極限學習機驅動的地震多屬性融合識別曲流帶單一點壩

張憲國 吳嘯嘯 黃德榕 林承焰

(①中國石油大學(華東)地球科學與技術學院，山東青島 266580；②中海石油(中國)有限公司上海分公司，上海 200335)

0 引言

曲流河砂體是陸相沉積中最主要的油氣儲集體之一。伴隨河道形態變化和反復沉積、侵蝕，平原區曲流河河谷內殘留點壩復合沉積體[1-3]。識別曲流河點壩對于研究曲流河演化特征、指導油氣藏開發等具有重要意義[4-5]。然而，曲流河往往經歷多期改造而形成復合微相單元，如何利用地震資料準確預測砂體厚度的變化并識別復合體內部的單一點壩，是曲流河儲層預測的關鍵。圍繞上述問題形成了一系列的地震儲層預測技術(如地層切片[6-10]、地震屬性分析[11-13]及地震反演[14]等技術)，其中地震屬性分析是最簡單、有效且發展迅速的方法。新的單一屬性類型的研發和多屬性融合是地震屬性分析技術發展的兩大方向。近年來，以分頻屬性融合技術[15]、基于機器學習的多屬性分析[16-18]等為代表的地震屬性融合分析技術廣泛應用于河流相儲層的研究。

極限學習機(ELM)是一種基于前饋神經網絡構建的機器學習方法，它優化了隱層節點的調整，采用隨機神經元和隨機連接，在學習速度上顯著優于支持向量機(SVM)和深度學習方法[19-20]，而且泛化能力強，預測誤差小[21]。陳芊澍等[22]和Wang等[23]利用極限學習機算法進行地震多屬性分析，在煤層及裂縫帶預測方面取得了良好的效果，但是在儲層研究領域的其他方面的應用尚未見文獻報道。

本文選取渤海灣盆地濟陽坳陷孤東油田館陶組高彎度曲流河，將極限學習機算法應用于地震多屬性融合中以預測砂體分布，按照“井震結合，動(生產動態資料)靜(地震、地質等資料)結合”的思路識別曲流帶內復合點壩沉積體中的單一點壩，揭示高彎度曲流河內部結構。

1 研究區概況

孤東油田緊鄰黃河入海口，是渤海灣盆地濟陽坳陷沾化凹陷內的一個大型披覆背斜構造整裝油藏，主要的油氣層為新近系館陶組。研究區發育典型的高彎度曲流河沉積[9,24-25]，但近年來的新井鉆探和注水開發成果揭示曲流河點壩沉積微相內部具有強非均質性，其中單一點壩認識不清成為當前制約油氣開發的關鍵因素。研究區面積為2.45km2，共完鉆井60余口(圖1)。三維地震資料覆蓋全區，道間距為25m。目的層平均深度約為1260m，地震縱波平均速度為2150m/s。目的層段地震資料主頻為35Hz，垂向分辨率(按照1/4λ計算)約為15.4m。

圖1 研究區沉積背景

2 方法原理

每種地震屬性都包含了復雜的地質信息，但是在理論上地震屬性與地質參數之間缺乏確定性對應關系。從多種地震屬性中獲得需要的地質信息是地質和地球物理人員共同的目標。在這種大信息量、非線性的分析中，神經網絡具有獨特的優勢。本文采用基于前饋神經網絡構建的極限學習機算法進行地震多屬性分析，實現多屬性融合，預測砂體厚度及分布。

2.1 極限學習機算法

極限學習機是Huang等[26]提出的一種前饋神經網絡，由輸入層、隱含層和輸出層組成(圖2)。

圖2 前饋神經網絡結構

(1)

(2)

可簡化為

Hβ=T

(3)

其中

在極限學習機中，輸入權重Wi和隱含層的偏差bi(由算法隨機給定)，使隱含層的輸出矩陣H被唯一確定。因此，訓練問題轉化為求解輸出權值矩陣的最小二乘解的問題，輸出權值矩陣為

(4)

式中H?為H的Moore-Penrose廣義逆。

在計算過程中，只需調整隱含層神經元結點數，不需要迭代。因此，相比傳統基于梯度下降的迭代方法，極限學習機算法能夠解決收斂速度慢、容易陷入局部極小值的問題，具有極端“快速”的特點[27]，可明顯縮短學習時間；同時，所得解為唯一最優解，網絡的泛化性能得到了保證[28]。

2.2 基于極限學習機的多屬性融合

將地震屬性分析技術與機器學習方法相融合，可預測砂體厚度。其中有兩個關鍵問題：一是如何選取地震屬性；二是如何融合地震屬性預測砂體。為此，本文設計的解決路徑包含四個部分(圖3)，即地震屬性提取與優選(流程A)、特征變量與目標變量的統計(流程B)、地震屬性與地質參數關系的建立(流程C)及砂體厚度的地質解釋(流程D)。其中流程A和B針對第一個關鍵問題，解決地震屬性的選取問題；流程C針對第二個關鍵問題，解決屬性的融合與地質參數的預測問題。

需要特別說明的是，在流程A中，需要對數據進行預處理和屬性優選，具體分為以下四步。

(1)單一地震屬性提取。為了減少屬性類型選取的盲目性，需要根據研究區砂體發育特點(厚度、組合模式、沉積相類型等)和地震屬性的物理意義進行選擇。需要強調的是，充分利用前人的經驗是一個有效的途徑。

(2)地震屬性標準化處理。不同地震屬性物理意義和值域存在差異，開展屬性融合分析之前，需要對訓練集和測試集中的地震屬性進行標準化處理，以避免數值較大的地震屬性對融合結果產生過度影響。

(3)單一屬性與井點砂巖厚度之間的相關性分析及篩選。計算每種地震屬性與井點砂巖厚度之間的相關性，篩除相關性差的地震屬性類型。

(4)屬性聚類分析進行再次篩選。一些在物理意義上相近的地震屬性與砂巖厚度之間相關性都較高時，容易形成信息重復。為了避免這一情況，實現數據有效降維，需要對上一步篩選后的地震屬性進行聚類分析，在聚類結果中選擇與砂巖厚度相關性最高的屬性。

經過上述屬性處理與優選后，使用極限學習機算法，構建多屬性融合預測砂巖厚度的網絡模型，最后將全區的地震屬性分析數據作為特征變量輸入最優模型，預測砂體厚度及分布。

3 應用實例

3.1 模型正演

根據河道的遷移特征，曲流河道間的橫向組合可以劃分為兩種類型、三種模式，即點壩起始端與廢棄河道疊加、廢棄河道與廢棄河道疊加兩大類。其中前一類又可進一步細分為廢棄河道泥巖保留和不保留兩種模式。

對上述三種模型開展正演模擬(圖4)。根據井點信息，設置點壩主體位置砂巖厚度為12m，廢棄河道處砂巖厚度為7m，砂巖速度為2160m/s，泥巖速度為2500m/s，子波為35Hz雷克子波。對正演結果進行-90°相位轉換。

模式一(圖4a)為兩期河道同向遷移疊加，后期河道起始端緊鄰前一期并部分侵蝕前一期廢棄河道，但前期廢棄河道泥巖保留。在點壩疊置部位砂體厚度快速減小，正演模擬結果可見振幅快速減弱。

模式二(圖4b)同樣為兩期河道同向遷移疊加，但后期河道完全侵蝕前一期的廢棄河道，甚至侵蝕部分河道砂巖，前一期廢棄河道細粒沉積部分沒有殘留。在這種情況下，點壩疊置位置砂體厚度減小速度慢、程度弱，振幅較兩側相對減弱。

模式三(圖4c)為距離較遠的兩期河道相向遷移，后期河道侵蝕了前期河道而在兩條河道之間保留了后期的廢棄河道。點壩疊置部分砂體厚度由兩側向中間快速減小，振幅快速減弱至低值。

圖4 不同點壩疊置模式正演模擬(a)兩期河道同向疊加(保留泥巖)；(b)兩期河道同向疊加(不保留泥巖)；(c)兩期河道相向疊加。上為地質模型，中為正演剖面(-90°相移)，下為振幅

三種疊置模式的正演響應特征的相同點是在點壩疊置部位振幅減弱，不同點是砂體減薄方式導致的振幅減弱程度的差異和波形錯動的位置。從振幅變化可以看出，振幅與砂巖厚度變化有良好的對應關系，這就意味著振幅能夠較好地反映砂體的厚度變化。

3.2 多屬性融合過程

對目的層段提取振幅類、頻譜類、相位類等共計16種常見的地震屬性，計算各屬性與砂體厚度的相關系數，初步優選出6種與砂體厚度相關系數大于0.5的地震屬性(表1)。對6種初選地震屬性聚類分析，結果顯示可為三大類(圖5)。平均能量(AE)、能量自相關(EOAC)、振幅平方差(VA)、均方根振幅(RMS)四者距離在2以下，為第一類；弧長(ARC)和最小振幅值(MV)分別作為第二類和第三類，它們與第一類距離大于5且彼此距離也大于5。選取每類中與砂體厚度相關系數最高的地震屬性，即最終選擇RMS、ARC和MV屬性作為參與下一步機器學習的特征變量來源。

表1 井點砂體厚度及地震屬性之間的相關系數

圖5 聚類分析樹形圖

3.3 預測效果

3.3.1 砂體厚度預測

選取擬合優度(R2)和均方根誤差(RMSE)作為評價預測結果準確性的參數。擬合優度越接近于1則模型預測效果越好；均方根誤差越接近于0則說明預測準確性越高。

訓練集多屬性融合預測與實際砂體厚度的R2為0.8237，RMSE為0.5813m(圖6a)；單一屬性(RMS)預測與實際砂體厚度的R2為0.6562，RMSE為0.9546m(圖6b)。測試集預測與實際砂體厚度R2為0.8275，RMSE為0.5921m(圖6c)；單一屬性(RMS)預測與實際砂體厚度的R2為0.6787，RMSE為0.9906m(圖6d)。上述結果表明，基于極限學習機的多屬性融合預測結果比單一屬性預測結果準確度更高。

圖6 基于極限學習機的多屬性融合技術與單屬性預測技術的預測結果(a)多屬性訓練集；(b)單屬性訓練集；(c)多屬性測試集；(d)單屬性測試集

3.3.2 異常區預測

研究區大部分鉆井揭示，均方根振幅單一地震屬性與砂巖厚度之間具有較高的相關性，但局部存在與實鉆不吻合的異常區，這降低了單一屬性預測砂巖厚度的可靠性，因而需要采用多屬性預測砂巖厚度。

研究區36-255井區的6口井存在地震屬性與砂巖厚度關系異常(圖7紅色虛線框內)。鉆井揭示6口井鉆遇點壩主體，砂體厚度均為10m左右。單一地震屬性表現為低值，根據單一地震屬性預測為砂巖不發育區(圖7b)，這與實鉆結果不符。采用極限學習機多屬性融合預測的6口井的砂巖厚度與實際砂巖厚度的R2為0.6639，RMSE為0.2961m(圖8a)。而單一的均方根振幅屬性預測的砂巖厚度與實際砂巖厚度R2為0.4104，RMSE為1.0987m(圖8b)。

圖7 屬性異常區兩種方法預測結果對比(a)均方根振幅；(b)單屬性(RMS)預測；(c)機器學習驅動的多屬性預測

圖8 屬性異常區兩種技術的預測結果比較(a)機器學習驅動的多屬性預測；(b)單屬性預測

如上所述，極限學習機驅動的多屬性預測方法明顯優于單屬性預測方法。

3.3.3 不同機器學習方法對比

選取研究區資料齊全的30口井建立對照組，比較ELM、BP神經網絡和SVM算法進行多屬性融合預測的效果。以砂巖厚度預測誤差10%作為標準，預測誤差小于10%為吻合，大于10%為不吻合，統計三種不同方法的砂巖厚度預測單井吻合率。結果(表2)顯示，ELM方法的單井吻合率為93.3%，SVM算法為86.7%，而BP神經網絡預測單井吻合率為83.3%，這表明極限學習機驅動的多屬性融合方法(本文方法)效果更好。

表2 不同方法預測的砂體厚度樣本檢驗結果

3.3.4 單一點壩識別

應用本文方法預測的砂巖厚度及分布(圖9)可以確定在泥巖沉積背景下發育的條帶狀河道，厚度大值區對應的點壩復合體被砂體不發育的“月牙形”(泥巖發育帶)分割。結合鉆井標定可以識別出五個單一點壩，即點壩A～點壩E。

圖9 單一點壩綜合劃分結果

測線LL′(圖10a)上可見側積方向相同的兩個單期疊置點壩(點壩D和點壩B)，前一期廢棄河道完全被后期河道侵蝕，并且沒有殘留，屬于模式二(圖4)。37-254井兩側反射同相軸連續性較好，但是該井東側的反射振幅更強(圖10a )。鉆井顯示兩期砂體疊置(圖10b)，與地震反射的振幅變化一致。

圖10 剖面LL′河道同向疊加(泥巖未保留)的地震(a)及測井(b)特征SP為自然電位，單位為mV；ML1、ML2分別為微梯度電阻率、微電位電阻率，單位均為Ω·m。圖11、圖12同

測線MM′(圖11a)上可見兩個側積方向相對的單期疊置點壩，即點壩C與點壩A(屬于圖4中的模式三)。38-2294井位于點壩疊置區(圖9)，處于弱振幅區，反射同相軸略向下凹，顯示了時間厚度減小的特點(圖11a)。這是由于該井所在位置為廢棄河道疊置區、砂巖厚度減小造成的。從連井剖面(圖11b)可見，38-2294井砂巖厚度減小且砂體頂面低于兩側其他井，說明了這是河道廢棄造成的。

圖11 剖面MM′河道相向疊加的地震(a)及測井(b)特征

測線NN′(圖12a)上可見三個側積方向大致相同的單期點壩(點壩D、點壩B和點壩A)，36-275井和38-295井處于單期點壩的疊置區。測井資料揭示發育廢棄河道殘留的特征(圖12b)，該點壩組合屬于模式一(圖4)。前述兩井點處的振幅變化以及同相軸揭示的高程關系表明，自東向西三個單一點壩發育時間由老逐漸變新，這與鉆井結果一致。

圖12 剖面NN′河道同向疊加(泥巖保留)的地震(a)及測井(b)特征

綜上所述，研究區發育高彎度曲流河的點壩復合體，北部和西南部發育泛濫平原，點壩復合體內部被殘留的廢棄河道將曲流帶分為五個單一點壩(圖13a)。其中，點壩C與點壩A側積方向相對；點壩A、點壩B和點壩D側積方向相近，點壩B末期的廢棄河道泥巖部分保留。點壩C、點壩D和點壩E的廢棄河道在平面上連續，發育穩定，結合現代河流沉積特征(圖13b)可判斷為同期河道沉積的三個連續點壩。

圖13 沉積微相圖及現代沉積實例

新鉆38-C295井是38-295井的側鉆井，在F靶點鉆遇目的層，在G靶點出目的層。本文砂巖厚度預測及單一點壩解釋結果表明，該井目的層段處于廢棄河道內(圖14a)。隨鉆自然伽馬曲線(圖14b)顯示38-C295井目的層頂部發育厚度3.00m的泥質沉積，砂巖厚度為8.10m，而平面上與之緊鄰的37-274井砂巖厚度為10.24m，從而揭示了38-C295井在目的層頂部鉆遇廢棄河道，驗證了單一點壩的地震解釋結果的合理性。

開發動態資料可以反映井間砂體的連通性，可以檢驗儲層內部結構的預測結果。圖14a所示的三口井位于同一個開發井組，其中37-274井為注水井，38-275井和38-295井為開發井，二者與注水井37-274井的距離均約為250m。根據本文方法單一點壩識別結果，37-274井與38-275井位于點壩B內，而38-295井則位于點壩A(圖9，圖14a)。注采資料顯示，37-274井注水量的變化與38-275井的產液量有良好的對應性。例如，1999年4月至2000年2月，隨著37-274井注水量的降低，對應的采油井38-275井的液量發生了降低；而2001年2月至2002年5月，37-274井注水量經歷了先調減后調增的措施變化，38-275井的產液量出現了一致性的變化，這兩口注采對子井的變化趨勢和時間具有一致性。而同期注水井37-274井與鄰近的采油井38-295井的產液量變化并無對應性(圖15)。從生產動態信息來看，37-274井與38-275井的井間砂體連通性要遠遠好于37-274井與38-295井，這從砂體井間連通性方面驗證了本文方法單一點壩識別結果的準確性。

圖14 單一點壩識別結果的新鉆井檢驗(a)砂巖厚度預測結果及單一點壩解釋；(b)測井曲線特征

圖15 三口注采井的生產曲線(井點位置見圖14a)

4 結論

(1)基于極限學習機的多屬性融合技術比單一屬性對砂體厚度的預測更準確，在實例區的單井吻合率達到93.3%，高于支持向量機和BP神經網絡算法。

(2)孤東油田館陶組曲流帶發育三種單一點壩組合模式，即相向遷移點壩疊置模式、同向遷移廢棄河道殘留模式和同向遷移廢棄河道無殘留模式，三種模式的地震反射差異主要為橫向連續性的變化和振幅幅度的差異。