相關(guān)閾值約束類別確定的無監(jiān)督疊前地震相分析

關(guān)鍵詞： 地震相分析，無監(jiān)督深度學(xué)習(xí)，模式識別，縫洞儲層識別，疊前地震數(shù)據(jù)中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000?7210. 20240185

Unsupervised pre?stack seismic facies analysis based on category determination with correlation threshold constraints

ZHANG Xuan1，PENG Da1，CHEN Kang1，CAI Hanpeng2，3，YANG Junhui2，XU Xiang1 （1. Exploration and Development Research Institute，PetroChina Southwest Oil amp; Gas Field Company，Chengdu，Sichuan 610041，China；2. School of Resources and Environment，University of Electronic Science and Technology of China， Chengdu，Sichuan ，China；3. Center for Information Geoscience，University of Electronic Science and Technology of China，Chengdu，Sichuan ，China）

Abstract：Ensuring strong correlation among samples of the same category in seismic facies images and deter? mining the number of seismic facies categories are the core of unsupervised pre ? stack seismic facies analysis. This paper proposes an unsupervised pre ?stack seismic facies analysis algorithm with correlation threshold con? straints for category determination. First，the pre ? stack seismic trace set data is transformed into two ? dimen? sional images，and the high ? level nonlinear，discriminative，and invariant features of the images are extracted using unsupervised deep learning networks，which can highlight strongly concealed information. Subsequently， the threshold for the number of seismic facies categories is determined based on the cross ? correlation values of deep features of pre?stack seismic images corresponding to different categories of seismic facies within the study area，ensuring that samples within the same class in the obtained pre ?stack seismic facies images exhibit highly strong correlation，and the number of seismic facies categories is determined based on discriminant thresholds. Finally，the obtained pre?stack seismic facies images are calibrated using existing drilling information to provide a basis for geological experts to infer sedimentary environments and reservoir distributions. Theoretical model testing confirms that this method not only determines the number of pre ? stack seismic facies depending on dis? criminant thresholds but also ensures strong correlation among samples within the same class in the seismic fa? cies images，demonstrating greater robustness compared to other methods. Application of actual data shows that this method improves the accuracy of predicting seismic facies of fracture ? cavity reservoirs in the Permian

Maokou Formation and provides a reliable scientific basis for well deployment and the discovery of undrilled fracture?cavity reservoirs.

Keywords：seismic facies analysis，unsupervised deep learning，pattern recognition，fracture?cavity reservoir iden? tification，pre?stack seismic data

張旋，彭達，陳康，等 . ［J］. 石油地球物理勘探，2025，60（3）： 606?617.

ZHANG Xuan，PENG Da，CHEN Kang，et al. Unsupervised pre?stack seismic facies analysis based on category determination with correlation threshold constraints［J］. Oil Geophysical Prospecting，2025，60（3）：606?617.

0 引言

地震信號是特定地層結(jié)構(gòu)下地層厚度、巖性、孔隙特征等多地質(zhì)因素以及震源子波傳播效應(yīng)的綜合響應(yīng)[1?2]。地震相分析是一種有效、快速分析地震反射信號中蘊含信息特征的手段。在地震層序識別的基礎(chǔ)上，地震相分析技術(shù)可以有效利用地震波參數(shù)特征的差異性，將相同的地震層序內(nèi)的地震反射特征劃分為不同的地震相類別[3]。地震相分析結(jié)果不僅可以用于巖相、沉積環(huán)境的推斷[4? 6]，也可以直接用于優(yōu)質(zhì)儲層的預(yù)測[7?9]。疊前地震數(shù)據(jù)相比于疊后地震數(shù)據(jù)包含更豐富的信息，因此疊前地震相分類方法在理論上具有更高的分辨率和更精確的解釋[10]。目前，疊前地震相分析技術(shù)已經(jīng)成為了沉積相、儲層識別與描述中不可或缺的一部分[2， 5， 7， 10]。

依據(jù)輸入數(shù)據(jù)包含信息（如疊前地震數(shù)據(jù)、屬性、或是反演參數(shù)）的差異，可將疊前地震相分析方法分為基于疊前地震道集波形[7]和基于疊前地震屬性的地震相分析[11?12]。為充分挖掘疊前地震數(shù)據(jù)中的細微信息，Cai 等[12?14]引入了疊前地震紋理屬性，通過自組織映射方法建立了神經(jīng)元與地震相類別之間的映射關(guān)系，應(yīng)用結(jié)果表明，基于屬性的疊前地震相分析方法可以更好地識別縫洞儲層。Qian 等[10]首次提出運用卷積自編碼器從疊前道集中提取深度特征，并用于疊前地震相分析。Li 等[15]以數(shù)據(jù)驅(qū)動的方式獲得疊前波形結(jié)構(gòu)特征字典，然后應(yīng)用稀疏表征對疊前波形的振幅強度特征與波形結(jié)構(gòu)特征進行分離，獲得的疊前地震相圖對砂巖尖滅儲層邊界刻畫展示出良好的效果。趙軍才[16]引入一種基于標簽精煉的地震相標簽動態(tài)生成方法，可以在不修改深度學(xué)習(xí)模型的基礎(chǔ)上，提高預(yù)測準確率。大量的實踐證明，基于物理機制的地震屬性和機器學(xué)習(xí)獲得的信號特征均能提升疊前地震相圖精度，從而為儲層精準識別提供了有利條件[17?18]。

由于鉆井成本的限制，利用鉆井?dāng)?shù)據(jù)制作疊前地震道集樣本的標簽具有重大的局限性，因此無監(jiān)督疊前地震相分析被廣泛應(yīng)用。但無監(jiān)督方法缺乏地質(zhì)地球物理等先驗知識作為約束，且受噪聲影響較嚴重，聚類結(jié)果的正確與否難以判斷。除此之外，K 均值、自組織映射網(wǎng)絡(luò)等技術(shù)，將歐式距離、相關(guān)性等作為判別準則，難以保證地震相圖中相同類內(nèi)的樣本間的強相關(guān)性，導(dǎo)致利用該種方式獲得的地震相圖準確性不足[19]。

為此，本文提出了一種基于相關(guān)閾值確定類別的無監(jiān)督疊前地震相分析算法。首先，將目標地層疊前地震數(shù)據(jù)轉(zhuǎn)化為二維圖像，并構(gòu)建無監(jiān)督深度學(xué)習(xí)網(wǎng)絡(luò)提取深度屬性；然后，計算研究區(qū)域中已有井鉆遇的不同儲層類型對應(yīng)深度屬性的互相關(guān)矩陣，確定算法中判別閾值，并基于該閾值確定地震相類別數(shù)目；最后，利用該方法獲得目標工區(qū)疊前地震相圖，結(jié)合已有的井?dāng)?shù)據(jù)標定，為沉積環(huán)境識別、不同類型儲層預(yù)測提供依據(jù)。本文方法在理論模型數(shù)據(jù)和四川盆地中部某工區(qū)茅口組縫洞儲層預(yù)測的應(yīng)用中取得良好的效果。

1 方法理論

1. 1 疊前地震數(shù)據(jù)預(yù)處理

相對于地震道之間的距離（如地震采集面元25m×25m ）而言，沉積巖地層在一定的空間范圍內(nèi)具有橫向連續(xù)性，因此將待處理位置與鄰域的疊前道集地震數(shù)據(jù)共同作為待處理位置處的數(shù)據(jù)，不僅有助于突出表征地質(zhì)目標的地震信息，還可以降低數(shù)據(jù)中噪聲的影響。具體來說，針對疊前數(shù)據(jù) ，有

式中： size（?） 表示求數(shù)據(jù)維度； Ψ_t 和 a 分別表示疊前道集 的時間和單個數(shù)據(jù)疊前道集的 AVO 道集數(shù)量。考慮地質(zhì)體的橫向連續(xù)特征，將 的鄰域疊前

地震數(shù)據(jù)和 共同作為該位置地震數(shù)據(jù)的數(shù)據(jù)樣本，得到 ，且

size（d）=（n_h+n_v+1）×t×a=n×t×a

式中： d 表示最終由鄰域地震數(shù)據(jù)得到的數(shù)據(jù)樣本；n_h 和 n_v 分別代表主測線鄰域與聯(lián)絡(luò)測線鄰域疊前地震數(shù)據(jù)的數(shù)量。數(shù)據(jù)的獲取流程如圖 1所示。

現(xiàn)有研究將多維的地震波形數(shù)據(jù)轉(zhuǎn)化為二維圖像，有助于借鑒和應(yīng)用圖像處理方法對地震數(shù)據(jù)進行處理和分析[10]。因此，將獲取到的三維疊前地震數(shù)據(jù)樣本 轉(zhuǎn)化為二維灰度圖像。本文使用數(shù)據(jù)歸一化方式進行轉(zhuǎn)化，計算方式為每個數(shù)據(jù)與最小值作差，再除以最大值與最小值的差。在深度學(xué)習(xí)中對數(shù)據(jù)進行歸一化可以加速模型訓(xùn)練、避免梯度消失或梯度爆炸和提高模型的泛化能力。轉(zhuǎn)化后圖像如圖 2 所示。

將疊前數(shù)據(jù)樣本轉(zhuǎn)化為灰度圖像，不僅有利于后續(xù)基于圖像的深度特征提取方法的實施，也可以統(tǒng)一疊前數(shù)據(jù)的數(shù)值范圍，提高無監(jiān)督網(wǎng)絡(luò)模型訓(xùn)練的可靠性與準確性。

1. 2 無監(jiān)督深度學(xué)習(xí)網(wǎng)絡(luò)提取深度屬性

自編碼器（Autoencoder）是一種人工神經(jīng)網(wǎng)絡(luò)，用于無監(jiān)督的數(shù)據(jù)特征提取[10]。自編碼器由一組編碼 器 （Encoder）與 解 碼 器 （Decoder）構(gòu) 成 ，其 目 標 是最小化網(wǎng)絡(luò)的重構(gòu)輸出與輸入數(shù)據(jù)之間的差值，找到數(shù)據(jù)的一個低維的且能夠揭示數(shù)據(jù)復(fù)雜信息的特征集。當(dāng)編碼器由多層的神經(jīng)網(wǎng)絡(luò)構(gòu)成時，獲得的特征稱為深度特征。借鑒地震屬性概念，將由多層神經(jīng)網(wǎng)絡(luò)自編碼器獲得的特征稱為深度屬性。因此，文中的深度屬性就是輸入地震圖像經(jīng)過深度學(xué)習(xí)網(wǎng)絡(luò)編碼得到的對原始圖像的一種低維表征。構(gòu)建的編碼器將疊前地震圖像編碼為低維的深度屬性，解碼器將低維的深度屬性重構(gòu)還原為高維的疊前地震圖像。通過最小化重構(gòu)圖像與輸入圖像之間的差值，提取最適合的深度屬性。Qian 等[10]運用深度卷積自編碼器從疊前道集圖像中提取深度特征，并用于地震相分析，結(jié)果表明，相較于傳統(tǒng)方法，該方法分辨率高且具有顯著突出地層和沉積信息的潛力。Kumar 等[20]基于卷積神經(jīng)網(wǎng)絡(luò)提取深度特征用于高光譜圖像處理，提取的深度特征對于圖像分類具有重要的作用。本文采用基于卷積自動編碼器搭建相應(yīng)的無監(jiān)督深度學(xué)習(xí)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖 3所示。

圖 3 中網(wǎng)絡(luò)的編碼器部分由 3 個組合的卷積層與池化層構(gòu)成，解碼器由尺寸對稱的反卷積層與反池化層構(gòu)成。為確保深度屬性在維度上的一致性，解碼器與編碼器中間加入數(shù)個全連接層。二維疊前地震圖像 X_Inⁱ 經(jīng)過編碼后得到深度屬性 zⁱ 后。深度屬性經(jīng)過解碼器得到重構(gòu)數(shù)據(jù) X_Recⁱ 。為了訓(xùn)練該網(wǎng)絡(luò)，定義損失函數(shù)為

圖3 無監(jiān)督深度學(xué)習(xí)網(wǎng)絡(luò)示意圖

Loss（X_Inⁱ）=MSE（X_Inⁱ，X_Recⁱ）

式中 MSE （X_lnⁱ，X_Recⁱ） 表示 X_Inⁱ 與 X_Recⁱ 的均方誤差損失。

1. 3 深度屬性的相似性度量及聚類判別閾值確定

為確定后續(xù)深度屬性聚類時的判別閾值，使用深度屬性提取網(wǎng)絡(luò)對待處理疊前地震數(shù)據(jù) dⁱ?D 進行處理，獲取相應(yīng)的深度屬性 zⁱ?Z ，其中 D 為待處理的疊前地震圖像集合， Z 為提取的深度屬性集合。求取每兩個深度屬性間的皮爾遜相關(guān)系數(shù)。數(shù)據(jù) X 與 Y （維度均為 m×1? ）之間的皮爾遜相關(guān)系數(shù) r 為

式中 和 為樣本平均值， m ∑X i，Y = 由此，得到該深度屬性集合中的最大相關(guān) 系 數(shù) r_max^d=max{r（zⁱ，z^j）} ， 其 中 ， zⁱ，z^j?Z 且i≠j 。由此，后續(xù)選取的深度屬性聚類判別閾值 R

應(yīng)滿足

Rgt;r_max^d

式（5）表明，對于聚類中的每一簇，該簇內(nèi)的深度屬性相關(guān)系數(shù)均應(yīng)大于 r_max^d 。

1. 4 基于相關(guān)閾值約束的無監(jiān)督模式識別方法

設(shè)聚類中心集合為 K?θ^j，θ^j 為第 j 類數(shù)據(jù)的聚類中心，其維度與深度屬性相同， 1?j?k 表示目前共有 k 個不同的類別。對待處理的深度屬性 zⁱ ，有

r_jⁱ=max[r（zⁱ，θ¹），r（zⁱ，θ²），…，r（zⁱ，θ^j），…，r（zⁱ，θ^k）]

式中 r（zⁱ，θ^j） 作為度量條件， r（?） 表示深度屬性 zⁱ 與聚類中心 θ^j 的相關(guān)系數(shù)。即在現(xiàn)有的聚類中心中， zⁱ 與第 j 類中心向量 θ^j 的最大的相關(guān)系數(shù)為 r_jⁱ 。那么判別條件如下

式（7）表明，如果該樣本與現(xiàn)有聚類中心相關(guān)系數(shù)的最大值大于 R ，則將該類別歸為該類，并重新計算該類別的聚類中心

式中： 為更新后的新的聚類中心； n 為該類別原有樣本數(shù)量； zⁱ 表示被歸為該類的深度屬性。如果該樣本與現(xiàn)有聚類中心相關(guān)系數(shù)的最大值小于 R ，則將該 zⁱ 作為一個新類別的聚類中心，總體類別數(shù)自動加 1。

1. 5 算法實施流程

綜合以上方法原理，本文算法的實施流程框圖見圖 4。

圖4 算法實施流程框圖

圖5 合成地震數(shù)據(jù)彈性參數(shù)模型

數(shù)據(jù)。應(yīng)用本文網(wǎng)絡(luò)提取 12 類數(shù)據(jù)的深度屬性，設(shè)定深度屬性維度為 1×3 ，并計算得到不同數(shù)據(jù)和對應(yīng)的深度屬性之間的相關(guān)系數(shù)矩陣，如表 2 和表 3 所示。由表 2 可知，疊前地震數(shù)據(jù)本身受到地震子波的影響，不同數(shù)據(jù)往往具有較高的相似性，如圖 6 中波形 1 和波形 2 所示。表 2 中多個不同地震數(shù)據(jù)類型之間的相關(guān)系數(shù)均達到 0. 99，在使用相關(guān)方法進行聚類分析時極易將其劃分為一類，降低了聚類結(jié)果的準確度與可靠性。而由表 3 可知，深度屬性可突顯出不同類型地震數(shù)據(jù)間的差異，深度屬性的平均相關(guān)系數(shù)顯著低于地震波型數(shù)據(jù)本身。例如，波形 1 和波形 2 這兩類地震數(shù)據(jù)之間相關(guān)系數(shù)高達0. 99，而對應(yīng)的深度屬性之間的相關(guān)系數(shù)降低到0. 97，增大了兩者之間的特征差異。

2 數(shù)值模型分析

利用合成疊前地震數(shù)據(jù)進行實驗驗證，構(gòu)建的地質(zhì)模型結(jié)構(gòu)和合成數(shù)據(jù)的彈性參數(shù)模型如圖 5 所示。針對每種彈性參數(shù)組合分別設(shè)定儲層厚度為5m 和 15m ，使用三種主頻分別為 20Hz，35Hz 和50Hz 的雷克子波對得到的四種類型儲層進行疊前地震道集正演，共獲得 12 種不同的疊前地震數(shù)據(jù)，如表 1 所示。

圖 6 為 3 種不同疊前地震數(shù)據(jù)的波形圖，波形1、2、3 分別對應(yīng)表 1 中第 5、9、7 種類型的疊前地震使用本文方法對合成數(shù)據(jù)進行類別確定，確定聚類判別閾值 R 的值應(yīng)大于 0. 97。為了進一步分析聚類判別閾值的選取對聚類結(jié)果的影響，分別使用高于 0. 97、略低于 0. 97 及顯著低于 0. 97 的閾值進行實驗。設(shè)置判別閾值分別為 0. 98、0. 90、0. 60，聚類結(jié)果如圖 7 所示。當(dāng)判別閾值為 0. 98 時，本文方法能夠成功將 12 種不同模式的地震數(shù)據(jù)區(qū)分開；依次降低判別閾值，地震數(shù)據(jù)僅能被分為 7 類和 5類。由此可見，只有當(dāng)聚類判別閾值設(shè)置為大于先驗閾值 0. 97 時，本文方法才能夠成功將 12 種不同模式的地震數(shù)據(jù)區(qū)分開。

圖6 疊前數(shù)據(jù)波形對比

采用 K ?均值、SOM 和本文方法（判別閾值為0. 98）對合成數(shù)據(jù)進行聚類分析（圖 8）。由圖 8 可見，SOM 聚類方法錯誤地將 A 處的兩類疊前地震圖像聚類為同一類，該方法的聚類準確性和可靠性存在不足。K?均值聚類方法在類別劃分上基本正確，但仍存在兩個問題：第一，K?均值聚類方法需預(yù)先給出聚類數(shù)量，容易導(dǎo)致聚類類別錯誤，出現(xiàn)不符合物理規(guī)律的結(jié)果；第二，K?均值聚類方法受初始聚類中心影響大，在對類別差異較大的數(shù)據(jù)聚類時容易出現(xiàn)偏差，如圖 8 中 B、C 兩處。因此，K?均值方法在聚類魯棒性和方便程度上也存在較大不足。本文方法不僅可以自動劃分類別數(shù)量而且對于差距較小的不同類別之間的聚類準確性也更高。

為測試本文方法應(yīng)對復(fù)雜數(shù)據(jù)的可靠性與穩(wěn)定性，對合成數(shù)據(jù)添加信噪比 SNR=2 的高斯白噪聲，再對合成數(shù)據(jù)進行深度屬性提取與聚類測試（圖 9）。由圖 9 可見，在不明確具體類別數(shù)量的情況下，

圖7 不同判別閾值下的聚類結(jié)果

圖8 不同方法對深度屬性的聚類結(jié)果

SOM 方法在復(fù)雜噪聲情況下難以準確分離 12 種數(shù)據(jù)（圖 9a 中 B 處）；同時 SOM 的結(jié)果也出現(xiàn)了顯著噪聲（圖 9a 中 A 處）。在明確給出聚類類別 K=12 的情況下，K?均值方法可以較為明確地將 12 種不同數(shù)據(jù)進行分離，但是受噪聲影響將局部類別錯判（圖9b 中 C、D 處）。本文方法在沒有給出明確聚類類別的情況下，仍然可以將 12 種模式進行聚類分離，并且噪聲的影響較小（圖 9c 中 E 處）。原因在于，無監(jiān)督深度學(xué)習(xí)網(wǎng)絡(luò)在編碼過程中難以提取出噪聲的深度特征，在一定程度上保證了后續(xù)算法應(yīng)用的魯棒性。若是地震數(shù)據(jù)中噪聲更強或有其他非高斯噪聲，可先對數(shù)據(jù)進行噪聲壓制，再應(yīng)用本文方法。

圖9 SNR=2 的合成數(shù)據(jù)深度屬性聚類測試

選取 K?均值與本文方法的聚類結(jié)果做進一步對比，求取兩種方法每一個聚類類別的方差（圖 10）。由圖10 可見，本文方法的類別方差要明顯小于 K?均值方法，表明本文方法的聚類結(jié)果中同一類別的相關(guān)性更強，具有更高的相似性。另一方面，分別計算這兩種方法的平均類中心間距與平均類內(nèi)方差值。K?均值方法的平均類中心間距與平均類內(nèi)方差分別為2. 6169 和 0. 0062，而本文方法的平均類中心間距與平均類內(nèi)方差分別為 3. 3109 和 0. 0044。綜合以上定量分析，在應(yīng)對含噪聲數(shù)據(jù)時，本文方法在平均類中心間距與類方差方面均優(yōu)于 K?均值方法，且并不需要預(yù)先給出類別數(shù)量。合成數(shù)據(jù)分析結(jié)果表明，相較傳統(tǒng)的 SOM 聚類與 K?均值聚類方法，本文方法不僅更加方便，在可靠性與魯棒性上也存在顯著的優(yōu)勢。

圖10 兩種方法的合成數(shù)據(jù)聚類結(jié)果的類別方差

3 實際數(shù)據(jù)應(yīng)用

根據(jù)地震相結(jié)果識別儲層類型的工作流程：通過實際地震數(shù)據(jù)得到地震相聚類結(jié)果；將聚類結(jié)果與井?dāng)?shù)據(jù)進行對比分析，快速獲得已鉆遇儲層類型的空間分布；針對聚類結(jié)果中出現(xiàn)了沒有井?dāng)?shù)據(jù)的類別，可通過專家經(jīng)驗或者對該類別的少量地震疊前道集進行疊前反演獲得彈性參數(shù)，判斷該類別是新特征的儲層還是非儲層[8]。

本文采用的實際地震數(shù)據(jù)位于四川盆地中部，位于川中古隆起中斜平緩構(gòu)造帶，目標層位為二疊系茅口組，埋深在 6000～7500m 。圖 11 為目標層段疊前地震道集數(shù)據(jù)。圖中紅色線（標注 P2L）為茅口組頂層位線，藍色線（標注 P1M）為茅口組底層位線。圖11 表明最大炮檢距達 6200m ，與茅口組儲層的埋藏深度基本相當(dāng)，證明該疊前地震數(shù)據(jù)中包含豐富的巖性、儲層等相關(guān)信息。

圖11 目標層段的疊前地震道集數(shù)據(jù)

該區(qū)目標層段儲層主要受到沉積和溶蝕控制，巖性以白云巖、灰質(zhì)云巖為主，是理想的天然氣儲集體。在白云巖和灰質(zhì)云巖中，淋濾作用會導(dǎo)致更大的溶孔和溶洞的形成，這些溶孔、溶洞以及裂縫成為油氣的主要儲集空間[21]。該區(qū)有鉆井 7 口，位置如圖 12 中黑色點所示。鉆井?dāng)?shù)據(jù)表明：M150 井、M151 井、M147 井均鉆遇較少的溶蝕孔洞儲層，M23 井發(fā)育大量的溶蝕孔洞儲層，M208 井、M130井溶蝕孔洞儲層較發(fā)育，M145 井溶蝕孔洞儲層欠發(fā)育。在均方根振幅切片上，M150 井、M23 井表現(xiàn)強反射能量特點，M151 井和 M208 井表現(xiàn)為中強到弱的反射能量特征，因此僅僅利用均方根振幅切片中展示的反射振幅能量強弱難以識別出溶孔、溶洞儲層的發(fā)育區(qū)。現(xiàn)有沉積和地質(zhì)研究成果表明 A線處為明顯地質(zhì)邊界，B 處可能發(fā)育大量溶孔、溶洞，是下一步新井部署的重點區(qū)。

圖12 目的層均方根振幅圖

采用本文網(wǎng)絡(luò)對全部炮檢距數(shù)據(jù)進行深度屬性提取，設(shè)置深度屬性維度為 1×4 。確定聚類判別閾值 R 的值，需結(jié)合真實井?dāng)?shù)據(jù)，判別閾值的值應(yīng)該大于等于同類井地震數(shù)據(jù)深度屬性的相關(guān)系數(shù)。計算 7 口井點深度屬性之間的相關(guān)系數(shù)，得到相關(guān)系數(shù)矩陣如表 4 所示，其中相關(guān)系數(shù)最高值為同類井M151 井與 M150 井之間的 0. 97，因此判別閾值 R 選取為 0. 98。

分別使用 K?均值及本文方法對深度屬性進行聚類處理，本文方法自動判別類別數(shù)為 6，因此設(shè)定K=6 進行 K?均值方法的聚類處理，兩種方法的聚類結(jié)果如圖 13 所示。測井解釋結(jié)果與該區(qū)經(jīng)驗認為，M208 井與 M23 井處屬于不同的儲層類型，而M150 井與 M151 井處屬于同種儲層類型。由圖 13可見，K?均值方法和本文方法均將 M130 井、M145井、M147 井劃分為不同類別的儲層；但對于另外兩組井，K?均值方法將 M208 井與 M23 井劃分為同類儲層，將 M150 井與 M151 井劃分為不同類儲層，與實際認識不符，而本文方法的聚類結(jié)果與實際認識一致；另一方面，相較于 K?均值方法，本文方法的聚類結(jié)果對 A 處地質(zhì)體邊界的劃分較為清晰且連續(xù)性較好；目的層儲集空間類型以溶孔、溶洞為主， K^- 均值聚類方法未能較好地識別出溶孔、溶洞發(fā)育（圖中 B 處），主要原因為 K?均值方法在給出聚類類別數(shù)目的情況下，難以從整體上對數(shù)據(jù)進行更為細致的劃分，并且受到聚類初始中心及數(shù)據(jù)中噪聲的影響。實際數(shù)據(jù)的聚類結(jié)果和分析證實本文方法在聚類的細致性與準確性上具有顯著優(yōu)勢，同時由于無需預(yù)先給出聚類類別，因此本文方法在縫洞儲層識別中更加高效。

圖13 聚類結(jié)果圖

為進一步研究不同炮檢距疊前數(shù)據(jù)對本文方法的影響，分別使用近、中和遠炮檢距疊前數(shù)據(jù)道集進行地震相分析。根據(jù)圖 11 的炮檢距范圍及疊前道集振幅隨炮檢變化的特征，小于 2500m 定義為近炮檢距道集， 2000～4500m 定義為中炮檢距道集，大于 4000m 定義為遠炮檢距道集。設(shè)定類別數(shù)為 6，不同炮檢距疊前數(shù)據(jù)的地震相如圖 14 所示。由圖 14 可見，不同炮檢距深度屬性的聚類結(jié)果均能在一定程度上反映該目標工區(qū)的溶孔溶洞及裂縫發(fā)育的基本形態(tài)。一方面，近、中、遠炮檢距疊前數(shù)據(jù)的地震相圖中，A 處的地質(zhì)邊界并不清晰，缺乏顯著的地質(zhì)邊界標定，表明信息的缺失造成了深度屬性提取網(wǎng)絡(luò)數(shù)據(jù)處理能力的下降；另一方面，非完全炮檢距的疊前數(shù)據(jù)能識別出 B 處的溶孔、溶洞發(fā)育位置，但是劃分準確度方面，特別是 M208 井與 M23井、M147 井與 M150 井的劃分結(jié)果仍然存在細致度欠缺、準確度不足的問題。

因此，本文深度學(xué)習(xí)網(wǎng)絡(luò)能夠有效提取不同炮檢距疊前地震數(shù)據(jù)的數(shù)據(jù)特征，并實現(xiàn)在深度域的低維表征；同時全部炮檢距的疊前地震數(shù)據(jù)較部分炮檢距的疊前數(shù)據(jù)更有助于準確細致的疊前地震相分析。

圖14 不同炮檢距疊前數(shù)據(jù)深度屬性使用本文方法的聚類結(jié)果

4 結(jié)論

（1）本文提出了一種算法。該方法首先將疊前地震道集數(shù)據(jù)轉(zhuǎn)化為二維灰度圖像，為提取疊前道集數(shù)據(jù)內(nèi)部蘊含的深度特征奠定了基礎(chǔ)；采用無監(jiān)督深度學(xué)習(xí)網(wǎng)絡(luò)提取深度特征，更好地揭示了疊前地震圖像中蘊含的不同地震相特征；相關(guān)閾值約束待分類樣本類別數(shù)目的無監(jiān)督模式識別方法，保證獲得的疊前地震相圖中同類樣本間具有極強的相關(guān)性，不同類樣本間具有可分性。

（2）數(shù)值模型和實際數(shù)據(jù)的分析結(jié)果證明，相較于傳統(tǒng)的 SOM 聚類與 K?均值聚類方法，本文方法的疊前地震相聚類結(jié)果更加準確，使用更方便，在可靠性與魯棒性上有著顯著的優(yōu)勢。

（3）本文方法可高效、準確地識別縫洞型儲層，結(jié)合鉆井綜合分析，可為井位部署和未鉆遇類型的縫洞型儲層預(yù)測提供科學(xué)依據(jù)。

參 考 文 獻

［1］ 趙書棟， 宋建國， 雷剛林. 基于地震波形相似的薄互 層 識 別 方 法 [J]. 石 油 地 球 物 理 勘 探 ， 2024， 59（1）：

133?141. ZHAO Shudong， SONG Jianguo， LEI Ganglin. Thin interbed identification method based on seismic wave? form similarity[J]. Oil Geophysical Prospecting，

2024， 59（1）： 133?141. ［ 2 ］ SONG C Y， LIU Z N， CAI H P， et al. Pre?stack?tex? ture ? based reservoir characteristics and seismic facies analysis[J]. Applied Geophysics， 2016， 13（1）： 69?79.

［3］ 李國發(fā)， 張小明， 彭更新， 等. 與炮檢距有關(guān)的地層 吸收對AVO 分析的影響及其補償方法[J]. 石油地球 物理勘探， 2014， 49（1）： 89?94. LI Guofa， ZHANG Xiaoming， PENG Gengxin， et al. Influence of offset?related absorption on AVO analysis and its compensation[J]. Oil Geophysical Prospecting， 2014， 49（1）： 89?94.

［4］ 趙師權(quán)， 胡少華， 王玉珍， 等. 利用多信息融合技術(shù) 表征復(fù)雜斷塊油藏沉積相[J]. 石油地球物理勘探， 2018， 53（增刊 2）： 235?245. ZHAO Shiquan， HU Shaohua， WANG Yuzhen， et al. Complex reservoir sedimentary ? facies characteriza? tion with multi?discipline information integration[J]. Oil Geophysical Prospecting， 2018， 53（S2）： 235?245.

［5］ 楊存， 孟賀， 葉月明， 等. 沉積相智能地震識別技術(shù) 研 究 及 應(yīng) 用 [J]. 石 油 地 球 物 理 勘 探 ， 2023， 58（3）： 528?539. YANG Cun， MENG He， YE Yueming， et al. Re? search and application of intelligent seismic identifica? tion technology of sedimentary facies[J]. Oil Geophysi? cal Prospecting， 2023， 58（3）： 528?539.

［6］ 楊存， 孟賀， 葉月明， 等. 知識圖譜引導(dǎo)的沉積相智 能地震識別技術(shù)[J]. 石油地球物理勘探， 2024， 59（1）： 38?50. YANG Cun， MENG He， YE Yueming， et al. Intelli? gent seismic identification technology of sedimentary facies guided by knowledge graph[J]. Oil Geophysical Prospecting， 2024， 59（1）： 38?50.

［ 7 ］ KOURKI M， RIAHI M A. Seismic facies analysis from pre?stack data using self?organizing maps[J]. Journal of Geophysics and Engineering， 2014， 11（6）： 1?8.

［8］ 張鑫， 雷德文， 李獻民， 等. 多種深度學(xué)習(xí)算法聯(lián)合 提高地震相分析及油氣儲層預(yù)測效果[J]. 科技和產(chǎn) 業(yè)， 2023， 23（22）： 262?267. ZHANG Xin， LEI Dewen， LI Xianmin， et al. A joint various deep learning methods to improve the reli? ability of seismic facies analysis and reservoir charac? terization results[J]. Science Technology and Indus? try， 2023， 23（22）： 262?267.

［9］ SHEN S， WEI X， WANG X， et al. Maximum cor? rentropy self ? organizing map for waveform classifica? tion[J]. Geophysics， 2023， 88（3）： IM51?IM60.

［10］ QIAN F， YIN M， LIU X Y， et al. Unsupervised seismic facies analysis via deep convolutional autoen? coders[J]. Geophysics， 2018， 83（3）： A39?A43.

［11］ MARZIEH M， HOSEIN H. Semisupervised fuzzy clustering for facies analysis using extended elastic im pedance seismic attributes[J]. Geophysics，2022，87（4）： N75?N84.

［12］ CAI H， WU Q， REN H， et al. Pre ? stack texture ? based semi?supervised seismic facies analysis using global optimization[J]. Journal of Seismic Exploration， 2019， 28： 513?532.

［13］ 蔡涵鵬， 胡浩煬， 吳慶平， 等. 基于疊前地震紋理特 征的半監(jiān)督地震相分析[J]. 石油地球物理勘探， 2020， 55（3）： 504?509. CAI Hanpeng， HU Haoyang， WU Qingping， et al. Semi?supervised seismic facies analysis based on prestack seismic texture[J]. Oil Geophysical Pros? pecting， 2020， 55（3）： 504?509.

［14］ CAI H， ZHANG Z， WANG Y， et al. Directional adaptive texture for edge detection in wide ? azimuth seismic data[J]. Computers amp; Geosciences， 2025， 196： 105860.

［15］ LI K， LIU Z， SHE B， et al. Prestack seismic facies analysis via waveform sparse representations[J]. Geo? physics， 2021， 86（1）： IM35?IM50.

［16］ 趙軍才. 基于標簽精煉方法的地震相深度學(xué)習(xí)預(yù)測[J]. 石油物探， 2023， 62（3）： 431?441. ZHAO Juncai. Seismic facies prediction using deep learning based on label refinery[J]. Geophysical Pros? pecting for Petroleum， 2023， 62（3）：431?441.

［17］ CAI H， JING P， YANG J. Tensor discriminant dic? tionary classification method for prestack seismic re? flection patterns[J]. Applied Geophysics， 2022， 19（2）： 197?208.

［18］ ANJOM F K， VACCARINO F， SOCCO L V. Ma? chine learning for seismic exploration： Where are we and how far are we from the holy grail？ [J]. Geo? physics， 2024， 89（1）： WA157?WA178.

［19］ ZHAO T， JAYARAM V， ROY A， et al. A compari? son of classification techniques for seismic facies recog? nition[J]. Interpretation， 2015， 3（4）： SAE29?SAE58.

［20］ KUMAR A， SINGH S K， SAXENA S， et al. Deep feature learning for histopathological image classifica? tion of canine mammary tumors and human breast can? cer[J]. Information Sciences， 2020， 508： 405?421.

［21］ 楊雨， 文龍， 宋澤章， 等. 川中古隆起北部蓬萊氣區(qū) 多層系天然氣勘探突破與潛力[J]. 石油學(xué)報， 2022， 43（10）： 1351?1368. YANG Yu， WEN Long， SONG Zezhang， et al. Breakthrough and potential of natural gas exploration in multi?layer system of Penglai gas area in the north of central Sichuan Paleo ? uplift[J]. Acta Petrolei Sinica， 2022， 43（10）： 1351?1368.

（本文編輯：張偉）

作 者 簡 介

張旋 高級工程師，碩士，1987 年生；2010、2013 年分別獲得成都理工大學(xué)資源勘查專業(yè)學(xué)士學(xué)位、礦產(chǎn)普查與勘探專業(yè)碩士學(xué)位；2022 年入選中國石油集團“青年科技人才計劃”，2024 年入選自然資源部后備青年科技人才；現(xiàn)就職于主要從事碳酸鹽巖地球物理科研工作。