侯 凱，熊書權(quán)，萬(wàn)年輝，劉 平，李勇鋒，梁全權(quán)，楊小江

（中海石油（中國(guó)）有限公司深圳分公司，深圳 518000）

0 引言

地震反演是從采集到的地震數(shù)據(jù)提取儲(chǔ)層信息的直接手段，地震反演技術(shù)發(fā)展至今，具有地質(zhì)意義的相控高分辨率反演方法在勘探和開發(fā)領(lǐng)域應(yīng)用越來(lái)越廣泛。目前石油工業(yè)常用的地震反演主要包括3 大類：基于褶積模型的地球物理反演，基于模型的測(cè)井屬性反演和地質(zhì)統(tǒng)計(jì)學(xué)反演[1]?；隈薹e模型的地球物理反演是從地震數(shù)據(jù)進(jìn)行波阻抗反演，該方法忠于地震數(shù)據(jù)，反映儲(chǔ)層的橫向變化，但無(wú)法分辨薄層[2]；基于模型的測(cè)井屬性反演縱向分辨率較高，但受初始模型影響嚴(yán)重，存在多解性；地質(zhì)統(tǒng)計(jì)學(xué)可以模擬測(cè)井屬性和巖性屬性，具有較高的分辨率，但要求工區(qū)井位分布合理，沉積相認(rèn)識(shí)準(zhǔn)確[3]。

本文采用了地震波形相控模擬的方法，在地震資料的有限頻帶范圍內(nèi)采用譜模擬反演[4-7]，高頻部分采用地震波形指示的反演方法。該方法不需要外部輸入相約束，而是利用地震波形的橫向變化代替變差函數(shù)表征儲(chǔ)層的空間變異程度，在提高地震分辨率的同時(shí)，更符合沉積地質(zhì)規(guī)律。此外，針對(duì)海上油田鉆井?dāng)?shù)量少，能用于地球物理反演的井更少的問(wèn)題，本文采用了神經(jīng)網(wǎng)絡(luò)曲線模擬的方法[8-9]，尋找伽馬、阻抗和中子等測(cè)井曲線與彈性曲線的關(guān)系，模擬生產(chǎn)井的聲波和密度曲線，讓生產(chǎn)井參與反演，大大提升了反演的可靠性。

1 神經(jīng)網(wǎng)絡(luò)模擬聲波曲線

南海東部A油田位于珠江口盆地恩平凹陷，儲(chǔ)量計(jì)算顯示薄層占比達(dá)40%以上，為挖潛油田薄層潛力，有必要開展高分辨的儲(chǔ)層預(yù)測(cè)攻關(guān)。A 油田地震資料的主頻為25 Hz，縱向分辨率較低，采用測(cè)井約束的地震反演可以在提高地震縱向分辨率的情況下，提升地震資料的可靠性，鑒于油田鉆井?dāng)?shù)量較少，具有聲波和密度測(cè)井的鉆井僅兩口，本文采用了神經(jīng)網(wǎng)絡(luò)算法模擬了生產(chǎn)井的聲波曲線，讓生產(chǎn)井參與反演。

1.1 遺傳算法的神經(jīng)網(wǎng)絡(luò)原理

曲線模擬的方法較多，常用的方法有巖石物理正演模擬和多曲線擬合，其中巖石物理正演模擬需要含油飽和度、砂巖含量和孔隙度等多條測(cè)井曲線解釋信息，還要溫壓曲線等參數(shù)，使用門檻較高。多曲線模擬隨著人工智能技術(shù)進(jìn)步發(fā)展迅速，該方法使用簡(jiǎn)單，準(zhǔn)確率高。遺傳算法的BP 神經(jīng)網(wǎng)絡(luò)是典型的的多層前饋型網(wǎng)絡(luò)，公式如下。

式（1）中wj,i節(jié)點(diǎn)連接權(quán)值，η為網(wǎng)絡(luò)學(xué)習(xí)參數(shù)，op,j為節(jié)點(diǎn)輸出，δp,j為誤差修正值。

其模擬過(guò)程為（圖2）：

圖2 遺傳算法神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程Fig.2 Genetic algorithm neural network training process

（1）輸入訓(xùn)練樣本到網(wǎng)絡(luò)，計(jì)算實(shí)際輸出；

（2）計(jì)算輸出和理想輸出的差，根據(jù)極小化誤差法調(diào)節(jié)權(quán)矩陣，若誤差滿足設(shè)計(jì)值，則停止，否則重復(fù)訓(xùn)練，直到達(dá)到設(shè)計(jì)值。

1.2 曲線模擬

海上油田鉆井?dāng)?shù)據(jù)相對(duì)陸地油田較少，且鉆井過(guò)程中缺少聲波數(shù)據(jù)，為提高曲線模擬的相關(guān)性，首先分析聲波曲線與伽馬，電阻率、密度、中子和自然電位等測(cè)井曲線的相關(guān)性（圖3），分析表明伽馬和密度曲線與聲波曲線的相關(guān)性高，可以作為輸入樣本。

圖3 測(cè)井曲線相關(guān)性分析Fig.3 Correlation analysis of logging curves

輸入訓(xùn)練數(shù)據(jù)，運(yùn)行網(wǎng)絡(luò)模型得到相關(guān)性高的學(xué)習(xí)結(jié)果，并通過(guò)盲井檢測(cè)，模擬結(jié)果（圖4 藍(lán)線）與實(shí)測(cè)曲線（圖4 黑線）基本一致，該模型可靠程度較高（圖4），以此模型模擬油田生產(chǎn)井的聲波曲線。

圖4 A井機(jī)器學(xué)習(xí)模型與盲井B檢測(cè)結(jié)果Fig.4 Machine learning model of well A and detection results of blind well B

神經(jīng)網(wǎng)絡(luò)曲線模擬技術(shù)具有自組織、自學(xué)習(xí)和很好的非線性擬合逼近特點(diǎn)[16-17]，利用該技術(shù)同樣可以重構(gòu)質(zhì)量較差的聲波測(cè)井曲線。經(jīng)過(guò)模擬參與反演的井?dāng)?shù)增多，由2 口井提高到15 口井約束，反演的井控?cái)?shù)量越多，反演結(jié)果在井點(diǎn)和井周圍的準(zhǔn)確性越高，從而大大提高了反演的平面準(zhǔn)確性（圖5）。

圖5 神經(jīng)網(wǎng)絡(luò)曲線模擬的應(yīng)用效果Fig.5 Application effect of neural network curve simulation

1.3 敏感參數(shù)重構(gòu)

根據(jù)油田內(nèi)參與反演井目的層段的阻抗數(shù)據(jù)來(lái)進(jìn)行巖石物理分析，常規(guī)波阻抗交匯顯示砂巖和泥巖混疊嚴(yán)重（圖6a），為此，將伽馬曲線的高頻成分融合到聲波曲線，巖性敏感曲線作為高頻曲線，頻帶界限相當(dāng)于地震最大有限頻帶，在頻率域并成特征曲線（圖6）。

構(gòu)建了能區(qū)分儲(chǔ)層巖性的參數(shù)DT（GR），保留了聲波曲線的低頻成分，在地震子波的濾波效應(yīng)下，井震相關(guān)性得到了較好保持。結(jié)果表明，重構(gòu)后的參數(shù)可以很好的區(qū)分儲(chǔ)層和非儲(chǔ)層（圖6b），采用該參數(shù)開展儲(chǔ)層反演。

圖6 重構(gòu)后阻抗與伽馬交會(huì)圖Fig.6 Reconstructed impedance and gamma crossplot

2 地震波形相控反演

2.1 理論基礎(chǔ)

地震的分辨率分為縱向分辨率和橫向分辨率?？v向分辨率的概念最早由Rayleigh[10]提出，受地震調(diào)諧作用的影響，地震信號(hào)的垂向分辨率在1/4λ，為解決薄層識(shí)別問(wèn)題，很多學(xué)者開展了大量研究。Widess[11]提出在理想情況下，根據(jù)振幅橫向變化能夠識(shí)別任意厚度的薄層；曾洪流[12]提出了“橫向檢測(cè)率”的概念，利用地層切片可以檢測(cè)厚度小于1/4 波長(zhǎng)的地質(zhì)體橫向變化。

圖7 頻率域敏感曲線重構(gòu)Fig.7 Frequency domain sensitivity curve reconstruction

正演驗(yàn)證地震數(shù)據(jù)能夠反映沉積環(huán)境和巖性組合的空間變化，薄層雖然在地震上無(wú)法分辨，但會(huì)對(duì)地震波在橫向上的波形產(chǎn)生影響。如下圖，均勻泥巖介質(zhì)內(nèi)部發(fā)育薄砂體，薄砂巖的縱波速度是3000 m/s，密度2.25 g/cm3，厚度在1～3 m，均質(zhì)泥巖的縱波速度3500 m/s，密度2.65 g/cm3。褶積后的地震記錄可以看到，地震波形在橫向上有明顯的變化（圖8）。

圖8 薄層砂體的地震響應(yīng)Fig.8 Seismic response of thin sand body

上述正演模擬表明，地震波形包含了薄層信息，縱向上地震振幅無(wú)法“分辨”薄層，但可以利用橫向波形變化“識(shí)別”薄層。波形的橫向變化受沉積環(huán)境的影響，同時(shí)反應(yīng)了儲(chǔ)層組合結(jié)構(gòu)的變化。

在貝葉斯框架下對(duì)初始模型的高頻成分進(jìn)行馬爾科夫鏈-蒙特卡洛模擬，利用地震波形的橫向變化代替變差函數(shù)來(lái)表征儲(chǔ)層的空間變異性，優(yōu)選與預(yù)測(cè)點(diǎn)關(guān)聯(lián)度高的井作為初始模型，對(duì)高頻成分進(jìn)行無(wú)偏最優(yōu)估計(jì)，使模擬結(jié)果符合地震中頻阻抗和井曲線結(jié)構(gòu)特征[13-15]。公式為

式（2）中，Z（x0）為未知點(diǎn)的值，Z（xi）為波形優(yōu)選的已知樣本點(diǎn)的值，λi為第i個(gè)已知樣本點(diǎn)對(duì)未知樣點(diǎn)的權(quán)重，n為優(yōu)選樣本點(diǎn)的個(gè)數(shù)．

該方法是基于井震協(xié)同的高頻模擬，縱向和橫向分辨率同時(shí)提高，反演的結(jié)果根據(jù)地震記錄的相特征，體現(xiàn)了相控思想，同時(shí)適用于非均勻井位分布的油田，適用性強(qiáng)，流程如圖9所示。

圖9 地震波形約束反演流程Fig.9 Seismic waveform constraint inversion process

2.2 應(yīng)用實(shí)例

珠江口盆地南海東部A油田儲(chǔ)量分散，厚度小于5 m 的薄層儲(chǔ)量占比較大，儲(chǔ)層橫向變化快，分布規(guī)律復(fù)雜，實(shí)際油田開發(fā)中薄層表現(xiàn)出很好的開發(fā)效果。為了滿足油田開發(fā)中后期精細(xì)儲(chǔ)層研究的需要，急需一套高分辨率的地震反演結(jié)果。

傳統(tǒng)反演方法受地震分辨率和帶限子波限制分辨率低，對(duì)先驗(yàn)?zāi)Ｐ鸵蕾囆詮?qiáng)，認(rèn)為因素較大。針對(duì)南海東部A油田的儲(chǔ)層特點(diǎn)，采用分頻的地震波形約束反演方法精細(xì)預(yù)測(cè)3～5 m 的薄層，為油田的高效開發(fā)提供了良好的基礎(chǔ)數(shù)據(jù)。

通過(guò)測(cè)井?dāng)?shù)據(jù)優(yōu)化、巖石物理分析、敏感參數(shù)構(gòu)建、精細(xì)井震標(biāo)定和反演參數(shù)優(yōu)選等工作，最終獲得油田高分辨率的波形相控反演成果。

圖10 為常規(guī)地震剖面，從圖上可以看出，常規(guī)地震剖面的分辨率較低。反演后得到縱向上分辨率較高的儲(chǔ)層展布，井上的阻抗與反演結(jié)果的相關(guān)度高，且橫向上具有較高的連續(xù)性（圖11）。

圖1 南海東部A油田區(qū)域位置示意圖Fig.1 Regional location of A oilfield in the east of South China Sea

圖10 常規(guī)地震剖面Fig.10 Conventional seismic profile

圖11 地震波形相控反演剖面Fig.11 Seismic waveform phase controlled inversion section

H1 儲(chǔ)層為該油田的主要油藏（圖12），該層的儲(chǔ)層厚度3～5 m，反演平面結(jié)果顯示砂巖物性較好的區(qū)域主要分布于北部的A-1井附近，受地層沉積演化的影響，該層的物源主要來(lái)自于東部，向西逐漸減薄。若將油田井位部署于油田東部效果要好。油田實(shí)際開發(fā)過(guò)程中，同樣是東部生產(chǎn)井的產(chǎn)能較高。該成果同時(shí)為油田注水井設(shè)計(jì)提供了良好的依據(jù)。

圖12 反演平面圖Fig.12 Plane map of inversion

3 總結(jié)

波形相控反演方法充分利用波形空間特征變化反映儲(chǔ)層相變規(guī)律，突破了常規(guī)基于空間域插值算法的限制，對(duì)井?dāng)?shù)和井位分布的均勻性沒(méi)有嚴(yán)格要求，明顯地提高了儲(chǔ)層反演的適用性，實(shí)現(xiàn)了井-震協(xié)同的高分辨率儲(chǔ)層預(yù)測(cè)，相對(duì)于傳統(tǒng)的高分辨率反演更好的體現(xiàn)了相控的思想，預(yù)測(cè)結(jié)果更符合地質(zhì)規(guī)律。

本文針對(duì)南海東部薄儲(chǔ)層預(yù)測(cè)形成了一套完整的技術(shù)流程，并成功應(yīng)用于南海東部A油田，采用神經(jīng)網(wǎng)絡(luò)曲線模擬方法提高油田井控程度，采用地震相控波形模擬提升儲(chǔ)層預(yù)測(cè)精度，解決了該油田3～5 m 薄砂巖油藏精細(xì)描述的難題，儲(chǔ)層精細(xì)預(yù)測(cè)結(jié)果與油藏動(dòng)態(tài)吻合，有效地指導(dǎo)了油田的高效開發(fā)生產(chǎn)。