地震道波形分类方法在储层预测中应用_以二连盆地白音查干凹陷为例.pdfVIP

( ) 中国海上油气 地质 2002 年 　　　　　　　　　　　 　　　　　　　第 16 卷 　第 5 期 CHINA OFFSHOR E O IL AND GA S ( GEOL O GY) 地震道波形分类方法在储层预测中的应用 ———以二连盆地白音查干凹陷为例 李 　治 　邓国振 　罗凤芝 ( 中原油田分公司计算中心　河南濮阳　45700 1) 目前 ,用地震属性进行储层预测的方法大体可分为单一参数线性预测法和多参数综合分析法两大类 。 近年来 ,多参数的人工神经网络储层预测技术应用较多 ,但是需要选择合适的样本 ,并准确提取对砂体厚度 反映灵敏的地震属性参数[ 1 ] 。在地质条件复杂的地区 , 由于储层厚度和岩性在横向上的变化会引起其地震 反射特征发生较大变化 ,因而训练样本非常复杂 ,网络训练也难以收敛 。地震道波形实际上是地震振幅、频 率 、相位的集中体现 ,能够真实地反映地下的地质特征 。因此 ,用 自组织人工神经网络技术对地震道波形进 行分类而形成的离散地震相 ,能迅速预测储层的展布 。 1 　自组织人工神经网络的地震道波形分类方法原理 自组织人工神经网络技术是一种具有自学习功能的人工神经网络技术 , 由输入层和输出层组成 。输入 层的神经元是在一维空间中排列 ,而输出层的神经元则可以在多维空间中排列 ,并且输出层节点与邻域的其 它节点广泛互连 ,输入层节点与输出层节点之间经权 W 相连接 。通过 自适应和 自组织学习, 不断调整权 [2 ] W ,从而在稳定时使网络中的每一邻域的所有节点对某种输入具有相同的输出 。文献[ 2 ] 介绍了自组织 人工神经网络技术的学习过程 。 经过自学习以后 ,每一个输出层神经元仅对固定的一类输入作出响应 ,并且响应点的位置在学习过程中 逐步变得有秩序 ,相似输入的响应在空间上是靠近的 ,而不相似输入的响应在空间上则是远离的。 因此 ,可 以根据响应在输出层的位置对输入信息作出某种特征的分 选取 目的层 类 ,并据此特性对地震道波形进行分类 ,找出其相似的特征 , 进行地震相分析 。利用自组织人工神经网络的地震道波形分 确定时窗大小 ( ) 类方法进行地震相分析的流程步骤如下 图 1 : 第 1 步 :确定相分析的目的层段 ,选择合适的时窗 ,提取 地震道波形提取 地震道波形作为输入因子 ; 第 2 步 :创建模型道 ,通过试验确定模型道的分类数以及 创建模型道 迭代次数 ; 第 3 步 :利用自组织人工神经网络算法对所有地震道进 自组织人工神经网络分类 行分类处理 ,产生地震相图; 第 4 步 :分析模型道 , 比较分类处理后的模型道与实际的 产生地震相图 ( ) 模型道 。如果模型道太多或太少 ,则返回到步骤 2 ,适当减 ( ) ( ) 最终结果 少或增加模型道 ,重复步骤 3 与 4 ,直到合适为止 。 最后进行综合地质分析 。根据已知井的沉积相 ,结合区 图 1 　用自组织人工神经网络的地震道波形 域沉积特征 ,将地震相转化为沉积相 ,进行储层预测 。 分类方法进行地震相分析的流程图 20020 114 收到 改回 第 16 卷 　第 5 期