测井与地震资料联合反演预测K sub 2 _sub 灰岩及其含水性_马丽.pdf

第 44 卷 第 4 期 煤田地质与勘探 Vol. 44 No.4 2016 年 8 月 COAL GEOLOGY EXPLORATION Aug. 2016 收稿日期 2016-01-12 基金项目 国土资源部煤炭资源勘查与综合利用重点实验室开放课题（KF2014-1）；陕西省科技统筹创新工程计划项目（2016FWPT-16） Foundation item Open Project of Key Laboratory of Coal Resources Exploration and Comprehensive Utilization； Ministry of Land and Resources （KF2014-1）； Planed Project of Overall Scientific and Technological Innovation Engineering of Shaanxi Province（2016FWT-16） 作者简介 马丽（1975），女，陕西三原人，高级工程师，从事煤田地球物理勘探工作. E-mail879498134 引用格式 马丽，薛海军，汶小岗，等. 测井与地震资料联合反演预测 K2灰岩及其含水性［J］. 煤田地质与勘探，2016，44（4）142-146. MA Li，XUE Haijun，WEN Xiaogang，et al. Prediction of K2 limestone and its aquosity by joint inversion of logging and seismic data［J］. Coal Geology Exploration，2016，44（4）142-146. 文章编号 1001-1986（2016）04-0142-05 测井与地震资料联合反演预测 K2灰岩及其含水性 马 丽 1，薛海军2，汶小岗1，2，冯西会1，2 （1. 国土资源部煤炭资源勘查与综合利用重点实验室，陕西 西安 710026； 2. 陕西省煤田物探测绘有限公司，陕西 西安 710005） 摘要 阳煤五矿主要可采煤层 15 号煤层顶板发育的 K2灰岩不是良好的地震波反射界面，常规地 震剖面很难连续追踪。测井曲线上的 K2灰岩表现为高密度和高视电阻率异常，采用密度与视电阻 率两种测井曲线融合生成拟密度曲线，基于模型反演得到地层岩性数据体，从而识别灰岩的赋存 形态与厚度；采用概率神经网络反演的方法，优选出 9 种地震属性，构成神经网络训练样本，对 灰岩的孔隙度和视电阻率进行神经网络反演，预测灰岩的富水性。 关 键 词K2灰岩；双参数反演；概率神经网络反演 中图分类号P631 文献标识码A DOI 10.3969/j.issn.1001-1986.2016.04.027 Prediction of K2 limestone and its aquosity by joint inversion of logging and seismic data MA Li1， XUE Haijun2， WEN Xiaogang1，2， FENG Xihui1，2 （1. Key Laboratory of Coal Resources Exploration and Comprehensive Utilization， Xi′an 710026， China； 2. Shaanxi Coal Geophysical Exploration and Mapping CO.， Ltd.， Xi′an 710005， China） Abstract Coal seam15 is one of the main minable seams in Mine No.5 of Yangquan Coal Industry（Group） Co.， Ltd.， There is K2 limestone developed in the roof of the seam. The limestone is not a good seismic reflection inter- face. It is difficult to trace continuously the limestone interface by conventional seismic profiles. The logging curves of K2 limestone show high density and high apparent resistivity. We used integration of density and apparent resistivity logging curves to generate pseudo density curves， then to get data of ation lithology based on model inversion. So we can identify the geometrical shape and the thickness of the limestone. We selected 9 seismic at- tributes to constitute the training samples for neural network so as to conduct inversion of the neural network for the porosity and the apparent resistivity and finally to predict the aquosity of the limestone. Key words K2 limstone； inversion of double parameters； neural network inversion 阳泉煤业集团五矿地处太行山复背斜西翼，在 沁水煤田东北边缘，钻孔揭示地层由老至新有中 下奥陶统、石炭系、二叠系、三叠系、新近系及第 四系。区内主要含煤地层为石炭系上统太原组及二 叠系下统山西组，15 号煤层位于太原组下部，煤厚 2.0～11.0 m，平均厚度 6.5 m，是区内稳定可采煤层 之一。对其开采影响较大的两个含水层是石炭系灰 岩含水层和下伏奥陶系裂隙岩溶含水层。15 号煤距 奥灰岩界面平均距离 62 m，不同学者对奥灰岩溶水 的赋存特征进行了研究［1-5］； 石炭系含水层主要有四 层，包括 K2-K5灰岩，各灰岩层位稳定、厚度大、 岩溶裂隙发育，层间水力联系较弱。对 15 号煤层开 采影响较大的是 K2灰岩（俗称四节石）， 该灰岩是 15 号煤层的直接顶板或老顶，为灰色石灰岩、隐晶质、 裂隙较发育、局部充填方解石，一般情况下富水性 不强，但是遇到有补给时富水性明显增强，如果有 断层等构造影响及开采扰动影响，则可以沟通其他 含水层发生水力联系。区内钻孔测井曲线对灰岩反 映为弱高密度异常和高视电阻率异常，为地震反演 提供了较好的基础。 ChaoXing 第 4 期 马丽等 测井与地震资料联合反演预测 K2灰岩及其含水性 143 1 预测方法 1.1 多参数岩性地震反演 当地层间密度差异明显时，地震波阻抗反演是 地层预测的一种有效手段，反之地层间密度与速度 差异较小，波阻抗不能很好区分地层界面。而其他 测井曲线，如视电阻率、自然伽马等对岩性有更为 敏感的反映［6］。为了充分利用测井曲线对岩性的反 映特性、克服单一参数反演的多解性，可综合利用 两种或两种以上测井资料，结合地震资料分析预测 地层岩性，实现多参数岩性反演［7-8］。 首先是测井曲线优选与融合优选出对煤层与 灰岩有明显异常的两种测井曲线；对曲线数字化， 得到样本曲线 a、b，对其进行归一化处理得到曲线 c、d，对曲线 c、d 分别赋予权重值 m 和 n（mn1）， 求取加权值 e，见式（1）。 **em cn d （1） e 受加权算法影响，分布在（0，1）的开区间，无 法取得端点值，利用归一化公式将其归一化到［0，1］ 闭区间， 输出 f； 利用式（2）将其进行线性变换得到 g， 使之更好地与煤系密度值匹配。 *gsft （2） 式中 s 为缩放因子，t 为偏移常量。g 是一条无量纲 的曲线，取值范围是［n，mn］，对其赋予含煤地层物 理意义，用 n 表示含煤地层最小密度值，mn 表示 最大密度值，将两条测井曲线融合形成拟密度曲线 ρ*。为保证曲线融合的合理性，对原始密度曲线 ρ 与 ρ*进行误差分析，调整权重使二者更为接近。 然后进行基于模型的地震反演根据拟合的测 井曲线，结合钻孔揭示目的层深度，建立地质初始 模型，对地震记录进行精细时深标定，并正演生成 地震剖面，修正速度、密度等参数，提高合成地震 剖面与实际地震剖面的相似度，最终得到高分辨率 的反演剖面。反演所用公式为［9］ 11 0nm ［］（） TT MMISD - -G GC CG （3） 式中 M 为更新模型， M0为初始模型， G 为灵敏矩阵， Cn为噪音协方差矩阵，Cm为模型协方差矩阵；I 为 单位矩阵， S 为地震数据， D 为计算的地震数据， S-D 为残差，M-M0为模型修改量。修改参数并重复上 述步骤，直到残差在允许值范围内，形成最终模型。 1.2 概率神经网络反演 D F Specht［10］于 1990 年提出概率神经网络 （Probabilistic Neural Network，PNN），后经 Master 等发展完善。该类神经网络具有回归、判别和聚类 的功能，比多层前馈网络的数学原理简单，易于实 现［10-13］。PNN 由多条测井曲线和多种地震属性参数 组成网络，是一种有监督的人工神经网络，先由测 井曲线和井旁地震道提取特征参数，按照地质岩性 参数分成若干类，通过神经网络学习系统，由输入 矢量产生输出矢量，把这个输出矢量与目标矢量进 行平方意义下的误差比较，然后以共轭迭代梯度下 降法作权调整以减少这种差异，直到输出与输入矢 量两者没有差异训练结束。其结构设计由输入层、 隐层和输出层组成，通过学习训练过程与预测识别 过程两大步骤实现。在此过程中要选择合理的分析 窗口，对参加的地震属性种类、个数进行选择，通 过计算验证误差避免陷入匹配过度的误区，保证神 经网络预测能力［14-15］。 2 实际应用 研究区位于阳煤五矿深部，区内地层基本上呈 一走向 NS、倾向 W 的单斜，地层倾角一般 4～8， 区内断层较少，短轴状褶皱较发育，陷落柱十分发 育，属于构造复杂区。区内 K2灰岩厚度不足 10m， 是主要可采煤层 15 号煤层的直接顶板， 受区内构造 分布与煤层开采裂隙发育影响，K2灰岩将成为煤炭 生产中很大的安全隐患。 2.1 灰岩双参数反演 灰岩在常规地震剖面上很难形成可连续追踪的 反射波，通过区内13个钻孔的测井曲线对比发现， K2灰岩表现为高密度和高视电阻率异常（图1），但 是密度高异常不是十分突出（灰岩密度 2.8 g/cm3、 其 顶底板围岩砂岩或砂质泥岩密度 2.5～2.7 g/cm3），因 此利用密度和视电阻率曲线对三维地震资料进行双 参数岩性反演，将密度曲线与视电阻率曲线进行融 图 1 K2灰岩的测井曲线特征 Fig.1 Characteristics of the logging curves of K2 ChaoXing 144 煤田地质与勘探 第 44 卷 合， 获得能清晰反映灰岩及煤层特征的拟密度曲线， 由拟密度曲线对地震资料进行约束反演，把反映界 面信息的常规地震数据体转换为反映地层信息的岩 性数据体。从图 2 可以看出，在非灰岩段，二者能 够很好吻合；在灰岩段，拟密度曲线较真密度曲线 更能突出灰岩特征。 图 2 拟密度曲线与真密度曲线误差分析 Fig.2 Error between pseudo density and actual density curves 在双参数反演的剖面中，K2灰岩拟波阻抗值接 近 10 000 （m/s）（g/cm3），空间分布情况清晰，较好 地解决了对灰岩的识别与追踪难题（图 3b）。较波阻 抗反演剖面分辨率有明显提高，结合钻孔标定，得 到 K2灰岩的起伏形态及厚度变化趋势。 图 3 两种反演方法效果对比图 Fig.3 Comparison of the nesult of two inversion 2.2 概率神经网络反演孔隙度和视电阻率 2.2.1 逐步回归确定最佳属性组合 区内钻孔均没有孔隙度测井曲线，通过经验公 式转换得到孔隙度，计算式为［16］ m fmF 1tt ttC φ Δ -Δ Δ-Δ （4） 式中 tΔ为测量的声波时差，μs/m；Δtm为岩石骨架 的声波时差， μs/m； Δtf为孔隙流体的声波时差， μs/m。 F C为压实校正系数。 取Δtm147 μs/m，Δtf2 200 μs/m，CF0.85， 利用孔隙度曲线、波阻抗反演曲线作为地震属性进 行神经网络训练，得到训练数据及合适时窗。 采用回归法确定最佳属性组合，分别尝试长度为 3、5、7、9 的算子进行测试，得到交叉验证图（图 4）。 每个算子对应属性个数与验证误差变化趋势相同， 均有一个极小值即临界点，超过该点，误差随属性 个数增多加大，依图选择误差最小的 7 点作为褶积 算子长度。对其进行误差检验（图 5），当属性个数达 到 9 个以后，检验误差随属性个数的增加而增加， 出现过度匹配现象， 确定参与 PNN 反演的属性个数 为 9，详见表 1，从表中可以看出此次进行神经网络 训练的训练误差均小于 1.88％；最大交叉检验误差 为 1.907 443％。 2.2.2 训练神经网络及交叉检验 在确定了神经网络的褶积因子长度和神经网络 的训练样本之后， 针对每一口井进行神经网络训练， 并通过交叉检验来评价神经网络训练结果。 对 13 个 钻孔进行神经网络训练，交叉训练误差 0.76％，相 似系数为 0.97；交叉检验平均误差 1.79％，相似系 图 4 不同褶积算子、属性个数与预测误差变化图 Fig.4 Prediction error with different convolution operator 图 5 7 点长度的褶积算子对应的交叉检验图 Fig.5 Cross validation of 7 points and different number of attributes ChaoXing 第 4 期 马丽等 测井与地震资料联合反演预测 K2灰岩及其含水性 145 表 1 最佳地震属性组合 Table 1 Best seismic attribute combination 地震属性 训练误差/％ 检验误差/％ 波阻抗的对数 1.873 737 1.907 443 25/30～35/40带通分量 1.768 133 1.837 676 55/60～65/70带通分量 1.718 523 1.812 284 瞬时相位 1.689 652 1.806 825 振幅加权 1.664 481 1.792 137 二次导数 1.640 000 1.797 581 15/20～25/30带通分量 1.629 272 1.797 616 集成绝对振幅 1.617 248 1.793 479 调频中心频率 1.607 649 1.787 908 数为 0.81。 图 6a 为训练结果， 两条曲线吻合度很好； 图 6b 为对应两孔的交叉检验图，检验误差符合要 求，可推广至全区进行孔隙度反演预测。 （a）训练结果 （b）交叉检验 图 6 各口井的训练结果及交叉检验 Fig.6 The training results and cross check of each well 2.2.3 预测结果 利用训练好的神经网络对全区进行反演，得到 孔隙度数据体和视电阻率数据体， 图 7 为 K2灰岩孔 隙度与视电阻率切片。图中分别用黑色线条圈出了 孔隙度较大区域与视电阻率较低区域。 综合分析 K2灰岩起伏形态、赋存厚度、孔隙度 和视电阻率等要素，K2灰岩总体表现为走向近 NNE， 倾向近 E 的单斜形态，地层倾角 7～12，灰岩厚度较 为稳定，一般 4～8 m；断层不甚发育、陷落柱较为发 育，多呈椭圆形至圆形，长轴规模一般小于 200 m。 圈定的三个灰岩富水异常区（图 8）均为孔隙度大、 视电 阻率低的特征，结合地质构造发育情况，1、2 号富水 异常区范围内各发育一条落差小于 10 m 的正断层， 断层垂向延伸较小，3 号区域范围内既发育了正、逆 断层，又发育了长轴 300 余 m 的陷落柱，综合分析认 为 3 号富水异常区最为可靠。 图 7 孔隙度与视电阻率切片 Fig.7 Porosity and apparent resistivity slice of K2 图 8 K2灰岩综合成果图 Fig.8 Integrated results of K2 ChaoXing 146 煤田地质与勘探 第 44 卷 3 结 语 运用瞬变电磁法对研究区进行勘探， 结果表明， 3 号区域与低视电阻率区吻合，1、2 号区电磁勘探 视电阻率较 3 号区略高。 本次利用两种对岩性敏感的参数综合反演地层 岩性，既提高了对测井资料的利用率，又在一定程 度上消除了单因素反演造成的多解性，对灰岩识别 效果较好；采用概率神经网络反演的方法，预测了 灰岩的孔隙度、视电阻率，综合分析灰岩富水性。 要注意的是在神经网络训练时，应选择有明显地 震特性的时间段作为训练窗口，提取一定时窗范围 内的属性进行训练，同时注意剔除测井曲线差异反 应不明显的曲线。 致谢感谢中国矿业大学崔若飞教授对论文的 指导。 参考文献 ［1］ 段俭君. 山西省阳泉矿区五矿岩溶陷落柱发育特征及分布规 律探讨［J］. 中国煤田地质，2007，19（增刊 2）31-33. DUAN Jianjun. Discussion on karstic subsided column devel- opment characteristics and distribution pattern in No.5 coalmine， Yangquan mining area，Shanxi province［J］. Coal Geology of China，2007，19（S2）31-33. ［2］ 穆满根， 刘宏伟， 梁永新. 阳泉井田奥灰水对开采影响的预计 分析［J］. 煤炭技术，2000，19（1）34-35. MU Mangen， LIU Hongwei， LIANG Yongxin. Preanalysis on the effect of ordovician limestone rockwater on mining in Yangquan coal mine［J］. Coal Technology，2000，19（1）34-35. ［3］ 陆小霞，黄文辉，唐修义，等. 沁水盆地南部 15 号煤炭层顶 板灰岩特征对煤层气开采的影响［J］. 现代地质，2012，26（3） 518-526. LU Xiaoxia，HUANG Wenhui，TANG Xiuyi，et al. Impact of limestone of No.15 coal seam roof on the coal bed methane ex- ploitation， southern Qinshui basin［J］. Geoscience， 2012， 26（3） 518-526. ［4］ 王勃，李谨，张敏. 煤层气成藏地层水化学特征研究［J］. 石油 天然气学报（江汉石油学院学报），2007，29（5）66-68. WANG Bo，LI Jin，ZHANG Min. ation water chemical characteristics of coalbed mtehane（CBM） reservoir ation［J］. Journal of Oil and Gas Technology（J. J PI）， 2007， 29（5） 66-68. ［5］ 王红岩，张建博，刘洪林，等. 沁水盆地南部煤层气藏水文地 质特征［J］. 煤田地质与勘探，2001，29（5）33-36. WANG Hongyan，ZHANG Janbo，LIU Honglin，et al. Hy- drogeologic feature of coalbed methane reservoir in the southern Qinshui basin［J］. Coal Geology Exploration，2001，29（5） 33-36. ［6］ 张亚兵， 陈同俊， 崔若飞. 多参数岩性反演在灰岩解释中的应 用［J］. 矿业安全与环保，2013，40（4）62-65. ZHANG Yabing，CHEN Tongjun，CUI Ruofei. Application of multi - parameter lithological inversion in limestone interpreta- tion［J］. Mining Safety Environmental Protection， 2013， 40（4） 62-65. ［7］ 张静，王彦春，赵帆，等. 多参数联合反演预测致密含气砂岩 ［J］. 天然气地球科学，2008，19（6）864-869. ZHANG Jing ， WANG Yanchun ， ZHAO Fan ， et al. Multi-parameters joint inversion technology predicts gas-bearing tight sandstone［J］. Natural Gas Geoscience，2008，19（6） 864-869. ［8］ 王梦倩， 赵虎. 多参数曲线反演技术在圈定岩浆岩侵入煤层范 围中的应用［J］. 江苏地质，2006，30（4）287-289. WANG Mengqian，ZHAO Hu. Application of multiparameter curve inversion technology in outlining coal range of magmatic intrusion［J］. Jiangsu Geology，2006，30（4）287-289. ［9］ 赵吉祥，许永忠，王双双，等. 基于模型的地震反演在煤田中 的应用［J］. 勘察科学技术，2009（3）61-64. ZHAO Jixiang，XU Yongzhong，WANG Shuangshuang，et al. Application of seismic inversion based on model to coal field［J］. Editorial Office of Site Investigation Science and Technology， 2009（3）61-64. ［10］ SPECHT D F. Probabilistic neural networks［J］. Neural Net- works，1990，3（1）109-118. ［11］ AN P，MOON W M. Reservoir characterization using feedfor- ward neural networks［C］//2005 SEG，2005258-262. ［12］ 李娟娟，崔若飞，潘冬明，等. 概率神经网络技术在煤田地震 反演中的应用研究［J］. 地球物理学进展， 2012， 27（2） 715-721. LI Juanjuan，CUI Ruofei，PAN Dongming，et al. Coalfield seismic inversion using probabilistic neural network［J］. Progress in Geophysics（in Chinese），2012，27（2）715-721. ［13］ YENUGU M，FISK J C，MARFURT K J. Probabilistic neural network inversion for characterization of coalbed meth- ane［C］//2010 SEG，20102906-2910. ［14］ 马劲风. 地震勘探中广义弹性阻抗的正反演［J］. 地球物理学 报，2003，46（1）118-124. MA Jinfeng. Forward modeling and inversion of gener- alized elastic impedance in seismic exploration［J］. Chinese Journal of Geophysics，2003，46（1）118-124. ［15］ 张绍红， 林昌荣. 砂泥岩地层概率神经网络岩性反演技术应用 研究［J］. 西安石油大学学报（自然科学版），2008，23（4）1-4. ZHANG Shaohong， LIN Changrong. Application of probabilistic neural network in the lithology inversion of sandstone-mudstone strata［J］. Journal of Xi′an Shiyou University（Natural Science Edition），2008，23（4）1-4. ［16］ 彭刘亚， 崔若飞， 张亚兵. 概率神经网络在地震岩性反演中的 应用［J］. 煤田地质与勘探，2012，40（4）63-65. PENG Liuya，CUI Ruofei，ZHANG Yabing. Application of probabilistic neural network in seismic lithological inversion［J］. Coal Geology Exploration，2012，40（4）63-65. （责任编辑 聂爱兰） ChaoXing