基于地震属性的煤层厚度分析方法

专利名称：基于地震属性的煤层厚度分析方法
专利说明基于地震属性的煤层厚度分析方法 技术领域 在煤田地震勘探领域，除了要查明采区内构造外，还要提供煤层厚度的变化情况。随着综采技术的发展，煤厚的变化情况成了急需解决的问题，由于大部分煤层属于典型的薄层，垂向分辨率达不到解决煤厚的要求。如何利用地震信息，结合钻孔资料准确获取煤层厚度信息，是当前国内外许多学者正在研究的课题。
背景技术 如何由薄层反射波来估算薄层厚度一直受到国内外学者的重视，并进行过不少理论探讨，发表了相关研究论文。Ricker(1953)从分辨率的角度提出了分辨地层的标准——“雷克标准”。此标准是，在时间域内如果岩层上下界面的反射波的时差小于四分之一波长，该层则不可分辨，只当做一个面看待。Widess(1973)根据簿层厚度和地震反射响应的关系提出，当薄层厚度小于地震波主波长的四分之一时，地震波的振幅与薄层厚度近似成正比，首次突破了纯几何方法求取反射层厚度的界限，从动力学特点出发，给出了薄层定量化的具体定义。Ruter和Schepers(1978)，Koefoed和Voogd(1980)通过合成地震模型研究得出，薄层厚度和地震反射复合波的振幅之间存在着准线性关系(quasi-Linerarity)。在我国，煤田地震工作者根据Widess的薄层理论，采用振幅法进行煤层厚度变化趋势研究，尤其是在80年代后期，试用煤层反射波综合特征参数(包括振幅、能量、能量比)进行煤层厚度估算，取得了一定进展。戚敬华(1996)通过理论分析和模型试验，得出了利用振幅谱比和振幅谱平方比直接反演煤层厚度的表达式。刘天放，陈斌，付金生(1996)提出了应用地震反演煤厚的谱矩法，均取得了成效。但由于振幅、能量表示的都是反射波强度，因而常常受到野外激发、接收和资料处理过程中非煤厚因素的影响。致使计算结果弥散性较大，因此，不论国内和国外，目前都还没有一种实用的、较淮确的反演计算煤厚的方法。
地震属性反应了地震波形的几何学、运动学、动力学和统计学特征，地震属性技术是通过应用研究、算法开发及综合软件系统来提取、储存、可视化、分析、验证及评价地震属性的技术。地震属性技术应用于地震解释处理、地震构造绘图、地震地层解释、地震岩性学和模拟、油藏描述和模拟等各个方面。20世纪90年代以来，地震属性技术已从单道瞬时属性计算，发展到多道沿层取时窗计算几十种参数，可以较为精确地确定诸如油水界面、岩性变化、厚度变化、裂缝检测和地震相等特征的位置和面貌。地震属性学正在成为油藏地球物理学的关键部分，并且在勘探地震学与开发地震学之间建立了一种特殊联系。应用地震属性预测薄层厚度包含两个方面一个是薄层地震属性的提取；一个是薄层厚度与这些属性的关系研究。研究的方法大致有两类一类是利用在调谐厚度内，振幅与薄层厚度近似呈线性关系；一类是利用振幅谱来预测煤层厚度。这些方法由于使用单一参数，并且振幅的影响因素很多，无法克服地震信息的多解性，效果并不理想。有的尽管用了多属性预测，只是用理论和模型研究成果抽取地震属性，主要侧重在油气储层预测识别方法的研究，用一种或几种计算方法预测油气储层信息，没有结合研究区实际进行属性优选，对所建立的预测模型也没有进行误差分析，由于各种地震属性信息间的组合方式以及各种属性反映厚度的灵敏度具有很大的不确定性，在不同地区、不同层位地震属性组合存在较大差别，使预测的可信度降低。“基于地震属性的煤层厚度分析方法”解决了煤炭资源勘探和开发中的煤层厚度问题。首先应用Landmark公司的PAL模块，在三维偏移数据体中选取合适的时窗，从中提取振幅类、频率类、瞬时类等地震属性数据，建立地震属性数据库，对这些属性做自相关分析和属性与煤厚的相关阶分析，从中优选出最有意义的地震属性作为煤厚预测模型基本参数，结合已知钻孔资料，利用多元多项式回归和BP人工神经网络方法，建立各属性与煤厚之间的多元多项式回归模型和人工神经网络模型，开发了相关算法程序，对模型进行了误差分析。由于同时考虑了多属性参数，因而得出的计算模型更完善、而且更接近实际，反映地震属性预测煤层厚度具有好的应用效果。

发明内容
应用Landmark公司的PAL模块，在三维偏移数据体中选取合适的时窗，从中提取振幅类、频率类、瞬时类等地震属性数据，建立地震属性数据库。根据研究区的实际，应用多种数学方法建立煤层厚度与地震属性之间的相关关系和模型。如建立了多元线性回归、多元二项式回归、BP神经网络回归的数学模型，开发基于地震属性预测煤层厚度计算软件，分析各算法预测的优缺点、使用范围及使用效果，实现基于地震属性预测煤层厚度的目的。
(1)地震属性提取与优选方法 地震属性的分类方法有很多，主要有以下4种一是在我国学术界较为流行的分类方法，即从运动学与动力学的角度，将地震属性分为振幅、频率、相位、能量、波形和比率等几大类；二是按属性拾取的方法将地震属性分为层位属性和时窗属性两类的分类方法；三是由Alistair R.Brown 1996年提出的将地震属性分为时间、振幅、频率和衰减4类的分类方法；四是由Quincy Chen et al.1997年提出的基于储层特征的分类方法，该方法有利于我们根据所要研究的对象初选地震属性，以减少属性计算的盲目性和随机性。
通过研究我们应用Landmark公司的PAL模块，在三维偏移数据体中选取合适的时窗，从中提取振幅类、频率类、瞬时类等属性；并对这些属性做自相关分析、属性与煤厚的相关阶分析，从中优选出最有意义的地震属性，建立地震属性数据库。
(2)建立煤层厚度预测模型 根据研究区的实际，应用多种数学方法建立煤层厚度与地震属性之间的相关关系和模型。如建立了多元线性回归、多元二项式回归、BP神经网络回归的数学模型，开发基于地震属性预测煤层厚度的算法程序。
(3)应用地震属性预测煤层厚度 分析建立的煤层厚度预测模型误差分析、预测的优缺点、使用范围及使用效果，实现基于地震属性预测煤层厚度的目的。

具体实施例方式 1、煤层复合波的振幅频率特性 煤层作为地震勘探中通常定义的“薄层”(H≤λ/4)，其反射波是煤层顶底板界面反射，层间多次波及转换波等共同作用的叠加复合波，随煤层厚度的变化合成反射波存在调谐点。在粘弹性体内，煤层复合波的振幅频率特性为 式中r煤层的上、下反射系数；d煤层厚度；β＝2αd(α为煤层的吸收衰减因子)。
在存在薄层的情况下，当波垂直入射到薄层表面时，反射系数不仅与界面两边的波阻抗有关，还与入射波的频率有关。因而薄层可以看成一个滤波器，入射波在薄层表面发生反射时，好象通过一个滤波器，经受了某种频率滤波作用。薄层反射叠加的效果是对低频及高频的成分有压制作用，接收到的反射波的中频成分得到相对加强。
3、地震属性的优选 (1)地震属性的提取 根据理论与模型研究成果，提取振幅类、复地震道类、频谱统计类属性，其中振幅类属性15种均方根振幅、平均绝对振幅、最大峰值振幅、平均峰值振幅、最大谷值振幅、平均谷值振幅、最大绝对振幅、绝对振幅总量、振幅总量、平均能量、能量总体、平均振幅、振幅变化、振幅变化的不对称性、振幅的峰态。地震振幅或能量属性反映了波阻抗差、地层厚度、岩石成分、地层压力、孔隙度及含流体成分的变化。既可用来识别振幅异常或层序特征，也可用来追踪地层学特征如三角洲河道或砂岩。另外，还可用于识别岩性变化、不整合、气体以及流体的聚集等。复地震道统计类5种平均反射强度、平均瞬时频率、平均瞬时相位、反射强度斜率、瞬时频率斜率。复地震道实际是地震信号的Hilbert变换。它能帮助分析气体、流体的特征、岩性、河道与三角洲砂岩、礁体、不整合面、地层序列、裂隙、调谐效应等。频(能)谱统计类6种有效带宽、弧线长度、平均零交叉点频率、主频序列F1、F2、F3、主频峰值、主频峰值到最大频率的斜率。它是对地震信号的频率谱和能量谱，可揭示地层或油气效应的裂隙发育带、含气吸收区、调谐效应、岩性或吸收引起的子波变化。
(2)地震属性选择 利用他人的经验或数学方法，优选出对所求解问题最敏感(或最有效、最有代表性)的、属性个数最少的地震属性或地震属性组合，提高地震储层预测精度，改善与地震属性有关的处理及解释方法的效果。从一个属性集中挑选出最有利于地震储层预测的属性子集的过程称为属性选择。
(3)基于相关的地震属性初选 对井旁地震属性及煤层厚度值进行归一化处理，依据(2)式，计算井旁归一后地震属性与煤厚的相关系数阶，选择与煤厚相关系数阶较大的属性，形成做模型用的地震属性集。
(4)基于互相关的属性分析 为了提高可信度，对与煤厚相关系数较大的地震属性进行互相关分析，将相关值较大的地震属性进行合并，以保证用于预测的地震属性具有相对独立性。如果相关系数很大的属性进行回归，会影响预测算法的稳定性。互相关的计算公式与(2)式相同。
4、求煤厚与各地震属性之间线性回归方程的相关系数 利用最小平方二乘法求煤层厚度与各地震属性线性回归方程之间的误差。
其中

为预测煤层厚度，x为地震属性值，a、b为回归系数。
利用(4)式计算煤厚与地震属性相关系数R2 其中，Yi为已知钻孔的煤厚，

为根据(3)式计算得出的煤厚值。
综合上述三种方法选择最有意义的地震属性预测煤厚。
5、煤层厚度的函数逼近法 (1)多元回归分析 根据井旁地震记录的煤层厚度与优选的地震属性值，做归一化处理，其原理为设样本数据为xp(p＝1，2，...，P)，定义xmax＝max{xp}，xmin＝min{xp}，归一化处理计算即按(5)式将样本数据转化为0～1区间的数据。
用上面归一化后的属性集，计算井旁地震属性与煤厚的多元高次多项式回归模型，假设有p个属性，建立煤厚与p个属性的m次多项式回归方程，即 其中

-预测煤厚；xi(i＝1，2，...，p)——各个振幅属性的值； aij(i＝0，1，...，p；j＝1，2，...，n，n为样本数)-回归系数。
根据钻孔数据及井旁地震道的属性值，获得一批试验数据A1i，A2i，...，Api，yi(i＝1，2，...，m)，要使得实际试验数值yi与式(6)上相应的

之间的残差平方和 为最小，用最小二乘法求各个系数αij的值。
(2)BP人工神经网络预测煤厚 样本数据的归一化由于选用Sigmoid函数作为网络中神经元的激发函数，因此，为了有效地利用S型函数的特性，以保证网络神经元的非线性作用，对于数值型的学习样本以及输出数据利用(4-5)式进行归一化处理。
利用反向传播学习建立煤厚预测的神经网络模型设有学习样本为(x1p，x2p，...，xnp；tp)(p＝1，2，...，P；P为样本数)。随机给出W(wij，θi，vi)后，根据(8)～(10)式计算网络第p个样本的输出yp。
其中，n为输入层的神经元数；m为隐层的神经元数；wij为隐层神经元i与输入层神经元j的连接权；θi为隐层神经元i的阀值。
其中，Ii为第i个隐层神经元的输入；Oi为第i个隐层神经元的输出。
其中，vi为输出层神经元与隐层神经元i的连接权；yp为第p个样本的输出。
定义由隐层神经元与输入层神经元的连接权wij、隐层神经元的阀值θi和输出层神经元与隐层神经元的连接权vi组成的向量为网络的连接权向量W。
对于样本p，定义网络的输出误差为 并定义误差函数为 沿着误差函数ep随W变化的负梯度方向对W进行修正。设W的修正值为ΔW，取 式中η为学习率，取0～1间的数。
求得ΔW后，采用迭代式W+ΔW→W (14) 对原W进行修正计算，得到新的连接权向量W。
对于所有的学习样本，均按照样本排列顺序进行上述的计算过程，然后固定W的值。对P个样本分别进行正向计算，从而求出学习样本的能量函数值 通过反复迭代，对网络连接权W进行修正，使E满足某一精度要求。
(3)模型误差分析 上式中，E为标准估计误差，其值愈小说明所建模型愈好；R为决定系数，其值愈大说明所建模型愈好。使E、R达到一定精度要求。
6应用实例分析 淮南煤田谢桥勘探区内赋存有数十个煤层，但大多厚度较小，或者不稳定，而主要目的层13-1煤、11-2煤和8煤层厚度均较大，且赋存稳定，这些煤层的顶底板岩性以粘土岩、泥岩和砂岩为主，与煤层本身存在较大的物性差异，因此13-1煤、11-2煤和8煤层顶底板都是良好的反射界面，能产生能量强、连续性好的反射波。其中13-1煤层，厚度3～6m，且地震反射波能量较强，信噪比较高，波形突出、横向可连续追踪，具有良好的地震地质条件。
(1)地震属性提取 采用Landmark公司Poststack的PAL属性提取模块，确定沿13-1煤层开20ms的时窗作为提取属性分析的时窗。在此时窗内，共提取28种地震属性，其中振幅类属性15种，复地震道类属性5种，频(能)谱统计类属性8种(见表1)。
首先，对井旁地震记录的煤层厚度与优选的地震属性数据进行归一化处理；然后，根据归一化处理后的数据，按照(2)式计算煤厚与地震属性之间相关系数，式中r为相关系数；根据淮南谢桥煤矿13-1煤层7个钻孔点和28个巷道点数据，计算出煤厚与地震属性相关系数如表1所示。
表1煤厚与地震属性相关系数Table 1 Correlation coefficients between coal thickness and seismic attributes (2)地震属性的优选 基于煤层厚度与地震属性之间的相关系数，从中优选出相关系数大于-0.3的地震属性8种(表1)，即最大峰值振幅、最大谷值振幅、最大绝对振幅、振幅变化、振幅的峰态、平均瞬时频率、瞬时频率斜率和平均峰值振幅。为了保证各属性的相对独立性和算法的稳定性，进行地震属性的互相关分析，如表2所示。互相关分析的计算公式与(2)式相同，根据各地震属性间的相关系数，剔除相关系数较大的属性。通过地震属性的互相关分析，最后获取4个有用的地震属性作为预测模型的基本参数，它们分别是平均峰值振幅，振幅的峰态，最大绝对振幅和瞬时频率斜率。用这些地震属性作为回归模型和BP神经网络预测模型的基本参数。表2地震属性之间的互相关分析 Table 2 Results of cross-correlation analysis between seismic attributes (3)煤层厚度预测模型 (a)多元统计预测模型 根据淮南谢桥煤矿13-1煤层实际观测点资料，以归一化后的地震属性集为基础，建立地震属性与煤厚之间的多元多项式回归模型。
四元一次多项式回归模型 通过平均峰值振幅，振幅的峰态，最大绝对振幅和瞬时频率斜率属性与煤层厚度之间的相关分析，计算获得的四元一次多项式回归模型为y＝8.0790-1.9102x1-0.8189x2-0.7723x3-2.9346x4， (4) 式中y为预测煤厚值(m)；x1为平均峰值振幅；x2为振幅的峰态；x3为最大绝对振幅；x4为瞬时频率斜率。
四元二次多项式的回归模型 通过计算获得的四元二次多项式的回归模型为 (b)BP神经网络预测模型 BP神经网络模型具有自学习、自组织、强容错性、计算简单、并行处理速度快等优点，并且它在理论上可以任意逼近任何非线性映射，因此应用最为广泛。建立BP神经网络模型，首先选用Sigmoid函数作为网络中神经元的激发函数。为了有效地利用S型函数的特性，以保证网络神经元的非线性作用，对于数值型的学习样本以及输出数据利用(1)式进行归一化处理，每个节点的输出值为0～1。
利用反向传播学习建立煤厚预测的神经网络模型，根据淮南谢桥煤矿13-1煤层实际观测点资料，筛选出35个实测数据作为学习训练和测试样本(见表4)，其中7个钻孔点数据及28个巷道点数据，以钻孔点地震属性作为学习样本，对网络进行训练。
BP网络是通过将网络输出误差反馈来对网络参数进行修正，从而实现网络的非线性映射能力。Robet-Nielson证明了具有1个隐含层的3层BP网络模型可以有效地逼近任意连续函数，即包含输入层、隐含层和输出层。基于研究区实际情况，建立的煤层厚度BP神经网络预测模型的网络结构。模型采用3层网络结构，将优选的4种地震属性作为网络学习输入层的4个节点，网络的中间层为2个节点，输出层为1个节点，建立煤层厚度BP神经网络预测模型。
经过迭代，输入层与隐含层间的权系数W和隐含层与输出层间的权系数V分别为 V＝[-9.0616 -8.9075 9.7173]. (7) (4)煤层厚度预测结果误差分析 根据淮南谢桥煤矿13-1煤层实际观测点资料建立的煤层厚度预测模型误差分析结果表明，四元一次多项式回归模型，回归误差相对较大；而四元二次多项式的回归模型和BP神经网络预测模型回归误差相对较小(表3) 表3煤层厚度预测模型误差分析 Table 3 Error analysis of prediction models of coal thickness 为了进一步检验模型预测结果的可靠性，用BP人工神经网络与多项式回归模型对淮南谢桥煤矿13-1煤层厚度进行预测分析和检验，预测结果如表4所示。根据模型预测值与实测值及其误差对比分析可以看出应用二次多项式回归模型预测煤层厚度误差相对较大，尽管二次多项式回归模型在已知点数据吻合很好，但不可用于整个研究区预测煤厚；但BP人工神经网络模型预测煤层厚度数据可应用于整个研究区，去除非值点，几乎所有数据均可用，且误差也较小，精度高，说明用神经网络模型预测煤层厚度最稳定(如表4)。
表4淮南谢桥西1采区13-1煤厚度预测误差统计表 Table 4 Error statistics of thickness prediction of coal seam 13-1 in the mining area west No.1 of the Xieqiao coal mine，Huainan 注带*者为验证孔，以h开头者为巷道资料。
权利要求
1.地震属性提取与优选方法和地震属性数据库。
2.基于地震属性的煤层厚度多元线性回归、多元二次多项式回归模型、BP神经网络模型
3.基于地震属性的煤层厚度计算软件。
4.应用地震属性预测煤层厚度的方法，包括建立的煤层厚度预测模型和误差分析方法以及实验区成果资料。
全文摘要
由于大部分煤层属于典型的薄层，传统地震勘探垂向分辨率达不到解决煤层厚度的要求，因此，“基于地震属性的煤层厚度分析方法”解决了煤炭资源勘探和开发中的煤层厚度问题。首先应用Landmark公司的PAL模块，在三维偏移数据体中选取合适的时窗，从中提取振幅类、频率类、瞬时类等地震属性数据，建立地震属性数据库，对这些属性做自相关分析和属性与煤厚的相关阶分析，从中优选出最有意义的地震属性作为煤厚预测模型基本参数，结合已知钻孔资料，利用多元多项式回归和BP人工神经网络方法，建立各属性与煤厚之间的多元多项式回归模型和人工神经网络模型，开发了相关算法程序，对模型进行了误差分析，实现了勘探区煤层厚度的预测与评价。
文档编号G01V1/28GK1975462SQ20061012680
公开日2007年6月6日 申请日期2006年9月5日 优先权日2006年9月5日
发明者孟召平, 郭彦省 申请人:孟召平, 郭彦省