地震相控約束下的儲層高精度定量預測方法
——以曲塘次凹阜三上亞段為例

王東坤，謝英剛，張軍林，逄建東，葛 巖

（中海油能源發展股份有限公司工程技術分公司，天津 300457）

曲塘次凹位于蘇北盆地東臺坳陷中的海安凹陷西南部（圖1），南北部分別與泰州低凸起、通揚隆起相鄰，整體呈北東向展布，內部地層沉積構造呈北深南淺、北斷南超、北厚南薄的特點[1]。曲塘次凹西斜坡在阜三段發育的油藏類型為巖性油藏，儲層沉積類型為濱淺湖灘壩砂體，沉積規律復雜，砂體平面及垂向分布非均質性較強，此外主力砂體厚度小于5 m，地震資料主頻較低（25 Hz），常規儲層預測方法無法精細刻畫薄砂體。

圖1 曲塘次凹構造位置

薄儲層的定量預測一直是地球物理技術人員研究的難點，目前薄儲層定量預測的主要技術方法是疊前、疊后隨機反演。楊文采（1995）、張厚柱等（1995）、張繁昌等（1997）采用模擬退火、人工神經網絡、混沌反演等一系列非線性反演方法實現了對薄儲層定量描述[2–4]；Marfurt和Kirlin在2001年運用譜分解方法在墨西哥灣地區實現了薄儲層的定量預測[5]；王香文等（2012）、閔小剛等（2015）、王秀玲等（2019）、孫思敏等（2019）利用基于貝葉斯判別的地質統計學反演方法實現了對薄儲層的定量體的預測精度不理想。

針對阜三段儲層精細刻畫存在的難點，在研究區井控較低的情況下，深度挖掘有效地震信息，基于主成分分析的地震相分析技術建立地震屬性與沉積微相的相關關系，獲取灘壩砂體平面展布變程、方向、規模等關鍵表征參數，將表征參數用于地質統計學反演中變差函數的分析。

變差函數反映不同沉積微相的空間變化特征，將沉積模式和地質模型引入反演中，對后期反演進行“相控”約束。弱化隨機反演井間結果的不確定性，高分辨率地質統計學反演可以識別和預預測[6–9]；高君等（2017）運用基于地震波形約束的波形指示反演，實現了對薄儲層的定量預測[10]。這些研究成果均較好地應用于薄儲層的勘探開發工作，但是隨機反演方法對井位要求較高，井控不足時井間隨機性較強，尤其是針對空間分布復雜的灘壩砂測薄儲層，最終實現對灘壩薄砂體的高精度定量表征。

1 沉積相模式

研究區阜三段以細粒沉積為主，巖心顏色以灰色、淺灰綠色、灰黑色等還原色為主，粒度概率累積曲線呈現傳統兩段式及沖洗兩段式的形態特征，屬于濱淺湖沉積亞相，為洪水期湖岸線以下、浪基面以上的淺水地帶，包括砂灘、壩砂、濱淺湖泥三種沉積微相（圖2）。

圖2 阜三段典型測井相標志

砂體沉積類型主要發育灘砂、壩砂微相，波浪和沿岸流是灘壩形成的主要控制因素，壩砂多呈條帶狀平行湖岸線分布，在平面上包圍于條帶狀或席狀展布的灘砂之中。巖性以淺灰綠色細–粉砂巖、灰黑色泥質粉砂巖為主，沉積物呈現細粒、反旋回特征，沉積構造以浪成交錯層理、波狀層理等沉積構造為主，偶有泥巖撕裂及攪渾構造發育，具有明顯的雙向水流作用，伴隨偶發的風暴沉積。生物鉆孔在阜三段基本全段顯著發育，沉積環境相對靜水環境，在伽馬曲線上主要表現為漏斗型、指狀漏斗型形態[11]。

2 主成分分析地震相

2.1 基本原理

地震道波組、波形特征是地下巖石巖性、物性在空間上的變化綜合響應，通過分析地震波組特征（振幅強度、頻率、相位、組合形態等）研究儲層空間分布及物性特征。Naaman Keskes（1982）最早提出地震道波形分類的分析方法，此后SIBILLE（1984）對地震道波形分類基本原理進行系統化闡述，即根據地震波反射界面中同相軸排列組合的多種屬性（雜亂、波狀、平行和復合波形），采用多元統計方法進行歸類，并將其初步用于地震相分析研究[12]。

神經網絡技術利用人工智能，通過基于自適應試驗和誤差處理方法，對單一或多種屬性體的相鄰地震道波形進行數理統計分類。對地震波組特征按照相關性進行分類排列建立模型道，然后將模型道應用于整個數據體，進而實現目的層的地震相劃分（圖3）。神經網絡技術具有自組織、自適應性以及聚類功能， 在此基礎之上結合鉆井地質分析，可以實現隱蔽油氣藏的有效勘探[13–14]。

圖3 神經網絡波形聚類原理

由地震數據可以獲得成十上百種地震屬性，儲層參數與地震屬性之間存在多維–多維的對應關系（一種巖石特性的變化對多種地震屬性有影響，一種地震屬性反映巖性、孔隙度、流體成分、壓力等多種性質的變化）。神經網絡技術對多屬性體進行分類的過程中，需要對地震數據進行壓縮分析，盡可能保持地震有效信息，濾除非地質因素所引起的噪音信息。PCA法是一種利用降維思想，即把多指標簡化為不相關的幾個綜合指標的一種多元統計分析方法[15–16]。對多維數據的交會得到多屬性數據的共同趨勢即主組份方向，主組分數據的正交方向為次級數據延展方向，將組份中對數據延展方向貢獻不大的組分（主要是冗余數據或噪聲）剔除，突出主組分數據，從而達到簡化數據的目的（圖4），然后利用模糊算法耦合優選出不同量綱的地震屬性體，最終實現利用神經網絡技術進行聚類劃分地震相。

圖4 PCA原理

2.2 研究流程

PCA法地震相研究過程中（圖5），影響地震相預測精度的重要參數主要包括多種地震屬性體、主成分、分類數、迭代次數。以上參數選取遵循以下原則：①分類時窗為垂向包含目的砂體的變時窗/等時窗（一般至少要大于半個相位子波長度，小于150 ms，時窗太大對目的砂體不聚焦，會對地震相解釋帶來干擾）；②主成分數據的選擇主要基于累計貢獻率，主成分累計貢獻率大于90%便可認為有效（主成分數量不可過多）；③分類數的選取取決于對研究區沉積特征和地震數據的認識程度（若分類數過大、細節過多則無法形成趨勢性的認識，分類數過小則結果過于模糊而忽略掉關鍵地震相類型。在實際應用中，根據地震數據波形特征復雜程度和目的層時窗大小，一般分類數為5～10）；④根據經驗，自適應神經網絡算法經過10次迭代計算可實現收斂到最終結果的80%左右，經l0～20次迭代計算就可確保得到較好的分類結果，一般選用 20～ 40次迭代確保得到最佳分類結果。

經過主成分分析數據壓縮和神經網絡自適應聚類判別，實現地震道、多屬性數據體以及變時窗/等時窗層段內的地震相自動劃分（圖5），地震相聚類研究效率更快、儲層預測精度更高。

圖5 PCA地震相流程

2.2.1 獲取多種地震屬性體

根據地質研究的需要，計算了24種復合地震道屬性數據體、3種地震道的幾何屬性體、地震分頻屬性的信號振幅和信號包絡等10種地震分頻屬性體，總計提取屬性體37種。在構造解釋層位的基礎上，根據阜三段上亞段層段主力砂體垂向位置，以阜三段頂往下開10 ms為頂，以阜三段頂往下開30 ms為底，提取目的層段地震屬性（圖6）。

圖6 過井地震剖面

2.2.2 PCA分析

利用阜三段上亞段頂底的層位建立研究目的段。選擇多種屬性體對目的層進行降維處理，經PCA分析之后提取前4個主成分（均方根振幅、吸收因子、最大振幅、分頻地震屬性），累計貢獻率達到0.913 36（表1），將這 4個主成分作為神經網絡訓練的地震屬性數據輸入部分進行聚類分析。

表1 PCA分析結果

2.2.3 分類數的選取

分類數是重要的經驗參數，是指在目的層段內確定的模型道的個數，合理的分類數需要結合實際地質情況多次估算（一般大于3次）得到。合理選取分類數十分重要，分類數過大則細節過多，無法形成趨勢性的認識；分類數過小則可能會模糊掉關鍵地震相類型。通過對相鄰道組的波形進行反復迭代相關分析，建立11類模型道，利用模型道對地震數據進行分類。

2.2.4 迭代次數

根據經驗，經過神經網絡算法至少10次迭代計算后就可以得到較好的收斂效果，確定的模型道類型數比較合理，本次研究選用20次迭代，可以保證最佳的收斂效果。

結合地震相分類結果、井上鉆探結果以及目的層的相模式，實現對阜三段上亞段砂體地震相及沉積微相的定性刻畫和分類（圖7）。研究區目的層灘砂呈條帶狀、席狀分布，壩砂砂體呈點狀、窄條帶狀分布，暖色調區域（1～4）為壩砂主體發育區，砂體發育比較厚，次暖色調區域（5～8）為灘砂、壩砂主體發育區，其他區域（9、10、11）灘砂為主，砂體較薄，X20井北部為有利區。

圖7 阜三上亞段地震相

3 相控統計學反演

地質統計學反演最早由 Hass等（1994）提出，Dubrule 等（1998）和 Rothman（1998）加以發展，Torres-Verdin 等（1999）將其完善[7]。其算法由最初的序貫指示和序貫高斯算法發展到基于馬爾科夫鏈–蒙特卡羅算法，后者具有全局尋優的特點，綜合了統計模擬與確定性反演的優勢；通過綜合地震、測井和地質資料，將地質認識加入反演過程中可提高地震資料識別儲層的能力，拓寬地震數據頻帶。在提高地震縱向高分辨率的過程中并未降低地震橫向分辨率，具有確定性反演無法比擬的識別薄層的高分辨能力[17–18]。

地質統計學反演技術以地震數據為軟約束，以測井數據為硬約束條件，在地震尺度上，通過協克里金將其與彈性參數進行融合；在測井尺度上，利用變差函數統計不同沉積微相的空間變化規律；在層序地層格架控制下，通過線性加權，實現在遠離井的地方融合地震趨勢數據來校正插值。地質統計學反演中，地質先驗信息主要由概率密度函數（PDF）和變差函數來確定，二者分別描述了離散或連續屬性在空間的概率分布情況及空間展布特征隨距離的變化情況。

在對地震資料和測井資料優化處理的基礎上，利用已鉆井測井解釋的砂泥巖性數據（圖8），統計巖性比例、不同巖性波阻抗的數值分布特征、各巖性垂向變差。統計顯示，目的層段砂巖和泥巖的比例分別是0.35和0.65，泥巖段縱波阻抗值為6.3×106～9.5×106g/（cm3·m·s-1），波阻抗峰值為7.2×106g/（cm3·m·s-1），砂巖段縱波阻抗為7.9×106～1.1×106g/（cm3·m·s-1），波阻抗峰值為8.8×106g/（cm3·m·s-1），縱波阻抗可以很好地區分儲層。統計顯示，目的層單砂體厚度小于5 m，目的層速度砂巖速度均值取3 200 m/s，砂巖垂向變差取1 ms較為合適；然后以地震相結果建立的地質模式為指導，通過量取地震相圖中砂體長寬數據來確定各巖性平面變差函數（表2），最后結合地震相和統計學反演結果，多次迭代精細分析和調試地震信噪比參數（經測試21 db最合適），從而達到降低井間結果隨機性的目的，最終達到地震相、沉積相與統計學反演結果三者的最佳匹配與耦合。

表2 變差函數

圖8 多井儲層敏感參數交會

在研究區共搜集了8口井的鉆井資料，為保證反演效果，以X20H1井作為檢驗井，其他井均參與反演。從統計學反演砂體厚度分布看出（圖9），未相控約束的結果雖然井上砂體厚度與預測深度厚度相吻合，但是井點處井約束導致的“牛眼”現象嚴重，砂體展布規律不明顯，井間結果不確定性強；經相控約束的預測結果不僅和井上實鉆厚度相吻合，而且砂體平面展布更為合理。阜三段上亞段砂體整體呈環狀展布，為灘壩沉積模式，其中灘砂呈帶狀、席狀分布，厚度為2～4 m；壩砂砂體呈點狀、窄條帶狀分布，在平面上包圍于灘砂之中，厚度為4～7 m，壩砂砂體間由灘砂過渡，砂體厚度減薄、連通性或物性變差，巖性遮擋控制油藏邊界。從剖面上看（圖10），相控統計學反演結果可有效識別出井上1～2 m的單砂體，精度高。X20H1水平井作為盲井未參與反演，水平段砂體預測結果與實鉆結果吻合度為94%，實現了對研究區灘砂、壩砂體平面和垂向分布的高精度定量預測。

圖9 相控約束前后阜三段上亞段砂體厚度分布

圖10 儲層預測結果過井剖面

4 結論

（1）利用基于主成分分析的地震相分析技術建立符合研究區灘壩沉積規律的地質模式，指導地質統計學反演參數的確定。

（2）將研究區沉積模式和地震相結果應用到基于馬爾科夫鏈–蒙特卡羅算法的地質統計學反演進程中，實現了沉積相與隨機反演的深度融合，有效降低了隨機反演的不確定性，大幅度提高了儲層預測精度。

（3）最終得到的砂體平面展布形態和地震相一致性好、符合研究區灘壩砂體沉積規律，垂向分辨率高，適用于儲層垂向薄、橫向相變快的復雜沉積環境下的儲層預測。