导航：安全管理网>> 安全论文>> 化工安全论文>>正文

基于深度学习的裂缝预测在S区潜山碳酸盐岩储层中的应用

文档作者：丁燕１,２,３,杜启振１,２,３,QamarYasin１,２,３张强１,２,３,４,刘力辉５ ( 文档来源：１．中国石油大学(华东)深层油气重点实验室２．青岛海洋科学与技术试点国家实验室海洋矿产资源评价与探测技术功能实验室３．中国石油大学CNPC物探重点实验室,		更新日期： 2026年08月30日	点击数：
下载地址：点击这里	文件大小： 1.80 MB 共9页	文档格式： PDF	下载点数： 1 点（VIP免费）

全屏查看

内容预览 [文件共9页]

本文件共9页，如需编辑使用，请下载。

注：预览效果可能会出现部分文字乱码（如口口口）、内容显示不全等问题，下载是正常的。

	文件大小：1.80 MB 共9页文件格式：PDF 下载点数：1 点（VIP会员免费）

上一篇：新建高架火炬热辐射对区域内设施的影响分析

文本预览

仅提取页面文字内容，供快速阅读使用。

丁燕,杜启振,QamarYasin,等．基于深度学习的裂缝预测在S区潜山碳酸盐岩储层中的应用[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.
作者简介:丁燕(１９８５—),女,博士在读,研究方向为地震资料解释性处理、裂缝预测、地球物理AVO 反演及储层预测.Email:yan_ding＠foxmail．com
通信作者:杜启振(１９６９—),男,教授,博士生导师,主要从事地震弹性波传播理论与成像方法方面的教学与研究工作.Email:multiＧwave＠１６３．com
基金项目:中国科学院战略性先导专项(XDA１４０１０３０３)和高等学校学科创新引智计划(“１１１计划”)“致密油气地质与勘探创新引智基地、深层超
深层油气地球物理勘探创新引智基地”联合资助.
ThisresearchisfinanciallysupportedbytheResearchProgramoftheChineseAcademyofSciences(GrantNo．XDA１４０１０３０３),andtheChinaNational“１１１”
ForeignExpertsIntroductionPlanforTightOil&amp;amp; GasGeologyandExplorationandtheDeepＧUltradeepOil&amp;amp; GasGeophysicalExploration．
基于深度学习的裂缝预测在S区潜山碳酸盐岩
储层中的应用
丁　燕１,２,３,杜启振１,２,３,QamarYasin１,２,３,张　强１,２,３,４,刘力辉５
(１．中国石油大学(华东)深层油气重点实验室,山东青岛２６６５８０;２．青岛海洋科学与技术试点国家实验室海洋
矿产资源评价与探测技术功能实验室,山东青岛２６６２３７;３．中国石油大学CNPC物探重点实验室,山东青岛
２６６５８０;４．中国石油化工股份有限公司胜利油田分公司勘探开发研究院,山东东营２５７０１５;５．北京诺克斯达石
油科技有限公司,北京１０００００)
摘要:准确描述并预测裂缝空间分布是裂缝型潜山油藏储层开发的前提条件,裂缝型潜山油藏构造复杂、断层发育、地震反射多
表现为空白或杂乱反射,传统的依赖模型的反演方法难以表征复杂的潜山断裂系统.为此,提出了以测井裂缝敏感参数FICc 为
训练目标的深度信念网络反演方法.首先基于碳酸盐岩裂缝在测井曲线上的响应特征,综合伽马、井径等曲线,构建敏感性裂缝
识别参数FICc;然后以基于优选井计算的FICc 曲线作为训练目标、以井旁地震数据作为训练特征构成训练样本,通过训练深度
信念网络,建立井旁地震数据与FICc 曲线之间的非线性映射关系;最后将训练成熟的网络模型应用到整个地震数据体,反演得
到裂缝识别参数FICc,进而预测裂缝空间分布.S区潜山裂缝预测的应用结果表明,测井裂缝识别参数FICc 识别结果与成像测
井裂缝识别结果基本吻合,FICc 作为训练目标在S区裂缝预测中具有较好的可靠性;应用深度信念网络反演的解释结果表明S
区潜山主要发育北东向裂缝,呈带状沿断层大面积发育,与熵属性刻画的裂缝发育带一致性较好,钻井吻合率达７１％.
关键词:裂缝预测;潜山;碳酸盐岩;测井;裂缝识别参数;深度学习;非线性反演;熵属性
中图分类号:P６３１ 文献标识码:A
文章编号: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
　　裂缝型潜山油藏是当今我国油气勘探开发的重
点目标之一,其研究热点由成藏条件及规律、储层裂
缝描述等向潜山内幕裂缝储集空间预测延伸.潜山
内幕裂缝发育段具有非均质性强、横向可比性较差的
特点,加之埋藏较深,导致地震资料品质较差,因此裂
缝型潜山油藏的地震预测有很大难度[１].
地震反演是裂缝型潜山油藏储层预测的一项重
要技术,主要包括稀疏脉冲反演、测井约束反演、随机
地震反演和机器学习非线性反演等方法[２Ｇ３].稀疏脉
冲反演是地震主频控制下求得稀疏脉冲模型所代表
的地下波阻抗的反演,由于潜山地震资料品质较差,
地震资料有效带宽的低频和高频不能被充分利用,导
致该方法分辨率不足,难以有效刻画潜山内幕特征;
测井约束反演通过测井资料丰富的低频、高频信息,
采用非线性方法直接反演波阻抗,由于初始模型受地
质构造解释模型和井点波阻抗三维插值模型精度的
影响,该方法难以适用于复杂的潜山类型;随机地震
反演通过建立波阻抗与测井弹性参数之间的协同反
演方程,结合序贯模拟与地震波阻抗反演方法实现随
机反演,该方法在勘探开发程度较高的地区,可以精
确描述地下储层特征,由于裂缝型潜山油藏勘探程度
相对较低,井分布不均匀,因此反演结果横向分辨率
不高,随机性强,适用性较差;机器学习非线性反
演[４Ｇ６]通过建立已知井的敏感曲线和井旁地震数据的
非线性映射,充分利用地震资料中的低、中、高频带信
息,由点到面逐道外推,最后反演得到三维工区的敏
感性测井参数,以解决储层特征空间展布预测的问
题.不同于稀疏脉冲反演、测井约束反演和随机地震
反演对地震子波和初始波阻抗模型的依赖,机器学习
非线性反演避免了地震子波和井插值建模精度的影
响,增加了地震反演外推的稳定性,能得到高分辨率
的测井参数.
目前机器学习方法主要包括神经网络、支持向量
机等[７],学习效果佳,但具有计算不稳定、易陷入局部
最小、多次实现结果相差大的缺陷.近几年,深度学
习的概念被提出,其主流的方法包括卷积神经网络
(convolutionneutralnetwork,CNN)、深度信念网络
(deepbeliefnetwork,DBN)、循环神经网络(recurＧ
rentneuralnetworks,RNN)等[８].卷积神经网络主
要用于图像处理,需要大量的有标注的样本进行有监
督训练.循环神经网络是一种基于时间序列的前馈
神经网络,在自然语言处理方面得到广泛应用,其监
督训练仍然需要大量有标注的样本信息.深度信念
网络(DBN)是一种半监督生成模型[９],它结合了无
监督和有监督两种方式,分两步进行训练.该方法通
过无监督的方式训练其神经元间的权重,整个神经网
络按照最大概率生成数据,形成聚类信息,然后使用
反向传播来指导DBN 网络进行微调,即有监督地进
行调优,赋予DBN 网络具体类别信息,最终建立样
本特征与样本类别之间的联合概率分布.深度信念
网络具有优异的特征学习能力,可以用较少的参数表
示复杂的函数关系,利用该方法进行储层非线性反演
可提高预测结果的准确性.
深度学习非线性反演准确预测裂缝型潜山油藏
的关键在于建立井上高敏感性参数的样本集.利用
常规测井资料识别裂缝是行之有效的方法,双侧向电
２６８ 石　油　物　探 第５９卷
阻率、声波时差、密度和双井径测井可用来识别裂缝,
但由于潜山内幕油藏裂缝发育段具有非均质性强、横
向可比性较差等特征,裂缝识别存在一定的多解性.
成像测井为裂缝识别提供准确的井周围图像资料,由
于高昂的成本,其应用不如常规测井方法广泛.裂缝
识别参数是表征裂缝发育的常规测井综合响应特征
曲线,YASIN 等[１０]基于常规测井曲线发展了一种裂
缝识别参数———FIC模型,用来综合评价裂缝带、裂
缝密度和裂缝开度,但FIC 模型只能识别井周围有
限区域的裂缝分布.
本文基于YASIN 等[１０]的研究工作,利用伽马曲
线、井径曲线、电阻率曲线、声波时差曲线和密度曲线
计算碳酸盐岩敏感性裂缝识别参数FICc;通过深度
信念网络建立井旁地震数据和多井FICc 之间的非线
性映射关系;然后将网络模型的非线性映射关系应用
到整个研究区反演出裂缝识别参数FICc,以达到裂
缝空间预测的目的.
１　深度学习非线性反演方法
采用深度信念网络(DBN)进行裂缝识别参数非
线性反演.深度信念网络是由若干层受限波尔兹曼
机(RBM)组成,网络结构如图１所示.若输入层有n
个神经元,隐含层有m 个神经元,RBM 的能量函数
定义为:
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 )为输入层,h＝(h１,h２,􀆺,
hm )为隐含层,θ＝{ai,bj,wij}为构成RBM 的参数,
ai 为输入层第i 个神经元的偏置量,bj 为隐含层第j
个神经元的偏置量,wij 为输入层与隐含层之间的连
接权值.基于能量函数的联合概率分布为:
p(v,h|θ)＝e－E(v,h|θ)
z(θ) (２)
式中:z(θ)＝Σe－E(v,h|θ),为配分函数,主要起归一化
作用.RBM 的学习过程是对参数ai,bj 和wij 进行
计算,依靠误差反向传递,采用梯度下降法进行模型
优化.
基于深度信念网络的裂缝识别方法主要由样本
集构建、模型训练和模型应用３个阶段组成,其中样
本集构建是深度学习非线性反演准确预测裂缝型潜
　　　　
图１　深度信念网络结构
山油藏的关键.本文根据YASIN 等提出的裂缝识
别参数FIC模型((３)式),利用归一化的伽马曲线、
井径曲线、电阻率曲线、声波时差曲线和密度曲线计
算裂缝识别参数构建样本集,裂缝识别参数计算公式
为:
FICc＝An ＋Bn ＋Cn ＋Dn ＋En (３)
式中:FICc代表碳酸盐岩裂缝识别参数;An 代表伽马
曲线贡献的响应因子,An ＝(γ－􀭵γ)２,γ 表示自然伽
马测井值,􀭵γ 表示自然伽马测井均值,单位为API;Bn
代表电阻率曲线贡献的响应因子,Bn＝(Rt－Rxo)２,
Rt 为地层真电阻率值,Rxo为冲洗带电阻率值,单位
Ω􀅰 m;Cn 代表井径曲线贡献的响应因子,Cn ＝ (CALX－CALY)２,CALX和CALY代表垂直两个方向的井
径值,单位cm;Dn 代表声波时差曲线贡献的响应因
子,Dn ＝(ΔtP－ΔtS)２,ΔtP 为纵波时差,ΔtS 为横波
时差,单位s/m;En 代表密度曲线贡献的响应因子,
En ＝(ρ－􀭰ρ)２,ρ 表示测井密度值,􀭰ρ 表示测井密度均
值,单位g/cm３.
深度信念网络裂缝识别非线性反演的具体流程
如图２所示,主要实现步骤为:
１)样本集构建.计算的裂缝识别参数,按均匀
采样的方式依照比例划分为训练数据、验证数据和测
试数据[７].其中,训练数据用于构建模型;验证数据
用于训练模型,并在训练过程中多次使用以优化模型
构建;模型的准确率用测试数据进行评价.
２)模型训练.将分频地震数据作为输入,多井
裂缝识别参数作为学习目标,即“标签”.利用深度信
念网络,从分频数据出发,先在网络底层开始训练数
据,逐层的将数据进行抽象表征,直到网络顶部,这是
无监督的训练过程;然后从裂缝识别参数FICc 曲线
出发,将误差逐步以反向传播的形式从网络顶部传递
至底部,逐层对网络进行调优,最终建立两者之间关
第２期 丁　燕等．基于深度学习的裂缝预测在S区潜山碳酸盐岩储层中的应用 ２６９
系的模型.最后进行质量监控,进一步根据误差调整
模型,获得最优网络.
３)模型应用.将训练的最优网络模型应用到全
工区,对该工区的裂缝分布进行预测.
M L
=4@
E
# 44@3
@0=4@
图２　深度学习计算裂缝识别参数(FICc)的流程
２　实例与效果分析
２．１　地质概况
S区潜山构造位于渤南低凸起西部,是受断层控
制的地垒潜山构造,由于受构造运动、风化剥蚀和岩性
等多种地质因素影响,具有构造复杂、储层横向变化
大、非均质性强的特征.S区内主要发育了两条潜山
边界张性正断层,即A０西断层和A１东断层,同时区
内发育了３条较大的北东向断层,即A６北断层,A６南
断层和A２北断层,这５条断层基本控制了S区地垒潜
山构造(图３).根据井点裂缝参数研究结果,认为该区
主要发育构造裂缝,裂缝走向主要为北西、北东和近东
西向３组,与本区断层走向基本一致[１１Ｇ１２].
S区潜山主要含油层系为古生界和太古界潜山,
在中生界潜山、新近系和古近系地层也见到油气显
示,是次要含油气层系.本文研究的重点为古生界储
层,古生界为下古生界海相碳酸盐岩,主要由脆性的
白云岩、灰岩等组成.图４为S区潜山古生界波阻抗
与密度交会图.由图４可见,白云岩、灰岩等岩性的
波阻抗数值很接近,难以有效区分,依赖模型的波阻
抗反演的适用性受到一定限制.因此,合理、准确描
述本区裂缝发育和分布规律,确定裂缝分布范围是本
区裂缝预测的重点.
２．２　效果分析
优选本区６口井计算裂缝识别参数FICc,图５
A1
A2
A3
A4
A5
A6
A7
A01
A0
图３　S区潜山古生界顶面构造图及裂缝走向玫瑰图
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)
%
+
图４　S区潜山古生界波阻抗与密度交会分析结果
为本区A３ 井的解释结果. 由图５ 可见,研究区
３８６０~３９００m、３９５０~４０００m 和４１１０~４２１０m 深
度段为裂缝发育段.在常规测井曲线上具有低伽马
(第３道)、低电阻率(第４道)、高孔隙度(第５道)、声
波时差值增大(第６道)、密度下降(第６道)和高含气
饱和度(第７道)等特征.PEREZ等[１３]的研究表明,
杨氏模量高值,泊松比低值的区域是岩石破裂最发育
的区域,易形成裂缝.计算的杨氏模量E(第８道)在
裂缝发育段为高值异常,泊松比(第８道)在裂缝发育
段为低值异常.计算的裂缝识别参数FICc(第９道)
在对应的裂缝发育段为高值异常.对FICc 曲线,每
隔１００m 统计曲线峰值的个数,用于表示裂缝条数,
统计的裂缝条数每１００m 大于１０条(第１０道).将
统计的裂缝条数与成像测井(第１１道)统计的裂缝条
数(第１２道)进行对比,结果具有较好的一致性.
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
图５　A３井的解释结果
　　YASIN 等[１０]研究表明,通常泊松比为０．１５~
０􀆰２０,杨氏模量为２０~４２GPa时,岩石更容易破裂产
生裂缝.如图６a所示,将每米裂缝发育的条数与泊
松比和杨氏模量进行交会,每米裂缝发育条数高的数
值均落在泊松比０．１５~０．２０、杨氏模量２０~４２GPa
的区间.本文基于每米裂缝发育条数数值落在的泊
松比和杨氏模量的区间,将裂缝分为３个发育区间,
如图６b所示,分别为裂缝发育(红色圈所示,泊松比
小于０．２５,杨氏模量小于４０GPa)、裂缝欠发育(黄色
　　　　
圈所示,泊松比为０．２５~０．３０,杨氏模量为４０~
６０GPa)、裂缝不发育(蓝色圈所示,泊松比大于０．３,
杨氏模量大于６０GPa).将裂缝识别参数FICc 与泊
松比和杨氏模量进行交会(图６b),可以看出,高FICc
值均落在划分的裂缝发育区间,低FICc 值落在划分
的裂缝发育较少或不发育的区间.因此,可将计算的
裂缝识别参数FICc 作为学习目标样本进行深度学习
非线性反演.为提高裂缝预测的精度,对本区某地震
剖面进行了构造导向滤波处理(图７),处理后的结果
　　　　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
图６　泊松比、杨氏模量与裂缝密度(a)和裂缝识别参数FICc(b)交会分析结果
第２期 丁　燕等．基于深度学习的裂缝预测在S区潜山碳酸盐岩储层中的应用 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
图７　构造导向滤波处理前(a)、后(b)地震剖面
如图７b所示,由图７b可见,处理后的地震剖面信噪
比得到较好的改善.
将滤波后的地震数据及１０,２０,４０,６０Hz分频地
震数据作为输入,将６口井FICc 曲线作为学习目标
样本,利用图２所示流程进行深度网络模型的训练.
表１展示了训练样本集(共１２４１个样本)中部分样本
特征和学习值.其中,D１代表井旁地震数据,D２代
表１０Hz分频地震数据,D３代表２０Hz分频地震数
据,D４代表４０Hz分频地震数据,D５代表６０Hz分
频地震数据.图８为训练的最优网络模型对３１０个
测试样本预测的FICc 曲线(红色)与井上计算的
FICc 曲线(蓝色)对比图.由图８可见,平均预测精
度达０．８５,吻合度较高.因此,训练的最优网络模型
可应用于全工区的裂缝分布预测.
表１　深度学习训练样本及学习结果(部分)
序号D１ D２ D３ D４ D５ FICc值学习值
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
图８　预测的FICc 曲线与井上计算的FICc 曲线
　　图９给出了深度学习FICc 预测结果.图中井旁
曲线为FICc 曲线,井旁红色方柱为试油结果,图中从
左到右３口井分别为A１井、A３井和A４井.A１井
在古生界顶３５２５．９~３５５０．４m,产油１４５．１t/d,产气
２６７４m３/d,不含水.从过A１井裂缝预测剖面看,在
A１井古生界潜山的山头２６００~２６１５ms位置存在
高强度的裂缝发育区(红色代表高异常).A３井在古
生界顶３７５９．６７~３８９３．０１m,产油１７８t/d,产气
１４８２６m３/d,不含水,在裂缝预测剖面２７９０~
２８３５ms位置存在红色高异常裂缝发育区.A４井在
４１６９．３０~４４４６．７０m,产油１１２t/d,产气４２７１７m３/
d,不含水,在裂缝预测剖面２９９７~３０８６ms位置同
样存在红色高异常裂缝发育区.试油结果与FICc 反
演结果十分吻合,说明井点外推效果较好.
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
图９　深度学习反演结果
　　为进一步分析裂缝的平面展布特征,提取了古生
界顶面向下１０ms的FICc 切片,如图１０所示.FICc
值大于１．３时被认为是裂缝发育. 从图１０可以看
到,裂缝所在位置均表现为高FICc 值,沿断层分布.
S区构造形态是北东走向的背斜构造,西部高,东部
低,在褶皱构造附近,如A１井西南部、A２井以东、A４
井、A５井裂缝较为发育.熵属性[１４]可用于衡量纹理
(裂缝)的清晰度,纹理越清晰,熵值越高,如图１１所
第２期 丁　燕等．基于深度学习的裂缝预测在S区潜山碳酸盐岩储层中的应用 ２７３
示,熵属性大于８００的高值区域,代表裂缝可能的发
育区.裂缝所在位置沿断裂带呈北东方向带状分布,
其中A０井、A１井、A２井以东、A３井、A４井、A５井
为高熵值区域,与FICc 裂缝预测平面展布结果基本
一致.表２是统计的古生界顶FICc 高值异常与井的
产油气情况对应关系表.如果产油气层井段裂缝发
育对应高FICc 值异常,说明吻合,反之认为不吻合,
两者的吻合率进一步验证了本文方法的可靠性.由
统计结果可知,除A６井、A７井不吻合外,其余５口
井均吻合,吻合率达７１％.本文方法较客观地反映
了裂缝发育带在横向的变化,裂缝发育区主要集中在
潜山翼部及构造转折部位,呈带状沿断层大面积发
育.
表２　古生界顶FICc 高值异常与井是否在油气层
段吻合统计
井
油气显
示情况
是否位于
高FICc 异常
吻合情况
A０ 油气层是吻合
A１ 油气层是吻合
A２ 油气层是吻合
A３ 油气层是吻合
A４ 油气层是吻合
A５ 油气层是吻合
A６ 干层是不吻合
A７ 油气层否不吻合
1.4
1.3
1.2
1.1
1.0
0.9
FICc
图１０　古生界顶面向下１０ms的FICc 切片
1 600
1 400
1 200
1 000
800
600
400
200
&amp;amp;
图１１　古生界顶面向下１０ms的结构熵属性
３　结论
裂缝识别参数FICc 是对裂缝发育段进行预测的
敏感性参数,高FICc 值对应高裂缝发育区,低FICc
值对应裂缝发育较少或不发育区;基于裂缝识别参数
FICc 统计的裂缝条数与成像测井统计的条数基本吻
合.因此,裂缝识别参数FICc 在S区裂缝预测中具
有较高的可靠性.
以裂缝识别参数FICc 为学习目标样本的深度信
念网络反演,反演结果与井点实钻结果吻合率达
７１％,裂缝发育区主要集中在潜山翼部及构造转折部
位,呈带状沿断层大面积分布,与熵属性刻画的裂缝
发育带一致性较好,较客观地反映了裂缝发育带横向
变化.因此,基于深度信念网络反演的方法较适用于
S区裂缝预测,为裂缝型潜山油藏裂缝预测提供了一
定的理论和实践基础.
参　考　文　献
[１]　王军,董臣强,罗霞,等．裂缝性潜山储层地震描述技术
[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．储层地震反演方法以及应用中的关键问题与
对策[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,杨午阳,姚逢昌,等．地震反演技术回顾与展望
[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]　吴媚,符力耘,李维新．高分辨率非线性储层物性参数
反演方法和应用[J]．地球物理学报,２００８,５１(２):５４６Ｇ
５５７
WU M,FU L G,LIW X．AhighＧresolutionnonlinear
inversionmethodofreservoirparametersanditsappliＧ
cationtooil/gasexploration[J]．ChineseJournalofGeＧ
ophysics,２００８,５１(２):５４６Ｇ５５７ [５]　黄凤祥,夏振宇,桂红兵,等．基于BP神经网络裂缝预
测方法在DMT 凹陷潜山变质岩中的应用研究[J]．工
程地球物理学报,２０１６,１３(４):４８３Ｇ４９０
HUANGFX,XIAZY,GUIH B,etal．TheapplicaＧ
tionofBPneuralnetworktoDMT Hillmetamorphic
fractureprediction[J]．ChineseJournalofEngineering
Geophysics,２０１６,１３(４):４８３Ｇ４９０ [６]　吴正阳,莫修文,柳建华,等．裂缝性储层分级评价中的
卷积神经网络算法研究与应用[J]．石油物探,２０１８,５７ (４):６１８Ｇ６２６
WUZY,MOXW,LIUJH,etal．Convolutionalneural
networkalgorithmforclassificationevaluationoffracＧ
turedreservoirs[J]．GeophysicalProspectingforPetroＧ
leum,２０１８,５７(４):６１８Ｇ６２６ [７]　刘力辉,陆蓉,杨文魁．基于深度学习的地震岩相反演
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]　刘帅师,程曦,郭文燕,等．深度学习方法研究新进展
[J]．智能系统学报,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,张敬轩．胜利油区埕北３０潜山储集性裂缝预
测方法[J]．石油实验地质,２０００,２２(３):２５０Ｇ２５５
WANGDP,ZHANGJX．PredictionmethodofreserＧ
voirfracturesinTheChenBei３０BuriedＧhillofShenＧ
gliOilfield[J]．ExperimentalPetroleum Geology,２０００,
２２(３):２５０Ｇ２５５ [１２]　陈广军．古潜山储集层描述方法及在CB３０潜山的应用
[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]　崔永谦,王永刚,杜维良,等．任丘潜山内幕特征描述及
储层预测研究[J]．石油物探,２０１０,４９(３):２８０Ｇ２８６
CUIYQ,WANGYG,DU W L,etal．InteriorcharacＧ
teristicsdescriptionandreservoirpredictionofRenqiu
buriedhill[J]．GeophysicalProspectingforPetroleum,
２０１０,４９(３):２８０Ｇ２８６
(编辑:陈　杰)
第２期 丁　燕等．基于深度学习的裂缝预测在S区潜山碳酸盐岩储层中的应用 ２７５

网友评论 more

化工安全论文最新内容

08-30