基于KICA属性优化的支持向量机储层参数预测
The research of reservoir parameters forecasting based on KICA and SVM
责任编辑: 叶佩
收稿日期: 2020-03-10 修回日期: 2021-01-13
基金资助: |
|
Received: 2020-03-10 Revised: 2021-01-13
作者简介 About authors
王维强(1984-),男,工程师,长期从事综合地球物理勘探技术研究与应用工作。Email:
为提高储层参数预测的精度,提出一种基于核独立分量分析(KICA)属性优化的支持向量机储层参数预测技术,KICA属性优化技术充分体现属性信息的非线性关系与高阶统计特性,提取出相互统计独立的反映地下储层参数的储层信息。支持向量机技术基于结构风险最小化原理,可解决小样本、高维与局部最小的非线性系统问题,二者有效的结合,能够将繁冗的地震属性空间,结合较少的井数据精确预测出储层的参数分布。通过模型及实际资料研究表明,本文储层参数预测方法的应用效果好,预测精度高。
关键词:
In order to improve the accuracy of prediction of reservoir parameters,the paper proposes the approach for reservoir parameters forecasting based on KICA and Support vector machine (SVM).The KICA attribute optimization technology reflects the non-linear relationship and high order statistical properties of the attributes,extract the reservoir information of mutual statistical independence which reflects the reservoir parameters of the subsurface.SVM technology based on structural risk minimization principle,which can solve problems of the nonlinear systems for the small sample,high dimensional and local minimum.KICA combined the SVM,which accurately predict the reservoir parameter distributions through the huge attribute space and less well data.Through the model and actual data, it shows that reservoir parameter prediction technology has good effect of application, and high prediction.
Keywords:
本文引用格式
王维强.
WANG Wei-Qiang.
0 引言
在油气勘探开发中,利用地震和测井资料对储层参数进行准确预测是非常关键的。人工产生的地震波通过地下传播,且在地面接收的地震数据中包含了油气储层的物性参数、流体性质等特征信息,将地震数据中的这些特征信息通过地震属性提取出来,并通过数学或统计学方法,计算出两者之间存在的线性或非线性关系[1],为储层预测与评价提供科学依据。由于地震属性的种类繁多,需要通过属性优化技术优选出尽可能少的对储层岩性及储层参数最敏感的属性组合[2]。目前的属性优化技术[3,4,5]主要包括主成分分析法、综合参数法、独立分量分析法(ICA)等。其中,在ICA理论基础上发展出一种新的非线性结构的核独立分量分析(KICA)技术[6],该技术构建了一种非线性函数空间,并在非线性函数空间中利用Mercer再生核方法,能从高斯及非高斯混合信号中提取出反映独立源信息的高阶统计特性信息,故利用KICA技术,能从大量的属性数据中有效提取出与储层物性参数、流体性质等相关的特征源信息。
目前常利用逐步回归分析、移动平滑法、灰色系统模型法、神经网络、支持向量机等技术[7],将地震属性及测井数据作为输入,对储层参数进行预测与评价。其中,支持向量机技术能够克服其他方法对于样本数目的限制,对于样本数目少、多维度、局部最小的非线性及线性系统均能很好适应。因此,本文综合两者的优点,通过KICA技术优选出与储层参数最敏感的属性组合,并利用少量已知井资料,通过支持向量机技术预测出整个研究区的储层参数特征。
1 方法原理
1.1 核独立分量分析技术
1)输入原始m维数据信号t1,t2,…,tm,并给出核函数k(t,s);
2)对输入的信号做均值化及球化处理;
3)求出初始独立分量s1,s2,…,sn的Gram核矩阵,且si=Kti;
4)定义γ(G1,G2,…,Gm)为下列方程的最大特征值:
5)计算Q(K)=-
6)计算ΔQ=
1.2 最小二乘支持向量机技术
假设输入数据{(ui,pi)|ui∈Rn,pi∈Rn,i=1,2,…,n}。通过ϕ(u)将输入数据转换为高维特征空间,然后在高维特征空间设置如下函数:
利用结构风险最小化原则,通过引进松弛变量ei,得出优化等式,最后通过相匹配的拉格朗日函数,对其求最小值,得出如下线性方程组:
式中:p=[p1 … pn]T;In∈RN;Ω=K(ui,uj),为核函数。从而LS_SVM的估计函数为:
1.3 基于地震属性优化的储层参数预测实现原理
研究表明地下储层结构及构造、储层流体及参数等特征可作为盲源分离的独立源信号,由地面接收的地震信号中的振幅、相位、频率等属性信息就是这些独立源信号的线性或非线性组合。基于上述前提,本文储层参数预测技术的实现原理如下:提取与目标储层可能相关的沿层地震属性集,将地震属性集与储层参数进行相关性分析,去除冗余的地震属性;再利用极差标准化技术对地震属性数据作标准化处理,利用中值滤波技术去除地震属性数据中的异常噪声,利用主成分分析法对地震属性数据进行降维处理,分离出地震属性集的几个主成分,进一步去除属性间冗余相关的部分,最后利用ICA及KICA技术对降维后的地震属性进行属性优化,提取出相互统计独立的与储层物性参数、流体性质等相关的特征源信息,为下一步储层参数预测提供有效的属性体集合。
图1
图1
基于地震属性的储层参数预测技术流程
Fig.1
Chart of reservoir parameter prediction technology based on seismic attributes
2 模型试算
图2
图3
将先验信息即储层厚度、速度及ICA与KICA优化后的属性体作为学习样本,其中储层厚度的学习样本采用地震记录第1、21、41、61、81、101、121、141、161、181、200道处的厚度样本分别为132.45、145.65、174.85、212.1、242.45、280、277.4、229.5、178.25、126、92.45 m,对应的速度样本分别为5 300、5 300、5 300、5 300、5 000、5 000、5 000、5 400、5 400、5 600、5 600 m/s,优化后得到两组优化属性作为地震属性学习样本,分别为[0.0735、-0.2355、-0.5382、-0.8533、-1.2067、-1.5378、-1.8762、-2.2171、-2.5824、-3.0326、-3.2275],[-1.9519、-2.7686、-3.7203、-4.4063、-4.2635、-4.6002、-4.7815、-4.9069、-4.5093、-2.2766、-1.8109],优化后的属性无具体量纲。
图4
图4
经ICA属性优化及神经网络预测的储层厚度(a)与速度(b)
Fig.4
Prediction of reservoir thickness(a) and velocity(b) based on ICA attribute optimization and neural network
图5
图5
经KICA属性优化及神经网络预测的储层厚度(a)与速度(b)
Fig.5
Prediction of reservoir thickness(a) and velocity(b) based on KICA attribute optimization and neural network
图6
图6
经ICA属性优化及支持向量机预测的储层厚度(a)与速度(b)
Fig.6
Prediction of reservoir thickness(a) and velocity(b) based on ICA attribute optimization and SVM
图7
图7
经KICA属性优化及支持向量机预测的储层厚度(a)与速度(b)
Fig.7
Prediction of reservoir thickness(a) and velocity(b) based on KICA attribute optimization and SVM
通过模型试算得出,本研究中的属性优化技术及机器算法均能较好地拟合出储层的厚度、速度参数。其中,对于属性优化技术,KICA要好于ICA的最终储层速度与厚度拟合精度;对于储层参数预测的机器算法,最小二乘支持向量机要优于神经网络的储层速度与厚度拟合精度;且经KICA属性优化及最小二乘支持向量机拟合精度最高,符合预期效果。同时, 支持向量机基于统计学的VC维理论,且采用结构风险最小化原则 ,不受神经网络对于样本数目的约束,适用于已知资料较少的区域,下节将通过实例以验证其实际应用效果。
3 实例分析
运用属性优化的LS_SVM方法对某研究区侏罗系的地震资料开展了储层孔隙度参数预测。研究区位于阶梯状断裂的构造带上,油气藏类型为侏罗系礁滩型油气藏(以气藏为主),目的层主要为碳酸盐岩(以生物礁灰岩为主),该储层的储集性能好,灰岩骨架空隙、颗粒溶孔发育,且储层的厚度普遍发育较厚,由于储层的速度与孔隙度之间存在直接的联系,因此,利用本研究的储层参数预测技术来预测储层的孔隙度。
首先沿该目的储层提取与孔隙度相关的地震属性共计6个,具体为均方根振幅属性、平均反射强度属性、主频、全谱平均频率属性、平均瞬时频率属性、能量半时属性。然后对提取的属性进行预处理,分别对属性利用极差规范化及主成分分析进行数据标准化及数据降维处理,降维后属性体为3个,对降维后的属性体通过属性优化技术提取出直接反映地下储层特征的独立源信息。优化后得出3个属性分量,文中只显示其中有意义的2个分量,再根据已知地质资料,通过优化后的属性帮助解释人员进行生物礁储层预测工作(如图8、9所示),属性分量1反映的是生物礁灰岩储层特征,属性分量2反映的是非礁体储层特征。对比结果可见,两种属性优化方法得出的分量1都较好地反映出了生物礁储层的展布特征,且KICA属性优化结果对生物礁的展布更加清晰、准确,经ICA属性优化的储层特征中并没有预测出23井周围的生物礁体,而经KICA属性优化的储层特征中,不仅清楚反映出23井处的生物礁体形态特征,而且也精确且更加细致地预测出了21井、22井周围的生物礁储层展布特征。
图8
图8
经ICA属性优化的储层特征
a—属性分量1;b—属性分量2
Fig.8
Reservoir characteristics optimized by ICA attributes
a—attribute component 1;b—attribute component 2
图9
图9
经KICA属性优化的储层特征
a—属性分量1;b—属性分量2
Fig.9
Reservoir characteristics optimized by KICA attributes
a—attribute component 1;b—attribute component 2
表1 已知井位的孔隙度值
Table 1
井位 | 孔隙度/% |
---|---|
Y-II-1 | 14.09 |
M-22 | 14.8 |
Y-III-2 | 6.29 |
Y-III-3 | 5.97 |
Y-IV-1 | 12.06 |
M-1 | 6.92 |
M-3 | 11.47 |
M-8 | 8.67 |
Y-III-1 | 8.54 |
M-21 | 6.32 |
表2 平均孔隙度预测结果
Table 2
储层预测方法 | 验证井 | 实际平均孔隙/% | 预测平均孔隙度/% | 绝对误差/% |
---|---|---|---|---|
经ICA属性优化及神经网络预测 | Y-III-1 | 8.54 | 9.4528 | -1.0528 |
经ICA属性优化及神经网络预测 | M-21 | 6.32 | 5.5483 | 0.7717 |
经KICA属性优化及神经网络预测 | Y-III-1 | 8.54 | 7.6316 | 0.9084 |
经KICA属性优化及神经网络预测 | M-21 | 6.32 | 5.7644 | 0.5556 |
经ICA属性优化的支持向量机预测 | Y-III-1 | 8.54 | 8.1673 | 0.3727 |
经ICA属性优化的支持向量机预测 | M-21 | 6.32 | 6.8553 | -0.5353 |
经KICA属性优化的支持向量机预测 | Y-III-1 | 8.54 | 8.8461 | -0.3016 |
经KICA属性优化的支持向量机预测 | M-21 | 6.32 | 6.5179 | -0.1997 |
从平均孔隙度预测结果可以看出,由于井的数量太少,神经网络预测的误差较大。而LS_SVM技术则具有较高预测精度,表明LS_SVM技术能够解决少井的情况,神经网络技术则依赖于足够的训练井,否则会造成较大的误差。
图10
图10
基于ICA优化的神经网络孔隙度预测结果
Fig.10
Porosity prediction based on ICA optimization and neural network
图11
图11
基于KICA优化的支持向量机孔隙度预测结果
Fig.11
Porosity prediction based on KICA optimization and SVM
4 结论
本文主要研究了经属性优化的机器学习储层参数预测技术,经过模型仿真与实例验证,对ICA与KICA属性优化技术、神经网络与LS_SVM储层参数预测技术进行了系统研究,得出如下结论:
1)在礁滩型等海相碳酸盐岩储层预测中,KICA及ICA属性优化均取得了较好的储层预测效果,而KICA技术对礁滩型储层特征展布更加清晰、准确,因此这种基于核函数的非线性回归方法适用于复杂的海相碳酸盐岩储层预测工作,效果远好于线性方法,同时要注意核函数的选取,不同目标储层要选择不同的核函数进行效果对比以寻求最优解。
2)最小二乘支持向量机储层参数预测的泛化性要好于神经网络类算法,能够较好地解决训练样本数据较少的问题,预测精度较高,在地震勘探中具有重要的实用意义,其中核函数的选取对其泛化性具有较大影响,可作为下一步研究的方向。
参考文献
Seismic attributes in the characterization of small-scale reservoir in Abqaiq Field
[J]. ,
Seismic attribute technology for reservoir forecasting and monitoring
[J]. ,
基于主成分分析与K_L变换的双重属性优化方法
[J]. ,
Dual optimization of seismic attributes based on principal component analysis and K_L transform
[J].
地震属性技术的历史、现状及发展趋势
[J]. ,
The discussion of earthquake attribute technology's history,present situation and development tendency
[J].
地震参数综合处理方法在储层横向预测中的应用
[J]. ,
Application of seismic parameter integrated processing in reservoir transverse prediction
[J].
A new fixed-point algorithm for independent component analysis
[J]. ,
核独立分量分析在机械振动信号分离中的应用
[J]. ,
Applying kernel independent component analysis(KICA) to obtaining better blind separation of mechanical vibration signals
[J].
基于核独立成分分析的盲源信号分离
[J]. ,
Blind source separation based on kernel independent component analysis
[J].
基于对应分析的支持向量机回归在地震储层厚度预测中的应用
[J]. ,
The application of the support vector machine regression based on corresponding analysis to the prediction of the seismic reservoir thickness
[J].
/
〈 | 〉 |