多波地震油氣儲層的自組織神經網絡學習與預測

田高鵬，林年添*，張 凱，楊久強，張 沖

(1.山東科技大學地球科學與工程學院, 青島 266590; 2.山東省沉積成礦作用與沉積礦產重點實驗室, 青島 266590；3.核工業湖州勘測規劃設計研究院股份有限公司, 湖州 313000)

在對油氣田的勘探和開發過程中，如何利用地震數據實現更有效的地震油氣儲層預測，一直是業界研究的熱點和難點，目前常用的地震油氣儲層預測技術主要有AVO(amplitude variation with offset)正演模擬分析技術、地震屬性分析技術、地震裂縫預測技術、巖石物理分析技術、多波地震油氣檢測等[1-2]。

地震屬性是由地震數據導出的關于運動學、幾何學、動力學以及統計特征的度量，其攜帶豐富的儲層信息，目前已廣泛應用于油氣勘探中[3-4]。經過幾十年的發展，目前可提取的地震屬性多達數百種，不同的地震屬性對應不同的地下介質信息，因此如何高效地對種類繁多的地震屬性進行優選優化，以提取有效信息，一直是屬性分析技術的研究方向[5-6]。

近年來隨著機器學習及大數據分析等技術的發展，機器學習算法被廣泛應用于各個行業。對于油氣勘探，特別是地震油氣儲層預測所具有的特點，機器學習算法的快速發展也為本領域諸多問題帶來了更多的解決之道，目前運用比較廣泛的技術有深度學習[7-8]、聚類分析[9]、主成分分析技術[10]、支持向量機[11]、自組織神經網絡等。

自組織神經網絡(self-organizing neural network，SOM)是一種無監督學習方法，具有自學習功能的人工神經網絡，其核心思想是通過自組織自適應地改變網絡參數與結構來自動尋找樣本中的內在規律和本質屬性，可以很大程度地拓寬神經網絡在分類方面的應用[12]。該方法具有良好的自組織學習能力、大規模并行處理、自組織分類等特點，因此該方法十分適用于地震相與地震屬性數據的優選及優化[13]。陸文凱等[14]將自組織神經網絡運用到地震同相軸的識別與追蹤中，并取得了良好的同相軸識別追蹤效果。穆星[15]將自組織神經網絡成功地引入到對地震相的劃分和識別中，實現了對地震相的自動識別分類。張龔等[16]將粒子群算法與自組織神經網絡進行了優化與結合，并將其成功地運用到地震相預測中，大大提高了預測效率與精度。張艷等[17]利用HSV(hue, saturation, value)染色技術對自組織神經網絡算法進行了優化，為分析致密砂巖儲層的分布特征提供了更好的可視化方法。

為了更大程度地提高地震屬性分析的效率以及更充分地挖掘多波地震數據的有效信息，在前人大量研究的基礎上，結合自組織神經網絡及多波地震屬性數據的特點，提出一種基于自組織神經網絡的多波地震油氣儲層分布預測方案。該方案首先對多波地震屬性數據進行預處理及聚類分析，然后針對處理后數據的特點構建合適的自組織網絡模型并對數據進行訓練得到最終預測結果，最后，將得到的預測結果與實際鉆井、地質資料進行比對分析，以驗證本方案對油氣儲層分布預測的有效性及可行性。

1 理論基礎

1.1 聚類分析技術

聚類分析技術屬于無監督學習算法的一種，相比于監督學習算法該方法無需對原始數據進行樣本標記，該算法的核心是讓數據彼此間自主去學習內在特征，最后得以劃分類別。其目的是最大限度地提高類間對象的異質性和同質性[18]。

文中采用的是系統聚類分析，該聚類方法是將研究對象視為多維空間中的一個點，并使用相似性度量描述對象之間關系的一種多元統計形式。在這種方法中，地震屬性根據它們所包含的地層特征信息的相似性逐漸聚合，將地層特征信息之間具有高度相似性的地震屬性優先聚類在一起，最后根據綜合特征將其劃分為多個屬性類，從而完成聚類分析的整個過程[19]。

利用系統聚類對地震屬性進行優選，采用屬性數據間的相似性系數rij作為相似性度量，去確定屬性間的親屬關系。其詳細的計算公式為

(1)

其相關系數rij的矩陣為

(2)

相關系數|rij|(0≤|rij|≤1)表達地震屬性之間的相似性，當|rij|越大越接近1時，表示屬性間的相似性越高，但是當其過于靠近1時，表明兩種屬性所表達的地層信息具有一致性，無需同時使用。當|rij|越小越接近0時，表示屬性間的相似性越低，表明兩種屬性所表達的地層信息具有獨立性。故可以根據相關系數所得到的相似性矩陣，繪制出屬性數據的聚類譜系圖，優選出合理的地震屬性數據集。

1.2 SOM算法的基本原理

自組織神經網絡是一種通過無監督學習網絡來實現數據可視化的技術，該技術目前被廣泛應用于高維數據可視化問題。在SOM網絡中輸入樣本的每個維度都與類別數相同的輸出單元的權值完全相關。同時，每一個自組織映射輸出都與其鄰域相連，在二維平面中鄰域通常形成六邊形或矩形結構圖，如圖1所示。SOM輸出神經元的數量可以使用輸入數據協方差矩陣的兩個最大特征向量之間的比率來定義[20]。自組織映射網絡可以組織一個保持輸出單元之間自然關系的拓撲圖，在輸入空間中彼此靠近的點被映射到SOM中靠近的輸出映射單元。

圖1 SOM神經網絡模型

假設自組織神經網絡輸入的地震屬性樣本數據為xi=(x1,x2,…,xN)，N為地震屬性樣本個數。SOM的神經網絡為m行n列，總共有y=m×n個網絡節點，其每個節點對應一個權重向量，記為wij，i=1,2,…,N，j=1,2,…,y。計算地震屬性樣本數據xi與權重向量wij的歐幾里德距離，與輸入數據距離最小的神經元為最佳匹配單元，距離度量為

(3)

式(3)中：j為輸出層神經元數目；dj是神經元的權重與輸入樣本之間的距離。

選擇最近的神經元作為最佳匹配單元，記為(m′,n′)，鄰域是由受最佳匹配單元影響的鄰近區域組成，如圖2所示。因此定義鄰域函數H為

圖2 神經元權值調整示意圖

(4)

或

(5)

式中：(m,n)為最佳匹配單元的鄰近位置；l為鄰域半徑。

設置學習率為α，更新鄰近神經元，更新準則為

(6)

式(6)中：wij(t+1)為第t+1次迭代過程中第j個節點的權重向量；H(t)為鄰域函數；α(t)為學習速度參數；H(t)和α(t)均隨迭代次數t增加而減小。

隨著訓練的推進，鄰域半徑由大逐步縮小到零，從而保證網絡收斂。當自組織神經網絡收斂或達到指定迭代次數時，網絡訓練完成。

2 基于自組織神經網絡的地震油氣儲層分布預測方案

通常的地震屬性分析只提取縱波的地震屬性數據，但是單一縱波地震屬性數據在之后的分析中會面臨多解性問題，所以本方案針對多波地震數據的特點，分別提取縱波與轉換橫波的屬性數據進行對比分析。雖然自組織神經網絡具有一定的聚類能力，看似可以實現對多種地震屬性數據直接進行聚類劃分，得到預測結果，但是由于其相鄰神經元之間具有較高的相似性，所以直接用該網絡直接對地震屬性數據進行油氣預測，往往達不到預期的效果。故在提取多波地震屬性后，首先結合專家經驗對多波地震屬性數據集進行系統聚類分析，提取對油氣儲層敏感的多波地震屬性，然后針對縱波與轉換橫波地震屬性數據的特點，構建多波地震復合屬性，以此作為自組織神經網絡的輸入樣本數據，最后利用自組織神經網絡實現對油氣儲層的預測，其實施流程如圖3所示。

圖3 基于SOM的多波地震油氣儲層預測模型

2.1 多波地震屬性優選及優化

2.1.1 多波地震屬性數據的預處理

從地震數據直接獲取的地震屬性數據中往往會存在過高或過低的異常值，異常值的存在會影響后續自組織神經網絡的訓練過程及結果。因此，在自組織神經網絡訓練預測之前需要去除異常值，采用萊特準則進行異常值剔除處理。此外由于獲取不同的地震屬性所采用的算法不同，所以各個地震屬性數據之間的量綱存在較大差別，需利用式(7)對不同的地震屬性數據進行歸一化處理。

假設地震屬性集為S={c11,c12,…,c1j,c21,c22,…,c2j,…,cij}，cij為其中任一地震屬性值，則歸一化的地震屬性可表示為

(7)

2.1.2 多波地震屬性優選

利用地震屬性分析技術可提取各類不同地震屬性。雖然眾多地震屬性可以提供豐富的地下信息，但是也會出現地震屬性數據信息重疊和贅余現象。因此，一個合理且快速地優選地震屬性的方法是實現地震油氣儲層有效預測的基礎。采用系統聚類分析算法對地震屬性數據進行降維，并結合專家經驗優選出對地下油氣藏最為敏感的地震屬性。聚類分析方法可以快速有效地降低屬性數據的冗余信息，利用專家經驗與之結合可以在保證效率的同時提高優選的精度。

2.1.3 構建多波地震復合屬性

大多數獲取地震復合屬性的方法都是基于單一縱波數據的，但是在實際應用中發現轉換橫波也可以提供大量真實有效的地下儲層信息。因此利用二者之間的數據特點合理地構建多波地震復合屬性，對有效預測地震油氣儲層分布具有重要作用。利用縱波和轉換橫波信息構建的多波地震復合屬性，可以有效壓制無關的干擾信息，從而突出對油氣響應敏感的信息，降低單一縱波地震屬性數據的不確定性。通過對提取的大量縱橫波地震屬性的特點進行對比分析，并在大量的試驗后，構建了四類多波地震復合屬性(疊合類、乘積類、差值類和比值類)。假設αij為目的層的縱波類屬性P，βij為目的層的轉換橫波屬性S，即

(8)

(9)

式中：m為crossline方向的道數；n為inline方向的道數。

當上述兩種屬性數據集中，存在某種類型屬性使二者所表達的油氣敏感程度呈負相關時，可以利用比值或差值類算法提取比值或差值類復合屬性，該類復合屬性可以適當放大二者的差異性，進而可以有效地壓制干擾背景，突出含油氣敏感區，數學表達式為

(10)

式(10)中：Aij表示差值屬性；Bij表示比值屬性。

當上述兩種屬性數據集中，存在某種類型屬性使二者所表達的油氣敏感程度呈正相關時，可以利用乘積或疊合類算法提取乘積或疊合類復合屬性，該類復合屬性可以有效地壓制對含油氣非敏感區域，突出二者對含油氣的敏感區域，進而突出含油氣敏感區的刻畫邊界，數學表達式為

(11)

式(1)中：Cij表示疊合屬性，Dij表示乘積屬性。

2.2 SOM網絡模型設計

根據前文所討論“多波地震屬性優選及優化”的作用，設計如圖4所示的SOM網絡模型。以本文所優選出的多波地震復合屬性作為自組織神經網絡的輸入數據集進行地震油氣儲層預測，具體實施流程(圖4)如下。

圖4 SOM算法流程圖

(1)優選出對油氣儲層敏感的屬性，并提取多波地震復合屬性，對復合屬性進行預處理去除數據的異常值。

(2)初始化網絡權值，輸入多波地震復合屬性樣本訓練SOM網絡，計算神經元與樣本的距離，更新調整網絡權值。

(3)如果網絡收斂或達到指定迭代次數并且權值穩定不再改變時，訓練完成，否則重新回到步驟(2)進行計算。

(4)將最終得到的神經網絡聚類結果映射到輸入屬性樣本數據集，得到輸出數據集，此時針對地震屬性樣本數據的SOM網絡訓練完成。

3 應用實例

3.1 原始地震資料

本次應用的原始地震資料采自中國西南某一地區，該套數據包含縱波和轉換橫波三維地震數據。該套數據的勘探總面積為550 km2，共有1 148道主測線和770 道聯絡測線，主測線起始道為inline87，聯絡測線起始道為crossline80；其采樣間隔為2 ms，最大時深為7 s。其二維縱向地震剖面如圖5所示，圖5中所標TX46層為本次的目的層位，目的層位時間切片如圖6所示。

圖5 研究區原始地震剖面

圖6 研究區原始縱、轉換橫波同深度地震時間切片

3.2 聚類優選敏感地震屬性

由于各種地震屬性的獲取方式不同，其所表達的地質意義、油氣特征信息等都會有所區別，所以在提取屬性數據之前綜合分析目的層段的各類信息，盡可能提取更多縱波與轉換橫波的地震屬性。因此，在充分分析目的層段的特點并結合專家經驗之后，優選出15種地震屬性進行聚類分析。本次聚類的主要原則是保證同種屬性盡可能少且所選屬性對油氣響應敏感。結合研究區實際情況及上述優選優化原則，進行聚類分析，其所得的地震屬性優選聚類結果如圖7所示。

圖7 地震屬性聚類優選結果

在對15種屬性數據進行聚類分析之后，基本將其分為以下三大類。

(1)表示瞬時相位和有效帶寬已經歸為一類，這只是一個數學分類。結合地質意義，瞬時相位是瞬時虛振幅與瞬時實振幅之比的正切值。該屬性通常與油氣顯示的其他屬性一起使用，而有效帶寬主要用于沉積環境分析。因此，選擇瞬時相位作為敏感屬性。

(2)表示瞬時頻率和能量加權瞬時頻率被歸為一類，該類是頻率類屬性。由于瞬時頻率是瞬時相位隨時間變化的導數，在含氣層檢測中具有很大的優勢。因此，選擇瞬時頻率作為敏感屬性。

(3)表示其他屬性類，該類主要由對儲層敏感的振幅屬性組成。均方根振幅屬性可以識別亮點和暗點以及識別振幅異常或層序描述，對預測儲層含油氣性的效果比較好。瞬時振幅可用于判斷油氣富集區、局部斷層和巖性變化，可以間接反映地震能量。平均峰值幅度可以幫助識別巖性變化、含氣砂巖或地層，并且是預測油氣潛力比較常用的屬性。弧長屬性是一個組合了頻率和幅度的混合屬性，可用于區分泥巖層或高砂巖組分層序。結合聚類譜系圖和每個屬性的地質意義，在該類中選擇均方根振幅、瞬時振幅、平均峰值振幅和弧長這四個屬性作為敏感屬性。

綜上，根據聚類分析結果、專家經驗和已知的儲層特征，總共優選出6個地震屬性(弧長、瞬時相位、瞬時頻率，瞬時振幅，均方根振幅和平均峰值振幅)。所選目的層位的縱波與轉換橫波的6種屬性如圖8所示。

圖8 縱橫波原始屬性

3.3 多波地震屬性復合

通過上述屬性優選出的6種屬性結果來看，不同的屬性對儲層的響應程度不同。因此，針對這六種屬性間的差異與特點進行了大量的復合演算，最后得出F1、F2、F33種多波地震復合屬性的效果較好。因此選用這3種多波地震復合屬性作為SOM神經網絡的輸入樣本數據。

地下油氣層對地震縱波振幅具有強烈的吸收作用，而對轉換橫波影響不大。因此針對縱波與轉換橫波的均方根振幅屬性按照式(12)提取F1復合地震屬性。

(12)

式(12)中：Srms為轉換橫波的均方根振幅屬性；Prms為縱波的均方根振幅屬性。

因為該地區的目的層段的油氣主要儲存于砂巖，而地震數據在砂巖地層呈現的是低頻強振幅，泥頁巖地層是高頻弱振幅。針對此特點，按照式(13)提取F2復合地震甜點屬性。

(13)

式(13)中：Pia為縱波瞬時振幅屬性；Sia為轉換橫波瞬時振幅屬性；Pif為縱波瞬時頻率屬性；Sif為轉換橫波瞬時頻率屬性。

根據縱波與轉換橫波對平均波峰屬性及弧長屬性對地震儲層的響應特點，按照式(14)提取F3復合地震屬性。

F3=(Sal+Pal)(Sapa+Papa)

(14)

式(14)中：Sal為轉換橫波弧長屬性；Pal為縱波弧長屬性；Sapa為轉換橫波平均波峰振幅屬性；Papa為縱波平均波峰振幅屬性。

提取的多波地震復合屬性如圖9所示。從最后提取的這3種復合屬性的結果來看，經過復合的地震屬性比單一屬性刻畫的儲層邊界更加清楚，對油氣響應更加敏感。

圖9 比值屬性預測結果

3.4 利用自組織神經網絡進行地震油氣儲層的分布預測

3.4.1 自組織神經網絡的訓練及可視化

通過上述對原始屬性數據集的優選優化，共分析優選出3種地震復合屬性，即確定自組織神經網絡的輸入樣本空間的維數為3維，并且權重向量空間中各個權重向量也是3維。為了選出最佳的網絡結構，設計了權重向量為3行3列(9個神經元)、4行4列(16個神經元)、8行8列(64個神經元)以及10行15列(150個神經元)不同的網絡結構進行試驗，其結果如圖10所示。

從圖10(a)與圖10(b)中可以看出當SOM神經網絡的神經元個數過少時，其所預測結果的油氣敏感區過于寬泛不夠聚焦，分辨率過低，從而無法得到直接應用。從圖10(c)與圖10(d)的結果可以看出，隨著神經元個數的增多其含氣敏感區會慢慢聚焦，但是神經元個數過多會導致其所預測的儲層邊界模糊，而且含氣響應區域也過于離散不利于最后的儲層預測與評價。

圖10 不同網絡結構的預測結果圖

最終，根據上述所得結果、輸入樣本數量及鉆井資料，確定權重向量為4行8列(即32個神經元)的網絡結構。為了對比本文中所設計的SOM預測方案與傳統單一地震數據SOM預測方案進行對比，選取了瞬時相位、瞬時頻率、瞬時相位及均方根振幅4種單一縱、橫波屬性(該4種屬性被認為是對油氣具有相對高敏感的體波屬性)作為輸入樣本，利用SOM神經網絡進行訓練，根據單一屬性數據特點，確定權重向量為3行8列(即24個神經元)。

初始化自組織神經網絡中的神經元，將處理好的各個輸入樣本分別輸入各自的自組織神經網絡中進行訓練，得出最終結果。圖11為單一縱波屬性、單一橫波屬性及基于本方案的自組織神經網絡分類結果(圖11中深顏色代表神經元之間權重大距離遠，淺顏色代表神經元之間權重小距離近)，將各神經元與輸入樣本分類結果的對應關系映射到原始數據，就得到如圖12、圖13的預測結果圖。

圖11 自組織神經網絡分類結果

圖12 單一縱橫波的SOM預測結果圖

圖13 基于本方案的SOM預測結果圖

3.4.2 實際應用效果分析評價

僅以單一縱波或單一轉換橫波地震屬性作為樣本進行自組織神經網絡儲層預測結果如圖12所示，而基于本文方案的以縱波與轉換橫波復合屬性作為樣本進行自組織神經網絡儲層預測結果如圖13所示。圖13中藍綠色區域(色柱中低值段)指代貧氣區，紅黃色高值區(色柱中高值段)指代有利含氣區。

從圖12(a)中可以直接看出單一縱波的SOM預測結果與實際鉆井資料偏差極大，根本無法準確刻畫富氣區域。從圖12(b)中可以看出單一橫波SOM預測的含氣區與實際鉆井資料似乎較為吻合，但是準確度不高，而且由于轉換橫波地震數據分辨率低的特點，直接導致其預測結果所刻畫的含氣分布區域分辨率過低，無法得到直接應用。

圖14所示為基于本文方案預測結果(圖13)疊合了所對應層位構造圖的綜合評價圖。其中紅色圈所圈區域是本次勘探區域已經被證實的高構造、高裂隙發育的主要含氣區，本方案所預測的主要氣富集區，也分布于此區域，其所預測結果與實際鉆井資料基本吻合。圖14中灰色圈內區域是本勘探區的低構造區域、裂隙不發育區域，實際鉆井資料也表明該區域是貧氣區，與本次預測結果也基本吻合。黃色圈內的區域雖無鉆井資料但是其構造部位較高，裂隙較為發育，可作為下一階段重要的待驗證開采區，該區域預測結果與實際地質資料也較為接近。因此基于本方案的利用縱波與轉換橫波復合屬性進行預測結果與實際地質、鉆井資料較吻合，相對于單一縱波與轉換橫波的預測結果具有更高的實用價值。

圖14 測試區含氣地震儲層預測結果分析圖

綜上所述，通過對實際資料的應用及驗證表明，本文中提出的基于自組織神經網絡的多波地震油氣儲層分布預測方案可以有效并相對準確的刻畫地震油氣儲層的分布情況，因此本方案具有較高的可行性。

4 結論

本文所設計的基于自組織神經網絡的多波地震油氣儲層分布預測方案，有機地融合了聚類分析、自組織神經網絡等技術，是一種能有效預測地震油氣儲層分布的方案，將該方案運用于實際數據處理與分析后，主要得到以下幾點認識。

(1)通過聚類分析算法并結合專家經驗對地震屬性數據進行優選，可以最大程度地去除冗余屬性數據，有效地將數據集合分類，同時保留對油氣儲層響應最敏感的地震屬性。通過該方法將多達幾十種的多波地震屬性優選降維到6種屬性，大大降低了樣本數據的維度，為后續工作提供了數據基礎。

(2)利用縱波與轉換橫波對油氣儲層響應的差異性進行復合得到復合屬性，以降低地震油氣儲層預測的多解性，提高預測精度。將優選后的6種縱、橫波地震屬性進行復合，得到3種復合屬性，為后續自組織神經網絡的運用提供了更精確的樣本數據。

(3)將復合后的地震屬性作為樣本數據進行SOM網絡訓練，得到的預測結果，經過與實際資料的對比分析，結果表明本文方案可以有效利用自組織神經網絡對高維地震屬性數據集進行降維，并且有效地保持原屬性數據結構，實現對地震油氣儲層相對高效準確的預測。證明了自組織神經網絡在該環節的可行性與有效性，但是本環節涉及較多的參數調節(如鄰域函數等)，所以也指明了下一步的工作重點就是細化和改進SOM網絡結構，優化參數調節過程，進一步縮減運行時間和提高網絡預測的精度。