地層圈閉虛擬層位自動構建技術

鄭文召

(中國石化勝利油田分公司 勘探開發研究院，山東 東營 257015)

地層圈閉虛擬層位自動構建技術

鄭文召

(中國石化勝利油田分公司 勘探開發研究院，山東 東營 257015)

由于地層圈閉目的層反射較弱，層位解釋難度及誤差大，會造成儲層預測不準確。本文針對地層圈閉的收斂儲層的特點，利用已鉆井信息，開發了基于線性內插及支持向量機非線性擬合的虛擬層自動構建技術，分別適用于不同的勘探程度區。通過實際工區資料的應用，較好的解決了地層圈閉儲層描述不準確的問題。 盆緣斜坡帶是發育地層-不整合圈閉的重要場所。地層剝蝕或超覆尖滅造成地層厚度變化大，地震反射表現為“楔狀”特征，采用現有的時窗設置方法難以提取"楔狀"反射內部不同層組的地震屬性，造成邊緣相帶儲層預測的誤差大。提出依據鉆井確定目的層厚度超剝減薄的比例，在 "楔狀"反射體內，采用等比例內插方法構建虛擬的層序反射界面，然后在虛擬界面與層序界面控制的變時窗內進行屬性分析。該方法克服了沿層提取屬性造成的穿時現象，實現了在有限解釋層條件下，對超剝地層內部進行屬性提取和分析。通過在草橋地區的應用，提高了不整合圈閉內儲層預測的精度。

地層圈閉；虛擬層位；支持向量機；自動構建

隨著隱蔽油氣藏勘探的深入，地層油藏在勘探中所占的地位越來越重要。地層油藏是指油氣在儲層上傾方向直接與不整合面相切而被封閉所形成的地層圈閉中聚集而形成的油藏[1]，濟陽坳陷受多期構造沉降的影響，形成了"四凹六凸"的沉積模式，即四個沉積凹陷及六個沉積凸起，在凹陷邊緣的緩坡帶、陡坡帶、各沉積凸起周緣、盆地內古近系及新近系低凸起翼部，形成了多期廣泛發育的不整合地層油藏[2-4]。分析地層圈閉的儲層特點，準確預測地層圈閉的儲層發育范圍對于指導地層油藏的勘探開發具有重要的意義[5-7]。

地層圈閉的典型特點是向不整合面方向地層逐漸超覆或剝蝕尖滅，地層厚度由洼及坡逐漸變薄，采用常規的固定時窗進行地震屬性分析，都將產生不等時問題，影響分析的精度；而且尖滅線附近地層薄，受地震分辨率影響，難以追蹤解釋不同組段的反射特征，影響尖滅帶附近屬性分析，從而制約對這類圈閉的精細評價。目前，隨著勘探的深入及技術的發展，控制地層油藏分布邊界的地層超覆或剝蝕尖滅線位置已經可以準確確定。本文從地層不整合圈閉特征出發，提出了一種適用于超剝地層的虛擬層位構建方法，即針對單斜地層和構造起伏地層分別采用線性和非線性內插擬合方式構建虛擬層，然后在層控時窗內進行屬性提取分析，通過草橋地區的應用，提高了超剝帶地層不整合圈閉內儲層預測精度。該方法對斜坡帶不整合圈閉的評價具有較大的推廣應用價值。

1 虛擬層位自動構建方法

對于地層圈閉而言，首先通過敏感屬性分析及夾角外推、蟻群追蹤等最新的超剝線識別技術，精確刻畫地層不整合的超剝線位置，而超剝線的精確位置是該方法實現的前提。在構建虛擬層位時，由內部通過擬合層位實現的。不同地質條件下，構建方法不同。

1.1 構造簡單區

在構造平緩且勘探程度較高的地區，由已鉆井的單井時間差與各井間的線道號差值相除得到線方向和道方向的時間梯度，通過線性計算可以獲得任意點相對于參考點位置的準確時間殘差，進而與控制層位計算得到合適的變時窗層位。

從已知的不整合的超剝點出發，在標準層控制下，與各單井時間值相減得到時間差，與各井間的線道號差值相除得到線方向和道方向的時間梯度Line_G以及Cdp_G，進而可以推導出任意點x處(Linex,Cdpx)相對于參考點(Line0,Cdp0)的時間殘差：

對于不整合面之下剝蝕地層變時窗層位提取方法原理如圖1(a)所示。計算公式如：

其中，(line0，cdp0)為參考點；line_G為地震線方向變化梯度；cdp_G為地震道方向變化梯度；?h為參考點處的地層厚度；△h*為地層厚度變化量；h為已知目的層底界面解釋成果；huncon為已知不整合面解釋成果；hx為所求變時窗層位解釋成果。

同理，對于不整合面之上超覆地層變時窗層位提取方法原理如圖1(b)所示。計算公式如下：

其中，h為已知目的層頂界面解釋成果，其他參數與公式(2)中意義一致。

該方法假定地層厚度變化量不變，首先計算已知井點兩兩之間的不同方向上地層厚度變化量，計算其平均值，獲得地層厚度在空間的變化趨勢；然后根據參考點的位置及其對應的地層厚度，計算得到未知點的地層厚度，最后聯合不整合面和目的層底界面解釋成果，根據上述公式即可求得目的層頂面的解釋成果hx。

圖1 不整合地層變時窗拾取示意圖

2.2 復雜構造區

在勘探程度較低地區、或復雜構造區，采用線性內插計算方法誤差較大，為解決這一問題，采用基于支持向量機的非線性擬合技術，由標志層控制，通過井標定結果進行趨勢面擬合獲得可靠的虛擬層擬合結果。

支持向量機(Support Vector Machine, SVM)是一種基于Vapnik的統計學習理論新的機器學習算法，廣泛應用于模式識別及非線性回歸估計[8-10]。用于非線性回歸估計的支持向量機的基本思想是通過用內積函數定義的非線性變換將輸入空間變換到一個高維空間，然后在這個高維空間中尋找輸入變量和輸出變量之間的一種線性關系[11]。支持向量機算法也是通過樣本點的學習來擬合樣本點的值，它可以解決傳統神經網絡算法存在的問題，比如神經網絡算法只能在在樣本點附近獲得最好的擬合結果，同時在樣本點較少的情況下會出現過度擬合的結果，算法泛化能力差且不穩定。支持向量機算法是一個凸二次優化的過程，能夠在樣本點外找到最優解，而且能克服樣本點較少時泛化能力差的問題，得到好的擬合結果，同時，支持向量機算法穩定，適用于非線性、高維數問題。

在標準層控制下，根據標定結果，標準控制層與目標層相減得到單井對應的時間殘差值，將多口井的殘差值進行SVM非線性趨勢面擬合，獲得整個平面上所有點的時間殘差，最后，時間殘差和標準控制層進行數學運算，最終構建得到目標層的虛擬層位。

該方法具有較強的小樣本學習能力及泛化能力，支持向量機算法不但對高勘探程度區有很好的適用性，對于已鉆井較少的低勘探程度區及復雜構造區也有較好的適應性，在樣點較少的情況下獲得符合地質情況的擬合面。

3 實際應用效果分析

將上述方法在東營凹陷南部某地區進行了應用。研究認為，該地區發育新近系與古近系剝蝕不整合，不整合面為T1反射層，其下古近系自西向東，由北向南逐漸遭受剝蝕，表現為逐漸收斂的"楔狀反射特征，如圖3所示。目的層沙三上亞段頂底分別對應t3與t4反射層。受地震分辨率限制，難以進行全區的追蹤解釋，要分析內部各砂體儲層的變化，必須采用相應的時窗。首先在全區對不整合面T1及目的層頂底T3、T4進行解釋閉合(如圖2)，利用草109井等地層厚度的變化以支持向量機算法擬合其頂部反射(圖3中黃色線)，在剝蝕區與不整合層位結合作為該地層的虛擬頂面，可以看出，這種虛擬層位正確反映了地層的厚薄變化，特別是在不整合面的剝蝕線附近，儲層被新地層剝蝕尖滅的沉積特征清晰可靠。

在T4和虛擬的層位確定的時窗內，提取均方根振幅屬性(見圖3)，可以看出，沿剝蝕線附近主要為藍色弱振幅反射區，儲層不太發育。

圖2 草南地區沙三上段變時窗拾取結果

而利用目的層之上的解釋層位向下取常時窗，漏失不整合剝蝕線附近地層的儲層預測結果，即圖3中白色虛線與黑色實線之間區域；利用目的層之下解釋的標志層位向上取常時窗，則不整合超覆線附近地層會發生穿時，如圖4中紅色圈內，造成強振幅假象。采用變時窗分析方法較為準確的包括目的層信息，不僅沒有漏失地層，而且有效規避了地層穿時引起的不整合面之上地層信息的干擾，預測結果更加準確。

圖3 研究區地層圈閉虛擬層控制時窗振幅屬性圖

圖4 研究區地層圈閉常時窗振幅屬性圖

4 結論與認識

(1)對于構造簡單、厚度變化小的單斜地層而言，采用基于標準層控制的井點處時間殘差的線性內插方法，可以快速有效的獲得單斜地層虛擬層位；

(2)對于構造起伏大，地層厚度變化大的地層，采用基于標準層控制的支持向量機非線性擬合，在已知井點殘差值較少的情況下依然可以實現虛擬層位的準確擬合。

(3)該方法可以實現“楔狀”地層的虛擬層位構建，能夠正確反映不整合地層厚度變化，克服了人工解釋誤差大且費時費力的問題，有效提高了工作效率。

(4)利用構建的虛擬層位約束進行儲層預測，對于超剝線附近的儲層描述更加準確，預測結果的可靠性性及準確度顯著提高。在實際地區應用效果明顯，值得在類似地區推廣。

[1] 李丕龍,龐雄奇.陸相斷陷盆地隱蔽油氣藏形成-以濟陽坳陷為例[M].北京:石油工業出版社,2004:12 -16.

[2] 王永詩,石砥石.濟陽坳陷新近系地層油藏特征-以太平油田為例[J].油氣地質與采收率,2006,13(1):44-46.

[3] 隋風貴,趙樂強,林會喜,等.濟陽坳陷第三系地層油藏形成機制與組合模式[J].油氣地質與采收率,2005,,12(6):1-5.

[4] 易士威.斷陷盆地巖性地層油藏分布特征[J].石油學報,2005,26(1):38-41.

[5] 張建林.地層不整合對油氣運移和封堵的作用[J].油氣地質與采收率,2005,12(2):26-29.

[6] 袁秉衡,林 梁,劉秋生.重要的油氣圈閉不整合圈閉[J].石油勘探與開發,1985,12(1):1-7.

[7] 王化愛,高永進,張建忠,等.王莊地區地層油氣藏形成條件及分布規律[J].特種油氣藏,2004,11 (5):27-31.

[8] 王延江，楊培杰，史清江，等.基于支撐向量機的井眼軌跡預測新方法[J].中國石油大學學報：自然科學版，2005,29(5):50-53.

[9] Boser B E,GuyonI M，Vapnik V N.A training algorithmfor optimal margin classifiers[J]. Workshop on Computational Learning Theory , 1996 , 5 :144-152.

[10] Cortes Corinna, Vapnik V. Support-vector networks[J]. Machine Learning,1995,20(3): 273-297.

[11] 楊培杰，印興耀. 基于支持向量機的疊前地震反演方法[J].中國石油大學學報：自然科學版，2008,32(1):37-41.

(本文文獻格式：鄭文召.地層圈閉虛擬層位自動構建技術[J].山東化工，2017，46(10)：137-139.)

The Automatic Construction Techniques for Virtual Horizon in Stratigraphic Reservoirs

ZhengWenzhao

(Research Institute of Exploration and Development, Shengli OilfieldCompany of SINOPEC, Dongying City, Province 257015, China)

It is difficult to interpret the horizon of the stratigraphic reservoirs because of the weak reflectivity, the interpretation mistake will cause inaccurate reservoir prediction. In this paper, according to the characteristics of the reservoir formation reservoir of convergence, the automatic construction techniques for virtual horizon is developed based on linear interpolation and support vector machine (SVM) nonlinear fitting. The techniques is applicable to different degree of exploration area. Through the application of the actual data, the description inaccurate problems of stratigraphic reservoir were solved.

stratigraphic reservoir;virtual horizon;support vector machine (SVM) ;automatic construction

2017-04-10

鄭文召(1984—)，山東東營人，中國石化勝利油田分公司 勘探開發研究院，工程師，碩士，2010年畢業于中國石油大學(北京),現從事石油地球物理勘探研究。

P618.13

A

1008-021X(2017)10-0137-03