地震相不同分类方式的作用及在储层预测中的应用

2013-08-07闫安菊阎建国全紫荆牛立群

物探化探计算技术 2013年3期

闫安菊，阎建国，2 ，全紫荆，高雪，牛立群，张薇

（1.成都理工大学地球物理学院，四川成都 610059；2.成都理工大学地球探测与信息技术教育部重点实验室，四川成都 610059）

0 前言

地震相分析是地震资料解释的一项重要方法技术，在沉积相分析和储层预测等方面有着广泛地应用。随着地震勘探的不断发展，我们可以利用更多的地震信息，并从体～面～线等方面全面地进行地震相分析，这对于提高地震相分析的精度和扩大地震相分析的应用范围具有重要意义。

现在工业界常用的Stratimagic软件，提供了三类不同划相分类技术［1］：

（1）基于地震道（Trace）的波形形状神经网络地震相分类划相。

（2）基于图（Map）的地震属性图的神经网络及模糊聚类地震相分类划相。

（3）基于地震数据体的多属性分级分类地震相体划相。

这些技术从输入的地震属性到具体的分类技术以及划相分类所针对的地震数据都有所不同，因而它们的适用范围和使用原则也显然有所区别。本文作者在前人研究的基础上，通过具体使用Stratimagic软件的各种分类方法并仔细对比各种方法结果后认为：

（1）基于地震道的地震波形分类技术，应作为反映储层层段内储层地震响应特征整体变化的主要方法。

（2）图分类技术是在地震属性平面图基础上得到的分类结果。

（3）体划相技术可以得到储层段内每一个样点分类值，同时反映了地震相的纵向和横向变化，具有较大的应用价值。

作者在本文中，通过对实际资料的实例分析，说明了上述三种分类技术的特点和作用，得出了有关结论，为今后利用Stratimagic软件进行地震相分析提供了重要参考价值。

1 三种分类技术的方法原理

自组织神经网络分类是Stratimagic软件中最主要的分类方法，只是各分类方法所输入属性数据体不同。具体分类理论如下所述。

1.1 自组织神经网络分类方法及参数选择

自组织神经网络是一种具有自学习功能的神经网络，由两层组成。输入层中神经元在一维空间中排列，而输出层的神经元可以是多维的，并且输出节点与邻域的其它节点广泛互连。神经网络在地震层段内对实际地震道进行训练，通过几次迭代之后，神经网络构造合成地震道，然后与实际地震数据进行对比，通过自适应试验和误差处理，合成道在每次迭代后被改变，在模型道和实际地震道之间寻找更好的相关。与聚类模式不同的是，其分类的数量并不严格，模型道与其相邻道具有较高的相关性［2］。

在利用Stratimagic软件进行地震相分析时，对地震相划分结果起重要作用的主要有三个参数，即①选择interval层段的大小；②波形分类数；③迭代次数［3～5］。

（1）Interval层段时窗选择的原则。Interval层段是在以两个层位之间，或某个层位加上限、下限范围的地震数据的集合。对于等厚时窗Interval层段的选取，最好是大于半个相位，并小于150ms。因为太大的Interval层段会包含太多的模型，给解释带来困难，物理意义也不明确。而对于非等厚时窗的选择，可以选取主要目的层段或顶底界面建立Interval层段。

（2）波形分类数的选取原则。波形分类数是指在整个感兴趣的层段内所遇到的地震道的种类数，较为理想的分类数是不容易定义的，建议至少计算三次去估计该参数。粗略且实用的估计方法有：①把层段厚度除以“6”，作为第一次计算的分类数；②把上次计算分类数的50%，作为第二次计算的分类数；③把第一次计算分类数的150%，作为第三次计算的分类数。

正确的分类数应取决于所要研究的目标和对数据的了解程度，分类数大，结果过于详细；分类数小，结果过于粗糙。在一般情况下，①分类数是在5～30之间；②分类数不能超过层段样点数的一倍；③超过15类～20类，通常是很难管理和解释的。

（3）迭代次数的选取原则。迭代次数是神经网络方法中的一个重要参数，通常情况下，神经网络大约在10次迭代后就收敛到实际结果的80%，这对于快速浏览以下很方便有效。在实际应用中，10 次～20次迭代已确保较好的分类，但对于最终解释最好选用20次～40次迭代，以保证网络收敛最佳。

分类数和迭代次数选取是否合理，可以利用模型道的交会图和模型道之间的差异性进行分析。图1是处理后的模型道波形图。图2（见下页）是其对应的交会图。一般来讲，交会图（见图2）中各类的分布近似于圆形或半椭圆、且各类分布均匀、各模型道之间的差异保持恒定（即模型道下红色线为直线），此时表明分类数和迭代次数合理。

1.2 三种分类方法的工作流程

1.2.1 道（Trace）分类模式

道（Trace）分类模式是从单一或多元地震数据体中对道形态的数据分类［6］。

Stratimagic使用自组织神经网络算法划分地震相就是基于地震道的波形状变化情况，将地震数据样点值的变化转换成地震道形状的变化来进行分类处理的。大多数情况下是按照地震道的形状进行分类，层段可以是一个等厚或非等厚层段，地震体也可以是振幅、相位、频率或者其它的加载到Stratimagic中的数字化属性数据，如波阻抗或孔隙度剖面等。

图1 模型道波形图Fig.1 The waveform model picture

图2 分类交会图Fig.2 The crossplot of classification

地震相处理遵循下列工作流程：

（1）创建一个层段。

（2）从层段中建立地震道的神经网络培训数据。

（3）如果需要的话，对模型道进行分析并对上一步再迭代。

（4）按模型道对实际数据进行分类。

（5）用神经网络技术进行分类处理的检验。

（6）若需要，进一步迭代。

1.2.2 图（Map）分类模式

图（Map）分类模式是从多元属性中对数据进行分类。

该技术方法是在一个层段内调查地震信号的变化性的另一种方法，它使用属性图（如层、层段属性和地震相）。其主要输入数据的类型包括层段属性、层位属性、沿层属性，以及其它模式分类的结果图。该技术既可用于等厚层段，又可用于非等厚层段，其多属性地震相图划分流程（MAFM）如下：

（1）创建一个层段（可变厚度或等厚度），计算层段属性和与之相关联的层位属性。

（2）如果你想包含一个等厚地震相作为属性之一，计算一下地震相。

（3）使用神经网络技术对已选择的属性进行分类。（4）划分结果的检验。

（5）若需要，使用不同的参数（属性、层段、分组数）进行进一步迭代。

1.2.3 体（Block）分类模式

体（Block）分类模式是从多元三维数据体中对样品数进行分类［7］。

地震相体分析技术即可以用于单一属性体，也可以用于多属性体的地震相分析，其结果是一个单一的3D 地震相体，即每一个采样点都被赋予了一个类别数和颜色。它主要输入数据的类型包括原始三维数据体和三维数据体的衍生属性（例如瞬时振幅、瞬时频率、瞬时相位、波阻抗、泊松比、截距、梯度等叠前和叠后三维属性体）。由于地震相体本身只说明了某种或某几种地震信号的异常情况，要赋予其地质意义需要有更多的地质信息，主要是井的信息。因此，在整个地震相体分析方法流程中，地震相结果的解释和与井的标定是十分重要的。其基本工作流程是：

（1）创建一个数据体（block）。

（2）单属性或多属性体的的输入。

（3）用主成份分析优化属性，从而确定其最佳分类数，迭代次数。

（4）使用神经网络技术对已选择的属性进行分类检验。

（5）对生成的地震相体做沿层或等时切片。

（6）观察其切片来做地震相图的解释。

2 三种分类模式各自的特点和应用条件

地震相是沉积相在地震剖面上的映射，它是指有一定分布范围的三维地震反射单元，其地震参数如反射结构、几何外形、振幅、频率、相位、连续性和层速度，皆与相邻单元不同［8～11］。它代表产生其反射的沉积物的一定岩性组合、层理和沉积特征。

（1）道（Trace）分类利用的是波形结构进行分类。波形结构与沉积地震厚度、反射结构、反射振幅、物性等密切相关，能够较好地反映地震相。通过波形的变化来区分不同沉积相带，适合较大范围以及大的沉积相带的划分，其主要影响因素是分类数的确定以及地震资料的品质。

（2）图（Map）分类的输入是地震数据经过数学变换获得的地震属性。属性与地层的岩性相关，岩性的变化主要通过波阻抗差异的变化表现出来，因而主要说明不同相带内的岩性不同。当Map模式输入数据为层段属性时，具有统计特征，分类结果可能与Trace模式分类结果有一定的可比性，也可能存在差异，其原因在于相同的层段内不同的波形可能对应着相同的层段属性，或者即使波形相似，而属性值也存在显著差异。

（3）体（Block）分类主要是给每个地震采样点都分配一个地震相分类数值和颜色，实现纵向和横向地震相同时划相分析，也主要是跟岩性相关。这对于了解岩相、沉积相、地层或储层特征的三维分布具有重要的意义。

3 实例分析

为了验证上述方法的有效性，作者对BKQ 地区实际资料进行了处理。根据研究工区现有物性资料，二叠系夏子街组储层主要是砂砾岩，平均孔隙度为11.1%。根据电性、沉积及地震响应特征可划分为两段，自上而下分别为夏子街组二段（P2x2）和夏子街组一段（P2x1）。各种分类结果分析如下。

3.1 道划相和图划相结果的对比

我们以夏子街的二段建立了目标分析层段，时窗大小约100ms。分类模式在划分的时候均采用的是神经网络算法，选取的分类数为10，迭代次数为30，样点数4＊4。

（1）通过对单属性trace分类的结果图和相关图的分析可知，在上述层段，选用原始振幅数据体，采用神经网络划分的trace地震相图和相关图分别如图3和下页图4所示。

图3中白色虚线框内的波形特征与研究区中其它地方波形分类平面分布有显著差异，结合根据测井资料中井的信息的标定，可推知白色虚线框内为研究区中有利储层的平面展布，即落在第5和第6类。

在图4中与图3中白色虚框区域内的相关系数达到了90%以上，即图中深蓝色所示。表明波形分类后的模型道和实际道的相关性很高。

（2）通过在同一层段下，对单属性的map分类分析可知，图5（见下页）是直接提取层间属性—样点振幅下的平均值后的层间属性图，图6（见下页）是图5中的这一层间属性作为map分类的输入后经过map分类所得到的图。

因为地震属性是多种复杂地质因素或参数的综合反映，利用地震属性来解析地质参数问题是一个由果求因的过程，其多解性和复杂性是显而易见的，特别是单一地震属性在进行储层预测时多解性强。根据已知资料分析，下页图5所得结果对实际情况的反映不如图3。

图3 道分类后地震相图Fig.3 Traces classification map

另外，对比图6与图5可以发现，展布规律大致相同，说明map分类模式所得结果与原始属性图类似，虽具有统计性，但意义不大。

3.2 体划相和图划相的结果对比

在同一层段下，用原始振幅数据体做block分类后沿顶层做的切片和沿顶层提取的振幅属性所做的map分类结果，分别如图7 和图8 所示。

图7是体划相后沿层段顶层切片的结果。

图8是沿同一位置提取属性后再经图分类后的结果。

通过对比分析图7与图8表明，在输入数据的位置、类型、分类方法、分类数相同的情况下，采用block和map两种模式获得的平面展布规律一致，即map模式仅仅是Block模式分类的一个特例。

3.3 三种分类模式各自在储层预测中的作用

从前面的原理特点以及应用实际分析表明，trace分类对地震相的划分是一个较为有利的方法，block模式输入反应储层的物性特征参数，例如（振幅，频率，吸收属性，阻抗等）其分类结果仅仅是一个分类数，不具备直观的地质意义，需要根据建立的准则制定每类的地质含义以及与储层的关系。考虑到输入属性的种类、特点，准则的建立可以通过数值模拟正演、测井分析、井旁地震道分析等单一的或综合的手段，将分类结果与储层联系起来，从而实现储层或流体的横向展布检测，三种分类模式在储层预测中的应用流程如下页图9所示。