劉　洋

(中國地質(zhì)大學(xué) 地球科學(xué)學(xué)院，武漢 430074)

利用地震屬性進行儲層研究，在油氣勘探開發(fā)中得到了廣泛的應(yīng)用[1]。其中利用地震屬性包含的地層厚度信息[2-3]定量估算儲層厚度，是儲層預(yù)測的重要研究內(nèi)容。A.R.Brown等[4]、D.B.Neff[5]、P.Connolly[6]等研究了利用地震走時與地震振幅屬性相結(jié)合的儲層厚度估算方法。這類方法主要利用地震走時信息，同時依據(jù)儲層厚度對振幅的調(diào)諧效應(yīng)，將地震振幅屬性作為走時信息的補充，因此本質(zhì)上是一定厚度范圍內(nèi)振幅屬性厚度估算，應(yīng)用范圍受到限制。

近年來，利用地震多屬性計算儲層厚度得到越來越多的研究和應(yīng)用。這些方法可以分為2類：線性方法和非線性方法。王世龍等[7]、王開燕等[8]研究了地震多屬性預(yù)測儲層厚度的線性方法，該類方法計算快捷、穩(wěn)定；但是由于地震多屬性與儲層厚度在內(nèi)的多種信息存在非線性關(guān)系，線性方法預(yù)測儲層厚度難以保證精度。非線性算法以人工神經(jīng)網(wǎng)絡(luò)為代表，陸光輝等[9]、王婷等[10]研究了其在多屬性預(yù)測儲層厚度中的應(yīng)用，取得了較好的效果。神經(jīng)網(wǎng)絡(luò)等非線性方法理論上能提高厚度預(yù)測的精度，但該類方法受訓(xùn)練樣本種類和數(shù)量的影響較大，在鉆井?dāng)?shù)量較少、分布不合理、缺少地質(zhì)規(guī)律的支撐的情況下，預(yù)測結(jié)果雖然在井點精度高，但整體不能反映地質(zhì)規(guī)律，甚至出現(xiàn)異常值[11]。為了解決常規(guī)神經(jīng)網(wǎng)絡(luò)算法受訓(xùn)練樣本數(shù)量影響大而預(yù)測結(jié)果不穩(wěn)定的問題，本文引入能夠反映儲層空間變化規(guī)律的沉積相信息，在沉積相的控制下增加訓(xùn)練樣本，從而提出基于相控神經(jīng)網(wǎng)絡(luò)的地震多屬性儲層厚度預(yù)測方法，以達(dá)到提高預(yù)測結(jié)果精度和地質(zhì)合理性目的。

1　方法原理

針對常規(guī)神經(jīng)網(wǎng)絡(luò)預(yù)測儲層厚度方法精度高的優(yōu)點和穩(wěn)定性差的不足，提出相控神經(jīng)網(wǎng)絡(luò)的技術(shù)方法。通過地震-沉積相的分析，建立目標(biāo)儲層的沉積相，通過虛擬井實現(xiàn)沉積相對神經(jīng)網(wǎng)絡(luò)算法的控制和約束，在提高精度的同時提高算法的穩(wěn)定性。

1.1　常規(guī)神經(jīng)網(wǎng)絡(luò)儲層厚度預(yù)測方法

常規(guī)神經(jīng)網(wǎng)絡(luò)儲層厚度預(yù)測算法，通過模擬人腦內(nèi)神經(jīng)單元及其結(jié)構(gòu)，以井點地震屬性為學(xué)習(xí)樣本作為輸入，儲層厚度作為輸出，將輸入和輸出按不同的連接方式組成網(wǎng)絡(luò)建立模型，以一定的學(xué)習(xí)準(zhǔn)則進行訓(xùn)練學(xué)習(xí)，從而并行執(zhí)行解決問題，進而完成厚度預(yù)測。神經(jīng)網(wǎng)絡(luò)預(yù)測儲層厚度的方法，能發(fā)現(xiàn)地震屬性及組合與儲層參數(shù)隱含的非線性關(guān)系，從而有效地提高儲層厚度預(yù)測精度[12]。但在鉆井較少、砂體變化快的情況下，由于學(xué)習(xí)樣本數(shù)量、種類的不足和空間分布的不合理，會導(dǎo)致計算結(jié)果不穩(wěn)定，出現(xiàn)整體分布特征不合理的現(xiàn)象。

1.2　基于相控神經(jīng)網(wǎng)絡(luò)的儲層厚度預(yù)測方法

1.2.1研究思路與技術(shù)流程

針對常規(guī)神經(jīng)網(wǎng)絡(luò)儲層厚度預(yù)測方法存在的問題，本文提出了相控神經(jīng)網(wǎng)絡(luò)地震多屬性預(yù)測儲層厚度的方法，其研究思路是在沉積地質(zhì)學(xué)理論的指導(dǎo)下豐富學(xué)習(xí)樣本，提高樣本空間分布的合理性，從而提高神經(jīng)網(wǎng)絡(luò)算法的精度、穩(wěn)定性和空間合理性。方法的技術(shù)流程如圖1所示，關(guān)鍵技術(shù)環(huán)節(jié)有：①通過地震-沉積相分析，劃分研究目標(biāo)的相帶；②使用線性方法初步估算儲層厚度；③依據(jù)相帶分布建立相控網(wǎng)格；④相控神經(jīng)網(wǎng)絡(luò)厚度估算，優(yōu)選地震屬性，將相控樣本網(wǎng)格作為訓(xùn)練樣本，利用人工神經(jīng)網(wǎng)絡(luò)算法預(yù)測儲層厚度。

1.2.2地震-沉積相分析

通過正演模擬等方法，研究儲層及其關(guān)鍵屬性(物性、含油氣性)的地震響應(yīng)特征，找到能夠穩(wěn)定反映儲層變化的敏感地震屬性；通過井震標(biāo)定，找到目標(biāo)儲層對應(yīng)敏感地震屬性在空間中的位置；與常規(guī)地震剖面結(jié)合，追蹤解釋儲層頂(或底)界面，利用追蹤層位，提取敏感地震屬性的沿層切片；檢驗地震屬性切片反映的儲層分布特征是否與單井相和區(qū)域沉積認(rèn)識吻合，如果不吻合則重新進行“屬性優(yōu)選—砂體解釋—屬性提取—分析驗證”工作，如果吻合則作為沉積相的建立依據(jù)，劃分研究區(qū)目的層的相帶空間分布。

1.2.3相控網(wǎng)格建立與神經(jīng)網(wǎng)絡(luò)儲層厚度計算

相控樣本網(wǎng)格，是依據(jù)“相帶空間分布”，通過虛擬井和已鉆井?dāng)?shù)據(jù)建立的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本庫，在此基礎(chǔ)上實施神經(jīng)網(wǎng)絡(luò)算法計算儲層厚度。其計算流程如圖2所示。

圖2　相控神經(jīng)網(wǎng)絡(luò)計算流程Fig.2　Calculation process of facies-guided neural network

a.地震屬性提取、分析、篩選：在對工區(qū)地震資料做優(yōu)化處理后，依據(jù)井震標(biāo)定提取目標(biāo)層多種屬性并進行標(biāo)準(zhǔn)化處理；在此基礎(chǔ)上，通過對地震屬性的相關(guān)性分析和聚類分析，優(yōu)選出一組相關(guān)性適中的屬性組合。

b.用線性方法估算儲層厚度：利用優(yōu)選的地震屬性和已鉆井?dāng)?shù)據(jù)，通過多元線性回歸初步估算儲層厚度。

c.初算厚度分析：檢驗初算結(jié)果是否與研究目標(biāo)的相帶分布規(guī)律一致，如果不一致則重復(fù)步驟a和b，如果一致則作為虛擬井的數(shù)據(jù)來源。

d.設(shè)置虛擬井，建立相控網(wǎng)格：根據(jù)前人研究[13-14]，結(jié)合相控提高神經(jīng)網(wǎng)絡(luò)算法穩(wěn)定性的目的。虛擬井的設(shè)置遵循如下原則：①虛擬井分布盡可能均勻；②虛擬井在不同相帶上都有分布，在不同相的過渡帶適當(dāng)增加虛擬井，在實際鉆井?dāng)?shù)據(jù)較多的相帶上適當(dāng)減少虛擬井；③虛擬井盡可能位于地震屬性信噪比高和初算厚度穩(wěn)定的位置；④虛擬井在模型中的權(quán)重較實鉆井低。依據(jù)上述原則設(shè)置好虛擬井，提取初步估算厚度，與鉆井?dāng)?shù)據(jù)構(gòu)成相控樣本網(wǎng)格。

(1)

(2)

2　應(yīng)用實例

2.1　工區(qū)背景

研究區(qū)H氣田位于東海陸架盆地西湖凹陷，主要目的層G1氣藏埋藏比較深，為孔隙度比較低的低孔滲儲層。氣田內(nèi)有鉆井5口，鉆井揭示該氣田花港組目的層為淺水環(huán)境的水下分流河道、河口壩沉積，砂體橫向變化快[16]，5口鉆井在主要目的層G1氣藏鉆遇的砂體厚度、孔隙度、含水飽和度等參數(shù)均有差異。為合理準(zhǔn)確地計算氣田的儲量，以及為氣田開發(fā)地質(zhì)建模等研究做準(zhǔn)備，需要合理估算儲層厚度等參數(shù)的空間分布。在地質(zhì)沉積分析和地震多屬性提取分析的基礎(chǔ)上，應(yīng)用相控神經(jīng)網(wǎng)絡(luò)方法估算了G1氣藏儲層厚度的空間變化。

2.2　沉積相帶劃分

根據(jù)目標(biāo)儲層為低孔滲砂巖的特點，通過正演模擬研究了儲層及其孔隙度和孔隙流體的地震反射特征。圖3-A為含水飽和度不變、不同孔隙度條件下的疊加剖面，從圖中可以看出，隨著孔隙度的增大，砂巖頂面(藍(lán)色虛線)的反射逐漸由正變負(fù)，相位出現(xiàn)變化，因此常規(guī)疊加剖面的振幅屬性受物性影響大，不能作為反映巖性變化的敏感屬性。圖3-B為不同孔隙度條件下的AVO梯度剖面(振幅隨偏移距的變化率[17])，在AVO梯度剖面上，隨孔隙度的變化，梯度值變化，但相位不變(均為負(fù)值)，因此巖性對AVO梯度的影響大于物性。再來看孔隙流體對AVO梯度的影響，圖3-C為孔隙度不變、不同含水飽和度條件下的AVO梯度剖面，隨著含水飽和度的增大， 砂巖頂面AVO梯度保持負(fù)相位不變，說明孔隙流體對AVO梯度的影響小于巖性。通過以上分析可以得到如下結(jié)論：AVO的梯度信息主要是巖性界面的響應(yīng)，是本地區(qū)的儲層敏感屬性。

圖3　儲層地震響應(yīng)分析Fig.3　Analysis of reservoir seismic response

圖4為AVO梯度屬性的聯(lián)井剖面，從圖中可以看出，G1氣藏頂界面標(biāo)定在AVO梯度的負(fù)相位上，與砂巖頂面的地震響應(yīng)吻合。提取砂巖頂面的AVO梯度最小值如圖5所示，其平面特征表現(xiàn)為北東向的水道特征，與目的層區(qū)域沉積特征和單井相分析吻合。應(yīng)用AVO梯度屬性進行地震-沉積相分析，將研究區(qū)目的層劃分為分流河道主體、分流河道側(cè)緣、分流間灣、沼澤4種相(圖6)。

2.3　儲層厚度估算

在地震資料優(yōu)化處理的基礎(chǔ)上，提取了17種地震屬性并進行了標(biāo)準(zhǔn)化，通過聚類分析與相關(guān)性分析，優(yōu)選出了最小振幅、弧長、能量半衰時和均方根振幅(圖7)4種屬性用于多元線性回歸砂巖厚度預(yù)測(圖8)。預(yù)測結(jié)果與鉆井基本吻合，精度較高(圖9)。砂巖預(yù)測厚度與相帶空間分布規(guī)律基本一致，多元線性回歸預(yù)測結(jié)果可以作為虛擬井的數(shù)據(jù)來源。

結(jié)合已有鉆井分布和相帶劃分，在線性方法儲層厚度估算結(jié)果上提取了9口虛擬井，用于豐富神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)樣本(虛擬井位置如圖8所示)。在此基礎(chǔ)上，利用神經(jīng)網(wǎng)絡(luò)計算的儲層厚度圖10所示。對比5口井作為樣本的常規(guī)神經(jīng)網(wǎng)絡(luò)方法(圖11)，相控神經(jīng)網(wǎng)絡(luò)在提高精度的同時(圖12)，保持了儲層厚度空間分布的合理性。

圖4　H氣田AVO梯度聯(lián)井剖面Fig.4　Joint well profile of AVO gradient of the H gas field

圖5　G1氣藏AVO梯度最小值Fig.5　Minimum value of AVO gradient of G1 reservoir

圖6　G1氣藏空間相帶劃分Fig.6　Classification of facies of the G1 reservoir

圖7　G1氣藏線性擬合優(yōu)選地震屬性Fig.7　Seismic attribute optimization by linear fitting of G1 reservoir

圖8　G1氣藏多元線性回歸儲層厚度預(yù)測建立相控約束網(wǎng)格Fig.8　Facies-guided grid established by multiple linear regressions for reservoir thickness prediction of G1 reservoir

圖9　線性預(yù)測誤差對比分析Fig.9　Comparison analysis of linear prediction error

圖10　相控神經(jīng)網(wǎng)絡(luò)法預(yù)測G1氣藏厚度Fig.10　Facies-guided neural network prediction of the G1 reservoir thickness

圖11　常規(guī)神經(jīng)網(wǎng)絡(luò)法預(yù)測G1氣藏厚度Fig.11　Normal neural network prediction of the G1 reservoir thickness

圖12　誤差對比分析Fig.12　Error comparison analysis

3　結(jié) 論

a.人工神經(jīng)網(wǎng)絡(luò)方法能夠反映地震屬性和儲層厚度之間的非線性關(guān)系，從而提高儲層厚度預(yù)測精度；但是在學(xué)習(xí)樣本種類或數(shù)量不夠的情況下，計算的結(jié)果不穩(wěn)定，不能反映地質(zhì)規(guī)律。

b.本文提出的基于相控神經(jīng)網(wǎng)絡(luò)的儲層厚度預(yù)測技術(shù)，基于相控神經(jīng)網(wǎng)絡(luò)地震多屬性儲層厚度預(yù)測方法，在地震-沉積研究的基礎(chǔ)上，劃分能夠反映儲層宏觀變化規(guī)律的空間相帶；在相帶的指導(dǎo)下設(shè)置虛擬井，與實際鉆井樣本點結(jié)合建立相控網(wǎng)格，豐富神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)量、類型和空間分布，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)算法通過對樣本點的訓(xùn)練進行地震多屬性儲層厚度的預(yù)測。該技術(shù)在提高預(yù)測精度的同時，提高了預(yù)測的空間穩(wěn)定性，預(yù)測結(jié)果符合地質(zhì)規(guī)律。

c.實際工區(qū)目標(biāo)儲層為三角洲平原的水下分流河道，砂體變化快，基于相控神經(jīng)網(wǎng)絡(luò)厚度預(yù)測結(jié)果較常規(guī)方法提高了精度，厚度分布特征與地質(zhì)認(rèn)識一致。

[參考文獻(xiàn)]

[1] Chopra S, Marfurt K J. Seismic attributes — A historical perspective [J]. Geophysics, 2005, 70: 3SO-28SO.

[2] Connolly P, Kemper M. Statistical uncertainty of seismic net pay estimation [J]. The Leading Edge, 2007, 26: 1284-1289.

[3] 趙虎，尹成，彭達(dá)，等.砂泥巖儲層間距變化對地震屬性影響分析[J].地球物理學(xué)進展，2013,28(2):899-907.

Zhao H, Yin C, Peng D,etal. Analyze the relationship of seismic attributes and sandstone and mudstone reservoir distance changes [J]. Progress in Geophysics, 2013, 28(2): 899-907. (in Chinese)

[4] Brown A R, Wright R M, Burkart K D,etal. Interactive seismic mapping of net producible gas sand in the Gulf of Mexico [J]. Geophysics, 1984, 49: 686-714.

[5] Neff D B. Estimated pay mapping using three-dimensional seismic data and incremental pay thickness modelling[J]. Geophysics, 1990, 55: 567-575.

[6] Connolly P. A simple, robust algorithm for seismic net pay estimation [J]. The Leading Edge, 2007, 26: 1278-1282.

[7] 王世龍,周妍,王開燕.基于偏最小二乘回歸法的儲層厚度預(yù)測[J].復(fù)雜油氣藏,2015,8(1)：7-10.

Wang S L, Zhou Y, Wang K Y. Prediction of reservoir thickness based on partial least squares regression method[J]. Complex Hydrocarbon Reservoirs, 2015, 8(1): 7-10. (in Chinese)

[8] 王開燕，周妍，陳彥奇，等.基于譜分解和地震多屬性儲層厚度的預(yù)測[J].地球物理學(xué)進展，2014,29(3):1271-1276.

Wang K Y, Zhou Y, Chen Y Q,etal. Prediction of reservoir thickness based on spectral decomposition and seismic multi-attribute [J]. Progress in Geophysics, 2014, 29(3): 1271-1276. (in Chinese)

[9] 陸光輝，吳官生，朱玉波，等.地震屬性信息預(yù)測儲層厚度[J].河南石油，2003, 17(2):10-12.

Lu G H, Wu G S, Zhu Y B,etal. Prediction of reservoir thickness by seismic attribute information[J]. Petroleum Geology and Engineering, 2003, 17(2): 10-12. (in Chinese)

[10] 王婷，楊斌，楊勇，等.利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測儲層參數(shù)[J].遼寧化工，2013,42(2):160-163.

Wang T, Yang B, Yang Y,etal. Calculation of reservoir parameters by using the BP neural network[J]. Liaoning Chemical Industry, 2013, 42(2): 160-163. (in Chinese)

[11] Mirko van der Baan, Jutten C. Neural networks in geophysical applications [J]. Geophysics, 2000, 65: 1032-1047.

[12] Poulton M M. Neural networks as an intelligence amplification tool: A review of applications [J]. Geophysics, 2002, 67: 979-993.

[13] 劉超，謝傳禮，李宇鵬，等.利用虛擬井提高相控隨機模型中地質(zhì)約束的原理和方法[J].天然氣地球科學(xué)，2015,26(4)：616-624.

Liu C, Xie C L, Li Y P,etal. The principle and method of improving geological constraint in facies-guided random model with virtual well [J]. Natural Gas Geoscience, 2015, 26(4): 616-624. (in Chinese)

[14] 李培培，劉志國，楊松嶺，等.虛擬井技術(shù)在無井或少井條件下時深轉(zhuǎn)換中的應(yīng)用[J].物探與化探，2015,39(5)：994-1000.

Li P P, Liu Z G, Yang S L,etal. The application of virtual well technique to time-depth conversion under the condition of no or few wells [J]. Geophysical and Geochemical Exploration, 2015, 39(5): 994-1000. (in Chinese)

[15] Hampson D P, Schuelke J S, Quirein J A. Use of multiattribute transforms to predict log properties from seismic data [J]. Geophysics, 2001, 66: 220-236.

[16] 姜勇,李寧,涂齊催.基于疊前同步反演的儲層參數(shù)預(yù)測技術(shù)研究及應(yīng)用[J].油氣藏評價與開發(fā)，2016,6(1)：9-13.

Jiang Y, Li N, Tu Q C. Study on reservoir parameters prediction technique based on pre-stack simultaneous inversion and its application[J]. Reservoir Evaluation and Development, 2016, 6(1): 9-13. (in Chinese)

[17] Shuey R T. A simplification of the Zoeppritz equations [J]. Geophysics, 1985, 50: 609-614.