林年添,付 超,張 棟,金 興,張 凱,文 博,魏乾乾,張 沖

(1.山東省沉積成礦作用與沉積礦產(chǎn)重點(diǎn)實(shí)驗(yàn)室,山東科技大學(xué)地球科學(xué)與工程學(xué)院,山東青島266590;2.山東大學(xué)巖土與結(jié)構(gòu)工程研究中心,山東濟(jì)南250061;3.海底科學(xué)與探測(cè)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,中國海洋大學(xué)地球科學(xué)學(xué)院,山東青島266100;4.山東正元建設(shè)工程有限責(zé)任公司,山東濟(jì)南250101;5.山東科瑞機(jī)械制造有限公司,山東東營257000;6.山東省煤田地質(zhì)局,山東濟(jì)南250104)

利用地震屬性對(duì)含油氣儲(chǔ)層特征進(jìn)行描述是石油地球物理勘探的主要手段之一[1-2]。目前,用于描述含油氣儲(chǔ)層特征的方法較多,包括聚類分析方法[3-4]、多屬性融合技術(shù)[5-7]和神經(jīng)網(wǎng)絡(luò)[8-9]等。這些方法多以規(guī)模較大的訓(xùn)練樣本為支撐,當(dāng)訓(xùn)練樣本不足時(shí),模型的泛化能力就會(huì)受到限制,極易陷入過學(xué)習(xí)或欠學(xué)習(xí)的狀態(tài)。支持向量機(jī)是以結(jié)構(gòu)化風(fēng)險(xiǎn)最小化為基礎(chǔ)的模式分類器[10],小樣本的情況下也有更高的泛化能力,所構(gòu)建模型的魯棒性更為理想。支持向量機(jī)的難點(diǎn)在于參數(shù)尋優(yōu),本文綜合期望風(fēng)險(xiǎn)評(píng)估折衷算法、聚合(復(fù)合)地震屬性算法等對(duì)支持向量機(jī)的參數(shù)進(jìn)行尋優(yōu),最大程度地消除了支持向量機(jī)參數(shù)尋優(yōu)問題對(duì)預(yù)測(cè)結(jié)果帶來的不利影響。支持向量機(jī)算法的分類與回歸不但拓展到通訊、化學(xué)[11-12]、生物[13]等領(lǐng)域,而且推廣到了油氣地球物理勘探領(lǐng)域。對(duì)于儲(chǔ)層預(yù)測(cè)而言,主要應(yīng)用支持向量機(jī)的回歸算法(support vector regression,SVR)。

當(dāng)前人們使用的地震屬性有上百種[14-15],如何高效地獲取對(duì)含油氣儲(chǔ)層特征敏感的地震屬性,構(gòu)建各種屬性與含油氣儲(chǔ)層特征的關(guān)系,是儲(chǔ)層預(yù)測(cè)必須面對(duì)的問題。在機(jī)器學(xué)習(xí)領(lǐng)域,對(duì)于儲(chǔ)層的預(yù)測(cè)可以分為兩大類:一類為監(jiān)督學(xué)習(xí)下的儲(chǔ)層預(yù)測(cè)[16-18],另一類為無監(jiān)督學(xué)習(xí)下的儲(chǔ)層預(yù)測(cè)[19]。在監(jiān)督學(xué)習(xí)領(lǐng)域:王振洲[20]利用決策樹方法和6種測(cè)井參數(shù)構(gòu)建巖性信息與巖石特征的關(guān)系,對(duì)蘇里格氣田的巖性進(jìn)行預(yù)測(cè);袁照威等[21]分析了地震屬性與沉積相之間的關(guān)系,并利用4種地震屬性,通過馬爾科夫-貝葉斯模擬算法構(gòu)建了多種屬性之間的關(guān)系,建立了沉積相模型,獲得了較好的模擬結(jié)果;宋建國等[22]利用隨機(jī)森林回歸法對(duì)地震儲(chǔ)層進(jìn)行了預(yù)測(cè)。在無監(jiān)督學(xué)習(xí)領(lǐng)域:楊兆栓[23]利用主成分分析法分析了5種測(cè)井曲線,最終識(shí)別了塔中地區(qū)的碳酸鹽巖巖性,利用PCA方法整合了眾多的測(cè)井參數(shù)特征,提高了巖性識(shí)別精度。監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)都是為發(fā)現(xiàn)數(shù)據(jù)集之間的關(guān)系,基于統(tǒng)計(jì)學(xué)理論建立起來的算法[24-25],尋找并利用最具有特征的量對(duì)某種期望的量進(jìn)行預(yù)測(cè)。

本文對(duì)原始多波地震數(shù)據(jù)進(jìn)行卷積升維計(jì)算獲得包含更全面信息的縱、橫波(本研究實(shí)際應(yīng)用的是轉(zhuǎn)換橫波)地震屬性,運(yùn)用聚類分析等無監(jiān)督學(xué)習(xí)法對(duì)獲得的地震屬性優(yōu)選優(yōu)化,在此基礎(chǔ)上,將小樣本情況下具有更強(qiáng)泛化能力的監(jiān)督學(xué)習(xí)法(支持向量機(jī))應(yīng)用于油氣儲(chǔ)層預(yù)測(cè),在FG工區(qū)實(shí)際儲(chǔ)層預(yù)測(cè)的應(yīng)用結(jié)果驗(yàn)證了本方法的有效性。

1 理論基礎(chǔ)

1.1 萊特準(zhǔn)則下剔除異常值

對(duì)地震數(shù)據(jù)體采用不同的數(shù)學(xué)算法獲得不同量綱的地震屬性,其數(shù)值范圍較大,為0～106。為了對(duì)不同量綱的屬性進(jìn)行計(jì)算,首先要對(duì)不同的屬性值進(jìn)行標(biāo)準(zhǔn)化處理,獲得歸一化后的數(shù)據(jù)集。在數(shù)據(jù)歸一化之前,要對(duì)離群點(diǎn)進(jìn)行剔除[26]。本研究引入萊特準(zhǔn)則法進(jìn)行剔除。萊特準(zhǔn)則為:假設(shè)地震屬性數(shù)據(jù)只含有隨機(jī)誤差,對(duì)其進(jìn)行計(jì)算處理得到標(biāo)準(zhǔn)偏差,按一定概率確定一個(gè)區(qū)間,認(rèn)為凡超出這個(gè)區(qū)間的誤差,就不屬于隨機(jī)誤差而是粗大誤差,含有該誤差的數(shù)據(jù)應(yīng)予以剔除。屬性集為D={x11,x12,…,x1N,x21,x22,…xij,…,xMN},M為最大橫測(cè)線號(hào),N為最大縱測(cè)線號(hào)。當(dāng)離均差δ的平方和越大,表明屬性集D的變異程度越大,即屬性集D中存在異常值,我們采用離均差的平方和量化表征屬性集的離散趨勢(shì)。

橫向測(cè)線號(hào)為i,縱向測(cè)線號(hào)為j處的歸一化地震屬性值有:

(1)

式中:xij為橫向測(cè)線號(hào)為i,縱向測(cè)線號(hào)為j處的地震屬性;minxij為xij的最小值;maxxij為xij的最大值。

屬性xij的均值μ為:

(2)

屬性xij的離均差δij為:

(3)

離均差的平方和為:

(4)

屬性集D的標(biāo)準(zhǔn)差κ為:

(5)

所有滿足|δij|<3κ的xij均不是粗差和壞值,而|δij|≥3κ時(shí)的xij是粗差,應(yīng)予以剔除。

1.2 K-means聚類分析

聚類分析優(yōu)選屬性首先提取地震屬性,然后計(jì)算兩兩屬性之間的相關(guān)系數(shù),最后判斷相互之間的密切程度,計(jì)算相關(guān)系數(shù)的公式如下:

(6)

上述所討論的為單個(gè)樣點(diǎn)(或某口井)不同屬性間的相關(guān)性,即密切程度,并依此進(jìn)行聚類分析,分析結(jié)果可用聚類輪廓圖表征。聚類輪廓圖用分類指數(shù)表示每個(gè)類中屬性與相鄰類中屬性的接近程度,其值介于-1和1之間,-1代表該屬性分類可能錯(cuò)誤,0代表該屬性的類屬關(guān)系不明確,1代表該屬性與相鄰類中屬性距離遠(yuǎn),此時(shí)分類結(jié)果最佳,如圖1所示。根據(jù)聚類輪廓圖可以知道分類的合理性。如圖1a所示,聚類為3時(shí),第一、二、三類的分類效果較好;如圖1b所示,聚類為4時(shí),第一、二、三類效果較好,第四類輪廓出現(xiàn)負(fù)值,說明該類并不理想。

圖1 聚類為3(a)和聚類為4(b)時(shí)K-means聚類分析結(jié)果

1.3 SVR 算法的基本原理

支持向量機(jī)學(xué)習(xí)策略是最大化分類間隔[27],將問題轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題并進(jìn)行求解。對(duì)于凸二次規(guī)劃問題,要找到一個(gè)回歸的超平面,使得用于學(xué)習(xí)的地震屬性集里面的所有數(shù)據(jù)到該超平面的距離最小。區(qū)分樣本x的超平面方程為:

(7)

式中:y(x)為獲得的油氣特征值;ω為權(quán)值;b為偏置。

假設(shè)圖2中某個(gè)樣本到回歸超平面的距離為S:

(8)

式中:d(xs)為監(jiān)督學(xué)習(xí)標(biāo)簽,即在測(cè)井記錄上獲得的油氣特征值;xs為第s個(gè)樣本;y(xs)是xs的油氣特征值。

為了防止數(shù)據(jù)過擬合,令ε為容忍值。當(dāng)數(shù)據(jù)回歸到超平面的距離S小于ε時(shí),代價(jià)函數(shù)cost(x)表示為:

圖2 SVR超平面

(9)

式中:d(xs)為監(jiān)督學(xué)習(xí)標(biāo)簽。約束條件為:

(10)

(11)

式中:C為懲罰因子;n為樣本總個(gè)數(shù);s.t.(subject to)為約束條件。

利用拉普拉斯變換可將目標(biāo)函數(shù)與約束條件構(gòu)建到一個(gè)方程中,由于此問題滿足KKT條件(Karush-Kuhn-Tucker,卡魯什庫恩塔克條件,即對(duì)于給定的某一函數(shù),求解其在指定作用域上的全局最小值),故可以將此問題轉(zhuǎn)換為它的對(duì)偶問題求解。因?yàn)橐环矫鎸?duì)偶問題和原問題有近似解,另一方面轉(zhuǎn)換后的對(duì)偶問題便于求解。即有:

(12)

(13)

b=y(xs)-(ωTxs+b)-ε,αs∈(0,C)

(14)

(15)

將(13)式,(14)式及(15)式代入(7)式可求得訓(xùn)練模型,對(duì)于任意給定的數(shù)據(jù)x,可得到該數(shù)據(jù)的預(yù)測(cè)值y。

2 無監(jiān)督與監(jiān)督學(xué)習(xí)的儲(chǔ)層分布預(yù)測(cè)模型

無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)的有機(jī)融合及其在地震油氣儲(chǔ)層分布預(yù)測(cè)的應(yīng)用是本研究的核心。

無監(jiān)督學(xué)習(xí):事先沒有任何訓(xùn)練數(shù)據(jù)樣本,需要直接對(duì)數(shù)據(jù)進(jìn)行建模。故數(shù)據(jù)沒有類別信息,也不會(huì)給定目標(biāo)值。在無監(jiān)督學(xué)習(xí)中,將數(shù)據(jù)集合分成由類似的對(duì)象組成的多個(gè)類,該過程即為聚類分析。

監(jiān)督學(xué)習(xí):利用已有的訓(xùn)練樣本(即已知數(shù)據(jù)及其對(duì)應(yīng)的輸出)來訓(xùn)練,從而得到一個(gè)最優(yōu)模型,再利用這個(gè)模型將所有新的數(shù)據(jù)樣本映射為相應(yīng)的輸出結(jié)果,對(duì)輸出結(jié)果進(jìn)行簡(jiǎn)單的判斷從而實(shí)現(xiàn)分類,那么這個(gè)最優(yōu)模型也就具有了對(duì)未知數(shù)據(jù)進(jìn)行分類的能力。

無監(jiān)督學(xué)習(xí)可以減少數(shù)據(jù)的維度,利用聚類分析法進(jìn)行降維處理,再輸入監(jiān)督模型,比未經(jīng)降維處理的數(shù)據(jù)直接輸入監(jiān)督模型效果更好。

本研究針對(duì)多波地震屬性對(duì)油氣儲(chǔ)層敏感度上存在的差異,設(shè)計(jì)了無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)的串聯(lián)模型,從而實(shí)現(xiàn)多波地震油氣儲(chǔ)層的有效預(yù)測(cè)。模型主體算法為聚類分析法及支持向量機(jī),前者執(zhí)行的是無監(jiān)督學(xué)習(xí),后者執(zhí)行的是監(jiān)督學(xué)習(xí)。圖3所示即為用于多波地震油氣識(shí)別的深度學(xué)習(xí)模型。在該模型中,無監(jiān)督學(xué)習(xí)模塊主要實(shí)現(xiàn)地震屬性優(yōu)選優(yōu)化的目的,即盡可能去除對(duì)油氣儲(chǔ)層不敏感或弱敏感的屬性,優(yōu)選出對(duì)儲(chǔ)層敏感的屬性,然后作為監(jiān)督學(xué)習(xí)的輸入,以提高油氣儲(chǔ)層預(yù)測(cè)的效率和效果。

2.1 卷積升維獲取多波地震屬性

應(yīng)用不同卷積核分別對(duì)縱波與轉(zhuǎn)換橫波原始地震數(shù)據(jù)進(jìn)行卷積計(jì)算,獲取各類地震屬性,這些地震屬性包含了豐富的幾何學(xué)、運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)和統(tǒng)計(jì)學(xué)特征。基于不同的應(yīng)用目的,大類地震屬性主要包括振幅統(tǒng)計(jì)類、頻率類、頻譜統(tǒng)計(jì)類及時(shí)間序列統(tǒng)計(jì)類。

圖3 機(jī)器學(xué)習(xí)模型

通過深入研究分析,特別是進(jìn)一步分析縱、橫波地震屬性差異性對(duì)尋找油氣儲(chǔ)層的影響,明確了縱、橫波在振幅、波形、頻率、衰減、相位、能量、相干、比率等有關(guān)屬性上的差異對(duì)于含油氣性儲(chǔ)層預(yù)測(cè)以及流體判別等方面的作用。因這些屬性能夠?qū)螌傩噪y以呈現(xiàn)的地下儲(chǔ)層信息更加全面地呈現(xiàn)出來,故可以對(duì)目的層段有利含油氣儲(chǔ)層區(qū)域進(jìn)行更有效預(yù)測(cè)。

2.2 剔除異常值

地震屬性的提取難免會(huì)受到信噪比低的影響或噪聲的干擾,勢(shì)必會(huì)造成局部異常值的存在。采用公式(4)離均差δ的平方和來量化表征異常值對(duì)屬性集的離散趨勢(shì),離均差δ的平方和越大,表明屬性集D的變異程度越大,即屬性集D中存在異常值。為消除異常值可能給后期數(shù)據(jù)處理帶來的不利影響,在數(shù)據(jù)歸一化之前,要對(duì)離群點(diǎn)進(jìn)行剔除[28]。輸入用于訓(xùn)練的樣本數(shù)據(jù)D={x11,x12,…,x1N,x21,…,xMN}后需剔除異常值,以確保數(shù)據(jù)的有效性。

2.3 屬性值的標(biāo)準(zhǔn)化處理

2.4 地震屬性的聚類降維

降維分為兩個(gè)層面:一是通過降維,將縱、橫波地震屬性維數(shù)降低,起到優(yōu)選作用;二是利用縱、橫波對(duì)油氣的敏感度不同,進(jìn)行有機(jī)聚合,使縱、橫波屬性融合在一起,起到優(yōu)化降維作用。

2.4.1 縱、橫波地震屬性聚類降維

利用聚類分析優(yōu)選屬性,首先將提取的地震屬性歸為一類,然后計(jì)算兩兩屬性之間的相關(guān)系數(shù),判斷它們之間的密切程度,兩種地震屬性的相關(guān)系數(shù)Rij介于-1和1之間,靠近0時(shí),屬性之間相關(guān)性差,靠近-1或1時(shí),兩屬性之間相關(guān)程度高,將相關(guān)程度高的屬性歸為一類,根據(jù)經(jīng)驗(yàn)從同一類屬性中選擇具有代表性的地震屬性(具有油氣特征或?qū)τ蜌饷舾械膶傩?與其它不同類屬性,最后組成優(yōu)化后的屬性集,既達(dá)到優(yōu)選目的,又完成了降維的過程。

2.4.2 縱、橫波地震屬性聚合降維

經(jīng)過相關(guān)計(jì)算,將縱波和轉(zhuǎn)換橫波所包含的信息融入到新構(gòu)建的屬性中,生成新的屬性,這一過程稱為聚合屬性(亦稱復(fù)合屬性)。聚合后的地震屬性降低了原始屬性集的維度,同時(shí)新獲得的聚合屬性具有一定的地質(zhì)意義。首先,根據(jù)經(jīng)驗(yàn)并結(jié)合數(shù)學(xué)理論選擇與油氣特征相關(guān)的屬性,獲得的多波聚合地震屬性包括疊合類、差值類、比值類和乘積類的屬性。類比分析認(rèn)為,比值類及差值類屬性反映縱、橫波在油氣地震響應(yīng)敏感性方面更突出,故本研究選出這兩類屬性作為監(jiān)督學(xué)習(xí)的輸入,比值類地震屬性可以突出油氣敏感屬性的特征,又稱為為第一類屬性,用符號(hào)F1表示,F11表示第一類比值屬性,F12表示第二類比值屬性,分別如(16)式和(17)式所示。差值類屬性是當(dāng)屬性A對(duì)油氣敏感,屬性B對(duì)油氣不敏感時(shí),利用屬性A與屬性B之間的差壓制背景干擾,突出地質(zhì)異常體,又稱為為第二類屬性,用符號(hào)F2表示,F21表示第一類差值屬性,如(18)式所示。

縱波均方根振幅對(duì)油氣敏感,當(dāng)縱波遇到油氣層,特別是氣層時(shí),氣層的強(qiáng)烈吸收作用使得均方振幅值衰減較大,而轉(zhuǎn)換橫波遇到氣層則不會(huì)發(fā)生明顯衰減。通過(16)～(18)式獲得縱、橫波聚合地震屬性如下:

式中:rPP為縱波均方根振幅;rPS為轉(zhuǎn)換橫波均方根振幅;fPP為縱波瞬時(shí)頻率;fPS為轉(zhuǎn)換橫波瞬時(shí)頻率;aPP為縱波瞬時(shí)振幅;aPS為轉(zhuǎn)換橫波瞬時(shí)振幅。

2.5 儲(chǔ)層分布的監(jiān)督學(xué)習(xí)與預(yù)測(cè)

需要對(duì)由無監(jiān)督學(xué)習(xí)獲得的數(shù)據(jù)進(jìn)行評(píng)估,從而為監(jiān)督學(xué)習(xí)提供更可靠的學(xué)習(xí)樣本輸入,特別需要對(duì)學(xué)習(xí)樣本的井點(diǎn)處數(shù)據(jù)進(jìn)行評(píng)估并校正。

2.5.1 期望風(fēng)險(xiǎn)評(píng)估

由于工區(qū)內(nèi)已知測(cè)井、鉆井記錄非常少,所以支持向量機(jī)需要輸入的學(xué)習(xí)樣本點(diǎn)在某一層位的值非常少。如果井點(diǎn)處的學(xué)習(xí)樣本存在異常值,該樣點(diǎn)值會(huì)造成SVR在學(xué)習(xí)時(shí)產(chǎn)生偏差。在全工區(qū)推廣這個(gè)存在偏差的模型則可能會(huì)導(dǎo)致應(yīng)用支持向量機(jī)的分類/回歸產(chǎn)生較大誤差或錯(cuò)誤,學(xué)習(xí)效果會(huì)受到嚴(yán)重影響。期望風(fēng)險(xiǎn)評(píng)估就是對(duì)原始數(shù)據(jù)集校正,使數(shù)據(jù)集趨于正態(tài)分布。與常規(guī)方法相比,期望風(fēng)險(xiǎn)評(píng)估算法能夠充分利用屬性集數(shù)據(jù)的分布規(guī)律,最大程度還原數(shù)據(jù)的真實(shí)性。對(duì)井點(diǎn)處屬性值進(jìn)行經(jīng)驗(yàn)風(fēng)險(xiǎn)評(píng)估,可得到更加貼合數(shù)據(jù)真實(shí)度的SVR學(xué)習(xí)樣本輸入[28]。

2.5.2 SVR預(yù)測(cè)多波地震油氣儲(chǔ)層預(yù)測(cè)

本研究主要采用SVR作為監(jiān)督學(xué)習(xí)工具,實(shí)現(xiàn)利用已知預(yù)測(cè)未知的目的。將上述由經(jīng)驗(yàn)風(fēng)險(xiǎn)評(píng)估得到的更加貼合真實(shí)情況的數(shù)據(jù)作為SVR學(xué)習(xí)樣本輸入,利用(7)式獲得基于學(xué)習(xí)樣本的支持向量機(jī)回歸模型,并依此進(jìn)行推演,最終獲得經(jīng)過支持向量機(jī)回歸的屬性集。利用支持向量機(jī)建立學(xué)習(xí)樣本與各個(gè)樣點(diǎn)之間的內(nèi)在聯(lián)系,從而將已知井油氣特征推廣到全區(qū),最終實(shí)現(xiàn)油氣儲(chǔ)層分布的預(yù)測(cè)。

3 應(yīng)用實(shí)例

將上述無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)模型應(yīng)用于FG工區(qū)的多波地震油氣儲(chǔ)層分布預(yù)測(cè),以驗(yàn)證該設(shè)計(jì)模型的有效性和可行性。

3.1 卷積映射升維提取地震屬性

應(yīng)用不同卷積核分別對(duì)試驗(yàn)工區(qū)縱波與轉(zhuǎn)換橫波原始地震數(shù)據(jù)進(jìn)行卷積計(jì)算,獲取各類地震屬性,本案例分別生成縱波與轉(zhuǎn)換橫波屬性各36種,圖4為優(yōu)選出的部分典型縱、橫波地震屬性。

3.2 地震屬性去噪及標(biāo)準(zhǔn)化處理

應(yīng)用萊特準(zhǔn)則剔除地震屬性中可能存在的異常值,進(jìn)行去噪處理,然后對(duì)去噪處理后的地震屬性進(jìn)行標(biāo)準(zhǔn)化處理,為后面的聚類分析提供更可靠的源數(shù)據(jù)。

3.3 卷積映射降維優(yōu)選地震屬性

該環(huán)節(jié)是無監(jiān)督學(xué)習(xí)的主要環(huán)節(jié),包含兩個(gè)層次的降維:第一層次聚類降維優(yōu)選出6種地震屬性(圖4),再根據(jù)專家經(jīng)驗(yàn)優(yōu)選出3種縱波與轉(zhuǎn)換橫波屬性,作為第二層次聚合降維的輸入;經(jīng)過第二層次的無監(jiān)督學(xué)習(xí),縱波與轉(zhuǎn)換橫波地震屬性聚合成新的地震屬性(圖5),作為監(jiān)督學(xué)習(xí)的輸入。

圖4 優(yōu)選出的典型縱、橫波地震屬性a 縱波均方根振幅; b 轉(zhuǎn)換橫波均方根振幅; c 縱波瞬時(shí)振幅; d 轉(zhuǎn)換橫波瞬時(shí)振幅; e 縱波瞬時(shí)頻率; f 轉(zhuǎn)換橫波瞬時(shí)頻率

無監(jiān)督學(xué)習(xí)環(huán)節(jié)結(jié)合專家經(jīng)驗(yàn)、數(shù)學(xué)理論及該區(qū)儲(chǔ)層特點(diǎn)優(yōu)選屬性,獲得的聚類屬性不但能夠反映含油氣儲(chǔ)層的縱波特點(diǎn),還能夠揭示含油氣儲(chǔ)層的轉(zhuǎn)換橫波特征。圖5為獲得的聚合地震屬性,其中,圖5a,圖5b為比值屬性,圖5c為差值屬性。從圖5可以看出,采用不同聚合算法得到的地震屬性可能都存在油氣地震響應(yīng),但由于所包含的信息不同,對(duì)于油氣藏邊界的刻畫不唯一,結(jié)果存在較大的不確定性。為此,本研究引入支持向量機(jī)進(jìn)行監(jiān)督學(xué)習(xí),以降低不確定性。

圖5 縱、橫波聚合地震屬性a F11比值屬性; b F12比值屬性; c F21差值屬性

3.4 監(jiān)督學(xué)習(xí)與預(yù)測(cè)含油氣儲(chǔ)層的分布

將獲得的縱、橫波聚合地震屬性(圖5)作為支持向量機(jī)的學(xué)習(xí)集,開展地震油氣儲(chǔ)層分布的監(jiān)督學(xué)習(xí)與預(yù)測(cè),即通過支持向量機(jī)建立學(xué)習(xí)樣本與各個(gè)樣點(diǎn)之間的內(nèi)在聯(lián)系,將已知井儲(chǔ)層特征推廣到全工區(qū)。

選取工區(qū)內(nèi)10口井的信息作為支持向量機(jī)的學(xué)習(xí)樣本,每口井周圍取9個(gè)采樣點(diǎn)應(yīng)用經(jīng)驗(yàn)風(fēng)險(xiǎn)評(píng)估折衷算法,獲得經(jīng)驗(yàn)風(fēng)險(xiǎn)最小的輸入樣本值。根據(jù)已知測(cè)井、鉆井及前人研究成果,可將井分為高含氣井、低含氣井和未含油氣井三類。對(duì)應(yīng)的區(qū)域分為有利氣藏地震響應(yīng)區(qū)、較有利氣藏地震響應(yīng)區(qū)和油氣前景不佳區(qū)。需要說明的是,由于SVR的學(xué)習(xí)過程中需要?jiǎng)澐殖稣龢颖竞拓?fù)樣本,而本區(qū)的井點(diǎn)負(fù)樣本較少,所以在構(gòu)造低部位的已知非油氣區(qū)域選取5個(gè)樣本點(diǎn)作為未含油氣井。

以縱波地震屬性為樣本,經(jīng)聚類分析后再進(jìn)行支持向量機(jī)儲(chǔ)層預(yù)測(cè),結(jié)果如圖6所示。將縱、橫波聚合屬性(圖5)作為學(xué)習(xí)集,將獲得的井點(diǎn)樣本作為支持向量機(jī)回歸器的輸入,利用回歸器將運(yùn)算結(jié)果推廣到全工區(qū),最終得到多波地震含氣儲(chǔ)層分布的預(yù)測(cè)結(jié)果(研究區(qū)已被證實(shí)主要為氣藏區(qū)),如圖7。圖7a是采用SVR監(jiān)督學(xué)習(xí)以圖5為輸入的預(yù)測(cè)結(jié)果,而圖7b是利用激活函數(shù)對(duì)圖7a進(jìn)行激活處理得到的結(jié)果?？梢钥闯?圖7b刻畫的含氣儲(chǔ)層異常分布邊界更加清晰。

3.5 實(shí)際應(yīng)用效果分析評(píng)價(jià)

圖7b紅色高值處表示含氣有利區(qū),藍(lán)色低值處表示為非有利區(qū)。預(yù)測(cè)結(jié)果與實(shí)際鉆井結(jié)果相比較不難看出,僅以縱波數(shù)據(jù)進(jìn)行支持向量機(jī)預(yù)測(cè),雖也能預(yù)測(cè)油氣分布情況,但存在模型的泛化能力差,對(duì)油氣的邊界刻畫不清晰等缺陷,如圖6b所示。而綜合利用縱、橫波地震數(shù)據(jù)進(jìn)行無監(jiān)督學(xué)習(xí)后,再由SVR進(jìn)行監(jiān)督學(xué)習(xí)與預(yù)測(cè),得到的氣藏分布情況更符合實(shí)際情況,如圖7b。圖8中粉紅實(shí)心圈所指示的井為產(chǎn)氣井,說明所預(yù)測(cè)的含氣儲(chǔ)層區(qū)域基本位于已知產(chǎn)氣井所在的暖色調(diào)區(qū)域,井點(diǎn)以外預(yù)測(cè)的高含氣區(qū)域可以作為進(jìn)一步鉆探部署的依據(jù)。不難看出,相比于原始縱波均方根振幅屬性(圖6a)和由單一縱波監(jiān)督學(xué)習(xí)得到的預(yù)測(cè)結(jié)果(圖6b),圖7b和圖8所刻畫的含油氣儲(chǔ)層邊界更清晰,所反映的儲(chǔ)層地震響應(yīng)特征更明顯,預(yù)測(cè)結(jié)果更為準(zhǔn)確。

圖6 FG工區(qū)縱波單屬性及無監(jiān)督學(xué)習(xí)預(yù)測(cè)結(jié)果a 縱波均方根振幅; b 單一縱波無監(jiān)督學(xué)習(xí)的預(yù)測(cè)結(jié)果

圖7 FG工區(qū)含氣地震儲(chǔ)層的地震響應(yīng)激活前、后預(yù)測(cè)結(jié)果a 基于SVR監(jiān)督學(xué)習(xí)的預(yù)測(cè)結(jié)果; b 利用激活函數(shù)處理得到的結(jié)果

圖8 FG工區(qū)含氣儲(chǔ)層預(yù)測(cè)結(jié)果

以多波地震數(shù)據(jù)為基礎(chǔ),綜合利用無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)方法進(jìn)行地震油氣儲(chǔ)層預(yù)測(cè),不僅有助于降低屬性反演的多解性,而且能更好地突出地震油氣儲(chǔ)層特征。

4 結(jié)論

本文所提出的基于無監(jiān)督與監(jiān)督學(xué)習(xí)的多波地震油氣儲(chǔ)層分布預(yù)測(cè)方法,融合了聚類分析及支持向量機(jī)等技術(shù),是一種能有效刻畫含油氣儲(chǔ)層分布邊界的方法。

無監(jiān)督學(xué)習(xí)的聚類分析算法是將數(shù)據(jù)集合分類,降低數(shù)據(jù)特征的維度。本文首先將多達(dá)幾十種的縱、橫波地震屬性經(jīng)過聚類優(yōu)選降維得到6種屬性;然后對(duì)該6種屬性進(jìn)行聚合計(jì)算,以突顯縱、橫波在油氣地震響應(yīng)敏感度的差異,為隨后的監(jiān)督學(xué)習(xí)提供了學(xué)習(xí)樣本;再利用無監(jiān)督學(xué)習(xí)得到表征目標(biāo)區(qū)地震油氣響應(yīng)的地震屬性,通過支持向量機(jī)建立學(xué)習(xí)樣本(井點(diǎn))與各個(gè)樣點(diǎn)之間的內(nèi)在聯(lián)系,從而將目標(biāo)區(qū)已知井油氣特征推廣到全工區(qū)。利用支持向量機(jī)學(xué)習(xí)集不僅降低了屬性反演的多解性,而且使得所刻畫的含油氣儲(chǔ)層邊界更清晰。相比于單一縱波地震屬性,多波聚合地震屬性包含更多信息,能夠突出油氣敏感屬性特征。相對(duì)于常規(guī)縱波支持向量機(jī)屬性反演,多波支持向量機(jī)屬性模型泛化能力更強(qiáng),預(yù)測(cè)結(jié)果精度更高,油氣邊界刻畫更清晰。該方法的預(yù)測(cè)結(jié)果與實(shí)際鉆井結(jié)果的對(duì)比驗(yàn)證了方法的有效性。

致謝:感謝中石化勘探開發(fā)研究院提供了資料。感謝中石化勘探開發(fā)研究院魏修成、季玉新、陳天勝、劉春園及劉韜在本文完成過程中提供的支持和幫助。論文的完成過程中,王守進(jìn)、楊修超、張建彬、趙傳偉、丁仁偉及李桂花等做了不少工作,在此一并表示感謝。