基于深度學習的古近系復雜沉積地區低頻模型構建方法
——以珠江口盆地LA油田為例

汪生好 李 黎 董 政 趙偉超 郭 麗 沈建文

1.中海石油(中國)有限公司深圳分公司, 廣東 深圳 518054;2.賽吉紀地球科技(北京)有限公司, 北京 100015

0 前言

獲取地震資料缺失的低頻信息是提升地震反演質量的關鍵所在,特別是對于儲層的定量解釋,補充低頻信息更是非常必要。低頻信息的頻率與地震采集條件和處理流程有關，一般為0～10 Hz。通常情況下,可根據測井曲線依照地層格架進行插值得到低頻模型[1]。但在巖性變化劇烈的地區,單一的井插值結果存在很大的不確定性,難以得到滿意的預測結果。當有地震處理的疊加速度譜時,將其轉換成層速度,補充2～3 Hz以下的低頻信息,能較好地降低單純依靠井插值帶來的不確定性,但仍無法彌補地震資料缺失的3～10 Hz之間的低頻信息。而且在復雜沉積相區塊,僅依靠測井信息及速度譜信息構建的低頻模型也很難反映真實的地質特點。

目前,低頻模型的構建方法大致可分成兩類:一類是基于理論驅動的方法,即通過一系列地球物理、層序地層學、相控、迭代、趨勢面約束等理論及相關技術來彌補地震資料中缺失的低頻信息;另一類是基于數據驅動的方法,即通過深度學習等人工智能算法,來學習地震信號與測井真實低頻阻抗信息之間復雜的非線性關系,達到建立更精確的低頻模型目的。

基于理論驅動的方法,前人已做了大量工作,提出了多種地震低頻信息補償方法,如迭代法構建低頻模型[2-4]、儲層相控反演技術[5-8]、常數低頻模型的構建[1]、地震速度體約束構建低頻模型[9-10]、層序地層格架約束井插值構建低頻模型[11-12]、基于立體層析反演速度約束構建低頻模型[13]和應用速度體及趨勢約束構建低頻模型等[14-15]。目前，使用基于理論驅動的方法進行地震低頻信息補償的各種方法都有其適用條件,并存在一定的局限性,需要根據不同的沉積環境選擇或改進低頻模型的構建方法。基于數據驅動的方法,目前公開的研究較少,多是利用卷積神經網絡和循環神經網絡作為訓練模型,以測井曲線作為標簽，地震信號作為訓練樣本,進而建立一個訓練集,以此來揭示地震信號和測井低頻信息的復雜非線性關系或仿射關系,從而構建低頻模型[16]。綜上所述,準確地構建低頻模型是一項復雜而困難的工作,需要在理論和技術上加以創新和完善。

本文以珠江口盆地LA油田(以下簡稱LA油田)為例,針對古近系復雜沉積地區,提出一種深度學習的方法,利用地震速度、測井曲線和反映沉積相帶的地震屬性或反演屬性等信息聯合構建低頻模型,基于此低頻模型得到的反演結果相對能更好地表征儲層的分布規律,可為LA油田開發項目的實施提供有力的技術支持。

1 低頻模型研究思路及技術原理

地震反演中,低頻模型的構建通常是利用測井曲線,在地層格架控制下通過數學算法進行插值得到。在巖性橫向變化較快且鉆井數量較少的情況下,如何充分利用地震屬性、地震速度和測井曲線等信息構建更精確的低頻模型是研究的關鍵。

1.1 研究思路

本文研究重點在于優化完善基礎數據,并通過深度學習構建多信息源融合的低頻模型,具體構建流程見圖1。

圖1 深度學習低頻模型構建流程圖

首先,應用已有測井資料開展巖石物理建模,補齊已鉆井的縱波阻抗、縱橫波速度比和密度曲線;針對疊前道集存在的剩余動校正、近道噪音等問題進行優化處理,繼而開展基于常數模型的疊前同時反演,得到帶限的縱波阻抗、縱橫波速度比和密度數據體;同時，針對地震速度與井速度低頻趨勢存在的差異來校正地震速度;隨后,采用深度學習的方法,將帶限的反演數據體、校正后的地震速度體和測井曲線數據融合，得到全頻帶的縱波阻抗、縱橫波速度比和密度反演數據體;最后,根據反演需求截取最終低頻模型。

1.2 巖石物理建模基本原理

LA油田目的層埋藏深度有限,處于中等成巖階段,孔隙度整體相對較高且孔隙類型以原生粒間孔為主。Xu-White模型和Grain-supported模型是常用的巖石物理模型，Xu-White模型主要針對孔隙度較低且孔隙類型以次生孔隙和原生孔隙殘留為主的地層,其適用性存在一定風險。Grain-supported模型對砂巖孔隙類型限制條件相對寬松,基本適用于含有石英和黏土的巖石[17-18]。LA油田巖石物理建模流程主要包括:使用微分有效介質(Differential Effective Medium,DEM)向黏土礦物添加流體;第二次使用DEM將該混合物作為球形包裹體引入石英礦物,形成基質;第三次使用DEM將干孔隙加入基質中,形成干巖石;根據Brie’s方程[19]進行油水兩相流體混合加入干巖石，同時，應用Gassmann方程[20]計算巖石的飽和彈性參數。巖石物理建模流程見圖2。

圖2 巖石物理建模流程圖

1.3 深度學習基本原理

1.3.1 深度信念網絡

典型的深度學習模型有卷積神經網絡模型、深度信念網絡(Deep Belief Networks,DBN)模型和堆棧自編碼網絡模型。本文采用的DBN模型是概率生成模型,既可以用于非監督學習,也可以用于監督學習。與傳統判別模型的神經網絡相比,概率生成模型是建立一個觀察數據和標簽之間的聯合分布函數,通過訓練其神經元間的權重,可以讓整個神經網絡按照最大概率來生成訓練數據。

DBN模型可以解釋為貝葉斯概率生成模型,由多層隨機隱變量組成,上面兩層具有無向對稱連接,下面一層得到來自上一層自頂向下的有向連接,最底層單元的狀態為可見輸入數據向量。DBN模型由若干結構單元堆棧組成,結構單元通常為受限玻爾茲曼機(Restricted Boltzmann Machine,RBM)。結構單元堆棧中每個RBM單元的可視層神經元數量等于前一個RBM單元的隱藏層神經元數量。根據深度學習機制,采用輸入樣例訓練第一層RBM單元,并利用其輸出訓練第二層RBM單元,將RBM單元進行堆棧，通過增加層改善模型性能。在無監督預訓練過程中,DBN模型編碼輸入到頂層RBM單元后,解碼頂層的狀態,向下連接到最底層的單元,實現輸入的重構，DBN模型結構見圖3。RBM單元作為DBN模型的結構單元,與每一層DBN模型共享參數。

圖3 DBN模型結構示意圖

1.3.2 低頻模型的構建

本文構建低頻模型的數據基礎主要是測井曲線、地震速度和地震反演屬性,各頻率分布見圖4。由于地震速度頻率范圍僅為0～3 Hz,與井聯合構建低頻模型不能有效表征LA油田復雜地層的彈性屬性變化趨勢,需要進一步引入地震屬性信息,這樣既可以保證低頻模型橫向上與地震速度趨勢相似,同時也具有更豐富的細節。因此,該多信息源融合構建低頻模型的方法可以充分利用疊加速度的橫向趨勢、測井曲線縱向上的精度優勢以及地震反演屬性反映沉積相帶的特點,結果更能反映復雜斷塊構造趨勢,更符合實際地質特征認識。

圖4 數據頻率分布范圍示意圖

2 多信息源融合的低頻模型構建方法

本文針對LA油田文昌組斷塊構造復雜、沉積相帶變化快的特點,構建多信息源融合的低頻模型,步驟如下:首先,開展巖石物理建模及疊前道集優化處理,再優化處理地震層速度；然后,開展基于常數模型的疊前同時反演；最后,構建基于深度學習的低頻模型。

2.1 巖石物理建模及疊前道集優化處理

巖石物理表征的重要參數是縱波速度、橫波速度和密度,這些參數數據主要來自聲波和密度測井,因LA油田已鉆井并未完全錄取上述參數的曲線,因此,巖石物理建模研究主要是為了預測和補全已鉆井的參數曲線,這是后續構建低頻模型的關鍵數據之一。結合LA油田巖石物理特點,研究中選用測井資料質量較高且較齊全的LA1a井進行巖石物理建模,采用Grain-supported模型,將地層評價研究得到的各礦物含量、孔隙度、含水飽和度等參數作為輸入,通過微調骨架點參數,使巖石物理模型正演曲線和實測曲線相似度高,正演預測的縱波速度、橫波速度、密度與實測數據具有一致性,表明該巖石物理模型具有較高的可靠性,見圖5。

圖5 LA1a井巖石物理正演曲線與實測曲線對比圖

為了獲得較高質量的帶限反演結果作為后續深度學習的數據源,需要一套振幅隨偏移距(Amplitude Variation with Offset,AVO)變化規律準確、信噪比較高和無剩余動校正量的道集數據。因此,有必要對疊前時間偏移處理后的共反射點(Common Reflection Point,CRP)道集進行優化處理。LA油田CRP道集優化主要包括外切除、拉平和去噪等處理步驟,處理后的道集品質整體提高,見圖6。

a)外切除后道集

2.2 地震速度優化處理

地震速度可以反映地層速度整體變化趨勢,但與井震標定后的井速度往往存在明顯差異,即使在同一頻段內比較,也存在局部趨勢不匹配。為了提升兩者的匹配度,可通過深度學習對地震速度予以校正,即以井速度曲線為訓練目標,以地震速度場作為訓練數據進行深度學習,并將深度學習模型應用到整個速度場,得到最終優化后的速度場。與校正前的地震速度場相比,在不改變速度整體趨勢的前提下,校正后地震速度場與井速度的匹配程度明顯提升,見圖7。

a)校正前層速度

2.3 基于常數低頻模型的疊前同時反演

在不考慮低頻信息的情況下,疊前同時反演的帶限結果往往可以反映地質沉積特征。因此,在構建低頻模型前,基于部分疊加數據體,利用常數低頻模型進行第一輪疊前同時反演,得到帶限的縱波阻抗、縱橫波速度比和密度等反演數據體。提取LA油田W5層平面屬性顯示,其橫向變化趨勢與油田地層沉積特征具有較好的相關性,見圖8。

圖8 LA油田W5層帶限縱橫波速度比平面屬性圖

2.4 基于深度學習的低頻模型構建

以測井曲線作為目標函數,輸入2.2節優化后的地震速度、基于常數低頻模型的帶限反演結果,開展多信息源深度學習,得到全頻帶的縱波阻抗、縱橫波速度比和密度的模型,然后截取低頻部分作為反演的輸入模型。以縱橫波速度比模型為例,從圖9的LA油田W5層縱橫波速度比模型平面屬性可以看出,其與地震速度、帶限縱橫波速度比的平面趨勢都具有一定的相關性,說明低頻模型充分反映了地震反演屬性和地震速度的信息,帶限縱橫波速度比平面屬性見圖8,地震層速度平面趨勢見圖10。另外,根據區域地質研究成果,LA油田W5層沉積時期,北部為洼陷方向,西南部為主要物源方向,經過較短距離搬運至本區形成辮狀河三角洲,低頻模型的橫向變化規律基本與這一構造沉積特征相符。

圖9 LA油田W5層縱橫波速度比模型平面屬性圖

圖10 LA油田W5層地震層速度平面趨勢圖

為進一步說明深度學習低頻模型的優勢,將其與構造層位控制下的彈性曲線插值模型進行比較,同樣以縱橫波速度比為例,由于LA油田構造和沉積特征的特殊性和復雜性,井與井之間彈性屬性差異較大,導致井插值模型中出現“牛眼”現象,其橫向趨勢幾乎沒有任何指示意義,見圖11。

圖11 井插值縱橫波速度比模型平面屬性圖

3 反演結果分析與討論

考慮到低頻模型對反演結果影響的重要性,從對反演結果的盲井檢驗和基于不同模型的反演效果對比分析,進一步闡述深度學習低頻模型的準確性,過盲井LA1井不同縱橫波速度比反演剖面見圖12。由圖12可看出,與井插值低頻模型的反演結果相比,基于深度學習低頻模型的反演結果與盲井揭示的儲層、非儲層吻合程度較高,剖面黑框內砂體的連續性更好。此外,LA油田已鉆井在W5層砂巖的測井縱橫波速度比介于1.6～1.7(圖5),相較而言,基于深度學習低頻模型反演預測的砂體縱橫波速度比更接近1.6～1.7。由此可見,深度學習低頻模型的預測結果在儲層的定量解釋方面更精確。

a)基于井插值低頻模型的反演

另一方面,受低頻模型的影響,LA1a井在井插值模型反演的縱橫波速度比平面屬性上處于相對高值區域,其橫向變化趨勢與實際認識不相符;而深度學習低頻模型的反演屬性特征則反映了與輸入數據的一致性,也反映出辮狀河三角洲從南西方向推進到本區的基本沉積特征,沉積體邊界較清晰。根據基于深度學習低頻模型的反演結果,明確了儲層的主體展布范圍,重新部署了LA油田開發井A1和A2的位置,見圖13。

a)基于井插值低頻模型的反演

4 結論

針對古近系復雜沉積地區儲層橫向變化快和地震反演時難以建立準確的低頻模型問題,以LA油田為例,探索研究了從基礎資料優化到利用測井曲線、地震速度和反演屬性進行多信息源融合的深度學習建模方法,克服了LA油田沉積環境復雜、井少且位置分布不均和基礎資料品質較低等不利條件,構建了具有較高精度的反演低頻模型,提高了反演結果的可靠性,明確了LA油田W5層儲層的主體展布范圍,為LA油田開發項目的實施提供指導和建議。