地震相控約束下的儲層高精度定量預(yù)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(fā)展股份有限公司工程技術(shù)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(yáng)隆起相鄰，整體呈北東向展布，內(nèi)部地層沉積構(gòu)造呈北深南淺、北斷南超、北厚南薄的特點(diǎn)[1]。曲塘次凹西斜坡在阜三段發(fā)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(guī)律復(fù)雜，砂體平面及垂向分布非均質(zhì)性較強(qiáng)，此外主力砂體厚度小于5 m，地震資料主頻較低（25 Hz），常規(guī)儲層預(yù)測方法無法精細(xì)刻畫薄砂體。

圖1 曲塘次凹構(gòu)造位置

薄儲層的定量預(yù)測一直是地球物理技術(shù)人員研究的難點(diǎn)，目前薄儲層定量預(yù)測的主要技術(shù)方法是疊前、疊后隨機(jī)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(jīng)網(wǎng)絡(luò)、混沌反演等一系列非線性反演方法實(shí)現(xiàn)了對薄儲層定量描述[2–4]；Marfurt和Kirlin在2001年運(yùn)用譜分解方法在墨西哥灣地區(qū)實(shí)現(xiàn)了薄儲層的定量預(yù)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(zhì)統(tǒng)計(jì)學(xué)反演方法實(shí)現(xiàn)了對薄儲層的定量體的預(yù)測精度不理想。

針對阜三段儲層精細(xì)刻畫存在的難點(diǎn)，在研究區(qū)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(shù)建立地震屬性與沉積微相的相關(guān)關(guān)系，獲取灘壩砂體平面展布變程、方向、規(guī)模等關(guān)鍵表征參數(shù)，將表征參數(shù)用于地質(zhì)統(tǒng)計(jì)學(xué)反演中變差函數(shù)的分析。

變差函數(shù)反映不同沉積微相的空間變化特征，將沉積模式和地質(zhì)模型引入反演中，對后期反演進(jìn)行“相控”約束。弱化隨機(jī)反演井間結(jié)果的不確定性，高分辨率地質(zhì)統(tǒng)計(jì)學(xué)反演可以識別和預(yù)預(yù)測[6–9]；高君等（2017）運(yùn)用基于地震波形約束的波形指示反演，實(shí)現(xiàn)了對薄儲層的定量預(yù)測[10]。這些研究成果均較好地應(yīng)用于薄儲層的勘探開發(fā)工作，但是隨機(jī)反演方法對井位要求較高，井控不足時(shí)井間隨機(jī)性較強(qiáng)，尤其是針對空間分布復(fù)雜的灘壩砂測薄儲層，最終實(shí)現(xiàn)對灘壩薄砂體的高精度定量表征。

1 沉積相模式

研究區(qū)阜三段以細(xì)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(xiàn)傳統(tǒng)兩段式及沖洗兩段式的形態(tài)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(biāo)志

砂體沉積類型主要發(fā)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(xì)–粉砂巖、灰黑色泥質(zhì)粉砂巖為主，沉積物呈現(xiàn)細(xì)粒、反旋回特征，沉積構(gòu)造以浪成交錯(cuò)層理、波狀層理等沉積構(gòu)造為主，偶有泥巖撕裂及攪渾構(gòu)造發(fā)育，具有明顯的雙向水流作用，伴隨偶發(fā)的風(fēng)暴沉積。生物鉆孔在阜三段基本全段顯著發(fā)育，沉積環(huán)境相對靜水環(huán)境，在伽馬曲線上主要表現(xiàn)為漏斗型、指狀漏斗型形態(tài)[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(yīng)，通過分析地震波組特征（振幅強(qiáng)度、頻率、相位、組合形態(tài)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(jìn)行系統(tǒng)化闡述，即根據(jù)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(fù)合波形），采用多元統(tǒng)計(jì)方法進(jìn)行歸類，并將其初步用于地震相分析研究[12]。

神經(jīng)網(wǎng)絡(luò)技術(shù)利用人工智能，通過基于自適應(yīng)試驗(yàn)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(jìn)行數(shù)理統(tǒng)計(jì)分類。對地震波組特征按照相關(guān)性進(jìn)行分類排列建立模型道，然后將模型道應(yīng)用于整個(gè)數(shù)據(jù)體，進(jìn)而實(shí)現(xiàn)目的層的地震相劃分（圖3）。神經(jīng)網(wǎng)絡(luò)技術(shù)具有自組織、自適應(yīng)性以及聚類功能， 在此基礎(chǔ)之上結(jié)合鉆井地質(zhì)分析，可以實(shí)現(xiàn)隱蔽油氣藏的有效勘探[13–14]。

圖3 神經(jīng)網(wǎng)絡(luò)波形聚類原理

由地震數(shù)據(jù)可以獲得成十上百種地震屬性，儲層參數(shù)與地震屬性之間存在多維–多維的對應(yīng)關(guān)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(zhì)的變化）。神經(jīng)網(wǎng)絡(luò)技術(shù)對多屬性體進(jìn)行分類的過程中，需要對地震數(shù)據(jù)進(jìn)行壓縮分析，盡可能保持地震有效信息，濾除非地質(zhì)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(biāo)簡化為不相關(guān)的幾個(gè)綜合指標(biāo)的一種多元統(tǒng)計(jì)分析方法[15–16]。對多維數(shù)據(jù)的交會得到多屬性數(shù)據(jù)的共同趨勢即主組份方向，主組分?jǐn)?shù)據(jù)的正交方向?yàn)榇渭墧?shù)據(jù)延展方向，將組份中對數(shù)據(jù)延展方向貢獻(xiàn)不大的組分（主要是冗余數(shù)據(jù)或噪聲）剔除，突出主組分?jǐn)?shù)據(jù)，從而達(dá)到簡化數(shù)據(jù)的目的（圖4），然后利用模糊算法耦合優(yōu)選出不同量綱的地震屬性體，最終實(shí)現(xiàn)利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)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(yù)測精度的重要參數(shù)主要包括多種地震屬性體、主成分、分類數(shù)、迭代次數(shù)。以上參數(shù)選取遵循以下原則：①分類時(shí)窗為垂向包含目的砂體的變時(shí)窗/等時(shí)窗（一般至少要大于半個(gè)相位子波長度，小于150 ms，時(shí)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?jǐn)?shù)據(jù)的選擇主要基于累計(jì)貢獻(xiàn)率，主成分累計(jì)貢獻(xiàn)率大于90%便可認(rèn)為有效（主成分?jǐn)?shù)量不可過多）；③分類數(shù)的選取取決于對研究區(qū)沉積特征和地震數(shù)據(jù)的認(rèn)識程度（若分類數(shù)過大、細(xì)節(jié)過多則無法形成趨勢性的認(rèn)識，分類數(shù)過小則結(jié)果過于模糊而忽略掉關(guān)鍵地震相類型。在實(shí)際應(yīng)用中，根據(jù)地震數(shù)據(jù)波形特征復(fù)雜程度和目的層時(shí)窗大小，一般分類數(shù)為5～10）；④根據(jù)經(jīng)驗(yàn)，自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法經(jīng)過10次迭代計(jì)算可實(shí)現(xiàn)收斂到最終結(jié)果的80%左右，經(jīng)l0～20次迭代計(jì)算就可確保得到較好的分類結(jié)果，一般選用 20～ 40次迭代確保得到最佳分類結(jié)果。

經(jīng)過主成分分析數(shù)據(jù)壓縮和神經(jīng)網(wǎng)絡(luò)自適應(yīng)聚類判別，實(shí)現(xiàn)地震道、多屬性數(shù)據(jù)體以及變時(shí)窗/等時(shí)窗層段內(nèi)的地震相自動劃分（圖5），地震相聚類研究效率更快、儲層預(yù)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(jù)地質(zhì)研究的需要，計(jì)算了24種復(fù)合地震道屬性數(shù)據(jù)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(luò)等10種地震分頻屬性體，總計(jì)提取屬性體37種。在構(gòu)造解釋層位的基礎(chǔ)上，根據(jù)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?shù)椎膶游唤⒀芯磕康亩巍＿x擇多種屬性體對目的層進(jìn)行降維處理，經(jīng)PCA分析之后提取前4個(gè)主成分（均方根振幅、吸收因子、最大振幅、分頻地震屬性），累計(jì)貢獻(xiàn)率達(dá)到0.913 36（表1），將這 4個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的地震屬性數(shù)據(jù)輸入部分進(jìn)行聚類分析。

表1 PCA分析結(jié)果

2.2.3 分類數(shù)的選取

分類數(shù)是重要的經(jīng)驗(yàn)參數(shù)，是指在目的層段內(nèi)確定的模型道的個(gè)數(shù)，合理的分類數(shù)需要結(jié)合實(shí)際地質(zhì)情況多次估算（一般大于3次）得到。合理選取分類數(shù)十分重要，分類數(shù)過大則細(xì)節(jié)過多，無法形成趨勢性的認(rèn)識；分類數(shù)過小則可能會模糊掉關(guān)鍵地震相類型。通過對相鄰道組的波形進(jìn)行反復(fù)迭代相關(guān)分析，建立11類模型道，利用模型道對地震數(shù)據(jù)進(jìn)行分類。

2.2.4 迭代次數(shù)

根據(jù)經(jīng)驗(yàn)，經(jīng)過神經(jīng)網(wǎng)絡(luò)算法至少10次迭代計(jì)算后就可以得到較好的收斂效果，確定的模型道類型數(shù)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(jié)合地震相分類結(jié)果、井上鉆探結(jié)果以及目的層的相模式，實(shí)現(xiàn)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(qū)目的層灘砂呈條帶狀、席狀分布，壩砂砂體呈點(diǎn)狀、窄條帶狀分布，暖色調(diào)區(qū)域（1～4）為壩砂主體發(fā)育區(qū)，砂體發(fā)育比較厚，次暖色調(diào)區(qū)域（5～8）為灘砂、壩砂主體發(fā)育區(qū)，其他區(qū)域（9、10、11）灘砂為主，砂體較薄，X20井北部為有利區(qū)。

圖7 阜三上亞段地震相

3 相控統(tǒng)計(jì)學(xué)反演

地質(zhì)統(tǒng)計(jì)學(xué)反演最早由 Hass等（1994）提出，Dubrule 等（1998）和 Rothman（1998）加以發(fā)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(fā)展到基于馬爾科夫鏈–蒙特卡羅算法，后者具有全局尋優(yōu)的特點(diǎn)，綜合了統(tǒng)計(jì)模擬與確定性反演的優(yōu)勢；通過綜合地震、測井和地質(zhì)資料，將地質(zhì)認(rèn)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(shù)據(jù)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(zhì)統(tǒng)計(jì)學(xué)反演技術(shù)以地震數(shù)據(jù)為軟約束，以測井?dāng)?shù)據(jù)為硬約束條件，在地震尺度上，通過協(xié)克里金將其與彈性參數(shù)進(jìn)行融合；在測井尺度上，利用變差函數(shù)統(tǒng)計(jì)不同沉積微相的空間變化規(guī)律；在層序地層格架控制下，通過線性加權(quán)，實(shí)現(xiàn)在遠(yuǎn)離井的地方融合地震趨勢數(shù)據(jù)來校正插值。地質(zhì)統(tǒng)計(jì)學(xué)反演中，地質(zhì)先驗(yàn)信息主要由概率密度函數(shù)（PDF）和變差函數(shù)來確定，二者分別描述了離散或連續(xù)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(yōu)化處理的基礎(chǔ)上，利用已鉆井測井解釋的砂泥巖性數(shù)據(jù)（圖8），統(tǒng)計(jì)巖性比例、不同巖性波阻抗的數(shù)值分布特征、各巖性垂向變差。統(tǒng)計(jì)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(qū)分儲層。統(tǒng)計(jì)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(jié)果建立的地質(zhì)模式為指導(dǎo)，通過量取地震相圖中砂體長寬數(shù)據(jù)來確定各巖性平面變差函數(shù)（表2），最后結(jié)合地震相和統(tǒng)計(jì)學(xué)反演結(jié)果，多次迭代精細(xì)分析和調(diào)試地震信噪比參數(shù)（經(jīng)測試21 db最合適），從而達(dá)到降低井間結(jié)果隨機(jī)性的目的，最終達(dá)到地震相、沉積相與統(tǒng)計(jì)學(xué)反演結(jié)果三者的最佳匹配與耦合。

表2 變差函數(shù)

圖8 多井儲層敏感參數(shù)交會

在研究區(qū)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(yàn)井，其他井均參與反演。從統(tǒng)計(jì)學(xué)反演砂體厚度分布看出（圖9），未相控約束的結(jié)果雖然井上砂體厚度與預(yù)測深度厚度相吻合，但是井點(diǎn)處井約束導(dǎo)致的“牛眼”現(xiàn)象嚴(yán)重，砂體展布規(guī)律不明顯，井間結(jié)果不確定性強(qiáng)；經(jīng)相控約束的預(yù)測結(jié)果不僅和井上實(shí)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(huán)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(diǎn)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(tǒng)計(jì)學(xué)反演結(jié)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(yù)測結(jié)果與實(shí)鉆結(jié)果吻合度為94%，實(shí)現(xiàn)了對研究區(qū)灘砂、壩砂體平面和垂向分布的高精度定量預(yù)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(yù)測結(jié)果過井剖面

4 結(jié)論

（1）利用基于主成分分析的地震相分析技術(shù)建立符合研究區(qū)灘壩沉積規(guī)律的地質(zhì)模式，指導(dǎo)地質(zhì)統(tǒng)計(jì)學(xué)反演參數(shù)的確定。

（2）將研究區(qū)沉積模式和地震相結(jié)果應(yīng)用到基于馬爾科夫鏈–蒙特卡羅算法的地質(zhì)統(tǒng)計(jì)學(xué)反演進(jìn)程中，實(shí)現(xiàn)了沉積相與隨機(jī)反演的深度融合，有效降低了隨機(jī)反演的不確定性，大幅度提高了儲層預(yù)測精度。

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