導航：安全管理網>> 安全論文>> 化工安全論文>>正文

基于深度學習的裂縫預測在S區潛山碳酸鹽巖儲層中的應用

文檔作者：丁燕１,２,３,杜啟振１,２,３,QamarYasin１,２,３張強１,２,３,４,劉力輝５ ( 文檔來源：１．中國石油大學(華東)深層油氣重點實驗室２．青島海洋科學與技術試點國家實驗室海洋礦產資源評價與探測技術功能實驗室３．中國石油大學CNPC物探重點實驗室,		更新日期： 2026年08月30日	點擊數：
下載地址：點擊這里	文件大小： 1.80 MB 共9頁	文檔格式： PDF	下載點數： 1 點（VIP免費）

全屏查看

內容預覽 [文件共9頁]

本文件共9頁，如需編輯使用，請下載。

注：預覽效果可能會出現部分文字亂碼（如口口口）、內容顯示不全等問題，下載是正常的。

	文件大小：1.80 MB 共9頁文件格式：PDF 下載點數：1 點（VIP會員免費）

上一篇：新建高架火炬熱輻射對區域內設施的影響分析

文本預覽

僅提取頁面文字內容，供快速閱讀使用。

丁燕,杜啟振,QamarYasin,等．基于深度學習的裂縫預測在S區潛山碳酸鹽巖儲層中的應用[J]．石油物探,２０２０,５９(２):２　６７Ｇ２７５
DINGYan,DUQizhen,YASINQamar,etal．Fracturepredictionbasedondeeplearning:ApplicationtoaburiedhillcarbonateresＧ
ervoirintheSarea[J]．GeophysicalProspectingforPetroleum,２０２０,５９(２):２　６７Ｇ２７５
收稿日期:２０１９Ｇ１０Ｇ２０;改回日期:２０１９Ｇ１２Ｇ１５.
作者簡介:丁燕(１９８５—),女,博士在讀,研究方向為地震資料解釋性處理、裂縫預測、地球物理AVO 反演及儲層預測.Email:yan_ding＠foxmail．com
通信作者:杜啟振(１９６９—),男,教授,博士生導師,主要從事地震彈性波傳播理論與成像方法方面的教學與研究工作.Email:multiＧwave＠１６３．com
基金項目:中國科學院戰略性先導專項(XDA１４０１０３０３)和高等學校學科創新引智計劃(“１１１計劃”)“致密油氣地質與勘探創新引智基地、深層超
深層油氣地球物理勘探創新引智基地”聯合資助.
ThisresearchisfinanciallysupportedbytheResearchProgramoftheChineseAcademyofSciences(GrantNo．XDA１４０１０３０３),andtheChinaNational“１１１”
ForeignExpertsIntroductionPlanforTightOil&amp;amp; GasGeologyandExplorationandtheDeepＧUltradeepOil&amp;amp; GasGeophysicalExploration．
基于深度學習的裂縫預測在S區潛山碳酸鹽巖
儲層中的應用
丁　燕１,２,３,杜啟振１,２,３,QamarYasin１,２,３,張　強１,２,３,４,劉力輝５
(１．中國石油大學(華東)深層油氣重點實驗室,山東青島２６６５８０;２．青島海洋科學與技術試點國家實驗室海洋
礦產資源評價與探測技術功能實驗室,山東青島２６６２３７;３．中國石油大學CNPC物探重點實驗室,山東青島
２６６５８０;４．中國石油化工股份有限公司勝利油田分公司勘探開發研究院,山東東營２５７０１５;５．北京諾克斯達石
油科技有限公司,北京１０００００)
摘要:準確描述并預測裂縫空間分布是裂縫型潛山油藏儲層開發的前提條件,裂縫型潛山油藏構造復雜、斷層發育、地震反射多
表現為空白或雜亂反射,傳統的依賴模型的反演方法難以表征復雜的潛山斷裂系統.為此,提出了以測井裂縫敏感參數FICc 為
訓練目標的深度信念網絡反演方法.首先基于碳酸鹽巖裂縫在測井曲線上的響應特征,綜合伽馬、井徑等曲線,構建敏感性裂縫
識別參數FICc;然后以基于優選井計算的FICc 曲線作為訓練目標、以井旁地震數據作為訓練特征構成訓練樣本,通過訓練深度
信念網絡,建立井旁地震數據與FICc 曲線之間的非線性映射關系;最后將訓練成熟的網絡模型應用到整個地震數據體,反演得
到裂縫識別參數FICc,進而預測裂縫空間分布.S區潛山裂縫預測的應用結果表明,測井裂縫識別參數FICc 識別結果與成像測
井裂縫識別結果基本吻合,FICc 作為訓練目標在S區裂縫預測中具有較好的可靠性;應用深度信念網絡反演的解釋結果表明S
區潛山主要發育北東向裂縫,呈帶狀沿斷層大面積發育,與熵屬性刻畫的裂縫發育帶一致性較好,鉆井吻合率達７１％.
關鍵詞:裂縫預測;潛山;碳酸鹽巖;測井;裂縫識別參數;深度學習;非線性反演;熵屬性
中圖分類號:P６３１ 文獻標識碼:A
文章編號:１０００Ｇ１４４１(２０２０)０２Ｇ０２６７Ｇ０９ DOI:１０．３９６９/j．issn．１０００Ｇ１４４１．２０２０．０２．０１３
Fracturepredictionbasedondeeplearning:Applicationtoaburiedhill
carbonatereservoirintheSarea
DINGYan１,２,３,DU Qizhen１,２,３,YASINQamar１,２,３,ZHANGQiang１,２,３,４,LIULihui５
(１．KeyLaboratoryofDeepOilandGas,ChinaUniversityofPetroleum (EastChina),Qingdao２６６５８０,China;２．Laboratory
forMarineMineralResources,QingdaoNationalLaboratoryforMarineScienceandTechnology,Qingdao２６６２３７,China;３．Key
LaboratoryofGeophysicalProspecting,CNPC,ChinaUniversityof Petroleum (EastChina),Qingdao ２６６５８０,China;４．ReＧ
searchInstituteof Explorationand Development,ShengliOilfield Branch,SINOPEC,Dongying ２５７０１５,China;５．Beijing
RockstarPetroleum TechnologyCo．,LTD ,Beijing １０００００,China)
Abstract:Accuratedescriptionandpredictionoffracturesiskeytotheeffectivedevelopmentoffracturedburiedhillreservoirs．The
２６７
第５９卷第２期
２０２０年３月
石　油　物　探
GEOPHYSICALPROSPECTINGFORPETROLEUM
Vol．５９,No．２
Mar．,２０２０
structureofthesereservoirsiscomplex:astheyfeaturedevelopedfaults,theseismicreflectionsaremostlyblankorrandom．The
traditionalmodelＧdependentinversionmethodcanhardlycharacterizethefracturesystemofcomplexburiedhills．Therefore,adeep
beliefnetworkmethodwasproposedwhichusespetrophysicalfracturedsensitivecharacteristiccurvesasthetrainingtarget．FirstＧ
ly,basedontheloggingresponseofcarbonatefractures,thesensitivefractureidentificationparameterFICcwasconstructedbyinＧ
tegratinggammaandcalipercurves．Then,anonlinearrelationshipbetweenboreholeＧsideseismicdataandFICcwasestablishedby
trainingthedeepbeliefnetwork,withtheoptimizedwellFICccurveasthetrainingtargetandtheboreholeＧsideseismicdataasthe
trainingfeatures．Finally,thetrainednetworkmodelwasappliedtotheentireseismicdatatopredictthespatialdistributionoffracＧ
tures．TheresultsoftheapplicationtoaburiedhillintheSareashowedthattheresultsobtainedbyloggingthefractureidentificaＧ
tionparameterFICcwereconsistentwiththoseusingtheimaginglogging．Moreover,usingFICcaslearningsamplesprovideda
betterapplicabilityinfractureprediction．TheinversionresultsusingdeepbeliefnetworkintheSareashowedawellＧdeveloped
northＧeasttrendingfracturealongthefault．Theseresultswereconsistentwiththoseobtainedthroughtheentropyattributewitha
welldrillinganastomosisrateof７１％．
Keywords:fractureprediction,buriedhill,carbonate,logging,fractureidentificationparameter,deeplearning,nonlinearinversion,
entropyattribute
　　裂縫型潛山油藏是當今我國油氣勘探開發的重
點目標之一,其研究熱點由成藏條件及規律、儲層裂
縫描述等向潛山內幕裂縫儲集空間預測延伸.潛山
內幕裂縫發育段具有非均質性強、橫向可比性較差的
特點,加之埋藏較深,導致地震資料品質較差,因此裂
縫型潛山油藏的地震預測有很大難度[１].
地震反演是裂縫型潛山油藏儲層預測的一項重
要技術,主要包括稀疏脈沖反演、測井約束反演、隨機
地震反演和機器學習非線性反演等方法[２Ｇ３].稀疏脈
沖反演是地震主頻控制下求得稀疏脈沖模型所代表
的地下波阻抗的反演,由于潛山地震資料品質較差,
地震資料有效帶寬的低頻和高頻不能被充分利用,導
致該方法分辨率不足,難以有效刻畫潛山內幕特征;
測井約束反演通過測井資料豐富的低頻、高頻信息,
采用非線性方法直接反演波阻抗,由于初始模型受地
質構造解釋模型和井點波阻抗三維插值模型精度的
影響,該方法難以適用于復雜的潛山類型;隨機地震
反演通過建立波阻抗與測井彈性參數之間的協同反
演方程,結合序貫模擬與地震波阻抗反演方法實現隨
機反演,該方法在勘探開發程度較高的地區,可以精
確描述地下儲層特征,由于裂縫型潛山油藏勘探程度
相對較低,井分布不均勻,因此反演結果橫向分辨率
不高,隨機性強,適用性較差;機器學習非線性反
演[４Ｇ６]通過建立已知井的敏感曲線和井旁地震數據的
非線性映射,充分利用地震資料中的低、中、高頻帶信
息,由點到面逐道外推,最后反演得到三維工區的敏
感性測井參數,以解決儲層特征空間展布預測的問
題.不同于稀疏脈沖反演、測井約束反演和隨機地震
反演對地震子波和初始波阻抗模型的依賴,機器學習
非線性反演避免了地震子波和井插值建模精度的影
響,增加了地震反演外推的穩定性,能得到高分辨率
的測井參數.
目前機器學習方法主要包括神經網絡、支持向量
機等[７],學習效果佳,但具有計算不穩定、易陷入局部
最小、多次實現結果相差大的缺陷.近幾年,深度學
習的概念被提出,其主流的方法包括卷積神經網絡
(convolutionneutralnetwork,CNN)、深度信念網絡
(deepbeliefnetwork,DBN)、循環神經網絡(recurＧ
rentneuralnetworks,RNN)等[８].卷積神經網絡主
要用于圖像處理,需要大量的有標注的樣本進行有監
督訓練.循環神經網絡是一種基于時間序列的前饋
神經網絡,在自然語言處理方面得到廣泛應用,其監
督訓練仍然需要大量有標注的樣本信息.深度信念
網絡(DBN)是一種半監督生成模型[９],它結合了無
監督和有監督兩種方式,分兩步進行訓練.該方法通
過無監督的方式訓練其神經元間的權重,整個神經網
絡按照最大概率生成數據,形成聚類信息,然后使用
反向傳播來指導DBN 網絡進行微調,即有監督地進
行調優,賦予DBN 網絡具體類別信息,最終建立樣
本特征與樣本類別之間的聯合概率分布.深度信念
網絡具有優異的特征學習能力,可以用較少的參數表
示復雜的函數關系,利用該方法進行儲層非線性反演
可提高預測結果的準確性.
深度學習非線性反演準確預測裂縫型潛山油藏
的關鍵在于建立井上高敏感性參數的樣本集.利用
常規測井資料識別裂縫是行之有效的方法,雙側向電
２６８ 石　油　物　探 第５９卷
阻率、聲波時差、密度和雙井徑測井可用來識別裂縫,
但由于潛山內幕油藏裂縫發育段具有非均質性強、橫
向可比性較差等特征,裂縫識別存在一定的多解性.
成像測井為裂縫識別提供準確的井周圍圖像資料,由
于高昂的成本,其應用不如常規測井方法廣泛.裂縫
識別參數是表征裂縫發育的常規測井綜合響應特征
曲線,YASIN 等[１０]基于常規測井曲線發展了一種裂
縫識別參數———FIC模型,用來綜合評價裂縫帶、裂
縫密度和裂縫開度,但FIC 模型只能識別井周圍有
限區域的裂縫分布.
本文基于YASIN 等[１０]的研究工作,利用伽馬曲
線、井徑曲線、電阻率曲線、聲波時差曲線和密度曲線
計算碳酸鹽巖敏感性裂縫識別參數FICc;通過深度
信念網絡建立井旁地震數據和多井FICc 之間的非線
性映射關系;然后將網絡模型的非線性映射關系應用
到整個研究區反演出裂縫識別參數FICc,以達到裂
縫空間預測的目的.
１　深度學習非線性反演方法
采用深度信念網絡(DBN)進行裂縫識別參數非
線性反演.深度信念網絡是由若干層受限波爾茲曼
機(RBM)組成,網絡結構如圖１所示.若輸入層有n
個神經元,隱含層有m 個神經元,RBM 的能量函數
定義為:
E(v,h|θ)＝ －Σn
i＝１
aivi －Σm
j＝１
bjhj －Σn
i＝１Σm
j＝１
wijvihj
(１)
其中,v＝(v１,v２,??,vn )為輸入層,h＝(h１,h２,??,
hm )為隱含層,θ＝{ai,bj,wij}為構成RBM 的參數,
ai 為輸入層第i 個神經元的偏置量,bj 為隱含層第j
個神經元的偏置量,wij 為輸入層與隱含層之間的連
接權值.基于能量函數的聯合概率分布為:
p(v,h|θ)＝e－E(v,h|θ)
z(θ) (２)
式中:z(θ)＝Σe－E(v,h|θ),為配分函數,主要起歸一化
作用.RBM 的學習過程是對參數ai,bj 和wij 進行
計算,依靠誤差反向傳遞,采用梯度下降法進行模型
優化.
基于深度信念網絡的裂縫識別方法主要由樣本
集構建、模型訓練和模型應用３個階段組成,其中樣
本集構建是深度學習非線性反演準確預測裂縫型潛
　　　　
圖１　深度信念網絡結構
山油藏的關鍵.本文根據YASIN 等提出的裂縫識
別參數FIC模型((３)式),利用歸一化的伽馬曲線、
井徑曲線、電阻率曲線、聲波時差曲線和密度曲線計
算裂縫識別參數構建樣本集,裂縫識別參數計算公式
為:
FICc＝An ＋Bn ＋Cn ＋Dn ＋En (３)
式中:FICc代表碳酸鹽巖裂縫識別參數;An 代表伽馬
曲線貢獻的響應因子,An ＝(γ－??γ)２,γ 表示自然伽
馬測井值,??γ 表示自然伽馬測井均值,單位為API;Bn
代表電阻率曲線貢獻的響應因子,Bn＝(Rt－Rxo)２,
Rt 為地層真電阻率值,Rxo為沖洗帶電阻率值,單位
Ω?? m;Cn 代表井徑曲線貢獻的響應因子,Cn ＝ (CALX－CALY)２,CALX和CALY代表垂直兩個方向的井
徑值,單位cm;Dn 代表聲波時差曲線貢獻的響應因
子,Dn ＝(ΔtP－ΔtS)２,ΔtP 為縱波時差,ΔtS 為橫波
時差,單位s/m;En 代表密度曲線貢獻的響應因子,
En ＝(ρ－??ρ)２,ρ 表示測井密度值,??ρ 表示測井密度均
值,單位g/cm３.
深度信念網絡裂縫識別非線性反演的具體流程
如圖２所示,主要實現步驟為:
１)樣本集構建.計算的裂縫識別參數,按均勻
采樣的方式依照比例劃分為訓練數據、驗證數據和測
試數據[７].其中,訓練數據用于構建模型;驗證數據
用于訓練模型,并在訓練過程中多次使用以優化模型
構建;模型的準確率用測試數據進行評價.
２)模型訓練.將分頻地震數據作為輸入,多井
裂縫識別參數作為學習目標,即“標簽”.利用深度信
念網絡,從分頻數據出發,先在網絡底層開始訓練數
據,逐層的將數據進行抽象表征,直到網絡頂部,這是
無監督的訓練過程;然后從裂縫識別參數FICc 曲線
出發,將誤差逐步以反向傳播的形式從網絡頂部傳遞
至底部,逐層對網絡進行調優,最終建立兩者之間關
第２期 丁　燕等．基于深度學習的裂縫預測在S區潛山碳酸鹽巖儲層中的應用 ２６９
系的模型.最后進行質量監控,進一步根據誤差調整
模型,獲得最優網絡.
３)模型應用.將訓練的最優網絡模型應用到全
工區,對該工區的裂縫分布進行預測.
M L
=4@
E
# 44@3
@0=4@
圖２　深度學習計算裂縫識別參數(FICc)的流程
２　實例與效果分析
２．１　地質概況
S區潛山構造位于渤南低凸起西部,是受斷層控
制的地壘潛山構造,由于受構造運動、風化剝蝕和巖性
等多種地質因素影響,具有構造復雜、儲層橫向變化
大、非均質性強的特征.S區內主要發育了兩條潛山
邊界張性正斷層,即A０西斷層和A１東斷層,同時區
內發育了３條較大的北東向斷層,即A６北斷層,A６南
斷層和A２北斷層,這５條斷層基本控制了S區地壘潛
山構造(圖３).根據井點裂縫參數研究結果,認為該區
主要發育構造裂縫,裂縫走向主要為北西、北東和近東
西向３組,與本區斷層走向基本一致[１１Ｇ１２].
S區潛山主要含油層系為古生界和太古界潛山,
在中生界潛山、新近系和古近系地層也見到油氣顯
示,是次要含油氣層系.本文研究的重點為古生界儲
層,古生界為下古生界海相碳酸鹽巖,主要由脆性的
白云巖、灰巖等組成.圖４為S區潛山古生界波阻抗
與密度交會圖.由圖４可見,白云巖、灰巖等巖性的
波阻抗數值很接近,難以有效區分,依賴模型的波阻
抗反演的適用性受到一定限制.因此,合理、準確描
述本區裂縫發育和分布規律,確定裂縫分布范圍是本
區裂縫預測的重點.
２．２　效果分析
優選本區６口井計算裂縫識別參數FICc,圖５
A1
A2
A3
A4
A5
A6
A7
A01
A0
圖３　S區潛山古生界頂面構造圖及裂縫走向玫瑰圖
3.0
2.9
2.8
2.7
2.6
2.5
8 000 10 400 12 800 15 200 17 600 20 000
IP / (mes-1egecm-3)  
/
(
gecm-3)
%
+
圖４　S區潛山古生界波阻抗與密度交會分析結果
為本區A３ 井的解釋結果. 由圖５ 可見,研究區
３８６０~３９００m、３９５０~４０００m 和４１１０~４２１０m 深
度段為裂縫發育段.在常規測井曲線上具有低伽馬
(第３道)、低電阻率(第４道)、高孔隙度(第５道)、聲
波時差值增大(第６道)、密度下降(第６道)和高含氣
飽和度(第７道)等特征.PEREZ等[１３]的研究表明,
楊氏模量高值,泊松比低值的區域是巖石破裂最發育
的區域,易形成裂縫.計算的楊氏模量E(第８道)在
裂縫發育段為高值異常,泊松比(第８道)在裂縫發育
段為低值異常.計算的裂縫識別參數FICc(第９道)
在對應的裂縫發育段為高值異常.對FICc 曲線,每
隔１００m 統計曲線峰值的個數,用于表示裂縫條數,
統計的裂縫條數每１００m 大于１０條(第１０道).將
統計的裂縫條數與成像測井(第１１道)統計的裂縫條
數(第１２道)進行對比,結果具有較好的一致性.
２７０ 石　油　物　探 第５９卷
%
+
"
1 2 3 4 5 6 7 8 9 10 11 12
K , % !N , %
=4 K , %
# *K
" *K
! F (1B
! !
=4@ 4@'*$=4
"
c
" 4
@=4
"
# / m
 / (gecm-3)
1.95 2.95
0 100
0 100
0 0.5
0.2 2.0 0 30 0 360 0 30
140 40
0 10
0 10
0.2×105 2.0×105
0 10
4 14
0 250 ( / (?em)
( / (?em)
  / API
I / PPM
/ inch
/ (useft-1)
FIC
"U1 inch ! 2.54 cmU1 ft ! 30.48 cm
0.2×105 2.0×105
圖５　A３井的解釋結果
　　YASIN 等[１０]研究表明,通常泊松比為０．１５~
０??２０,楊氏模量為２０~４２GPa時,巖石更容易破裂產
生裂縫.如圖６a所示,將每米裂縫發育的條數與泊
松比和楊氏模量進行交會,每米裂縫發育條數高的數
值均落在泊松比０．１５~０．２０、楊氏模量２０~４２GPa
的區間.本文基于每米裂縫發育條數數值落在的泊
松比和楊氏模量的區間,將裂縫分為３個發育區間,
如圖６b所示,分別為裂縫發育(紅色圈所示,泊松比
小于０．２５,楊氏模量小于４０GPa)、裂縫欠發育(黃色
　　　　
圈所示,泊松比為０．２５~０．３０,楊氏模量為４０~
６０GPa)、裂縫不發育(藍色圈所示,泊松比大于０．３,
楊氏模量大于６０GPa).將裂縫識別參數FICc 與泊
松比和楊氏模量進行交會(圖６b),可以看出,高FICc
值均落在劃分的裂縫發育區間,低FICc 值落在劃分
的裂縫發育較少或不發育的區間.因此,可將計算的
裂縫識別參數FICc 作為學習目標樣本進行深度學習
非線性反演.為提高裂縫預測的精度,對本區某地震
剖面進行了構造導向濾波處理(圖７),處理后的結果
　　　　100
80
60
40
20
0 0.1 0.2 0.3 0.4 0.5
20
16
12
8
4
0
=4 / ( em-1)
! F / GPa a
100
80
60
40
20
0 0.1 0.2 0.3 0.4 0.5
2.0
1.6
1.2
0.8
0.4
0
FICc
! F / GPa
b
! ! ! !
=4 5
=4 5
=4 5
圖６　泊松比、楊氏模量與裂縫密度(a)和裂縫識別參數FICc(b)交會分析結果
第２期 丁　燕等．基于深度學習的裂縫預測在S區潛山碳酸鹽巖儲層中的應用 ２７１
2 500
2 600
2 700
2 800
2 900
3 000
3 100
3 200
20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 420 440 460
CDP
t / ms
b
2 500
2 600
2 700
2 800
2 900
3 000
3 100
3 200
20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 420 440 460
CDP
t / ms
a
A1 A3 A4
A1 A3 A4
圖７　構造導向濾波處理前(a)、后(b)地震剖面
如圖７b所示,由圖７b可見,處理后的地震剖面信噪
比得到較好的改善.
將濾波后的地震數據及１０,２０,４０,６０Hz分頻地
震數據作為輸入,將６口井FICc 曲線作為學習目標
樣本,利用圖２所示流程進行深度網絡模型的訓練.
表１展示了訓練樣本集(共１２４１個樣本)中部分樣本
特征和學習值.其中,D１代表井旁地震數據,D２代
表１０Hz分頻地震數據,D３代表２０Hz分頻地震數
據,D４代表４０Hz分頻地震數據,D５代表６０Hz分
頻地震數據.圖８為訓練的最優網絡模型對３１０個
測試樣本預測的FICc 曲線(紅色)與井上計算的
FICc 曲線(藍色)對比圖.由圖８可見,平均預測精
度達０．８５,吻合度較高.因此,訓練的最優網絡模型
可應用于全工區的裂縫分布預測.
表１　深度學習訓練樣本及學習結果(部分)
序號D１ D２ D３ D４ D５ FICc值學習值
１ －９６７９．０６０ －２６５７．７８０ －４０９８．９８０ －２４９５．６１０ －４３０．０５０ １．０５０ １．０５５
２ －６２９０．２２０ １０１．１７０ －４１７０．０６０ －３４９２．２８０ －７９０．６６０ １．２６０ １．２６５
３ －１０５８７．４００ ４４３．０２０ －５１２４．７６０ －３２６９．０８０ －５２４．４２０ １．０６０ １．０５６
４ －２２７４．７５０ －２４１３．２００ －１１８０．４００ －１６６４．７２０ －６４９．８６０ １．１１０ １．１１４
５ －１９３７．３６０ －４２２９．９３０ １０９．８２５ ２２８．３５０ ６４．８９０ １．１５０ １．１４５
６ ２１７４．６００ １５７５．７３０ ８２８．０４４ ６１４．７１０ １４９．９９０ １．０９０ １．０００
７ ３８１８．１００ ３９４９．３７０ １２５６．２４０ １０９２．１００ ３２１．７９０ １．２５０ １．２５６
８ １８００．２００ －１２０４．１２０ ３０６．１５０ －１５２．７３０ －６３．３４０ １．０５０ １．０４５
９ －２８７２．０２０ －８７３．１７０ －８４６．８７０ －６９１．３８０ －２０２．５８０ １．０３０ １．０３３
１０ ３９０９．５３０ －１３５６．６２０ １５１１．０６０ ８８０．５００ １０２．６００ １．０４０ １．０３５
２７２ 石　油　物　探 第５９卷
2 400
2 400
2 700
2 800
3 000
3 000
3 100
3 200 3 200
3 100
3 000
0.903 0.736 0.605 0.848 0.917 0.857
A0 A1 A3 A4 A5 A7
,
t / ms
2 800
2 900
圖８　預測的FICc 曲線與井上計算的FICc 曲線
　　圖９給出了深度學習FICc 預測結果.圖中井旁
曲線為FICc 曲線,井旁紅色方柱為試油結果,圖中從
左到右３口井分別為A１井、A３井和A４井.A１井
在古生界頂３５２５．９~３５５０．４m,產油１４５．１t/d,產氣
２６７４m３/d,不含水.從過A１井裂縫預測剖面看,在
A１井古生界潛山的山頭２６００~２６１５ms位置存在
高強度的裂縫發育區(紅色代表高異常).A３井在古
生界頂３７５９．６７~３８９３．０１m,產油１７８t/d,產氣
１４８２６m３/d,不含水,在裂縫預測剖面２７９０~
２８３５ms位置存在紅色高異常裂縫發育區.A４井在
４１６９．３０~４４４６．７０m,產油１１２t/d,產氣４２７１７m３/
d,不含水,在裂縫預測剖面２９９７~３０８６ms位置同
樣存在紅色高異常裂縫發育區.試油結果與FICc 反
演結果十分吻合,說明井點外推效果較好.
20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 420 440 460
CDP
2 500
2 600
2 700
2 800
2 900
3 000
3 100
3 200
t / ms
2.0
1.8
1.6
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0
FICc
!145.1 t / d,
!2 647 m3/ d
!178 t / d,
!14 826 m3/ d
!112 t / d,
!42 717 m3/ d
A1 A3 A4
圖９　深度學習反演結果
　　為進一步分析裂縫的平面展布特征,提取了古生
界頂面向下１０ms的FICc 切片,如圖１０所示.FICc
值大于１．３時被認為是裂縫發育. 從圖１０可以看
到,裂縫所在位置均表現為高FICc 值,沿斷層分布.
S區構造形態是北東走向的背斜構造,西部高,東部
低,在褶皺構造附近,如A１井西南部、A２井以東、A４
井、A５井裂縫較為發育.熵屬性[１４]可用于衡量紋理
(裂縫)的清晰度,紋理越清晰,熵值越高,如圖１１所
第２期 丁　燕等．基于深度學習的裂縫預測在S區潛山碳酸鹽巖儲層中的應用 ２７３
示,熵屬性大于８００的高值區域,代表裂縫可能的發
育區.裂縫所在位置沿斷裂帶呈北東方向帶狀分布,
其中A０井、A１井、A２井以東、A３井、A４井、A５井
為高熵值區域,與FICc 裂縫預測平面展布結果基本
一致.表２是統計的古生界頂FICc 高值異常與井的
產油氣情況對應關系表.如果產油氣層井段裂縫發
育對應高FICc 值異常,說明吻合,反之認為不吻合,
兩者的吻合率進一步驗證了本文方法的可靠性.由
統計結果可知,除A６井、A７井不吻合外,其余５口
井均吻合,吻合率達７１％.本文方法較客觀地反映
了裂縫發育帶在橫向的變化,裂縫發育區主要集中在
潛山翼部及構造轉折部位,呈帶狀沿斷層大面積發
育.
表２　古生界頂FICc 高值異常與井是否在油氣層
段吻合統計
井
油氣顯
示情況
是否位于
高FICc 異常
吻合情況
A０ 油氣層是吻合
A１ 油氣層是吻合
A２ 油氣層是吻合
A３ 油氣層是吻合
A４ 油氣層是吻合
A５ 油氣層是吻合
A６ 干層是不吻合
A７ 油氣層否不吻合
1.4
1.3
1.2
1.1
1.0
0.9
FICc
圖１０　古生界頂面向下１０ms的FICc 切片
1 600
1 400
1 200
1 000
800
600
400
200
&amp;amp;
圖１１　古生界頂面向下１０ms的結構熵屬性
３　結論
裂縫識別參數FICc 是對裂縫發育段進行預測的
敏感性參數,高FICc 值對應高裂縫發育區,低FICc
值對應裂縫發育較少或不發育區;基于裂縫識別參數
FICc 統計的裂縫條數與成像測井統計的條數基本吻
合.因此,裂縫識別參數FICc 在S區裂縫預測中具
有較高的可靠性.
以裂縫識別參數FICc 為學習目標樣本的深度信
念網絡反演,反演結果與井點實鉆結果吻合率達
７１％,裂縫發育區主要集中在潛山翼部及構造轉折部
位,呈帶狀沿斷層大面積分布,與熵屬性刻畫的裂縫
發育帶一致性較好,較客觀地反映了裂縫發育帶橫向
變化.因此,基于深度信念網絡反演的方法較適用于
S區裂縫預測,為裂縫型潛山油藏裂縫預測提供了一
定的理論和實踐基礎.
參　考　文　獻
[１]　王軍,董臣強,羅霞,等．裂縫性潛山儲層地震描述技術
[J]．石油物探,２００３,４２(２):１７９Ｇ１８５
WANGJ,DONGC Q,LUO X,etal．SeismicdescripＧ
tiontechnologyforfracturedburiedhillreservoir[J]．
GeophysicalProspectingforPetroleum,２００３,４２(２):
１７９Ｇ１８５ [２]　王延光．儲層地震反演方法以及應用中的關鍵問題與
對策[J]．石油物探,２００２,４１(３):５０Ｇ５４
WANGYG．Seismicreservoirinversionalgorithmand
thekeyproblemsandpoliciesinitsapplication[J]．GeoＧ
２７４ 石　油　物　探 第５９卷
physicalProspectingforPetroleum,２００２,４１(３):５０Ｇ５４ [３]　撒利明,楊午陽,姚逢昌,等．地震反演技術回顧與展望
[J]．石油地球物理勘探,２０１５,５０(１):１８４Ｇ２０２
SALM,YANG W Y,YAOFC,etal．ReviwandprosＧ
pectofseismicinversion[J]．OilGeophysicalProspecＧ
ting,２０１５,５０(１):１８４Ｇ２０２ [４]　吳媚,符力耘,李維新．高分辨率非線性儲層物性參數
反演方法和應用[J]．地球物理學報,２００８,５１(２):５４６Ｇ
５５７
WU M,FU L G,LIW X．AhighＧresolutionnonlinear
inversionmethodofreservoirparametersanditsappliＧ
cationtooil/gasexploration[J]．ChineseJournalofGeＧ
ophysics,２００８,５１(２):５４６Ｇ５５７ [５]　黃鳳祥,夏振宇,桂紅兵,等．基于BP神經網絡裂縫預
測方法在DMT 凹陷潛山變質巖中的應用研究[J]．工
程地球物理學報,２０１６,１３(４):４８３Ｇ４９０
HUANGFX,XIAZY,GUIH B,etal．TheapplicaＧ
tionofBPneuralnetworktoDMT Hillmetamorphic
fractureprediction[J]．ChineseJournalofEngineering
Geophysics,２０１６,１３(４):４８３Ｇ４９０ [６]　吳正陽,莫修文,柳建華,等．裂縫性儲層分級評價中的
卷積神經網絡算法研究與應用[J]．石油物探,２０１８,５７ (４):６１８Ｇ６２６
WUZY,MOXW,LIUJH,etal．Convolutionalneural
networkalgorithmforclassificationevaluationoffracＧ
turedreservoirs[J]．GeophysicalProspectingforPetroＧ
leum,２０１８,５７(４):６１８Ｇ６２６ [７]　劉力輝,陸蓉,楊文魁．基于深度學習的地震巖相反演
方法[J]．石油物探,２０１９,５８(１):１２７Ｇ１３３
LIULH,LUR,YANG W K．SeismiclithofaciesinverＧ
sionbasedondeeplearning[J]．GeophysicalProspecＧ
tingforPetroleum,２０１９,５８(１):１２７Ｇ１３３ [８]　劉帥師,程曦,郭文燕,等．深度學習方法研究新進展
[J]．智能系統學報,２０１６,１１(５):５６７Ｇ５７７
LIUSS,CHENGX,GUO W Y,etal．Progressreport
onnewresearchindeeplearning[J]．CAAITransacＧ
tionsonIntelligentSystems,２０１６,１１(５):５６７Ｇ５７７ [９]　SARIKAYAR,HINTON G E,DEORASA．ApplicaＧ
tionofdeepbeliefnetworksfornaturallanguageunderＧ
standing[J]．IEEE/ACM Transactions on Audio,
Speech,andLanguageProcessing,２０１４,２２(４):７７８Ｇ７８４ [１０]　YASIN Q,DU Q Z,ATIFI,etal．Identificationand
characterizationofnaturalfracturesingasshalereserＧ
voirusingconventionalandspecializedloggingtools [J]．ExpandedAbstractsof８８th AnnualInternatSEG
Mtg,２０１８:８０９Ｇ８１３ [１１]　王端平,張敬軒．勝利油區埕北３０潛山儲集性裂縫預
測方法[J]．石油實驗地質,２０００,２２(３):２５０Ｇ２５５
WANGDP,ZHANGJX．PredictionmethodofreserＧ
voirfracturesinTheChenBei３０BuriedＧhillofShenＧ
gliOilfield[J]．ExperimentalPetroleum Geology,２０００,
２２(３):２５０Ｇ２５５ [１２]　陳廣軍．古潛山儲集層描述方法及在CB３０潛山的應用
[J]．石油物探,２００２,４１(４):４６６Ｇ４６９
CHENGJ．A methodforreservoircharacterizationof
buriedＧhillsanditsapplicationinburiedＧhillCB３０[J]．
GeophysicalProspectingforPetroleum,２００２,４１(４):
４６６Ｇ４６９ [１３]　PEREZAR,MARFURTKJ．Identificationofbrittle/
ductileareasinunconventionalreservoirsusingseismic
andmicroseismicdata:ApplicationtotheBarnettShale [J]．Interpretation,２０１５,３(４):２３３Ｇ２４３ [１４]　崔永謙,王永剛,杜維良,等．任丘潛山內幕特征描述及
儲層預測研究[J]．石油物探,２０１０,４９(３):２８０Ｇ２８６
CUIYQ,WANGYG,DU W L,etal．InteriorcharacＧ
teristicsdescriptionandreservoirpredictionofRenqiu
buriedhill[J]．GeophysicalProspectingforPetroleum,
２０１０,４９(３):２８０Ｇ２８６
(編輯:陳　杰)
第２期 丁　燕等．基于深度學習的裂縫預測在S區潛山碳酸鹽巖儲層中的應用 ２７５

網友評論 more

化工安全論文最新內容

08-30