CN106338764A - 生物启发计算地层圈闭油气藏超剥线识别方法 - Google Patents

Abstract

本发明提供一种生物启发计算地层圈闭油气藏超剥线识别方法，该生物启发计算地层圈闭油气藏超剥线识别方法包括：步骤1，输入三维地震数据体；步骤2，针对需要识别的地层超剥线大致范围，采用一种边缘检测手段来增强地震数据在空间上的连续性；步骤3，设定搜索参数；步骤4，将满足地层连续性敏感性强的参数运算并形成生物启发计算连续性属性数据体；步骤5，追踪解释具有超剥特征的生物启发计算连续性属性数据体，得出地层超剥线在平面上的分布。该生物启发计算地层圈闭油气藏超剥线识别方法可实现高效的检测结果并准确确定超剥线的位置，可以降低超剥线识别的多解性，提高勘探部署质量和效益。

Description

生物启发计算地层圈闭油气藏超剥线识别方法

技术领域

本发明涉及油田勘探开发技术领域，特别是涉及到一种生物启发计算地层圈闭油气藏超剥线识别方法。

背景技术

地层圈闭油藏隐蔽性强，其成藏主要受控于超剥线位置、顶底板岩性、储层、地层倾角等多种因素。地层油藏通常呈条带状分布，一般含油高度较小，其钻探部位太高或太低都将导致勘探失利，因此准确识别地层超剥线在隐蔽油气藏勘探中显得尤为重要。地层圈闭超剥线附近的地震特征和顶底板岩性、地层倾角、不整合面倾角、储层厚度及物性密切相关,在地层厚度薄，顶底板岩性差异小，地层和不整合面倾角不明显，以及储层速度、孔渗、流体性质无显著变化等情况下，将导致超剥线附近地震响应变弱、特征不明显，特别是复合波的存在，造成地层圈闭超剥线更加难以识别。目前利用地震资料识别地层超剥线有效方法较少，常用的地层夹角外推法、相位等地震属性解释法在识别地层超剥线方面具有局限性。为此我们发明了一种新的生物启发计算地层圈闭油气藏超剥线识别方法，解决了以上技术问题。

生物启发计算是一种宏观意义下的仿生计算技术，它可以模拟自然界中生命与智能的生成与进化过程。具有自学习、自组织和自适应特征，能够为传统算法难以解决的各类复杂问题给出合理的解决方向，具有广泛的应用前景。应用在石油地球物理中的生物启发计算方法如遗传算法、蚁群算法、DNA算法、神经网络等，取得了较好的应用效果。

典型的生物启发计算方法有：遗传算法(GA)，粒子群优化算法(PSO)，蚁群算法(ACO)，人工蜂群算法(ABC)，细菌觅食算法(BFO)，群搜索算法(GSO)，DNA计算、膜计算(MC)、自组织迁移算法(SOMA)等。单一的算法常常达不到预期的效果,需要综合两种以上的算法进行优化计算。

发明内容

本发明的目的是提供一种根据某区的实际资料，利用生物启发计算方法对多类型的地层超覆、剥蚀地质模型开展正演模拟，获得了比较精确的识别地层超剥点、线的位置，有效的解决地层超剥线识别的难题的生物启发计算地层圈闭油气藏超剥线识别方法。

本发明的目的可通过如下技术措施来实现：生物启发计算地层圈闭油气藏超剥线识别方法包括：步骤1，输入三维地震数据体；步骤2，针对需要识别的地层超剥线大致范围，采用一种边缘检测手段来增强地震数据在空间上的连续性；步骤3，设定搜索参数；步骤4，将满足地层连续性敏感性强的参数运算并行成生物启发计算连续性属性数据体；步骤5，追踪解释具有超剥特征的生物启发计算连续性属性数据体，得出地层超剥线在平面上的分布。

本发明的目的通过如下具体技术措施来实现：

在步骤1中，输入的三维地震数据体为标准segy格式文件。

在步骤2中，采用边缘检测来增强地震数据在空间上的连续性，并通过噪音来任意地限定地震数据。

在步骤3中，设定搜索参数，采用生物启发计算之一的蚁群算法,设m为蚂蚁的数目，n表示地震采样点，a为采样点的属性值，在算法初始时刻，将m只蚂蚁随机放到n个采样点上，蚂蚁同时从一个采样点到另一个采样点，逐步完成搜索，Nc为算法循环迭代次数，1<Nc<Ncmax,Ncmax为设定最大循环迭代次数，每次迭代中，以t为刻度，0≤t≤n，τ_i,j(t)表示t时刻在采样点i和j之间(i,j)上的信息素量，禁忌集tabu_k(k＝1,2,...,m)用来记录蚂蚁k当前已经走过的采样点的集合，避免蚂蚁重复走进同一个地震采样点，则在t时刻蚂蚁k从采样点i向j移动的概率如式(1、2)所示：

$\begin{array}{cc}{P^k}_{ij}\left(t\right)=({\&lsqb;{\mathrm{\&tau;}}_{ij}\left(t\right)\&rsqb;}^{\mathrm{\&alpha;}}.{\&lsqb;{\mathrm{\&eta;}}_{ij}\&rsqb;}^{\mathrm{\&beta;}})/\underset{s\&Element;S_k\left(i\right)}{\&Sigma;}{\&lsqb;{\mathrm{\&tau;}}_{ij}\left(t\right)\&rsqb;}^{\mathrm{\&alpha;}}.{\&lsqb;{\mathrm{\&eta;}}_{ij}\&rsqb;}^{\mathrm{\&beta;}}& j\&Element;S_k\left(i\right)\end{array}---\left(1\right)$

$\begin{array}{cc}{P^k}_{ij}\left(t\right)=0& j\&NotElement;S_k\left(i\right)\end{array}---\left(2\right)$

其中S_k(i)是k允许集，S_k(i)＝C-禁忌集为蚂蚁k下一步允许选择的采样点，C是所有采样点的集合{1,2,3,...,n}，α为信息素因子，表示信息素的重要程度，数值越大就体现信息素在蚂蚁行进过程中越重要，η_ij表示采样点i,j之间的能见度即属性变化值倒数，η_ij＝1/(a(j)-a(i)),属性变化越小，能见度越大，被选择的期望越高，β为期望启发式因子，表示能见度的重要程度，数值越大就体现具体问题的先验信息在蚂蚁行进过程中越重要，当全部的蚂蚁完成了一次循环后，信息素有增有减，因此信息素强度需要调整，设信息素挥发系数每次循环后采样点i,j之间的信息素强度如式(3、4)所示：

τ_i,j(t+n)＝(1-ρ)*τ_i,j(t)+Δτ_i,j(t) (3)

式中

${\mathrm{\&Delta;\&tau;}}_{i,j}\left(t\right)=\underset{k=1}{\overset{m}{\&Sigma;}}{{\mathrm{\&Delta;\&tau;}}^k}_{ij}\left(t\right)---\left(4\right)$

Δτk_ij(t)表示第k只蚂蚁在此次循环时留在采样点i，j之间的信息素量，Δτk_ij(t)有蚁量、蚁密、蚁周等模型获得，Δτ_i,j(t)表示此次循环中采样点i，j之间的信息素量增量，

基本的蚁群算法实现如下：

(1)初始化阶段，令当前循环次数Nc＝0,时间t＝0；设各个路径上的初始化信息量τ_i,j(0)为一常量，信息素的增量Δτ_i,j(t)＝0；设定最大循环次数NCmax地方，将m只蚂蚁放置于n个采样点上，初始化参数η_ij、α，β；

(2)循环阶段，如果Nc<NCmax，循环继续；如果Nc>NCmax，则循环结束；

(3)每只蚂蚁k按式(1)移动下一个顶点j，j∈k允许集；

(4)将每一只蚂蚁上一步走过的采样点放到该蚂蚁的禁忌表中，更新禁忌表；

(5)根据(2)式更新每条路径上信息量；

(6)Nc＝Nc+1,返回步骤(2)；

(7)循环结束，算法终止输出处理数据体。

在步骤4中，当波组特征变化不满足搜索参数要求时，流程返回步骤3，重新搜索参数。

本发明中的生物启发计算地层圈闭油气藏超剥线识别方法，采用的生物启发计算方法对地震资料的相似性、差异性具有较强敏感性，能有效识别出地层地震响应的相似性及其顶底板地震响应的差异性。通过建立超覆型与剥蚀型等不同的地质模型进行正演，结果表明，顶底板岩性、地层倾角、储层厚度等因素对地层超剥点的解释都存在影响，但合成地震记录解释的误差受其影响较大，而生物启发计算方法获得的处理剖面解释误差相对更小。济阳坳陷构造带中的草桥北斜坡沙河街组与义和庄凸起中古生界超剥带的识别实例，证实生物启发计算方法反映的地层受剥蚀现象清晰，剥蚀点误差更小，刻画的地层结构更趋合理。

附图说明

图1为本发明的生物启发计算地层圈闭油气藏超剥线识别方法的具体实施例的流程图；

图2为本发明的具体实施例中超覆型地质模型地震响应和蚁群算法识别超剥点对比图；

图3为本发明的具体实施例中剥蚀型地质模型地震响应和蚁群算法识别超剥点对比图；

图4为本发明的具体实施例中草桥北坡沙河街组蚁群算法超剥点识别和地震资料对比剖面图；

图5为本发明的具体实施例中草桥北坡古近系蚁群算法超剥点识别空间显示图；

图6为本发明的具体实施例中义和庄凸起超剥点识别和原始地震资料对比剖面图。

具体实施方式

为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。

如图1所示，图1为本发明的生物启发计算地层圈闭油气藏超剥线识别方法的流程图。

在步骤101，输入三维地震数据体，即标准segy格式文件。流程进入到步骤102。

在步骤102，针对需要识别的地层超剥线大致范围，采用一种边缘检测手段(如方差体、边缘检测)来增强地震数据在空间上的连续性并可通过噪音来任意地限定地震数据。流程进入到步骤103。

在步骤102，输入增强地震数据，设定搜索参数，m为蚂蚁的数目，n表示地震采样点，a为采样点的属性值。在算法初始时刻，将m只蚂蚁随机放到n个采样点上，蚂蚁同时从一个采样点到另一个采样点，逐步完成搜索。Nc为算法循环迭代次数，1<Nc<Ncmax,Ncmax为设定最大循环迭代次数。每次迭代中，以t为刻度，0≤t≤n，τ_i,j(t)表示t时刻在采样点i和j之间(i,j)上的信息素量，禁忌集tabu_k(k＝1,2,...,m)用来记录蚂蚁k当前已经走过的采样点的集合，避免蚂蚁重复走进同一个地震采样点。则在t时刻蚂蚁k从采样点i向j移动的概率如式(1、2)所示：

$\begin{array}{cc}{P^k}_{ij}\left(t\right)=({\&lsqb;{\mathrm{\&tau;}}_{ij}\left(t\right)\&rsqb;}^{\mathrm{\&alpha;}}.{\&lsqb;{\mathrm{\&eta;}}_{ij}\&rsqb;}^{\mathrm{\&beta;}})/\underset{s\&Element;S_k\left(i\right)}{\&Sigma;}{\&lsqb;{\mathrm{\&tau;}}_{ij}\left(t\right)\&rsqb;}^{\mathrm{\&alpha;}}.{\&lsqb;{\mathrm{\&eta;}}_{ij}\&rsqb;}^{\mathrm{\&beta;}}& j\&Element;S_k\left(i\right)\end{array}---\left(1\right)$

$\begin{array}{cc}{P^k}_{ij}\left(t\right)=0& j\&NotElement;S_k\left(i\right)\end{array}---\left(2\right)$

其中S_k(i)是k允许集，S_k(i)＝C-禁忌集为蚂蚁k下一步允许选择的采样点，C是所有采样点的集合{1,2,3,...,n}，α为信息素因子，表示信息素的重要程度，数值越大就体现信息素在蚂蚁行进过程中越重要。η_ij表示采样点i,j之间的能见度即属性变化值倒数，η_ij＝1/(a(j)-a(i)),属性变化越小，能见度越大，被选择的期望越高，β为期望启发式因子，表示能见度的重要程度，数值越大就体现具体问题的先验信息在蚂蚁行进过程中越重要。当全部的蚂蚁完成了一次循环后，信息素有增有减，因此信息素强度需要调整，设信息素挥发系数每次循环后采样点i,j之间的信息素强度如式(3、4)所示：

τ_i,j(t+n)＝(1-ρ)*τ_i,j(t)+Δτ_i,j(t) (3)

式中

${\mathrm{\&Delta;\&tau;}}_{i,j}\left(t\right)=\underset{k=1}{\overset{m}{\&Sigma;}}{{\mathrm{\&Delta;\&tau;}}^k}_{ij}\left(t\right)---\left(4\right)$

Δτk_ij(t)表示第k只蚂蚁在此次循环时留在采样点i，j之间的信息素量，Δτk_ij(t)有蚁量、蚁密、蚁周等模型获得。Δτ_i,j(t)表示此次循环中采样点i，j之间的信息素量增量。

基本的蚁群算法实现如下：

初始化阶段。令当前循环次数Nc＝0,时间t＝0；设各个路径上的初始化信息量τ_i,j(0)为一常量。信息素的增量Δτ_i,j(t)＝0；设定最大循环次数NCmax地方，将m只蚂蚁放置于n个采样点上，初始化参数η_ij、α，β。

循环阶段。如果Nc<NCmax，循环继续；如果Nc>NCmax，则循环结束。

每只蚂蚁k按式(1)移动下一个顶点j，j∈k允许集.

将每一只蚂蚁上一步走过的采样点放到该蚂蚁的禁忌表中，更新禁忌表。

根据(2)式更新每条路径上信息量。

Nc＝Nc+1,返回步骤(2)。

循环结束，算法终止输出处理数据体。

流程进入到104。

在步骤104，判断波组特征变化是否满足搜索参数的要求。当满足搜索参数要求时，流程进入到步骤105。当不满足搜索参数要求时，流程返回到步骤103，重新设定参数。

在步骤105，将满足搜索参数的波组特征变化处作为超剥点，并将其记录下来。流程进入到步骤106。

在步骤106，通过步骤104生成的数据体，追踪解释该数据体得到超剥点，将超剥点连成超剥线，输出超剥线，从而得到地层超剥线在平面上的分布。

以下为应用本发明的两个验算正演模型和两个具体实施例：

正演模型1，超覆型地质模型及超覆点识别

建立图2所示的超覆型砂泥岩间互地质模型，模型包括6层层状砂体，厚度5～15m，不整合面倾角5°～45°，砂岩速度2800m/s，泥岩速度2300m/s，不整合面以下地层速度4300m/s。

从主频30Hz合成地震记录看，越靠近超覆点层状砂体振幅越弱，识别的超覆点和实际超覆点相距较远，二者相距大小和不整合面倾角、砂体厚度、砂泥岩速度差及主频有关。当不整合面较缓时，合成地震记录得到的超剥点和实际超剥点距离相差较大，如不整合面倾角在5°左右时，二者相距300m；当不整合面较陡时，其合成地震记录反映的超剥点和实际超剥点相差就小，如不整合面倾角在45°左右时，二者相差70m左右。

而蚁群算法识别的超覆点位置和实际超覆点位置一般相差较小。当不整合面越缓时，蚁群算法识别的超覆点和实际超覆点距离相差越大，不整合面倾角5°左右时，相距100m。当不整合面越陡时，蚁群算法识别的超覆点和实际超覆点相差越小；不整合面倾角45°左右时，相差10m左右，二者基本吻合。

正演模型2，剥蚀型地质模型及剥蚀点识别

建立图3所示的剥蚀型砂泥岩间互地质模型，模型包括5层层状砂体，地层倾角10°，厚度5～50m，砂岩速度2800m/s，泥岩速度2300m/s。上覆地层倾角5°，地层为泥岩和砂岩，砂岩速度2400m/s，泥岩速度2100m/s。

从主频30Hz合成地震记录看地震响应，上覆地层和剥蚀地层之间形成中强振幅，砂体地震响应可识别的剥蚀点和实际剥蚀点相距较远。地震响应可识别剥蚀点距离最前端剥蚀点随砂体厚度增大而增大，砂体厚度15m时砂体地震响应可识别的剥蚀点和实际剥蚀点最前端相距约400m；砂体厚度45m时相距约700m。砂体地震响应可识别的剥蚀点和实际最后端剥蚀点距离约200m，和砂体厚度相关性较小。砂体地震响应可识别的剥蚀点与实际最后端剥蚀点垂直高度和地层倾角及上覆地层倾角有关，砂体地层倾角10°，上覆地层倾角5°时，二者垂直距离约20m，砂体地震响应可识别的剥蚀点与实际最前端剥蚀点垂直高度不但和地层倾角有关，还和砂体厚度有关。

蚁群算法识别的剥蚀点位置和实际剥蚀点位置相差较小，相差20m以内，二者基本吻合。蚂蚁追踪算法可以准确识别剥蚀砂体的最前端剥蚀点，而合成地震记录不能识别。

实施例1，草桥北坡沙河街组地层超剥带识别

草桥北坡位于济阳坳陷东营凹陷南部斜坡带，自南向北沙河街组地层逐渐遭受剥蚀，被馆陶组地层覆盖，发育以地层圈闭为主的多类型圈闭，具有较大勘探潜力。草桥北坡沙河街组Ⅰ、Ⅱ、Ⅲ级不整合面附近超覆、剥蚀现象明显，但地层超剥点常规地震资料较难识别，尤其是Ⅱ、Ⅲ级不整合面。该地区Ⅲ级不整合面由沉积间断面(或侵蚀面)和相转换面(由湖平面突变造成的沉积体系域转换)组成。分别位于孔店组-沙四下内部(T8—Ek2/Ek1、T8’—Ek1/Es4下)、沙四上与东营组之间(T7—沙四上内部纯上/纯下、T6—沙三段底界面、T4—Es3中/Es3上、T2’—Es1/Ed)。从地震剖面上看这些不整合面有的表现为强振幅、高连续反射特征，但由于受到地震资料分辨率限制(频率在25Hz左右)，尖灭点附近表现为复合地震波反射，实际地层尖灭位置不能准确刻画；有的不整合面在强反射屏蔽下表现为空白弱反射，追踪困难。使用蚁群算法对这些不整合面进行处理，由于蚁群追踪最大限度保留了地震横向连续性信息，处理后地层超剥点较地震剖面有明显提升，原来复合波有效分离，超覆地层尖灭点表现清晰，剥蚀点与不整合面接触关系更为明确，尖灭点位置非常清楚，相对于直接在地震剖面上识别，在生物启发计算剖面上向前推50米左右，更易于划分地层结构，如图4所示。生物启发三维显示图上可以从不同方向进行超剥线的识别，可以看出各层系地层遭受剥蚀现象清晰，超剥点明确，如图5所示。

实施例2，义和庄凸起中古生界地层超剥带识别

义和庄凸起位于济阳坳陷车镇凹陷南部沾化凹陷西部，发现中生界和上下古生界多套含油层系，中生界和上古生界石炭-二叠系为首构造控制的层状油藏，以断块和地层不整合油藏为主。由于多期构造运动影响，中-古生界潜山内幕构造复杂，断层刻画难度大，地震反射特征比较杂乱，与上覆第三系地层接触关系不明确，地层结构不明确，构造和地层超剥带落实困难。利用生物启发计算处理后，可以明显看到中-古生界发育高角度层状地层，地层呈平行或亚平行反射特征，北厚南薄，发育两条较大的南倾断层，中-古生界地层与上覆地层接触关系清楚，各层剥蚀点(尖灭点)位置明确，使用生物启发计算参数剖面更易于刻画地层结构，如图6所示。

Claims (5)

1.生物启发计算地层圈闭油气藏超剥线识别方法，其特征在于，该生物启发计算地层圈闭油气藏超剥线识别方法包括：

步骤1，输入三维地震数据体；

步骤2，针对需要识别的地层超剥线大致范围，采用一种边缘检测手段来增强地震数据在空间上的连续性；

步骤3，设定搜索参数；

步骤4，将满足地层连续性敏感性强的参数运算并行成生物启发计算连续性属性数据体；

步骤5，追踪解释具有超剥特征的生物启发计算连续性属性数据体，得出地层超剥线在平面上的分布。

2.根据权利要求1所述的生物启发计算地层圈闭油气藏超剥线识别方法，其特征在于，在步骤1中，输入的三维地震数据体为标准segy格式文件。

3.根据权利要求1所述的生物启发计算地层圈闭油气藏超剥线识别方法，其特征在于，在步骤2中，采用边缘检测来增强地震数据在空间上的连续性，并通过噪音来任意地限定地震数据。

4.根据权利要求1所述的生物启发计算地层圈闭油气藏超剥线识别方法，其特征在于，在步骤3中，设定搜索参数，采用生物启发计算之一的蚁群算法,设m为蚂蚁的数目，n表示地震采样点，a为采样点的属性值，在算法初始时刻，将m只蚂蚁随机放到n个采样点上，蚂蚁同时从一个采样点到另一个采样点，逐步完成搜索，Nc为算法循环迭代次数，1<Nc<Ncmax,Ncmax为设定最大循环迭代次数，每次迭代中，以t为刻度，0≤t≤n，τ_i,j(t)表示t时刻在采样点i和j之间(i,j)上的信息素量，禁忌集tabu_k(k＝1,2,...,m)用来记录蚂蚁k当前已经走过的采样点的集合，避免蚂蚁重复走进同一个地震采样点，则在t时刻蚂蚁k从采样点i向j移动的概率如式(1、2)所示：

${P^k}_{ij}\left(t\right)=({\&lsqb;{\mathrm{\&tau;}}_{ij}\left(t\right)\&rsqb;}^{\mathrm{\&alpha;}}.{\&lsqb;{\mathrm{\&eta;}}_{ij}\&rsqb;}^{\mathrm{\&beta;}})/\underset{s\&Element;S_k\left(i\right)}{\&Sigma;}{\&lsqb;{\mathrm{\&tau;}}_{is}\left(t\right)\&rsqb;}^{\mathrm{\&alpha;}}.{\&lsqb;{\mathrm{\&eta;}}_{is}\&rsqb;}^{\mathrm{\&beta;}}j\&Element;S_k\left(i\right)---\left(1\right)$

${P^k}_{\mathrm{ij}}\left(t\right)=0j\&NotElement;S_k\left(i\right)---\left(2\right)$

其中S_k(i)是k允许集，S_k(i)＝C-禁忌集为蚂蚁k下一步允许选择的采样点，C是所有采样点的集合{1,2,3,...,n}，α为信息素因子，表示信息素的重要程度，数值越大就体现信息素在蚂蚁行进过程中越重要，η_ij表示采样点i,j之间的能见度即属性变化值倒数，η_ij＝1/(a(j)-a(i)),属性变化越小，能见度越大，被选择的期望越高，β为期望启发式因子，表示能见度的重要程度，数值越大就体现具体问题的先验信息在蚂蚁行进过程中越重要，当全部的蚂蚁完成了一次循环后，信息素有增有减，因此信息素强度需要调整，设信息素挥发系数每次循环后采样点i,j之间的信息素强度如式(3、4)所示：

τ_i,j(t+n)＝(1-ρ)＊τ_i,j(t)+Δτ_i,j(t) (3)

式中

${\mathrm{\&Delta;\&tau;}}_{i,j}\left(t\right)=\underset{k=1}{\overset{m}{\&Sigma;}}{{\mathrm{\&Delta;\&tau;}}^k}_{ij}\left(t\right)---\left(4\right)$

Δτ^k _ij(t)表示第k只蚂蚁在此次循环时留在采样点i，j之间的信息素量，Δτ^k _ij(t)有蚁量、蚁密、蚁周等模型获得，Δτ_i,j(t)表示此次循环中采样点i，j之间的信息素量增量，

基本的蚁群算法实现如下：

(1)初始化阶段，令当前循环次数Nc＝0,时间t＝0；设各个路径上的初始化信息量τ_i,j(0)为一常量，信息素的增量Δτ_i,j(t)＝0；设定最大循环次数NCmax地方，将m只蚂蚁放置于n个采样点上，初始化参数η_ij、α，β；

(2)循环阶段，如果Nc<NCmax，循环继续；如果Nc>NCmax，则循环结束；

(3)每只蚂蚁k按式(1)移动下一个顶点j，j∈k允许集；

(4)将每一只蚂蚁上一步走过的采样点放到该蚂蚁的禁忌表中，更新禁忌表；

(5)根据(2)式更新每条路径上信息量；

(6)Nc＝Nc+1,返回步骤(2)；

(7)循环结束，算法终止输出处理数据体。

5.根据权利要求1所述的生物启发计算地层圈闭油气藏超剥线识别方法，其特征在于，在步骤4中，当波组特征变化不满足搜索参数要求时，流程返回步骤3，重新搜索参数。