地球物理学报  2021, Vol. 64 Issue (10): 3788-3806   PDF    
基于精确Zoeppritz方程的储层含油气性预测方法
周林1, 廖建平1, 李景叶2,3, 陈小宏2,3, 刘兴业4     
1. 湖南科技大学页岩气资源利用湖南省重点实验室, 湘潭 411201;
2. 中国石油大学(北京)油气资源与探测国家重点实验室, 北京 102249;
3. 中国石油大学(北京)海洋石油勘探国家工程实验室, 北京 102249;
4. 西安科技大学地质与环境学院, 西安 710054
摘要:流体指示因子和泊松比作为重要的指标参数在储层含油气性预测中发挥着至关重要的作用,大量学者开展了这两个参数的直接反演研究.然而,现有反演方法主要是以精确Zoeppritz方程的近似公式为正演方程,近似公式诸多的假设条件及较低的计算精度极大地限制了这类方法在复杂储层的应用效果.因此,为了提升储层含油气性预测精度,文中提出了一种新的基于精确Zoeppritz方程的流体因子和泊松比反演方法.首先,借助敏感流体因子定量分析法对现有流体指示因子进行优选,并将传统形式的精确Zoeppritz方程改写为包含该优选流体指示因子和泊松比的新形式.然后,基于新方程构建贝叶斯理论框架下的非线性反演目标函数.同时,为了进一步提升流体因子和泊松比对储层的刻画精度,在假设背景先验模型服从高斯分布的同时引入服从微分拉普拉斯分布的块约束项.最后,借助泰勒级数展开对上述非线性目标函数进行求解.合成数据和油田数据验证结果表明新方法能够稳定合理地估计流体指示因子和泊松比,且精度远高于基于近似公式的传统方法.此外,实际数据测试表明新方法能够有效提升储层含油气性预测精度,降低不确定性.
关键词: 精确Zoeppritz方程      流体指示因子      泊松比      块约束      含油气性预测     
Prediction method of reservoir oil-gas potential based on exact Zoeppritz equations
ZHOU Lin1, LIAO JianPing1, LI JingYe2,3, CHEN XiaoHong2,3, LIU XingYe4     
1. Hunan Provincial Key Laboratory of Shale Gas Resource Utilization, Hunan University of Science and Technology, Xiangtan 411201, China;
2. State Key Laboratory of Petroleum Resources and Prospecting, China University of Petroleum, Beijing 102249, China;
3. National Engineering Laboratory for Offshore Oil Exploration, China University of Petroleum, Beijing 102249, China;
4. College of Geology and Environment, Xi'an University of Science and Technology, Xi'an 710054, China
Abstract: The fluid indicator factor and Poisson's ratio are important index parameters, which play a vital role in prediction of reservoirs oil-gas potential. Many scholars have proposed a wide range of methods to invert these two parameters. However, the existing inversion methods mainly take the approximations of the exact Zoeppritz equations as the forward equations. The assumptions and low calculation accuracy of approximate formulas in these approaches greatly limit the application of the methods for complex reservoirs. To solve this problem, a new inversion method for the fluid factor and Poisson's ratio based on the exact Zoeppritz equations is proposed to improve the prediction accuracy of reservoir hydrocarbon potential. First, the existing fluid indicator factors are optimized by the sensitive fluid factor quantitative analysis, and the traditional form of exact Zoeppritz equations is rewritten into a new form that includes the optimized fluid indicator factors and Poisson's ratio. Then, a nonlinear inversion objective function based on the new equations is constructed in the Bayesian theory framework. Besides, to further improve the characterization accuracy of the fluid factor and Poisson's ratio for reservoirs, a differentiable Laplace distribution blocki constraint term is added to the background prior model that is assumed to obey Gaussian distribution. Finally, Taylor series expansion is used to solve the nonlinear objective function. Both synthetic and field data examples show that the new method can estimate the fluid indicator factor and Poisson's ratio stably and reasonably. The accuracy is much higher than the traditional method based on the approximate formula. Besides, the field data test shows that the proposed method can effectively improve the prediction accuracy of reservoir hydrocarbon potential and reduce uncertainty.
Keywords: Exact Zoeppritz equations    Fluid indicator factor    Poisson's ratio    Block constraint    Hydrocarbon prediction    
0 引言

岩性和流体识别能够为储层含油气性预测提供关键信息,其中流体识别的精度会直接影响储层油气分布预测精度.因此,如何合理高效的对储层流体进行识别一直以来都是油藏勘探开发关注的重点,学者们也在这方面进行了大量研究.Smith和Gidlow (1987)通过联合纵横波速度首次定义了流体因子的概念并成功将其应用于含气砂岩储层的流体识别.Goodway等(1997)指出拉梅岩石物理常数λρμρ在流体检测和岩性识别方面明显优于纵横波速度.基于孔弹性理论(Biot, 1941; Gassman, 1951),Russell等(2003, 2011)定义了具有明确物理意义的流体因子f,即经典的Russell流体因子.Feng等(2007)通过对常用流体因子比较分析指出ρf在流体判别方面表现更好.Yin和Zhang(2014)将有效孔隙流体体积模量Kf定义为新的流体指示因子,有效提升了流体识别的灵敏度.然而,其研究成果显示,有效孔隙流体体积模量的引入会导致待反演的目标参数数量增加,这会严重影响非线性反演算法的稳定性和不确定性.李春宁(2014)构建了一个新的流体指示因子Fρ.相比于经典的Russell流体因子f和孔隙流体体积模量Kf,该流体因子不包含干岩石纵横波速度比.并且,冷雪梅等(2019)通过研究指出,该流体因子的流体识别效果与Russell流体因子非常接近.从上述研究可以看出,流体因子的种类繁多且各有优缺点,本文将根据后续反演算法的需求,并借助杨培杰等(2016)提出的敏感流体因子定量分析法对现有流体指示因子进行优选.由于储层的复杂性和多样性,如果脱离岩性指示信息的约束,仅依靠流体因子反演结果对储层含油气性进行预测可能会导致解释结果存在假象.如果能够同时得到对储层流体和岩性指示性明确的参数,共同对储层含油气性进行预测将会大大降低预测结果的不确定性.大量研究表明,泊松比具有良好的岩性和含油气性指示效果(樊长江和王贤, 2006; Ostrander, 1984; 宗兆云等, 2012b; Zong et al., 2013aZhou et al., 2017; Zong and Yin, 2017).因此,为了有效提升储层含油气性预测精度,本文将以流体因子和泊松比同时作为目标待反演参数.

叠前地震数据中包含着丰富的地下流体和岩性信息,因此叠前AVO/AVA反演技术被广泛应用于储层流体检测和岩性识别.Russell等(2011)推导了包含Russell流体因子、剪切模量和密度的线性近似公式,并采用标准最小二乘反演方法实现了线性反演.宗兆云等(2012a)Zong等(2012)推导了包含纵波模量和横波模量的线性近似方程以及弹性阻抗方程,进而基于岩石物理关系实现了Russell流体因子的间接估算.李雷豪等(2019)从减少参数维数入手将上述包含纵横波模量的三项线性近似方程简化为两项式,提升了反演结果的稳定性,并最终通过间接计算实现了高敏流体识别因子的估计.为了避免间接计算造成的累积误差,Zong等(2013b)利用Russell线性近似方程基于贝叶斯理论实现了Russell流体因子的直接反演.宗兆云等(2012b)Zong等(2013a)推导了包含杨氏模量和泊松比的近似公式,并实现了泊松比的直接反演.Du和Yan(2013)推导了包含ρfρμ的PP和PS波反射系数两项近似式,并基于这两个方程实现了纵横波联合反演.杜炳毅等(2016)基于Russell近似推导了PS波反射系数近似公式并实现了联合反演.Zong和Xin(2017)推导了包含杨氏阻抗和泊松阻抗的线性近似方程,并实现了基于该方程的叠前反演,有效提升了非常规储层流体和岩性的识别精度.Yin和Zhang (2014)Zong等(2015)Du等(2019)推导了包含孔隙流体体积模量的线性近似公式并实现了孔隙流体模量的线性反演.冷雪梅等(2019)推导了包含流体因子Fρ的弹性阻抗方程,并实现了基于该方程的联合反演.吴奎等(2021)从Russell近似表达式出发推导了包含Russell流体因子的弹性阻抗方程,并实现了基于该方程的流体因子反演预测.然而,上述反演方法均是以精确Zoeppritz方程的近似公式为正演算子.众所周知,近似公式推导过程中的诸多假设条件会极大地限制上述反演方法的应用效果,尤其是在具有强阻抗差异特征的储层.为了克服近似公式引入的一系列问题,本文将聚焦如何利用精确Zoeppritz方程实现流体因子和泊松比的直接反演.

基于贝叶斯理论构建反演目标函数,并在先验模型中有针对性地引入合理的先验分布特征能够进一步有效提升反演结果的精度(Alemie and Sacchi, 2011).Theune等(2010)Zhou等(2020)通过研究指出,在先验模型中引入服从微分拉普拉斯分布的块约束项能够通过压制旁瓣来更好地表征储层边界.因此,本文将采用同样的策略来进一步提升流体因子和泊松比反演结果对储层边界的刻画效果.

本文首先对现有常用流体指示因子利用感流体因子定量分析法进行了优选,然后将传统形式的精确Zoeppritz方程改写为包含优选流体因子、泊松比和密度的新形式,并基于新形式的精确Zoeppritz方程构建了贝叶斯框架下的非线性反演目标函数,有效地避免了常规基于近似公式的反演方法对反演结果精度的限制.此外,为了进一步提升反演结果对储层边界的刻画效果,在先验模型中引入服从微分拉普拉斯分布的块约束项.合成数据和油田数据应用表明,新方法能够高精度地估计流体因子和泊松比,且最终能够基于二者反演结果实现储层油气分布特征的准确预测.

1 方法原理 1.1 流体因子敏感性分析

流体因子种类繁多,不同流体因子识别能力不同,部分流体因子的流体识别精度还会受到新引入参数的估计精度影响,这些因素都将会直接影响流体因子反演结果对储层流体的识别效果.本文从众多流体指示因子中选出了9种常用的流体指示因子,并利用四类经典AVO响应地质模型中的含流体砂岩地层对它们进行了流体因子敏感性分析,然后根据分析结果进行了优选.这9种流体指示因子分别是:(1)纵横波速度比(VP/VS);(2)密度与剪切模量的乘积(ρμ);(3)压缩模量与密度的乘积(λρ);(4)压缩模量与剪切模量之比(λ/μ);(5)体积模量(K);(6) 泊松比(σ);(7)Russell流体因子(f=ρVP2γdry2ρVS2γdry2=(VP/VS)dry2为干岩石纵横波速度比的平方);(8)Russell流体因子与密度的乘积(ρf);(9) Fρ=(ρVP)2-((3VP2-4VS2)/(VP2VS2))(ρVS)2. 杨培杰等(2016)借鉴地层反射系数的定义,提出了一种新的流体因子敏感系数的概念,用于定量描述不同流体因子对流体的识别能力,其表达式为:

(1)

式中,Q表示流体因子敏感系数,F1表示含有流体1的岩石的流体因子计算值,F2表示含有流体2的岩石的流体因子计算值.图 1为9种流体指示因子基于第Ⅰ~Ⅲ类AVO含流体砂岩地层模型数据分别利用公式(1)计算得到的流体因子敏感系数对比.由于干岩石纵横波速度比的平方γdry2的取值大于其常用取值2.333后会导致第7、8两种流体因子基于第Ⅳ类AVO含流体砂岩地层模型数据计算得到的流体因子为不合理的负值,所以我们选用了一组偏小的γdry2值对第Ⅳ类AVO含流体砂岩模型进行了对比分析,如图 2所示.在图 1图 2中,(a)、(b)和(c)分别为干岩石纵横波速度比的平方取不同的值时流体因子7(Russell流体因子f)和8(Russell流体因子与密度的乘积ρf)与其他流体因子敏感系数的对比.从图 1图 2可以看出流体因子7、8、9的对流体的识别能力非常接近且明显高于其他流体因子.同时,从图 1abc以及图 2abc的对比还可以看出干岩石纵横波速度比的平方的取值会明显影响Russell流体因子及其衍生形式的流体识别能力.干岩石纵横波速度比通常很难准确估计,所以现有直接反演Russell流体因子的反演方法均是将其看成一个静态常量,然后借助测井数据交会分析或实验室测量等手段对其进行估值.事实上,干岩石纵横波速度比应是随岩性和深度(或走时)变化的参数,如将其视为静态常量然后借助其他地球物理技术对其进行近似估计会严重制约Russell流体因子的流体识别能力.因此,基于上述分析,本文将选用流体因子9(Fρ)作为本文的目标反演参数,其表达式为:

(2)

图 1 流体因子敏感系数柱状图(第Ⅰ~Ⅲ类AVO含流体砂岩模型) (a) γdry2=2.233; (b) γdry2=2.333; (c) γdry2=2.433. Fig. 1 Histograms of fluid factor sensitivity coefficients (class Ⅰ~Ⅲ AVO fluid-bearing sandstone model)
图 2 流体因子敏感系数柱状图(第Ⅳ类AVO含流体砂岩模型) (a) γdry2=2.133; (b) γdry2=2.203; (c) γdry2=2.273. Fig. 2 Histograms of fluid factor sensitivity coefficients (class Ⅳ AVO fluid-bearing sandstone model)
1.2 包含流体因子Fρ、泊松比σ和密度ρ的新形式精确Zoeppritz方程推导

传统形式的精确Zoeppritz方程为(Zoeppritz, 1919; Aki and Richards, 1980):

(3)

式中,VP1VP2VS1VS2ρ1ρ2分别表示反射界面两侧的纵横波速度和密度,θ1θ2分别表示P波的入射角和透射角,φ1φ2分别表示PS转换波的反射角和透射角,RPPRPS分别表示P波和PS转换波的反射系数,TPPTPS分别表示P波和PS转换波的透射系数.根据Snell定律可得:

(4)

将公式(4)代入公式(3)可得:

(5)

在各向同性介质中,纵波模量、杨氏模量与纵横波速度以及密度存在如下关系:

(6)

(7)

其中,M1M2为上下层纵波模量,E1E2为上下层杨氏模量.将公式(6)和(7)代入公式(2)可得:

(8)

在各向同性介质中,纵横波模量与泊松比、杨氏模量存在如下岩石物理关系:

(9)

(10)

其中,σ1σ2为上下层泊松比.将公式(9)代入公式(8)可得:

(11)

则有:

(12)

将公式(9)和(11)代入公式(10)可得:

(13)

则有:

(14)

将公式(12)和(14)代入公式(5),即可得到包含流体因子Fρ、泊松比σ和密度ρ的新形式精确Zoeppritz方程:

(15)

此外,为了便于其他学者对全文研究内容的重现以及后续反演算法的对比,本文在附录A中给出了包含流体因子Fρ、泊松比σ和密度ρ的传统线性近似公式的详细推导过程.

1.3 叠前AVA非线性反演

当精确Zoeppritz方程的参数化形式发生改变时,其为反演带来的不稳定性也会发生变化.因此,在反演之前我们借助残差函数图分析法对新方程的反演稳定性进行了分析(Larsen, 1999Zhou et al., 2020),结果显示新方程的残差函数图都是光滑的,没有不规则的,且大部分都围绕单极值呈现闭合的等值线,根据Zhou等(2020)的研究可知,本文推导的新形式精确Zoeppritz方程不会为反演算法带来明显的不稳定性,能够成功地应用于贝叶斯确定性反演中.

以公式(15)所示新形式精确Zoeppritz方程为正演算子,构建贝叶斯理论框架下的非线性反演目标函数.假设似然函数P(d | m)服从高斯分布,则有:

(16)

其中,G 为新形式精确Zoeppritz方程构成的非线性正演算子,m 为三个待反演参数组成的参数向量,CD为噪声协方差矩阵.在实际应用中,通常假设噪声数据与观测数据不相关,此时可将噪声协方差矩阵简化为一个单位矩阵,即CD=σ22nI,其中σ22n噪声的方差,I 为单位矩阵.

大量研究表明,如果存在质量可靠且匹配良好的多波数据,多波联合反演能够进一步降低反演的不确定性,提升反演结果的精度(Stewart, 1990; Lu et al., 2015; 周林等, 2016; Zhou et al., 2017).

对于多波数据,公式(16)可推广为:

(17)

基于贝叶斯理论构建目标函数的优势是能够通过引入更加有针对性的先验分布模型进一步提升待反演参数的精度和分辨率.Theune等(2010)Zhou等(2020)等学者指出,在先验模型中引入服从微分拉普拉斯分布的块约束项能够通过压制旁瓣来更好地表征储层边界.因此,为了进一步提升流体因子反演结果对储层流体边界以及泊松比反演结果对岩性边界的刻画能力,先验分布函数P(m)被定义为(Zhou et al., 2020):

(18)

其中,Cm为包含三个待反演参数之间统计相关性的协方差矩阵,μ为均值向量,D为一阶微分矩阵算子,kl(l=1, 2, 3)为尺度参数,每一个待反演参数对应一个尺度参数.

将公式(17)和(18)代入贝叶斯理论中,即可将求解最大后验概率解的问题转化为求解如下所示目标函数最小值的问题:

(19)

其中,α=σPP2/σPS2用来控制PS波数据的权重,β=σPP2用来控制先验信息的权重.

对于公式(19)所示非线性目标函数,通常可以采用高斯-牛顿法或借助泰勒级数展开对其进行快速稳定求解(周林等, 2016; Zhou et al., 2017),为了避免求解正演算子关于待反演参数的二阶偏导数,本文将借助泰勒级数展开的方法对上述目标函数进行求解.根据Zhou等(2017)的研究,对非线性正演方程G(m)进行泰勒级数展开并取其一阶近似,然后代入公式(19)可得:

(20)

此时,公式(20)所示目标函数就变成了一个关于目标参数扰动量Δm的线性方程,将公式(20)关于该扰动量求导并令导数等于零可得:

(21)

其中:

基于上述求解表达式,我们可以得到目标参数更新项Δm0,从而实现对初始模型m0的更新:

(22)

m 1代入到公式(21),即利用更新后的模型参数 m 1替代初始模型 m 0,则又可以得到一个新的目标参数更新项Δ m 1,这样我们就可以实现模型参数的连续迭代更新,并最终达到最大迭代次数.因此,公式(19)所示目标函数的解可表示为:

(23)

其中:

最终,可得到如下所示待反演参数迭代更新公式:

(24)

其中,λj为第j次迭代的步长.

从公式(21)和(23)可以看出,参数更新量Δm求解表达式的两侧均含有Δm,此时可进一步采用迭代重加权最小二乘算法进行求解(Alemie and Sacchi, 2011).此外,为了使文章更加简洁,减少对前人研究成果的赘述,本文没有给出公式(23)包含的正演算子矩阵关于待反演参数一阶偏导数矩阵的构建与推导过程,其详细构建与推导过程可参见Zhou等(2017, 2020)的研究成果.虽然一阶偏导数矩阵的构建与推导过程类似,但由于不同的方法采用的正演方程不一样,具体推导过程中涉及的核心部分即非线性正演方程关于反射界面上下层待反演参数的一阶偏导数计算公式是独有的.对此,为了增加本文方法的可重现性,在附录B中给出了新形式精确Zoeppritz方程关于反射界面上下层流体因子、泊松比以及密度参数的一阶偏导数详细求解表达式.

2 合成数据测试

为了验证基于新形式精确Zoeppritz方程流体因子、泊松比直接反演方法的可行性和稳定性,本文利用图 3所示单井模型进行算法测试.图中黑线表示真实待反演参数,虚线表示初始模型参数.利用精确Zoeppritz方程基于图 3黑线所示真实参数值计算得到对应的反射系数向量,并与主频为30 Hz的雷克子波进行褶积,最终得到如图 4a所示不含噪声的合成PP波和PS波角道集数据.该角道集数据包含4°到40°之间的10个角度(以4°为间隔).为了测试算法的稳定性和抗噪性,在合成数据中加入均方根信噪比为0.5的随机噪声,如图 4b所示.图 5图 6分别为本文提出的基于新形式精确Zoeppritz方程流体因子、泊松比直接反演方法和基于传统近似公式反演方法的反演结果.其中,图 5a图 6a为PP波单独反演的结果,图 5b图 6b为PP-PS联合反演的结果.从图 5图 6的对比可以看出,新方法的反演精度明显高于基于传统近似公式的常规方法.此外,从图 5ab对比可以看出,基于新形式精确Zoeppritz方程的联合反演能够进一步提升反演结果的精度.而图 6ab的对比显示,由近似公式计算得到的PS波反射系数存在较大误差,使得基于传统近似公式的联合反演不仅未能有效改善反演结果的精度甚至还在一定程度上降低了反演结果的精度.这说明新方法不仅反演精度优于常规方法,而且在PS波信息利用方面也表现的更好,充分验证了新方法的可行性和有效性.仔细观察图 5图 6,我们还可以发现另外一个现象,即不管是传统方法,还是新方法,密度反演结果精度均低于流体因子和泊松比反演结果精度.对此,我们借助基于单一变量原则的参数变化敏感性分析手段进行了简要分析,发现包含流体因子、泊松比以及密度项的新方程对密度参数变化的敏感性明显低于流体因子和泊松比,这也很好地解释了这种现象的存在.

图 3 单井模型 其中实线表示真实模型参数,虚线表示初始模型. Fig. 3 Single-well model Solid lines represent true model data and dashed lines represent initial model data.
图 4 合成叠前角道集 (a) 不含噪声;(b) S/N=0.5. Fig. 4 Synthetic prestack angle gathers (a) Without noise; (b) S/N=0.5.
图 5 新方法的反演结果 (a) PP波单独反演;(b) PP-PS波联合反演. 其中红线代表真实模型参数,黑线代表初始模型,蓝线代表反演结果. Fig. 5 Inversion results of the proposed method (a) PP wave inversion; (b) Joint PP-PS wave inversion. The red line indicates true model data, the black line indicates initial model data and the blue line indicates inversion results.
图 6 基于传统近似公式的常规方法的反演结果 (a) PP波单独反演;(b) PP-PS波联合反演. 其中红线代表真实模型参数,黑线代表初始模型,蓝线代表反演结果. Fig. 6 Inversion results of the conventional method based on traditional approximate formulas (a) PP wave inversion; (b) Joint PP-PS wave inversion. The red line indicates true model data, the black line indicates initial model data and the blue line indicates inversion results.

为了测试新方法的稳定性和抗噪性,利用图 4b所示信噪比为0.5的合成数据对研究算法进行测试.图 7ab分别为含噪数据PP波单独反演和PP-PS波联合反演的结果,可以看出,即使在信噪比为0.5的情况下,新方法仍然能够稳定合理地估计出流体因子和泊松比,说明新方法具有良好的稳定性和抗噪性,同时也很好地验证了前述关于新方程反演稳定性分析的结论.

图 7 新方法的反演结果(S/N=0.5) (a) PP波单独反演;(b) PP-PS波联合反演. 其中红线代表真实模型参数,黑线代表初始模型,蓝线代表反演结果. Fig. 7 Inversion results of the proposed method (S/N=0.5) (a) PP wave inversion; (b) Joint PP-PS wave inversion. The red line indicates true model data, the black line indicates initial model data and the blue line indicates inversion results.
3 实际数据测试

实际资料来自中国东部某勘探工区,图 8为测试区域的叠加剖面.该区域实际采集的角道集数据角度范围为3°到45°(间隔1°),并已经过一系列常规处理满足叠前AVA反演的要求.图 8中黑线标示位置为井A所在位置,图 9为井A对应的真实测井曲线.图 10图 9所示测井数据中流体因子Fρ与泊松比σ曲线交会图,从该图可以看出,流体因子Fρ和泊松比σ交会能够清楚地区分储层和非储层区域.

图 8 测试区域的叠加剖面 黑线标示井A的位置. Fig. 8 Stacked section of test work area The black line indicates the location of well A.
图 9 井A的真实测井曲线 Fig. 9 True logging curves of well A
图 10 图 9所示流体因子和泊松比曲线交会图 Fig. 10 Crossplot of fluid factor and Poisson′s ratio curves shown in Fig. 9

由于工区实际数据的限制,仅有PP波数据参与反演.图 11是利用新方法反演得到的流体因子(图 11a)、泊松比(图 11b)和密度(图 11c)剖面.图 12是利用基于传统近似公式的常规方法反演得到的流体因子(图 12a)、泊松比(图 12b)和密度(图 12c)剖面.通过对比可以看出,新方法的反演结果在垂向分辨率和横向连续性方面均明显优于常规方法.为了进一步展示新方法的优势,图 13给出了井A位置对应的井旁道反演结果,图中红线代表真实测井曲线,蓝线代表新方法反演结果,黑色实线代表常规方法反演结果,黑色虚线代表初始模型.通过对比可以看出,新方法流体因子、泊松比反演结果的精度明显高于常规方法,充分体现了本文方法的优势.

图 11 新方法反演结果剖面 (a) 流体因子;(b) 泊松比;(c) 密度. Fig. 11 Inversion results of the proposed method (a) Fluid factor; (b) Poisson′s ratio; (c) Density.
图 12 基于传统近似公式的常规方法反演结果剖面 (a) 流体因子;(b) 泊松比;(c) 密度. Fig. 12 Inversion results of the conventional method based on traditional approximate formulas (a) Fluid factor; (b) Poisson′s ratio; (c) Density.
图 13 井旁道反演结果对比 其中红线代表真实模型参数,黑色实线代常规方法反演结果,蓝线代表新方法反演结果,黑色虚线代表初始模型. Fig. 13 Inversion results at the well A location The red line indicates the real model, the black solid line indicates the inversion results of conventional method, the blue line indicates the inversion results of proposed method and the black dotted line indicates the initial model.

图 11a所示新方法流体因子反演结果可以看出,区域1和2均显示明显的流体因子高值,同时,从图 11b所示泊松比反演结果可以看出,区域1和2均显示明显的低泊松比值,根据图 10所示的交会结果很容易判定区域1和区域2位有明显的含油气性显示.此外,从图 11a还可以看出,区域3所示流体因子反演结果虽然呈现高值,但明显比区域1和2所示流体因子值要低,此时如果仅仅依靠流体因子反演结果很难判定区域3是否为有效储层.但从图 11b可以看出,区域3所示泊松比值呈现异常低值.大量研究表明,含气砂岩的泊松比值呈现异常低值,那么我们很容易判定该区域可能是含气储层,这也很好解释了为什么该区域的流体因子呈现高值但却远低于区域1和2.基于上述分析,我们可以推测区域1和2为含油储层,区域3为含气储层,该分析结果与工区实际钻遇结果一致,充分验证了本文研究方法的可行性和有效性,对丰富储层含油气性高精度预测理论与方法具有十分重要的意义.

4 结论

本文首先通过流体因子敏感性分析优选出合适的流体因子,然后将传统形式的精确Zoeppritz方程改写为包含流体因子、泊松比和密度的新形式,并最终实现了基于新公式的贝叶斯非线性反演,有效地克服了传统近似公式固有缺陷对流体因子和泊松比反演结果精度的限制.同时,为了进一步提升反演结果对储层边界的刻画能力,有针对性地引入了服从微分拉普拉斯分布的块约束项.合成数据测试结果表明,新方法能够稳定合理地反演得到流体因子和泊松比且反演精度与PS转换波信息的利用均比常规方法表现得更好.二维实际数据测试结果表明,新方法反演结果的精度、垂向分辨率以及横向连续性均明显优常规方法,并且,同时利用流体因子和泊松比反演结果对研究区域的含油气性进行预测,能够有效降低预测结果的不确定性,充分验证了本文提出的基于精确Zoeppritz方程的储层含油气性预测方法的可行性和有效性.

本文选择的流体因子虽然很好地避免了干岩石纵横波速度比对Russell流体因子和流体体积模量流体识别能力的影响,但该流体物理意义并不明确,且在准确给出干岩石纵横波速度比情况下,其流体识别能力弱于Russell流体因子和流体体积模量.理论上,如果能够减弱或消除干岩石纵横波速度比对流体因子识别能力的影响,选择Russell流体因子或流体体积模量作为流体指示因子应该是最佳选择.因此,在本文研究内容的基础上,将随岩性或深度(走时)变化的干岩石纵横波速度比同时作为未知待反演参数,开展基于精确Zoeppritz方程的Russell流体因子或流体体积模量直接反演研究,达到消除干岩石纵横波速度比的影响并同时提升流体识别精度的目的,将是我们下一步计划研究的内容.但将干岩石纵横波速度比视为待反演参数或直接反演流体体积模量都将导致待反演参数数量增加,会严重影响非线性反演的稳定性同时降低反演结果的不确定性,这也将是我们后续研究中首要解决的难题.

附录A 包含流体因子Fρ、泊松比σ和密度ρ的线性近似公式推导

优选流体因子Fρ的表达为:

(A1)

泊松比的表达式为:

(A2)

根据多变量微积分链式法则可得:

(A3)

(A4)

将公式(A3)两边同时除以Fρ,将公式(A4)两边同时除以σ,则有:

(A5)

(A6)

其中γ=(VP/VS)sat表示饱和岩石的纵横速度比.

将公式(A5)和(A6)联立求解可得:

(A7)

(A8)

将公式(A7)和(A8)代入Aki-Richards近似方程即可得到如下所示包含流体因子Fρ、泊松比σ和密度ρ的传统线性近似公式:

(A9)

(A10)

附录B 新形式精确Zoeppritz方程关于反射界面上下层流体因子Fρ、泊松比σ和密度ρ的一阶偏导数求解表达式

矩阵形式的新形式精确Zoeppritz方程表达式为:

(B1)

其中R = [rPP rPS tPP rPS]T.将公式(B1)两边同时对关于反射界面上下层流体因子Fρ、泊松比σ和密度ρ求一阶偏导数,则有:

(B2)

其中m=(Fρ1, σ1, ρ1, Fρ2, σ2, ρ2).对式(B2)进行整理可得:

(B3)

其中,的具体求解表达式为:

(B4)

(B5)

M=η1/ξ1N=ξ1/η1,则有:

(B6)

其中,.

(B7)

其中,

(B8)

(B9)

的具体求解表达式为:

(B10)

致谢  感谢所有合作作者在本文构思、研究及写作过程中的辛勤付出.感谢两位审稿专家对本文提出的宝贵建议.
References
Aki K, Richards P G. 1980. Quantitative Seismology: Theory and Methods, Vol. 1. San Francisco, CA: W. H. Freeman & Co.
Alemie W, Sacchi M D. 2011. High-resolution three-term AVO inversion by means of a Trivariate Cauchy probability distribution. Geophysics, 76(3): R43-R55. DOI:10.1190/1.3554627
Biot M A. 1941. General theory of three-dimensional consolidation. Journal of Applied Physics, 12(2): 155-164. DOI:10.1063/1.1712886
Du B Y, Yang W Y, Wang E L, et al. 2016. Joint pre-stack inversion of multiple waves based on Russell approximation. Chinese J. Geophys. (in Chinese), 59(8): 3016-3024. DOI:10.6038/cjg20160824
Du B Y, Yang W Y, Zhang J, et al. 2019. Matrix-fluid decoupling-based joint PP-PS-wave seismic inversion for fluid identification. Geophysics, 84(3): R477-R487. DOI:10.1190/geo2017-0376.1
Du Q Z, Yan H Z. 2013. PP and PS joint AVO inversion and fluid prediction. Journal of Applied Geophysics, 90: 110-118. DOI:10.1016/j.jappgeo.2013.01.005
Fan C J, Wang X. 2006. Lithology prediction by Poisson's ratio-An example from Junggar Basin, NW China. Petroleum Exploration and Development (in Chinese), 33(3): 299-302, 314.
Feng H, Bancroft J C, Russell B H. 2007. A comparison of hydrocarbon indicators derived from AVO analysis. //SEG Technical Program Expanded Abstracts. San Antonio, Texas: SEG, 279-282.
Gassmann F. 1951. Vber die Elastizitat poroser Medien. Vierteljahrsschrift der Naturforschenden Gesellschaft in Zurich, 96: 1-23.
Goodway B, Chen T W, Downton J. 1997. Improved AVO fluid detection and lithology discrimination using Lamé petrophysical parameters; "λρ", "μρ", & "λ/μ fluid stack", from P and S inversions. //SEG Technical Program Expanded Abstracts. Dallas, Texas: SEG, 183-186.
Larsen J A. 1999. AVO inversion by simultaneous P-P and P-S inversion[Master's thesis]. Calgary: University of Calgary.
Leng X M, Du Q Z, Meng X J. 2019. Reservoir fluid detection method based on joint PP- and PS-wave elastic impedance inversion. Fault-Block Oil & Gas Field (in Chinese), 26(3): 319-323, 363.
Li C N. 2014. Multi-wave joint AVA attributes extraction and hydrocarbon prediction[Master's thesis](in Chinese). Qingdao: China University of Petroleum (East China).
Li L H, Wen X T, Liu S M, et al. 2019. Pre-stack seismic inversion based on approximate equation of two reflection coefficients of compressional and shear modulus. Progress in Geophysics (in Chinese), 34(2): 581-587. DOI:10.6038/pg2019CC0035
Lu J, Yang Z, Wang Y, et al. 2015. Joint PP and PS AVA seismic inversion using exact Zoeppritz equations. Geophysics, 80(5): R239-R250. DOI:10.1190/geo2014-0490.1
Ostrander W J. 1984. Plane-wave reflection coefficients for gas sands at nonnormal angles of incidence. Geophysics, 49(10): 1637-1648. DOI:10.1190/1.1441571
Russell B H, Gray D, Hampson D P. 2011. Linearized AVO and poroelasticity. Geophysics, 76(3): C19-C29. DOI:10.1190/1.3555082
Russell B H, Hedlin K, Hilterman F, et al. 2003. Fluid-property discrimination with AVO: A Biot-Gassmann perspective. Geophysics, 68(1): 29-39. DOI:10.1190/1.1543192
Smith G C, Gidlow P M. 1987. Weighted stacking for rock property estimation and detection of gas. Geophysical Prospecting, 35(9): 993-1014. DOI:10.1111/j.1365-2478.1987.tb00856.x
Stewart RR. 1990. Joint P and P-SV inversion. CREWES Research Report, 2: 112-115.
Theune U, Jensås I Ø, Eidsvik J. 2010. Analysis of prior models for a blocky inversion of seismic AVA data. Geophysics, 75(3): C25-C35. DOI:10.1190/1.3427538
Wu K, Xie X, Yang H F, et al. 2021. Paleogene fluid identification based on pre-stack elastic impedance inversion. Progress in Geophysics (in Chinese), 36(1): 395-400. DOI:10.6038/pg2021EE0113
Yang P J, Dong Z L, Liu C Y, et al. 2016. Sensitive fluid factor extraction and analysis. Oil Geophysical Prospecting (in Chinese), 51(1): 158-164.
Yin X Y, Zhang S X. 2014. Bayesian inversion for effective pore-fluid bulk modulus based on fluid-matrix decoupled amplitude variation with offset approximation. Geophysics, 79(5): R221-R232. DOI:10.1190/geo2013-0372.1
Zhou L, Chen Z C, Li J Y, et al. 2020. Nonlinear amplitude versus angle inversion for transversely isotropic media with vertical symmetry axis using new weak anisotropy approximation equations. Petroleum Science, 17(3): 628-644. DOI:10.1007/s12182-020-00445-x
Zhou L, Li J Y, Chen X H. 2016. Nonlinear three term AVO inversion based on exactZoeppritz equation. Chinese J. Geophys. (in Chinese), 59(7): 2663-2673. DOI:10.6038/cjg20160729
Zhou L, Li J Y, Chen X H, et al. 2017. Prestack amplitude versus angle inversion for Young's modulus and Poisson's ratio based on the exact Zoeppritz equations. Geophysical Prospecting, 65(6): 1462-1476. DOI:10.1111/1365-2478.12493
Zoeppritz K. 1919. Erdbebenwellen Ⅷ B, Uber die Reflexion und Durchgang seismischer Wellen durch Unstetigkeitsflachen. Gottinger Nachr., 1: 66-84.
Zong Z, Yin X. 2017. Direct inversion of Young's and Poisson impedances for fluid discrimination. Geofluids, 16(5): 1006-1016.
Zong Z Y, Yin X Y, Wu G C. 2012. AVO inversion and poroelasticity with P- and S-wave moduli. Geophysics, 77(6): N17-N24. DOI:10.1190/geo2011-0214.1
Zong Z Y, Yin X Y, Wu G C. 2012a. Fluid identification method based on compressional and shear modulus direct inversion. Chinese J. Geophys. (in Chinese), 55(1): 284-292. DOI:10.6038/j.issn.0001-5733.2012.01.028
Zong Z Y, Yin X Y, Wu G C. 2013a. Elastic impedance parameterization and inversion with Young's modulus and Poisson's ratio. Geophysics, 78(6): N35-N42. DOI:10.1190/geo2012-0529.1
Zong Z Y, Yin X Y, Wu G C. 2013b. Direct inversion for a fluid factor and its application in heterogeneous reservoirs. Geophysical Prospecting, 61(5): 998-1005. DOI:10.1111/1365-2478.12038
Zong Z Y, Yin X Y, Wu G C. 2015. Geofluid discrimination incorporating poroelasticity and seismic reflection inversion. Surv. Geophys., 36(5): 659-681. DOI:10.1007/s10712-015-9330-6
Zong Z Y, Yin X Y, Zhang F, et al. 2012b. Reflection coefficient equation and pre-stack seismic inversion with Young's modulus and Poisson ratio. Chinese J. Geophys. (in Chinese), 55(11): 3786-3794. DOI:10.6038/j.issn.0001-5733.2012.11.025
杜炳毅, 杨午阳, 王恩利, 等. 2016. 基于Russell近似的纵横波联合反演方法研究. 地球物理学报, 59(8): 3016-3024. DOI:10.6038/cjg20160824
樊长江, 王贤. 2006. 泊松比岩性预测方法研究——以准噶尔盆地为例. 石头勘探与开发, 33(3): 299-302, 314.
冷雪梅, 杜启振, 孟宪军. 2019. 基于纵横波弹性阻抗联合反演的储层流体检测方法. 断块油气田, 26(3): 319-323, 363.
李春宁. 2014. 多波联合AVA属性提取与油气预测[硕士论文]. 青岛: 中国石油大学(华东).
李雷豪, 文晓涛, 刘松鸣, 等. 2019. 基于纵横波模量两项反射系数近似方程的叠前地震反演. 地球物理学进展, 34(2): 581-587. DOI:10.6038/pg2019CC0035
吴奎, 谢祥, 杨海风, 等. 2021. 基于叠前弹性阻抗反演的古近系流体识别. 地球物理学进展, 36(1): 395-400. DOI:10.6038/pg2021EE0113
杨培杰, 董兆丽, 刘昌毅, 等. 2016. 敏感流体因子定量分析与直接提取. 石油地球物理勘探, 51(1): 158-164.
周林, 李景叶, 陈小宏. 2016. 基于精确Zoeppritz方程的非线性AVO三参数反演. 地球物理学报, 59(7): 2663-2673. DOI:10.6038/cjg20160729
宗兆云, 印兴耀, 吴国忱. 2012a. 基于叠前地震纵横波模量直接反演的流体检测方法. 地球物理学报, 55(1): 284-292. DOI:10.6038/j.issn.0001-5733.2012.01.028
宗兆云, 印兴耀, 张峰, 等. 2012b. 杨氏模量和泊松比反射系数近似方程及叠前地震反演. 地球物理学报, 55(11): 3786-3794. DOI:10.6038/j.issn.0001-5733.2012.11.025