天然气勘探

致密层去除均一反射层方法研究及应用

  • 窦玉坛 , 1 ,
  • 李斐 2 ,
  • 杜广宏 2 ,
  • 刘峰 2 ,
  • 王大兴 2 ,
  • 王永刚 2 ,
  • 张盟勃 2 ,
  • 黄研 2
展开
  • 1. 中国石油勘探开发研究院西北分院,甘肃 兰州 730020
  • 2. 中国石油长庆油田分公司勘探开发研究院,陕西 西安 710018

窦玉坛(1981-),男,山东潍坊人,高级工程师,硕士,主要从事地震解释和储层预测等研究. Email:.

收稿日期: 2021-08-24

  修回日期: 2021-10-26

  网络出版日期: 2022-05-12

Research and application of the method of removing uniform reflector in tight reservoirs: Case study of SD area in Ordos Basin

  • Yutan DOU , 1 ,
  • Fei LI 2 ,
  • Guanghong DU 2 ,
  • Feng LIU 2 ,
  • Daxing WANG 2 ,
  • Yonggang WANG 2 ,
  • Mengbo ZHANG 2 ,
  • Yan HUANG 2
Expand
  • 1. Research Institute of Petroleum Exploration & Development⁃Northwest,PetroChina,Lanzhou 730020,China
  • 2. PetroChina Changqing Oilfield Company,Xi’an 710018,China

Received date: 2021-08-24

  Revised date: 2021-10-26

  Online published: 2022-05-12

Supported by

The Major Scientific and Technological Projects of CNPC(2021DJ2205)

摘要

鄂尔多斯盆地SD地区为典型的低孔、低渗致密气区,但该区上古生界二叠系山2段和太原组普遍发育煤层,形成的强反射会掩盖其上下有效储层的响应特征,同时背景沉积作用也掩盖了储层的部分特征。为此将地震记录定义为均一反射层和岩性体反射的组合,均一反射层地震特征表现为低频、相位稳定,对有效储层预测会有干扰作用,提出一种基于改进的Hebb神经网络主分量分析的均一反射体提取方法,引入Ricker子波核函数,将原始地震数据通过内积操作变换到特征空间,提取非线性特征,解决原始样本空间地震数据样本线性不可分的问题,利用该方法的非监督在线学习能力,设计迭代算法计算,可以得到均一反射体,最终变换得到岩性体,实现储层的精细刻画。通过构建含煤层的二维模型验证了该方法去除均一反射层的可行性,并应用于SD地区A工区,可以有效去除均一反射层(包括去除强反射地层)影响,有利于提高利用高维度地震数据进行有效储层精细描述的准确度。

本文引用格式

窦玉坛 , 李斐 , 杜广宏 , 刘峰 , 王大兴 , 王永刚 , 张盟勃 , 黄研 . 致密层去除均一反射层方法研究及应用[J]. 天然气地球科学, 2022 , 33(5) : 820 -830 . DOI: 10.11764/j.issn.1672-1926.2021.10.020

Abstract

SD area in Ordos Basin is a typical tight gas area with low porosity and low permeability, but coal seams are generally developed in Shan 2 Member and Taiyuan Formation of Upper Paleozoic Permian in this area. The strong reflection will mask the effective reservoir response characteristics above and below, and the background sedimentation also masks some characteristics of the reservoir. Therefore, in this paper, seismic records are defined as the combination of homogeneous reflector and lithologic body reflection. The seismic characteristics of homogeneous reflector are low frequency and stable phase, which will interfere with effective reservoir prediction. A homogeneous reflector extraction method based on improved Hebb neural network principal component analysis is proposed, and Ricker wavelet kernel function is introduced. The original seismic data is transformed into the feature space through the inner product operation, and the nonlinear features are extracted to solve the problem that the seismic data samples in the original sample space are linearly inseparable. Using the unsupervised online learning ability of this method, the iterative algorithm is designed to obtain the uniform reflector, and finally the lithologic body is transformed to realize the fine characterization of the reservoir. By constructing a two-dimensional model containing coal seams, the feasibility of removing uniform reflection layer by this method is verified, and applied to work area of SD area, which can effectively remove the influence of uniform reflection layer (including removing strong reflection layer), which is conducive to improving the accuracy of effective reservoir fine reservoir description using high-dimensional seismic data.

0 引言

鄂尔多斯盆地SD地区为典型的低孔、低渗致密气区1-2,主力气层为上古生界二叠系盒8段、山1段、山2段砂岩层,为强非均质性的薄储层,山2段和太原组广泛发育煤层,对应的地震反射位置分布如图1所示。由于煤层本身与围岩的阻抗差异较大,在地震上表现为强振幅特征,对其上覆的目的层山1段、山2段砂岩有强烈的影响,会使有效信息淹没于强反射之中,同时均一背景沉积作用形成的地震响应也掩盖了储层的部分特征,通过常规地震数据刻画的储层特征非常不明显。所以有必要开展去除均一反射层(包括去除强反射地层影响)的方法研究。
图1 研究区目的层地震反射位置分布示意

Fig.1 Schematic diagram of the seismic reflection position distribution of the target layer in the study area

国内外大多数学者采用匹配追踪算法来进行强反射去除等研究。MALLAT等3首次提出了匹配追踪算法,其算法可以将信号在过完备字典上的有效稀疏表示,随后大量学者4-7在时频分析、谱分解等领域进行了应用。WANG8提出自由尺度的匹配追踪分解方法,并利用该方法进行强反射剥离;张繁昌等9提出了一种复数域快速匹配追踪算法,通过在复数域求解匹配子波的复振幅,同时获得匹配子波的振幅和相位信息,并使主频成为唯一一个需要通过子波库扫描来确定的控制参数,提高了匹配追踪的分解效率,其快速匹配追踪算法的计算效率比原算法提高了上千倍,在很大程度上克服了匹配追踪的计算瓶颈问题,同时能够保持匹配追踪瞬时谱精度和地震信号重构精度。FOMEL10考虑到瞬时频率计算结果存在“负频率”现象,认为其不适用于作为时频原子的频率搜索参数,将局部频率计算模式作为构建动态子波库的控制参数。许璐等11利用强反射位置处的局部频率和瞬时相位信息作为先验信息,构建动态反射特征波形库,以此搜索最佳匹配强反射子波,通过单道测试确定强反射压制系数,以保证剥离强反射后的均衡能量与背景能量一致,最终削弱了强反射干扰的影响,突显了弱反射信息。
匹配追踪算法利用不同频率、振幅、相位的各类原子与地震道匹配,分解成一个原子库,认为最大能量原子对应强反射,在重构中舍去,达到去强反射效果,优点是能够给出较好的信号表示。但是也存在不足之处,需要进行大量内积运算,原子库往往规模很大容易冗余,导致计算量较大;地震道子波分解在单道进行,无法考虑地层横向关系,容易造成匹配过度和重构剖面连续性差,同时无法确定舍去哪些原子,其地质和地球物理意义不明确,对断续的强反射和多个强反射去除效果较差。金成志等12基于长、短旋回的波形特征分析,利用主成分分析将长、短旋回分离以达到去除强反射的目的。但对于较大三维工区,要进行高维矩阵的特征值分解,受制于内存等问题,这是一个大的难题。
综上所述,现有方法并不能完全有效地去除均一反射层(包括去除强反射地层),同时面对日益增大的地震数据,对去除均一反射层方法提出了更高的要求。本文将地震道作为训练集,创新性地引入Ricker子波核函数,针对高维地震数据输入情况下,形成基于改进的Hebb神经网络主分量分析的均一反射层体提取方法,利用其非监督在线学习能力,设计迭代算法计算,可以大大降低计算复杂度,适应大数据问题。金成志等12所用的方法是线性方法,这种方法需要计算高维度矩阵特征值分解,对于大数据存在的天然不足,一旦研究区数据太大,即存在维数爆炸,不能计算的问题。而利用本文方法的非监督在线学习能力,设计迭代算法计算,可以大大降低计算复杂度,适应大数据问题。 同时由于同相轴可能存在的非线性关系,利用线性PCA并不能很好地解决本文提到的问题。故本文通过改进的KHA算法,引入Ricker子波核函数,将原始地震数据通过内积操作变换到特征空间,提取非线性特征,解决原始样本空间地震数据样本线性不可分的问题,最终得到岩性体。基于反映薄砂体的岩性体开展地震沉积学分析,可以精细刻画沉积储层。

1 基于改进的Hebb神经网络主分量分析的均一反射层提取方法

1.1 方法原理

假设真实地层可视作准层状模型,那么定义地震反射包含年代地层反射(均一反射层体)和岩性地层反射(岩性体)。定义均一反射层为具有较强时间意义的、反映水深变化较大的、彼此具有成因联系的大套地层;岩性体为时间意义较弱的、反映水深变化较小的、 由相似岩性/岩相叠加组成的地层13-14。地层切片中包含反映构造沉积信息的均一反射层体和反映薄砂体信息的岩性体。那么开展精细地震沉积分析的过程中需要将大套的均一反射层体去除,同时把反映薄砂体信息的岩性体提取出来。下面论述如何从原始地震数据提取岩性体。
假设经过去噪、归一化处理后地震数据 sn道地震道,每道地震道有m个采样点,那么 s可描述为:
s = s 11 s 12 s 1 n s 21 s 22 s 2 n s m 1 s m 2 s m n
地震数据s作为后续Hebb神经网络输入训练样本集 s可写为:
s = s 1 , s 2 , , s n
式中: s n = s 1 n s 2 n s m n T
s变换到高维特征空间内,可表示为:
ϕ S = ϕ s 1 , ϕ s 2 , , ϕ s n
按照Hebb神经网络主分量分析学习规则,有n个输入和l个输出(l<n),Hebb神经网络中需要训练的只有突触权值集{wjk },它们连接输入层的节点k和输出层节点j,其中 k = 1,2 , , n j = 1,2 , , l
依据KIM等15提出的Kernel Hebbian Algorithm(KHA)算法,在特征空间中,在时刻t输出层计算节点j对输入集 ϕ S ( t )的响应所产生的主分量输出bj(t)由下式给出:
b j ( t ) = i = 1 m a j i ( t ) [ S i ,   k ( S ( t ) ) - k ¯ ( S i ) ] - a ¯ j ( t ) i = 1 m [ S i ,   k ( S ( t ) ) - k ¯ ( S i ) ]
式中: k ( S i , S ( t ) )为内积核,通过特征向量由下式定义:
k ( S i , S ( t ) ) = ϕ T S i ϕ S ( t )
在多数情况下,把低维样本空间中的数据映射到高维特征空间时,并不需要具体的映射函数,只需要它们之间的内积运算,但是在特征子空间中进行内积运算会遇到效率性能问题,但是核函数巧妙地将特征空间中的内积运算等价于样本空间的核函数运算,常见的核函数有:
①多项式核函数:
k ( x , y ) = x , y + R d
式中:x、y表示输入的地震道;R=0,齐次多项式核函数;d=1,线性核函数。
②高斯核函数:
k ( x , y ) = e - x - y 2 2 σ
式中:xy表示输入的地震道; σ类似多项式核中d,控制核的灵活性,较小值相当于较大d值,决定了输入变量在算法中被缩放的程度。
③Ricker子波核函数16
k ( x , y ) = 1 - 2 π 2 f 2 x - y 2 e - π 2 f 2 x - y 2
式中:x、y表示输入的地震道,可变核参数f控制输入变量在算法中的被缩放程度。
k ¯ ( S i ) = 1 m q = 1 m k ( S q , S i ) a ¯ j ( t ) = 1 m u = 1 m a j u ( t )
式中: q = 1,2 , , m a j u ( t )表示 t时刻突触权值向量wj 在特征空间中的训练样本展开系数; u = 1,2 , , m
权值展开系数的修改采用下式:
a j i ( t + 1 ) = a j i ( t ) + η b j ( t ) [ 1 - p = 1 j a p i ( t ) b p ( t ) ]
式中: j = 1,2 , , l η是学习率。
如果输入的地震数据训练集过大,在Hebb规则下,权值展开矩阵仍然会快速增大,导致不稳定。为避免权值展开矩阵无限制地增大,本文对上述算法做以下2个改进:
改进1:
定义一个衰减项 τ(小于1的正常数),如果 τ趋近于零,那么学习规则等于常规的KHA算法;如果 τ趋近于1,那么学习规则将很快忘记旧的输入,而记忆最近的输入模式。据此可知,衰减项 τ的引入可以避免权值展开矩阵无限制地增大。
此时,权值展开系数的修改式(10)变为:
a j i ( t + 1 ) = ( 1 - τ ) a j i ( t ) + η b j ( t ) [ 1 - p = 1 j a p i ( t ) b p ( t ) ]  
改进2:
设定学习率按步长衰减的策略:
η ' = η × β I C / I S
此时,权值展开系数的修改式(11)变为:
a j i ( t + 1 ) = ( 1 - τ ) a j i ( t ) + η ' b j ( t ) [ 1 - p = 1 j a p i ( t ) b p ( t ) ]
式中: τ表示衰减项; η表示学习率; η ' = η × β I C / I SIS表示一个触发衰减的迭代步数阈值,IC表示当前迭代的步数, β表示衰减系数,当前迭代的步数IC除以阈值IS的商向下取整作为 β的指数。
初始化后,将训练样本集 S输入到改进的Hebb神经网络中进行迭代计算,得到输出主分量矩阵和权值展开系数矩阵。当相邻两次迭代的权值展开系数矩阵的特征空间距离符合迭代门槛,则停止迭代,输出第一主分量矩阵为所述均一反射层体 S b
按照式(4)式(13)分别计算输出主分量矩阵和权值展开系数矩阵。
计算相邻两次迭代的权值展开系数矩阵的特征空间距离,检查该特征空间距离是否满足设置的迭代门槛,如果不满足,重新迭代,直至满足迭代门槛,输出最终的第一主分量矩阵,作为均一反射层体 S b
可以通过以下公式计算相邻两次迭代的权值展开系数矩阵的特征空间距离:
ϕ A 1 - ϕ A 2 2 2 = k A 1 , A 1 + k A 2 , A 2 - 2 k A 1 , A 2
式中: A 1 A 2分别为相邻两次迭代的权值展开系数矩阵; ϕ A 1 ϕ A 2分别为相邻两次迭代的权值展开系数矩阵在特征空间中的特征向量; k A 1 , A 1为内积核 [ k ( A 2 , A 2 ) k ( A 1 , A 2 ),以此类推],通过特征向量由下式定义:
k ( A 1 , A 1 ) = ϕ T A 1 ϕ A 1
得到均一反射层体 S b之后,对原始地震体 S和得到的均一反射层体 S b进行体运算,将原始地震体 S中的均一反射层数据 S b剔除,获得反映岩性信息的岩性体数据 S l,求取公式定义为:
S l = S - S b

1.2 二维模型试算

进一步通过二维模型试算来验证本文方法对均一反射层(包含强反射轴)去除效果。本文设计了2个模型,模型1(图2)为单煤层屏蔽下的砂体模型,设计三层结构,厚度均为200 m,中间层为泥岩,第一层速度和密度为:V p=1 500 m/s,DEN=1.922 g/cm3,第二层速度和密度为:V p=2 000 m/s,DEN=2.065 g/cm3,第三层速度和密度为:V p=2 500 m/s,DEN=2.184 g/cm3。其中第二层夹有20 m厚的煤层,速度和密度为:V p=800 m/s,DEN =1.642g/cm3,煤层下存在6个呈透镜体的砂体,厚度0~10 m,速度和密度分别为:V p =3 500 m/s,DEN =2.375 g/cm3。模型2(图3)为去除透镜体砂体后的模型1。验证思路为:①对模型1进行正演得到地震记录,利用本文方法进行均一反射层体求取,得到均一反射层体的地震记录;②对模型2进行正演得到合成记录,并将其与①最终得到的地震记录进行对比,如果两者相减残差较小,即认为本文方法求取的均一反射层体是有效的。
图2 单煤层屏蔽下的砂体模型(模型1)

Fig.2 Sand body model under shield of single coal seam (model 1)

图3 单煤层模型(模型2)

Fig.3 Single seam model (model 2)

图4所示,图4(a)为模型1正演地震记录;图4(b)为模型1利用本文方法提取的背景体;图4(c)为模型2正演地震记录;图4(d)为图4(b)与图4(c)的相减残差;图4(e)为模型1去除沉积后的地震记录。模型1正演地震记录表明,由于煤层强反射的存在,煤层下部的砂体在地震记录上呈空白弱振幅显示,通过常规地震记录来提取砂体有效信息非常困难;针对图4(a)地震体开展基于改进的Hebb神经网络主分量分析提取均一反射层体得到图4(b),将得到的地震沉积体图4(b)与模型2得到的正演地震记录图4(c)进行相减运算得到残差地震体图4(d),残差小于2×10-2,表明本方法较为合理有效。最终利用模型1正演地震记录减去均一反射层体图4(b)可以得到反映砂体展布规律的岩性体图4(e),岩性体[图4(e)]与图2中的模型1砂体分布范围一致,进一步验证本文算法的合理性,同时利用处理得到的岩性体[图4(e)]进行后续地震沉积及储层预测等相关工作,提高储层预测精度。
图4 模型1和模型2地震记录及相关处理后的地震记录

(a)模型1正演地震记录;(b)模型1利用本文方法提取的背景体;(c)模型2正演地震记录;(d)为(b)与(c)的相减残差;(e)模型 1去除沉积后的地震记录

Fig.4 Model 1 and Model 2 seismic records and related processed seismic records

2 实际资料分析

图1所示,本文研究区SD地区A工区为苏里格低孔、低渗致密气田典型代表。但如前所述,该区山2段和太原组普遍发育煤层,这种单套或者多套的煤层在地震剖面上形成振幅非常强的反射,对薄层山1段储层尤其是山2段储层地震响应特征有强烈的淹没作用,直接利用原始地震体无法有效提取相应砂体有效特征。本文设计如图5处理流程解决此问题。
图5 针对A工区地震数据处理流程

Fig.5 Seismic data processing flow for A area

2.1 原始地震数据Wheeler域变换

A工区为三维工区,共有184 528道地震道,首先采用三维Wheeler变换方法来对原始数据进行Wheeler域变换,Wheeler域地震数据体去除区域构造因素,因此地震反射同相轴的产状、相位等信息与地层、 沉积等信息的相关性较强,便于利用本文方法分解背景体、岩性体波形。同时利用本文方法进行多道分析时,要求沿着同相轴空间产状对比、分解多道波形,这在时间域中难以实现,而在Wheeler域地震数据体中同相轴近似平行,有利于进行波形对比。在井约束下,对Wheeler域地震体进行90°相位化处理,即采用多道扫描的方法,定义一个相位角步长,用不同的相移量对地震体进行校正,采用波形相似性或者是最大能量准则来求取最佳的相位移量。最终将Wheeler域地震体转换为90°相位化Wheeler域地震体,利于对薄层的岩性解释。那么,对90°相位化处理后Wheeler域地震体进行归一化处理,利用改进的Hebb神经网络主分量分析迭代计算得到最终的均一反射层体。

2.2 基于改进的Hebb神经网络主分量分析的均一反射层体提取流程

图6所示为基于改进的Hebb神经网络主分量分析的均一反射层体提取流程,将90°相位化Wheeler域地震体作为训练数据输入,设置输出主分量个数、迭代次数最大值、迭代门槛、学习率初始值、核类型、衰减值等初始参数,初始化权值展开系数矩阵和输出主分量矩阵,基于改进的Hebb神经网络迭代,计算出权值展开系数矩阵和输出主分量矩阵,并计算权值展开系数矩阵相邻两次的特征空间距离,如果权值展开系数矩阵相邻两次的特征空间距离小于设置的门槛值,则退出迭代,输出主分量矩阵,经过处理之后就得到Wheeler域均一反射层体;如果大于设置的门槛值,则更新化权值展开系数矩阵、更新学习率,返回继续进行改进的Hebb神经网络迭代,直至迭代至小于设置的门槛值。
图6 基于改进的Hebb神经网络主分量分析的均一反射层体提取流程

Fig.6 Homogeneous reflection layer volume extraction process based on improved Hebb neural network principal component analysis

2.3 核函数选择

为测试不同核函数收敛效果及迭代速度,设置初始学习率为10-7,衰减项 τ为0.01,衰减系数 β为0.9,迭代步长IS为40,收敛误差为10-11,输出主分量个数为1。图7为4种核函数迭代收敛次数比较。图7(a)中设置线性核函数d=1,此时等价于标准线性PCA,即文献[12]所用方法;图7(b)中多项式核函数d=2;图7(c)中高斯核函数 σ为8 000;图7(d)中Ricker子波核函数f=0.000 05。可以看出,Ricker子波核函数,起始收敛误差最小(在10-9数量级上),收敛次数最快(只要198次即收敛)。图8为Wheeler域90°相位化地震体和Wheeler域岩性体数据分布比较。图8 (a) 为Wheeler域90°相位化地震体第14个采样点频率直方图;图8(b)为Wheeler域90°相位化地震体第14个采样点正态分布概率;图8(c)为Wheeler域岩性体第14个采样点频率直方图;图8(d)为Wheeler域岩性体第14个采样点正态分布概率。从图8可以看出Wheeler域90°相位化地震体在高振幅部分不太符合正态分布特征,而Wheeler域岩性体整体呈正态分布特征,所以在选择核函数的过程中,要选择有正态分布区分度的高斯核函数或者Ricker子波核函数,这样将原始地震体映射到高维空间后,岩性体与原始地震体才能变换为近似线性可分状态,结合起始收敛误差和收敛迭代次数,最终选择Ricker子波核函数。
图7 四种核函数迭代收敛次数比较

(a)线性核函数d=1,文献[12]所用方法;(b)多项式核函数d=2; (c)高斯核函数 σ为8 000;(d)Ricker子波核函数f=0.000 05

Fig.7 Comparison diagram of four kinds of kernel function iteration convergence times

图8 Wheeler域90°相位化地震体和Wheeler域岩性体数据分布比较

(a) Wheeler域90°相位化地震体第14个采样点频率直方图;(b) Wheeler域90°相位化地震体第14个采样点正态分布概率;(c)Wheeler域岩性体第14个采样点频率直方图;(d) Wheeler域岩性体第14个采样点正态分布概率

Fig.8 Comparison of the data distribution of the 90° phased seismic body in the Wheeler domain and the lithological body in the Wheeler domain

2.4 权值展开系数衰减项 τ和学习率步长衰减 β确定

为限制权值展开矩阵训练过程中的无限增大,MKHA(改进的Hebb神经网络主分量分析)对权值展开系数矩阵引入衰减项 τ和设定学习率按步长衰减 β。为测试MKHA和常规KHA迭代速度及收敛精度,选取Ricker子波核函数f=0.000 05,收敛误差为10-11,输出主分量个数为1,初始学习率为10-7。引入衰减项 τ和衰减系数 β,测试MKHA性能。如表1所示。KHA、MKHA( τ = 0.01)、MKHA( β = 0.9)和MKHA( τ = 0.01 β = 0.9)迭代次数分别为:148、167、159和198;而收敛精度(10-12)分别为13.764 39、9.869 88、9.980 63和9.844 79。综上可知,MKHA( τ = 0.01 β = 0.9)迭代次数稍高,但是收敛精度最高。
表1 KHA与MKHA迭代速度及收敛精度比较

Table 1 Comparison of iteration speed and convergence accuracy between KHA and MKHA

参数 KHA MKHA( τ = 0.01 MKHA( β = 0.9 MKHA( τ = 0.01 β = 0.9
迭代次数 148 167 159 198
收敛精度/10-12 13.764 39 9.869 88 9.980 63 9.844 79

2.5 超参数f确定

为最终确定超参数f的值,如图9所示,采用“类四折交叉验证”方法,具体将输入的Wheeler域地震道S分为4个子样本,每隔4道组合为一个子样本(第1道、第5道、第9道…为第1个子样本S1;第2道、第6道、第10道…为第2个子样本S2;第3道、第7道、第11道…为第3个子样本S3;第4道、第8道、第12道…为第4个子样本S4),一次选取1个子样本作为训练集trn_features,其他3个子样本作为测试集test_features,保留作为测试模型的数据,确定最优超参数f,定义训练误差error为:
图9 训练集和测试集划分原则

Fig.9 Division principle of training set and test set

e r r o r = t r n _ f e a t u r e s - t e s t _ f e a t u r e s 2
当训练误差error最小时,最终确定超参数f为8×10-7,如图10所示。
图10 不同训练集下不同超参数f训练误差

Fig.10 Different hyperparameter f training error graphs under different training sets

2.6 A工区应用效果

图11(a)为Wheeler域地震前28道和利用本文方法处理后得到的均一反射层道,图11(b) 为得到的Wheeler域岩性体前28道,均一反射层道反映水深变化较大的、彼此具有成因联系的大套地层,具有较强的时间意义,利于等时地层格架的建立;岩性体反映水深变化较小,由相似岩性、岩相叠加组成的地层,其时间意义较弱,岩性意义较强,利于勘探薄砂体12
图11 Wheeler域地震道、均一反射层道和岩性体道比较

(a)Wheeler域地震前28道和利用本文方法处理后得到的均一反射层道;(b)Wheeler域岩性体前28道

Fig.11 Comparison of Wheeler domain seismic traces, uniform reflection layer traces and lithological body traces

图12(a)为Inline534测线过b7井Wheeler域地震剖面,利用b7井进行合成记录标定,由于太原组煤层强反射的影响,山2段砂岩储层位于波谷内,其储层特征被掩盖,同时由于背景沉积层的影响,山1段砂岩储层过于连续,与实际沉积特征不符合。这种原始Wheeler域剖面不能直接做地震沉积分析或者储层预测分析。
图12 Inline534测线Wheeler域地震剖面、90°相位化Wheeler域地震剖面和Wheeler域岩性体剖面比较

(a)Inline534测线过b7井Wheeler域地震剖面;(b)Inline534测线过b7井90°相位化Wheeler域地震剖面;(c)Inline534测线过b7井岩性体剖面

Fig.12 Comparison of Inline534 Wheeler domain seismic section, 90° degree phased Wheeler domain seismic section and Wheeler domain lithology section

图12(b)为Inline534测线过b7井90°相位化Wheeler域地震剖面,90°相位化作用是将常规剖面转化为具有岩性意义的剖面。图12(c)为Inline534测线过b7井岩性体剖面,利用本文方法进行去均一反射层处理后,可以看到太原组煤层强反射得到有效去除,可提高对山1段和山2段的砂岩反射识别,砂岩反射横向连续且变化自然,且与测井解释结果一致。
图13(a)为去除均一反射层前山2段切片平面,图13(b)为用本文方法去除均一反射层后山2段切片平面,图13(c)为用文献[12]方法去除均一反射层后山2段切片平面。由此可知,去除均一反射层前山2段受均一反射层(包含强反射)影响,导致山2段地层切片难以反映沉积相和砂体展布特征;用本文方法去除均一反射层后有效突出了山2段砂体反射,其沉积相特征也更为明显。而利用文献[12]方法处理后,在b7井点处与本方法处理后的结果不同。
图13 不同方法去除均一反射层前后山2段切片平面对比

(a)去均一反射层前山2段切片平面图;(b) 用本文方法去均一反射层后山2段切片平面图;(c) 用文献[12]方法去均一反射层后山2段切片平面图

Fig.13 Comparison of the plan view of the 2nd Member of Shanxi Formation before and after removing the uniform reflection layer by different methods

图14(a)为y31井山2段沉积微相,砂体垂向非均质性强,岩性变化快,为多期三角洲平原水下分流河道纵向叠置;图14(b)为b7井山2段沉积微相,岩性为中粗粒石英砂岩,岩性较疏松,石英含量高,发育大套厚层水下分流河道砂体,多期河道纵向叠置厚度大。
图14 山2段沉积微相柱状图

(a)y31井;(b) b7井

Fig.14 Histogram of sedimentary microfacies in the 2nd Member of Shanxi Formation

同理y34井与y31井沉积微相一致,处理结果也一致。可以看出本文方法处理结果显示其三角洲平原分流河道沉积相和河道间湾沉积相符合实际地质沉积特征。

3 结论

本文将地震记录理解为均一反射层反射和岩性体反射的组合,均一反射层地震特征表现为低频、相位稳定。通过改进的Hebb神经网络主分量分析方法来去除均一反射层,将地震道作为训练集,创新性地引入Ricker子波核函数,针对高维地震数据输入情况下,形成基于改进的Hebb神经网络主分量分析的均一反射层体提取方法,最终得到岩性体。基于反映薄砂体的岩性体开展地震储层分析,可以精细刻画沉积储层。在鄂尔多斯盆地SD地区A工区进行了试用,实例表明,该方法可以有效去除均一反射层(包括强反射),有利于提高利用高维度地震数据进行有效储层精细储层描述的准确度。
1
王红伟,陈调胜,刘宝宪,等.鄂尔多斯盆地西南部地区上古生界砂体地震预测及勘探新突破[J].地球物理学进展, 2013, 28(4):2132-2140.

WANG H W, CHEN T S, LIU B X, et al. Seismic prediction of sand body in Upper Paleozoic and new exploration breakthrough in the southwest Ordos Basin[J].Progress in Geo-physics,2013,28(4):2132-2140.

2
付锁堂,付金华,席胜利,等.鄂尔多斯盆地奥陶系海相页岩气地质特征及勘探前景[J]. 中国石油勘探,2021,26(2):33-44.

FU S T, FU J H, XI S L, et al. Geological characteristics of Ordovician marine shale gas in the Ordos Basin and its prospects[J]. China Petroleum Exploration,2021,26(2):33-44.

3
MALLAT S G, ZHANG Z. Matching pursuits with time-frequency dictionaries[J]. IEEE Transactions on Signal Processing,1993,41(12):3397-3415.

4
CHAKRABORTY A, OKAYA D. Frequency-time decomposition of seismic data using wavelet based methods[J]. Geophysics, 1995, 60(6): 1906-1916.

5
CASTAGNA J P, SUN S J, SIEGFRIED R W. Instantaneous spectral analysis: Detection of low-frequency shadows associated with hydrocarbons[J]. The Leading Edge, 2003, 22(2):120-127.

6
WAWRZYNIAK K. Application of time-frequency transforms to processing of full waveforms from acoustic logs[J]. Acta Geophysica,2010,58(1):49-82.

7
HENNENFENT G, FENELON L, HERRMANN F J. Nonequispaced curvelet transform for seismic data reconstruction: A sparsity-promoting approach[J]. Geophysics, 2010, 75(6): WB203-WB210.

8
WANG Y H. Seismic time-frequency spectral decomposition by matching pursuit[J]. Geophysics, 2007, 72(1):V13-V20.

9
张繁昌, 李传辉. 地震信号复数域高效匹配追踪分解[J]. 石油地球物理勘探,2013,48(2):171-175.

ZHANG F C, LI C H. Complex domain efficient matching pursuit decomposition of seismic signals[J]. Oil Geophysical Pro-specting,2013,48(2):171-175.

10
FOMEL S. Shaping regulation in geophysical-estimation problems[J].Geophysics,2007,72(2): R29-R36.

11
许璐, 吴笑荷, 张明振,等. 基于局部频率约束的动态匹配追踪强反射识别与分离方法[J]. 石油地球物理勘探,2019,54(3):587-593.

XU L, WU X H, ZHANG M Z, et al. Strong reflection identification and separation based on the local-frequency-constrained dynamic matching pursuit[J]. Oil Geophysical Prospecting,2019,54(3): 587-593.

12
金成志,秦月霜.利用长短旋回波形分析法去除地震强屏蔽[J].石油地球物理勘探,2017,52(5):1042-1048, 1111.

JIN C Z, QIN Y S. Seismic strong shield removal based on the long and short cycle analysis[J]. Oil Geophysical Prospecting,2017,52(5):1042-1048,1111.

13
ZENG H L, BACKUS M M, BARROW K T, et al. Stratal slicing: Part Ⅰ. Realistic 3-D seismic model[J]. Geophysics,1998,63(2):502-513.

14
ZENG H L, HENRY S C, RIOLA J P. Stratal slicing: Part Ⅱ. Real 3-D seismic data[J]. Geophysics, 1998, 63(2): 514-522.

15
KIM K I, FRANZ M O, SCHLKOPF B. Iterative kernel principal component analysis for image modeling[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2005, 27(9):1351-1366.

16
邓小英,刘涛,罗勇.Ricker子波核最小二乘支持向量回归滤波方法的稳健性研究[J].地球物理学报, 2011, 54(3):845-853.

DENG X Y, LIU T, LUO Y. Robustness of least squares support vector regression filtering method with Ricker wavelet kernel[J]. Chinese Journal of Geophysics,2011,54(3): 845-853.

文章导航

/