利用Kohonen神經網絡劃分二維地震相——以柴達木盆地E區風險勘探為例

劉小洪，馮明友，楊午陽，孫 輝，魏新建，劉 哲

（1.西南石油大學資源與環境學院；2.中國石油勘探開發研究院西北分院；3.中國石油長慶油田分公司勘探部）

利用Kohonen神經網絡劃分二維地震相
——以柴達木盆地E區風險勘探為例

劉小洪1，馮明友1，楊午陽2，孫 輝2，魏新建2，劉 哲3

（1.西南石油大學資源與環境學院；2.中國石油勘探開發研究院西北分院；3.中國石油長慶油田分公司勘探部）

為研究柴達木盆地E區大型背斜構造沉積相及砂體展布規律，在二維地震數據閉合差校正、鄰區井標定引入及精細層位解釋基礎上，利用改進算法的Kohonen神經網絡技術開展二維地震相劃分研究，識別出三角洲前緣水下分流河道、分流間灣及灘壩等微相。本文研究認為，研究區古流向為南東—北西向，儲集砂體較發育，主要富集于研究區中部，現今構造東高點位于有利沉積相帶。改進算法的Kohonen神經網絡二維地震相劃分技術補充了沉積相研究成果，適合于西部二維地震資料覆蓋的風險探區，具較強的推廣價值。

Kohonen；神經網絡；地震相；沉積相；柴達木盆地

0 引言

地震相指特定沉積相或地質體在地震振幅、相位、連續性及反射特征組合中的綜合響應。地震相分析即以實際地質資料為基礎，利用地震參數并結合其它資料進行綜合沉積環境解釋的過程。

地震相研究的核心為神經網絡技術［1-4］。神經網絡技術主要分為有監督的神經網絡技術（應用于勘探中后期及開發期）和無監督的神經網絡技術（多應用于勘探前期），多名學者［5-10］曾利用神經網絡技術開展地球物理方面的研究。

研究區位于柴達木盆地北部風險勘探區，該研究區二維地震資料豐富，有監督的神經網絡技術受限。本文開發出二維地震相分析及成圖軟件，利用Kohonen神經網絡技術對地震道波形進行分類并將此分類形成離散的“地震相”；再根據“擬合度”準則對實際地震道進行對比和分類，細致刻畫出地震信號橫向變化規律及地震波形平面分類特征；最后結合相關研究結果對地震資料進行綜合地質解釋，進而開展儲層預測和含油氣性判別研究。

1 Kohonen神經網絡原理

Kohonen神經網絡是無監督學習的人工神經網絡，也稱為自組織特征圖（Self-Organizing Map）。該網絡可實現對輸入模式特征進行拓撲邏輯映射，是一種高維輸入向量向低維輸出向量投影的方法，主要由輸入層、隱藏層（Kohonen層）和輸出層組成（圖 1）［11］。其原理是：模擬生物神經元之間的競爭作用進行信息處理，通過比較輸入樣本間的空間最小距離來不斷調整神經元間的權值，從而使相似的輸入樣本（即優勝神經元）聚集為一種分類，經過每一類反復迭代，最終輸出一組已分類的數據。

圖1 Kohonen神經網絡結構示意圖Fig.1 Structural diagram of Kohonen neural network

2 實現步驟

利用Kohonen神經網絡技術劃分二維地震相的主要步驟為：①對二維地震資料進行去噪處理和閉合差校正，并結合研究區或相鄰區域的測井資料進行精細層位標定，在標定結果上解釋目的層位；②設置地震相分類數，對權值、學習速率及鄰域進行初始化，以地震道值作為輸入樣本；③采用公式（式中 wmn表示輸入樣本到輸出結點的權值；t表示時刻，為正整數）計算輸入樣本xm到每一個輸出結點n之間的距離dn，此距離被稱為Euclidean距離，并選取具有最小距離的結點（n為輸出結點）；④修改n與鄰近結點之間的權值，采用公式 wmn（t+1）=wmn（t）+η（t）［xm（t）-wmn（t）］（式中 η（t）為一個增益項，0＜η（t）＜1，隨時間增加下降至0）修正權值；⑤若增益項的值減小至0，則結果滿意，輸出結果，否則轉換至第二步重新訓練，直至神經網絡收斂為止；⑥對輸出的地震相結果進行分析，將地震相轉化為沉積相。

3 應用實例

3.1 研究區概況

研究區構造位于柴達木盆地北緣斷塊帶鄂博梁—葫蘆山—伊克雅烏汝背斜帶的中段，北鄰昆特依—伊北凹陷，南接一里坪凹陷，呈“兩凹夾一隆”的構造格局。由圖2可看出，研究區現今地表構造為北西—南東向延伸的長軸背斜，背斜長約46 km，寬約8 km，面積約368 km2。由周緣鉆探可知，該區主要目的層為上新統上油砂山組（）、上新統下油砂山組（）、中新統上干柴溝組（N1）3個層位。 多名學者結合頂部構造特征（圖3）、鄰區構造研究成果［12-14］、二維地震資料似“平點”含氣性預測結果［15］等認為，研究區具大型氣藏潛力。但鑒于資料缺乏、沉積特征復雜及構造含氣性不確定等問題，至今該區的勘探仍未能突破。

圖2 研究區構造位置圖Fig.2 Structural location of the study area

圖3 研究區頂部時間構造圖Fig.3 Time-structure map for the top ofin the study area

研究區內二維測線經連片處理，測線交點處的時差、振幅、相位、頻率基本閉合，二維地震測網為2 km×3 km～2 km×4 km，分布均勻，可滿足平面研究要求。所以，本文利用改進算法的Kohonen神經網絡技術對目的層開展二維地震相劃分研究，并結合沉積相平面研究成果進行綜合分析，以期為沉積相及砂體展布規律研究提供技術支持。

3.2 Kohonen神經網絡地震相劃分

本文利用Kohonen神經網絡技術進行二維地震相劃分的流程主要由二維地震資料預處理、目的層層位精細解釋、地震反射特征分類、地震波形Kohonen神經網絡分析、地震相—沉積相平面對比分析等組成。首先，對研究區34條二維地震測線進行相位校正和波形、振幅及頻率一致性處理，并通過閉合差校正來解決二維地震資料因施工年度、施工因素及處理流程不統一等引起的問題；其次，結合相鄰區域葫蘆山構造井-震標定結果，將標定層位引入研究區，并對研究區目的層進行精細層位解釋；最后根據目的層地震反射同相軸的振幅、頻率、連續性等特征，將地震剖面分為4種類型（對應平面分布如圖3中Ⅰ—Ⅳ所示）：Ⅰ型，同相軸反射呈雜亂型，橫向極不連續，中等振幅，中等頻率，為混合間互沉積（圖4a）；Ⅱ型，振幅為雙強谷夾弱峰型，中等頻率，同相軸橫向連續性中等，為三角洲前緣分流間灣沉積（圖4b）；Ⅲ型，振幅為強谷強峰型，頻率較高，同相軸橫向連續性好，為灘壩砂沉積（圖4c）；Ⅳ型，振幅為強谷強峰型，頻率較低，同相軸橫向連續性較差，同相軸略顯下拉現象，可能為三角洲前緣分流河道沉積（圖4d）。其它地震反射特征介于4種類型之間，難以直接甄別。

圖4 研究區典型地震反射特征剖面Fig.4 Typical seismic sections of reflection characteristics in the study area

在地震剖面分類研究基礎上，沿層提取地震振幅，將振幅波形中不同道的每個采樣點作為輸入數據，送入神經網絡進行學習，反復迭代，修改權值，直至網絡訓練成熟，網絡拓撲趨于穩定，再重新將所有提取的振幅波形送入網絡，從而得到最終的地震相分類結果。在計算時為避免受地震資料品質的影響，本文選擇大時窗進行屬性提取，巖層上、下分別提取16 ms。考慮到地震相分類數過少可能會導致結果失真，首先選擇分類數為8進行分析（圖5a），為使結果突出優勢相且與地質意義相吻合，進一步將分類數合并為4（中間采用過渡色充填）。因此，Kohonen神經網絡地震相最終分類結果（圖5b）能整體反映沉積體系及砂體展布特征。

圖5 研究區頂部Kohonen分類剖面（a）、地震相分類結果解釋（b）及沉積相平面圖（c）Fig.5 Seismic section of Kohonen classification （a）,interpretation result of seismic facies classification （b） and sedimentary facies ichnography （c） of the top ofin the study area

區域沉積相研究成果表明：漸新世早期由于盆地邊緣斷裂活動強烈，盆地整體沉降進入大型坳陷期，研究區接受了一套三角洲相沉積，周邊主要發育濱淺湖相沉積；中新世的沉積環境基本繼承了漸新世沉積格局，研究區繼續接受三角洲相和濱淺湖相沉積，水體范圍有所擴大，但水體淺，為廣泛的弱氧化環境；晚第三紀上新世早期，研究區水體逐漸變深，沉積物顏色變暗，物源豐富，沉積厚度較大。各期有利沉積相帶均為分選較好、儲滲性佳的濱淺湖灘壩及三角洲前緣水下分流河道微相（圖5c）。

3.3 應用效果分析

基于Kohonen神經網絡技術劃分的地震相平面圖細化了沉積相研究成果。本文研究認為：研究區內主要發育三角洲前緣水下分流河道及濱淺湖灘壩等微相，古流向為南東—北西向，砂體廣泛分布，尤其中部地區（今構造高點）相對富集；有利區域（紅—黃色）為三角洲前緣水下分流河道微相（圖3b），現今構造東高點位于有利相帶內。

實鉆表明，構造東高點在N21氣測顯示活躍、儲層發育、測井解釋儲層厚，表明預測結果可信。

4 結論及認識

Kohonen神經網絡技術在淺層氣預測、油氣評價、巖性識別、地震相劃分等方面具有優勢，在運用時需注意以下幾點：

（1）高信噪比的地震資料、規則的測網、準確的層位解釋是進行二維地震相劃分的前提，因此二維地震資料預處理和標定極為重要。

（2）通常選擇較大時窗進行劃分，分類時可對整個數據進行快速掃描以選取最佳分類數。

（3）神經元數量應適中，過多會影響分類速度，過少則導致分類結果重復，影響預測精度。

（4）神經網絡運用前可利用二維地震剖面反射特征進行分析，劃分時需在地質思路的指導下結合其它資料綜合對比，才能全面、準確地得出符合實際的劃分結果。

［1］Ediriwickrema J，Khorram S.Hierachical Maximum Likelihood Classification for Improved Accuracies［J］.IEEE Transon Geoscience and Remote Sensing，1997，35（4）：810-816.

［2］EssenreiterR，KarrenbachM，TreitelS.Identification and classification of multiple reflections with self-organizing maps［J］.Geophysical Prospecting，2001，49（3）：341-352.

［3］Baan M V D，Jutten C.Neural networks in geophysical applications［J］.Geophysics，2000，65（4）：1032-1047.

［4］Taner M T，Berge，Walls J D，et al.Well log calibration of kohonenclassified seismic attributes using bayesian logic ［J］.Journal of Petroleum Geology，2001，24（4）：405-416.

［5］鄧傳偉，李莉華，金銀姬，等.波形分類技術在儲層沉積微相預測中的應用［J］.石油物探，2008，47（3）：262-265.

［6］孫勤華，劉曉梅，劉建新，等.利用波形分析技術半定量預測塔中碳酸鹽巖儲層［J］.巖性油氣藏，2010，22（1）：101-103.

［7］王宏斌，張虎權，衛平生，等.碳酸鹽巖地震儲層學在塔中地區生物礁灘復合體油氣勘探中的應用［J］.巖性油氣藏，2010，22（2）：18-23.

［8］侯斌，桂志先，許輝群，等.應用多屬性神經網絡方法預測油氣［J］.巖性油氣藏，2010，22（3）：118-120.

［9］衛平生，潘建國，張虎權，等.地震儲層學的概念、研究方法和關鍵技術［J］.巖性油氣藏，2010，22（2）：1-5.

［10］楊杰，衛平生，李相博.石油地震地質學的基本概念、內容和研究方法［J］.巖性油氣藏，2010，22（1）：1-6.

［11］Kohonen T.The Self-organizing maps［J］.Proceedings of the IEEE，1990，78（9）：1464-1480.

［12］宋成鵬，張曉寶，汪立群，等.柴達木盆地北緣天然氣成因類型及氣源判識［J］.石油與天然氣地質，2009，31（1）：90-96.

［13］羅群，黃捍東，李玉喜.柴達木盆地北緣淺層滑脫斷裂下盤油氣富集規律及控藏模式［J］.中國石油大學學報：自然科學版，2009，51（3）：34-38.

［14］沈亞，陳元忠，孫維軍，等.柴達木盆地地震地質研究新進展［J］.石油地球物理勘探，2008，43（S1）：146-150.

［15］陳迎賓，張壽庭，萬傳治，等.柴達木盆地鄂博梁Ⅲ號構造地震低速異常識別及成因探討［J］.地球物理學進展，2008，23（6）：1894-1902.

Application of Kohonen neural network to 2D seismic facies division in E area of Qaidam Basin

LIU Xiao-hong1， FENG Ming-you1， YANG Wu-yang2， SUN Hui2， WEI Xin-jian2， LIU Zhe3
（1.School of Resources and Environment， Southwest Petroleum University， Chengdu 610500， China； 2.Research Institute of Petroleum Exploration&Development-Northwest， PetroChina， Lanzhou 730020， China； 3.Department of Exploration，Changqing Oilfield Company， PetroChina， Xi’an 710018， China）

The situation ofE area is hard toproceed deep research and risk assessment bythe absent ofprospectingwell data.Based on seismic mis-tie calibration,adjacent well calibration and fine horizon interpretation,Kohonen neural network method is applied to carry out two-dimensional seismic facies classification of target zone.Microfacies of delta front such as distributary channel,interdistributary bay and sand bar are recognized.The paleocurrent direction is suspected from southeast to northwest.Reservoir sand bodies developed well in the middle of the study area,preliminary prospecting well is located in favorable sedimentary facies.Sedimentary facies division are supplied and refined bythe result ofseismic facies，which can supplysignificant foundation for geometric arrangement ofrisk wells and regional breakthrough.

Kohonen； neuralnetwork； seismicfacies； sedimentaryfacies； QaidamBasin

TE112.221

A

2010-12-20；

2011-02-16

劉小洪，1980年生，女，講師，主要從事儲層沉積學研究。地址：（610500）四川省成都市新都區新都大道 8號西南石油大學資源與環境學院。E-mail：liuxiaohong_swpu@163.com

1673-8926（2011）04-0115-04

郭言青）