• / 95
  • 下载费用:10 下载币  

人工神经网络在地球物理反演技术中的应用

关 键 词:
人工 神经网络 地球物理 反演 技术 中的 应用
资源描述:
南开大学博士学位论文人工神经网络在地球物理反演技术中的应用姓名:齐龙瑜申请学位级别:博士专业:理论物理指导教师:胡北来20070401摘要摘要本文包括了人工神经网络的基本原理、模型以及在地球物理反演中的应用。该技术在胜利油田的实际应用中取得了很好的结果,是油气勘探与开发的强有力的工具。研究工作主要包括以下几个方面。1、基于多地震属性、测井资料,用多变量回归算法成功地对胜利油田1地区的拟测井参数做出了预测。本计算采用了预测结果的分辨率获得提高。文中对该方法提高分辨率的原理做了详细的讨论,并给出了该算法在胜利油果显示使用该方法可使深度分辨率达到8—10米。2、首次用基于多地震属性的人工智能岩性识别与预测技术对胜利油田几口井位处与测井的结果平均符合率在70%以上。在反演计算中首次采用了多地震属性直接跟测井资料的解释结果进行标定,来预测岩性以及砂体分布,即采用与预测目标紧密相关的几种地震属性参数,通过人工神经网络来建立他们的联系,通过已经训练好的网络直接计算或映射出整个勘探目标区域的分布。3、基于含烃类物质对地震波的非弹性吸收的地球物理机制,提出“小波变换频谱联合反演技术”,在胜利油田1地区获得成功,符合率平均达到70%,并已初步形成应用技术。本文通过小波变换获得井旁地震道的精确的频率谱随时间(深度)的分布,然后用神经网络对测井资料、岩心数据和频谱(不是单一频率)进行标定,通过标定好的神经网络对整个目标区域做出预测结果,该技术可以最大程度地集成地震数据信息,实现更高精度的油藏预测。该技术是自主创新的研究成果,是颇具潜力的油藏识别与预测技术。关键词 神经网络 地震属性 小波变换 地震反演of as to is is a in he in is as .of on is in n to to is he of by is in he in is he be .of on in is to to he at 0%in he in is to be o in be or by .by is is on of in in 0%Ⅱnd it is as an of n an by is he of of be by in is be of to in is an it be a to 南开大学关于收集、保存、使用学位论文的规定,同意如下各项内容:按照学校要求提交学位论文的印刷本和电子版本;学校有权保存学位论文的印刷本和电子版,并采用影印、缩印、扫描、数字化或其它手段保存论文;学校有权提供目录检索以及提供本学位论文全文或者部分的阅览服务;学校有权按有关规定向国家有关部门或者机构送交论文的复印件和电子版;在不以赢利为目的的前提下,学校可以适当复制论文的部分或全部内容用于学术活动。学位论文作者签名:青落喻如)7年乡月;口日经指导教师同意,本学位论文属于保密,在 年解密后适用本授权书。指导教师签名: 学位论文作者签名:解密时间: 年 月 同各密级的最长保密年限及书写格式规定如下:内部5年(展长5年,可少于5年)秘密★长10年,可少于密★20年(最长20年,开大学学位论文原创性声明本人郑重声明:所呈交的学位论文,是本人在导师指导下,进行研究工作所取得的成果。除文中已经注明引用的内容外,本学位论文的研究成果不包含任何他人创作的、已公开发表或者没有公开发表的作品的内容。对本论文所涉及的研究工作做出贡献的其他个人和集体,均已在文中以明确方式标明。本学位论文原创性声明的法律责任由本人承担。学位论文作者签名:前瘩谕御7年日第一章引言第一章引言世界能源问题越来越受到人们的重视,人们在生活中已经可以感受到能源短缺所带来的一些问题。各个国家已经出台各项相关政策来限制能源使用、消耗和浪费。因此,如何提高能源的开发与利用已经逐渐提高到国家会议日程上来。在所有可以利用的能源中,石油能源占有很大的比重。然而现在的石油开采已经到了一种需要高精度,高密集的精细开发的阶段。只有提高石油开发技术,才能更有效的合理利用现在所拥有的有限的石油能源,才能保持良好的可持续发展势头。因此高精度,高密集的石油勘探开发的技术是至关重要的。目前,中国油田的油气平均采收率为33.2%,远低于45%的世界平均水平。我国现在石油剩余可采储量约25亿吨,如果采收率提高3%一5%,可以比使用现有技术多采油0.7—1.25亿吨,相当于两个大庆油田的年产量。我国油气采收率低的主要原因是:中国地质条件复杂,剩余油分布规律复杂,剩余油的准确预测是提高油气采收率的关键。我国东部断块油气田勘探及开发已进入了高成熟发展阶段,步入了以复杂小断块为对象的持续滚动勘探时期,勘探目标由大变小,由简单到复杂,难度逐渐加大。根据地质探明储量分析,加深对以渤海湾盆地为主体的小断块油气藏的勘探与开发的研究,必将带来巨大的经济与社会效益。高成熟区复杂小断块勘探除了加强对小断块分布规律、断层性质、成藏机制的深入研究外,提高勘探技术的分辨率是最关键的问题。以地震技术为主的地球物理勘探技术除了采用精密地震等新的数据采集技术以获得高品质的地球物理资料外,利用已有的常规地震资料发展先进的数据处理技术和高分辨率反演技术无疑是更为经济的有效手段。油藏综合地球物理技术是预测剩余油分布、提高油气采收率最经济、最有效的手段,现在已经被世界石油工业界公认为投入产出比最高的技术。世界发达国家都在投入大量研究经费,发展此项技术。油藏地球物理技术在提高采收率过程中更是不可缺少,其使用效益将比发现和开发新的油田容更加第一章引言明显。在油气勘探领域常用的一种主要的勘探方法就是地震法。地震法是人为的制造出地震波,然后根据岩石的弹性性质对地震波进行分析研究,进而可以对地下地质构造进行成像和对储集层性质进行反演预测。这样就可以较为准确的描述地下的油气藏信息。随着地震技术的快速发展,分辨率的大幅度提高,地震在描述整个地质体的结构、内部储层和流体等方面都有大的跨越,已经步入了一个虚拟的地下勘探开发世界。地震技术已经称为了勘探油气藏的准确成像、储层空间的精细描述、油气水流体的有效识别的主导技术。自上世纪九十年代以来,储层预测技术的研究引起了人们的很大重视。以地震反演,属性分析、模式识别为核心的地震综合储层预测技术有了长足的发展,到九十年代中期,发展起来的地震一测井联合反演技术明显提高了分辨薄层的能力。储层预测技术已渗透到了勘探、开发的各个阶段,成为大面积岩性油气藏、非均质储层以及大型地层岩性圈闭识别与预测的主要的技术手段,为油田的勘探开发提供了重要的理论依据和技术支持…。由于地下油藏地质岩性是非常复杂的,因此地球物理反演具有很强的非线性因素,给人们充分开发利用带来了很大的难度。目前人们对于解决非线性的复杂问题还是使用一些特殊的技术来处理。而人工神经网络技术就是在人的大脑神经网络系统之上,通过概念抽象提取为一些构造简单却又能够处理复杂问题的模型,因而称作人工神经网络。人工神经网络技术是一种新型的算法技术,尤其对于非线性问题能够给出一种很好的解答。最近随着人工神经网络技术的不断研究,已经被广泛的应用到各个领域,包括模式识别、联想记忆、信号处理、自动控制、组合优化等方面。现在有很多公司和科研单位已经大量广泛的把神经网络技术应用到了地球物理预测和开发技术当中12工神经网络技术始于上世纪末,通过近年的不断改善与发展,目前日趋成熟并形成新的技术方法,并与传统的反演方法交替混合使用,成为强有力的勘探手段。本文主要对人工神经网络在地球物理反演技术中几个方面的应用进行了研究。本文把人工神经网络技术应用到石油开发预测中去,利用神经网络把地震属性与测井资料进行标定,然后进行横向扩展预测井间以及整个区域的拟测井参数的情况,取得了很好的预测结果,为以后更有效的勘探开发油气藏储层提供了一个较为可靠的参考资料,对于石油勘探开发有重要的指导意2第一章引言义。采用的研究方法主要有以下几种:1、基于多地震属性的高分辨率拟测井参数的预测。2、基于多地震属性的人工智能岩性识别与预测技术。3、基于小波变换的油藏智能频谱联合反演研究。本论文内容结构安排如下。首先第二章介绍了人工神经网络的基础理论知识,包括神经元模型、神经元的转移函数、网络结构、学习算法,然后又介绍了最为广泛和成功使用的习算法等基础理论知识,最后介绍了概率神经网络的基本知识。第三章首先简单介绍了地震反演的基本知识和常用的一些地震属性,并对胜利油田的1地区计算出在地震反演中可能需要用到的一些常用的地震属性的结果。然后分析了传统的多地震属性反演技术与多变量回归算法的缺点,以及对其实现高分辨率的的原理进行了分析阐述。最后对胜利油田的到的目标区域的拟孔隙度参数的分布情况。由于在计算中采用了具有一定时间长度的褶积算子,因此可以看出预测结果的分辨率获得了提高。褶积算子的引入是多属性反演计算的关键,它能将两种不同频率分布的数据信号进行集成,并获得优于地震数据分辨率的结果。第四章首先简单讲述了地震的基本知识及人工智能相结合的勘探技术的现状,然后分析了基于地震属性测井资料的人工智能岩性识别与预测技术的特点以及计算步骤。以神经网络为工具,对地震属性测井资料进行训练,最后对胜利油田的1区域的三维地震数据体进行了应用,给出了砂体,伽马,孔隙度的计算结果,在几口井位处与测井的结果平均符合率在70%以上。为油藏地球物理建模技术提供一个更好的基础与依据。第五章首先介绍了技术背景与地球物理依据,然后简单的给出了傅里叶变换、短时傅里叶变换和小波变换理论。同时也给出了在计算过程中所采用的后,讲述了基于小波变换的智能频谱联合反演技术的基本思想和计算方法。本文把小波频谱系数为网络的输入样本进行训练,联合测井资料通过人工神经网络来进行地震反演。与该区域的真正的地震测井数据、岩心资料进行对比,最后可以达至上的符合程度。这说明基于小波变换的油藏智能频谱联合反演技术的可行性。该工作为油藏识别与预测技3第一章引言术提供了新的思路,是颇具潜力的研究油藏反演一个新途径。4第二章人工神经网络理论第二章人工神经网络理论人工神经网络是一门新兴的学科。它是人们在对人脑神经网络基本认知的基础上,以数学和物理方法从信息处理的角度对人脑神经网络系统进行抽象,并建立某种简化模型,从而模拟人脑的结构与功能,这就称为人工神经网络(写为人工神经网络远不是对人脑神经网络的真实写照,而只是对它的简化、抽象与模拟。神经网络特有的非线性适应性信息处理能力,克服了传统人工智能方法对于直觉的缺陷,使之在模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络的下列特性是至关重要的[61:1、并行分布处理。神经网络具有高度的并行结构和并行实现能力,因而具有较好的耐故障能力和较快的总体处理能力。这一特性特别适于实时和动态处理。2、非线性映射。神经网络具有固有的非线性特性,这源于其近似任意非线性映射(变换)能力。这一特性给处理非线性问题带来新的希望。3、通过训练进行学习。神经网络是通过所研究系统过去的数据记录进行训练的。一个经过适当训练的神经网络具有归纳全部数据的能力。因此神经网络能够解决那些由数学模型或描述规则难以处理的问题。4、适应与集成。神经网络能够适应在线运行,并能同时进行定量和定性操作。神经网络的强适应和信息融合能力使得它可以同时输入大量不同的控制信号,解决输入信息的互补和冗余问题,并实现信息集成和融合处理。这些特性特别适于复杂、大规模和多变量系统。5、硬件实现。神经网络不仅能够通过软件而且可以借助硬件实现并行处理。近年来,一些超大规模集成电路实现硬件已经问世,而且可以从市场上购买到。这使得神经网络成为具有快速和大规模处理能力的网络。显然,神经网络由于其学习和适应、自组织、函数逼近和大规模并行处理等能力,因而具有用于智能系统的潜力。神经网络在模式识别、信号处理、系统辨识和优化等方面的应用,已有5第二章人工神经网络理论广泛研究。在控制领域,已经做出许多努力,把神经网络用于控制系统,处理控制系统的非线性和不确定性以及逼近系统的辨识函数等。2.1人工神经网络基础2.1.1生物神经元模型生物神经元是大脑的基本单元,是神经系统结构与功能的单位。据估计,人类大脑大约包含有1.4 x 1011个神经元,每个神经元与大约103~105个其它神经元以某种方式互相连接,构成一个极为庞大而复杂的网络,即生物神经网络。生物神经网络中各神经元之间连接的强弱,按照外部的激励信号作自适应变化,而每个神经元又随着所接受的多个激励信号的综合结果呈现出兴奋与抑制两种状态。大脑的学习过程就是神经元之间连接强度随外部激励信息作自适应变化的过程,大脑处理信息的结果由各神经元状态的整体效果确定。众所周知,神经元是人脑信息处理系统的最小单元【7】。人脑中存在多种生物神经元,但各种神经元的组成结构是基本相似的。神经元在结构上由细胞体(树突(轴突(突触(部分组成。图2.1出一个典型神经元的基本结构。图2.1生物神经元的基本结构6第二章人工神经网络理论1、细胞体细胞体是由很多分子形成的综合体,是神经元的主体,由细胞核、细胞质和细胞膜三部分构成。细胞体包含神经元的核和合成细胞生命所必要的酶及其它分子生物化学器,是神经元活动的能量供应地,在这里进行新陈代谢等各种生化过程。由于细胞膜对细胞液中的不同离子具有不同的通透性,使得膜内外存在着离子浓度差,从而出现内负外正的静息电位。2、树突细胞体的延伸部分产生的较短的分支称为树突,它们多群集在细胞体附近形成灌木丛状。树突是接受从其它神经元传入的信息的入口,相当于细胞体的输入端。3、轴突细胞体突起的最长的外伸管状纤维称为轴突。轴突比树突长而且细,每个神经元只有一个轴突,最长可达1米以上。轴突是把神经元兴奋的信息传出到其它神经元的出口。轴突也称神经纤维,其分支倾向于在神经纤维终端处长出,称为轴突末梢或神经末梢。神经末梢可以向四面八方传出信号,相当于细胞体的输出端。4、突触突触是轴突的终端,是一个神经元与其他神经元之间相互联系并进行信息传送的接口。它由突触前成分,突触间隙和突触后成分组成。突触前成分是一个神经元的轴突末梢,突触间隙是突触前成分与后成分之间的距离空间,间隙一般为15~50触后成分可以是细胞体、树突或轴突。突触的存在说明:两个神经元的细胞质并不直接连通,两者彼此联系是通过突触这种结构接口,从而实现信息的传递。有时,也把突触看作是神经元之间的连接。每个神经元大约有103~105个突触,一个神经元与其他神经元以突触连接便形成复杂的神经网络。突触结构如图2.2所示。生物神经元的一个主要的功能就是放大和处理信号。突触作为输入输出接口,是神经元之间进行连接的端口;树突和细胞体作为输入端,接受突触点的输入信号;细胞体相当于是一个微型处理器,对各树突和细胞体各部位接收到的来自其他神经元的输入信号进行组合,并在一定条件下触发,产生一个输出信号;输出信号沿着轴突传至末梢,轴突末梢作为输出端通过突触将这个输出信号传向其他神经元的树突和细胞体。这样信号从一个神经元的7第二章人工神经网络理论图2.2突触结构图树突或细胞体传入另一个神经元,在细胞体中进行整合,经过轴突从突触传出去,这就是生物神经元信息处理的全过程,包括信息的产生、信息的传递及接收和信息的整合三部分,如图2.3所示。图2.3生物神经元信息处理示意图按照生物控制论的观点,作为控制和信息处理单元的神经元具有如下一些重要的功能和特性【81:1、时空整合功能。它对于不同时间通过同一突触传入的神经信号具有时间整合功能;对于同一时间通过不同的突触传入的神经信号具有空间整合功能。这两种功能是可以相互同时发生的,因此结合起来就构成了时空整合功能。8第二章人工神经网络理论2、两种工作状态。当传入信号的时空整合结果是细胞膜的电位高于动作电位阈值时,细胞进入兴奋状态,产生兴奋冲动,有轴突输出;若低于动作电位阈值时,细胞进入抑制状态,无神经冲动输出。3、脉冲电位转换功能。突触界面具有将离散的传入神经信号通过神经介质以及量子化学的方式转换为连续的细胞膜电位的功能。4、突触对神经信号的传递有延时和不应期现象(即相临的两次信号之间有一个不相应激励和不传递神经信号的时间间隔)。5、突触的传递作用有增强、减弱和饱和三种可能,所以细胞相应的具有学习功能、遗忘和疲劳(饱和)效应。由多个生物神经元以确定方式和拓扑结构相互连接即形成生物神经网络,它是一种更为灵巧、复杂的生物信息处理系统。每一个生物神经网络系统均是一个有层次的、多单元的动态信息处理系统,它们有其独特的运行方式和控制机制,以接受生物内外环境的输入信息,并且加以综合分析处理,然后调节控制机体对环境作出适当反应。生物神经网络的功能不是单个神经元信息处理功能的简单叠加。每个神经元都有许多突触与其它神经元连接,任何一个单独的突触连接都不能完全表现一项信息。只有当它们集合成总体时才能对刺激的特殊性质给出明确的答复。由于神经元之间突触连接方式和连接强度的不同,并且具有可塑性,神经网络在宏观上呈现出千变万化的复杂的信息处理能力。2.1.2人工神经元模型人工神经网络是对生物神经网络的模拟,在生物神经网络中生物神经元是其结构单位。相对应,人工神经元是人工神经网络的基本构造单元。人工神经网络是由许多神经元模型构成的具有并行分布结构的信息处理网络。每个神经元具有单一输出,并且能够与其他神经元连接;存在许多(多重)输出连接方法,每种连接方法对应于一个连接权系数。目前人们提出了很多种人工神经元模型,经过对各种模型不断改进后,形成了现在广泛应用的形式神经元模型。该模型在简化的基础上包含了以下6点假设【7l:1、每个神经元都是一个多输入单输出的信息处理单元;2、突触分兴奋性和抑制性两种类型;3、神经元具有空间整合特性和阈值特性;9第二章人工神经网络理论4、神经元输入与输出之间有固定的时滞,主要取决于突触延误耽搁;5、忽略时间整合作用和不应期;6、神经元本身是非时变的,即其突触时延和突触强度均为常数。以上六点是对神经元信息处理过程的简化和概括,它清晰地描述了神经元信息处理的特点。设翰(f)表示示神经元7的状态可以表达为【7】:oj(t)=,{匹哟而(_乃) (2.1)i=1式中:瓦式描述全面表达了神经元模型的6点假设。可以用图2.4来表示神经元数学模型。工l●:薯●:%图2.4神经元数学模型人工神经元是对生物神经元的简化和模拟,人们通常用确切数值兢(£)来表示人工神经元的多输入信号,众多信号同时输入神经元,。生物神经元用不同的突触性质和突触强度来表征网络的功能强弱,在人工神经元中用权值的大小则代表了突触的不同连接强度。大脑处理信息的结果由各神经元的整体效果决定,那么作为人工神经网络的基本处理单元,必须对全部输入信息进行整合处理,以确定各类输第二章人工神经网络理论入的作用总效果。人工神经网络中神经元的输出只有一个,用q(t)来表示神经元输出,输入与输出之间的对应关系用转移函数,()来表示。2.1.3神经元的转移函数神经元的转移函数是描述神经元的输出信息与激活状态之间关系的函数,是决定整个神经网络性质的重要参数之一。不同的神经元的转移函数决定了不同的神经网络的基本性质。神经元的转移函数主要有以下几种【7】:I、阈值型转移函数阈值型转移函数采用了单位阶跃函数,定义为,m):{1’吃o (2.2)1 0,z∞手第三章基于多地震属性的高分辨率拟测井参数的预测式(3.10)可写为L(t)=l}Al(t)+2@)+…+t(t)+…+W。$A。(t)(3.16)这里是具有一定时间长度的褶积算子。其平方误差为:. 卜叫。咱讪”‰)2 (3.17)以n=2,N=4,褶积算子时间长度等于3时为例,由最小平均方差的条件求得褶积算子1)叫1(o)叫1(+1)4∑3∑i=2∑{=14∑3∑i=13∑4∑3∑1×上式与多元线性回归算法有很大的不同,因为引入了褶积算子,预测的结果不再是线性求和的结果,而是多地震属性与褶积算子褶积后的求和结果。3.5结果与讨论选取计算所使用的属性有多种方法。一种简单的方法是全局搜索法。假如对于一个给定的算子长度L,我们要从Ⅳ个属性里面选取种方法是计算所有可能的差最小的组合即最优的选择。这种方法的缺点就是随着属性的种类的增多,需要计算的属性组合个数也急剧增多。例如:当Ⅳ=25,M=5,L=9M",所有可能的组合个数为5×24×…X 21=6375600。而每一种组合需要解5 X 9+1=46个未知数。因而计算量是很大的。计算所使用的属性是通过逐步回归【171来选取的。假设如果已经知道了么M+1个的最佳属性组合中必然包括前骤如下:“厶江厶“虬“A、、、御。∑f∑础第三章基于多地震属性的高分辨率拟滔井参数的预测1、对所有的属性进行全局寻优,得到第一个最佳属性、把后求权重系数,计算预测误差。误差最小的组合就是最佳的组合。那么最佳组合中新增的属性就是第二最佳属性、把2再与所有其他的每一个属性分别构成一系列三个属性组合,然后通过计算得到这些属性组中最佳的组合。那么最佳组合中的新增的属性就是第三最佳属性如。4、以此类推,得到所期望的属性组合。由此可知,在得到的属性中越靠前面的属性越重要,越靠后面的属性越不重要。逐步回归的优点是计算时间比全局搜索要短很多。用上例说明,则需要计算的组合个数为25+24+…+21=115,远远小于6375600。此外每个组合需要解的未知数个数从9+1=于前25个组合)一直线性增加到5×9+1=46(缺点就是不能确定得到的是最佳组合。然而,每增加一个属性得到预测误差就会小于或等于增加前的属性组合的预测误差。反证法:如果新增加属性的组合的预测误差较大,则让新增加的属性的权重等于零,则预测误差就会等于增加属性前的预测误差。通过选择不同个数的属性和选择不同长度的褶积算子进行各种可能的组合。对每一种组合方式,都计算其平方误差。通过最小平方误差对应着的组合来确定所需要选取的最优属性的个数和褶积算子长度。{厘1”图3.20原始地震道的地震剖面45第三章基于多地震属性的高分辨率拟测井参数的预测图3.21多属性反演后的孔隙度(%)剖面,图中曲线为井2在深度域中表示的图3.21中方框范围内的孔隙度(%)剖面图3.20为所计算的原始地震道的地震剖面。图3.21,图3.22给出了采用该技术用胜利油田中显示在其深度分辨率可达8一计算中是选取7口井来进行计算的,训练窗口选择为1300.1380用的6个属性依次为瞬时相位、45,50一55/60时振幅导数、瞬时相位余弦、25/30.351405/400 子长度为8个时间间隔,每一个时间间隔为2毫秒。由公式(3.13)可见,多元线性回归算法实际上是单个时间点的计算,权重系数的计算只涉及每个相同时间点的地震属性数值与同时间点的测井数据的46第三章基于多地震属性的高分辨率拟测井参数的预测数值,其最终计算结果的频谱特性与原始的地震数据是相同的,因此其结果只能具有与地震信号相同的较低的时间(深度)分辨率。由公式(3.18)可见,采用褶积算子的回归计算中的每一个时间点的计算结果皆有赖于该时间点靶目标正负近邻的信号数值,这个近邻时间就是所取的几个时间点所对应的时间长度。所获得到算子能够包含有靶信号(测井数据)的频率谱的信息。如果只从图3.19(b)的计算示意图和公式(3.16)上述的原理并不明显。公式(3.16)只显示每一个时刻的测井参数数值与该时刻相邻的几个时间点的地震属性相关。但是由式(3.18)通过最小平方误差的计算,最后获得的褶积算子的数值与不同时间的测井数据与不同时间的地震属性的交叉相关,即褶积算子是通过地震属性与测井数据的褶积计算中获得的。也就是说,测井数据的信号形状包括幅度与频率谱的内容都被褶积算子所包括,实现了预测结果频率谱加宽,从而获得高分辨率的反演计算。从上面的分析可看出,褶积算子的引入是多属性反演计算的关键,它能将两种不同频率分布的数据信号进行集成,并获得优于地震数据分辨率的结果。可以预期如果进行加密重新采样与相同的采样时间的测井数据相配合,可以获得更高的分辨率。3.6本章小结本章首先简单介绍了地震反演的基本知识和常用的一些地震属性,并对目标区域计算出在地震反演中可能需要用到的一些常用的地震属性的结果。然后分析了传统的多地震属性反演技术与多变量回归算法的缺点,以及 对其实现高分辨率的的原理进行了分析阐述。最后对胜利油田的到的目标区域的拟孔隙度参数的分布情况。由于在计算中采用了具有一定时间长度的褶积算子,因此可以看出预测结果的分辨率获得了提高。褶积算子的引入是多属性反演计算的关键,它能将两种不同频率分布的数据信号进行集成,并获得优于地震数据分辨率的结果。第四章基于地震属性的人工智能岩性识别与预测技术第四章基于地震属性的人工智能岩性识别与预测技术4.1 简介在油气勘探中,地震属性的研究和使用始于上世纪70年代,最早主要是以振幅为基础的瞬时属性,用来直接指示油气。它随后经历了一个曲折的发展历程。在上世纪70年代早期,用了反射波振幅变化特征境点、暗点,对含气砂岩储层集体进行预测。在此基础上提出了全新的地震属性计算方'法一技术的应用得益于地震地层学的发展。事实上,这两者的发展几乎是同步的…。十九世纪八十年代,地震属性的数量迅速增加。这些属性中的许多在数学上得到很好的定义并且在其他学科中有明确的意义,但是它们的地质意义是含糊不清的。尽管为了更好地理解地震属性,多元地震属性分析技术首次被使用,但地震属性的混乱不清还是最终导致了人们对它的不信任。到了八十年代晚期,多维属性如倾角和方位角的初步发展,导致了三维连续属性在九十年代的广泛应用。它的成功得益于清楚和明确的地质含义,也就是说,它能反映具体的地质特征,这与过去经常设计的带有精致的数学定义、留给解释者去臆测地质含义的随意属性有着显著的差别。同时九十年代有着明确地质意义的新的属性不断的被推出,而那些仅仅带有精致数学定义的属性正在被扬弃。新的地震属性和属性分析方法的提出正在加速着地球物理反演的进程。地震属性的分析方法也由原来的线性方法向非线性方法发展,通过聚类、神经网络或协方差进行多元属性分析已经广泛应用与储层特征分析和地质建模当中。储层特征分析中的储层参数包括储层厚度、孔隙度、渗透率、饱和度、砂泥岩含量等,广义上可以认为是经过处理后的测井参数。储层参数估算的目的就是预测这些参数的井间变化,由于这些参数在油气田勘探和开发评价过程中都起着举足轻重的作用,不少地球物理工作者对此产生了浓厚的兴趣,并投入相当的人力、物力进行研究,推动了储层参数预测方法研究的不48第四章基于地震属性的人工智能岩性识别与预测技术断深入,提出了许多储层参数的预测方法,其主要方法大致可以分为四大类【11:(1)仅用测井资料的2)测井资料与地震属性结合的线性回归方法;(3)、狈4)测井资料与地震属性结合的神经网络逼近方法。第一种方法仅适用于井资料较多的时候,但也难以刻画储层参数的变化细节。随着储层描述精度的不断提高与细化,已经越来越少使用此类方法。后三种都强调与地震属性的结合,这代表了储层参数估算的发展趋势,并且已从单属性向多属性发展。可以说,基于多地震属性的储层参数的估算方法是未来发展的方向。传统的储层参数的估算方法都试图寻找储层参数与地震属性之间的物理关系,然后根据物理关系在假设条件(在实际应用中很难满足)
展开阅读全文
  石油文库所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
0条评论

还可以输入200字符

暂无评论,赶快抢占沙发吧。

关于本文
本文标题:人工神经网络在地球物理反演技术中的应用
链接地址:http://www.oilwenku.com/p-64024.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们
copyright@ 2016-2020 石油文库网站版权所有
经营许可证编号:川B2-20120048,ICP备案号:蜀ICP备11026253号-10号
收起
展开