地震相不同分類方式的作用及在儲層預測中的應用

2013-08-07 06:06:48閆安菊閻建國全紫荊牛立群

物探化探計算技術 2013年3期

閆安菊，閻建國，2 ，全紫荊，高雪，牛立群，張薇

（1.成都理工大學地球物理學院，四川成都 610059；2.成都理工大學地球探測與信息技術教育部重點實驗室，四川成都 610059）

0 前言

地震相分析是地震資料解釋的一項重要方法技術，在沉積相分析和儲層預測等方面有著廣泛地應用。隨著地震勘探的不斷發展，我們可以利用更多的地震信息，并從體～面～線等方面全面地進行地震相分析，這對于提高地震相分析的精度和擴大地震相分析的應用范圍具有重要意義。

現在工業界常用的Stratimagic軟件，提供了三類不同劃相分類技術［1］：

（1）基于地震道（Trace）的波形形狀神經網絡地震相分類劃相。

（2）基于圖（Map）的地震屬性圖的神經網絡及模糊聚類地震相分類劃相。

（3）基于地震數據體的多屬性分級分類地震相體劃相。

這些技術從輸入的地震屬性到具體的分類技術以及劃相分類所針對的地震數據都有所不同，因而它們的適用范圍和使用原則也顯然有所區別。本文作者在前人研究的基礎上，通過具體使用Stratimagic軟件的各種分類方法并仔細對比各種方法結果后認為：

（1）基于地震道的地震波形分類技術，應作為反映儲層層段內儲層地震響應特征整體變化的主要方法。

（2）圖分類技術是在地震屬性平面圖基礎上得到的分類結果。

（3）體劃相技術可以得到儲層段內每一個樣點分類值，同時反映了地震相的縱向和橫向變化，具有較大的應用價值。

作者在本文中，通過對實際資料的實例分析，說明了上述三種分類技術的特點和作用，得出了有關結論，為今后利用Stratimagic軟件進行地震相分析提供了重要參考價值。

1 三種分類技術的方法原理

自組織神經網絡分類是Stratimagic軟件中最主要的分類方法，只是各分類方法所輸入屬性數據體不同。具體分類理論如下所述。

1.1 自組織神經網絡分類方法及參數選擇

自組織神經網絡是一種具有自學習功能的神經網絡，由兩層組成。輸入層中神經元在一維空間中排列，而輸出層的神經元可以是多維的，并且輸出節點與鄰域的其它節點廣泛互連。神經網絡在地震層段內對實際地震道進行訓練，通過幾次迭代之后，神經網絡構造合成地震道，然后與實際地震數據進行對比，通過自適應試驗和誤差處理，合成道在每次迭代后被改變，在模型道和實際地震道之間尋找更好的相關。與聚類模式不同的是，其分類的數量并不嚴格，模型道與其相鄰道具有較高的相關性［2］。

在利用Stratimagic軟件進行地震相分析時，對地震相劃分結果起重要作用的主要有三個參數，即①選擇interval層段的大小；②波形分類數；③迭代次數［3～5］。

（1）Interval層段時窗選擇的原則。Interval層段是在以兩個層位之間，或某個層位加上限、下限范圍的地震數據的集合。對于等厚時窗Interval層段的選取，最好是大于半個相位，并小于150ms。因為太大的Interval層段會包含太多的模型，給解釋帶來困難，物理意義也不明確。而對于非等厚時窗的選擇，可以選取主要目的層段或頂底界面建立Interval層段。

（2）波形分類數的選取原則。波形分類數是指在整個感興趣的層段內所遇到的地震道的種類數，較為理想的分類數是不容易定義的，建議至少計算三次去估計該參數。粗略且實用的估計方法有：①把層段厚度除以“6”，作為第一次計算的分類數；②把上次計算分類數的50%，作為第二次計算的分類數；③把第一次計算分類數的150%，作為第三次計算的分類數。

正確的分類數應取決于所要研究的目標和對數據的了解程度，分類數大，結果過于詳細；分類數小，結果過于粗糙。在一般情況下，①分類數是在5～30之間；②分類數不能超過層段樣點數的一倍；③超過15類～20類，通常是很難管理和解釋的。

（3）迭代次數的選取原則。迭代次數是神經網絡方法中的一個重要參數，通常情況下，神經網絡大約在10次迭代后就收斂到實際結果的80%，這對于快速瀏覽以下很方便有效。在實際應用中，10 次～20次迭代已確保較好的分類，但對于最終解釋最好選用20次～40次迭代，以保證網絡收斂最佳。

分類數和迭代次數選取是否合理，可以利用模型道的交會圖和模型道之間的差異性進行分析。圖1是處理后的模型道波形圖。圖2（見下頁）是其對應的交會圖。一般來講，交會圖（見圖2）中各類的分布近似于圓形或半橢圓、且各類分布均勻、各模型道之間的差異保持恒定（即模型道下紅色線為直線），此時表明分類數和迭代次數合理。

1.2 三種分類方法的工作流程

1.2.1 道（Trace）分類模式

道（Trace）分類模式是從單一或多元地震數據體中對道形態的數據分類［6］。

Stratimagic使用自組織神經網絡算法劃分地震相就是基于地震道的波形狀變化情況，將地震數據樣點值的變化轉換成地震道形狀的變化來進行分類處理的。大多數情況下是按照地震道的形狀進行分類，層段可以是一個等厚或非等厚層段，地震體也可以是振幅、相位、頻率或者其它的加載到Stratimagic中的數字化屬性數據，如波阻抗或孔隙度剖面等。

圖1 模型道波形圖Fig.1 The waveform model picture

圖2 分類交會圖Fig.2 The crossplot of classification

地震相處理遵循下列工作流程：

（1）創建一個層段。

（2）從層段中建立地震道的神經網絡培訓數據。

（3）如果需要的話，對模型道進行分析并對上一步再迭代。

（4）按模型道對實際數據進行分類。

（5）用神經網絡技術進行分類處理的檢驗。

（6）若需要，進一步迭代。

1.2.2 圖（Map）分類模式

圖（Map）分類模式是從多元屬性中對數據進行分類。

該技術方法是在一個層段內調查地震信號的變化性的另一種方法，它使用屬性圖（如層、層段屬性和地震相）。其主要輸入數據的類型包括層段屬性、層位屬性、沿層屬性，以及其它模式分類的結果圖。該技術既可用于等厚層段，又可用于非等厚層段，其多屬性地震相圖劃分流程（MAFM）如下：

（1）創建一個層段（可變厚度或等厚度），計算層段屬性和與之相關聯的層位屬性。

（2）如果你想包含一個等厚地震相作為屬性之一，計算一下地震相。

（3）使用神經網絡技術對已選擇的屬性進行分類。（4）劃分結果的檢驗。

（5）若需要，使用不同的參數（屬性、層段、分組數）進行進一步迭代。

1.2.3 體（Block）分類模式

體（Block）分類模式是從多元三維數據體中對樣品數進行分類［7］。

地震相體分析技術即可以用于單一屬性體，也可以用于多屬性體的地震相分析，其結果是一個單一的3D 地震相體，即每一個采樣點都被賦予了一個類別數和顏色。它主要輸入數據的類型包括原始三維數據體和三維數據體的衍生屬性（例如瞬時振幅、瞬時頻率、瞬時相位、波阻抗、泊松比、截距、梯度等疊前和疊后三維屬性體）。由于地震相體本身只說明了某種或某幾種地震信號的異常情況，要賦予其地質意義需要有更多的地質信息，主要是井的信息。因此，在整個地震相體分析方法流程中，地震相結果的解釋和與井的標定是十分重要的。其基本工作流程是：

（1）創建一個數據體（block）。

（2）單屬性或多屬性體的的輸入。

（3）用主成份分析優化屬性，從而確定其最佳分類數，迭代次數。

（4）使用神經網絡技術對已選擇的屬性進行分類檢驗。

（5）對生成的地震相體做沿層或等時切片。

（6）觀察其切片來做地震相圖的解釋。

2 三種分類模式各自的特點和應用條件

地震相是沉積相在地震剖面上的映射，它是指有一定分布范圍的三維地震反射單元，其地震參數如反射結構、幾何外形、振幅、頻率、相位、連續性和層速度，皆與相鄰單元不同［8～11］。它代表產生其反射的沉積物的一定巖性組合、層理和沉積特征。

（1）道（Trace）分類利用的是波形結構進行分類。波形結構與沉積地震厚度、反射結構、反射振幅、物性等密切相關，能夠較好地反映地震相。通過波形的變化來區分不同沉積相帶，適合較大范圍以及大的沉積相帶的劃分，其主要影響因素是分類數的確定以及地震資料的品質。

（2）圖（Map）分類的輸入是地震數據經過數學變換獲得的地震屬性。屬性與地層的巖性相關，巖性的變化主要通過波阻抗差異的變化表現出來，因而主要說明不同相帶內的巖性不同。當Map模式輸入數據為層段屬性時，具有統計特征，分類結果可能與Trace模式分類結果有一定的可比性，也可能存在差異，其原因在于相同的層段內不同的波形可能對應著相同的層段屬性，或者即使波形相似，而屬性值也存在顯著差異。

（3）體（Block）分類主要是給每個地震采樣點都分配一個地震相分類數值和顏色，實現縱向和橫向地震相同時劃相分析，也主要是跟巖性相關。這對于了解巖相、沉積相、地層或儲層特征的三維分布具有重要的意義。

3 實例分析

為了驗證上述方法的有效性，作者對BKQ 地區實際資料進行了處理。根據研究工區現有物性資料，二疊系夏子街組儲層主要是砂礫巖，平均孔隙度為11.1%。根據電性、沉積及地震響應特征可劃分為兩段，自上而下分別為夏子街組二段（P2x2）和夏子街組一段（P2x1）。各種分類結果分析如下。

3.1 道劃相和圖劃相結果的對比

我們以夏子街的二段建立了目標分析層段，時窗大小約100ms。分類模式在劃分的時候均采用的是神經網絡算法，選取的分類數為10，迭代次數為30，樣點數4＊4。

（1）通過對單屬性trace分類的結果圖和相關圖的分析可知，在上述層段，選用原始振幅數據體，采用神經網絡劃分的trace地震相圖和相關圖分別如圖3和下頁圖4所示。

圖3中白色虛線框內的波形特征與研究區中其它地方波形分類平面分布有顯著差異，結合根據測井資料中井的信息的標定，可推知白色虛線框內為研究區中有利儲層的平面展布，即落在第5和第6類。

在圖4中與圖3中白色虛框區域內的相關系數達到了90%以上，即圖中深藍色所示。表明波形分類后的模型道和實際道的相關性很高。

（2）通過在同一層段下，對單屬性的map分類分析可知，圖5（見下頁）是直接提取層間屬性—樣點振幅下的平均值后的層間屬性圖，圖6（見下頁）是圖5中的這一層間屬性作為map分類的輸入后經過map分類所得到的圖。

因為地震屬性是多種復雜地質因素或參數的綜合反映，利用地震屬性來解析地質參數問題是一個由果求因的過程，其多解性和復雜性是顯而易見的，特別是單一地震屬性在進行儲層預測時多解性強。根據已知資料分析，下頁圖5所得結果對實際情況的反映不如圖3。

圖3 道分類后地震相圖Fig.3 Traces classification map

另外，對比圖6與圖5可以發現，展布規律大致相同，說明map分類模式所得結果與原始屬性圖類似，雖具有統計性，但意義不大。

3.2 體劃相和圖劃相的結果對比

在同一層段下，用原始振幅數據體做block分類后沿頂層做的切片和沿頂層提取的振幅屬性所做的map分類結果，分別如圖7 和圖8 所示。

圖7是體劃相后沿層段頂層切片的結果。

圖8是沿同一位置提取屬性后再經圖分類后的結果。

通過對比分析圖7與圖8表明，在輸入數據的位置、類型、分類方法、分類數相同的情況下，采用block和map兩種模式獲得的平面展布規律一致，即map模式僅僅是Block模式分類的一個特例。

3.3 三種分類模式各自在儲層預測中的作用

從前面的原理特點以及應用實際分析表明，trace分類對地震相的劃分是一個較為有利的方法，block模式輸入反應儲層的物性特征參數，例如（振幅，頻率，吸收屬性，阻抗等）其分類結果僅僅是一個分類數，不具備直觀的地質意義，需要根據建立的準則制定每類的地質含義以及與儲層的關系。考慮到輸入屬性的種類、特點，準則的建立可以通過數值模擬正演、測井分析、井旁地震道分析等單一的或綜合的手段，將分類結果與儲層聯系起來，從而實現儲層或流體的橫向展布檢測，三種分類模式在儲層預測中的應用流程如下頁圖9所示。