利用地震多属性变换预测测井储层物性.pdfVIP

利用地震多属性变换预测测井储层物性 彭真明 译 摘 要 本 文论述了一种从地震数据预测测井储层物性的新方法。分析数据包含一 系列跟三维地震数据体相关井的待计算的目标物性参数。从理论上讲，待计算的 目标物性可以 是任意一种，但最有效的还是孔隙度参数的预测。我们从三维地 震数据体提取了一系列基于样点的属性值，目的在于获取一多属性变换，这种变 换是在地震属性子集 和测井目标物性值之间建立一种线性或非线性变换。所选 择的属性子集是通过向前逐步回归过程来决定。常规交会图分析的一种扩展涉及 到利用一个褶积算子来解决 测井目标物性跟地震数据间的频率差异。 在线性模型中，变换包含一系列权值，这些权值是通过最小平方误差达到最 小得到。在非线性模型中，则训练一个神经网络，把选择的属性作为网络输入。 这里对两种类型的神经网络进行了评价：多层前馈神经网络（MLFN）和概率神经 网络（PNN）。由于概率神经网络的数学原理较为简单，所以它看来是我们可选 的网络类型。 为了评估得到的多属性变换的合理性，我们使用了交叉检验。在交叉检验中， 依次排除训练集中的每一口井，再从余下的井重新进行变换，然后计算被排除井 的预测误差。检验误差，即所有被排除井的平均误差，是在对地震属性进行变换 过程中作为一种可能预测误差的度量。 上述方法对两个地区的实际资料进行了应用。我们从单属性回归到多属性预 测，再到神经网络预测的递进方法处理中，看到了预测能力的不断改善。这一改 善不仅体现在训练数据上，而且更重要的是体现在检验数据上。另外，神经网络 比线性回归在分辨率上也显示出极大的改善。 引 言 测井数据跟地震数据的结合 一直是地球科学工作者孜孜以求的目标。由于现有 油田从勘探到开发的重心转移，使得这一结合在最近几年随着钻井的大量增多而 变的日益重要（和成功）。结合的 第一种形式是由井进行合成地震记录的正演 模拟；结合的第二种形式是由地震资料进行的测井储层物性的反演模拟，这就是 所谓的地震反演，它已经由许多作者进行 过论述（如Lindseth（1997），Cooke 等（1983），Oldenburg等（1983），Chi等（1984））。 本文我们试图从以下几个方面突破常规地震反演的限制。第一，我们是直接预测 井的储层物性参数（如孔隙度）而不是声阻抗。这一方法跟前人论述的方法有所 不同，他们通常是由反演得到的声阻抗来建立孔隙度模型的（Anderson（1996））。 第二点不同是，我们使用的是从地震资料得到的属性，而不是常规叠后地震数据 本身。这就使得我们可以利用一些叠前信息以及叠后数据的非线性变换。第三， 不是 假设一种测井跟地震的特殊模型，而是通过分析井点的训练数据集得到一 种随机关系，这种关系可以是线性的（多元回归），也可以是非线性的（神经网 络）。最 后，我们利用了交叉检验的概念来评价得到的这种关系的合理性。 在对方法的基本原理论述以后，还将展示两个地区资料的应用实例，重点放在该 方法所获得的分辨率得到改进上。 多属性线性回归 地震属性 本方法的目的是找到一个算子 （能是非线性的），它可以从井旁地震数据来预 测测井物性。实际上，我们选择分析的不是地震资料本身，而是地震属性。我们 认为它比原始地震数据更为有利的原 因之一是这些属性的大部分是非线性的， 因此提高了方法的预测能力。原因之二是它有利于输入数据的分解。这个过程叫 做预处理或特征提取。在使用这些数据训练 模式识别系统以前，通过减少数据 量来大大改进识别系统的性能。预处理也可以为设计模式识别系统加入先验知识 提供一种途径。 我们一般把地震属性定义成一种地震道数据的数学变换。它包括简单属性如道包 络、瞬时相位、瞬时频率等和复杂属性如地震道反演和AVO属性。这一变换也许 可能与其他数据源有关，也许无关。例如，地震道的反演就假设了地震子波、初 始假设模型、约束等其它的数据源。但是，就本文的分析而言，我们还是把反演 结果看成是地震道的一种属性。 Chen（1997）曾指出，地震属性可分为两类： 基于层位的属性：这些属性是解释层顶、底边界之间的地层平均特性，通常由所 拾取的层位来定义。 基于样点的属性：这些属性是输入地震道数据以某种方式生成另外一种输出地震 道数据的变换