加纳近海深水塔诺盆地弹性属性建模与勘探前景的集成人工神经网络工作流

《Journal of African Earth Sciences》：Integrated Artificial Neural Network Workflow for Elastic Property Modelling and Prospectivity in Deepwater Tano Basin, Offshore Ghana

　　

摘要

有效的储层表征需要准确预测地下弹性属性。然而，在加纳近海塔诺盆地等前沿深水环境中，传统的经验模型无法捕捉由于快速相变、非均质分层以及有限的剪切波速度数据而产生的地质复杂性。本研究开发了一种稳健的工作流程，整合了传统的经验模型、地震属性、测井数据和人工神经网络（ANNs），用于预测纵波速度（Vp）和横波速度（Vs）测井曲线。基于测井尺度的结果，将ANN模型扩展到地震域，利用三种地震属性（全叠加振幅、近叠加振幅和相对声阻抗）生成了Vp和Vs的3D体积数据。生成的ANN模型显著优于传统的经验方法，提供了更可靠的Vp和Vs预测。本研究推导出了两个新颖的弹性属性：弹性速度能量密度比（EVEPD）和弹性速度能量乘积平方（EVEPS）。这些弹性属性改善了岩性和流体识别，对于目标识别、圈闭刻画以及总体上的烃类勘探储层表征具有重要意义。EVEPD和EVEPS被进一步应用于地层和构造目标的识别，从而确认了它们作为直接烃类指标（DHIs）的应用。应用于塔诺盆地的工作流程证明了其在数据有限的前沿勘探盆地中的可扩展性和可移植性。

引言

在烃类勘探和开发中，准确估计纵波速度（Vp）和横波速度（Vs）等弹性属性至关重要，以增强地震速度建模、振幅随偏移距变化（AVO）分析、岩石物理诊断以及一般的地下表征。

广泛用于Vp和Vs估计的传统模型依赖于理论岩石物理关系和经验速度模型。这些模型在数据稀少的深水浊积岩储层（如塔诺盆地）中无法捕捉复杂沉积体系的非均质和非线性特性。这凸显了采用更先进方法（如人工神经网络）的必要性，这些方法更适合分析复杂的非线性地下关系和数据稀缺问题。

深水塔诺盆地的地质复杂性和数据稀缺性，以及其拥有TEN和Jubilee发现，为本研究的选择和应用提供了良好的基础。塔诺盆地是一个浊积岩体系，以井覆盖稀疏和缺乏横波速度测井数据为特征，因此经验方法的使用准确性较低且不可靠，因此有必要整合ANN工作流程以增强弹性属性预测和勘探前景评估。

机器学习模型，特别是ANNs，通过有效模拟岩石和弹性属性之间的非线性关系，提供了一种强大的经验方法替代方案，从而与经验方法相比提供更准确的预测性能。ANN在石油地球物理学中的应用已从岩性分类扩展到速度预测和反演。然而，大多数研究集中在测井尺度上的弹性属性预测上，很少有研究扩展到3D地震体积数据，并使用独立的盲井进行有限的验证。

本研究通过开发一个由ANN驱动的工作流程来预测塔诺盆地的弹性属性，弥补了这些差距。ANNs在捕捉大量地震和岩石物理数据集之间的非线性关系方面表现出了强大的能力，这是选择合适机器学习方法的动机。随机森林和支持向量机等方法在表格预测中表现良好；然而，它们在保持3D体积预测中的平滑空间连续性方面面临挑战，可能需要更广泛的特征工程。ANNs提供了一个灵活的框架，可以直接从多种地震属性和井信息中进行训练和学习。对于本研究的客观要求，ANN的能力被认为是必不可少的。

该ANN工作流程整合了经验速度模型与ANN预测，以改善Vp和Vs的估计。此外，引入了两个新的弹性属性，即弹性速度能量密度比（EVEPD）和弹性速度能量乘积平方（EVEPS），以在深水浊积岩环境中增强岩性和流体识别。该方法是使用盲井“Alpha井”进行验证的，并扩展到3D地震数据集中生成ANN预测的弹性体积数据。

本研究的目的是评估传统经验速度模型在塔诺盆地中应用的局限性，开发和验证一个由ANN驱动的工作流程，以更准确地预测Vp和Vs，并展示ANN推导的弹性体积在地质复杂盆地中用于目标刻画、流体识别和储层表征的应用。

开发和验证两个新颖的弹性属性（EVEPS和EVEPD），以改善岩性识别和流体区分，是本研究的主要贡献。证明了ANNs是结合测井和3D地震数据生成可靠弹性属性体积的使能工具。ANN工作流程相对于经验速度模型的改进得到了揭示，并作为支持性结果，促进了新颖弹性属性的构建和生成，这凸显了本研究的新颖性和实际价值。经验模型受到均匀岩性和简单线性关系假设的限制，这对于表征深水浊积岩复杂的沉积和成岩模式是不够的。相比之下，ANN方法从数据集中的实际多元关系中学习，使其能够以显著更高的保真度重现和推断细微的岩石物理行为。这种能力不仅增强了弹性属性预测，还将ANN确立为数据有限盆地中勘探的变革性工具，在这些盆地中经验模型是不充分的。本研究中采用的综合方法是可扩展的，可以复制到其他前沿的数据稀缺盆地。

章节摘要

研究意义

预测弹性属性的传统方法通常在数据稀少的环境中失效，因为它们依赖于密集的测井可用性以及流体属性和岩性之间线性关系的假设。在井测井稀少的复杂盆地（如塔诺盆地）中，这些局限性更为明显。本研究通过开发一个整合ANN工作流程来解决这一差距，该工作流程捕捉非线性关系，并利用一种方法填补数据稀缺的空白。

方法论

本研究的方法论框架对经验岩石物理方程和人工神经网络（ANNs）进行了统计学比较，以开发一个稳健的预测模型，用于估计塔诺盆地深水浊积岩储层中的纵波（Vp）和横波（Vs）速度。该过程包括数据获取和预处理、经验建模、神经网络架构设计、模型训练和验证以及性能评估。该工作流程如图...所示。

结果与讨论

本节介绍了基于经验方法和机器学习方法对纵波（Vp）和横波（Vs）速度的预测结果。结果根据预测准确性、在岩性复杂区域的表现以及对塔诺盆地地震解释和储层评估的影响进行了分析。

基于人工神经网络的三维弹性属性体积生成建模

本研究开发了一种基于ANN的工作流程，以增强塔诺盆地中弹性属性模型的空间分辨率和预测能力。整合了测井和地震属性体积数据，生成了Vp和Vs的3D分布。研究中使用的3D地震体积数据包括全叠加振幅、近叠加振幅和相对声阻抗。选择这些3D地震属性是因为它们对流体和岩性变化敏感。全叠加...

主要发现、实际意义、局限性与未来工作

引入了两个新的稳健弹性属性EVEPS和EVEPD，并证明了它们在塔诺盆地中用于流体和岩性储层识别、圈闭识别以及增强总体勘探前景评估的有效性。通过整合测井、地震属性和机器学习，建立了一个可扩展的框架，可以应用于其他地质复杂且数据有限的盆地。这些发现表明，由ANN驱动的方法提供了更可靠的...

结论

本研究的一个核心结论是引入了两个新的弹性属性EVEPD和EVEPS，用于准确的岩性和流体识别，这些属性是从一个整合的ANN工作流程中推导出来的，该流程凸显了ANN模型在预测塔诺盆地弹性属性方面优于传统经验方法。该ANN工作流程大大提高了预测准确性，特别是对于很少测井记录的Vs。

CRediT作者贡献声明

Gordon Foli：监督。Kwasi O. Boadi：写作 – 审阅与编辑。Evelyn Dugbakuo Sappor：写作 – 原稿，形式分析，概念化。S.K.Y Gawu：监督

稿件准备过程中生成式人工智能和AI辅助技术的声明

在准备本作品期间，作者使用了ChatGPT来检查语法错误。在使用该工具/服务后，作者对内容进行了审查和编辑，并对发表文章的内容承担全部责任。

利益冲突声明

? 作者声明他们没有已知的竞争经济利益或个人关系可能会影响本论文中报告的工作。

致谢与利益冲突声明

作者很高兴感谢加纳夸梅·恩科马霍科学与工艺大学地质工程系在研究过程中的支持。

Evelyn Dugbakuo Sappor|S.K.Y Gawu|Gordon Foli|Kwasi O. Boadi

地球物理学家，加纳国家石油公司，特马，加纳