基于地震属性的淮南潘集外围太原组煤系气储层含气性预测

丁海，臧子婧，吴海波

（1.安徽省煤田地质局勘查研究院，安徽合肥 230088；2.安徽省非常规天然气工程技术研究中心，安徽合肥 230088；3.安徽理工大学地球与环境学院，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

我国的非常规天然气资源具有总量多，分布广，开发利用价值大等特点[1～4]。煤系气是常见的非常规天然气资源，在实际工作中，由于复杂的地质条件和高昂的开采成本，使得煤系气的资源利用率不高，因此，如何准确预测煤系气含气量的分布是煤系气资源开发利用的重要前提[5～9]。煤系非常规气的地球物理响应特征与常规油气之间存在明显差异，因此，用于常规油气储层的地震预测技术，并不能很好地适用于煤系非常规气储层预测[10]；但以常规油气勘探的技术方案为蓝本，形成适用于煤系气储层的评价方法和技术思路，值得尝试，也是解决煤系气储层精准评价的捷径。

现阶段储层预测与评价已由线性方法发展到非线性领域，并逐步向着智能化方向发展。人工神经网络预测算法是目前应用范围最广的非线性预测算法，该算法具有精度高、速度快、函数拟合能力强等一系列优点，尤其适用于解决非线性问题[11～13]。针对常见的储层预测与评价问题，人工神经网络能够很好地用于表征地震响应参数与地层参数（含气性、孔隙度、裂缝密度等）之间的非线性映射关系。

根据两淮地区典型沉积柱状剖面，淮南煤田太原组含煤岩系由碳酸盐岩和碎屑岩交互组成，反映了本组沉积时陆表海水进退频繁。该组厚90～150 m，平均厚度约112.05 m。该组岩性主要由深灰-灰色石灰岩、砂岩、粉砂岩、泥岩、碳质页岩和煤层等组成，其中含碳酸盐岩11～13层，主要是其泥页岩有机碳含量平均可达2.25%，且含气性较高，为较好的烃源岩及含气储层，但由于其烃源岩多为薄互层，其单层烃源岩厚度一般小于5 m，因此对于淮南煤田太原组煤系储层含气性预测难度较大，且相关研究工作开展较少[14～15]。

因此，本文针对太原组煤系气储层的含气性预测问题，尝试通过优选出与煤系储层含气性相关性好的多类型地震属性，并基于人工神经网络预测模型，提出一种适用于煤系气储层的含气性预测方法，并利用实测的煤系气样本数据来论证其预测精度。

1 研究区概况

本次研究区位于淮南煤田潘集外围地区，区内无大型褶皱发育，分布有少许断层，预测的目标储层为太原组煤系气储层，埋深为1898～2003 m，组内分布有4 段煤层。本次数据处理采用的二维地震测线为pjww19-20 线以及pjwwL11 线，测井数据则为潘集外围的19-20-1井，其中，井位置处有3个不同深度的样本提供煤系气含气量数据。研究区概况如图1所示。

图1 潘集外围研究区位置Figure 1. Location of the study area in the outskirts of the Panji mining area

两条十字交叉测线的地震剖面如图2 和图3 所示，其中，在pjww19-20 测线地震剖面的CDP-150 和CDP-590 附近，各发育有一正断层，贯穿T13 煤，其余地层连续且无明显褶曲与断层，地层总体沿测线方向上倾。对于pjwwL11 测线地震剖面，在CDP-1315 发育有一正断层，断层贯穿T13 至T0，地层总体沿测线方向下倾。

图2 pjww19-20测线地震剖面与构造解释Figure 2. Seismic profile and structural interpretation of survey line pjww19-20

图3 pjwwL11测线地震剖面与构造解释Figure 3. Seismic profile and structural interpretation of survey line pjwwL11

2 地震属性提取与优选

2.1 多类型地震属性的提取

基于过19-20-1井的pjwwL11线、pjww19-20线两个交叉测线的地震剖面数据提取17种初始地震属性用于优选。具体的地震属性类型与测线长度信息见表1。

表1 各测线提取的地震属性Table 1. Seismic attributes extracted from each survey line

2.2 敏感地震属性优选

由于二维地震剖面只能做地震道分析方面属性的提取，顺层提取的振幅等属性只是一条指示属性值的色带，不能像三维数据体一样延展成为一张切片，提取的地震属性随机性和偶然性均较大，且二维地震能够有效提取和解释的地震属性类型有限，而具有明确地质意义与预测目标相关性无法直接确定[16～18]。因此，有必要对提取到的地震属性进行分类优选，以确保优选出的地震属性集对预测目标反映最敏感且相互独立[17]。为此，采用聚类分析的方法进行地震属性分类优选，以进一步提高储层含气性预测的精度。具体的优选方法以pjww19-20测线为例，包括：

（1）将井位置处不同深度的煤系气含气数据和对应的地震属性进行归一化处理后，按照公式（1）计算出各属性和煤系气含气量（归一化后）的相关系数，优选出相关系数较大的6种。pjww19-20测线各属性与煤层含气量的相关系数如表2所示。

（1）式中：xi为归一化后各个属性；y为归一化后的煤层含气量数据。

（2）将归一化后的6 种地震属性作为行向量组成矩阵rij，按照公式（2）计算各行之间距离系数并进行分类，得出如图4 所示属性聚类分析图，其中，1～6 编号分别对应表2中的地震属性顺序。

图4 pjwwL11测线地震属性聚类分析结果Figure 4. Cluster analysis results of seismic attributes of survey line pjwwL11

表2 井位置的优选地震属性与煤系气储层含气量相关系数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为距离系数；m为地震属性数量；矢量Xi=(xi1,xi2,…,xim)和矢量Xj=(xj1,xj2,…,xjm)是矩阵rij的行向量；i，j=1，2，3，…,n。

图4 所示，6 种地震属性可大致分为四大类，即编号4、编号2、编号1 和其他三类属性。对比表2，分别从各类中挑选出相关系数最大的地震属性，即瞬时带宽、瞬时Q值、瞬时主频以及简单差异体4 个属性，作为本次含气量预测的地震属性集。pjww19-20 测线优选出的太原组地震属性如图5所示。

图5 pjww19-20测线煤系气储层优选属性Figure 5. Optimized attributes of the gas reservoir in coal measures of survey line pjww19-20

pjwwL11 测线所提取的17 个地震属性优选步骤如上，此处不再赘述。优选出的太原组地震属性如图6所示。

图6 pjwwL11测线煤系气储层优选属性Figure 6. Optimized attributes of the gas reservoir in coal measures of the survey line pjwwL11

从优选的地震属性来看，多具有明确的地质含义，且与目标储层的含气性识别具有一定的相关性。其中瞬时带宽显示了随着地震特征变化的整体吸收效果；瞬时主频常用于对特定地区的横向异常的追踪；简单差异体属性能指示地震衰减特征，能反映岩性尖灭点，亮暗点以及油气的方位异常；瞬时Q值与地震波衰减吸收系数成反比[19～20]；甜点属性可用于识别薄层和其他地质体外形特征；瞬时加速度属性可以指示由层理差异引起的变化，可预测储集层流体边界。

3 煤系气储层含气性预测结果与分析

3.1 人工神经网络预测模型

人工神经网络（Artificial Neural Network，简称ANN），是20世纪80年代以来人工智能领域兴起的研究热点。简单来说，它是一种模拟人脑神经系统处理复杂问题的数学模型，在进行信息处理时，它不需要知道输入输出之间的确切关系，仅仅通过各层神经元之间信息的传递、学习、转化就能逼近任意函数。因此相比较传统的数据处理方法，人工神经网络技术在处理模糊数据、非线性数据以及随机性数据方面具有明显优势，具有并行性高、自适应学习能力强、联想能力强、容错性高等特点[21～23]。

其中，BP 神经网络是目前最常用的一种神经网络预测方法，由Rumelhant 和Mcllelland 在1986年提出。整个网络由输入层、隐藏层和输出层组成[24]，其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行，直到网络输出的误差满足精度要求，或进行到预先设定的学习次数为止。

本次预测样本的输出为井位置处3个不同深度的煤系气储层的含气量数据，输入为优选地震属性数据，预测结果的输出则为整个太原组的煤系气储层含气量情况。具体算法如下：

（1）网络初始化，输入学习样本，学习样本由输入信息和期望输出两部分组成。

（2）把输入信息输入到网络中，进行网络正向传播。

（3）网络分别计算经神经元处理后的各层节点的输出。

（4）计算网络实际输出和期望输出的误差。

（5）若误差精度不满足要求，则将误差信号按照原来的通路反向传播，并逐层调整网络中各神经元的连接权值。

（6）重复（3）～（5）的步骤，直到整个学习样本误差达到要求时为止。

（7）基于训练好的预测模型，输入整个太原组段的优选地震属性信息，完成太原组煤系气储层含气量的预测。

3.2 预测结果分析

pjww19-20测线太原组目标储层含气量预测结果如图7所示，井位置预测含气量结果与实测结果对比见表3。pjwwL11测线太原组目标煤储层含气量预测如图8所示，井位置预测含气量结果与实测结果对比见表4。

图7 pjww19-20测线目标储层含气量预测结果Figure 7. Prognosis of gas content in the target reservoir of the survey line pjww19-20

表3 井位置含气量预测值与实测值对比Table 3. Comparison between predicted and measured gas contents at the well location

图8 pjwwL11测线目标储层含气量预测结果Figure 8. Prognosis of gas content in the target reservoir of the survey line pjwwL11

表4 井位置预测值与实测值对比Table 4. Comparison of predicted and measured gas contents at the well location

由预测结果可大致推断，pjww19-20 测线太原组内主要含气层的含气量基本在0.76 m3/t 左右，而pjwwL11 测线含气量在1.05 m3/t 左右，除了局部有少量富集现象之外，两条测线的太原组煤系气储层含气量差异较小，pjwwL11 测线煤系气储层含气量略高。两条测线井位置的预测值与实测值误差均较小，准确率都在90%以上，预测结果精度高。

4 结论

（1）对于常规地震属性分析技术存在的地震属性参数地质意义不明确的问题，本文针对煤系气储层含气性预测这一目标，利用聚类分析的方法，优选出了对煤系气储层含气量反应最敏感且相互独立的多种地震属性，充分并精准挖掘了地震属性信息。

（2）基于优选的地震属性利用人工神经网络预测模型对两条交叉测线太原组煤系气储层含气量情况进行预测，并与实测结果对比表明，各样本处煤系气储层含气量的预测值精度均在90%以上，验证了基于敏感地震属性预测煤系气储层含气量的有效性。