟合出两者的最佳线性关系F[A（x，y，z）]，再用径向基神经网络来估计它们的非线性残差r[A（x，y，z）]，即：

P（x，y，z）=F[A（x，y，z）]+r[A（x，y，z）]                                  （2）

当加入地震相约束的时候，由于虚拟井参数t3是由地震相属性s4估计出的，所以存在很好的相关性，这样能够让F[A（x，y，z）]更容易的拟合，减小误差。F[A（x，y，z）]与P（x，y，z）间总是存在误差E（x，y，z），即：

E（x，y，z）=P（x，y，z）-F[A（x，y，z）]                     （3）

接下来用A（x，y，z）作为输入，E（x，y，z）作为输出，来训练径向基函数神经网络。径向基函数神经网络是一种输入层、隐含层和输出层的三层前向神经网络。隐含层由一组径向基函数构成，常选用高斯函数。对于隐含层神经元的个数、中心及宽度的确定，可以采用基于最近邻聚类学习算法，动态的进行网络参数和结构两个过程的自适应调整，其输出函数为：

（4）

其中高斯函数半径r的大小决定了动态自适应径向基函数神经网络的复杂程度，越小越复杂，通过实验选取为0.04。a是输入矢量，即A中的一行，k表示逐次寻找聚类中心的第k次，ci是第i个基函数的中心，与a具有相同维数的矢量，M是隐含层神经元个数。

训练结束后，模式识别时径向基函数神经网络的输出R（a）可写为：

（5）

式中wi是训练好的隐含层和输出层间的权值，M是隐含层神经元个数，fi（a）是径向基函数。那么最终模式识别的输出结果P（a）可以表达为：

（6）

式中F（a）是多元线性回归的计算结果，R（a）是径向基函数计算的残差，a表示输入的一组地震属性矢量。

二、实际应用

DF1-1气田在2001年和2007年分别进行了地震采集，并做了基础数据和监测数据的时移匹配。时移监测区域是一个较平缓的背斜构造，总长度约16km。主力气层分为两个气组，I气组是H1和H2层间，II气组是H2和H3层间。

首先对工区所有已知28口开发井实测的压力差异数据进行统计。如图1，工区整体压力差范围在0.5MPa～4.5MPa之间，而且压力差在1～3.5MPa间最为集中。

接下来根据基准样本井，以它的时移压力差（1.5MPa）作为压力差异基准。结合工区所有井时移压力差分布范围（图1），建立如表1所示的虚拟井的压力差异数据，其中I气组4口虚拟井，II气组3口虚拟井。

最后，用前述地震属性的组合预测流程分别计算压力差异，如图2。I气组是主力产气层，压力下降较大，尤其在CDP1300-2500段的背斜构造上。而II气组采气量较小，压力下降不大，集中在CDP1500-2100的背斜构造区。以油藏数值模拟建立的压力差异变化模型作为误差校验如表2，二者表现出了很好的一致性趋势。

三、结论

对于地震多屬性的优化可以分为有井条件下的物性优化和无井条件下的纯数学优化。当然在有井条件下也可以进行两个方面的组合优化，即首先进行地震属性与井参数的相关性与相容性分析;然后进行属性间的独立性与冗余性分析，从而进一步保证地震多属性分析的可靠性。

对于地震相分析可以通过地震多属性的平面聚类分析、地震多属性的主成份融合分析、地震体属性的纵向演化分析等方面的综合研究，来进一步挖掘地震属性在油气勘探中的应用前景。

对于少井勘探区域，可以利用地震属性的聚类即地震相分布特征，来构造并增加神经网络学习训练的虚拟样本井，从而提高地震属性表征油藏参数的可靠性与有效性。

参  考  文  献

[1]王永刚，乐友喜，张军华著，地震属性分析技术，山东东营：中国石油大学出版社，2006

[2]刘企英著，利用地震信息进行油气预测，北京：石油工业出版社，1994。

[3]鲍祥生，油藏注水开采中监测技术的研究与应用，西南石油学院硕士学位论文，2003。

[4]丁峰，地震属性分析系统的研制与应用研究，西南石油学院硕士学位论文，2004。

[5]鲍祥生，时移地震属性的分析与应用，西南石油大学博士学位论文，2006。

[6]丁峰，高精度地震属性技术研究及其系统实现，西南石油大学博士学位学位论文，2008

[7]古发明，地震属性的优化方法研究与地震相分析，西南石油大学硕士学位论文，2009

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

[9]丁峰，尹成，徐峰等，一种基于灵敏属性分析的相关聚类属性优化方法，石油地球物理勘探，2008，43（5）：568-572

[10]丁峰，尹成，朱振宇等，利用改进的自组织网络进行地震属性分析，西南石油大学学报（自然科学版），2009，31（4）：47-51

[11]赵虎，尹成，朱仕军，多属性融合技术研究，勘探地球物理进展，2009，32（2）：119-121

[12]赵虎，尹成，张华光等，属性技术在油气检测中的应用，重庆科技学院学报（自然科学版），2009，11（4）：36-37

[13]尹成，王治国，雷小兰等，地震相约束的多属性储层预测方法研究，西南石油大学学报（自然科学版），2010，32（5）：173-180