基于電阻率約束的分頻屬性反演在油氣檢測中的應用—以渤海B構造為例

鄧少清， 孫佳林， 張京思

(中海石油(中國)有限公司 天津分公司渤海石油研究院，天津 300459)

0 引言

隨著渤海海域油氣資源的不斷開發和勘探技術的不斷進步，油氣成藏類型由構造向巖性隱蔽成藏圈閉轉移，對油氣檢測的要求越來越高。在進行反演工作之前，通常會根據研究工區內具備的條件來選擇合適的反演方法[1]。每一種反演方法都有其具備的優勢和局限性，比如疊前反演較疊后反演預測精度較高，但檢測流程復雜，工作周期長。常規地震反演中的約束稀疏脈沖反演和模型反演也都有各自的缺陷：模型反演適用多井工區，其關鍵是建立合適的初始模型，工作人員對地質目標的認識不同造成建立模型的差別，從而導致反演結果的多解性；稀疏脈沖反演一般井較少時使用，但其受地震子波的影響較大，不能充分利用地震資料有效頻帶中的相對高頻和低頻成分。分頻屬性反演是最近發展的一種全新反演方法，是一種無須子波提取、無須建立模型的非線性屬性反演，其充分依靠地震和測井資料信息，利用人工智能數學方法研究不同探測頻率下的振幅響應變化(AVF)，并將其作為獨立信息引入反演中，更加精細地刻畫實際地層之間的接觸關系，不僅可以反演孔隙度，地層壓力和巖性等多種物性參數，還可以提高流體檢測的預測精度。

1 分頻屬性反演的原理

地震分頻屬性反演是一種全頻帶約束反演，通過基于小波變換的分頻算法能合理、有效的利用地震信息中相對高頻和低頻成分。

1.1 AVF關系

地震記錄實際上是波阻抗(AI)和時間厚度(H)的函數，對于一個楔狀模型，用不同主頻的雷克子波與其褶積，得到一系列合成地震剖面，從而得到不同頻率下振幅與厚度的調諧曲線(圖1(a))；對其進行轉換，就可以得到在不同時間厚度下振幅隨頻率變化的關系[2](圖1(b))。

從AVF關系中我們可以得到一個重大啟示：即相同地層在不同主頻的地震子波下表現出不同的振幅特征。這個關系很難用一個顯性函數表達出來，但可以用BP神經網絡技術在測井和地震分解剖面上找到這種關系，利用AVF關系反演得到目標數據。

1.2 BP神經網絡算法

神經網絡有很多種模型，油氣勘探中經常采用的BP神經網絡是一種多層前饋神經網絡模型，它采用誤差反向傳播算法。一般由輸入層，隱含層和輸出層組成的，隱含層可以有一層或多層。同層神經元間無關聯, 異層神經元間向前連接。根據對象的復雜程度, 選擇適當的網絡結構, 就可以實現從輸入空間到輸出空間的任意非線性函數的映射。

圖2 BP神經網絡算法數學模型Fig.2 The math model in BP neural network arithmetic

如圖2所示，BP算法在正向傳播過程中，輸入樣本函數從輸入層輸入網絡中，通過節點鏈接情況經隱含層逐層計算傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層沒有得到期望輸出，則計算實際與期望誤差變化值，然后轉回到反向傳播，重復上述步驟，直至訓練誤差結果達到預期的目標[3]。學習算法一般采用誤差向后(Back Propagation)傳播方法，誤差可以由預測值與輸入值之間的均方根誤差erms表示公式(1)為：

(1)

(2)

這是一個隨機自由的訓練學習過程，對于輸入地震屬性范圍很廣，可以有效利用多種相關屬性，直到得到最優化結果，即可終止訓練。

2 分頻屬性反演的技術思路

圖3 分頻屬性反演技術流程Fig.3 The technique process of frequency-divided attribute inversion

分頻屬性反演進行烴類檢測的技術思路：①首先要對地震資料進行頻譜特征分析，確定數據的有效頻帶范圍，并根據有效頻帶范圍設計合適的尺度進行分頻，利用小波分頻技術設計濾波器：低頻8 Hz、中頻30 Hz、高頻55 Hz;②對每個頻段的數據體分別提取分頻地震道和分頻道積分屬性，同時優選出對油氣敏感的低頻異常體(LFR)、高頻衰減梯度(HFG)及甜點體屬性參與計算；③利用人工智能BP神經網絡算法計算出不同厚度振幅與頻率的變化關系，并將此關系引入反演，建立起電阻率測井曲線與分頻地震波形間的非線性映射關系[4]，最后將優選的分頻地震屬性作為外部輸入，用神經網絡建立已經學習好的分頻體與反演體之間的映射關系，合成最終反演體，得到類似于電阻率反演的數據體。

3 渤海B構造烴檢預測應用效果

3.1 研究區概況

渤海B構造位于黃河口凹陷中洼東北半環，區域淺層構造-巖性圈閉發育，規模較大，整體為受邊界斷層控制下的復雜斷塊群。圍區已鉆井在淺層明化鎮下段II-V油組均有不錯的油氣發現，鉆井結果表明，研究區明下段主要發育極淺水三角洲沉積環境，為厚層泥巖夾砂巖的儲蓋組合，目的層剖面特征清晰、連續性較好，主力油層段砂巖百分含量在25%～35%之間，II油組和III油組砂地比低，整體呈“泥包砂”的結構特征，橫向上呈片狀分布特點，IV-V油組砂體縱向上為砂泥巖薄互層的反射結構，儲層水平分布穩定。地震資料保幅性好，信噪比較高，層間反射信息豐富，主頻約 30 Hz左右，頻帶寬度8 Hz～55 Hz，滿足反演要求。

3.2 反演成果分析

分頻屬性反演內部提供分頻地震道和分頻道積分兩種地震屬性參與運算，參照地震資料頻譜特征，利用小波分頻技術得到低、中、高不同頻率地震屬性，同時引入研究區已鉆四口井的電阻率測井曲線參與BP神經網絡的學習訓練[5]，利用BP神經網絡算法建立分頻屬性與目標曲線的非線性關系，通過多次學習得到學習井的目標曲線和原始曲線相關系數不高，為提高反演的精度，又加入對油氣水區分比較有效的高頻衰減梯度屬性、低頻異常屬性以及甜點體屬性參與練習，通過這五種屬性組合優化，不斷的調整反演參數，改變各地震屬性成分對反演的貢獻度[6]，最終選用如表1所示的參數設置，使訓練集相關系數達到0.976 6，測試集相關系數為0.735 1，誤差為0.002 92。

圖5是原始電阻率曲線與學習曲線的擬合結果，從圖5中發現二者相關程度較高。圖6為分頻反演結果，可以看出：在明下段II油組和V油組之間每套厚油層(大于5 m)在反演剖面上都有明顯響應特征，與測井解釋結果相吻合，薄油層除個別幾套外也都有一定強度的異常響應，對于水層則起到明顯的壓制效果。

表1 BP神經網絡參數設置及學習結果

圖4 渤海B構造目的層地震資料頻譜分析Fig.4 Spectrum analysis of seismic data in B area(a)地震剖面；(b)頻譜分析

圖5 目標曲線與學習曲線的擬合結果Fig.5 The matching results of target curves and learning curves

表2 學習井烴類預測結果統計表

通過對參與反演學習的四口已鉆井含油氣砂體進行統計見表2，發現與反演含油氣砂體有著較高的吻合率，達到80%左右。這一預測結果證明了該技術方法的有效性和實用性[7]。由于選取的是地震資料的不同頻率信息，對比單一利用原始地震道反演，更加具有針對性，得到的反演結果也具有更好的穩定性和可靠性。這種技術是利用前述BP神經網絡的映射方法，得到各控制井點目標曲線的學習結果, 并進而計算得到整個工區反演數據體，因此參與運算的鉆井曲線越多，得到的結果越精確。另外，外部屬性組合的選擇也影響反演的結果，不同的屬性個數和不同的屬性組合會有不同的結果。

3.3 利用分頻反演對目標區進行含油氣檢測

運用上述方法[8]對目標區5井進行含油氣檢測，如圖7所示，在明下段III油組鉆遇一套差油層，在對應的反演剖面上響應不明顯，檢測屬性值為弱值，而在IV油組鉆遇一套較厚油層在剖面上有明顯的響應特征，同時鉆井結果顯示在V油組解釋基本都是水層，在水層處反演屬性沒有顯示，說明水層被明顯地壓制。在對有油氣顯示的大套厚油層提取平面振幅屬性，圖8顯示其油氣分布結果與砂體構造等值線特征相吻合，烴檢的異常值位于構造高部位，這進一步說明了該方法在平面上油氣預測也具有不錯的效果。

4 結束語

分頻屬性反演[9]從標定到反演都十分方便快捷，在渤海B構造淺層明化鎮組油氣檢測中取得了不錯的應用效果。通過對油水反映敏感的電阻率曲線和有效地震屬性的引入，采用BP神經網絡這種非線性反演算法[10]，大大提高了油氣檢測的精度，在計算過程中也要注意幾點問題：首先，在進行反演工作前不同類型電阻率測井曲線要進行歸一化處理，保持門檻值域上的統一，同時地震有效頻帶范圍的確定也很關鍵，引入測井信息的低，高頻信息可以更好的提高地震資料的分辨能力。另外，外部油氣檢測類地震屬性的選擇要謹慎，優選出訓練相似程度最高的屬性組合參與運算。

圖6 學習井分頻屬性反演剖面Fig.6 The frequency-divided attribute inversion section of learning wells

圖7 目標區5井明下段反演結果剖面Fig.7 The frequency-divided inversion section of well 5 of lower Minghuazhen formation in target zone

圖8 目標砂體分頻反演振幅切片及構造圖Fig.8 The amplitude slice of frequency-divided and structural map in target sand(a)振幅切片；(b)構造圖

當然該方法也存在一定的局限性，作為目標學習的控制曲線必須對油氣層有較好的突出能力，對于埋深大，砂巖百分含量較高的IV和V油組地層，砂泥阻抗差異更小，儲層上覆地層干擾因素較多，得到的烴檢反演效果較差，同時通過不斷演練，我們發現工區內鉆井的數量也會影響反演結果的好壞，參與學習井越多反演效果越好，可以更有效降低油氣預測風險，因此該方法適用于鉆井較多的區塊。