基于多尺度卷积神经网络与自注意力的地震属性融合及储层预测——以南苏门答腊盆地B气田为例

《Processes》:Seismic Attribute Fusion and Reservoir Prediction Using Multiscale Convolutional Neural Networks and Self-Attention: A Case Study of the B Gas Field, South Sumatra Basin Ziyun Cheng, Wensong Huang, Xiaoling Zhang, Zhanxiang Lei, Guoliang Hong, Wenwen Wang, Mengyang Zhang, Linze Li and Jian Li

【字体: 大 中 小 】 时间:2026年03月20日 来源:Processes 3.4

编辑推荐:

  研究人员提出了一种基于多尺度卷积神经网络(Multiscale Convolutional Neural Network, CNN)与自注意力模块的地震属性融合及储层甜点预测框架,以解决南苏门答腊盆地B气田Talang Akar组下段砂岩层段(Lower Ta

  
研究人员提出了一种基于多尺度卷积神经网络(Multiscale Convolutional Neural Network, CNN)与自注意力模块的地震属性融合及储层甜点预测框架,以解决南苏门答腊盆地B气田Talang Akar组下段砂岩层段(Lower Talang Akar Formation,简称LTAF层段)强非均质性与模糊地震响应下单一地震属性难以可靠预测砂岩厚度的难题。研究人员将多个地震属性体组织为多通道二维属性切片,采用3×3、5×5和7×7的并行卷积核以捕获从薄层边界、河道形态到砂体组合分布的空间特征;自注意力模块显式建模属性间依赖关系并进行自适应加权融合,以抑制噪声并增强信息性属性。该网络采用双输出设计,生成与输入相同空间分辨率的砂岩厚度预测图以及用于定量属性筛选与地质解释的属性重要性得分。基于三维地震数据与井约束厚度标签,所提模型的决定系数(R2)达到0.8954,优于线性回归(R2 = 0.8281)与随机森林回归(R2 ≈ 0.8453)。学习得到的重要性得分表明,振幅相关属性(如均方根振幅与最大振幅)对厚度预测贡献最大,而频率与能量相关属性贡献相对较低,这与带宽受限的分辨率效应一致。总体而言,所提框架在单一模型中统一了属性融合、厚度预测与可解释性,为非均质砂岩储层的精细表征与开发优化提供了实用支撑。
## 研究背景与问题提出

地震勘探是油气资源勘探开发中储层识别与预测的重要技术,通过分析地震波在地下地层中的传播特征为储层识别、预测及开发提供关键地质数据。然而,砂岩储层预测面临多重挑战:储层通常具有强非均质性,孔隙度与渗透率分布复杂多变,受沉积环境和构造变形等多种因素影响,导致储层预测极为困难。传统地震属性选择方法如相关系数分析、主成分分析及多元回归等虽标准化程度高、计算效率快,但过度依赖线性相关与人工经验,难以刻画属性间的复杂非线性关系;加之属性间存在共线性与冗余性,结果易受样本和参数变化影响,稳定性与适用性受限。此外,地震数据主频通常处于20–40 Hz范围内(峰值频率约25–30 Hz),导致传统地震属性与砂岩储层的关系弱化,基于单一地震属性的储层预测精度有限。更为关键的是,砂岩储层的地震响应具有高度模糊性,不同属性可能导致同一储层的不同解释,使传统方法在准确性与可靠性方面存在显著局限。

现有复杂砂岩储层预测研究仍存在明显不足:其一,多采用单一或少数地震属性进行线性建模,难以充分挖掘多源地震属性间的非线性关系;其二,主要依赖人工经验或简化统计指标进行属性优选,缺乏统一框架以定量表征各属性贡献;其三,针对南苏门答腊盆地B气田LTAF层段砂岩的研究多集中于地质认识与常规地震解释,缺乏深度学习驱动的砂岩厚度预测实践。因此,研究人员提出融合多尺度CNN与自注意力机制的智能地震属性表征方法,开展LTAF砂岩储层的厚度预测与地震属性选择,并利用实际生产数据验证其有效性。

## 研究方法与关键技术

研究所用关键技术方法包括:(1)多尺度卷积特征提取——基于3×3、5×5和7×7三种卷积核的并行卷积层组,分别提取薄层纹理、河道形态及砂体组合分布的多尺度空间特征;(2)自注意力机制特征融合——通过计算查询(Query)、键(Key)、值(Value)矩阵间的相关性获取注意力权重,动态调整属性权重以抑制噪声并增强关键特征,经残差连接与层归一化后输出增强特征;(3)双输出结构设计——同步输出砂岩厚度预测图与属性重要性得分,实现预测与解释的统一;(4)监督学习策略——以113口井(共237口井)的测井解释砂岩厚度为标签,采用均方误差损失函数结合L2正则化,以70%:30%比例划分训练集与验证集,使用Adam优化器配合早停策略防止过拟合。

## 研究结果

**地震属性贡献矩阵与砂岩厚度预测结果**

基于训练好的模型,研究人员获取了属性重要性矩阵与融合砂岩厚度预测图。属性重要性矩阵显示,振幅相关属性(如均方根振幅RMS amplitude、最大振幅maximum amplitude)对厚度预测贡献更为显著,而频率与能量相关属性贡献相对较小,这为LTAF层段的属性选择提供了定量依据。该现象与现有地震数据的带宽受限分辨率一致,即频率衍生方法对精细厚度变化的敏感度降低,较低权重应被解释为当前数据条件下的敏感度降低而非地质本身不相关。

与原始地震属性图相比,融合预测图呈现出更清晰的地质模式与改善的连续性,表明多尺度特征提取有助于捕获河道形态与侧向连通性,自适应融合则抑制了离散噪声并增强了空间一致的砂体信号。具体而言,多尺度卷积特征提取与自注意力加权融合增强了模型识别砂岩体的能力,振幅相关属性与砂岩厚度预测结果在空间维度上呈现出更清晰的累积趋势,这是原始地震数据图中难以观察到的。融合后的厚度预测图更清晰地展示了储层特征与地震属性的关系,便于解释;而未经融合的原始属性图往往分布稀疏、噪声水平高,难以揭示储层复杂性与细节。

**模型验证**

研究人员采用决定系数R2作为主要验证指标。所提模型的验证结果显示R2 = 0.8954,表明模型能够解释研究区砂岩厚度的大部分变异。与之对比,以代表性单一地震属性(均方根振幅)为预测变量的线性回归模型R2 = 0.8281,随机森林回归模型R2 ≈ 0.8453,均明显低于所提模型。所提模型在所有测试方法中达到最高R2,表明其具有更优的非线性回归能力与复杂非均质砂岩储层厚度预测的泛化性能。

残差分析显示,预测残差总体围绕零线分布,存在轻微负偏(均值?0.41 m,中位数?0.21 m),表明平均存在轻度低估;整体误差水平为平均绝对误差MAE = 1.01 m、均方根误差RMSE = 1.37 m。大部分残差集中于零附近,尾部与少数异常值指示局部不确定性,可能与低信噪比及采集处理假象、薄层调谐/干涉效应、快速侧向岩相转换以及构造复杂性(断裂或陡倾角)有关。因此,绝对残差较大区域应被视为较高风险目标,优先进行额外验证。

**地质与工程意义**

LTAF层段预测的砂岩体主要沿B气田中央凹陷区的辫状河道与三角洲前缘有利通道分布,与既定沉积相认识一致;若干有利区向构造低洼与斜坡区延伸,指示值得进一步评价的潜在目标。厚度预测图可转化为可操作的决策支持工作流:首先,基于厚度阈值与连通性标准筛选新井候选位置并规避噪声引起的孤立异常;其次,为位于预测厚度梯度附近的现有井提供干预措施优先级排序的定量依据;第三,属性重要性输出建立了预测与地震响应间的可解释联系,支持不同区块内模型决策驱动因素的风险管理。

## 讨论与结论总结

研究人员构建了融合多尺度CNN与自注意力机制的智能地震属性表征模型,在同一网络架构下同时实现地震属性融合、储层厚度预测与属性重要性分析,兼顾预测精度与可解释性。多尺度卷积特征提取模块有效提取了从薄层边界、河道形态到砂体分布的多层次/多尺度空间特征;自注意力机制建模属性间相关性并进行自适应加权融合,使关键地震属性在厚砂区呈现更为集中连续的空间响应。属性权重分析结果表明,均方根振幅、最大振幅等振幅相关属性对砂岩厚度最为敏感,部分频率与能量相关属性贡献较小,为研究区有利地震属性选择提供了定量依据。

该模型在南苏门答腊盆地B气田LTAF砂岩储层取得良好应用效果,在中高频地震数据相似区域具有扩展应用潜力。但模型性能仍依赖于井约束的数量与质量及地震属性品质,其在低信噪比、井数极少及/或更高非均质性区域的适用性有待进一步评估。未来研究将尝试引入三维卷积/时间注意力联合约束及多源数据(如测井、地质模型、反演体),并开展不确定性量化以进一步提升模型的可靠性与工程适用性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号