基于LR算法同步挤压广义S变换的隐蔽河道识别

近年来,致密油气藏勘探形式发展迅猛,部分井上钻遇到了一些前期目标评价未有效识别的河道砂体,这类砂体被证实也具有良好勘探潜力,如何有效识别隐蔽类河道成为气田增储上产急需解决的突出问题。由于谱分解技术可从全频地震资料中剥离出反映河道地质特征的特定频段信息,因此该技术有助于河道识别。然而,传统时频分析方法分频结果分辨率较低,难以清晰刻画出隐蔽河道边界。为此,本文引入了LR算法同步挤压广义S变换进行地震时频谱分解。数值模拟表明,同步挤压算法极大地提高了广义S变换时频分辨率,较好地区分开了非平稳信号中不同频率信号分量,更适应于实际地震信号的时频谱分解;而LR算法则进一步消除了信号间存在的虚假交叉项。实际资料应用表明,本文提出的谱分解方法精确刻画出了川东南地区凉高山组一期“隐蔽”河道砂体的空间展布,证实了方法的有效性和优越性。

基于极限学习机的裂缝带预测

裂缝发育程度会影响地震波动力学特征和地震波同相轴的形态,但岩性、物性、流体性质的改变也会影响上述特征的变化。因此,利用单属性预测裂缝会有多解性,地震多属性综合预测裂缝是减少多解性的有效措施。对于多特征输入的预测问题,机器学习有其独特的优势,其中具有较强泛化能力和运算效率的极限学习机算法值得重点考虑。为此,在裂缝发育带预测中引入了极限学习机算法。首先基于测井数据,利用极限学习机预测裂缝发育状况并将预测结果与近似支持向量机分类效果进行对比;然后,利用井旁道地震属性数据进行裂缝识别,分析极限学习机在裂缝预测中的效果与优势;最后通过极限学习机算法对地震属性特征与裂缝带发育程度之间对应关系的学习,将其应用于实际工区。结果表明,相较于近似支持向量机,极限学习机在保证分类准确度的同时训练效率更高,能够综合多种地震属性刻画大尺度裂缝带,实现致密砂岩裂缝储层裂缝带发育程度的有效预测,为裂缝的综合预测提供了新的思路。

基于随机森林算法的AVO类型判别

AVO技术可用于含气储层的识别,对油气勘探具有重要意义。人工识别储层AVO类型人为干扰因素较大,识别精度较低且耗时较长。由此,本文引入随机森林算法,利用Bootstrap重复抽样及枝叶节点分裂等技术生成大量决策树分类器,通过统计所有决策树的分类结果实现对储层AVO类型的判别。首先,基于工区内测井数据建立速度密度模型;其次,利用Shuey近似公式计算AVO曲线并获得该曲线对应的拟合多项式;第三,根据拟合多项式提取形态特征参数作为随机森林算法的训练数据集输入参数,将人工AVO类型识别结果作为输出参数,训练并得到决策树分类器;最后,以实际叠前地震数据的AVO曲线特征参数为输入参数,通过随机森林决策树分类判别得到工区内储层AVO类型。通过与近似支持向量机算法的对比结果可以看出,两种算法对储层AVO类型判别结果相近,都具有较高的准确率,但相比之下随机森林算法所需特征属性较少,泛化性较强,具有更好的普适性。

基于随机森林算法的叠前流体识别

虽然叠前反演技术能够获得多种流体识别因子,但是仅利用单一的流体识别因子进行储层预测通常会带来多解性问题。目前根据多种流体识别因子对储层进行综合解释已成为一种新的趋势,但大部分方法对专家及其经验存在较强的依赖。鉴于此,将随机森林算法引入储层流体识别。首先基于测井数据优选输入特征(流体识别因子),并分别研究输入特征数量和不同特征组合对算法预测结果的影响;然后利用该算法对输入特征与井中储层信息之间的非线性关系进行学习;最后根据学习结果对储层进行综合判别,实现多种流体识别因子的综合利用。该算法削弱了单一流体识别因子所引起的多解性,提高了储层流体识别的精度与可靠性。应用实例表明,通过随机森林算法对5种流体识别因子与井中储层信息进行综合学习,达到了对含气储层和含水储层进行准确识别的目的。