濁積巖反演儲層預測技術
——以東營凹陷濱縣凸起為例

王雅倜

(勝利油田分公司物探研究院,山東 東營 257022)

1 引言

濁積巖油藏作為典型的巖性油藏,在東營凹陷及周圍洼陷帶廣泛發(fā)育,研究區(qū)濱縣凸起東坡位于東營凹陷西北部,接受來自東營三角洲物源供給,發(fā)育多套濁積巖。由于濁積砂巖體特殊的隱蔽性,給儲層預測描述帶來了極大的挑戰(zhàn)。目前勘探面臨的濁積巖通常具有“細、小、碎、隱”以及儲層薄、物性變化快等特征,致使有效儲層描述難度大[1]。而常規(guī)的地震反演技術受制于地震資料分辨率的影響,在儲層描述上難以滿足精細儲層描述的需要。隨著勘探開發(fā)力度的不斷增大,如何提高儲層預測結果成為亟待解決的問題。

為了消除灰質成分影響,更精確地識別有利濁積巖儲層,不少專家學者已經做出了很多努力。于正軍[2]利用子波分解技術,通過基于振幅和頻率特征的多屬性聯(lián)合分析技術獲取的幅頻比來確定儲層邊界,但該方法對于去除灰質成分所形成的強振幅反射壓制效果并不理想;鈕學民等[3]通過典型灰質濁積巖儲層地震模型和波動方程正演模擬,采用約束稀疏脈沖反演對合成記錄分布進行疊后波阻抗反演分析,明確了濁積巖反演技術的適用性;王慶華等[4]從測井、地震資料入手,開發(fā)了基于獨立分量分析的盲源分離及隨機反演技術,建立了濁積巖儲層識別與描述的技術系列。這些技術多是以地震振幅能量為依據進行儲層識別,對于“異質同相”問題的濁積巖,圍巖與儲層的地震反射特征類似。

為了提高儲層預測效果,周游等[5]借鑒Connolly疊前反演方法,從巖石物理角度出發(fā),優(yōu)選出灰質發(fā)育區(qū)濁積巖儲層有效巖性識別因子,對該因子進行疊前反演,并利用模型和實際資料試算,發(fā)現該方法可有效消除灰質成分對儲層識別的影響;邢潔正等[6]從濁積巖巖石物理模型、虛擬井曲線重構以及波形反演幾個方面對濁積巖儲層進行預測分析,發(fā)現使用疊前同時反演關鍵技術時,可以利用疊前疊后三維地震正演模擬及數據體合成,對濁積巖的發(fā)育位置、厚度及儲層類型進行定量描述。由于研究區(qū)目的層沙三段儲層多為薄儲層,不能通過常規(guī)的稀疏脈沖反演技術有效識別濁積砂巖儲層。

基于以上研究成果,本文從東營凹陷濱縣凸起地區(qū)濁積巖的地球物理響應特征出發(fā),研究形成了一種適用于濁積巖儲層預測的技術方法,充分利用不同巖性間的彈性差異,采用疊前寬角度高精度反演進行多參數巖性概率識別,降低儲層預測多解性;然后結合深度學習孔隙度物性預測技術,對濁積巖儲層進行有利預測,包括濁積巖儲層的空間展布范圍及物性預測,既能有效去除灰質成分對于濁積巖儲層預測的影響,又能提高儲層預測精度,在實際應用中提高了濁積巖油藏的預測吻合率。

2 濁積巖地球物理響應特征

2.1 巖性和電性特征

濱縣地區(qū)濁積巖發(fā)育于濁積水道、深湖、半深湖環(huán)境,常與灰質泥巖或灰?guī)r伴生,砂體孤立發(fā)育、砂體規(guī)模小、分布零散,并且隱蔽性強,研究工區(qū)的濁積巖儲層主要在沙三中、下亞段時期發(fā)育,砂巖儲層具有低自然伽馬、自然電位負異常、高速度、高阻的特征。對該區(qū)的巖石物理分析(圖1)發(fā)現：砂巖速度與灰質泥巖、灰質砂巖速度相近,砂巖速度略高,此類特征是造成濁積砂巖和含灰質巖性地震上反射特征相似的主要原因。同時在單個巖石物理敏感參數分析的基礎上,進一步開展多個疊前彈性參數巖石物理敏感性分析,統(tǒng)計結果如圖2所示。圖2的交匯顯示,即使不同巖性交匯有重疊部分,但濁積砂巖整體表現為高縱橫波速度、低縱橫波速度比的特征,可有利區(qū)分灰質泥巖等儲層。

2.2 地震響應特征

泥巖、灰質泥巖沉積特征穩(wěn)定,表現為連續(xù)的、穩(wěn)定的中-強振幅地震反射同相軸;濁積巖表現為不穩(wěn)定的沉積,儲層具有單層厚度小、單砂體面積小、橫向變化大及垂向疊置等特點,地震相表現為變振幅、短同相軸,有時呈疊合短軸,一般為弱-中振幅,儲層以薄互層形式出現,超出了常規(guī)地震資料及傳統(tǒng)稀疏脈沖反演的識別精度,由于地震資料縱、橫向分辨率受限,達不到儲層精細描述的要求,限制了巖性油藏精細描述[7-12]。濁積砂體橫縱向變化快,地震描述困難,沉積相帶變化快,砂體空間上相互疊置,受灰質成分影響,致使儲層難以識別與描述。

圖1 濁積巖發(fā)育層段巖性速度統(tǒng)計分析Fig.1 Statistical analysis of lithologic velocity of turbidite formation

圖2 濁積巖發(fā)育層段縱橫波速度比巖石物理分析Fig.2 Petrophysical analysis of P-S wave velocity ratio of turbidite formation

3 濁積巖儲層預測技術

3.1 基于譜平衡疊前道集優(yōu)化處理技術

根據地震資料分析,原始地震道集中包含的隨機噪音和殘留的多次波的信息會過多地影響疊前反演的應用效果,因此針對性地采用道集拉平和去噪技術,以提高道集品質,處理結果見圖3。

譜平衡技術是用來處理由于動較拉伸導致的遠近道之間的頻率不匹配問題,從頻率域的角度對遠偏移距道集做頻譜補償,達到消除動較拉伸作用的效果。該方法是對道集做基于加伯(Gabor)變換的時頻分析,以近偏移距道集或小角度道集作為標準道,補償遠偏移距或大角度道集的高頻信息,由于標準道的帶寬對遠偏移距道集的頻譜帶寬能起到一定的限制作用,因而能夠解決遠偏移距道集因收到動校正而產生拉伸變形的現象,從而充分保持遠偏移距及大角度道集信息,提高道集資料的信噪比及連續(xù)性。處理后,地震數據主頻由28 Hz提高到32 Hz,在一定程度上提高了地震資料的分辨率,同時不破壞遠近偏移的振幅關系,保持了振幅隨偏移距的變化(Amplitude Variation with Offset,AVO)特征。

圖3 濱縣地區(qū)道集優(yōu)化處理前后效果對比Fig.3 Analysis on the effect of gather optimization processing in Binxian district

3.2 疊前寬角度高精度反演技術

該研究區(qū)在濁積水道以及深湖-半深湖沉積環(huán)境下多發(fā)育含灰質巖性,如灰質泥巖、灰質砂巖等,具有高速度、高阻抗、強振幅特征,與濁積巖反射特征類似,難以區(qū)分,是造成濁積巖探井鉆探失利的主要原因。根據前文所述,濁積砂巖整體表現為高縱橫波速度、低縱橫波速度比的特征,有利于區(qū)分灰質泥巖等儲層[13-17]。

疊前地震反演的儲層預測技術使用疊前地震道集信息,相比于疊后地震反演,更能充分利用道集數據中豐富的儲層巖性、物性變化信息,基于疊前道集數據,在測井資料的約束下,可提供泊松比、縱橫波速度比、密度、拉梅常數等更多、更敏感的有效彈性參數,為開展儲層預測提供基礎,在對儲層巖性進行物性識別方面,準確性更高,減少了預測的多解性。

疊前寬角度高精度反演方法的基本原理是平面波非垂直入射理論,即地震波從不同方向入射,由于地層界面反射系數不同。從而造成地震反射不同,地震反射變化特征與上下地層縱橫波速度以及密度有關,其數學表達為佐伊普里茲(Zoeppritz)方程：

(1)

式(1)中,rPP、rPS、rSP、rSS分別為縱波反射系數、轉換橫波反射系數、透射縱波、透射橫波反射系數;θ1為縱波反射角;φ1為轉換橫波反射角;θ2透射縱波折射角;φ2透射橫波折射角;VP1、VS1、ρ1分別為上界面的縱波速度(單位為m/s)、橫波速度(單位為m/s)、密度(單位為g/cm3);VP2、VS2、ρ2分別為下界面的縱波速度(單位為m/s)、橫波速度(單位為m/s)、密度(單位為g/cm3)[18-19]。公式中涉及了地層縱橫速度、密度等彈性參數,還涉及地震入射角度和反射系數等信息,這些信息的來源就是疊前地震資料。

依據Zoeppritz方程直接求解,并建立反射系數與縱、橫波速度、介質密度關系,實現基于Zoeppritz方程反射系數梯度矩陣的精確計算。

通過巖石物理敏感分析和反演所得的各彈性參數結果,得出縱橫波速度比結果對儲層的敏感性較高,基本可以識別5 m以上的儲層。相對常規(guī)地震資料,疊前寬角度高精度反演具有更高的分辨率和地質表現能力,對于砂體厚度、尖滅點、展布關系表現得更準確。從圖4的縱橫波速度比連井反演結果可以看出,在疊前縱橫波速度比反演剖面上,B69井和B5-19井等儲層砂體組合在地震資料中對應的復波、弱反射等反射特征,得到了清楚的反映,縱橫波速度比的低值特征清楚,與地震資料相比,分辨率更高,同相軸更清晰,砂體更易追蹤解釋。

3.3 多參數聯(lián)合巖性識別技術

利用巖石物理解釋模板,雖然定量化程度高,但往往反演數據與模板很難進行很好的匹配,特別是對于研究區(qū)域大、地質沉積類型變化快的目標區(qū),實際操作難度大。因此對于地下的這種復雜性和不確定性,引入了地質概率統(tǒng)計方法,用概率的方式來描述地球物理參數與油藏參數的關系,更能夠定量評價巖性或者流體解釋的風險。

條件概率密度函數的估算是該技術應用的關鍵,圖5(a)和圖5(b)分別表示泥巖概率密度分布和砂巖概率密度分布,利用數學概率模型,通過數據統(tǒng)計可以建立如圖5所示的條件概率密度函數。

設隨機向量x=(x1,x2,…,xn)服從n維正態(tài)分布,存在m個n維向量,則第i個n維向量也服從正態(tài)分布,n維正態(tài)總體概率密度函數可表示為：

Xi～(μ(i),∑i)

(2)

均值μ(i),協(xié)方差矩陣∑i未知,利用訓練數據可以估算：

(3)

(4)

則第i個向量n維分布狀態(tài)條件概率密度函數Pi(x)為：

(5)

其中,樣點i=1,2,…,m; 向量x=(x1,x2,…,xn)。

在統(tǒng)計樣點足夠多的情況下,每個總體的先驗概率可表示為：

(6)

對應特征向量x=(x1,x2,…,xn),巖性為ci的概率可表示為：

P(ci|x)=pi(x)qi

(7)

對于高維空間條件概率密度函數,首先要保證合理分類,對于巖性來說,巖石物理分析是保證分類合理的重要手段。每一個向量或者分類中有足夠多的樣本點是進行估算工作的必要條件,若樣本點少,則得到的期望值和標準偏差會存在局限性。把基于測井資料分析得到的巖性概率函數應用到反演得到的縱橫波速度比數據體中,砂巖高概率與泥巖低概率表示為砂巖的可能性大,與測井吻合較好,能夠對砂巖儲層進行更加精確的判識,同時也可以消除灰質成分對儲層描述的影響。利用砂巖概率數據體提取平面屬性即可得到沙三下濁積砂體預測儲層展布范圍,直觀地顯示砂巖儲層的預測范圍。

圖6為研究區(qū)東西向地震剖面與砂巖概率反演剖面效果對比。由圖6可以看出,目的層上層發(fā)育灰質泥巖、白云巖條帶,目的層以下發(fā)育一套油頁巖,在原始地震剖面,砂巖與灰質都呈現強振幅特點,難以區(qū)分;目的層內砂巖概率反演剖面減小了地震強反射辨識巖性的多解性,參與反演井發(fā)育的砂體在砂巖概率剖面上的砂體展布和疊置關系清楚,尖滅點清晰,并且較好地反映了濁積巖的沉積模式。

圖6 濱縣凸起地區(qū)東西向地震剖面與砂巖概率反演剖面效果對比Fig.6 Comparison diagram of effect of east-west seismic profile and sandstone probability inversion profile in the Binxian uplift area

3.4 深度學習孔隙度預測技術

基于第3.1～3.3節(jié)所述的巖性識別技術開展相關物性預測,以提高濁積巖儲層預測精度。針對儲層孔隙度物性參數的特點,在大量統(tǒng)計研究區(qū)內測井資料與地震屬性數據的基礎上,分析了研究區(qū)物性預測孔隙度硬數據與地震屬性軟數據之間的相關關系,對地震屬性軟數據進行優(yōu)化分析,選取相關度較高的軟數據參與計算。這種方法不依賴假定地震數據與測井數據間存在任何特定的模型, 而是通過分析井位處的訓練數據, 建立起非線性的(深度學習)統(tǒng)計關系,優(yōu)選結果輸出。

根據巖石物理分析,優(yōu)選8～12口資料完整的取心井及測井敏感參數,即縱波速度、橫波速度、縱橫波速度比、泊松比等參數與地震多屬性開展訓練?；趯祿M行表征學習,使用包含復雜結構或由多重非線性變換構成的隱含層對數據進行分析,建立儲層參數與多種地震屬性的關系[20-22]。簡單來說,就是利用已知井數據分別建立單井孔隙度預測模型,從眾多的地震屬性中尋找最佳的屬性組合,利用深度學習PNN(Product-based Neural Network)算法對儲層展布進行預測識別,通過計算多屬性與反演曲線的相關性,將相關程度最好的屬性保留下來;然后,在剩下的屬性中按照均方根準則依次計算第2、第3個屬性,……,依此類推,直到達到預先設定的最大屬性數為止。本次深度學習相關性最高的孔隙度物性預測數據體,可在疊前反演及巖性識別的基礎上進一步提高儲層識別精度,降低儲層反演隨機性。濱縣凸起東坡發(fā)育的東西向分支水道,在垂直水道剖面上,水道儲層厚度大,水道間、水道邊儲層欠發(fā)育。砂巖概率反演剖面反映了濁積砂體沉積特征(圖7)?？紫抖确囱萜拭孢M一步提高了預測精度,預測不同儲層類型與測錄井情況更加吻合,錄井解釋結果均為含油層系(圖8)：B685-X8井沙三下3 267.5～3 274.5 m井段發(fā)育6.5 m油層,B685-X4井3 240～324 7.5 m井段測井顯示7 m油層。將砂巖概率結果與孔隙度預測結果相結合,進一步實現了該研究區(qū)濁積砂巖有利儲層的精細刻畫。

沙三下時期,濱縣凸起地區(qū)廣泛發(fā)育L332、LX889、B685、B682四條大型濁積水道,由西部陡坡帶逐漸向東部延伸,由水下扇逐漸過渡到濁積水道,深湖-半深湖環(huán)境沉積。

從預測結果上來看,對比儲層反演砂巖概率得到沙三下濁積砂體預測儲層展布范圍(圖9),深度學習孔隙度預測結果(圖10)進一步確定了有利儲層分布范圍,并且有效區(qū)分了研究區(qū)東部物性較差的儲層(圖中虛線已標注部位),為下一步勘探開發(fā)方案調整提供了有利依據。

綜上所述,儲層發(fā)育與實鉆井情況吻合。不同于依賴巖石物理方程反演得到的儲層物性參數體,利用人工智能建立學習樣本與地層參數的多源數據融合,能夠更準確、更直觀地刻畫儲層物性的參數變化,與測井信息吻合度高,有效提高濁積巖預測識別精度。相較于常規(guī)儲層反演方法,分析對比工區(qū)內14口井的試油結果與綜合解釋結論,預測符合度為86 %,實現了灰質背景下濁積巖儲層的準確預測。

圖7 過L51、B685-8、B685-X8和B685-X4連井砂巖概率反演剖面Fig.7 Sandstone probability inversion profile through L51、B685-8、B685-X8 and B685-X4 continuous well

圖8 過L51、B685-8、B685-X8和B685-X4連井孔隙度反演剖面Fig.8 Porosity inversion profile through L51、B685-8、B685-X8 and B685-X4 continuous well

圖9 濱縣凸起東坡沙三下濁積砂體展布預測Fig.9 Prediction graph of the distribution of the sand body of turbidite in the lower Es3 of the Binxian uplift area

圖10 濱縣凸起東坡沙三下孔隙度預測平面Fig.10 Prediction plain graph of porosity in the lower Es3 of the Binxian uplift area

4 結論

本文提出了一種濁積巖儲層預測描述方法,從巖性組合、道集優(yōu)化等資料分析入手,針對濁積巖儲層預測中的難點,在疊前寬角度高精度反演基礎上,利用多參數聯(lián)合巖性識別技術有效解決了灰質背景影響有利儲層勘探的問題。另外,本文研究設計了基于深度學習的孔隙度物性預測方法,在地質規(guī)律認識指導下,充分調用數據信息,將彈性參數與物性參數相結合進行有利儲層精細刻畫。該技術在東營凹陷濱縣凸起地區(qū)的應用中取得了良好的效果,結果預測吻合率達86 %,有效提高了濁積巖儲層的預測精度。