人工神经网络波形分类油气 有利区带划分可靠性分析 ——以旬宜上古生界为例

刘志远，杨春峰，孟祥翠，金芸芸，庄一鹏，常文鑫

（ 1.页岩油气富集机理与有效开发国家重点实验室，北京 100083；2.中国石化河南油田分公司勘探开发研究院， 河南郑州 450048；3.中国科学院科技战略咨询研究院，北京 100190；4.中国石化弹性波理论与探测技术重点实验室， 北京 100083；5.中国石化石油勘探开发研究院，北京 100083）

地震相是沉积相在地震数据上的综合响应特征。基于波形分类的地震相技术是对目标层段的地震道波形形状进行分类，并以此分类刻画较大区域的沉积相带或小区域范围内的岩相区带。前人对地震相进行了深入地研究，但鉴于地震数据体和属性体的复杂性，目前尚无法找到地震数据与地质体间一一对应的联系[1–11]。对不同地震相、不同的沉积环境，最有效和最具代表性的地震属性是不同的，地震相的划分仍存在某种程度的多解性[12–18]。这些问题可归纳为两点：①评价地震相分类结果的可信度或可靠性比较困难；②在地震相分类过程中无法利用有价值的先验信息以指导分类并提高分类结果的准确性。

针对地震相可靠性问题，基于人工神经网络的地震相方法，从波形的形态出发，以鄂尔多斯盆地南部南旬宜区块上古生界致密砂岩储层为实际数据依托，分析地震波形对岩性敏感的测井曲线波形的对应关系及地震相与测井相再到沉积相乃至岩性的对应关系，进而得出基于波形分类的地震相预测油气分布有利区的可行性和可靠性。

1 鄂尔多斯盆地南部上古生界的沉积特征

近年来，鄂尔多斯盆地岩性油气藏勘探取得了突破，其北部的杭锦旗、大牛地等整装大油气田的发现，使得岩性地层油气藏在该区的勘探生产实践中受到越来越多的重视[19]。旬邑–宜君（简称旬宜）区块位于鄂尔多斯盆地南部，处于伊陕斜坡南部和渭北隆起北部转换带，位于鄂尔多斯盆地主体内。与北部相比，南部地区尚未取得较大突破。其中太原组–山西组的煤系地层是上古生界油气藏的主要烃源岩地层，上古生界储层以石炭系–二叠系太原组、山西组的海相砂岩及上下石盒子组的河湖相砂岩为主。旬宜区块上古生界砂岩储层受岩性、厚度、成岩作用、构造运动等地质因素的影响，储层物性普遍致密，是储集性能不好的主要原因。从砂岩厚度、物性条件及距生油气层位置来看，相对有利的储层层系为山西组和下石盒子组。基于该区块的长期研究认为，沉积相带控制气藏分布，鄂尔多斯盆地南部地区上古生界目的层山西组二段、盒一段储层相带类型为辫状河三角洲前缘水下分支河道。沉积相控制了储层的空间展布，储层主要发育在前缘水下分流河道砂体中，砂岩类型为三角洲前缘指状砂体，砂岩层数少，泥岩厚度较大，有较强的侧向封堵，形成良好的储盖组合。

旬–宜区块上古生界单层厚砂体的展布是油气富集的重要因素[20]，主要油气目标层为山2 层和盒1层。山2 层和盒1 层均为致密砂岩层，横向非均质性强，已钻井位很少，需要刻画砂体有利分布区进而寻找油气有利区带；但砂体刻画难度较大，落实程度较低，制约了该区块的勘探进展。

2 波形分类区带划分可靠性分析

应用地震数据对储层的空间和时间特性进行细致划分是地震相分析的核心。地震相分析结果的可靠性，很大程度上取决于地震数据的质量（完整性和信噪比等）、地质结构的复杂性以及地质解释人员的经验等因素。

2.1 地震相算法分类

地震相的分类方法很多，主要分为无监督分类法和有监督分类法。

2.1.1 无监督分类

当先验信息不完整或不存在时，通过无监督学习分类是最有效的方法之一，两种常见无监督学习方法为：①自组织神经网络（SOM）聚类，其使用无监督学习来训练以生成低维（通常为二维）、离散化的训练样本输入空间，称为地图，实现了高维分布到有规律的低维网格的有序映射，是一种降维方法；②高斯混合模型（GMM），是概率分布的参数模型，比传统的无监督聚类算法在建模中提供更大的灵活性和精度。无监督分类算法主要应用于叠后地震数据的地震相分析，因为叠后地震数据简单，运算量小，应用这些算法可以快速地得到必要的结果。但对于叠前地震数据，直接应用这些算法，其庞大的维度和数据量会导致运算困难、结果不精确等问题。

2.1.2 有监督分类

地震探区会有一些测井数据，这些测井数据可以作为地震数据的有标签信息对模型。有监督分类有两种：①支持向量机（SVM）是基于边缘距离最大化理论的有监督学习算法，适用于需要分析和回归的数据；②人工神经网络（ANN）是基于多层感知器（MLP）和径向基函数（RBF）的有监督分类方法，模拟生物的神经元网络对信息的反馈。

本文采用人工神经网络算法进行地震相技术应用，对大规模的地震数据，井数据是稀疏的，在使用有监督分类时往往出现分类模型泛化能力很差，输出结果不符合实际地质特征，井数据只能代表局部特征，其可靠性分析需要深入研究。

2.2 砂体地震波形响应分析

波形分类可靠性分析时，需要确定目标地质体在地震波形上的响应，在旬宜区块可通过测井数据的去砂实验来验证砂体在地震波形上的响应特征。去砂实验是拉平砂体层对应的测井曲线段，并以去砂的测井曲线重新做合成记录。该区X1 井去砂实验效果如图1 所示。由去砂实验可知，山2 层和山1层在去砂前后合成记录波形变化较弱，即这两个层段的砂体在波形上的响应较弱，进而可以认为这两个层段的地震波形数据在砂体识别能力上较弱。分析以上现象原因，通过已有钻井资料可知，山2 层和山1 层距离下方煤层很近，而煤层在地震数据上为强反射层特征，煤层反射对上方的山2 和山1 层的波形响应有较强的掩盖作用。由以上分析可知，山2 层和山1 层的波形分类结果可能难以真实反映该层段的砂体有利区，波形分类的有利区预测结果的可靠性较弱。对于盒5 段和盒1 段，在去砂前后合成记录波形变化较强，即这两个层段的砂体在波形上的响应较强，可以认为这两个层段的地震波形数据在砂体识别能力上较强，其波形分类的有利区预测结果可靠性可能较好。

图1 X1 井测井曲线去砂实验表征不同层位砂体波形响应特征

对于波形分类计算，时窗参数是关键参数之一[21]。由图1 去砂实验可知，盒5 段和盒1 段砂体的厚度在时间域为4 ms 和6 ms，而去砂前后，即砂体存在与否，其影响的波形时窗范围约为40 ms。在波形分类中，为了刻画目标地质体并进行区带划分，计算时窗采用地质体厚度时窗或是地质体影响的振幅范围时窗。分别对两种方案进行计算对比，结果如图2 所示。基于该区块已有地质认识，上古生界沉积微相有9 类，盒5 段自东北至西南地层有4 段前积沉积体。图2 的对比结果中，40 ms 时窗波形分类结果与盒5 段的地质认识更为吻合，正好按照前积方向主要大致分为4 段；而6 ms 时窗仅计算表征出了2 类相带，因此40 ms 时窗计算的结果更为准确。从理论上分析，由图2a 和图2b 对应的波形分类模型道可以看出，40 ms 时窗的9 类模型道大约为一个半波长的时窗长度，而6 ms 时窗的9 类模型道大约为半个波长，前者模型道之间的差异性更明显，分类更加精确。

图2 盒5 段波形分类不同时窗参数计算结果对比

2.3 地震波形与测井曲线波形对应性分析

计算有井位约束的地震波形分类时，通常会采用井点处对应时窗范围内的地震道作为模型道来计算地震相。合成记录波形能够在目标地质体有较好响应的基础上，分析地震波形与测井合成记录的对应关系。

实际计算中，合成记录由子波和反射系数褶积计算，反射系数由测井声波曲线（AC）计算，子波可从地震数据提取，测井伽马曲线（GR）能够较好地区分砂泥岩。这几组数据在旬宜区块波形上的对应关系如图3 所示，实际地震道与测井合成记录在振幅、相位、频率、波形形态上均有较好的一致性，测井AC 与GR 曲线在整体形态上，有较好的负相关关系。因此，可以认为下石盒子组层系的地震波形与测井AC 曲线有较好的对应关系，进而与GR 曲线和岩性有较好的匹配关系。

图3 地震波形与测井曲线波形对应性

2.4 沉积相与测井曲线波形响应匹配性分析

测井作为连接地震数据和地质沉积相的纽带，GR 曲线能够反映地质岩性，AC 曲线可以用来计算合成记录，以上合成记录与地震波形有较好地对应关系。那么AC 曲线和GR 曲线的匹配对应关系则在一定程度上反映了地震波形与沉积相的匹配关系，也就是表征波形分类结果描述沉积相的可靠程度。

根据该区块地质沉积研究，旬宜上古生界分为9 类岩性组合的沉积微相（图4）。每类微相从左到右分别对应测井GR 曲线、岩性柱状图和AC 曲线。根据测井解释研究，GR 测井曲线对古生界砂泥岩岩性区分度较好，图中GR 曲线与沉积微相有一致的对应关系。

AC 曲线与GR 曲线的对应关系如图所示，除去红框以外的区域，AC 曲线与GR 曲线在80%的对应段有着较好的负相关匹配关系。

图4 测井AC 曲线和GR 曲线与沉积微相对应关系

3 有利区划分及效果分析

基于以上地震波形、测井曲线波形、沉积微相的对应匹配关系，得知以上数据之间的匹配关系较好，即波形分类结果可靠性较强，可将波形分类方法应用于鄂尔多斯南部旬宜区块上古生界的油气有利区划分。该区块目的层构造平缓，沉积相对稳定，由上述可靠性分析可知，石盒子组地层的波形分类地震相可用于区分沉积相带。盒1 段的波形分类结果如图5 所示。波形分类计算地震相时，用该区块X1 井和X2 井约束。

图5 盒1 段波形分类计算平面图

图6 为河道砂体主体部位过X1 井和X2 井的地震剖面，黄色为盒5 段储层，粉色为盒1 段储层，计算波形分类地震相的时窗与图6 中地震相显示所占厚度时窗相同。绿色层位为山2 段储层，灰色层位为山1 层紧邻其下的强反射煤层。从剖面上可见，波形变化处基本为地震相带的变化处。X1 井有利砂体发育区在盒1 段较为落实，砂体追踪的地震同相轴变化明显，已钻的X1 井位于河道砂体的主体部位，可以清楚看到砂体边界的变化，该套砂体整体表现为典型的泥包砂特征，可形成良好的岩性圈闭。已钻的X2 井位于振幅能量较弱区域，该井在盒1 段砂体薄，岩性结构为砂泥岩薄互层，砂体物性也没有X1 井的好。

石盒子组层系有利油气层段位于盒1 段，盒1段砂体解剖后的结果与波形分类计算的有利区划分一致，即X1 井位于单层较厚砂体发育有利相带，此相带为南北向发育河道砂的主体区域，X2 井则位于多层薄砂迭置的非有利相带区，通过该区盲井也验证了该波形分类结果的可靠性。

综上所述，两个层位的砂体区带预测结果与区域沉积环境吻合，与单井微相匹配程度高，波形聚类的属性细节变化符合沉积特征。盲井验证结果表明，此波形聚类的可靠性高，该波形聚类的油气有利区预测结果可用于储层砂体岩性油藏的区带优选。

4 结论

基于原始地震数据体，运用基于神经网络方法的地震相分类可靠性分析，能够赋予井控地震模型道以实际的测井和地质沉积意义。井控点位置地质体响应时窗范围内的地震道波形，与同时窗范围内测井合成记录道，具有波形的一致性，同时对应测井敏感曲线（本文为GR 曲线）所指示的岩性组合对应的沉积相，即井点处的地震模型道波形对应着测井段所指示的沉积微相。

图6 过X1 井、X2 井东西向地震波形分类与剖面叠合

（1）颚尔多斯南部旬邑区块综合运用地质沉积数据、测井数据、地震数据等多层次波形对比显示，地震波形与测井AC 曲线有着较好的匹配关系。

（2）测井AC 曲线与测井GR 曲线有较好的负相关匹配关系，GR 曲线对砂岩和泥岩的岩性具有较好地区分响应表征，砂泥岩的不同组合对应着不同的沉积微相。这几方面匹配关系是地震相可靠性分析的关键。