基于极限学习机的裂缝带预测
2021-01-22陈芊澍文晓涛刘浩男
石油物探 2021年1期
关键词:分类
陈芊澍,文晓涛,何 健,刘浩男,李 垒
(1.成都理工大学地球物理学院,四川成都 610059;2.成都理工大学油气藏地质及开发工程国家重点实验室,四川成都 610059)
裂缝型油气藏广泛分布于陆相盆地,油气储层面积大,实际地质储量丰富,是增产上储的重要领域[1]。但裂缝型油气储层的形成过程复杂多样,裂缝类型和尺度不尽相同,非均质性强,勘探难度极大[2]。传统岩心定向分析[3]和井壁成像技术分辨率高,能够精准确定裂缝发育程度与类型[4],但仅代表单点信息,对三维空间裂缝带的识别能力有限。面对上述问题,许多学者利用纵横波和转换波之间的参数差异来预测裂缝,但其识别目标一般为区域构造和与成岩构造有关的大裂缝带。地震属性分析通过提取地震波的反射特征(频率、振幅、相位等)进行裂缝带预测。越来越多的基于地震属性进行裂缝带预测的方法得到发展。相干属性[5-6]、曲率分析技术[7-8]、蚂蚁体追踪[9-10]、反射强度属性[11-12]以及基于这些属性发展的多尺度属性技术也用于不同尺度的裂缝综合预测[13]。这些地震属性预测方法各有优势,但受区域地质差异和测井资料等影响,仅利用单一地震属性进行裂缝预测往往会产生多解性与假异常情况。因此,基于测井信息约束的多属性融合技术是当前关注的重点,但如何融合则是需要研究的关键问题。
近年来,机器学习发展迅速,在地球物理领域引起广泛关注。其中很多有代表性的算法,例如支持向量机、神经网络、线性回归、朴素贝叶斯、随机森林等算法已被引入地震学领域,在流体识别[14]、速度谱自动拾取[15]、地震数据噪声压制[16-17]方面均有不错的应用效果。……
登录APP查看全文
