神经网络法在泌阳凹陷地区储层参数预测中的应用

2011-04-26谢锐杰连小翠朱晶晶油气资源与勘探技术教育部重点实验室长江大学长江大学地球物理与石油资源学院湖北荆州434023

长江大学学报(自科版) 2011年4期

胡伟,谢锐杰,连小翠,骆旋,朱晶晶油气资源与勘探技术教育部重点实验室(长江大学) 长江大学地球物理与石油资源学院,湖北荆州434023

随着地震勘探技术的深入发展和勘探工区复杂性的增大,地球物理工作者希望能直接利用地震波特征参数进行储层参数 (孔隙度、砂岩厚度)的预测。地震波特征参数蕴含着丰富的储层地质信息,运用地震波特征参数进行储层横向预测,是人们认识油气藏的重要手段[1]。从地震资料中可提取多种不同的地震波特征参数,但影响地震波特征参数变化的因素十分复杂。因此,需要用一组地震波特征参数来研究储层参数的变化[2]。综合利用地震波特征参数作储层预测的方法较多,但传统的统计模式识别方法和技术还存在诸多不足,如需求的条件多、应用效果难以把握以及操作复杂等。神经网络理论的出现,克服了上述问题。为此,笔者针对泌阳凹陷的地质情况,选取了二十多种最敏感的地震波特征参数利用神经网络方法进行储层参数预测。

1 工区地质概况

泌阳凹陷为中新生界断陷盆地,其主要地层组包括上白垩统至下第三系中始新统的玉皇顶组和大仓房组、上始新统至中渐新统下部的核桃园组、中渐新统上部的廖庄组、上第三系的凤凰镇组 (上寺组)及第四系平原组。核桃园组是泌阳凹陷最主要的地层组成单元,凹陷的烃源层及目前所发现的油气藏均集中在该地层中。核桃园组自上而下可分为3个地层段,即核一段、核二段和核三段。笔者研究的目的层是核桃园组的核三段地层,其主要含灰黑-深灰色泥岩夹泥质白云岩、白云岩和砂岩,顶部夹薄层天然碱和油页岩及钙质页岩,厚400～4500m。按照地层超覆与不整合关系,核桃园组又可为4个3级层序,每个层序基本上由湖扩张体系域和萎缩体系域组成,即自下而上为退积型扇三角洲体系、湖相加积或进积型冲积体系和进积型扇三角洲体系沉积。

2 地震波特征参数概述

地震波特征参数是表征地震波几何形态、动力学、运动学和统计特征的物理量,有着明确的地质意义[3],能反映十分丰富的地层信息和油气信息,因而可以从地震数据中提取各种地震波特征参数用于储层参数的预测。地震波特征参数多达100多种,在不同地区甚至同一地区的不同层位的地震波特征参数不完全相同[4]。针对泌阳凹陷的地质情况,选取20多种最敏感的地震波特征参数进行神经网络的储层参数预测。这些地震波特征参数可分为如下4类:①与频率有关的特征参数。该类参数主要反映地层岩性、厚度变化等。②与能量有关的特征参数。该类参数主要反映目标层内地层厚度、波阻抗、地层压力、含流体成分的变化等。③与波形有关的特征参数。该类参数主要反映目标层内古构造特征、古剥蚀面、沉积层序、沉积过程及其连续性等。④自回归系数。该类参数可以预测油气藏的类型及油藏边界。

3 预测原理

利用地震波特征参数进行神经网络的储层参数预测时,使用的神经网络是一种层状结构的前馈神经网络即多层感知器,其由输入层、输出层、一个或多个中间层组成,每个节点同一层间的节点不相连,只与邻层节点相连接,多层感知器使用的激活函数是S形函数。多层感知器按训练方法属于监督学习型,多采用误差反传播算法 (BP算法),该算法利用梯度搜索技术使估价函数最小化[5]。网络训练时,开始取一些小的随机数作为网络内部各个节点之间连接的权系数和各个节点上阈值的初始值,接着输入训练样本数据,根据网络得到输出结果并计算其与期望输出的差值,并按照一定的规则不断修改节点内部的阈值和节点间的连接权系数,重复这个过程直至权值收敛,并使估价函数降至可接收值。

训练样本中的第p个输入,输出层节点k与网络隐层第j个节点的连接权调节值Δpwkj用下式表示:

式中,Opj为节点j的输出;η称学习率;Δpk为误差项。

如j为输出层节点,则:

式中,Opk为节点的实际输出;Tpk为期望输出;netpk为输入;f′(netpk)为激活函数对节点总输入net的导数。

如j为隐蔽层节点,则:

当激活函数 f选用S形函数时:

对于整个训练集:

由式(5)可见,权值改变的比例常数是学习率。学习率越大,则权值改变量越大,网络收敛速度也越快。但学习率大会产生震荡,为改变该状况,可增加一个冲量项,则权值改变量表示为:

式中,α为比例常数;n+1、n分别表示第n+1步和第n步迭代。

4 预测步骤

基于上述原理,应用地震波特征参数进行储层参数预测的主要步骤如下:①地震资料的构造精细解释。对目的层段的顶、底界面作地震构造精细解释并提取目的层段间的地震数据。②提取地震波特征参数。通过数学运算方法对提取的目的层段的地震数据作数学变换,得到在目的层段不同的地震波特征参数。③神经网络的训练。设计神经网络的结构,然后将井旁地震波特征参数和测井、钻井、试油、地质等资料综合评定的储层参数输入设计的神经网络,由神经网络进行学习,确定神经网络内部各个节点之间连接的权系数和节点上的阀值。④对储层参数进行预测。完成神经网络训练后,将目的层地震波特征参数按地震道逐道输入,神经网络根据训练时 “学习到的知识”对输入地震道进行分析,输出地震道处的储层孔隙度和砂岩厚度。最后,可以根据得到的孔隙度和砂岩厚度绘制储层孔隙度和砂岩厚度的平面分布图。应用地震资料进行储层参数预测的基本过程如图1所示。

5 应用实例

通过对泌阳凹陷地区叠前及叠后的油气预测和控制因素分析,确定H32、H33、H34油层作为重点研究的目的层。在精确储层标定及精细层位解释基础上,在泌阳凹陷地区追踪了目的层位,沿层开时窗,选取的时窗为目的层位的顶和底界面的时间长度,然后提取前面所述的20多种特征参数,形成特征参数空间。选用了2口井作为学习样本,其中B198井是储层发育和含油气性较好的井,作为油层样本;而B188井是储层发育较差、不含油气的井,作为干层样本。将井旁地震波特征参数和储层参数输入设计的神经网络进行学习,将目的层地震波特征参数逐道输入,神经网络根据训练时 “学习到的知识”对输入地震道进行分析,得到预测结果并且绘制成人工神经网络预测平面图。

图1 神经网络法储层参数预测框图

泌阳凹陷核三段3个砂组的储层参数共用6口井参加预测并检验分析,得到孔隙度和砂岩厚度的预测结果如表1所示。从表1可以看出,孔隙度与砂岩厚度预测值与实测值的相对误差大部分都在20%以内,有少数样本的预测结果相对误差比较大,其原因可能是由于实测值过大或过小所导致,但从总体上看利用神经网络方法预测储层参数是可行的。