您的位置:主页 > 成功案例 > 斯伦贝谢技术文献共享 >

成功案例>>

Petrel 训练和估计模块 (Train & Estimate) - 第二部分 (地震数据的利用)

Yang Shucai 2015年九月,Petrel 2015 版本

多年来人工神经网络技术在储层预测,油气藏描述中起着重要的作用。其基本算法概念是模拟人类大脑对朴捉到的多现象,多信号进行快速识别(训练的过程)以实现模糊分类和估计,比如对多种物体相似颜色,相似形状的区分等。单一的地震属性对储层岩性和物性的反映往往有偏差,多属性参数分析能减少这种偏差。PETREL软件中的训练和估计(Train & Estimation)模块就是应用人工神经网络技术分别对以测井曲线,层面地震属性,地震体为输入的系统进行模糊聚类和预测估算,为地学人员提供方便的解释工具。下面我以地震层面和属性体为输入数据分别介绍模糊聚类。

对于地震属性,我们主要以分类为主,分类从方式上又分为监督(supervised)和非监督(unsupervised) 两种。前者需要给出训练的样点位置,比如穿透厚砂层井点,薄砂层段井点或者无砂层的井点,一般在详探或滚动勘探开发阶段;而后者无需已知井点,只要告诉系统分几类即可,一般在勘探阶段使用。

(一) 地震反射层面地震属性的平面分类方法(监督方法)

1. 沿地震储层顶(HOUSTON_TOP)提取若干地震属性,将结果存储在新层面New horizon下,见下图

将计算结果可以同时显示在PLOT窗口里可观察

2. 把井点显示到平面底图上,通过对各口井目标层段测井曲线岩相的计算分析,分别赋予不同的数码比如0代表厚砂层,1代表薄互层,2代表泥岩或页岩。在这里建议在井点附近数字化几个代表的点子(Points data), 然后插入一离散属性,在Spreadsheet里键入0,1,和2. 见下图

3. 打开 Neural Net 界面,按下图设定各选项。

注意选择CLASSFICATION,Training points, 将上一步生成的Points1拉进来;

在Setting里选上Supervised,注意Points1的属性Discrete将自动选上。见下图

按APPLY后,计算结果将挂在地震层位New horizon下面。缺省名一般是General discrete[Neural net x],即分类结果。

通常每个类别都会伴随生成相应的概率图,如下图为Class0的概率图。

二,地震反射层面地震属性的平面分类方法(非监督)

非监督的分类相对比较简单,只要计算出储层顶面的多个地震属性既可进行,而不需要指定训练点子,选All Data即可。

1. 打开 Neural Net 界面,按下图设定各选项,注意选择unsupervised并且给出要分几类,我们这个列子是分三类。这取决于你的解释目标和任务和地震地质特征。

按APPLY,完成计算。计算结果将挂在地震层位New horizon下面,我们可以检查分类结果

同样各类别相关的概率图也将生成,见下图。

三,地震数据的多属性体聚类分析

此类计算由于涉及到整个数据体,非目标储层的信息参与进来往往对储层的分类结果有影响,建议在分类前可用目标层段的顶底层面将原始地震体进行切割,再计算地震属性,最后进行聚类计算。

1. 切割原始地震体

可应用Petrel特有的地震计算器(Seismic Calculator)进行切割,见以下公式:

切割后形成的数据体是虚拟的,在地震文件夹里用一个小计算器图标指示

现在我们可以计算多个地震属性体,细节不在累赘,结果如下显示

2. 打开 Neural Net 界面,按下图设定各选项。注意TrainingData选Intersection比较合适,挑穿越地质目标的典型剖面。

按APPLY键,计算结果将也是一虚拟地震数据体,其数值是离散型的(0,1,2)。见如下显示结果。注意,可以将该虚拟体转成(realize)ZGY实体,以便快速浏览。

最后,建议用储层顶面将数据体进行层拉平,这样显示的水平切片将是平行于顶面的,以便对储层内部进行观察分析,见下图。

至此,整个地震数据模糊分类工作流介绍完毕。下面是Input Pane中地震文件夹里整个过程产生的数据体结构。

地址:北京市朝阳区酒仙桥路20号颐堤港一座4层

邮编:100015 传真:010-64309502

Copyright © 2002-2024 斯伦贝谢科技服务(北京)有限公司  京ICP备 06043577 号-1