基于布谷鸟搜索的地震属性聚类方法及其在塔中地区碳酸盐岩礁滩储层的应用

地震属性聚类是提取隐藏在地震数据中地质特征的重要途径,K均值是最常见的聚类方法之一,方法简单且高效,但是该算法存在局部收敛、结果依赖于初值等问题。为了解决该问题,将具有全局寻优能力和更高搜索效率的布谷鸟搜索算法引入到地震属性聚类中,通过扩大搜索范围,增加种群数量,更容易跳出局部极值。结果表明,通过2个理论数据集试验证明基于布谷鸟搜索的聚类算法能较好地发现非线性数据结构中低维特征。通过实际地震数据应用可以看出基于布谷鸟搜索的地震属性聚类算法能比较准确地刻画塔里木盆地塔中地区碳酸盐岩礁滩储层和油气的分布。     

模糊C均值地震属性聚类分析

 地震多属性聚类分析是进行储层预测的有效工具。本文提出了基于模糊C均值的地震属性聚类方法，该方法可以将多种地震属性进行分析从而生成有效的特征图，它可以寻找各个类的最优聚类中心，并给出样本点属于每一类的隶属度。此算法是一个简单迭代过程，且算法的关键取决于两个参数：其一是聚类数要远小于聚类样本的总个数；其二是加权参数要适中，过大或过小均不利于聚类效果的改善。模型试验和实际资料的应用表明了该方法原理简单且算法鲁棒性好，具有很好的实际应用价值。     

基于地震纹理属性和模糊聚类划分地震相

基于地震纹理属性和模糊聚类划分地震相技术是一种属性综合聚类方法,因此选取何种参数(即输入属性体的类型、聚类或分类方法、地震相的地质意义解释等因素)描述地震相的地震反射特征是决定该类方法特点和应用效果的主要因素。本文联合应用模糊C均值聚类与地震纹理属性实现地震相的自动划分,针对三维地震数据体,该法为每个数据点在其三维邻域空间内从不同方向提取多种代表该点的地震纹理属性的特征参数,然后利用模糊C均值聚类方法对获取的特征参数集进行自动划分,从而确定每个数据点所属的相带。实际应用结果表明,该法的地震划相效果理想,与钻井结果基本吻合。     

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。     

基于机器学习的复杂储层微小断裂系统识别方法研究与应用

针对复杂断裂储层分布规律复杂、横向特征变化剧烈、微小断裂识别难的问题,结合各向异性岩石物理模型的微观特征和断裂敏感属性的宏观特征,开展了基于机器学习的复杂储层微小断裂系统特征预测方法研究。根据断裂系统的发育规律建立复杂储层各向异性岩石物理模型,预测井位处的各向异性参数,计算各向异性梯度并将其作为微小断裂系统指示因子;从叠后地震数据中提取构造类地震属性并进行优化处理,运用相关聚类算法优选微小断裂系统属性集;选取已知井点处的微小断裂系统属性集和微小断裂系统指示因子作为训练数据,利用机器学习(支持向量机)算法建立敏感属性集与微小断裂系统指示因子的非线性映射关系,实现复杂储层微小断裂系统特征的准确刻画。四川盆地某工区碳酸盐岩复杂断裂储层预测结果表明,预测的微小断裂系统发育规律符合研究工区的地质认识,并且与测井资料解释结果吻合程度较高,为复杂储层的微小断裂系统识别提供了有效的技术手段。     

地震数据高维统计滤波方法

地震数据的信噪比是地震波反演成像算法收敛性和结果精度的重要制约因素。基于线性信号模型的最佳预测滤波方法和基于随机信号概率分布特征的统计滤波方法是两种典型的滤波方法。重点讨论了地震数据统计滤波方法,基于实测数据的统计特征(或概率分布),在局部信号缓变的假设下,设计了各种高斯加权滤波器和中值类滤波器。高维空间中的地震信号具有显著的结构特征,为满足信号缓变的假设,需要发展沿着信号结构方向的高维统计滤波器。分析了邻域滤波器、双边滤波器、非局部均值滤波器三类各向异性高斯(加权)滤波器的设计思想。在非局部均值滤波算法的基础上设计了自适应搜索窗的非局部均值滤波方法,该方法采用局部数据窗的相关算法检测出滤波点附近的信号结构特征,依据地震数据变化自适应地改变非局部均值滤波器中的搜索窗。理论模型的数据测试表明,相比于固定搜索窗的非局部均值滤波算法,自适应搜索窗的非局部均值滤波方法能够在压制随机噪声的同时更好地保护有效地震信号。     

基于改进K均值算法的输油管道工况聚类研究

由于输油管道工况变化复杂和先验知识缺乏,K均值聚类算法存在一定的局限性。为此,基于模拟退火思想和Metropolis准则改进K均值算法,实现基于全局最优解的动态聚类,解决了K均值聚类时产生的局部最优解问题,避免了初始划分对聚类结果的影响;引入分类数评估函数,准确计算样本集的最优划分,克服了K均值聚类时依靠人为指定分类数的缺点。应用改进K均值算法对输油管道工况聚类,聚类准确率达到100%。     

无监督与监督学习下的含油气储层预测

利用地震数据直接预测含油气储层分布情况是油气地震勘探的终极目标之一。含油气储层对纵、横波的敏感度存在差异,这种差异突出了含油气储层的地震特征。鉴于此,发展了一种基于无监督与监督学习下的多波地震油气储层分布预测方法。首先,利用不同卷积核卷积升维形成各类纵、横波地震属性,然后,利用聚类分析法进行无监督学习,通过聚类分析分别对纵、横波地震属性降维,再利用聚合法求取能突出油气储层特征的多波地震聚合属性,最后以降维后的聚合属性作为支持向量机的学习集进行含油气储层地震预测。实际应用结果表明,所预测的含油气储层边界更加清晰,与实际情况基本吻合。     

基于深度学习的地震多属性储层预测模型

本文提出基于蜻蜓算法和最小二乘向量机的地震多属性储层预测模型,利用蜻蜓算法对最小二乘支持向量机的惩罚系数和核系数进行优化,从复地震道类、振幅统计类、频谱特征类和吸收衰减类中优选出12种地震属性作为输入变量,选取储层厚度作为输出变量。以渤海X油田为例开展了实证分析,预测结果与PSO-LSSVM、FOA-LSSVM模型预测结果进行对比分析。研究结果表明:基于蜻蜓算法和最小二乘向量机的地震多属性储层厚度预测模型计算精度高,对油田勘探开发具有一定指导意义。     

地震倒谱特征参数谱聚类地震相分析方法

常用的地震相分析方法有随机模拟、神经网络、聚类算法和深度学习等.随机模拟结果易受随机模型影响,而且在地质结构复杂地区难以准确划分地震相.神经网络和深度学习具有较强的容错性和泛化能力,但需要海量训练样本数据,同时训练网络的计算量巨大.K均值聚类、C模糊聚类等经典聚类算法在简单数据集上均获得了理想的聚类结果,但对于非凸数据...     

基于深度嵌入网络的地震相聚类技术

早期基于机器学习的地震相聚类分析依赖地震属性种类的选择与组合,结果具有很强的主观性,而数据驱动下的深度学习可以规避该缺陷。因此,利用深度学习技术,采用自编码网络架构,通过嵌入编码(Embedding Code)对地震数据进行抽象表示;引入聚类损失函数与重建损失函数,建立联合损失函数并优化,使学习到的地震特征既能重建地震数据,又具有较好的聚类能力。鄂尔多斯盆地A致密气探区实际应用结果表明:经过500次迭代后,嵌入编码已具有明显的聚类特征,同时能很好地恢复原始地震信号,相对误差小于5%;与均方根振幅属性相比,基于深度嵌入网络的地震相聚类技术计算的地震相图刻画河道更准确、细节更丰富;比K-Means聚类算法预测结果的井震符合率更高,可达89.3%。     

基于地震波衰减的特征属性重构方法

以储层流体识别为目的,提出了基于地震波衰减的特征属性重构方法。首先从地震波衰减理论出发,通过改变地层品质因子表达式,推导了地震特征属性函数,利用振幅类、频率类及衰减属性重构新的地震属性;然后设计粘弹性介质模型进行试算,结果表明,利用特征属性函数重构的地震属性能较好地突出储层含流体变化特征,从而验证了基于地震波衰减的特征属性重构方法识别储层含油气性的有效性。将该方法应用于老河口油田北部老168井区河道砂岩储层油气识别,基于叠后地震资料精细刻画了储层流体的展布特征,取得了较好的应用效果。     

地震勘探方法及应用—地震属性分析

地震属性是指由叠前或叠后地震数据,经数学变换而得到的有关地震波的几何学、运动学、动力学和统计学特征。地震数据体中隐含着丰富的地质信息,可以通过地震属性来实现和表达。目前地震属性主要用于储层岩性及岩相、储层物性和含油气性分析,随着油气勘探的不断深入特别是在常规地震资料含有微弱油气信息而人工难以分辨的情况下,人们致力于从三维地震数据体中提取其地震属性参数,并利用各种数学方法对地震闭等形成的隐蔽油气藏,在油气勘探中所占份量越来越大。为此,充分利用地震属性分析预测油气的分布成为形势所趋。     

河流相储层结构地震响应分析与预测

河流相储层纵向多期叠置切割,横向变化快,具有较强的空间非均质性。受限于海上大井距与地震资料分辨率,河流相储层描述与结构表征存在不确定性。本文针对河流相储层砂体发育特征,构建了反映砂体厚度变化、多期叠置与夹层发育的四类储层结构模式,基于地震正演分析了四类结构模式的地震响应特征与敏感属性,提出了河流相储层结构样式滑块模型,并建立了反映河流相储层结构主因素变化的砂岩厚度与泥质夹层数量及夹层空间位置变化的地震敏感属性响应模板。最后,利用概率神经网络算法实现了模型数据与实际Q油田储层结构预测,选取29口井作为检验井,储层结构预测的吻合率为86%。本文研究可为油田开发的井位设计与优化提供有效的技术支持。     

一种基于灵敏属性分析的相关聚类属性优化方法

 利用多属性技术进行储层预测的关键是地震属性优化。仅从一个侧面考察储层参数与地震属性之间的相关性优选灵敏属性，容易造成漏选和误选。本文采用从储层参数与地震属性之间的有效性、符合率和相关性等三个方面评价地震属性反映储层参数的敏感性，利用灵敏属性分析技术并结合相关聚类分析法，在地震属性分析中实现了高效率的灵敏属性特征选择和降维映射。实际应用表明，该方法能够有效地提高储层定量预测效果。     

基于井控多属性机器学习的缝洞型储层预测方法

碳酸盐岩缝洞体具有强非均质性特征,单一地震属性预测和常规地震属性融合方法未考虑钻井过程中放空、漏失等信息,预测误差较大。基于实钻井井震标定,将放空漏失点属性特征作为约束条件,提出基于井控多属性机器学习的缝洞型储层预测方法,实现缝洞体精细预测。首先根据实钻井井震标定结果,提取漏失点位置的不同敏感地震属性值作为数据输入数组,根据漏失点特征定义的储层类型作为输出数组,形成训练集数据;然后基于支持向量机（support vector machines,SVM）方法,对训练集数据进行模型训练,得到符合先验信息的井震一致的预测模型;最后将该模型应用于塔里木盆地顺北地区奥陶系缝洞型储层预测。结果表明该方法能很好地反映真实储层类型特征,与钻井特征有很高的吻合度。     

基于SOM和HSV染色技术的致密砂岩储层地震相分析

地震相分析是致密砂岩储层预测的一项重要技术,可以描述地层相带的变化。针对自组织神经网络(Self-Organizing Map,SOM)在地震相解释过程中可视化差、解释精度低等问题,研发了一种基于SOM和HSV(Hue Saturation Value)染色技术的地震相分析技术。该方法使用收缩拓扑坐标算法对网格节点进行计算,借助HSV模型根据网格节点的位置进行染色,使得相近的位置具有相同的颜色,清晰地展示出高维输入空间的分布情况。为了验证方法的可行性,以苏里格气田东部召30区块为研究对象,通过地震属性与气层厚度叠合图以及AVO正演模拟,选取了对储层比较敏感的均方根振幅、平均瞬时频率、AVO截距和梯度等4种地震属性,运用自组织神经网络和HSV染色技术开展致密砂岩的地震相分析,并通过K均值对网格节点聚类,得到盒8段沉积相展布特征,能清晰地刻画南北向条带状河道分布,分析结果与先验地质认识较为吻合。该方法为沉积相展布特征的分析提供了一种更好的可视化方法,具有一定的应用价值。     

改进的模糊C-均值聚类算法在气测资料解释中的应用

提出了一种用于气测资料解释的改进的模糊C-均值算法.首先,基于气测资料构造适当的综合指标得到样本数据集;其次,根据最大最小距离算法的思想对样本数据集进行粗聚类,再利用粗聚类得到的聚类中心为初始聚类中心,执行标准模糊C-均值算法,得到各类储层的标准模式;最后,按照最小距离原则对待判别储层进行分类.结果表明,该方法简单、准确率较高、稳定性好,优于标准的FCM算法.     

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。     

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。