多波地震深度学习的油气储层分布预测案例

有机并有效利用纵波与转换横波在油气储层敏感度上存在的差异,有助于突出地震油气储层特征,有助于提高地震油气储层分布边界刻画的精度.基于此,本文设计了一种卷积神经网络与支持向量机方法相结合的多波地震油气储层分布预测的深度学习法（Deep Learning Method）.首先,利用莱特准则剔除所生成的多波地震属性中可能存在的异常值降低网络变体数量.然后,通过能突出多波地震油气储层特征的聚类算法和无监督学习算法构建隐藏层,用于增加网络共享,提取油气特征.最后,将增加网络罚值后的井点样本作为支持向量机预测的输入样本,以降采样后的C3卷积层属性作为学习集,进行从已知到未知的地震油气储层的预测.本方案应用于HG地区晚三叠统HGR组的碳酸盐岩油气储层预测,所预测的地震油气储层边界更加清晰,预测结果与实际情况基本吻合.应用结果表明：本论文方案不仅具有可行性,且具有有效性.     

基于改进U-Net的多属性地震相识别方法

地震相识别技术是进行沉积环境分析与储层预测的有力工具.传统的人工地震相识别方法不仅工作量大,而且效率非常低.目前利用深度学习方法可以大幅度提高地震相识别的效率,但是受限于有限的数据集和网络提取特征能力,对样本数量少的地震相识别效果较差.针对上述问题,本文提出了基于改进U-Net的多属性地震相识别方法.首先通过弹性形变算法来扩增数据集,将经过属性选择后的多属性数据体作为输入数据,提高输入数据的数量和质量;其次通过引入注意力机制对网络提取的特征添加权重,提高U-Net网络提取特征的能力;并在损失函数中引入Dice指数,解决了样本不均衡问题.经过数值实验表明,基于改进U-Net模型可有效提高地震相预测准确率.     

基于自适应粒子群优化最小二乘支持向量机的深层变质岩测井岩性识别

辽河坳陷中央凸起中南部基底变质岩类型多样,测井岩石物理参数与岩性之间的映射关系复杂,测井响应多解性强,导致传统的测井岩性识别方法结果不精确.本文采用基于自适应粒子群参数优化的最小二乘支持向量机算法进行变质岩的测井多参数岩性识别.通过变质岩测井岩石物理分析,优选出对岩性敏感的自然伽马、自然电位、声波时差、深侧向电阻率、密度和补偿中子6种测井参数作为特征输入,以自适应粒子群算法优化最小二乘支持向量机参数,构建岩性判别模型,预测目的层段变粒岩、混合花岗岩、混合片麻岩、混合岩和角闪岩5种类型变质岩的垂向分布.与支持向量机、K最邻近及人工神经网络算法的岩性识别效果相比,本方法判别准确率最高,符合率为90.17%,在随机划分的10次样本预测中本模型稳定性最强,分类性能最好,平均AUC值为0.974,有效解决了深层基底变质岩储层精细描述中的岩性精准识别难题.     

基于远减近衰减梯度属性与Bi-LSTM神经网络联合的隐蔽河道砂体识别方法

岩性作为一种重要的储层物性,其包含了重要的流体信息及储层特征,对其准确的识别可以为储层预测工作提供重要基础.我国一些河流相油气藏沉积环境复杂,多期叠置等问题造成储层砂体隐蔽的现象.为有效的识别隐蔽河道砂体,本文发展了一种基于远减近衰减梯度属性与Bi-LSTM神经网络联合的隐蔽河道砂体识别方法.该方法以远减近地震衰减梯度属性凸显隐蔽河道砂体为基础,以此为输入,河道砂体作为标签,借助Bi-LSTM深度神经网络构建输入数据与砂体岩性间的非线性关系.应用该方法进行川西中江气田某工区隐蔽河道砂体识别,识别出了此前未曾发现的隐蔽河道砂体,并刻画出了2条隐蔽河道.     

基于多输入卷积神经网络的天然地震和爆破事件识别

天然地震和爆破事件识别是地震监测预警的重要内容.近年来,快速发展的深度学习算法以其强大的数据特征挖掘和图像识别能力,能够较快并准确地约束地震事件属性.利用多输入卷积神经网络算法构建天然地震和爆破事件自动分类网络模型,其中输入信息包括多台站地震波形和单台站的地震时频数据,使得卷积神经网络同时获取事件的波形、频谱和极性特征...     

基于地震成像数据稀疏反演的不连续及非均质地质体检测方法

本文针对油气藏储层预测中的不连续及非均质地质信息识别问题,研究基于地震成像数据的稀疏反演方法.由于该类地质体的地震响应特征为弱信号,因此利用平面波破坏滤波器由地震成像数据中去除强反射同相轴.在此基础上,对剩余的地震数据进行非线性加强滤波,并构建L1稀疏反演模型.为有效求解L1模型,采用非光滑泛函L1范数逼近和拟牛顿求解算法.该方法考虑稀疏先验信息,能够提高反演结果信噪比.缝洞模型测试验证该方法在检测断点、微断裂、散射点等小尺度地质体上的有效性,塔北缝洞型碳酸盐岩储层预测的应用效果进一步证实该方法的实用性.     

基于PSO-SVM的测井岩性识别方法研究——以南图尔盖盆地K油田古生界(Pz)储层为例

南图尔盖盆地K油田古生界(Pz)岩性多样、孔隙结构复杂,针对常规岩性解释方法对该储层岩性识别准确度未达到预期效果,严重制约了测井储层解释等问题,提出基于粒子群算法优化支持向量机(PSO-SVM)的岩性识别方法.通过岩心资料分析不同岩性的测井响应特征,建立测井相识别图版.选择对研究区岩性敏感的自然伽马、阵列感应电阻率、声波、中子、密度与光电吸收截面指数等七条测井曲线参数作为输入特征值,以粒子群算法优选合适的支持向量机参数(惩罚因子和核函数参数)对研究区4口取心井进行样本学习,建立基于PSO-SVM的岩性识别模型,其识别准确率达到了97%.相对于传统SVM算法,PSO-SVM岩性识别模型预测结果的速度更快,精度更高.通过将该模型应用于取心井与试油井,在正确识别岩性的同时,有效提高了测井储层解释的准确性.结果表明,在K油田复杂岩性识别中应用PSO-SVM方法,可为提高测井储层解释的准确性提供较可靠的岩性依据.     

基于改进多粒度级联森林的测井岩性识别方法研究与应用

岩性是储层评价和地层开发潜力评测的关键因素,是油藏描述、实时钻井监控及求取储层参数的基础.测井资料中包含丰富的地层岩性信息,是岩性分析的基础资料.然而,数据信息的精度往往会严重的影响到识别的准确率,同时复杂的岩性状况也加大了测井解释的难度,如何快速、精确、低耗地利用测井资料获取地层岩性信息越来越受到研究人员的重视.针对传统深度神经网络复杂的网络模型和学习性能严重依赖对超参数调节的问题,本文在机器学习的基础上引入余弦相似度对多粒度级联森林方法进行改进,提出改进多粒度级联森林模型(Improve Multi-Grained Cascade Forest,IgcForest),有效地提高了岩性识别的效率和精度.在大庆油田实际测井数据上使用IgcForest方法,综合自然伽马(GR)、声波时差(AC)、密度(DEN)、微梯度电阻率(RMN)、深侧向电阻率(PHIND)和浅侧向电阻率(RLLS)六种测井参数,对页岩、粉砂岩和砂岩进行识别,取得了较好的识别效果.通过实验数据对比,使用IgcForest模型的岩性识别准确率高于支持向量机、深度神经网络、决策树和多粒度级联森林(Multi-Grained Cascade Forest,gcForest)等其他模型10％左右,算法整体准确率高达87％,表明其在岩性识别算法中更具有发展前景.     

基于地震多属性利用ES-DBN网络估算裂缝孔隙度

地震数据中蕴含丰富的地层信息,裂缝孔隙度作为表征致密碎屑岩储层品质及产能评价的关键参数,目前无法利用常规线性反演方法从地震数据中挖掘出裂缝孔隙度的有效信息.为了有效获取致密碎屑岩地震信号中储层与非储层数据特征之间的差异,本文借助深度置信网络(DBN)强大的特征提取能力,利用回声状态网络(ESN)中的回归层代替DBN网络中的误差反向传播算法组合搭建出ES-DBN网络.ES-DBN网络能够较好的捕捉地震数据中的动态时序信息,每次训练都独立于前次的DBN学习过程,且只考虑回归层最终的输出权值矩阵,通过模型测试对比发现,该网络的学习效率和预测准确率均高于传统的DBN网络.以井中裂缝孔隙度为预测目标,基于提取的多种井旁敏感的叠前叠后裂缝属性,利用构建出的网络模型对研究工区地下地层裂缝孔隙度进行预测,预测结果表明：该网络能够较好的实现致密碎屑岩储层的裂缝孔隙度的三维表征,取得了良好的应用效果.     

基于统计特征参数的叠前地震随机反演方法研究（英文）

常规的地震随机反演方法一般用变差函数表征地下地层的空间结构信息,但是变差函数很难有效表征实际复杂地层的非均质特性。本文利用多参数的思想充分发掘已知地震和测井资料中蕴含的地下地层信息,利用多个统计特征参数更全面地描述地下复杂储层的空间结构特征,并与地震随机反演相结合,提出了基于统计特征参数先验信息的叠前地震随机反演方法。该方法基于随机介质理论从已知的地震和测井资料中求取多个统计特征参数,选取符合实际地质特征的椭圆自相关函数,构建满足地层空间结构特征的先验信息模型,并将多参数约束融入似然函数中构建目标函数,用非常快速量子退火算法进行优化更新,实现目标函数的求解得到最终的反演结果。由模型试算可知,相比于传统的先验模型构建方法,本文基于多个参数构建的先验模型包含更丰富的地层信息,能更好地实现对地下复杂储层的描述。实际资料分析表明,基于统计特征参数先验信息的随机反演方法能够有效地进行地下复杂储层的地球物理预测,且具有较高的分辨率。     

面向复杂储层的非均衡测井数据的岩性识别

针对常规岩性识别方法在复杂储层的非均衡测井数据准确率不高的问题,本文提出了一种面向复杂储层非均衡测井数据的多层BP神经网络的岩性识别算法.根据测井数据的特点及测井数据间的非线性关系,对测井数据进行均衡化处理,利用多层BP神经网络进行逐层岩性识别.在13个含油气盆地的7793个地层元素测井数据中测试表明,本文提出的方法在数据非均衡比达到1∶6的情况下,岩性识别的符合率仍能达到92%以上,在复杂储层的岩性识别方面具有很好的应用前景.     

基于叠前弹性反演的含气储层预测技术

叠前弹性反演是目前岩性气藏储层预测的主要技术,仅仅使用纵波阻抗反演预测储层在理论和准确性方面都存在着一些不足,反演的多解性更是其致命的缺陷.本文从横波测井资料不同岩性、流体的岩石物理参数分析入手,优选能够区分岩性和流体的最佳敏感弹性参数,通过叠前反演获得反映储层岩性和含气性的弹性参数体,最后进行地震弹性参数交汇解释预测储层和识别流体.将纵向分辨率较高的测井岩石物理参数分析和横向分辨率较高的地震叠前反演结合起来,应用多个弹性参数,明显提高了储层预测的精度.地震数据中的AVO信息得到了充分的应用,采用纵波独立变量求解Zoeppritz方程.为有效储层预测和流体识别探索出了新途径.在靶区利用叠前弹性纵横波速比的属性,刻画出五级层序单砂体,在此基础上确定建议的水平井井位及其轨迹,通过叠前弹性反演比P波数据独立反演钻井成功率提高了10%以上.     

地震油气储层的小样本卷积神经网络学习与预测

地震储层预测是油气勘探的重要组成部分,但完成该项工作往往需要经历多个环节,而多工序或长周期的研究分析降低了勘探效率.基于油气藏分布规律及其在地震响应上所具有的特点,本文引入卷积神经网络深度学习方法,用于智能提取、分类并识别地震油气特征.卷积神经网络所具有的强适用性、强泛化能力,使之可以在小样本条件下,对未解释地震数据体进行全局优化提取特征并加以分类,即利用有限的已知含油气井段信息构建卷积核,以地震数据为驱动,借助卷积神经网络提取、识别蕴藏其中的地震油气特征.将本方案应用于模型数据及实际数据的验算,取得了预期效果.通过与实际钻井信息及基于多波地震数据机器学习所预测结果对比,本方案利用实际数据所演算结果与实际情况有较高的吻合度.表明本方案具有一定的可行性,为缩短相关环节的周期提供了一种新的途径.     

基于U-Net网络的端到端地震高分辨率处理技术

拓展频带提高地震资料分辨率是薄储层预测和岩性尖灭点识别的关键手段.目前提升分辨率主要依靠反褶积谱蓝化、Q补偿等技术,这些方法存在假设条件苛刻、参数求取过程复杂、需要井提供额外信息等问题,为实际工作带来诸多不便.本文采用纯地震数据驱动的思想,通过构建大量三维地震伪反射系数模型,与不同主频的地震子波进行褶积获得不同分辨率的正演地震样本及标签数据,然后采用U-Net深度学习网络开展训练和测试并应用到东海某凹陷实际地震资料进行效果评估.这是一个从输入数据直接得到期望结果的"端到端"模型.结果表明,U-net网络高分辨率处理后地震带宽有效展宽了30％,主频从27.5 Hz提升到了37.5 Hz,对靶区主要目的层多期河道叠置关系的分辨效果提升明显.     

基于特征矩阵联合近似对角化和经验模态分解的储层识别

地震信号是非线性和非平稳的信号.本文提出了基于特征矩阵联合近似对角化和经验模态分解相结合的算法,将地震信号分解为多个相互独立的固有模态函数分量.然后利用已知井储层发育情况,选取对储层识别有效的IMF分量进行储层预测.仿真和实际地震数据应用表明了该方法的有效性.     

地震岩相识别概率表征方法

储层岩相分布信息是油藏表征的重要参数,基于地震资料开展储层岩相识别通常具有较强的不确定性.传统方法仅获取唯一确定的岩相分布信息,无法解析反演结果的不确定性,增加了油藏评价的风险.本文引入基于概率统计的多步骤反演方法开展地震岩相识别,通过在其各个环节建立输入与输出参量的统计关系,然后融合各环节概率统计信息构建地震数据与储层岩相的条件概率关系以反演岩相分布概率信息.与传统方法相比,文中方法通过概率统计关系表征了地震岩相识别各个环节中地球物理响应关系的不确定性,并通过融合各环节概率信息实现了不确定性传递的数值模拟,最终反演的岩相概率信息能够客观准确地反映地震岩相识别结果的不确定性,为油藏评价及储层建模提供了重要参考信息.模型数据和实际资料应用验证了方法的有效性.     

基于改进Stacking算法的致密砂岩储层测井流体识别

致密砂岩储层物性差,测井响应对孔隙流体不敏感,应用传统测井解释图版划分流体类型精度较低.机器学习技术通过学习更多维度的特征,可以建立合适的流体识别模型.相较于单一算法,集成学习可以通过联合多个专家模型提升预测精度,但是不同的集成学习策略性能差距较大.本文提出了一种改进的Stacking算法,通过平均影响值法寻找敏感测井曲线作为输入,利用不同的特征集构建多个子模型,并使用不同集成策略将其组合为若干性能更佳的专家模型进行训练,同时引入独立专家避免过拟合,将专家模型的预测结果通过交叉验证的方式进行模拟预测,最后应用元学习器预测最终结果.将该方法用于库车坳陷迪北气藏致密砂岩储层流体识别,测试准确率可达93%,优于CatBoost模型和XGBoost模型,证明了该方法的有效性和适用性.为致密砂岩储层流体识别提供了新的思路.     

数据驱动的块排列正则化多道叠前地震反演

叠前地震反演充分利用地震记录振幅随偏移距变化的信息,在储层预测中发挥着重要作用.由于地震观测数据的带限性和其中所含有的噪声,地震反演是一个典型的不适定问题.目前,提出的各种正则化方法通过对反演参数施加约束,使反演结果具备期望的特征.然而,传统的反演方法忽略了地下构造的空间连续性,当地震数据信噪比较低时,单道反演方法无法得到稳定、准确的反演结果.本文提出了一种基于自适应块排列正则化的多道叠前地震反演方法,利用叠后地震资料高信噪比的特点,提取了一个块排列矩阵来记录地下构造信息.该方法通过将地震剖面分解为地震记录块,利用地震数据的局部相似性来记录相邻采样点的位置.在此基础上,构造了多道块排列正则项,建立了多道叠前地震反演的目标函数.在多道块排列正则项中,可以自适应调整权重系数,在增强空间连续性的同时保护边缘.利用L-BFGS算法可以有效地求解多道叠前反演目标函数.合成数据和实际数据测试均表明,当观测记录信噪比较低时,该方法的反演结果优于传统的基于单道模型约束的反演结果.     

叠后MCMC法岩性反演算法研究

叠后MCMC(马尔科夫链蒙特卡罗)反演是一种地质统计学反演方法,该方法能够利用地震、测井等多尺度信息综合预测储层砂体,并使反演结果忠实于地震数据.算法的重点是在贝叶斯框架下,对样本点构建能够反映空间相关性的马尔科夫链,基于蒙特卡罗迭代算法实现对复杂后验分布空间进行有效搜索.文章以一维垂向视角阐述基于MCMC算法预测储层砂体的统计学原理,将反演过程所运用的统计学符号赋予地质含义,较为形象地将随机算法的数学意义与储层反演的地质意义联系起来.并在此基础上,以朝阳沟油田扶余油层未开发区朝65井所在剖面的砂体预测为例,验证叠后MCMC法岩性反演的可靠性.     

基于频变AVO技术对多尺度裂缝内流体属性反演与识别（英文）

通过地震数据获取裂缝储藏中流体的性质并对流体类型进行识别,是地震勘探岩性反演的重要问题之一。由于地震波的速度、储层的密度等弹性参数对某些流体不具有很强的敏感性,使只依赖振幅信息进行流体识别的传统AVO方法面临困境。作为传统叠前振幅反演的一个拓展,频变AVO（FDAVO）技术进一步考虑了振幅对频率的依赖关系,将这种依赖关系与地下裂缝结构、流体填充对应起来,能带来更丰富的流体信息。利用该技术,本文提出了一种基于地震数据参数化Chapman模型的贝叶斯反演新方法（BIDCMP）,它包含两步算法,即,FDAVO反演储层的非弹性属性和贝叶斯框架下的流体识别。首先,通过匹配观测数据和模型数据,构造差函数反演裂缝储层非弹性参数。随后,在贝叶斯框架下,使用马尔科夫随机场（MRF）作为先验模型,联合多参数场识别流体。本方法在计算过程中,除综合考虑了弹性参数场、测井资料等常规信息外,还特别地加人了第一步中反演得的非弹性参数的约束,从而充分利用了流体粘性差异,最后在最大后验概率（MAP）准则下输出最佳岩性一流体识别结果。分别对合成地震记录和模拟岩性—流体剖面验证本文方法的有效性,结果证明本文方法获得的流体识别结果准确可信。