地震波波形属性及模型

石油设备网

　地震波波形沿纵横方向上的变化反映了反射界面的性质、岩性、厚度等的变化。通常的地震属性分析提取若干个属性参数，只能从各个不同的侧面反映这段波形的特征，很难完整、全面地描述这段波形的特征。因此，直接利用地震波波形属性来研究岩性、预测合油气性及储层参数，不失为一种最理想、最完美的有效手段。但由于地震波波形的数据较多，而观测样本又较少，在实际应用中如果直接使用目的层反射波波形数据作为储层预测的输入数据，必然导致维数过高、样本数过少，因而传统的大多数储层预测方法都不适用，即使个别方法避免能够建立起储层参数与地震波波形数据的关系，其预测能力也大大受到限制，布恩那个保证可靠的预测效果。因而传统的方法都是采用优选的少量地震属性作为输入样本，以此实现储层参数的横向预测。支持向量机方法可以成功地解决这一问题。

　　1、楔形体模型

　　设计的楔形体地质模型如图 8 所示，对应的合成地震剖面如图 9 所示，选取第 3， 15，29，50，71，85，99 道作为地震属性优化分析和储层参数预测的已知数据，分别提取出这 7 道的地震属性作为样本的输入向量，地层厚度及地震波速度值作为样本的输出向量，通过地震属性优化方法的综合分析，最终优选出预测地层厚度的 5 种地震属性：主频、频带宽度、记录能量、波峰数、最大振幅之比，利用这 5 种地震属性对整个楔形体厚度的预测结果与已知值的比较如图 10 所示。优选出预测地震波速度的 5 种地震属性：频带宽度、记录能量、自相关函数极小值与主极值之比、全谱均方根频率、最大振幅之比，利用这 5种地震属性对整个楔形体速度的预测结果与已知值的比较如图 11 所示。从图中可以发现，直接利用地震波波形作为支持向量机的输入向量，可以得到较为准确的预测结果。

　　2. 特殊岩性体地质模型

　　设计的地质模型如图 12 所示：将特殊岩性体的厚度设为变量，从左端 30m 逐渐变化到右端 60m，速度从左端 2000m/s 逐渐变化到右端 4000m/s。盖层速度为 3000m/s，下面地层的速度为 3000m/s。通过模拟得到的合成地震剖面如图 13 所示，共 101 道。

　　从图 13 中取出分别道号为 1、21、61、81、101 的地震波波形（如图 14 所示）及其对应的速度值和厚度值，得到的样本数据如表 1 所示。将速度值作为支持向量机的输出向量，通过支持向量机的训练，最终预测得到的速度值及已知速度值如图 15 所示，其中细线为已知速度值，粗线为预测的速度值。将厚度值作为支持向量机的输出向量，最终预测得到的厚度值及已知厚度值如图 16 所示，其中细线为已知厚度值，粗线为预测的厚度值。

　　通过对上述预测结果的对比分析，可以看出，由于地下地质结构往往比较复杂，影响地震属性的储层参数因素很多，地震属性与储层参数之间的关系比较复杂，一般呈非线性关系。多元线性回归方法只适用于地震属性与储层参数之间的关系近似为线性关系。神经网络比多元线性回归方法的预测效果好，但在小样本情况下，容易出现过学习现象，预测能力受到限制，有时出现较大的偏差。支持向量机方法可以适用于小样本情况，比传统的预测方法预测能力强，但由于采用优选后的地震属性作为输入向量，地震波含有的信息量没有充分利用起来，预测效果受到地震属性优化方法的制约。如果直接将地震波波形作为支持向量机的输入向量，充分利用地震波的所有信息，发挥支持向量机的优势，可以达到较好的预测效果。

　　3.实际应用

　　利用上述方法原理，对胜利油田某区块河流相砂体进行了研究，首先在地震剖面上对井点处目标体的地震波波形进行分析，提取出 5 口井井旁道地震波波形如图 17 所示，将井点泥质含量解释值作为支持向量机的输出向量，通过支持向量机的训练建立预测关系模型，学习样本及预测结果如表 2 所示。用建预测关系预测得到的泥质含量分布如图18 所示，其样本点的泥质含量预测值与已知值基本相同，在河道上泥质含量平均较低的位置基本上与储层的有利区域保持一致，取得了较好的预测效果。

　　利用该方法对砂体的含油性进行了预测。样本数据见表 3，含油的用“＋1”表示，不含油的用“－1”表示，预测结果如图 19 所示，深色表示含油性有利区，浅灰色表示不含油或含油性较差。总体来讲，该砂体的含油性左半支优于右半支。

文章来源：洛克斯石油论坛http://www.oilequipcn.net洛克斯石油网http://www.oil126.com