技术领域
[0001] 本
发明涉及地震预测领域，特别涉及一种基于地质信息约束的河流相储层分步地震相预测方法。
背景技术
[0002] 当今，石油勘探行业有效地利用了现代科学技术，从而促进了石油工业的飞速发展，同时也给国民经济带来了巨大的效益。然而，随着石油勘探
水平的不断提高，寻找新的油气田也愈加困难，这就要求人们不断提高认识水平，用科学的方法来了解和掌握油气存在的未知状况，从现有的地球物理、地质、油藏开发等资料中发掘出更多新的信息来进行油气的预测。
[0003] 在这一过程中，沉积相的研究具有极为重要的意义，它不仅可以分析沉积微相及其
时空演化，建立沉积模式；还可以分析生、储、盖等成藏要素及组合，建立成藏模式；从而进一步探讨油气聚集与沉积微相间的关系，解释已知砂体的展布形态，指导未控制区的砂体预测，为预测含油气区和井位部署提供依据。
[0004] 由于勘探目的层深埋地下，对地下相的分析中，只有通过
岩石资料才能够观察到目的层的沉积相标志，而钻井取心一般都是不连续的，并且一口探井的全井取心率往往只有百分之几到百分之十几，这给沉积相的研究造成了很大的困难。虽然利用
测井资料进行测井相分析可以对全井做出连续的沉积相解释，但其对
地层叠置模式、沉积体外形等重要信息并没有充分利用，就算完全解释正确，也仅仅是“一孔之见”。若想进一步掌握沉积相的平面展布特征就必须有大量的足够密集的钻井资料，而这在勘探阶段恰恰难以满足。因此，就更需要一种仅用少量钻井资料就能够较好地掌握沉积相平面变化特征的新手段、新方法。地震相预测正是为满足上述迫切需要而产生的。
[0005] 地震相是指一定分布范围内的三维地震反射单元，该单元内的地震特征参数(如反射结构、几何外形、振幅、
频率、连续性等)与相邻的单元不同，它代表了产生其反射的
沉积物的岩性组合、层理和沉积特征。地震相预测是在地震地层单元内部，根据地震特征参数，结合井下和地面的其他资料，按一定程序对地震相单元进行识别和成图，为综合解释沉积环境和沉积体系打下必要的
基础。作为地震相预测所必需的地震资料是石油勘探中必不可少的基础资料，在勘探初期即可获得，且一般能
覆盖整个工区，其中含有极为丰富的地层、构造和沉积相信息。我们进行地震相预测就是为了进行区域地层解释，确定沉积体系、岩相特征和解释沉积发育史，最后将地震相转换到沉积相，以此作为研究石油地质生、储、盖组合及其分布规律的依据，从而预测出有利生油区和储集相带。
[0006] 地震相预测的关键在于对地震相进行准确的划分，传统的地震相划分方法称为“相面法”，即通过肉眼观察地震剖面上的反射特征并加以描述，将具有相似特征的地震相归为一类。这种纯人工的方式费时费工，主观性强，不利于识别地震剖面上不突出的异常反射特征。随着地震资料采集技术的不断提高，地震剖面上包含的地震信息更加丰富，其中许多信息光靠肉眼观察是检测不出来的，必须借助地震
数据处理技术和计算机技术加以提取和分析。Love和Simaan(1984)最早提出使用地震结构属性来划分地震相，但当时提取地震结构属性的方法还不成熟，划分结果受限于地震资料的
信噪比。West(2002)和Gao(2003)利用灰度共生矩阵来提取地震结构属性，从统计学和数学意义上对地震数据的振幅分布进行了描述，提高了利用结构属性划分地震相的
精度。但地震结构属性毕竟只是表征了地震
信号的几个物理参数，对地震信号总体异常的描述还是有所欠缺。后来，人们将神经网络技术引入到地震相的划分中来。神经网络具有的适应能
力、容错能力和
大规模并行处理能力进一步提高了地震相划分的精度。目前，利用神经网络划分地震相的方法可以归为两大类：一类是无监督型
模式识别；另一类是有监督型模式识别。无监督型模式识别基于输入数据和解释人员提前设定的分类数对工区地震相进行划分；有监督型模式识别在分类过程中加入了钻井资料作为控制信息，使得地震相划分结果具有明确的
指向性，比如某种地震相代表了某种岩性或含油气区。
[0007] 下面说明两种常见的地震相预测技术，它们分别基于无监督型神经网络和有监督型神经网络。
[0008] 第一种是基于
地震波形分类的地震相预测技术。由于不同的沉积环境会形成不同的沉积体，不同的沉积体在岩性、物性和含油性等方面都各不相同，这反映在地震信息上就是地震波振幅、频率和
相位的变化，即地震
波形的变化。因此，可以利用自组织特征映射(SOFM)神经网络对
地震道波形及其反映的地质特征进行自动识别和分类，从而完成地震相预测。具有代表性的是Paradigm公司的Stratimagic
软件包。该技术主要包括三个步骤：第一步，就整个工区而言，在目的层段内使用自组织神经网络对实际地震道进行学习和训练，得到一系列能体现该层段内地震道变化的模型道，这些模型道按形状渐变的方式排列，每一个模型道代表一种类型的地震相并依序
指定颜色和数字编号；第二步，将全工区目的层段内的每一个实际地震道与模型道进行对比，把实际地震道归为与之相关程度最高的模型道所属的那一类并赋予相应的颜色和数字编号；第三步，根据不同的颜色和数字编号绘制目的层段的地震
相图。至此，目的层段的地震相预测工作便完成了。
[0009] 第二种是基于地震属性和多层
感知器(MLP)神经网络的地震相预测技术。地震属性中含有丰富的地层结构、岩性和物性等地质信息，利用它们来驱动
多层感知器神经网络，可在钻井有限的情况下对研究区的地震相进行准确的预测。早在1999年，Meldahl和Heggland就利用这项技术成功地预测了地震相。该技术包括了这样几个步骤：第一步，提取能清晰描述目的层段地震相特征的地震属性，比如地震振幅属性、
能量属性和相干体属性等；第二步，以地震属性作为多层感知器神经网络的输入，钻井资料作为控制点信息，采用误差反向传播
算法训练网络；第三步，将训练好的网络用于目的层段地震相的划分并绘制相图，从而完成对该层段地震相的预测。
[0010] 基于地震波形分类的地震相预测技术利用自组织神经网络来划分地震相。其缺点有如下几点：1、需要人为预先设定地震相的分类数，这往往会导致分类数设定不准确，一般需要多次计算来估算该参数；2、需要多次
迭代运算才能使分类结果收敛于准确的结果，实际应用中，为保证网络收敛性最佳，通常需要20～40次迭代运算；3、自组织神经网络属于无监督型模式识别方法，其分类结果地质意义不明确，还需要结合钻井资料进行进一步解释才能得到具有明确指示意义的地震相图。
[0011] 基于地震属性和多层感知器神经网络的地震相预测技术。其缺点有如下几点：1、多层感知器神经网络采用
误差反向传播算法来训练网络，这种训练方法收敛速度慢，通常需要耗费大量的计算时间；2、在使用多层感知器神经网络进行地震相划分时，通常是“一步到位”，即将现有的监督信息分成几种类型，一次性将储层的地震相预测出来，这样操作往往会出现分类不准确的情况。因为监督信息一般来自地质、测井资料，它们的尺度与地震资料不同，一般来说，监督信息的分类不一定能准确对应地震相的分类。
发明内容
[0012] 本发明针对
现有技术的
缺陷，提供了一种基于地质信息约束的河流相储层分步地震相预测方法，能有效地解决上述现有技术存在的问题。
[0013] 为了实现以上发明目的，本发明采取的技术方案如下：
[0014] 一种基于地质信息约束的河流相储层分步地震相预测方法，包括以下步骤：
[0015] 步骤1：地质资料评估；包括地质、测井和地震资料的评估；了解河流相工区的地质概况，对其沉积演化史和岩性资料有所认识，对资料评估建立地质信息
知识库；
[0016] 步骤2：从步骤1所建的地质信息知识库中提取岩性、岩性组合特征和相序特征的地质信息，并结合测井曲线对单井进行解释，建立起地质尺度下的单井优势相分析柱状图；然后，通过对柱状图和工区河道砂体不同叠置情况的综合分析将单井优势相转换为储层中砂体和围岩之间的叠置关系；
[0017] 步骤3：以河流沉积学、测井
地质学和地震地层学为理论指导，结合步骤2中得到的地震模式及地层的
密度、速度信息，建立河流相工区储层的抽象化地震响应模型；
[0018] 步骤4：采用正演模拟法分析地震属性：利用
波动方程对步骤3中所建模型进行正演模拟得到地震数据；选取合适的时窗对正演数据提取各种类型的地震属性，并对所提属性做预处理操作；分析模型中各个地震模式对应的地震响应特征，以地质信息作为约束条件，运用交会图和等级相关分析来评价各个属性对响应特征的敏感程度，选择能清晰反映模型中各个地震模式的响应特征及其变化的属性来构成地震敏感属性集合；
[0019] 步骤5：本步骤包括训练过程和识别过程，利用概率神经网络自动、分步识别抽象化地震响应模型中可分辨的地震模式；
[0020] 步骤6：选择合适的时窗从实际地震资料中按步骤4优选的敏感属性集合提取地震属性，并对所提属性做相关预处理操作，预处理操作包括：标准化、野值剔除和去噪；
[0021] 步骤7：利用概率神经网络分步、智能化地预测河流相工区储层的地震相分布；网络训练所需样本由步骤6中的地震敏感属性和步骤5中的可分辨的地震模式构成，以一种可分辨的地震模式对应一种地震相，故步骤5中得到的可分辨的地震模式可以用来约束河流相工区储层的地震相类型定义；利用步骤5的识别过程得到的地震相预测步骤为：1，将含
砂岩相同纯泥岩相分开；2，将含砂岩相进一步细分为纯砂岩相和砂泥互层相；3，将砂泥互层相再次细分为不同厚度的砂岩夹不同厚度的泥岩相，厚度
阈值因储层而异；步骤可循环，直到在约束条件下预测出储层中各种类型的地震相，从而得到地震相图。
[0022] 作为优选，所述步骤5中的识别过程分两步，首先用解释人员构建的训练样本集对连接网络各层之间的权系数进行训练；然后将训练好的网络用于模型中地震模式的识别，得到地震上可分辨的地震模式。
[0023] 作为优选，所述步骤5中的概率神经网络由
输入层、隐含层、求和层和
输出层组成，输入层各神经元与隐含层各神经元之间均有连接；求和层各神经元与属于自己类别的隐含层神经元相连；输出层神经元与求和层的每一个神经元相连。
[0024] 作为优选，所述步骤5中的概率神经网络属于有监督型模式识别方法；训练过程中单个训练样本由作为输入信息的地震敏感属性和作为监督信息的地震模式组成；训练样本的类型由地震模式的类型决定，地震模式根据储层中砂体和围岩之间的叠置关系来定义；在模型中
抽取能反映砂体和围岩之间典型叠置关系的地震道作为训练样本，各类型的训练样本应满足均匀选取的原则。
[0025] 作为优选，所述训练过程的步骤如下：
[0026] ①、地震模式类型定义：初次进行类型定义时应以能明确区分含
砂模式和围岩为标准；
[0027] ②、对每个训练样本按下式进行单位长度归一化：
[0028]
[0029] 式中：xij和x'ij分别为归一化前、后第i个训练样本的第j个属性；n为训练样本数；d为地震敏感属性个数；
[0030] ③、将第一个训练样本的各属性值分别置于输入层神经元上；同时，输入层和隐含层第一个神经元间的权系数被赋为该训练样本中对应的属性值，即：
[0031] ω1j＝x'1j
[0032] 式中：ω1j为输入层和隐含层第一个神经元间的权系数；在隐含层第一个神经元和求和层中代表第一个训练样本所属类别的那个神经元间就建立了一个连接，该神经元到输出层之间的连接也随即建立；
[0033] ④、重复③中步骤，训练输入层与隐含层其他神经元之间的权系数，即：
[0034] ωij＝x'ij
[0035] 式中：ωij为输入层神经元和第i个隐含层神经元之间的权系数，记为[0036] 所述模式识别步骤如下：
[0037] ⑤、将模型中的每一地震道视为待识别样本 按②中公式对样本进行归一化处理。
[0038] ⑥、输入层与隐含层第一个神经元之间的权系数 同 做标量积，记为net1，即：
[0039]
[0040] ⑦、以高斯核函数为隐含层的激活函数，net1为隐含层第一个神经元的输入，其输出为：
[0041]
[0042] 式中：g1为隐含层第一个神经元上的输出值；σ为平滑参数，也称作高斯窗宽度；
[0043] ⑧、重复⑥、⑦，输入层与隐含层余下每一个神经元之间的权系数 都同 做标量积得到隐含层相应神经元的输入neti，经过高斯核函数的激活后得到该神经元的输出gi，其中，i＝2,3,…,n；
[0044] ⑨、在求和层对隐含层中代表同种类型地震模式的神经元进行累加运算；
[0045] ⑩、在输出层比较求和层各神经元输出值yk的平均值的大小， 的期望输出类型为最大平均值所代表的地震模式的类型，即：
[0046]
[0047] 式中：arg表示取下标；yk为求和层神经元的输出值；Nk为第k类的训练样本数，完成对模型的地震模式识别。
[0048] 作为优选，在权系数训练完之后用所建网络对模型中的地震模式进行识别，考察概率神经网络能否识别①中定义的地震模式。若能，则返回①中细化类型定义标准：在①基础上，对含砂模式进行逐步细分，重新训练网络的权系数，用新建网络对新定义的地震模式进行识别；循环这一过程，直到概率神经网络不能完全识别所定义的地震模式，此时划分出的地震模式即为地震尺度下可分辨的地震模式。
[0049] 作为优选，所述步骤3中抽象化地震响应模型是将孤立砂体抽象为一个
单层砂体尖灭的楔形模型；将储层中上、下层砂体厚度变化不一且存在泥岩夹层的叠置关系抽象为“砂包泥”变厚度模型。
[0050] 作为优选，所述步骤4中对所提属性做预处理操作包括：标准化、野值剔除和去噪；
[0051] 作为优选，所述概率神经网络，可采用
径向基函数神经网络或者径向基概率神经网络来实现地震相的预测；
[0052] 作为优选，在概率神经网络算法中，使用的核函数是高斯核函数或双指数核函数或双曲核函数；
[0053] 作为替代核函数需满足的条件如下式：
[0054]
[0055]
[0056]
[0057]
[0058] 式中，x为样本参数，K(x)为核函数。
[0059] 与现有技术相比本发明的优点在于：1、把地质信息转换为了地震尺度的监督信息加入到了地震相的模式识别当中，使得预测结果更加准确且具有明确的地质意义；2、利用概率神经网络预测地震相，由于监督信息的存在，因此可使得最终的地震相预测结果具有明确的指示意义；网络的训练方法是一个给权系数赋值的单向过程，大大节约了训练时间，也不会出现收敛速度慢的情况。3、通过分步式的预测方法，在不提前设定分类数的情况下，能在地震尺度范围内对储层地震相进行充分的预测。
附图说明
[0061] 图2是本发明实施例概率神经网络拓扑结构图；
[0062] 图3是本发明实施例第一个训练样本训练权系数示意图；
[0063] 图4是本发明实施例计算隐含层神经元输入、输出值示意图。
具体实施方式
[0064] 为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明做进一步详细说明。
[0065] 实施例1
[0066] 一种基于地质信息约束的河流相储层分步地震相预测方法，包括以下步骤：
[0067] 步骤1：地质资料评估；包括地质、测井和地震资料的评估；地质资料评估是为了了解河流相工区的地质概况，对其沉积演化史和岩性资料有所认识，在对这些资料充分评估后便可建立地质信息知识库；测井资料评估主要是了解和统计每口井在目的层段的测井响应特征和储层参数；地震资料评估主要是拾取资料的信噪比和
分辨率，以确定后续提取的地震属性所能反映的储层特征的大致趋势和能分辨的最小地层厚度。
[0068] 步骤2：从步骤1所建的河流相工区地质信息知识库中提取岩性、岩性组合特征和相序特征等地质信息，并结合测井曲线对单井进行解释，建立起地质尺度下的单井优势相分析柱状图；然后，通过对柱状图和工区河道砂体不同叠置情况的综合分析将单井优势相转换为储层中砂体和围岩之间的叠置关系，每一种或几种叠置关系可视为一种地震模式。这就形成了地质信息约束下的地质-地震模式转换技术。
[0069] 步骤3：以河流沉积学、测井地质学和地震地层学为理论指导，结合步骤2中得到的地震模式及地层的密度、速度等信息，建立河流相工区储层的抽象化地震响应模型(即将砂体和围岩间的叠置关系抽象为
几何模型，比如将孤立砂体抽象为一个单层砂体尖灭的楔形模型；将储层中上、下层砂体厚度变化不一且存在泥岩夹层的叠置关系抽象为“砂包泥”变厚度模型)。
[0070] 步骤4：采用正演模拟法分析地震属性：利用波动方程对步骤3中所建模型进行正演模拟得到地震数据；选取合适的时窗对正演数据提取各种类型的地震属性，并对所提属性做标准化、野值剔除和去噪等预处理操作；分析模型中各个地震模式对应的地震响应特征，以地质信息作为约束条件，运用交会图和等级相关分析来评价各个属性对响应特征的敏感程度，选择能清晰反映模型中各个地震模式的响应特征及其变化的属性来构成地震敏感属性集合。
[0071] 步骤5：利用概率神经网络(PNN)自动、分步识别抽象化地震响应模型中可分辨的地震模式。识别过程分两步，首先用解释人员构建的训练样本集对连接网络各层之间的权系数进行训练；然后将训练好的网络用于模型中地震模式的识别，得到地震上可分辨的地震模式。
[0072] 步骤5.1、网络的拓扑结构
[0073] 概率神经网络由输入层、隐含层、求和层和输出层组成，其拓扑结构如图2所示。输入层各神经元与隐含层各神经元之间均有连接；求和层各神经元只与属于自己类别的隐含层神经元相连；输出层神经元与求和层的每一个神经元相连。输入层与隐含层之间的连线代表可
修改的权系数，可通过训练得到；隐含层与求和层之间以等权值连接；求和层与输出层之间的权系数为各类训练样本数的倒数。
[0074] 步骤5.2、网络训练和模式识别
[0075] 概率神经网络属于有监督型模式识别方法。单个训练样本由作为输入信息的地震敏感属性和作为监督信息的地震模式组成。训练样本的类型由地震模式的类型决定，后者根据储层中砂体和围岩之间的叠置关系来定义。在模型中抽取能反映砂体和围岩之间典型叠置关系的地震道作为训练样本，各类型的训练样本应满足均匀选取的原则，比如每一类训练样本各取10个。
[0076] 训练过程如下：
[0077] ①、地震模式类型定义：初次进行类型定义时应以能明确区分含砂模式和围岩为标准。
[0078] ②、对每个训练样本按下式进行单位长度归一化：
[0079]
[0080] 式中：xij和x'ij分别为归一化前、后第i个训练样本的第j个属性；n为训练样本数；d为地震敏感属性个数。
[0081] ③、将第一个训练样本的各属性值分别置于输入层神经元上。同时，输入层和隐含层第一个神经元间的权系数被赋为该训练样本中对应的属性值，即：
[0082] ω1j＝x'1j(2)
[0083] 式中：ω1j为输入层和隐含层第一个神经元间的权系数。此时，在隐含层第一个神经元和求和层中代表第一个训练样本所属类别的那个神经元间就建立了一个连接，该神经元到输出层之间的连接也随即建立，如图3所示。
[0084] ④、重复③中步骤，训练输入层与隐含层其他神经元之间的权系数，即：
[0085] ωij＝x'ij(3)
[0086] 式中：ωij为输入层神经元和第i个隐含层神经元之间的权系数，记为 至此，便完成了对PNN的训练。
[0087] 权系数训练完之后就可以用所建网络对模型中的地震模式进行识别，考察概率神经网络能否识别①中定义的地震模式。若能，则返回①中细化类型定义标准：在①基础上，对含砂模式进行逐步细分，比如分为纯砂
体模式和砂体含夹层模式。然后，重新训练网络的权系数，用新建网络对新定义的地震模式进行识别。循环这一过程，直到概率神经网络不能完全识别所定义的地震模式，此时划分出的地震模式即为地震尺度下可分辨的地震模式。
[0088] 模式识别过程如下：
[0089] ⑤、将模型中的每一地震道视为待识别样本 按②中公式对样本进行归一化处理。
[0090] ⑥、输入层与隐含层第一个神经元之间的权系数 同 做标量积，记为net1，即：
[0091]
[0092] ⑦、以高斯核函数为隐含层的激活函数，net1为隐含层第一个神经元的输入，其输出为：
[0093]
[0094] 式中：g1为隐含层第一个神经元上的输出值；σ为平滑参数，也称作高斯窗宽度。
[0095] ⑧、重复⑥、⑦，输入层与隐含层余下每一个神经元之间的权系数 都同 做标量积得到隐含层相应神经元的输入neti，经过高斯核函数的激活后得到该神经元的输出gi，其中，i＝2,3,…,n，如图4所示。
[0096] ⑨、在求和层对隐含层中代表同种类型地震模式的神经元进行累加运算。
[0097] ⑩、在输出层比较求和层各神经元输出值yk的平均值的大小， 的期望输出类型为最大平均值所代表的地震模式的类型，即：
[0098]
[0099] 式中：arg表示取下标；yk为求和层神经元的输出值；Nk为第k类的训练样本数。至此，对模型的地震模式识别就完成了。
[0100] 步骤6：选择合适的时窗从实际地震资料中按步骤4优选的敏感属性集合提取地震属性，并对所提属性做相关预处理操作(标准化、野值剔除和去噪)。
[0101] 步骤7：利用概率神经网络分步、智能化地预测河流相工区储层的地震相分布。网络训练所需样本由地震敏感属性(步骤6)和可分辨的地震模式(步骤5)构成，在该步骤中，一种可分辨的地震模式对应一种地震相，故步骤5中得到的可分辨的地震模式可以用来约束河流相工区储层的地震相类型定义。地震相预测分步进行：第一步，将含砂岩相同纯泥岩相分开；第二步，将含砂岩相进一步细分为纯砂岩相和砂泥互层相；第三步，将砂泥互层相再次细分为不同厚度的砂岩夹不同厚度的泥岩相，厚度阈值因储层而异。这样的步骤还可以循环下去，直到在约束条件下预测出储层中各种类型的地震相，从而得到地震相图。
[0102] 需要注意的是在本发明中，对地震相的预测采用了概率神经网络方法，也可以采用径向基函数神经网络或者径向基概率神经网络来实现地震相的预测。这三种神经网络从核心算法上来说具有大致相同的数学原理，只是因为存在权系数的迭代修改过程，后两种替代方法在训练和模式识别时会耗费更多的时间。
[0103] 在概率神经网络算法中，通常使用的核函数是高斯核函数，也可以采用满足如下条件的其他类型的核函数来替代高斯核函数，比如三
角核函数、双指数核函数、双曲核函数等。
[0104] 作为替代核函数需满足的条件：
[0105]
[0106]
[0107]
[0108]
[0109] 式中，x为样本参数，K(x)为核函数。
[0110] 本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体
变形和组合，这些变形和组合仍然在本发明的保护范围内。
