刘小洪，冯明友，杨午阳，孙 辉，魏新建，刘 哲

（1.西南石油大学资源与环境学院；2.中国石油勘探开发研究院西北分院；3.中国石油长庆油田分公司勘探部）

利用Kohonen神经网络划分二维地震相
——以柴达木盆地E区风险勘探为例

刘小洪1，冯明友1，杨午阳2，孙 辉2，魏新建2，刘 哲3

（1.西南石油大学资源与环境学院；2.中国石油勘探开发研究院西北分院；3.中国石油长庆油田分公司勘探部）

为研究柴达木盆地E区大型背斜构造沉积相及砂体展布规律，在二维地震数据闭合差校正、邻区井标定引入及精细层位解释基础上，利用改进算法的Kohonen神经网络技术开展二维地震相划分研究，识别出三角洲前缘水下分流河道、分流间湾及滩坝等微相。本文研究认为，研究区古流向为南东—北西向，储集砂体较发育，主要富集于研究区中部，现今构造东高点位于有利沉积相带。改进算法的Kohonen神经网络二维地震相划分技术补充了沉积相研究成果，适合于西部二维地震资料覆盖的风险探区，具较强的推广价值。

Kohonen；神经网络；地震相；沉积相；柴达木盆地

0 引言

地震相指特定沉积相或地质体在地震振幅、相位、连续性及反射特征组合中的综合响应。地震相分析即以实际地质资料为基础，利用地震参数并结合其它资料进行综合沉积环境解释的过程。

地震相研究的核心为神经网络技术［1-4］。神经网络技术主要分为有监督的神经网络技术（应用于勘探中后期及开发期）和无监督的神经网络技术（多应用于勘探前期），多名学者［5-10］曾利用神经网络技术开展地球物理方面的研究。

研究区位于柴达木盆地北部风险勘探区，该研究区二维地震资料丰富，有监督的神经网络技术受限。本文开发出二维地震相分析及成图软件，利用Kohonen神经网络技术对地震道波形进行分类并将此分类形成离散的“地震相”；再根据“拟合度”准则对实际地震道进行对比和分类，细致刻画出地震信号横向变化规律及地震波形平面分类特征；最后结合相关研究结果对地震资料进行综合地质解释，进而开展储层预测和含油气性判别研究。

1 Kohonen神经网络原理

Kohonen神经网络是无监督学习的人工神经网络，也称为自组织特征图（Self-Organizing Map）。该网络可实现对输入模式特征进行拓扑逻辑映射，是一种高维输入向量向低维输出向量投影的方法，主要由输入层、隐藏层（Kohonen层）和输出层组成（图 1）［11］。其原理是：模拟生物神经元之间的竞争作用进行信息处理，通过比较输入样本间的空间最小距离来不断调整神经元间的权值，从而使相似的输入样本（即优胜神经元）聚集为一种分类，经过每一类反复迭代，最终输出一组已分类的数据。

图1 Kohonen神经网络结构示意图Fig.1 Structural diagram of Kohonen neural network

2 实现步骤

利用Kohonen神经网络技术划分二维地震相的主要步骤为：①对二维地震资料进行去噪处理和闭合差校正，并结合研究区或相邻区域的测井资料进行精细层位标定，在标定结果上解释目的层位；②设置地震相分类数，对权值、学习速率及邻域进行初始化，以地震道值作为输入样本；③采用公式（式中 wmn表示输入样本到输出结点的权值；t表示时刻，为正整数）计算输入样本xm到每一个输出结点n之间的距离dn，此距离被称为Euclidean距离，并选取具有最小距离的结点（n为输出结点）；④修改n与邻近结点之间的权值，采用公式 wmn（t+1）=wmn（t）+η（t）［xm（t）-wmn（t）］（式中 η（t）为一个增益项，0＜η（t）＜1，随时间增加下降至0）修正权值；⑤若增益项的值减小至0，则结果满意，输出结果，否则转换至第二步重新训练，直至神经网络收敛为止；⑥对输出的地震相结果进行分析，将地震相转化为沉积相。

3 应用实例

3.1 研究区概况

研究区构造位于柴达木盆地北缘断块带鄂博梁—葫芦山—伊克雅乌汝背斜带的中段，北邻昆特依—伊北凹陷，南接一里坪凹陷，呈“两凹夹一隆”的构造格局。由图2可看出，研究区现今地表构造为北西—南东向延伸的长轴背斜，背斜长约46 km，宽约8 km，面积约368 km2。由周缘钻探可知，该区主要目的层为上新统上油砂山组（）、上新统下油砂山组（）、中新统上干柴沟组（N1）3个层位。 多名学者结合顶部构造特征（图3）、邻区构造研究成果［12-14］、二维地震资料似“平点”含气性预测结果［15］等认为，研究区具大型气藏潜力。但鉴于资料缺乏、沉积特征复杂及构造含气性不确定等问题，至今该区的勘探仍未能突破。

图2 研究区构造位置图Fig.2 Structural location of the study area

图3 研究区顶部时间构造图Fig.3 Time-structure map for the top ofin the study area

研究区内二维测线经连片处理，测线交点处的时差、振幅、相位、频率基本闭合，二维地震测网为2 km×3 km～2 km×4 km，分布均匀，可满足平面研究要求。所以，本文利用改进算法的Kohonen神经网络技术对目的层开展二维地震相划分研究，并结合沉积相平面研究成果进行综合分析，以期为沉积相及砂体展布规律研究提供技术支持。

3.2 Kohonen神经网络地震相划分

本文利用Kohonen神经网络技术进行二维地震相划分的流程主要由二维地震资料预处理、目的层层位精细解释、地震反射特征分类、地震波形Kohonen神经网络分析、地震相—沉积相平面对比分析等组成。首先，对研究区34条二维地震测线进行相位校正和波形、振幅及频率一致性处理，并通过闭合差校正来解决二维地震资料因施工年度、施工因素及处理流程不统一等引起的问题；其次，结合相邻区域葫芦山构造井-震标定结果，将标定层位引入研究区，并对研究区目的层进行精细层位解释；最后根据目的层地震反射同相轴的振幅、频率、连续性等特征，将地震剖面分为4种类型（对应平面分布如图3中Ⅰ—Ⅳ所示）：Ⅰ型，同相轴反射呈杂乱型，横向极不连续，中等振幅，中等频率，为混合间互沉积（图4a）；Ⅱ型，振幅为双强谷夹弱峰型，中等频率，同相轴横向连续性中等，为三角洲前缘分流间湾沉积（图4b）；Ⅲ型，振幅为强谷强峰型，频率较高，同相轴横向连续性好，为滩坝砂沉积（图4c）；Ⅳ型，振幅为强谷强峰型，频率较低，同相轴横向连续性较差，同相轴略显下拉现象，可能为三角洲前缘分流河道沉积（图4d）。其它地震反射特征介于4种类型之间，难以直接甄别。

图4 研究区典型地震反射特征剖面Fig.4 Typical seismic sections of reflection characteristics in the study area

在地震剖面分类研究基础上，沿层提取地震振幅，将振幅波形中不同道的每个采样点作为输入数据，送入神经网络进行学习，反复迭代，修改权值，直至网络训练成熟，网络拓扑趋于稳定，再重新将所有提取的振幅波形送入网络，从而得到最终的地震相分类结果。在计算时为避免受地震资料品质的影响，本文选择大时窗进行属性提取，岩层上、下分别提取16 ms。考虑到地震相分类数过少可能会导致结果失真，首先选择分类数为8进行分析（图5a），为使结果突出优势相且与地质意义相吻合，进一步将分类数合并为4（中间采用过渡色充填）。因此，Kohonen神经网络地震相最终分类结果（图5b）能整体反映沉积体系及砂体展布特征。

图5 研究区顶部Kohonen分类剖面（a）、地震相分类结果解释（b）及沉积相平面图（c）Fig.5 Seismic section of Kohonen classification （a）,interpretation result of seismic facies classification （b） and sedimentary facies ichnography （c） of the top ofin the study area

区域沉积相研究成果表明：渐新世早期由于盆地边缘断裂活动强烈，盆地整体沉降进入大型坳陷期，研究区接受了一套三角洲相沉积，周边主要发育滨浅湖相沉积；中新世的沉积环境基本继承了渐新世沉积格局，研究区继续接受三角洲相和滨浅湖相沉积，水体范围有所扩大，但水体浅，为广泛的弱氧化环境；晚第三纪上新世早期，研究区水体逐渐变深，沉积物颜色变暗，物源丰富，沉积厚度较大。各期有利沉积相带均为分选较好、储渗性佳的滨浅湖滩坝及三角洲前缘水下分流河道微相（图5c）。

3.3 应用效果分析

基于Kohonen神经网络技术划分的地震相平面图细化了沉积相研究成果。本文研究认为：研究区内主要发育三角洲前缘水下分流河道及滨浅湖滩坝等微相，古流向为南东—北西向，砂体广泛分布，尤其中部地区（今构造高点）相对富集；有利区域（红—黄色）为三角洲前缘水下分流河道微相（图3b），现今构造东高点位于有利相带内。

实钻表明，构造东高点在N21气测显示活跃、储层发育、测井解释储层厚，表明预测结果可信。

4 结论及认识

Kohonen神经网络技术在浅层气预测、油气评价、岩性识别、地震相划分等方面具有优势，在运用时需注意以下几点：

（1）高信噪比的地震资料、规则的测网、准确的层位解释是进行二维地震相划分的前提，因此二维地震资料预处理和标定极为重要。

（2）通常选择较大时窗进行划分，分类时可对整个数据进行快速扫描以选取最佳分类数。

（3）神经元数量应适中，过多会影响分类速度，过少则导致分类结果重复，影响预测精度。

（4）神经网络运用前可利用二维地震剖面反射特征进行分析，划分时需在地质思路的指导下结合其它资料综合对比，才能全面、准确地得出符合实际的划分结果。

［1］Ediriwickrema J，Khorram S.Hierachical Maximum Likelihood Classification for Improved Accuracies［J］.IEEE Transon Geoscience and Remote Sensing，1997，35（4）：810-816.

［2］EssenreiterR，KarrenbachM，TreitelS.Identification and classification of multiple reflections with self-organizing maps［J］.Geophysical Prospecting，2001，49（3）：341-352.

［3］Baan M V D，Jutten C.Neural networks in geophysical applications［J］.Geophysics，2000，65（4）：1032-1047.

［4］Taner M T，Berge，Walls J D，et al.Well log calibration of kohonenclassified seismic attributes using bayesian logic ［J］.Journal of Petroleum Geology，2001，24（4）：405-416.

［5］邓传伟，李莉华，金银姬，等.波形分类技术在储层沉积微相预测中的应用［J］.石油物探，2008，47（3）：262-265.

［6］孙勤华，刘晓梅，刘建新，等.利用波形分析技术半定量预测塔中碳酸盐岩储层［J］.岩性油气藏，2010，22（1）：101-103.

［7］王宏斌，张虎权，卫平生，等.碳酸盐岩地震储层学在塔中地区生物礁滩复合体油气勘探中的应用［J］.岩性油气藏，2010，22（2）：18-23.

［8］侯斌，桂志先，许辉群，等.应用多属性神经网络方法预测油气［J］.岩性油气藏，2010，22（3）：118-120.

［9］卫平生，潘建国，张虎权，等.地震储层学的概念、研究方法和关键技术［J］.岩性油气藏，2010，22（2）：1-5.

［10］杨杰，卫平生，李相博.石油地震地质学的基本概念、内容和研究方法［J］.岩性油气藏，2010，22（1）：1-6.

［11］Kohonen T.The Self-organizing maps［J］.Proceedings of the IEEE，1990，78（9）：1464-1480.

［12］宋成鹏，张晓宝，汪立群，等.柴达木盆地北缘天然气成因类型及气源判识［J］.石油与天然气地质，2009，31（1）：90-96.

［13］罗群，黄捍东，李玉喜.柴达木盆地北缘浅层滑脱断裂下盘油气富集规律及控藏模式［J］.中国石油大学学报：自然科学版，2009，51（3）：34-38.

［14］沈亚，陈元忠，孙维军，等.柴达木盆地地震地质研究新进展［J］.石油地球物理勘探，2008，43（S1）：146-150.

［15］陈迎宾，张寿庭，万传治，等.柴达木盆地鄂博梁Ⅲ号构造地震低速异常识别及成因探讨［J］.地球物理学进展，2008，23（6）：1894-1902.

Application of Kohonen neural network to 2D seismic facies division in E area of Qaidam Basin

LIU Xiao-hong1， FENG Ming-you1， YANG Wu-yang2， SUN Hui2， WEI Xin-jian2， LIU Zhe3
（1.School of Resources and Environment， Southwest Petroleum University， Chengdu 610500， China； 2.Research Institute of Petroleum Exploration&Development-Northwest， PetroChina， Lanzhou 730020， China； 3.Department of Exploration，Changqing Oilfield Company， PetroChina， Xi’an 710018， China）

The situation ofE area is hard toproceed deep research and risk assessment bythe absent ofprospectingwell data.Based on seismic mis-tie calibration,adjacent well calibration and fine horizon interpretation,Kohonen neural network method is applied to carry out two-dimensional seismic facies classification of target zone.Microfacies of delta front such as distributary channel,interdistributary bay and sand bar are recognized.The paleocurrent direction is suspected from southeast to northwest.Reservoir sand bodies developed well in the middle of the study area,preliminary prospecting well is located in favorable sedimentary facies.Sedimentary facies division are supplied and refined bythe result ofseismic facies，which can supplysignificant foundation for geometric arrangement ofrisk wells and regional breakthrough.

Kohonen； neuralnetwork； seismicfacies； sedimentaryfacies； QaidamBasin

TE112.221

A

2010-12-20；

2011-02-16

刘小洪，1980年生，女，讲师，主要从事储层沉积学研究。地址：（610500）四川省成都市新都区新都大道 8号西南石油大学资源与环境学院。E-mail：liuxiaohong_swpu@163.com

1673-8926（2011）04-0115-04

郭言青）