深水扇儲層物性多屬性反演方法研究——基于“步聰法”進行敏感地震屬性組合優選

董建華 范廷恩 高云峰

(中海油研究總院)

深水扇儲層砂泥巖縱波阻抗動態值域范圍常常相互疊置,疊后縱波阻抗反演方法無法區分砂泥巖特征,不能滿足開發階段精細儲層描述的要求;而疊前反演方法要求的基礎資料(疊前角道集、全波列測井的縱橫波速度等)在實際生產中獲得的難度比較大,成本比較高。筆者在探討“步聰法”優選敏感地震屬性組合的基礎上,利用概率神經網絡算法建立儲層物性參數和敏感地震屬性組合之間的非線性關系,實現了儲層物性參數的直接反演。該方法在A油田應用取得了較好的效果,解決了該油田深水扇儲層砂泥巖縱波阻抗動態值域范圍相互疊置情況下的巖性識別及儲層物性描述等問題。

1 “步聰法”優選敏感地震屬性組合

1.1 多屬性反演的基本原理

多屬性反演的基本原理是在已知井點處建立目標儲層參數和敏感地震屬性組合之間的關系,并將其按照空間距離關系外推到待預測的樣點處,以達到特征儲層參數直接反演的目的[1-3],如圖1所示。

在建立目標儲層參數和敏感地震屬性組合之間的關系時,可以選用單一屬性,也可以選用多屬性組合,可以建立線性關系,也可以建立非線性關系。由于實際地質情況比較復雜,用單一屬性或線性關系不能很好地描述敏感地震屬性和目標儲層參數之間的關系,需要優選敏感地震屬性組合來建立反演目標函數,以實現目標儲層參數的直接反演。

圖1 多屬性反演基本原理示意圖

1.2 敏感地震屬性組合優選(“步聰法”)

在眾多地震屬性集合中合理地選取對預測反演目標儲層參數敏感的地震屬性組合非常重要。敏感地震屬性組合優選的方法有很多,比如專家經驗法、數學理論法、正演模擬法等[4-6],其主要的思路是將全部的地震屬性參與運算,通過各種優選算法逐步剔除與目標參數關聯度不大的屬性,以達到屬性降維的目的,這類屬性優選方法效率不高,還容易增加人為的主觀因素。為了提高工作效率,筆者總結出從眾多地震屬性集合中逐步優選與目標參數關聯度最大的屬性組成屬性組合,保證屬性組合的維數最優、信息容量最全、與目標參數間的關系最佳的方法,并稱這種方法為“步聰法”,其具體工作流程如圖2所示。

(1)尋找全局最優單個屬性:在單屬性相關分析過程中,對整個屬性列表 A1,A2,A3,……Am,分別計算單個屬性在井點處和目標儲層參數的相關系數以及均方根誤差。根據誤差分析結果,選預測誤差最小的屬性為全局最優單個屬性,記為AI。

(2)尋找全局最優2個屬性組合:將 AI與屬性列表中各個屬性形成一系列2個屬性組合(AI,Ai),對每個屬性組合求取加權因子,計算各屬性組合在井點處和目標儲層參數的相關系數以及均方根誤差,選預測誤差最小的屬性組合為最優的2個屬性組合,稱最優2個屬性組合中的另一個屬性為全局次優屬性,記為AJ,則全局最優2個屬性組合為(AI,AJ)。

(3)尋找全局最優3個屬性組合:將全局最優2個屬性組合(AI,AJ)與屬性列表中各個屬性形成一系列3個屬性組合(AI,AJ,Ai),對每個屬性組合求取加權因子,計算各屬性組合在井點處和目標儲層參數的相關系數以及均方根誤差,選預測誤差最小的屬性組合為最優的3個屬性組合,稱最優3個屬性組合中的另一個屬性為全局再次優屬性,記為AK,則全局最優3個屬性組合為(AI,AJ,AK)。

(4)重復上述步驟,依次類推,直至敏感屬性組合優選結束。

圖2 “步聰法”敏感屬性組合優選工作流程圖

1.3 反演目標函數的建立

在“步聰法”優選出敏感屬性組合的基礎上,應用概率神經網絡方法建立目標儲層參數與敏感屬性組合之間的非線性關系[7-9],即

式(1)和式(2)中:wi為用正態分布概率密度函數定義的第i個屬性的加權因子;pi為第i個屬性的屬性值;S為將加權因子總和歸一化的系數;di為第i個訓練樣本到預測樣點處的多維屬性空間的距離;σ為加權因子wi的正態分布密度函數的標準差;M為優選的屬性組合的維數。

分析式(2)可知,不同的σ值求得的加權因子wi不同,預測反演出的特征儲層參數也不同。如圖3所示,隨著σ值的增加,加權因子 wi的正態分布密度函數曲線逐步變寬,相同 di預測樣點的加權因子也會逐步變大,因此σ值的選取很關鍵。在實際計算過程中,我們采用迭代的辦法,選取使預測均方誤差達到最小時的σ值作為最終儲層參數反演的σ值,來計算各個加權因子 wi。

圖3 σ值對加權因子wi的影響示意圖

2 應用實例

A油田所在海域平均水深1300～1400 m,整體上是一個由泥底辟作用形成的大型背斜構造,儲層為中—晚中新世典型深水扇沉積,主要包括深海海底多期疊置水道、河道化的朵葉狀和舌(席)狀砂體。

A油田測井解釋結果表明,自然伽馬曲線能夠很好地區分砂泥巖。通過該油田縱波阻抗與自然伽馬交會分析認為,砂巖具有高縱波速度和低密度特征,泥巖具有低縱波速度和高密度特征,使得砂泥巖縱波阻抗難以區分(圖4),因此采用常規縱波阻抗反演方法無法完成儲層的巖性識別和物性描述。

圖4 A油田縱波阻抗與自然伽馬交會圖

A油田有效孔隙度與自然伽馬交會分析表明,該油田儲層具有高孔隙度特征(圖5),因此可以采用多屬性反演方法反演有效孔隙度特征參數來進行儲層巖性和物性的精細描述。

圖5 A油田有效孔隙度與自然伽馬交會圖

采用“步聰法”優選的A油田敏感地震屬性組合見表1,在此基礎上采用概率神經網絡多屬性反演方法對A油田A油藏儲層有效孔隙度進行了反演。

表1 采用“步聰法”優選的A油田敏感地震屬性組合

對反演預測的有效孔隙度和井點處實測的有效孔隙度進行對比分析發現,反演的有效孔隙度與實測的有效孔隙度曲線形態基本一致,高孔隙度異常指示明顯,有很好的相關性,如圖6所示。選取A-20井作為檢驗井進一步分析發現,在橫切水道的孔隙度過井剖面圖上,砂體呈透鏡狀分布,具有明顯的高孔隙度特征,并且各主要砂體的高孔隙度指示特征與測井顯示特征基本吻合,如圖7所示。綜合以上分析,認為采用“步聰法”進行敏感地震屬性組合優化的多屬性反演,所獲得有效孔隙度結果可靠,可以用于進一步的儲層特征描述。

基于反演的有效孔隙度數據體,沿層提取了AU 1、AU 2小層有效孔隙度圖(圖 8、9),可以很清晰地看出A油田河道砂體的平面展布和橫向連通性等特征。如在A-20井處,測井資料解釋成果(圖10)顯示AU 1小層為砂巖,AU 2小層為泥巖;在有效孔隙度平面圖上,AU 1小層在A-20井處有很好的高孔隙度特征指示(圖8),根據測井解釋的有效孔隙度下限值可以確定其為砂巖,而AU2小層在A-20井處卻沒有高孔隙度特征指示(圖9),這與測井解釋成果一致,說明依據高孔隙度特征圈定的儲層橫向展布范圍與實際地質情況相符,再次驗證了反演結果的準確性。

3 結論

多屬性反演方法的核心是敏感屬性組合的優選。本文探討的“步聰法”敏感屬性組合優選方法,能夠使屬性組合維數最優、信息容量最全,且與目標參數間的關系最佳,能夠很好地解決深水扇儲層砂泥巖縱波阻抗動態值域范圍相互重疊條件下的儲層描述問題。

[1] CHEN Quincy,SIDNEY S.Seismic attribute technology for reservoir forecasting and monnitoring[J].The Leading Edge,1997,16(5):445-456.

[2] 姜秀清.儲層地震屬性優化及屬性體綜合解釋[D].廣州:中國科學院研究生院,2006.

[3] 彭路平,王一剛,劉劃一.地震多屬性對碳酸鹽巖有利儲集層及含氣性預測[J].中國石油勘探,1999,4(3):53-56.

[4] COOKE D,BALL V.W hat is the best seismic attribute fo r quantitative seismic reservoir characterization?[C]SEG 69th Expanded Abstracts,1999.

[5] 陳遵德.儲層地震屬性優化方法[M].北京:石油工業出版社,1996.

[6] 羅德江.地震屬性優化和神經網絡在儲層預測中的應用[D].成都:成都理工大學,2006.

[7] 張志國.人工神經網絡及其在地學中的應用研究[D].吉林:吉林大學,2006.

[8] 蔡曲林.基于概率神經網絡的模式識別[D].長沙:國防科學技術大學,2005.

[9] 劉文嶺.牛彥良,李剛,等.多信息儲層預測地震屬性提取與有效性分析方法[J].石油物探,2002,41(1):100-106.