CN105652316A - 一种基于裂缝模型的智能优化地震多属性融合方法 - Google Patents

Abstract

本发明涉及一种基于裂缝模型的智能优化地震多属性融合方法，包括以下步骤：S1：加载地震和测井资料并做标定；S2：人工校正测井曲线，保证测井资料与地震资料匹配；S3：计算裂缝密度曲线，分析不同尺度裂缝引起不同的测井响应以及不同地球物理响应；S4：依据不同尺度裂缝的地球物理响应，井震结合建立裂缝网络正演模型，分析优选裂缝敏感属性；S5：引入裂缝敏感参数，在井点附近训练地震资料；S6：将训练出的非线性关系应用于整个地震数据体，达到裂缝变量参数预测的目的。本发明的有益效果在于，通过该算法的非线性扩展，进行裂缝多属性的组合优选，经过多次训练学习和概率估算，有效地降低不同尺度裂缝预测的多解性。

Description

一种基于裂缝模型的智能优化地震多属性融合方法

技术领域

本发明涉及一种基于裂缝模型的智能优化地震多属性融合方法。

背景技术

地震勘探一直是降低油气勘探风险和采油成本的主要方法。自上世纪80年代开始，研究如何利用地震资料定量检测裂缝油气藏逐渐为世界各大石油公司所重视。到20世纪90年代后期，学术界和工业界基本达成共识，利用地震资料(包括纵波和横波)可以有效地预测裂缝的走向和相对分布规律，在裂缝检测方法上，横波勘探的效果应该比纵波好，但是难度较大，如震源破坏性强、信噪比低、记录长、静校正困难、成本高等。尽管如此，因为横波携带更多的裂缝信息，在条件允许情况下，多波多分量勘探还是应为首选。

地震裂缝检测的基本方法之一是利用地震各向异性所引起的横波分裂和纵波方位属性变化来确定裂缝的走向和密度。Crampin等(1977)用反射率法制作了三分量合成地震记录，观察到了横波分裂现象，并通过横波分裂研究指出：裂缝诱导的各向异性可能是地壳中各向异性的主要原因。这种观点也得到了Thomsen的支持。在20世纪80年代之前，针对各向异性的研究一直处于相对较冷阶段。McCollum和Snell，Weatherby等，Ricker，White和Sengbush、Postma相继观察到了地震各向异性的实际存在。Postma(1955)阐述了单层厚度明显小于地震波波长的薄层周期性组合(简称PTL)可以等效为具有垂直对称轴的横向各向同性介质(简称为VTI)。在这一理论的指导下，增加了勘探地震家对各向异性的兴趣，因为形成油气藏的除基层外通常是分层的沉积岩。Bruggeman首次指出层状固体大都具有VTI各向异性，确定VTI各向异性需要5个参数，可以认为，他就是周期性薄层(PTL)模型的理论奠基人。Stoneley研究了陆棚结构中地震各向异性的意义。Krey和Hellig(1956)研究了VTI薄层状各向异性介质中反射波的传播规律。Backkus提出了弱各向异性介质中速度与岩性关系的公式。Crampin从面波频散中发现了各向异性的证据，此后他还深入地研究了地震面波在多层各向异性介质中的传播特性。

国内在裂隙与各向异性研究方面，起步较晚，但地震学和地震勘探工作者对各向异性给予了高度重视并开展工作，发展较快。陈颙等利用物理模型分析裂隙介质中的横波分裂；冯德益讨论了裂隙双相各向异性介质中Christoffel方程；徐果明研究了横向各向同性介质中的传播矩阵及应用；何樵登等进行二维与三维横向各向同性介质(EDA和PTL)中地震波的传播规律和正、反演方面的研究；席道瑛、陈琳研究了岩样的各向异性；张碧星，王克协对各向异性双相介质中多极源声波测井进行了理论研究；姚陈等研究了反射率法合成技术；董敏煜等研究了EDA裂隙介质各向异性的差分模拟法；徐中信、张中杰提出在各向异性介质中利用弹性参数进行岩性勘探的设想；贺振华从岩石物理的角度对各向异性特别是裂缝诱导的各向异性介质进行了深入的研究。

进入90年代后，阴可和杨慧珠(1997)研究了各向异性介质中的AVO，分析了横向各向同性和方位各向异性的成因，讨论了AVO属性关系以及在实际资料应用中的相关问题。朱培民等(2001)研究了用纵波AVO数据反演储层裂缝密度参数，讨论了弹性参数、各向异性系数和裂缝参数之间的关系，导出了利用AVO反演裂缝密度的基本方程。YongyiLi等(2001)对HTI介质中的方位AVO反演(AVOZI)进行了系统的研究。朱成宏等(2002)利用裂缝介质的速度椭圆特征提出了以全方位自适应扫描技术为基础的层间速度椭圆参数反演分析技术并应用于实际资料。为了改进RVA(振幅随方位角变化)、VVA(速度随方位角变化)等方法分辨率和稳定性的不足，曲寿利(2001)提出了波阻抗随方位角变化(IPVA)的方法，并应用于罗家湾泥岩储层裂缝预测中，取得与井吻合的裂缝预测效果。为了避免受资料信噪比和地震子波的影响，张公社(2004)提出了非线性动力学参数随方位角变化(PFVA)的方法，同样在罗家湾泥岩储层裂缝预测中取得可靠效果。GuanLuping等(2006)采用AVAZ技术预测裂缝方位和裂缝密度，并将这一技术应用于塔河油田缝洞体系的描述。WangJiushuan等(2008)利用宽方位P波地震资料进行AVO分析，有效刻画了裂缝方位和密度。ZhangZhirang等(2009)利用P波方位各向异性属性进行裂缝检测，实现了渤海湾地区古生界潜山油气藏的描述。

相对于砂岩储层，碳酸盐岩储层表现出更强的非均质性和地震各向异性，无论是储层的地质特征，还是地震反射的波场特征都与砂岩储层具有明显的区别。碳酸盐岩缝洞储层地震各向异性分析和处理技术国内尚处于起步阶段，从测井评价到地震技术都没有形成有效的技术流程，尤其应用多波资料通过地震衰减各向异性检测储层裂缝及流体，以满足勘探开发生产的急需，国内尚无先例。地震衰减各向异性裂缝、流体识别技术等方面，国内基本属于空白，因此，有必要进一步开展应用研究，填补这些空白。

在利用地震属性信息研究复杂地质问题时，单一的地震属性往往存在局限性。比如，相干、曲率、方差、边缘检测、蚂蚁体、应力场检测、各项异性检测等不同的地震几何属性能够较好的预测大中小不同尺度的裂缝。但仅靠其中单一属性很难对不同尺度裂缝进行全面综合表征。而多属性综合分析在有效克服单一属性所带来的局限性的同时，增加了裂缝预测结果的多解性和不确定性。如何综合分析优选这些属性，对不同尺度裂缝进行综合预测成为技术的难点。

发明内容

鉴于现有技术中存在的上述问题，本发明的主要目的在于解决现有技术的缺陷，本发明提供一种基于裂缝模型的智能优化地震多属性融合方法，该方法主要采用概率神经网络(PNN)，在进行裂缝参数预测过程中，在基于裂缝模型正演基础上，可以通过该算法的非线性扩展，进行裂缝多属性的组合优选，经过多次训练学习和概率估算，有效地降低不同尺度裂缝预测的多解性。

本发明提供了一种基于裂缝模型的智能优化地震多属性融合方法，包括以下步骤：

S1：加载地震和测井资料并做标定；

S2：人工校正测井曲线，保证测井资料与地震资料匹配；

S3：计算裂缝密度曲线，分析不同尺度裂缝引起不同的测井响应以及不同地球物理响应；

S4：依据不同尺度裂缝的地球物理响应，井震结合建立裂缝网络正演模型，分析优选裂缝敏感属性；

S5：引入裂缝敏感参数，在井点附近训练地震资料，使之能够预测感兴趣的裂缝正演敏感参数；

S6：将训练出的非线性关系应用于整个地震数据体，达到裂缝变量参数预测的目的。

本发明具有以下优点和有益效果：本发明提供一种基于裂缝模型的智能优化地震多属性融合方法，该方法主要采用神经网络算法，该神经网络算法具有抗干扰能力强，能自适应学习，把识别处理和裂缝模型干预处理融为一体来完成，本发明提供的一种基于裂缝模型的智能优化地震多属性融合方法采用概率随机神经网络(PNN)算法，在进行裂缝参数预测过程中，在基于裂缝模型正演基础上，可以通过该算法的非线性扩展，进行裂缝多属性的组合优选，经过多次训练学习和概率估算，有效地降低不同尺度裂缝预测的多解性。

具体实施方式

下面将参照具体实施例对本发明作进一步的说明。

本发明实施例的一种基于裂缝模型的智能优化地震多属性融合方法，该方法主要采用概率神经网络(PNN)，在进行裂缝参数预测过程中，在基于裂缝模型正演基础上，可以通过该算法的非线性扩展，进行裂缝多属性的组合优选，经过多次训练学习和概率估算，有效地降低不同尺度裂缝预测的多解性；概率随机神经网络PNN训练所用的数据包括一系列训练“实例”，在分析时窗内，每个地震样点都有一口井与之对应：

{A₁₁，A₂₁，A₃₁，L₁}

{A₁₂，A₂₂，A₃₂，L₂}

{A₁₃，A₂₃，A₃₃，L₃}

……

{A_1n，A_2n，A_3n，L_n}

这里，有n个训练样本和3种属性，L_i代表每个实例的实际目标测井值；对于给定的训练数据，PNN法假设每个新的输出测井值都可以表示为训练数据测井值的线性组合。对于属性值为x＝{A_1j，A_2j，A_3j}的新数据样本，新的测井值为

$\hat{L}\left(x\right)=\frac{{\mathrm{\Σ}}_{i=1}^n{L}_i\exp (-D(x,x_i))}{{\mathrm{\Σ}}_{i=1}^n\exp (-D(x,x_i))},$ 式中：

$D(x,x_i)=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{\left(\frac{x_j-x_{\mathrm{ij}}}{{\mathrm{\σ}}_j}\right)}^2,$

其中，D(x，x_i)是输入点与每个训练点x_i之间的距离，这个距离在由属性张成的多维空间中度量，并按σ_j缩放，因此对每种属性，它可能会有所不同。网络的训练是要确定最优平滑参数σ_j，判定这些参数的标准是导出网络的校验误差最小；以上公式得到任意采样点的预测值，因为这个点的实际值是已知的，所以能够计算这个采样点的预测误差，对每一个采样点重复这个过程，能得到在所有训练数据中采样点的误差：

$E({\mathrm{\σ}}_1,{\mathrm{\σ}}_2,{\mathrm{\σ}}_3)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(L_i-{\hat{L}}_i)}^2,$

其中，预测误差依靠参数R的选择来确定。在PNN网络中使误差量减少到最小是通过使用非线性共轭梯度算法来实现的，所以，PNN神经网络具有有效误差最小的特点。PNN神经网络展现的特点同传统的神经网络在整体形态上很相似，但具有更好的稳定性。同时，由于PNN神经网络在所有训练数据中比较每一个输出采样和训练采样，使得运行速度很慢。为了提高运算速度，在本次技术研究中引入了裂缝网络模型的正演参数，加快多属性的收敛和提高预测变量的概率密度。

本发明提供的一种基于裂缝模型的智能优化地震多属性融合方法，其基本原理就是在基于裂缝模型正演基础上，井震结合，将研究区地震资料中能够反映裂缝的多种属性之间建立数学关系，形成能反映不同尺度裂缝的综合信息。具体流程如下：

S1：加载地震和测井资料并做标定；

S2：人工校正测井曲线，保证测井资料与地震资料匹配；

S3：计算裂缝密度曲线，分析不同尺度裂缝引起不同的测井响应以及不同地球物理响应；

S4：依据不同尺度裂缝的地球物理响应，井震结合建立裂缝网络正演模型，分析优选裂缝敏感属性；

S5：引入裂缝敏感参数，在井点附近训练地震资料，使之能够预测感兴趣的裂缝正演敏感参数；

S6：将训练出的非线性关系应用于整个地震数据体，达到裂缝变量参数预测的目的。

本发明提供的一种基于裂缝模型的智能优化地震多属性融合方法，通过井与地震属性间建立的综合信息来研究属性与裂缝的对应关系，开展多属性优选以及智能融合分析，完成裂缝储层的综合描述与预测；目前多属性融合技术有多元线性回归、模糊聚类、神经网络等。神经网络算法具有抗干扰能力强，能自适应学习，把识别处理和裂缝模型干预处理融为一体来完成；神经网络算法主要包括多层前馈网络的反向传播算法BP算法和概率随机神经网络(PNN)算法。

最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (1)

1.一种基于裂缝模型的智能优化地震多属性融合方法，其特征在于，包括以下步骤：

S1：加载地震和测井资料并做标定；

S2：人工校正测井曲线，保证测井资料与地震资料匹配；

S3：计算裂缝密度曲线，分析不同尺度裂缝引起不同的测井响应以及不同地球物理响应；

S4：依据不同尺度裂缝的地球物理响应，井震结合建立裂缝网络正演模型，分析优选裂缝敏感属性；

S5：引入裂缝敏感参数，在井点附近训练地震资料，使之能够预测感兴趣的裂缝正演敏感参数；

S6：将训练出的非线性关系应用于整个地震数据体，达到裂缝变量参数预测的目的。