田高鹏，林年添*，张 凯，杨久强，张 冲

(1.山东科技大学地球科学与工程学院, 青岛 266590; 2.山东省沉积成矿作用与沉积矿产重点实验室, 青岛 266590；3.核工业湖州勘测规划设计研究院股份有限公司, 湖州 313000)

在对油气田的勘探和开发过程中，如何利用地震数据实现更有效的地震油气储层预测，一直是业界研究的热点和难点，目前常用的地震油气储层预测技术主要有AVO(amplitude variation with offset)正演模拟分析技术、地震属性分析技术、地震裂缝预测技术、岩石物理分析技术、多波地震油气检测等[1-2]。

地震属性是由地震数据导出的关于运动学、几何学、动力学以及统计特征的度量，其携带丰富的储层信息，目前已广泛应用于油气勘探中[3-4]。经过几十年的发展，目前可提取的地震属性多达数百种，不同的地震属性对应不同的地下介质信息，因此如何高效地对种类繁多的地震属性进行优选优化，以提取有效信息，一直是属性分析技术的研究方向[5-6]。

近年来随着机器学习及大数据分析等技术的发展，机器学习算法被广泛应用于各个行业。对于油气勘探，特别是地震油气储层预测所具有的特点，机器学习算法的快速发展也为本领域诸多问题带来了更多的解决之道，目前运用比较广泛的技术有深度学习[7-8]、聚类分析[9]、主成分分析技术[10]、支持向量机[11]、自组织神经网络等。

自组织神经网络(self-organizing neural network，SOM)是一种无监督学习方法，具有自学习功能的人工神经网络，其核心思想是通过自组织自适应地改变网络参数与结构来自动寻找样本中的内在规律和本质属性，可以很大程度地拓宽神经网络在分类方面的应用[12]。该方法具有良好的自组织学习能力、大规模并行处理、自组织分类等特点，因此该方法十分适用于地震相与地震属性数据的优选及优化[13]。陆文凯等[14]将自组织神经网络运用到地震同相轴的识别与追踪中，并取得了良好的同相轴识别追踪效果。穆星[15]将自组织神经网络成功地引入到对地震相的划分和识别中，实现了对地震相的自动识别分类。张龚等[16]将粒子群算法与自组织神经网络进行了优化与结合，并将其成功地运用到地震相预测中，大大提高了预测效率与精度。张艳等[17]利用HSV(hue, saturation, value)染色技术对自组织神经网络算法进行了优化，为分析致密砂岩储层的分布特征提供了更好的可视化方法。

为了更大程度地提高地震属性分析的效率以及更充分地挖掘多波地震数据的有效信息，在前人大量研究的基础上，结合自组织神经网络及多波地震属性数据的特点，提出一种基于自组织神经网络的多波地震油气储层分布预测方案。该方案首先对多波地震属性数据进行预处理及聚类分析，然后针对处理后数据的特点构建合适的自组织网络模型并对数据进行训练得到最终预测结果，最后，将得到的预测结果与实际钻井、地质资料进行比对分析，以验证本方案对油气储层分布预测的有效性及可行性。

1 理论基础

1.1 聚类分析技术

聚类分析技术属于无监督学习算法的一种，相比于监督学习算法该方法无需对原始数据进行样本标记，该算法的核心是让数据彼此间自主去学习内在特征，最后得以划分类别。其目的是最大限度地提高类间对象的异质性和同质性[18]。

文中采用的是系统聚类分析，该聚类方法是将研究对象视为多维空间中的一个点，并使用相似性度量描述对象之间关系的一种多元统计形式。在这种方法中，地震属性根据它们所包含的地层特征信息的相似性逐渐聚合，将地层特征信息之间具有高度相似性的地震属性优先聚类在一起，最后根据综合特征将其划分为多个属性类，从而完成聚类分析的整个过程[19]。

利用系统聚类对地震属性进行优选，采用属性数据间的相似性系数rij作为相似性度量，去确定属性间的亲属关系。其详细的计算公式为

(1)

其相关系数rij的矩阵为

(2)

相关系数|rij|(0≤|rij|≤1)表达地震属性之间的相似性，当|rij|越大越接近1时，表示属性间的相似性越高，但是当其过于靠近1时，表明两种属性所表达的地层信息具有一致性，无需同时使用。当|rij|越小越接近0时，表示属性间的相似性越低，表明两种属性所表达的地层信息具有独立性。故可以根据相关系数所得到的相似性矩阵，绘制出属性数据的聚类谱系图，优选出合理的地震属性数据集。

1.2 SOM算法的基本原理

自组织神经网络是一种通过无监督学习网络来实现数据可视化的技术，该技术目前被广泛应用于高维数据可视化问题。在SOM网络中输入样本的每个维度都与类别数相同的输出单元的权值完全相关。同时，每一个自组织映射输出都与其邻域相连，在二维平面中邻域通常形成六边形或矩形结构图，如图1所示。SOM输出神经元的数量可以使用输入数据协方差矩阵的两个最大特征向量之间的比率来定义[20]。自组织映射网络可以组织一个保持输出单元之间自然关系的拓扑图，在输入空间中彼此靠近的点被映射到SOM中靠近的输出映射单元。

图1 SOM神经网络模型

假设自组织神经网络输入的地震属性样本数据为xi=(x1,x2,…,xN)，N为地震属性样本个数。SOM的神经网络为m行n列，总共有y=m×n个网络节点，其每个节点对应一个权重向量，记为wij，i=1,2,…,N，j=1,2,…,y。计算地震属性样本数据xi与权重向量wij的欧几里德距离，与输入数据距离最小的神经元为最佳匹配单元，距离度量为

(3)

式(3)中：j为输出层神经元数目；dj是神经元的权重与输入样本之间的距离。

选择最近的神经元作为最佳匹配单元，记为(m′,n′)，邻域是由受最佳匹配单元影响的邻近区域组成，如图2所示。因此定义邻域函数H为

图2 神经元权值调整示意图

(4)

或

(5)

式中：(m,n)为最佳匹配单元的邻近位置；l为邻域半径。

设置学习率为α，更新邻近神经元，更新准则为

(6)

式(6)中：wij(t+1)为第t+1次迭代过程中第j个节点的权重向量；H(t)为邻域函数；α(t)为学习速度参数；H(t)和α(t)均随迭代次数t增加而减小。

随着训练的推进，邻域半径由大逐步缩小到零，从而保证网络收敛。当自组织神经网络收敛或达到指定迭代次数时，网络训练完成。

2 基于自组织神经网络的地震油气储层分布预测方案

通常的地震属性分析只提取纵波的地震属性数据，但是单一纵波地震属性数据在之后的分析中会面临多解性问题，所以本方案针对多波地震数据的特点，分别提取纵波与转换横波的属性数据进行对比分析。虽然自组织神经网络具有一定的聚类能力，看似可以实现对多种地震属性数据直接进行聚类划分，得到预测结果，但是由于其相邻神经元之间具有较高的相似性，所以直接用该网络直接对地震属性数据进行油气预测，往往达不到预期的效果。故在提取多波地震属性后，首先结合专家经验对多波地震属性数据集进行系统聚类分析，提取对油气储层敏感的多波地震属性，然后针对纵波与转换横波地震属性数据的特点，构建多波地震复合属性，以此作为自组织神经网络的输入样本数据，最后利用自组织神经网络实现对油气储层的预测，其实施流程如图3所示。

图3 基于SOM的多波地震油气储层预测模型

2.1 多波地震属性优选及优化

2.1.1 多波地震属性数据的预处理

从地震数据直接获取的地震属性数据中往往会存在过高或过低的异常值，异常值的存在会影响后续自组织神经网络的训练过程及结果。因此，在自组织神经网络训练预测之前需要去除异常值，采用莱特准则进行异常值剔除处理。此外由于获取不同的地震属性所采用的算法不同，所以各个地震属性数据之间的量纲存在较大差别，需利用式(7)对不同的地震属性数据进行归一化处理。

假设地震属性集为S={c11,c12,…,c1j,c21,c22,…,c2j,…,cij}，cij为其中任一地震属性值，则归一化的地震属性可表示为

(7)

2.1.2 多波地震属性优选

利用地震属性分析技术可提取各类不同地震属性。虽然众多地震属性可以提供丰富的地下信息，但是也会出现地震属性数据信息重叠和赘余现象。因此，一个合理且快速地优选地震属性的方法是实现地震油气储层有效预测的基础。采用系统聚类分析算法对地震属性数据进行降维，并结合专家经验优选出对地下油气藏最为敏感的地震属性。聚类分析方法可以快速有效地降低属性数据的冗余信息，利用专家经验与之结合可以在保证效率的同时提高优选的精度。

2.1.3 构建多波地震复合属性

大多数获取地震复合属性的方法都是基于单一纵波数据的，但是在实际应用中发现转换横波也可以提供大量真实有效的地下储层信息。因此利用二者之间的数据特点合理地构建多波地震复合属性，对有效预测地震油气储层分布具有重要作用。利用纵波和转换横波信息构建的多波地震复合属性，可以有效压制无关的干扰信息，从而突出对油气响应敏感的信息，降低单一纵波地震属性数据的不确定性。通过对提取的大量纵横波地震属性的特点进行对比分析，并在大量的试验后，构建了四类多波地震复合属性(叠合类、乘积类、差值类和比值类)。假设αij为目的层的纵波类属性P，βij为目的层的转换横波属性S，即

(8)

(9)

式中：m为crossline方向的道数；n为inline方向的道数。

当上述两种属性数据集中，存在某种类型属性使二者所表达的油气敏感程度呈负相关时，可以利用比值或差值类算法提取比值或差值类复合属性，该类复合属性可以适当放大二者的差异性，进而可以有效地压制干扰背景，突出含油气敏感区，数学表达式为

(10)

式(10)中：Aij表示差值属性；Bij表示比值属性。

当上述两种属性数据集中，存在某种类型属性使二者所表达的油气敏感程度呈正相关时，可以利用乘积或叠合类算法提取乘积或叠合类复合属性，该类复合属性可以有效地压制对含油气非敏感区域，突出二者对含油气的敏感区域，进而突出含油气敏感区的刻画边界，数学表达式为

(11)

式(1)中：Cij表示叠合属性，Dij表示乘积属性。

2.2 SOM网络模型设计

根据前文所讨论“多波地震属性优选及优化”的作用，设计如图4所示的SOM网络模型。以本文所优选出的多波地震复合属性作为自组织神经网络的输入数据集进行地震油气储层预测，具体实施流程(图4)如下。

图4 SOM算法流程图

(1)优选出对油气储层敏感的属性，并提取多波地震复合属性，对复合属性进行预处理去除数据的异常值。

(2)初始化网络权值，输入多波地震复合属性样本训练SOM网络，计算神经元与样本的距离，更新调整网络权值。

(3)如果网络收敛或达到指定迭代次数并且权值稳定不再改变时，训练完成，否则重新回到步骤(2)进行计算。

(4)将最终得到的神经网络聚类结果映射到输入属性样本数据集，得到输出数据集，此时针对地震属性样本数据的SOM网络训练完成。

3 应用实例

3.1 原始地震资料

本次应用的原始地震资料采自中国西南某一地区，该套数据包含纵波和转换横波三维地震数据。该套数据的勘探总面积为550 km2，共有1 148道主测线和770 道联络测线，主测线起始道为inline87，联络测线起始道为crossline80；其采样间隔为2 ms，最大时深为7 s。其二维纵向地震剖面如图5所示，图5中所标TX46层为本次的目的层位，目的层位时间切片如图6所示。

图5 研究区原始地震剖面

图6 研究区原始纵、转换横波同深度地震时间切片

3.2 聚类优选敏感地震属性

由于各种地震属性的获取方式不同，其所表达的地质意义、油气特征信息等都会有所区别，所以在提取属性数据之前综合分析目的层段的各类信息，尽可能提取更多纵波与转换横波的地震属性。因此，在充分分析目的层段的特点并结合专家经验之后，优选出15种地震属性进行聚类分析。本次聚类的主要原则是保证同种属性尽可能少且所选属性对油气响应敏感。结合研究区实际情况及上述优选优化原则，进行聚类分析，其所得的地震属性优选聚类结果如图7所示。

图7 地震属性聚类优选结果

在对15种属性数据进行聚类分析之后，基本将其分为以下三大类。

(1)表示瞬时相位和有效带宽已经归为一类，这只是一个数学分类。结合地质意义，瞬时相位是瞬时虚振幅与瞬时实振幅之比的正切值。该属性通常与油气显示的其他属性一起使用，而有效带宽主要用于沉积环境分析。因此，选择瞬时相位作为敏感属性。

(2)表示瞬时频率和能量加权瞬时频率被归为一类，该类是频率类属性。由于瞬时频率是瞬时相位随时间变化的导数，在含气层检测中具有很大的优势。因此，选择瞬时频率作为敏感属性。

(3)表示其他属性类，该类主要由对储层敏感的振幅属性组成。均方根振幅属性可以识别亮点和暗点以及识别振幅异常或层序描述，对预测储层含油气性的效果比较好。瞬时振幅可用于判断油气富集区、局部断层和岩性变化，可以间接反映地震能量。平均峰值幅度可以帮助识别岩性变化、含气砂岩或地层，并且是预测油气潜力比较常用的属性。弧长属性是一个组合了频率和幅度的混合属性，可用于区分泥岩层或高砂岩组分层序。结合聚类谱系图和每个属性的地质意义，在该类中选择均方根振幅、瞬时振幅、平均峰值振幅和弧长这四个属性作为敏感属性。

综上，根据聚类分析结果、专家经验和已知的储层特征，总共优选出6个地震属性(弧长、瞬时相位、瞬时频率，瞬时振幅，均方根振幅和平均峰值振幅)。所选目的层位的纵波与转换横波的6种属性如图8所示。

图8 纵横波原始属性

3.3 多波地震属性复合

通过上述属性优选出的6种属性结果来看，不同的属性对储层的响应程度不同。因此，针对这六种属性间的差异与特点进行了大量的复合演算，最后得出F1、F2、F33种多波地震复合属性的效果较好。因此选用这3种多波地震复合属性作为SOM神经网络的输入样本数据。

地下油气层对地震纵波振幅具有强烈的吸收作用，而对转换横波影响不大。因此针对纵波与转换横波的均方根振幅属性按照式(12)提取F1复合地震属性。

(12)

式(12)中：Srms为转换横波的均方根振幅属性；Prms为纵波的均方根振幅属性。

因为该地区的目的层段的油气主要储存于砂岩，而地震数据在砂岩地层呈现的是低频强振幅，泥页岩地层是高频弱振幅。针对此特点，按照式(13)提取F2复合地震甜点属性。

(13)

式(13)中：Pia为纵波瞬时振幅属性；Sia为转换横波瞬时振幅属性；Pif为纵波瞬时频率属性；Sif为转换横波瞬时频率属性。

根据纵波与转换横波对平均波峰属性及弧长属性对地震储层的响应特点，按照式(14)提取F3复合地震属性。

F3=(Sal+Pal)(Sapa+Papa)

(14)

式(14)中：Sal为转换横波弧长属性；Pal为纵波弧长属性；Sapa为转换横波平均波峰振幅属性；Papa为纵波平均波峰振幅属性。

提取的多波地震复合属性如图9所示。从最后提取的这3种复合属性的结果来看，经过复合的地震属性比单一属性刻画的储层边界更加清楚，对油气响应更加敏感。

图9 比值属性预测结果

3.4 利用自组织神经网络进行地震油气储层的分布预测

3.4.1 自组织神经网络的训练及可视化

通过上述对原始属性数据集的优选优化，共分析优选出3种地震复合属性，即确定自组织神经网络的输入样本空间的维数为3维，并且权重向量空间中各个权重向量也是3维。为了选出最佳的网络结构，设计了权重向量为3行3列(9个神经元)、4行4列(16个神经元)、8行8列(64个神经元)以及10行15列(150个神经元)不同的网络结构进行试验，其结果如图10所示。

从图10(a)与图10(b)中可以看出当SOM神经网络的神经元个数过少时，其所预测结果的油气敏感区过于宽泛不够聚焦，分辨率过低，从而无法得到直接应用。从图10(c)与图10(d)的结果可以看出，随着神经元个数的增多其含气敏感区会慢慢聚焦，但是神经元个数过多会导致其所预测的储层边界模糊，而且含气响应区域也过于离散不利于最后的储层预测与评价。

图10 不同网络结构的预测结果图

最终，根据上述所得结果、输入样本数量及钻井资料，确定权重向量为4行8列(即32个神经元)的网络结构。为了对比本文中所设计的SOM预测方案与传统单一地震数据SOM预测方案进行对比，选取了瞬时相位、瞬时频率、瞬时相位及均方根振幅4种单一纵、横波属性(该4种属性被认为是对油气具有相对高敏感的体波属性)作为输入样本，利用SOM神经网络进行训练，根据单一属性数据特点，确定权重向量为3行8列(即24个神经元)。

初始化自组织神经网络中的神经元，将处理好的各个输入样本分别输入各自的自组织神经网络中进行训练，得出最终结果。图11为单一纵波属性、单一横波属性及基于本方案的自组织神经网络分类结果(图11中深颜色代表神经元之间权重大距离远，浅颜色代表神经元之间权重小距离近)，将各神经元与输入样本分类结果的对应关系映射到原始数据，就得到如图12、图13的预测结果图。

图11 自组织神经网络分类结果

图12 单一纵横波的SOM预测结果图

图13 基于本方案的SOM预测结果图

3.4.2 实际应用效果分析评价

仅以单一纵波或单一转换横波地震属性作为样本进行自组织神经网络储层预测结果如图12所示，而基于本文方案的以纵波与转换横波复合属性作为样本进行自组织神经网络储层预测结果如图13所示。图13中蓝绿色区域(色柱中低值段)指代贫气区，红黄色高值区(色柱中高值段)指代有利含气区。

从图12(a)中可以直接看出单一纵波的SOM预测结果与实际钻井资料偏差极大，根本无法准确刻画富气区域。从图12(b)中可以看出单一横波SOM预测的含气区与实际钻井资料似乎较为吻合，但是准确度不高，而且由于转换横波地震数据分辨率低的特点，直接导致其预测结果所刻画的含气分布区域分辨率过低，无法得到直接应用。

图14所示为基于本文方案预测结果(图13)叠合了所对应层位构造图的综合评价图。其中红色圈所圈区域是本次勘探区域已经被证实的高构造、高裂隙发育的主要含气区，本方案所预测的主要气富集区，也分布于此区域，其所预测结果与实际钻井资料基本吻合。图14中灰色圈内区域是本勘探区的低构造区域、裂隙不发育区域，实际钻井资料也表明该区域是贫气区，与本次预测结果也基本吻合。黄色圈内的区域虽无钻井资料但是其构造部位较高，裂隙较为发育，可作为下一阶段重要的待验证开采区，该区域预测结果与实际地质资料也较为接近。因此基于本方案的利用纵波与转换横波复合属性进行预测结果与实际地质、钻井资料较吻合，相对于单一纵波与转换横波的预测结果具有更高的实用价值。

图14 测试区含气地震储层预测结果分析图

综上所述，通过对实际资料的应用及验证表明，本文中提出的基于自组织神经网络的多波地震油气储层分布预测方案可以有效并相对准确的刻画地震油气储层的分布情况，因此本方案具有较高的可行性。

4 结论

本文所设计的基于自组织神经网络的多波地震油气储层分布预测方案，有机地融合了聚类分析、自组织神经网络等技术，是一种能有效预测地震油气储层分布的方案，将该方案运用于实际数据处理与分析后，主要得到以下几点认识。

(1)通过聚类分析算法并结合专家经验对地震属性数据进行优选，可以最大程度地去除冗余属性数据，有效地将数据集合分类，同时保留对油气储层响应最敏感的地震属性。通过该方法将多达几十种的多波地震属性优选降维到6种属性，大大降低了样本数据的维度，为后续工作提供了数据基础。

(2)利用纵波与转换横波对油气储层响应的差异性进行复合得到复合属性，以降低地震油气储层预测的多解性，提高预测精度。将优选后的6种纵、横波地震属性进行复合，得到3种复合属性，为后续自组织神经网络的运用提供了更精确的样本数据。

(3)将复合后的地震属性作为样本数据进行SOM网络训练，得到的预测结果，经过与实际资料的对比分析，结果表明本文方案可以有效利用自组织神经网络对高维地震属性数据集进行降维，并且有效地保持原属性数据结构，实现对地震油气储层相对高效准确的预测。证明了自组织神经网络在该环节的可行性与有效性，但是本环节涉及较多的参数调节(如邻域函数等)，所以也指明了下一步的工作重点就是细化和改进SOM网络结构，优化参数调节过程，进一步缩减运行时间和提高网络预测的精度。