地震储层参数非线性反演与预测方法研究

论文摘要

目前,应用地震勘探进行岩性油气藏的预测仍处于探索及技术的积累阶段,多数技术尚处于理论模型的研究探索阶段,在生产实践中缺乏普遍性和针对性。而地震反演技术一直是地震勘探中的一项核心技术,其目的是用地震反射资料,提取地震属性,反推地下的波阻抗或速度的分布,估算储层参数,并进行储层预测和油藏描述,为油气勘探提供可靠的基础资料。利用地震属性能从地震数据中获得其他方法无法提供的信息,预测储层厚度、储层孔隙度、渗透率、饱和度等参数的空间变化。但是,这些参数只能通过钻井测定,而无法直接由地震数据确定。这就需要建立测井数据获得的各种参数与地震数据之间的关系,这些储层参数与地震信息之间的关系并不具有一一对应的特性,很难用一种精确的算法来准确地描述它。目前,常用的一种方法就是利用地震属性提取技术将不同的地震属性从地震数据中提取出来,然后在主要的地震属性与测井得到的储层参数之间建立起一种对应关系,由点及面,通过地震数据将这种关系展布到三维空间,以此预测储层参数。本文在对地震储层预测技术的国内外研究现状、人工神经网络的研究与发展现状、模拟退火算法以及粒子群算法的研究现状进行了充分调研的基础上,针对储层预测研究内容,以技术创新、方法可行和效果优先为原则,与实际相结合,系统地研究和分析了地震属性提取与优化方法、约束波阻抗反演技术、声波重构技术等内容,提出了多曲线声波重构方法、基于免疫规划的模拟退火神经网络技术以及竞争粒子群-神经网络技术,并将这些方法技术应用于实际资料。研究了地震波阻抗反演方法原理并分析比较了不同反演方法,以选择适合实际情况的波阻抗反演方法。详细叙述了反演前数据的准备工作,包括数据的高分辨处理、高精度的构造解释以及测井数据的处理。对所选稀疏脉冲反演方法的原理、流程作了深入的学习和分析,并针对已有声波重构方法存在的局限性,提出了同时利用多种对储层敏感的非声波测井信息,对原始声波测井曲线进行重构的技术。由于该重构技术利用了不同测井信息,保留声波曲线所有频率信息,并将参与重构的曲线所有信息融合到声波曲线中,既保持声波曲线原有的时深关系不变,又能实现显著提高储层与围岩之间的差异,突出储层特征,反映地层岩性的细微差别,因此,该技术可以较好地解决砂泥岩薄互层储层定量预测中的岩性识别、薄层分辨等难题。将多曲线声波重构技术用于稀疏脉冲反演进行地震储层反演,获得较好的波阻抗剖面,用于储层的追踪和识别,能有效地预测未知储层的空间展布情况。在比较分析地震数据属性分类、提取及优化方法的基础上,选用合理科学的地震属性提取方法和优选方法,对地震数据进行属性的提取和优化,为后续的储层预测提供更符合实际地质情况的属性数据。研究分析了传统前馈反向传播神经网络原理和模拟退火算法,了解掌握了模拟退火算法存在着搜索和收敛速度较慢,同时在每一个温度下,其解的搜索空间被限定在较小的范围内,从而导致全局最小值不能真正地被搜索到的缺点。由于免疫规划算法是基于进化规划的一种全局搜索算法,将其和模拟退火算法结合,能够克服模拟退火搜索收敛速度慢的缺点,并获得一种有效地搜索全局最优解的搜索算法。针对反向传播算法的不足和模拟退火算法的缺点,研究提出了基于免疫规划的模拟退火算法,并提出了改进模拟退火算法替代BP算法训练网络参数的神经网络技术,同时分析了该网络的学习算法,最后利用该方法对提取优选的地震属性进行储层参数预测应用,获得了较好的效果。研究分析了粒子群算法的原理及其在进化后期存在速度变慢以及过早收敛（即早熟）的缺点,在此基础上提出将进化规划中子代与父代群之间的竞争思想引入粒子群的搜索和收敛过程中,以此提高粒子群算法的搜索速度,并防止过早收敛,构成了竞争粒子群算法。应用竞争粒子群算法替换BP算法用于前向神经网络的参数训练,以便克服反向传播神经网络由BP算法带来的缺点,同时利用该算法进行网络结构的优化训练,使网络的预测性能有较大提高,形成一种适合于储层参数的粒子群-反向传播神经网络预测方法,在实际应用中获得了比较满意的结果。本文研究成果对石油的勘探、开发和科研具有重要的指导意义与实用价值。

论文目录

• 摘要
• Abstract
• 1 前言
• 1.1 课题依据及意义
• 1.2 国内外研究现状
• 1.2.1 储层预测的研究与进展
• 1.2.2 神经网络的研究与发展概述
• 1.2.3 模拟退火算法的研究现状
• 1.2.4 粒子群算法的研究与应用
• 1.3 研究内容及技术路线
• 1.4 主要研究成果及创新
• 2 非线性优化方法理论
• 2.1 常用的几种最优化方法
• 2.1.1 最速下降法
• 2.1.2 拟牛顿法
• 2.1.3 共轭梯度法
• 2.2 人工神经网络原理
• 2.2.1 概述
• 2.2.2 人工神经网络基本特征
• 2.2.3 神经元模型
• 2.2.4 神经网络模型
• 2.3 模拟退火算法
• 2.3.1 概述
• 2.3.2 Metropolis 准则
• 2.3.3 模拟退火算法描述
• 3 地震属性提取与优化
• 3.1 地震属性
• 3.1.1 地震属性与储层预测
• 3.1.2 地震属性分类
• 3.2 属性提取
• 3.2.1 提取方法
• 3.2.2 提取原则
• 3.3 属性数据针对性处理
• 3.4 属性数据优化方法
• 3.4.1 属性优化的必要性
• 3.4.2 常用属性优化方法
• 3.4.3 其它属性优化方法
• 3.5 属性的评价分析
• 3.5.1 地震属性储层参数标定
• 3.5.2 地震属性油气预测模式建立
• 3.5.3 地震属性油藏参数转换
• 3.5.4 地震属性误差分析
• 4 基于重构技术的约束波阻抗反演
• 4.1 波阻抗反演基本原理
• 4.1.1 假设前提
• 4.1.2 基本原理
• 4.2 几种波阻抗反演方法
• 4.2.1 宽带约束反演
• 4.2.2 稀疏脉冲反演
• 4.2.3 模拟退火反演
• 4.2.4 遗传算法反演
• 4.2.5 神经网络反演
• 4.3 反演前数据准备
• 4.3.1 地震数据高分辨率处理
• 4.3.2 地震构造精细解释
• 4.3.3 测井资料处理
• 4.4 测井约束稀疏脉冲反演技术
• 4.4.1 稀疏脉冲反演原理及步骤
• 4.4.2 多曲线声波重构技术
• 4.4.2.1 方法提出背景及重构意义
• 4.4.2.2 测井基本原理
• 4.4.2.3 储层特征曲线重构方法
• 4.4.3 子波提取与精细层位标定
• 4.4.3.1 子波提取
• 4.4.3.2 层位精细标定
• 4.4.4 低频模型建立
• 4.5 储层预测与评价
• 4.5.1 测井曲线储层特征分析
• 4.5.2 声波曲线重构
• 4.5.3 重构技术应用效果分析
• 4.5.4 储层追踪与识别
• 5 改进的模拟退火神经网络储层参数预测方法
• 5.1 储层参数预测方法
• 5.2 神经网络储层油气横向预测方法
• 5.3 BP 神经网络原理
• 5.3.1 多层前向神经网络
• 5.3.2 BP 神经网络算法
• 5.3.3 BP 算法不足及改进
• 5.4 模拟退火算法改进
• 5.4.1 模拟退火算法改进方案
• 5.4.2 免疫规划算法
• 5.4.2.1 免疫算子描述及分析
• 5.4.2.2 免疫规划收敛性
• 5.4.3 基于免疫规划算法的模拟退火
• 5.4.3.1 算法步骤
• 5.4.3.2 模拟退火算法重要参数选择
• 5.5 基于改进退火算法神经网络储层参数预测
• 5.5.1 问题的提出
• 5.5.2 改进模拟退火神经网络模型结构
• 5.5.3 应用实例
• 6 粒子群神经网络储层预测方法
• 6.1 粒子群算法
• 6.2 粒子群优化算法基本原理
• 6.2.1 基本原理
• 6.2.2 算法流程
• 6.3 粒子群算法改进
• 6.3.1 粒子群算法不足
• 6.3.2 粒子群改进策略
• 6.3.2.1 惯性权重调整
• 6.3.2.2 引入收缩因子
• 6.3.2.3 调整粒子状态量
• 6.3.2.4 引入邻域算子
• 6.3.2.5 引入自适应变异随机算子
• 6.3.3 基于进化规划改进
• 6.3.3.1 进化规划算法中的竞争机制
• 6.3.3.2 竞争粒子群算法
• 6.4 联合粒子群算法与神经网络方法
• 6.4.1 训练权值阈值粒子群算法
• 6.4.1.1 学习算法
• 6.4.1.2 算法实现
• 6.4.2 网络结构优化粒子群算法实现
• 6.5 粒子群神经网络储层参数预测
• 6.5.1 网络结构
• 6.5.2 实现步骤
• 6.5.3 应用实例
• 7 结论及建议
• 7.1 结论
• 7.2 建议
• 致谢
• 参考文献