神經網絡法在泌陽凹陷地區儲層參數預測中的應用

2011-04-26 03:57:20謝銳杰連小翠朱晶晶油氣資源與勘探技術教育部重點實驗室長江大學長江大學地球物理與石油資源學院湖北荊州434023

長江大學學報(自科版) 2011年4期

胡偉,謝銳杰,連小翠,駱旋,朱晶晶油氣資源與勘探技術教育部重點實驗室(長江大學) 長江大學地球物理與石油資源學院,湖北荊州434023

隨著地震勘探技術的深入發展和勘探工區復雜性的增大,地球物理工作者希望能直接利用地震波特征參數進行儲層參數 (孔隙度、砂巖厚度)的預測。地震波特征參數蘊含著豐富的儲層地質信息,運用地震波特征參數進行儲層橫向預測,是人們認識油氣藏的重要手段[1]。從地震資料中可提取多種不同的地震波特征參數,但影響地震波特征參數變化的因素十分復雜。因此,需要用一組地震波特征參數來研究儲層參數的變化[2]。綜合利用地震波特征參數作儲層預測的方法較多,但傳統的統計模式識別方法和技術還存在諸多不足,如需求的條件多、應用效果難以把握以及操作復雜等。神經網絡理論的出現,克服了上述問題。為此,筆者針對泌陽凹陷的地質情況,選取了二十多種最敏感的地震波特征參數利用神經網絡方法進行儲層參數預測。

1 工區地質概況

泌陽凹陷為中新生界斷陷盆地,其主要地層組包括上白堊統至下第三系中始新統的玉皇頂組和大倉房組、上始新統至中漸新統下部的核桃園組、中漸新統上部的廖莊組、上第三系的鳳凰鎮組 (上寺組)及第四系平原組。核桃園組是泌陽凹陷最主要的地層組成單元,凹陷的烴源層及目前所發現的油氣藏均集中在該地層中。核桃園組自上而下可分為3個地層段,即核一段、核二段和核三段。筆者研究的目的層是核桃園組的核三段地層,其主要含灰黑-深灰色泥巖夾泥質白云巖、白云巖和砂巖,頂部夾薄層天然堿和油頁巖及鈣質頁巖,厚400～4500m。按照地層超覆與不整合關系,核桃園組又可為4個3級層序,每個層序基本上由湖擴張體系域和萎縮體系域組成,即自下而上為退積型扇三角洲體系、湖相加積或進積型沖積體系和進積型扇三角洲體系沉積。

2 地震波特征參數概述

地震波特征參數是表征地震波幾何形態、動力學、運動學和統計特征的物理量,有著明確的地質意義[3],能反映十分豐富的地層信息和油氣信息,因而可以從地震數據中提取各種地震波特征參數用于儲層參數的預測。地震波特征參數多達100多種,在不同地區甚至同一地區的不同層位的地震波特征參數不完全相同[4]。針對泌陽凹陷的地質情況,選取20多種最敏感的地震波特征參數進行神經網絡的儲層參數預測。這些地震波特征參數可分為如下4類:①與頻率有關的特征參數。該類參數主要反映地層巖性、厚度變化等。②與能量有關的特征參數。該類參數主要反映目標層內地層厚度、波阻抗、地層壓力、含流體成分的變化等。③與波形有關的特征參數。該類參數主要反映目標層內古構造特征、古剝蝕面、沉積層序、沉積過程及其連續性等。④自回歸系數。該類參數可以預測油氣藏的類型及油藏邊界。

3 預測原理

利用地震波特征參數進行神經網絡的儲層參數預測時,使用的神經網絡是一種層狀結構的前饋神經網絡即多層感知器,其由輸入層、輸出層、一個或多個中間層組成,每個節點同一層間的節點不相連,只與鄰層節點相連接,多層感知器使用的激活函數是S形函數。多層感知器按訓練方法屬于監督學習型,多采用誤差反傳播算法 (BP算法),該算法利用梯度搜索技術使估價函數最小化[5]。網絡訓練時,開始取一些小的隨機數作為網絡內部各個節點之間連接的權系數和各個節點上閾值的初始值,接著輸入訓練樣本數據,根據網絡得到輸出結果并計算其與期望輸出的差值,并按照一定的規則不斷修改節點內部的閾值和節點間的連接權系數,重復這個過程直至權值收斂,并使估價函數降至可接收值。

訓練樣本中的第p個輸入,輸出層節點k與網絡隱層第j個節點的連接權調節值Δpwkj用下式表示:

式中,Opj為節點j的輸出;η稱學習率;Δpk為誤差項。

如j為輸出層節點,則:

式中,Opk為節點的實際輸出;Tpk為期望輸出;netpk為輸入;f′(netpk)為激活函數對節點總輸入net的導數。

如j為隱蔽層節點,則:

當激活函數 f選用S形函數時:

對于整個訓練集:

由式(5)可見,權值改變的比例常數是學習率。學習率越大,則權值改變量越大,網絡收斂速度也越快。但學習率大會產生震蕩,為改變該狀況,可增加一個沖量項,則權值改變量表示為:

式中,α為比例常數;n+1、n分別表示第n+1步和第n步迭代。

4 預測步驟

基于上述原理,應用地震波特征參數進行儲層參數預測的主要步驟如下:①地震資料的構造精細解釋。對目的層段的頂、底界面作地震構造精細解釋并提取目的層段間的地震數據。②提取地震波特征參數。通過數學運算方法對提取的目的層段的地震數據作數學變換,得到在目的層段不同的地震波特征參數。③神經網絡的訓練。設計神經網絡的結構,然后將井旁地震波特征參數和測井、鉆井、試油、地質等資料綜合評定的儲層參數輸入設計的神經網絡,由神經網絡進行學習,確定神經網絡內部各個節點之間連接的權系數和節點上的閥值。④對儲層參數進行預測。完成神經網絡訓練后,將目的層地震波特征參數按地震道逐道輸入,神經網絡根據訓練時 “學習到的知識”對輸入地震道進行分析,輸出地震道處的儲層孔隙度和砂巖厚度。最后,可以根據得到的孔隙度和砂巖厚度繪制儲層孔隙度和砂巖厚度的平面分布圖。應用地震資料進行儲層參數預測的基本過程如圖1所示。

5 應用實例

通過對泌陽凹陷地區疊前及疊后的油氣預測和控制因素分析,確定H32、H33、H34油層作為重點研究的目的層。在精確儲層標定及精細層位解釋基礎上,在泌陽凹陷地區追蹤了目的層位,沿層開時窗,選取的時窗為目的層位的頂和底界面的時間長度,然后提取前面所述的20多種特征參數,形成特征參數空間。選用了2口井作為學習樣本,其中B198井是儲層發育和含油氣性較好的井,作為油層樣本;而B188井是儲層發育較差、不含油氣的井,作為干層樣本。將井旁地震波特征參數和儲層參數輸入設計的神經網絡進行學習,將目的層地震波特征參數逐道輸入,神經網絡根據訓練時 “學習到的知識”對輸入地震道進行分析,得到預測結果并且繪制成人工神經網絡預測平面圖。

圖1 神經網絡法儲層參數預測框圖

泌陽凹陷核三段3個砂組的儲層參數共用6口井參加預測并檢驗分析,得到孔隙度和砂巖厚度的預測結果如表1所示。從表1可以看出,孔隙度與砂巖厚度預測值與實測值的相對誤差大部分都在20%以內,有少數樣本的預測結果相對誤差比較大,其原因可能是由于實測值過大或過小所導致,但從總體上看利用神經網絡方法預測儲層參數是可行的。