强容噪性随机森林算法在地震储层预测中的应用

地震数据和测井数据中的噪声与有效信号难以有效界定,决定了地震储层预测需采用强容噪性算法。通过训练样本中加入随机噪声证实随机森林算法具有较好容噪性,但不能据此推知它在地震储层预测中仍有很强容噪性。基于F3工区实际数据,从噪声较强的原始地震数据中提取含噪样本,由经过倾角中值滤波处理的地震数据提取去噪样本,建立多种地震属性与孔隙度参数之间的随机森林回归模型;由构建的含噪模型和去噪模型分别与原始地震数据去噪前后两个数据体进行运算,得到4种不同情况下的孔隙度数据体。结果表明：由含噪模型得到的两个预测结果受噪声干扰较大;去噪模型的两个预测结果受噪声影响较小,能有效刻画储层特征,表现出强容噪性。随机森林模型对异于样本数据的异常值具有强的容忍度。可知随机森林算法应用于地震储层预测的关键是样本数据不含噪声,而估算过程中地震数据体是否做了去噪处理对预测结果影响较小。     

XGBoost算法在致密砂岩气储层测井解释中的应用

传统单一模型的机器学习方法用于致密砂岩气储层测井解释时存在多解性,为此,将XGBoost算法应用于致密砂岩气储层测井解释。基于A工区测井解释资料,以不同种类的测井资料作为输入变量,通过XGBoost算法建立回归预测模型,预测该区孔隙度与渗透率参数,并探讨了XGBoost算法中各类参数的优化。以准确率指标为评价标准,通过XGBoost算法建立的分类预测模型对该区储层类型进行预测,同时与随机森林方法和支持向量机算法进行比较,XGBoost算法的预测效果较好。结果表明XGBoost算法能准确地预测孔隙度、渗透率并对该工区致密砂岩气层进行有效识别。     

基于随机森林算法的AVO类型判别北大核心CSCD

AVO技术可用于含气储层的识别,对油气勘探具有重要意义。人工识别储层AVO类型人为干扰因素较大,识别精度较低且耗时较长。由此,本文引入随机森林算法,利用Bootstrap重复抽样及枝叶节点分裂等技术生成大量决策树分类器,通过统计所有决策树的分类结果实现对储层AVO类型的判别。首先,基于工区内测井数据建立速度密度模型;其次,利用Shuey近似公式计算AVO曲线并获得该曲线对应的拟合多项式;第三,根据拟合多项式提取形态特征参数作为随机森林算法的训练数据集输入参数,将人工AVO类型识别结果作为输出参数,训练并得到决策树分类器;最后,以实际叠前地震数据的AVO曲线特征参数为输入参数,通过随机森林决策树分类判别得到工区内储层AVO类型。通过与近似支持向量机算法的对比结果可以看出,两种算法对储层AVO类型判别结果相近,都具有较高的准确率,但相比之下随机森林算法所需特征属性较少,泛化性较强,具有更好的普适性。     

基于随机森林算法的AVO类型判别

AVO技术可用于含气储层的识别,对油气勘探具有重要意义。人工识别储层AVO类型人为干扰因素较大,识别精度较低且耗时较长。由此,本文引入随机森林算法,利用Bootstrap重复抽样及枝叶节点分裂等技术生成大量决策树分类器,通过统计所有决策树的分类结果实现对储层AVO类型的判别。首先,基于工区内测井数据建立速度密度模型;其次,利用Shuey近似公式计算AVO曲线并获得该曲线对应的拟合多项式;第三,根据拟合多项式提取形态特征参数作为随机森林算法的训练数据集输入参数,将人工AVO类型识别结果作为输出参数,训练并得到决策树分类器;最后,以实际叠前地震数据的AVO曲线特征参数为输入参数,通过随机森林决策树分类判别得到工区内储层AVO类型。通过与近似支持向量机算法的对比结果可以看出,两种算法对储层AVO类型判别结果相近,都具有较高的准确率,但相比之下随机森林算法所需特征属性较少,泛化性较强,具有更好的普适性。     

DF气田储层孔隙度横向预测

对DF气田储层孔隙度与地震属性之间的关系进行了分析 ,并对目前利用地震资料预测储层孔隙度方法进行了对比 ,在此基础上 ,选取多项地震属性与已钻井资料进行多维线性回归和随机地质统计相结合的方法 ,对DF气田储层孔隙度进行了横向预测。抽井检验结果表明 ,预测孔隙度与井点孔隙度吻合较好。     

滩坝砂储集体测井产能等级划分与地震属性横向预测

滩坝砂储层因其储层物性差、单层厚度薄等特点而导致产能预测较为困难,提出了一种新的基于数据和模型双驱动的井震结合产能等级划分方法。通过机器学习中的降维算法结合聚类算法,并利用聚类算法中的肘部法确定最佳聚类数,进行储层测井产能等级自动划分。首次在平面径向流公式的基础上建立了测井产能等级指示模型,为地震属性横向预测提供井点刻度。以胜利油田W工区为例,利用最小二乘法推导出了测井产能等级指数公式,计算了10口井目的层单井产能等级指数。对提取的多种地震属性在井点处的属性值与测井产能等级分类结果进行Pearson相关性分析,优选了3种与产能等级指数显著相关且两两之间相互独立的地震属性。利用支持向量回归算法,建立了地震属性融合的储层产能等级指数平面图,经3口验证井检验,产能等级指数平面图与实际产能吻合程度较好。研究结果表明,基于测井产能等级划分的地震属性横向预测方法可以有效预测靶区储层产能等级。     

基于地震属性集成学习的自然伽马测井数据预测方法

地球物理测井中的地震反演是油气藏定性识别的一个重要步骤,非均质储层测井资料的识别是地质工作者和工程技术人员面临的重大挑战.提出了一种基于地震属性集成学习的测井数据预测方法,对大港油田X区块A区明化镇组高产砂岩储层进行应用分析.对研究区125口代表性井的地震体和测井数据进行了岩石物理性质分析,将地震数据与测井数据在同一尺度进行了集成.利用XGBoost算法对地震属性进行重要性分析,选择对测井数据预测影响最大的地震属性作为模型输入.分别使用XGBoost、AdaBoost和随机森林这3种集成学习算法建立预测模型.研究结果表明预测结果与真实值接近,与传统的方法相比具有更好的预测性能,基于地震属性的集成学习算法可以明显提高自然伽马测井数据的预测精度.     

基于地震属性的储层预测方法研究与应用

通过属性分析、属性优选等方法筛选具有较好信息质量的地震属性切片,形成适合研究区目的层地质情况的最佳地震属性组合,采用线性回归方法、非线性回归方法和协克里金三种方法拟合井点处的属性信息与井参数之间的线性函数关系和非线性函数关系,进行合理的储层参数预测,应用预测结果对研究区储层进行了分析和刻画,提高了储层预测的精度。     

储层地震属性优化及属性体解释

地震属性与所预测对象之间的关系十分复杂。不同工区和不同储层有不同的敏感地震属性;同一工区、同一储层不同预测对象对应的敏感地震属性也有差异。为此,引入了地震属性优化及属性体解释方法。文章论述了地震属性优化的基本原理,简要介绍了其优化方法,给出了两个地区、两种预测对象、4种优化属性体解释的实例。     

高精度地震属性储层预测技术研究

地震属性技术是储层预测的重要手段，但地震储层预测存在多解性，可靠性程度低问题，预测出的最终图件难以进行合理的地质解释，文章基于地震属性与地质属性随时空变化的关系，根据地震属性与储层属性相关程度，以及地震属性对储层参数敏感程度来进行地震属性有效性分析；然后将搜索算法与神经网络相结合来实现地震属性优化，用优化出的地震属性再进行多元储层预测。实际工区的砂岩厚度预测结果表明，上述方法可明显提高储层预测的精度。     

基于支持向量回归机与井导向的三角洲岩性油气藏储层参数预测

三角洲岩性油气藏中储层河道砂体小、散、薄,连通性差,且与泥岩互层,导致反射信号弱,难以进行综合/精细解释。据此,本文提出基于支持向量回归机与井导向的三角洲岩性油气藏储层参数预测方法,用于刻画此类砂体分布特征。从测井资料中提取揭示储层特征的参数作为储层预测的导向,利用支持向量回归机建立多种属性与储层参数之间的映射关系,进而开展储层预测。针对CF区实例,通过估算储层的伽马参数和R4参数预测河道砂体的分布特征,所得结果与钻井揭示的实际岩性有较高吻合度。因此,本文方法适用于三角洲岩性油气藏预测。     

地震多属性非线性反演方法在东营三角洲中的应用

地震多属性反演的目的是为储层预测提供丰富的基础资料。在实现方法上主要有线性方法和非线性方法,地震多属性非线性反演方法多采用神经网络、支持向量机等工具进行映射,其反演预测结果比线性方法更符合实际地质情况。将自然电位曲线作为地震多属性非线性反演的目标,首先,通过线性回归的方法,寻找用于反演自然电位曲线的最优地震属性组合;然后,选用多层前馈神经网络,进行地震多属性非线性反演,得到了三维自然电位数据体;最后,利用自然电位数据体沿层切片,清晰地展示了东营三角洲沙三段中亚段砂体的前积过程。     

地震多属性变换法及其在孔隙度预测中的应用——以束鹿凹陷西斜坡台家庄区块为例

应用地震资料进行井间储层孔隙度预测是当前油气勘探开发中常用的方法,但通常采用地震反演速度进行孔隙度定量预测难以准确反映孔隙度的空间变化。采用逐步回归和神经网络相结合的地震多属性变换法建立孔隙度模型,可实现孔隙度的空间预测,其核心是:首先通过逐步回归和交叉验证技术来确定最优地震属性及其数量,其次应用神经网络建立所选属性与测井解释孔隙度之间的映射关系,最终反演出孔隙度数据体,进而预测孔隙度的空间变化。以冀中坳陷束鹿凹陷西斜坡台家庄区块沙河街组二段（Es₂）为例,对该方法进行了分析验证。以交叉验证法作为质量控制手段,反演出沙河街组二段孔隙度数据体,直观地反映了沙河街组二段高孔隙度砂岩的展布特征。     

——以束鹿凹陷西斜坡台家庄区块为例

应用地震资料进行井间储层孔隙度预测是当前油气勘探开发中常用的方法,但通常采用地震反演速度进行孔隙度定量预测难以准确反映孔隙度的空间变化。采用逐步回归和神经网络相结合的地震多属性变换法建立孔隙度模型,可实现孔隙度的空间预测，其核心是:首先通过逐步回归和交叉验证技术来确定最优地震属性及其数量,其次应用神经网络建立所选属性与测井解释孔隙度之间的映射关系,最终反演出孔隙度数据体,进而预测孔隙度的空间变化。以冀中坳陷束鹿凹陷西斜坡台家庄区块沙河街组二段（Es2）为例,对该方法进行了分析验证。以交叉验证法作为质量控制手段,反演出沙河街组二段孔隙度数据体,直观地反映了沙河街组二段高孔隙度砂岩的展布特征。     

地震相控非线性随机反演在阿姆河盆地A区块碳酸盐岩储层预测中的应用

文中针对阿姆河盆地A区块碳酸盐岩储层对纵波属性敏感的特性,以地质、测井信息为约束条件,通过拾取三维地震波的速度、有效振幅、频率等信息,应用地震相控非线性随机反演,对A区块主要目的层的储层分布特征进行了预测,获得以下认识:①阿姆河盆地A区块碳酸盐岩具层状反射特征,顶、底界为两组强反射,内部可以看到成层性较好、连续分布的反射波,碳酸盐岩储集空间主要以孔隙型为主,裂缝不发育,偶见微型溶孔、溶洞;②在研究区平面上的低速异常区为碳酸盐岩储层发育区带,低速异常区主要位于工区偏南部的东、西两端,其余大部分为较高的速度发育区,在构造高部位的低速异常带为有利钻探位置;③垂向上不同岩性在反演剖面上表现为不同的速度特征,即浅部的碎屑岩速度最低,中部膏盐层速度明显高于上部碎屑岩,下部碎屑岩层受压实作用影响速度高于上部碎屑岩层,主要目的层碳酸盐岩的速度最高。根据预测结果部署的两口探井均产出高产天然气流,证明地震相控非线性随机反演的预测结果准确、可靠。     

基于沉积特征分区域的多元地震属性储层定量预测方法

常规多元地震属性储层定量预测技术是一种快捷有效的储层预测方法,然而对于覆盖面积较大、沉积环境较复杂的地区,该法的预测精度就会明显降低。为此,本文提出了基于沉积特征分区域的多元地震属性储层定量预测方法,首先利用地震波形分类技术将研究区按沉积特征划分为不同区域,然后按区域分别统计多元地震属性与储层信息的关系并进行线性拟合,最终将各区域拟合结果综合为全区储层信息预测结果。在松辽盆地北部大庆长垣以东徐家围子地区登娄库组二段储层预测中,利用104口井砂岩数据及优选的7种地震属性,采用逐步线性回归法进行全区拟合,其相关系数仅为0.48;采用基于沉积特征分区域的多元地震属性储层定量预测方法进行全区拟合,相关系数达0.83,且预测结果符合地质认识及沉积规律。     

地质统计学方法概要

使用测井数据对地震属性进行标定,寻求两类数据的一种线性的或非线性的定量函数关系,根据这种函数关系,可将地震属性转换为希望的储层物性。地震属性标定和储层物性转换使用着地质统计学方法。本文对现用的地质统计学方法做了系统介绍。这些方法包括多元统计分析、相关滤波技术、克里金预测技术、协克里金方法和利用相关学科知识实现参数的转换。     

COMBINING GEOSTATISTICS AND MULTI-ATTRIBUTE TRANSFORMS: A CHANNEL SAND CASE STUDY, BLACKFOOT OILFIELD (ALBERTA)

In this paper, we combine the methods of geostatistics and multi-attribute reservoir parameter prediction (the multi-attribute transform) for the integration of seismic and well log data, and illustrate this new procedure with a case study involving the prediction of porosity at the Blackfoot oilfield, central Alberta. The objectives of the survey were to delineate incised, valley-fill sediments within the Early Cretaceous Glauconitic Formation at this field and to distinguish between sand-fill and shale-fill. The input consisted of twelve porosity logs together with a 3D seismic volume and the inversion of this volume. Although an excellent correlation was found between porosity and the initial inverted acoustic impedance volume, the combination of traditional geostatistics and the multi-attribute transform produced an improved final result.
Our approach uses well logs to "train" the multi-attribute transform algorithm. We first extract average porosity values over the depth zone of interest, and compare these values to average seismic attributes over the same zone. Cross-validation is used to show which attributes are significant. We then apply the results of the training and cross-validation to data slices derived from both the seismic data cube and the inverted cube to produce an initial porosity map. Finally, we improve the fit between the well-log values and the porosity map using cokriging.     

基于独立分量分析的地震属性优化

随着储层预测要求精度的提高，从众多地震属性集中挑选对所预测对象最敏感的地震属性，进行地震属性优化的工作相当重要。K-L变换通过一正交变换优选出一些不相关的地震属性，而不能优选出一些更高阶的相互独立的地震属性，即K-L变换仅利用了属性的二阶统计特性。独立分量分析（ICA）作为分解观测数据中独立信息的有力工具，不仅利用了信号的二阶统计特性，而且还利用了信号的高阶统计特性。将ICA引入到地震多属性优化中，利用它对地震属性进行高阶统计特征分析，从而能优选出最敏感的、相互独立的地震属性。另外，ICA属性优化方法不需要测井数据、井旁储层段的参数、钻井数据等，也不受勘探、开发阶段测井资料的数量限制。实际资料的应用分析表明，应用独立分量分析优化后的地震属性作储层预测具有较高的精度和可靠性，是一种新的属性优化方法。