基于优选地震属性与PSO-BP模型的煤层含气量预测

常规煤层含气量预测方法多基于测井约束的地震属性反演以及线性映射模型,造成预测结果的精度难以控制,严重限制了方法的普适性。本文从地震属性优选与BP神经网络预测模型改进两方面入手开展研究。利用Q型聚类分析方法,对提取的目标储层地震属性进行分类优选,得到了与地质目标相关性好且相互独立的4种地震属性;进一步利用粒子群寻优算法对BP神经网络算法的输入层与隐含层的连接权值和隐含层的阈值进行了优化,构建PSO-BP预测模型,并利用井位置的优选地震属性和含气量数据训练PSO-BP模型。基于训练好的PSO-BP模型,以整个工区的优选地震属性作为输入,进行研究区内煤层含气量预测。井位置含气量预测结果与实测结果对比表明,该预测方法准确率高。因此,可认为PSO-BP预测模型以及相应的预测方法流程能有效适用于煤储层含气量的预测。

深水扇储层物性多属性反演方法研究——基于“步聪法”进行敏感地震属性组合优选

深水扇储层砂泥岩纵波阻抗的动态值域范围常常相互重叠,采用常规纵波阻抗反演方法无法进行精确的储层物性描述。为解决此类问题,在探讨"步聪法"优选敏感地震属性组合的基础上,利用概率神经网络算法建立储层物性参数与敏感地震属性组合之间的非线性关系,实现了储层物性参数的直接反演。该方法在A油田应用取得了好的效果,成功解决了深水扇储层砂泥岩纵波阻抗动态值域范围相互重叠情况下的岩性识别及储层物性描述问题。

叠前地震多属性反演在南堡油田火成岩研究中的应用

南堡油田中、浅层火成岩发育,分布特征复杂,岩相、厚度变化快,影响了油气成藏规模,同时也制约了对油藏的整体认识。钻井揭示,火成岩以玄武岩和凝灰岩为主。在地震剖面上,玄武岩与馆陶组底界砂砾岩的特征接近;在常规波阻抗反演剖面上,凝灰岩与沉积岩的波阻抗值范围相近。为此,首先通过测井数据综合分析,利用录井岩性与测井敏感曲线构建出能反映岩性差异的伪岩性曲线;然后利用叠前AVO处理,得到梯度(G)、截距(P)和泊松比(σ)等属性数据体,并提取了振幅、频率、相位等多种地震属性;最后以伪岩性曲线为目标曲线,优选敏感性高的一组地震属性作为反演参数,利用概率神经网络反演技术对南堡油田火成岩进行了识别和描述,结果与地质认识基本相符。

基于HTI介质各向异性正演的裂缝预测属性优选

纵波方位各向异性裂缝预测方法应用较为广泛,通过对不同方位角地震数据的属性求取来拟合各向异性椭圆,从而预测储层裂缝的分布特征。为了优化目前方位各向异性裂缝预测方法应用中地震属性的求取和优选过程,提出了采用基于HTI介质的各向异性正演来实现方位各向异性椭圆拟合地震属性优选的新思路。以测井裂缝信息为基础,进行井上各向异性正演;对正演模拟道集进行各种地震属性的求取和裂缝敏感性分析;将优选出的最佳敏感属性用于各向异性椭圆拟合和裂缝分布特征预测。松辽盆地南部某地区火山岩储层的实际应用试验结果表明,基于各向异性正演优选属性的裂缝预测结果与测井裂缝信息吻合较好,验证了该方法的合理性和有效性。

基于关联规则与随机森林的地震多属性砂体厚度预测

地震属性技术是砂体厚度预测的重要手段,由于目前可从地震数据中提取的地震属性种类较多,在利用地震属性技术前,必须优化出对砂体厚度最敏感的地震属性组合,以减少地震属性信息的重复与冗余。为此提出了一种联合关联规则与随机森林回归算法的地震多属性砂体厚度预测方法。随机森林回归算法能够建立地震多属性与砂体厚度之间的非线性关系,并能进行属性选择,但是该算法无法识别地震多种属性中的冗余特征。关联规则能够发现地震属性之间的非线性关联,并能借助卡方检验消除地震属性间的冗余性。分别采用了随机森林回归算法(RFR)、联合关联规则与随机森林回归(AR-RFR)及BP神经网络回归的算法(AR-BP)对滩坝砂岩合成模型和某实际工区进行了砂体厚度预测。对比结果表明,基于关联规则的属性优选得到的属性间相关性低,关联规则与随机森林算法的结合提高了砂体厚度的预测精度。数值实验证明了该方法的有效性。

地震敏感属性优化选择方法分析

随着近年来地震属性在油气勘探和开发中的广泛应用,地震属性提取技术的不断发展,使属性种类不断地增加。由于地震属性中信息与地质信息关系比较复杂,各个地震属性内所蕴含各种信息的量总和也比较大,各地震属性对不同地质信息敏感性不同,因此有必要对地震属性进行优化选择,以提高地震属性使用效果。本文就地震属性的优选方法进行了归纳,并对各方法的特点和适用条件进行了简要总结。

基于深水沉积学原理的地震属性分析新思路

针对深水勘探钻井及测井资料不足但地震资料相对丰富的特点,在深水沉积学理论的指导下,明确了各类沉积单元的典型识别特征,优选出对特定识别特征最为敏感的地震属性以实现对深水沉积单元的表征。该研究将深水沉积单元的侧向边界划分为渐变型、突变型和标志物型3种。针对不同的边界,根据地震属性的数理意义进行属性优选并为特定地震属性赋予地质含义。研究结果表明:渐变边界处砂质含量的逐渐降低即为其典型识别特征,可通过振幅类属性加以识别;突变边界两侧地震波形具有不连续性,可根据相干属性识别;标志物边界如块体搬运沉积底部的侵蚀擦痕边界,可通过方位角属性加以识别。深水环境下,加积型水道和朵叶均具有渐变边界;侵蚀型水道与两侧被侵蚀地层间存在突变边界;而块体搬运沉积则由于底部侵蚀擦痕的存在而具有标志物边界。该研究从沉积学角度为深水地震勘探提供了一种新的分析思路。

地震属性优化技术在郭家河三维地震资料解释中的应用

由于郭家河勘探区地震地质条件复杂,勘探精度要求高,在提取多种地震属性的基础上,利用专家优选的办法选出对研究区地质构造比较敏感的属性进行解释,并在解释过程中采用单属性与多属性综合预测的方法。结果显示,该方法的应用既提高了工作效率,又增强了解释的客观性,减少了多解性,对断层和岩性边界的反映也更加清晰,还能随时监控解释结果的正确性,及时纠正解释过程中人为的错误。对同样条件下的三维地震资料解释具有一定的借鉴意义。

基于K-means SMOTE和随机森林算法的陷落柱识别模型

为了克服单一地震属性在对陷落柱进行识别时出现多解性和不确定性问题以及样本数据不平衡带来的识别准确率偏移问题,构建了基于K-means SMOTE和随机森林二分类陷落柱识别模型,通过对多个地震属性进行联合分析以达到识别陷落柱的目的。以山西新元煤炭责任有限公司首采区东翼南部矿区作为研究区域,将前方解释人员通过三维地震勘探技术提取到的12种地震属性作为样本特征,并将实际揭露的陷落柱信息作为样本标签,构建地震多属性数据集;通过相关性分析和聚类分析评估以及随机森林重要性分析进行地震属性优选,最终优选相对独立的6种地震属性作为样本特征;利用K-means SMOTE算法对数据集进行平衡处理,补充得到8 992个数据,选取其中6 294个数据作为训练集,2 698个数据作为测试集;基于python语言平台搭建随机森林二分类模型,最终预测陷落柱的准确率可达到87%。通过对比3种常见机器学习分类算法,该模型识别陷落柱的准确率更高。

模式识别技术预测火山岩相

东关潜山中生界火山岩岩性复杂,岩相变化大,地震反射特征与围岩相似,常规地震属性无法预测火山岩相带边界。通过地震地质模型正演,分析火山岩岩性及厚度变化对地震反射波形的影响。试验结果表明:随着火山岩岩性相带的变化,地震反射总体特征有变化,局部特征不明显;振幅变化受中生界顶界不整合面的影响较大;局部范围内振幅的变化与厚度变化相关;地震反射波负半周的反射特征与火山岩岩性及厚度变化相关性更强。根据模型分析结果,对东关潜山地震数据地震波负半周反射开时窗,利用GeoEast系统进行波形聚类及地震属性提取,综合应用钻井火山岩厚度数据及地震属性,采用GeoEast系统神经网络模式识别方法,对东关潜山中生界火山岩平面分布进行预测,有效提高了火山岩地震预测的精度。

南堡凹陷拾场次凹沙三段优势储层预测技术

南堡凹陷拾场次凹沙三段为扇三角洲沉积,储层薄,非均质性强,物性差异大,有效识别和预测优势储层是精细勘探开发的关键,单一的技术方法无法满足储层预测准确性与精度的要求。以谱反演高分辨率处理成果资料为基础,开展地震属性分析与优选,利用优势储层的敏感属性进行多属性融合与反演,将反演成果作为变量进行地震约束储层建模,最终预测优势储层分布。在南堡凹陷拾场次凹高5区块的应用研究表明,预测结果与检验井符合率为89.2%,依据储层预测成果实施的新钻井达到预期目的。

兴隆气田长兴组生物礁储层预测研究

针对四川盆地兴隆气田长兴组隐蔽海相生物礁气藏空间形态及有利储层预测难的问题,首先建立生物礁体地震正演模型,揭示生物礁体独特的"外形上凸、内部波形杂乱、反射波组增多、频率降低"地震响应模式,指导优选地震几何形态类、波组统计类、频率类属性开展分析,并通过多属性聚类融合刻画生物礁相储层边界形态;然后应用中子拟声波约束模型迭代反演方法预测储层厚度;进一步开展纵波速度与孔隙度交会分析,应用非线性方程转换速度反演成果预测储层孔隙度;最终通过计算储能系数,探寻储层厚度与孔隙度最优匹配特征,定量预测礁相有利储层分布特征。该预测方法揭示了生物礁储层空间展布特征,提高了预测精度,对礁相储层预测研究具有一定的借鉴意义。

张海15断块开发对策研究

张海15断块构造位置位于埕宁隆起向歧口凹陷过渡的斜坡部位。在2011年,沙二段的产能井W2在沙三也钻遇了油气层,有效厚度达到54.1米,在靠近岩性尖灭线的位置,砂岩的有效厚度没有变薄的趋势。邻井W3在沙三下的砂层厚度只有13米,有效厚度只有2.9米。在新老井数据对比的基础上开展储层展布规律研究,打开了张海15断块开发的新局面。

基于ABC-BP模型的煤层含气量预测

煤层含气量预测是煤层气资源勘探开发利用前期的重要研究内容之一。近些年,BP神经网络算法常用于煤层含气量预测领域,但传统BP模型在训练过程中往往存在收敛速度慢、对初始值敏感以及易陷入局部极小值等问题。为此,提出了一种改进的以人工蜂群算法为特征的BP神经网络预测方法。以沁水盆地某工区3号煤层为研究对象,首先,利用R型聚类分析法对目标煤储层所提取的多种类型的地震属性进行分类,优选出4种对煤层含气量变化反应最敏感且相互独立的地震属性;再利用人工蜂群算法(ABC)寻找BP神经网络的输入层与隐含层的最优连接权值和隐含层的最优阈值,构建具有鲁棒性的ABC-BP神经网络预测模型,并以井位置优选地震属性和含气量数据为样本训练该模型;最后,以整个工区目标储层的优选地震属性为输入,进行工区内煤层含气量的预测。预测结果与各井含气量的变化趋势基本吻合,其中,训练井处的平均误差率为0.23%,验证井处的误差率低于15%,预测精度较高,因此,该预测方法可靠性高,适用性强,可有效用于煤层含气量预测。