极限学习机驱动的地震多属性融合识别曲流带单一点坝

张宪国 吴啸啸 黄德榕 林承焰

(①中国石油大学(华东)地球科学与技术学院，山东青岛 266580；②中海石油(中国)有限公司上海分公司，上海 200335)

0 引言

曲流河砂体是陆相沉积中最主要的油气储集体之一。伴随河道形态变化和反复沉积、侵蚀，平原区曲流河河谷内残留点坝复合沉积体[1-3]。识别曲流河点坝对于研究曲流河演化特征、指导油气藏开发等具有重要意义[4-5]。然而，曲流河往往经历多期改造而形成复合微相单元，如何利用地震资料准确预测砂体厚度的变化并识别复合体内部的单一点坝，是曲流河储层预测的关键。围绕上述问题形成了一系列的地震储层预测技术(如地层切片[6-10]、地震属性分析[11-13]及地震反演[14]等技术)，其中地震属性分析是最简单、有效且发展迅速的方法。新的单一属性类型的研发和多属性融合是地震属性分析技术发展的两大方向。近年来，以分频属性融合技术[15]、基于机器学习的多属性分析[16-18]等为代表的地震属性融合分析技术广泛应用于河流相储层的研究。

极限学习机(ELM)是一种基于前馈神经网络构建的机器学习方法，它优化了隐层节点的调整，采用随机神经元和随机连接，在学习速度上显著优于支持向量机(SVM)和深度学习方法[19-20]，而且泛化能力强，预测误差小[21]。陈芊澍等[22]和Wang等[23]利用极限学习机算法进行地震多属性分析，在煤层及裂缝带预测方面取得了良好的效果，但是在储层研究领域的其他方面的应用尚未见文献报道。……