【導讀】現階段，層序地層學的定量研究主要是在計算機的層序模擬方面，而對于層。序地層單元的識別及對比的定量研究涉及的比較少。然而進行層序地層單元定量。煩雜的數據分析工作智能化的前提。方法兩個方面展開研究。在分析了大量地震、測井等資料的基礎上，通過不同的。法上首先對層序地層單元的內部特征從頻譜特征、測井曲線形態(tài)、地球化學標志，其中在頻譜特征的描述中對河流相沉積環(huán)境建立了Fu旋回、Fu. 在近岸水下扇沉積環(huán)境中建立了Cu－Fu型、Cu－Cu型和Cu－。Hu型三種準層序類型的頻譜特征。

　　

【正文】 式中 ， x 為實際測井曲線的活度 ， maxx 、 minx 為本條測井曲線所有活度中的最大值和最小值 ， 而 X 則為歸一化后的測井曲線的活度值 (0≤ X ≤ 100 )。 最后對歸一化后的測井曲線活度進行加權后就可以得到最后的綜合活度曲 線。 ?????????????1aXaE(H)M1iiiM1ii （ 3－ 8） 式中， E（ H） 為測井綜合活度值， Xi為第 i 中測井曲線的活度值， ai為權系數值，M 為參與加權的測井曲線的個數。 圖 3－ 4 T715 井測井曲線活度加權法分析準層序單元識別結果 從圖 3－ 4 中可以看出，綜合活度曲線具有各種曲線的分層特點，使得劃分的準層序更具有參考性。 小波分析法 小波分析作為數學的一個新分支日益受到重視和深入研究，近十幾年來在信號分析、圖像處理、量子力學、計算機識別、機械故障診斷等領域得到了廣泛應用。小波分析的特點是具有多分辨率，克服了 Fourier 分析的單一分辨率及不能反映時域頻域第 3 章 層序地層單元界面定量劃分方法 18 的局部性特征的缺點，因此更能反映由粗到細的人工層序單元劃分方法。應用不同的小波基函數對測井曲線進行小波變換，根據其頻 譜的變化可以用于識別層序地層單元。 小波變換就是把某一稱為小波函數 )(t? 的自變量 t 進行位移 （ b） 和伸縮（ a）處理后與待變換的函數 )(tf 作內積而得到具有雙參數 a 和 b 的函數 ),( baWf ： dtabttfabaW f ? ???? ??? )/)(()(1),( ， a0 （ 3－ 9） 通常 )(t? 具有有限的支撐集，即 )(t? 在 t 的一個有限集合，例如在 [0， T]之外全部等于 0，記為 TtSupp ?? )( 。此時，上述積分只包含 b 的視窗 [b， aT+b]內部不等于0。而視窗的位置隨 b 移動，其大小隨 a 伸縮。另外，上述積分可以化成褶積，因此小波變換是將視窗中的 )(tf 進行濾波處理，此濾波是一種帶通濾波。 a 越大頻帶越窄，視窗越大越模糊；反之， a 越小頻帶越寬，視窗越小，分辨率越高。這與人們觀察事物的規(guī)律剛好一致，站的越遠視野越開闊，看的越模糊，反之看的較清晰。 小波基函數的選擇對小波 變換的結果也有顯著的影響，因此有必要對常用的小波基函數進行簡單的介紹： a. Harr 小波 ????? ??? ????其它,0,1,1)( tttH （ 3－ 10） 對平移具有正交性： ????? ???? 0)()( dtntt HH， n=0， ????? ,2,1 b. Daubechies 小波（ dbN） Daubechies 小波是具有緊支集的標準正交基，沒有固定的解析表達式，并且大部分不具對稱性；縮寫 dbN 代表一類 Daubechies 小波基， N 為序號，當 N=1 時， db1就是 Harr 小波 其離散小波變換的模平方具有固定的表達式： 當 ? ?? ?? 12 00 21)( Nk ikwk ehm ? （ 3－ 11） ))2(( s in))2(( c os)( 2220 ??? Pm N? ，其中 ? ?? ??? 10 1)( Nk kkNk yCyP c. Symlet 小波（ symN） Symlet 小波是在 Daubechies 小波的基礎上，增加了對稱性，大部分性質與Daubechies 小波相 同，這里的 N也是序號。 d. DMeyer 小波 (Discrete Meyer Wavelet) 第 3 章 層序地層單元界面定量劃分方法 19 DMeyer 小波是 Meyer 小波的離散形式， DMeyer 小波也是具有緊支集的標準正交基。 有關小波變換及其基函數的詳細介紹，請參閱有關文獻 [55][56]。 通過小波分析發(fā)現，某些測井曲線 頻譜變化的旋回性可以反映層序地層單元變化的旋回性， 我們 利用對坨 715 井沙三中第 Ⅱ 層序湖退體系域 － 米井段的自然電位（ SP）、自然伽馬（ GR）、 視電祖率（ RT）三種曲線進行了小波變換進行準層序級別的識 別，共識別出三個準層序，下面是分析的結果。 四種小波均采用了五級分解（縱坐標表示數據的點數，橫坐標大小只具有相對的意義），并選擇某一個分辨效果最好尺度的高頻信號來識別。 1） Daubechies 小波 Daubechies 小波我們選取了 N=3 即 db3 進行變換， SP 曲線選擇第 3 尺度的高頻信號， GR， RT 選擇了第 2 尺度的高頻信號，識別效果如圖 35。 SP 曲線的識別效果要差一些，第 2 準層序與第 3 準層序之間具有較明顯的分界面， GR 曲線的識別效果最好，可以分出 3 個準層序。 圖 3－ 5 坨 715 井測井曲線 Daubechies 小波 (db3)分解結果（ 5 level） 2） Harr 小波 Harr 小波相對于 Db3 分辨效果要差得多， SP 曲線選擇第 3 尺度的高頻信號， GR，RT 選擇了第 2 尺度的高頻信號，識別效果如圖 3－ 6。 對于 GR 曲線和 RT 曲線可以識別出第 2 準層序與第 3準層序之間的界面，而 SP 曲線區(qū)分度不大。 第 3 章 層序地層單元界面定量劃分方法 20 圖 3－ 6坨 715 井測井曲線 Harr 小波分解結果（ 5 level） 3） Symlet 小波 Symlet 小波選取 N=3（即 Sym3）進行變換， SP 曲線選擇第 3 尺度的高頻信號，GR， RT 選擇了第 2 尺度的高頻信號。其分辨效果與 Daubechies 小波差不多， RT 曲線的分辨程度最好， 2 個分界線都很明顯，而 SP 曲線最差，幾乎不能分辨出界限。GR 曲線分辨的也不是很明顯，如圖 3－ 7 所示。 圖 3－ 7坨 715 井測井曲線 Symlet 小波 (Sym3)分解結果（ 5 level） 4） Dmeyer 小波 第 3 章 層序地層單元界面定量劃分方法 21 Dmeyer 小波的分辨效果都不如前面 3 種小波。 SP 曲線選擇第 5 尺度的高頻信號， GR 選擇了第 2 尺度的高頻信號， RT 曲線選擇了第 3 尺度的高頻信號。只有 RT曲線能較好的識別出 2 個界線， SP， GR 曲線幾乎不能分辨，如圖 3－ 8 所示。 圖 3－ 8坨 715 井 測井曲線 Dmeyer 小波分解結果（ 5 level） 通過上面的分析可以發(fā)現， 4 種小波中以 Daubechies 小波和與之相似的 Symlet小波的識別效果最好。而測井曲線以視電阻率曲線最好，自然伽馬次之，自然電位最差。為了證實以上結論，我們又對坨 15坨 71坨 7坨 7坨 762 的測井曲線進行識別，其識別效果統(tǒng)計結果如下表 3－ 1： 表 3－ 1 各小波變換及測井曲線識別效果統(tǒng)計表（ %） Daubechies 小波 Harr 小波 Symlet 小波 Dmeyer 小波 自然電位（ SP） 自然伽馬（ GR） 45 視電阻率（ RT） 分析發(fā)現結合視電阻率曲線的 Symlet 小波識別效果最好， 71 個人工劃分層序可以識別出 60 個，識別率達 %.而自然電位曲線的 Dmeyer 小波變換效果最差只能識別出 29 個，識別率只有 %。 神經網絡法 神經網絡近些年來廣泛的應用于模式識別、圖像處理、控制、預測等問題，在地質領域運用神經網絡方法對沉積相、地震相的識別方面也取得了可喜的效果。在層序地層學定量研究中主要利用半線性前饋式 BP 網絡來實現，它能夠很好地解決輸入與輸出間的關系和難以確切的數學形式表達的復雜的非線性模式識別問題。 1）準層序單元特征選取 第 3 章 層序地層單元界面定量劃分方法 22 準層序是層序地層的基本單元，是以海（湖）泛面或其相應的界面為邊界的一組有內在聯系的相對整合的巖層或巖層組序列。這里所討論的是河流、三角洲等碎屑巖沉積環(huán)境，在三角洲環(huán)境中，準層序是一個進積序列，反映水體逐漸變淺，測井曲線表現為曲線幅度的逐漸加大，而在河流環(huán)境中，準層序是一個退積序列，測井曲線表現為曲線幅度的逐漸減?。ㄈ鐖D 3－ 9）。 圖 3－ 9向 上變細和向上變粗的準層序測井曲線模式 對于這兩種準層序模式，我們通過鏈碼的方式將這兩種模式數字化，鏈碼的表示方法是用 0…7 這八個數值來表示 8 個不同的角度（方向）（如圖 3－ 10），用曲線的分段角度變化值來描述曲線輪廓。設前一輪廓點 (數據點 )鏈碼方向值為 a，當前點鏈碼為方向值 b，那么鏈碼 a 與 b 構成的角度（方向）可有如下幾種： b=a，則鏈碼方向 kj1 與 kj之間構成 180176。內角，成一直線線段； b=(a177。1)mod 8，則鏈碼方向 kj1與 kj之間構成的內角是 135176。； b=(a177。2) mod 8，則鏈碼方向 kj1與 kj之間構成內角是 90176。； b=(a177。3) mod 8，則鏈碼方向 kj1與 kj之間構成的內角是 45176。； b=(a177。4) mod 8，則鏈碼方向 kj1與 kj之間構成的內角是 0176。 我們在分析曲線時往往是自上而下的進行的，因此只需 01234 五個方向就可以表示曲線的輪廓了。一個典型的向上變粗的準層序模式測井曲線可以用鏈碼表示為1322342232（如圖 3－ 11）。由于鏈碼只能表示出曲線的基本形態(tài)，不能反映出曲線圖 3－ 10 八鄰域鏈碼方向示意 圖 第 3 章 層序地層單元界面定量劃分方法 23 的振幅特征，在實際的特征提取中還需要加入形態(tài)的振幅特征。我 們采用等間距采樣的橫行間隔差值來表示曲線的振幅。假定采樣間隔為一個單元，兩相鄰點間的橫向距離即為振幅。加入振幅信息的鏈碼表示為 1（ 6） 3（ 5） 2（ 4）2（ 4） 3（ 4） 4（ 3） 2（ 2） 2（ 2） 3（ 2） 2（ 1）（括號中的數值就是對應的振幅信息）。經過鏈碼編碼后的測井曲線序列可以作為我們進行網絡學習的輸入。 2） 網絡結構及算法 對于經過鏈碼編碼后的測井數據，我們將采用 BP 網絡來對其進行訓練，建立相應的識別權系數。 BP 網絡是一種誤差反向傳播神經網絡，它是在模式分類中用得最多的一種神經網絡。從結構上來講，它是一種 分層型網絡。具有輸入層、中間層（隱藏層）和輸出層的三層結構（如圖 2－ 12）。 圖 3－ 12 BP 神經網絡模型 它每層的權值都可以通過學習來調整，可以有二個或以上的中間層，當給定一個輸入模式時，輸入信號由輸入層到輸出層的傳遞是一個前向傳播的過程，如果輸出信號與期望信號有差別，即存在誤差，那么就轉入誤差反向傳播的過程，并根據各層誤差的大小來調節(jié)各層的權值。盡管從學習的角度看，信息的傳播是雙向的，但 BP 網絡的結構仍是單向的，不存在信息的反饋．所以它仍然是一種前向型網絡。 在網絡設計中，為了提高網絡的穩(wěn)定性及其網 絡訓練速度，在程序中使用了附加動量法和自適應學習速率訓練網絡。我們借助 MATLAB 功能強大的神經網絡工具箱和其便捷的矩陣運算能力可以方便的實現上述功能。 圖 3－ 11 測井曲線的編碼方式示意圖 第 3 章 層序地層單元界面定量劃分方法 24 我們選取了 濟陽坳陷東營凹陷的勝坨油田的一個斷塊作為研究工區(qū)，該斷塊北側為一傾向向南的正斷層，南側為兩條小的向北傾斜的次級斷層。主要的研究層系是新生界下第三系砂河街組中的沙三段和沙四段。沙三段上部主要為灰色含礫砂巖、砂巖夾泥巖和少量碳質泥巖，產介形類。中部主要為深灰色泥巖夾泥灰?guī)r和淺灰色不等粒含礫砂巖，含介形類。下部主要為深灰色、棕褐色泥巖、鈣質泥巖和油頁巖 ，夾少量粉砂巖，產介形類。沙四段有的區(qū)域為白云巖，灰?guī)r，或者油頁巖，有的區(qū)域有大量的砂礫巖，礫巖。我們首先 利用特殊處理的三維地震剖面、測井、巖心、試油試采等資料，從單井高分辨率層序地層單元研究為出發(fā)，對勝北斷層下降盤一側的層序 Ⅰ —Ⅲ 內部的高分辨率層序地層單元進行了詳細的劃分和對比。 通過人工劃分之后，我們考慮建立該區(qū)的神經網絡識別的訓練模型。根據兩類準層序模型，我們將模型的鏈碼＋振幅作為樣本的輸入，輸出樣本為對應的兩類（如表3－ 2）。 表 3－ 2 神經網絡識別模式的訓練模型 模型 樣本輸入 樣本輸出 鏈碼 振幅 模型一 1322342232 6544432221 1000000000 模型二 2221002244 1112234432 0000000001 采用的 BP 網絡為 3 層結構，輸入節(jié)點為 1，隱層節(jié)點為 5，輸出節(jié)點為 1。網絡的學習速率為 ，最大訓練次數為 5000，訓練允許誤差為 10－ 5。隱層各節(jié)點對輸入的響應函數為 S 形函數，即