多屬性融合在陵水凹陷烴源巖研究中的應用

劉仕友，徐 沖，孫萬元，邢軍輝，徐曉宇

(1. 中海石油(中國)有限公司湛江分公司，廣東 湛江 524057；2.中國海洋大學，山東 青島 266100)

0 引 言

深水區油氣勘探開發有著高投入和高風險等特點，烴源巖作為油氣系統和油氣成藏的物質基礎，其分布和品質的準確預測對于尋找油氣聚集帶、闡明油氣成藏規律和資源量計算均具有非常重要的意義[1-7]。烴源巖的預測方法主要包括地球化學方法、測井方法以及地震方法。地球化學方法和測井方法主要利用測井信息與烴源巖地球化學參數之間的關系，得到縱向上連續的烴源巖地球化學參數，如烴源巖總有機碳含量[8-12]；地震方法主要從實測地震數據出發，結合沉積相等地質信息，通過地球物理反演、多屬性預測等手段建立地震數據與烴源巖總有機碳含量之間的關系[13-17]。為了解決深水區鉆井少、地震資料品質差不利于烴源巖預測等問題，該文建立了一套包含測井TOC曲線求取、地震屬性優選以及多屬性融合預測烴源巖TOC的技術流程，并將其應用到陵水凹陷深水研究區內，取得了較好的預測效果。

1 地質概況

研究區總面積為200 km2，主體位于陵水凹陷南部深水區，陵水凹陷位于瓊東南盆地中央凹陷，北部為陵水低凸起，東部為松南低凸起，南部為陵南低凸起，西與樂東凹陷相鄰(圖1)。陵水凹陷面積約為4 600 km2，是一個新生代沉積凹陷，厚度超過10 km，主要沉積了始新統、漸新統(崖城組和陵水組)、中新統、上新統和第四系[18-19]，目的層陵水組為濱海—淺海相沉積沉積[20]。

圖1 研究區構造區劃圖

研究區內僅有1口L井鉆遇目的層陵水組，缺少連續的烴源巖TOC實測值，該井位于研究區東南部的陵南低凸起上。目的層附近三維地震資料品質差，地震成像能量弱。

2 多屬性融合預測TOC技術流程

2.1 測井TOC曲線求取

研究區內L井目的層段的實測TOC數據樣本有限，并且是某一深度段的有機碳平均值，分析認為ΔlogR法更適用于L井的TOC計算。ΔlogR技術主要利用聲波時差曲線和電阻率曲線與TOC之間的響應關系建立起測井曲線與烴源巖TOC之間的定量關系模型，進而計算出測井TOC連續分布曲線。據聲波時差-電阻率疊加計算ΔlogR的方程是：

(1)

式中：ΔlogR為2條曲線間的距離；R為測井儀實測電阻率，Ω·m；R基線為基線對應的電阻率，Ω·m；Δt為實測的聲波時差，μs/m；Δt基線為基線對應的聲波時差，μs/m。

該文利用ΔlogR法得到的L井定量評價模型為：

TOC=[(logR-0.119)+0.02(Δt-105)]×100.5934+0.52

(2)

計算得到的L井TOC與實測TOC相關度達到了90%以上，平均誤差小于0.1。

2.2 地震屬性優選

多屬性融合預測烴源巖成功的關鍵是提取并優選出與烴源巖相關性好的地震屬性。在進行屬性優選時要針對研究區烴源巖的具體特性，從全體地震屬性中優選出相關性最強且相互獨立的地震屬性，達到降低多解性、提高烴源巖預測精度的目的[21-22]。該文提取了振幅包絡、小波能譜等15種地震屬性體，并進一步計算各屬性體在L井處的井旁道屬性值與通過ΔlogR法計算得到的L井TOC的相關度，篩選出11種相關度大于20%的體屬性(表1)。

表1 初步篩選出的11種地震屬性

由表1可知，25～35 Hz小波能譜屬性與TOC相關性最好，因此，剔除35～45 Hz小波能譜和15～25 Hz小波能譜屬性；同理，剔除振幅包絡、相位加權振幅屬性。最終優選出25～35 Hz小波能譜、頻率加權振幅、瞬時頻率、振幅積分、振幅導數、瞬時相位，共6種體屬性，進行歸一化處理，用來進行后面的TOC多屬性預測。

2.3 多屬性融合預測TOC

針對地震屬性體融合，常用的多屬性融合方法有多元線性回歸融合技術和神經網絡融合技術等。不同的融合方法有其適用范圍及局限性，選擇合適的融合方法對融合結果的準確性十分重要[23]。

2.3.1 多元線性回歸融合技術

多元線性回歸分析是數理統計的一個分支。假設利用n種屬性對TOC進行預測，在每個時間樣點上，TOC曲線通過下面的線性方程預測：

TOC(t)=w0+w1A1(t)+w2A2(t)+w3A3(t)+…+wnAn(t)

(3)

式中：TOC(t)為計算總有機碳含量；An(t)為第n種屬性；wn為對應的加權因子。

在求取wi時，首先需要計算預測誤差E2，使預測誤差E2最小，求得各加權因子wi[23]。

(4)

式中：E2為預測誤差；TOCi為實際總有機碳含量值。

2.3.2 概率類神經網絡融合技術

概率類神經網絡(Probabilistic Neural Network，簡稱PNN)是一種利用神經網絡結構來完成數學擬合的方法，其本質上是一種數學內插方案[24-25]。以4個地震屬性為例，訓練樣本的表示方法如下式所示：

xi={A1i，A2i，A3i，A4i，Ti}，(i=1，2，3，…，m)

(5)

式中：xi為訓練樣本；A為地震屬性；Ti是每個采樣點所對應的實際TOC值。

任意一個數據樣本屬性向量x所對應的TOC值可以用下式估計：

(6)

(7)

式中：D(x，xi)表示數據樣本屬性向量x到第i個訓練樣本屬性向量xi之間的n維空間距離(n=4)；xj為數據樣本屬性向量x的第j個屬性；xij為訓練樣本屬性向量xi的第j個屬性；σj為濾波參數。

訓練網絡的目的主要是確定最佳濾波參數σj，確定σj的準則是訓練出來的網絡應該達到校驗誤差最小。

3 預測結果分析

將計算得到的L井TOC擬合曲線作為目標值，與優選出的6種經過歸一化的體屬性在L井井旁道屬性值共同作為訓練樣本，分別使用多元線性回歸融合技術和概率類神經網絡融合技術進行了研究區陵水組TOC預測工作。

3.1 多元線性回歸融合預測TOC

利用優選出的25～35 Hz小波能譜、頻率加權振幅、瞬時頻率、振幅積分、振幅導數、瞬時相位共6種地震屬性，采用多元線性回歸融合技術得到了多元線性回歸融合結果，如圖2a所示，其中紅色曲線為預測TOC，黑色曲線為通過ΔlogR法計算得到的L井TOC，兩者之間的相關性為68%，融合效果不理想。

圖2 2種不同方法的融合結果分析

3.2 概率類神經網絡融合預測TOC

同樣利用優選出的25～35 Hz小波能譜、頻率加權振幅、瞬時頻率、振幅積分、振幅導數、瞬時相位共6種地震屬性，采用概率類神經網絡融合技術得到概率類神經網絡融合預測TOC結果，如圖2b所示，預測TOC曲線與“L井”TOC曲線的相關性達到90%，與多元線性回歸融合預測結果相比有很大的優勢。

將采用概率類神經網絡融合預測技術訓練得到的TOC與地震屬性的關系應用到整個研究區，從而得到陵水組三維TOC數據體(圖3)。

圖3 過L井概率類神經網絡融合預測TOC剖面

3.3 TOC平面分布預測

對比分析采用2種方法得到的TOC預測結果，可以看出，與多元線性回歸融合預測TOC相比，概率類神經網絡融合預測出的結果與L井擬合TOC相關度更高，因此，選擇概率類神經網絡融合預測TOC數據體進行TOC平面分布預測。在概率類神經網絡融合預測得到的陵水組三維TOC數據體的基礎上，通過求取陵水組TOC均方根得到研究區內陵水組TOC平面分布(圖4)。

圖4 陵水組TOC平面分布

由圖4可知，研究區內紅色區域為數值大于1.0的TOC高值區，主要位于研究區西北部以及東南角小部分區域，其中研究區西北部為主要高值區。藍色區域為TOC低值區，主要位于研究區東南部。研究區TOC總體從西北向東南呈高—低—高分布，其中西北部主要與陵水凹陷對應，東南角區域位于陵南低凸起。因此，研究區陵水組優質烴源巖主要分布于陵水凹陷內。

4 結 論

(1) 從鉆井實測TOC值出發，首先通過ΔlogR法計算L井TOC曲線，然后分別采用多元線性回歸融合技術和概率類神經網絡融合技術得到了研究區目的層的TOC數據體，并得到了研究區陵水組TOC平面分布圖。該技術流程克服了深水區烴源巖實測地球化學參數不足、測井稀少等困難，為研究深水區烴源巖的發育和分布提供了可靠依據和研究思路。

(2) 研究區內陵水組優質烴源巖主要位于研究區西北部以及東南角小部分區域，該區域內的TOC均方根為1.0～1.1。

(3) 通過相關性分析，最終優選出6種地震屬性進行多屬性融合預測工作，得到了較滿意的結果。該問題仍需進一步深入研究，尋找更好的解決方案。