0 引言

川西南地区二叠系火山岩勘探始于20世纪60年代，多口钻井证实四川盆地火山岩具备天然气成藏条件，但优质储层分布及有利勘探目标区尚不明确。随着勘探的不断深入，在川西地区发现爆发相火山岩气藏，证实四川盆地二叠系火山岩延伸范围广，重新拉开火山岩勘探序幕^[1]。四川盆地西部二叠系火山岩厚度大(200~300 m)，以丘状、杂乱、断续以及强振幅反射特征的爆发相、喷溢相火山碎屑岩和火山熔岩为主^[2-3]；而西南部井研地区火山岩相对较薄(32~102 m)，以平行、连续反射特征的溢流相玄武岩为主，且内部发育两套储层，其中下部火山碎屑岩孔隙型储层厚度约12.9~20.1 m，上部玄武岩裂缝型储层厚度约1~7 m。四川盆地西南部裂隙式喷发的峨眉山玄武岩以熔体的形式溢流出地表^[4]，旋回期次多且呈层状分布。精确刻画储层展布是落实井研地区火山岩油气规模的前提条件。井研地区原始地震资料频带范围有限(10~70 Hz)，火山岩层速度为5300 m/s，可分辨厚度为18.9 m的地层。目前该区仅1口井单层储层厚度大于18.9 m，且缺乏岩心资料，因此常规手段识别井研地区火山岩内部两套储层的能力有限。

地震反演是储层表征的关键环节，常规测井约束反演^[5]适用于层状、均匀且波阻抗(IMP)差值较大的介质，但受地震资料有限带宽影响，储层分辨能力有限。地质统计学反演^[6]利用变差函数和密井网提高了反演精度，但高频部分随机性强，且对钻井数量和分布要求高。波形指示反演^[7-8]利用波形横向变化代替变差函数提高横向分辨率，利用测井曲线高频信息提高纵向分辨率，反演精度明显高于地质统计学反演，但有效样本数和最佳截止频率选择不当会影响反演精度。分频融合反演^[9-11]利用低、中、高不同频段的地震资料进行分频反演，再将不同频段的反演结果融合，频带范围变宽、分辨率提高，可减少测井资料高频信息横向插值的不确定性，储层识别能力明显高于原始地震数据主频的分辨能力。神经网络反演^[12-14]通过训练地震数据和测井曲线建立地震与测井曲线间的非线性映射关系，使地震属性与测井曲线表征的地质属性达到最大程度的相关，同时得到除波阻抗之外的其他储层参数信息，可反演岩性、岩相或储层物性等。

井研地区下部孔隙型储层相对较厚且分布稳定，测井曲线形态呈箱状，而上部裂缝型储层相对较薄且分布不稳定，测井曲线多呈锯齿状，尤其声波时差曲线存在小幅度跳波。常规测井约束等多种波阻抗反演均无法识别上部测井曲线小幅跳波位置对应的裂缝型薄储层分布；对下部相对较厚的孔隙型储层，虽然低波阻抗横向展布特征清楚，但纵向预测精度不高。为此，本文采用分频融合与神经网络反演两者结合的方法准确识别火山岩薄储层，利用谱分解技术将原始地震数据进行分频，优选分频地震属性和目标测井曲线作为输入训练数据，通过神经网络学习建立两者的非线性映射关系，进而得到高分辨率的储层参数反演结果，纵、横向分辨率均提高，储层表征能力亦增强。研究成果用于指导该区火山岩勘探评价井部署，取得了较好效果。

1 火山岩储层特征 1.1 储层发育特征

由元素录井(K、Na)、电阻率(RD、RS)和其他常规测井曲线可知，井研地区A井火山岩纵向上发育两期喷发旋回，第一期旋回内为灰绿色爆发相火山碎屑岩孔隙型储层，第二期旋回内为溢流相凝灰质和灰色玄武岩裂缝型储层。根据储层发育位置和类型，将第一期旋回内的厚储层定义为下储层，将第二期旋回内的多套薄储层定义为上储层(图 1)。

1.2 地震响应特征

井研地区火山岩上覆地层为二叠系沙湾组凝灰质砂岩、泥岩及碳质页岩等，下伏为二叠系茅口组生屑灰岩。火山岩顶与上覆沙湾组交界面为强波峰反射，火山岩底因工区东、西部火山岩岩性、岩相、旋回期次和厚度差异等影响，地震反射特征存在明显差异。A井位于工区西部，火山岩厚度为102 m，钻井揭示两期喷发旋回，火山岩底呈强波峰反射，火山岩段整体对应顶部强波峰、中部强波谷及下部强波峰。D井位于工区东部，火山岩厚度为59 m，仅钻揭第二期旋回，火山岩底呈中弱波谷反射，火山岩段整体对应顶部强波峰、下部弱波谷反射(图 2)。

由A井火山岩储层精细标定结果可知，上、下储层均位于强波谷内部(图 1右)，下储层声波时差整体增大、密度整体降低，低波阻抗特征清楚，储层厚度相对较大(20.1 m)，位于波谷下方，在常规地震资料中易识别；上储层是由多套薄储层(1~7 m)组成，位于波谷上方，声波时差曲线可见局部明显跳波，上储层与围岩的反射界面在常规地震资料中不易识别。

1.3 测井响应特征及目标曲线确定

地震波形与波阻抗和地层厚度存在直接关系，储层较薄(厚度小于四分之一波长)或与围岩波阻抗差值较小时，地震响应特征不明显，另外薄层容易使地震反射波产生振幅调谐现象，因此利用常规波阻抗反演方法识别井研地区火山岩储层的能力有限。神经网络反演通过建立地震波形与测井曲线间的非线性映射关系，达到识别储层的目的，而优选反映储层特征的目标曲线是神经网络反演的前提条件。

井研地区火山岩测井响应特征整体表现为“中高自然伽马、高密度、高中子、低声波时差、中高电阻”的特征，储层段高孔隙度特征明显(图 1左)。在曲线标准化基础上，由声波时差和密度曲线计算的波阻抗与伽马、密度、中子、电阻率和孔隙度(POR)等曲线进行交会分析(图 3)，结果显示：波阻抗与孔隙度拟合关系最好；随着波阻抗值增大，孔隙度值逐渐减小。同时，井研地区火山岩发育段地层结构和地震反射特征相对单一、稳定，满足地震资料神经网络孔隙度反演的要求。

2 神经网络反演

常规确定性反演^[15]是地震主频频带范围内的反演，分辨能力与原始地震数据基本相当，不能有效识别厚度小于四分之一波长的储层。随机反演^[16]在地震频带范围内利用测井资料补充低频和高频成分，拓宽了频带范围，提升了薄储层识别能力，但钻井数量及分布状况影响储层纵、横向分辨率和预测精度，随机性强。本文采用的神经网络反演是针对常规确定性反演和随机反演存在的问题而提出的一种非线性反演^[17]，可解决薄储层识别尤其是常规波阻抗反演不能有效区分储层与非储层的问题。

首先，将原始时间域全频带地震数据体分解成多个具有中心频率的分频数据体，分频后数据体频带变宽，高频端振幅和波形信息增加^[18-21]；在此基础上将分频地震数据和目标测井曲线等作为输入数据，通过神经网络学习训练建立两者的非线性映射关系，直接进行储层参数反演。该方法对钻井数量和分布状况无要求，也无需提取子波或建立低频模型，提高了反演效率和识别储层的能力。

2.1 反演流程

神经网络反演流程如图 4所示，包括数据预处理、数据输入、学习训练和反演输出四个方面。数据输入包括测井数据和地震数据，反演输出结果由输入的目标测井曲线决定，可根据实际情况优选。

(1) 数据预处理：依据区域标志层、标准井对目标层段测井数据进行标准化处理、井—震标定、测井曲线交会分析和测井解释，综合确定目标曲线；对原始地震数据目标层段进行频谱分析，确定地震主频和高、低截频；根据地震数据频带范围对目标层段测井数据进行滤波处理。

(2) 数据输入：输入经过预处理后的全频带地震数据体，根据目标层段频谱分析结果进行数据体分频，同时各分频数据体生成对应的地震道和道积分等属性并参与运算；选择目标属性(波阻抗及伽马、密度、孔隙度、中子、电阻率等测井数据)、参与运算的井及其目标曲线。

(3) 学习训练：设置各分频数据体生成的地震道和道积分等地震属性的权重(默认为1)，权重越小，对反演结果的影响越小；利用神经网络算法建立分频地震数据与目标测井曲线间的非线性映射关系，使两者相关系数达到最大。

(4) 反演输出：输出反映储层特征的目标反演体，并利用钻井误差统计和平面分布规律评价反演结果。

2.2 网络结构及参数设置 2.2.1 模型结构

神经网络结构包括输入层、隐含层和输出层。隐含层数越多，运算越复杂，适用于海量数据和大样本集的开发阶段^[22]。BP神经网络仅有一层隐含层，是一种按误差反向传播训练的多层前馈网络^[23]。采用梯度下降法计算实际输出值与期望输出值的误差，输入层和输出层无需事先确定某种映射关系，仅通过自身学习训练就得到最接近期望输出值的结果，运算速度快且稳定，适用于小样本的勘探阶段。

井研地区三维工区满覆盖面积大于1100 km²，仅5口钻井，为火山岩勘探初期阶段，使用BP神经网络学习便可解决井研地区火山岩小样本、非线性等储层识别难点问题。

2.2.2 非线性激活函数

非线性激活函数是输入层向输出层传递的数值，是神经网络求解非线性问题的关键函数。本文采用的是Sigmoid函数，即

$ f(x)=\frac{1}{1+\exp (-x)} $

(1)

式中x为输入数据，经激活函数非线性运算后，传递到输出层。

以单隐层前馈网络为例(图 5a)，给定训练集D ={(x₁, y₁), (x₂, y₂), …, (x_m, y_m)}，输入、输出层有m个神经元，输入x的期望输出为y；隐含层有n个神经元，隐含层第h个神经元的表达式为

$ A_h=f\left(V_{i h} x_i+B\right) $

(2)

输出层第j个神经元的实际输出表达式为

$ O_j=f\left(W_{h j} A_h+C\right) $

(3)

式中：V_ih为输入层第i个神经元与隐含层第h个神经元的连接权值；W_hj为隐含层第h个神经元与输出层第j个神经元的连接权值；B、C分别为偏置项。

2.2.3 模型训练及参数设置

模型训练是求解实际输出与期望输出误差最小值的过程，包括正向传播和误差反向传播^[24]。正向传播过程是数据从输入层经隐含层逐个节点的激活函数运算后传递给输出层，如果得不到期望的输出，则转入误差反向传播过程。误差反向传播过程将输出误差通过隐含层向输入层逐层反传，并按原来连接线路返回，将误差分摊给各层所有神经元。通过调节输出层与隐含层、隐含层与输入层各个神经元的连接权值，使误差沿梯度方向下降，经反复学习训练，达到误差最小值时结束训练(图 5b)。

神经网络学习训练主要涉及训练集、测试集、相关系数、隐层数、节点数等。其中训练集占输入样本的70%，测试集占30%；在训练过程中，训练集和测试集与原始信息的相关系数(0~1)设为0.9；隐层数(0~5)设为1；节点数一般是输入地震属性个数的1.2~1.5倍，如18、35、70 Hz三个中心频率对应的地震道和道积分属性有6个，则节点数设为7~9。可通过训练集相关系数、测试集相关系数、复杂度(评估算法运行的工作量和效率)和直接法收敛程度(通过有限步运算直接求得满足精度要求的结果)决定是否结束训练，相关系数越大则误差值越小，学习曲线越接近目标曲线；复杂度越小则算法稳定效率越高。直接法收敛程度为1时终止学习。

3 实际应用效果

与川西地区多期喷发、厚大、丘状、杂乱、断续且分布不稳定的爆发相火山碎屑岩地层相比^[25]，川西南井研地区火山岩分布连续、稳定，岩性、岩相和地震反射特征相对单一，但内部发育的两套储层厚度相对较小，原始地震频带范围内无法识别上储层，下储层横向分布特征可识别但纵向预测精度不高。因此，准确识别火山岩上、下两套储层的空间分布是储层预测难点。

常规振幅类地震属性只能定性表征整个波谷的分布特征，不能有效区分波谷内部的两套储层，因此利用地震反演方法定量表征两套储层的分布特征。将原始地震数据(频带范围10~70 Hz)进行拓频处理(频带范围10~90 Hz)，拓频后的地震数据既保留了低频端信息又拓宽了高频端信息，表征储层的能力得以增强(图 6)。针对井研地区火山岩储层发育特征，分别开展测井约束和神经网络波阻抗反演及神经网络孔隙度反演，并对几种反演结果识别火山岩上、下储层的准确性进行分析、对比。

3.1 波阻抗反演

测井约束波阻抗反演合并测井资料高、低频信息和地震资料中频信息得到波阻抗反演结果，而神经网络波阻抗反演利用神经网络学习训练得到分频地震数据与波阻抗曲线之间的相关关系，由图 7可见，原始(图 7a)和拓频(图 7b)数据的目标曲线与学习曲线相关性均较好，且5口井相关系数均较高；下储层低波阻抗特征明显，上储层波阻抗相对较高；图 7b中A、C井上储层段局部呈现锯齿状低波阻抗特征，但由于跳波幅度较小，因而学习训练的波阻抗曲线表征不明显。

对比A、C连井原始地震数据测井约束(图 7c)和神经网络波阻抗(图 7d)反演结果可知，后者的纵、横向精度明显更高，两种波阻抗反演结果的下储层展布特征大体一致，但上储层存在差异。后者的上储层低波阻抗特征更明显，但与上覆地层低波阻抗特征难以区分，且A井波阻抗曲线跳波位置的低波阻抗特征不清楚。

由A、C连井拓频地震数据测井约束(图 7e)和神经网络波阻抗(图 7f)反演结果可知，火山岩上、下储层的识别精度明显高于图 7c、图 7d，其中图 7f与测井波阻抗曲线吻合最好，且A井左、右两侧上储层低阻抗特征逐渐与上覆地层低波阻抗特征区分开，但C井位置的上储层低波阻抗特征横向不连续。

对比图 7c~图 7f可知，图 7f的精度最高。在此反演体基础上提取上、下储层平均波阻抗(图 8)，可见上储层零星分布在工区南部和西北角(图 8a)，分布范围有限，下储层主要分布在工区西部(图 8b)。实钻结果显示A井区是上、下储层发育最好的区域，与图 8不符。因此，图 7f仍不能准确识别火山岩上、下储层的分布情况。

3.2 孔隙度反演

在火山岩储层目标曲线分析基础上，利用拓频地震数据和孔隙度曲线进行神经网络反演识别火山岩上、下储层。

由拓频地震数据孔隙度曲线神经网络学习训练结果可知(图 9a)，火山岩上、下储层原始目标曲线与学习曲线相关性均较好，除B井外其他井的相关系数均较高；上、下储层高孔隙度特征明显，可真实表征上、下储层发育特征，因此该学习训练结果可用于神经网络孔隙度反演。

由A、C连井拓频地震数据神经网络孔隙度反演结果可知(图 9b、图 9c)，该方法识别上、下储层的能力明显高于图 7，两套储层纵、横向展布特征清楚，尤其上储层识别精度明显提高。其中，图 9b为5口井全参与的反演结果，图 9c为除C井外4口井参与反演的结果，可见参与井越多，反演精度越高。

图 10为基于该方法反演结果提取的上、下储层平均孔隙度平面图，可见上、下储层均发育在工区西部，与实钻井和区域火山岩岩相分布范围均一致。根据测井解释和储层标定结果提取上、下储层厚度，反演厚度与实钻厚度误差均较小(表 1)，表明神经网络孔隙度反演结果可靠。

3.3 识别效果

A井钻进过程中火山岩目标层段油气显示好，经测试获工业气流；B井钻进过程中火山岩目标层段泥浆漏失，说明裂缝及孔隙型储层发育，预示火山岩储层勘探潜力良好。因此，利用多种储层预测方法开展火山岩上、下储层精细定量预测工作，最终优选神经网络孔隙度反演结果指导后期勘探评价和井位部署。综合地质、钻井、测井、地震及储层预测等研究成果，表明井研地区西部火山岩上、下储层均发育，在此基础上部署了火山岩专探井C井，取心证实优质火山碎屑岩储层发育，反演曲线与实测曲线较吻合(图 11)，证实了神经网络孔隙度反演预测结果的可靠性，与常规地震属性和多种波阻抗反演结果相比，该方法预测精度明显提高，可支撑后期勘探开发评价部署。

4 结论

本文应用神经网络反演技术得到井研地区火山岩上、下储层高分辨率孔隙度反演结果，取得以下认识；

(1) 神经网络反演是在一定厚度下对振幅随频率变化关系进行反演，以岩性或储层敏感参数曲线为目标曲线进行非线性映射，并得到高分辨率反演结果，适用于薄储层或波阻抗差值较小的地区；

(2) 神经网络反演的关键是构建测井目标曲线与分频地震数据间的非线性映射关系，进而实现岩性或储层敏感参数反演，因此选取反映岩性或储层特征的目标曲线至关重要；

(3) 针对井研地区火山岩储层发育特征，神经网络孔隙度反演结果准确识别出曲线跳波位置的裂缝型上储层和孔隙型下储层，可指导后期水平井部署。