天然气水合物（地球物理属性）的神经网络识别方法及软件开发

论文摘要

目前天然气水合物已被公认为未来能源的替代品,存在巨大的经济效益和潜在的战略意义,很多国家政府和科研单位为此投入了巨大资金进行水合物研究并已取得了一定的成果。在天然气水合物研究中,天然气水合物的识别占有极其重要的地位,可以为天然气水合物储量估算、钻探、开采提供科学的参考依据。为此,探索一条天然气水合物识别的新方法无疑具有重要的理论意义和实践意义。本文通过借助于神经网络方法,对测井、地震数据进行处理,实现天然气水合物的识别。本研究得到了国家863高新技术研究与发展计划项目“天然气水合物勘探开发关键技术”课题（编号2006AA09202）的子课题“天然气水合物矿体的高精度地震定量评价软件开发”的资助,重点研究了天然气水合物神经网络识别与软件开发。论文以神经网络算法为天然气水合物识别和预测的主要算法,通过建立神经网络识别体系结构,搭建于分析、处理、解释和预测功能为一体的平台,设计神经网络识别体系模型,进而开发出具有实际应用价值的天然水合物神经网络识别系统。研究思路是在对测井数据与地震数据预处理、地震属性提取基础上,选用自组织神经网络进行分类,达到岩性识别和矿体边界识别的目的,选用BP神经网络方法,达到对水合物储量参数估算和预测的结果,从测井曲线、平面、地质体三种模式识别结果进行比对,为将来的勘探研究提供科学的数据资料。天然气水合物只有在特定环境才能存在。本文阐述了天然气水合物存在三个必要特征：充足的烃类物质、温压条件及水合物聚集和移动的稳定空间（地质构造环境）。目前水合物的研究识别主要方法是地震特征、地球化学特征及地貌标志。根据这些识别方法,本文对国内外已展开的水合物研究进行简单的叙述,对目前水合物研究的关键问题进行分析。神经网络能有效地解决地质数据关系复杂、非线性求解问题。本文阐述了神经网络的概念、特征、结构及基本原理,重点介绍了BP神经网络和自组织神经网络。两种神经网络有不同的网络结构、算法描述。BP神经网络是有导师学习方式,需要有网络输出与期望输出对比,而自组织神经网络属于无导师学习型,根据输入自动调整,主要完成聚类操作。在对它们的优点和不足进行反复研究、分析后,我们认为BP神经网络更适用于储量参数预测和估算,自组织神经网络更适用于岩性分类、矿体识别。测井数据包含丰富的地质纵向信息,能较好的反映地层、岩性和储量参数间的差异性。利用测井数据进行储量参数估计和预测,所采用的方法是不同的。储量参数估算的方法是通过取测井的数据实测数据建模,并对该井测井曲线上的储量参数进行估算。储量参数预测则是通过取模型井的实测数据为网络训练的样本数据进行建模,将其它井的测井曲线输入到此模型中,得到该井的储量参数预测结果实现的。岩性分类选用自组织神经网络方法,测井曲线上的样本数据输入到模型中,得到岩性分类结果。分类的个数,由使用者提前定好。地震数据进行预处理,提取地震属性数据。地震属性数据能更好的反映出地质信息,更利于水合物BSR及振幅空白带识别。地震属性数据进行主成分成析,选取部分属性,利用组织神经网络对地震属性数据进行分类,结果与测井结果反复比对,得出水合物矿体边界图及雕刻图。地震—测井联合反演能将测井数据频带宽与地震数据横向信息相结合。计算并选取合适的子波,求得的合成记录与地震数据反复比对,最终确定层位。利用BP神经网络,井旁地震数据为输入,测井输出,建立波阻抗模型。将整个地震体数据输入,得到波阻抗数据体。用同样的方法,将神狐海域地震属性数据作为输入,储量参数作为输出,预测储量参数结果。天然气水合物神经网络识别系统（SNET）采用QT4.3为开发平台,结合INT公司的图形处理插件开发而成。QT是一个跨平台的C++图形用户界面应用程序框架,使程序开发后可移植性强。它是完全面向对象,易扩展并允许真正的组件编程。INT公司的图形插件软件CarnacGeo,很好地解决了地震数据和测井数据的显示问题。本软件采用中国南海神狐海域的地震、测井资料进行测试,包括3个地震剖面数据、1个地震体3D体数和8个站位测井曲线数据。测试结果得到了测井分类图8张、测井预测图40张。地震属性图30张,地震分类图5张,雕刻图1张,地震平面储量参数图2张,波阻抗图1张。研究成果在“863”项目成果验收发挥了重要作用,表明其方法具有实际应用价值,可用于天然气水合物识别。天然气水合物地球物理勘探和神经网络算法仍然处于研究阶段,还有很多地方仍需改进。水合物识别系统整合了三种方法来进行识别：测井识别、地震识别、地震—测井联合识别。结果的显示方式可以以剖面形式显示,也可以以空间平面方式显示。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题的依据及意义
• 1.2 研究区域选择
• 1.3 研究思路及关键技术
• 1.4 研究成果
• 第2章 水合物概述
• 2.1 天然气水合物形成机理
• 2.2 含水合物的沉积物特征
• 2.3 水合物识别的主要方法
• 2.4 水合物勘探现状
• 2.5 水合物研究中存在的关键问题
• 第3章 人工神经网络
• 3.1 人工神经网络基础
• 3.2 BP神经网络
• 3.3 自组织映射神经网络
• 第4章 天然气水合物测井神经网络识别方法
• 4.1 天然气水合物测井应用概述
• 4.2 测井数据对天然气水合物定性识别
• 4.3 测井数据预处理
• 4.4 天然气水合物对测井数据的定量解释
• 4.5 SOM神经网络天然气水合物识别及测井分层
• 4.6 小结
• 第5章 天然气水合物地震属性神经网络识别方法
• 5.1 天然气水合物地震属性概述
• 5.2 地震属性分类
• 5.3 地震属性计算
• 5.4 地震属性提取
• 5.5 地震属性优化
• 5.6 天然气水合物矿体识别
• 5.7 小结
• 第6章 天然气水合物地震—测井神经网络反演
• 6.1 天然气水合物地震—测井联合反演概述
• 6.2 地震—测井联合反演基本理论
• 6.3 天然气水合物地震—测井联合反演实现
• 6.4 地震—测井联合反演数据资料准备
• 6.5 天然气水合物地震—测井联合反演
• 6.6 小结
• 第7章 天然气水合物神经网络识别系统软件开发
• 7.1 SNET软件开发环境
• 7.2 软件程序结构设计
• 7.3 程序界面及功能介绍
• 7.4 操作流程及数据要求
• 7.5 程序实现的关键编程技术
• 7.6 SNET软件测试与应用
• 第8章 结论与展望
• 8.1 总结及主要创新点
• 8.2 存在问题及进一步研究方向
• 8.3 展望
• 参考文献
• 作者简介及科研成果
• 致谢
• 详细摘要