2. 中原经济区煤层(页岩)气河南省协同创新中心, 焦作 454000
2. Collaborative Innovation Center of Coalbed Methane and Shale Gas for Central Plains Economic Region, Henan Province, Jiaozuo 454000, China
随着油气藏勘探重心从构造性油气藏转向复杂隐蔽的岩性油气藏(李谋杰等,2014),对薄储层的精细描述提出了更高要求.地震储层预测作为油气勘探的重要技术,在生产实践中应用广泛,其依据地震资料,综合利用地质、测井等资料研究储层特征的空间变化,指导后续勘探开发.地震反演方法是其主要技术手段(曹孟起等,2006;郭朝斌等,2006;苗广文等,2011;王雅春和王璐,2013;王振卿等,2014).
目前地震反演方法按实现方法可大致分为两类:基于褶积模型的反演和基于波动理论的波动方程反演(张永刚,2002).测井约束波阻抗反演是一种基于褶积模型的反演技术,利用测井资料丰富的高低频信息,并充分结合地震资料可靠的中频信息和良好的横向分辨率,依据地质理论反演出地层岩性及储层参数等资料(张明振等,2007;张秀丽,2009;李园等,2009).该方法源于20世纪70年代后期的合成声波测井,90年代初,国内周竹生等提出综合地质、地震和测井资料进行约束反演可克服单一线性反演的不足(周竹生和周熙襄,1993),后经不断发展改进.由于反演技术所固有的不适定性和多解性,线性反演方法的缺陷逐步显现,非线性反演方法的研究应运而生,模拟退火、遗传算法、概率神经网络等非线性算法被逐步应用于反演问题中(李娟娟等,2012;程勃和底青云,2012;杨立强等,2013).
神经网络技术作为一种非线性算法,其具有较强的自适应性和高度的灵活性,在地震反演中广泛应用(Liu and Liu, 1998;李东安等,2010;刘振峰等,2012),但也存在着垂向分辨率较低的缺点.可以看出现有反演方法各有优劣,单一方法在波阻抗难以区分岩性的地区很难取得令人满意的效果,为此本文提出采用测井约束与神经网络联合地震反演技术进行薄储层预测,以期提高反演结果的精度.实际复杂储层的应用表明该技术较好地改善了对储层空间的可描述性,达到了对薄储层的预测效果.
1 联合反演流程及关键技术 1.1 技术流程测井约束反演与神经网络联合反演技术进行砂岩预测的流程主要分为三部分:首先对原始测井及地震数据进行预处理,包括井曲线标准化、岩性速度分析、地震地质标定等基础工作,为后续反演提供可靠的质量保障;然后对预处理后资料进行测井约束波阻抗反演,在地震、地质及测井的综合约束下反演得到波阻抗数据体;最后综合波阻抗、测井及地震资料优选地震属性作为输入训练数据,采用神经网络技术建立地震属性与测井数据之间的映射关系,进而处理得到含油气反演数据体,实现储层最终预测.其流程见图 1.
基于模型的测井约束波阻抗反演方法是在地震资料解释层位所建立的地质模型的基础上,对已知地质及测井资料求得的波阻抗沿层位横向外推,同时根据层位厚薄程度对测井曲线进行拉伸和压缩,多井约束条件下可对井间曲线的距离加权内插,以此建立反演的初始模型.然后选取合理最佳的地震子波,通过模型优选迭代挠动算法不断修改模型,使模型合成地震资料与实际地震数据达到最佳吻合,最终模型数据即为反演结果.该方法技术实质是以具有丰富高、低频信息的测井资料来补充地震资料作约束条件,推算出高分辨率的波阻抗等信息.
1.3 神经网络岩性反演一般而言测井约束波阻抗反演结果的波阻抗数据体分辨率较高,可据此对波阻抗差异明显地区的储层进行划分.但在复杂地质条件下砂泥岩波阻抗信息较为接近,利用波阻抗差异预测储层,尤其是薄储层较为困难.为此采用神经网络岩性反演,利用波阻抗数据体,结合钻井、测井等资料,在统计分析地震多属性的基础上采用步进法确定最佳地震属性组合,然后利用最佳属性组合和波阻抗数据体的信息作为输入,通过概率神经网络算法建立起地震反演地质属性与测井解释反映的目标地质属性之间的非线性映射关系,使二者相关性达到最佳,以提高对砂岩薄储层的预测精度.
1.3.1 地震属性组合的选取神经网络岩性反演首先需要选取适于神经网络训练的组合,这就要求在多种地震属性中进行优化选择,步进法是一种较为高效的地震属性组合优化算法(Hampson et al., 2001;Pramanik et al., 2004).该方法的基本思想是:若已确定一个包含N种地震属性的最佳组合,则包含N+1中地震属性的最佳组合是在包含N种地震属性最佳组合的基础上通过计算第N+1个地震属性确立的,满足误差最小条件.通过该方法可有效减小运算量且保证最终结果的各地震属性间是线性无关的,数学上也可论证预测误差随属性种类增加是逐渐减小的.
以三种地震属性为例,假定三种地震属性依次为A1(t)、A2(t)、A3(t),待预测测井属性值为L(t),采用地震属性计算测井属性的线性关系式为
(1) |
(2) |
式中参数ωi可通过求解最小均方预测误差获得,即式(2)所示,使得均方误差最小的一组地震属性集即为最佳属性组合,可通过最小二乘法求解ωi值,公式为
(3) |
概率神经网络本质是一种数学上的插值算法,其通过神经网络结构实现插值过程.数据训练是概率神经网络的关键步骤,一般选择已知测井曲线和井旁地震道的多种地震属性为训练数据,其包含一系列训练样本,且每一个对应所有井资料分析窗内的地震数据.以三种属性为例进行说明,数据训练格式为
式中n为训练样本数,Aij代表地震属性,Li为每一样本对应的已知目标测井属性值.通过假设每一新的输出测井值都可以表示成系列数据中测井值的线性组合,新样本点的属性值可表示为x={A1j,A2j,A3j},新测井属性值估算公式为
(4) |
其中
(5) |
式中D(x, xi)表示输入数据x与每个训练点xi之间的距离,σj是概率神经网络训练中所确定的平滑参数的最优解集.式(4)与(5)即为概率神经网络预测的实现过程,数据训练的实质是求解参数σj最优的过程,最优结果的参照标准是输出训练数据的检验误差最小.假定第m个样本的预测结果为
(6) |
通过样本已知真实值计算此样本预测误差,对所有训练样本重复此过程,定义训练数据的总预测误差即参数σj检验误差为
(7) |
研究区位于中西非裂谷系中典型的中-新生代裂谷盆地,该盆地形成于早白垩世大西洋张裂的构造背景下,在白垩纪至古近纪历经“裂谷-坳陷-裂谷”的构造演化过程,且两期裂陷作用形成的断裂走向不同.区内发育燕行排列张扭断层,构造活动频繁,受此影响断裂构造控制着区内基本构造格局.根据岩性组合特征,区内可划分为Sokor1组和Sokor2组,Sokor1组主要表现为灰白色中砂岩、细砂岩及灰色、深灰色泥岩不等厚互层,厚度在500~700 m.依据层序地层学及沉积学理论,结合录井、测井及地震资料可将研究区古近系划分为6个三级层序:ESQ1-ESQ6.
2.2 地震储层反演前期预处理研究区主要为砂岩体油气藏,内部岩性变化快,储层描述较为困难,地震反演前期的精细处理是准确反演出砂体空间分布特征的关键.为此具体开展了测井曲线标准化、岩性速度特征分析、地震地质标定等工作,经反复试验,对测井地震资料进行了较好的预处理,为后期精准反演提供了保障.
2.2.1 测井曲线标准化由于年代、仪器等因素的影响,测井曲线之间的系统误差不可避免.若未消除这种系统误差进行反演,必然造成反演结果与实际地质规律出入较大,为保证反演质量对测井曲线标准化处理,消除井曲线间误差.鉴于区内沉积复杂,岩性速度变化快,难以确定速度异常原因是岩性或沉积变化还是测井年代或仪器等因素,因此常规直方图校正难以适应.需要通过对研究区内所有井的分析以及对区内沉积特征、特殊岩性体分布范围的仔细研究,完成区内测井曲线的标准化处理.
测井曲线标准化处理采用趋势分析方法,基于标准层在研究区具有沉积规律一致性的原理,对不同曲线基值进行均衡校正.均衡校正时关键是选定最佳标准层,即岩性电性特征明显,厚度适当且分布稳定的岩层.研究区目的层Sokor1组上部岩层湖侵域广泛发育页岩,且分布稳定,全区范围内可追踪,其岩石物理响应具有一定规律性,例如页岩的声波时差在区域内分布应该相差不大,且一致性较强,因此将该层段选定为标准层对原始数据进行标准化.依据交会分析技术绘制各测井响应频率直方图,将标准层内的测井数值进行趋势分析后作为基值,以目的层段内频率直方图所确定的峰值进行定量校正,均衡校正后使基值基本保持一致.如选定标准层湖侵域页岩段原始声波时差(速度)(图 2a)分布杂乱,无规律,不符合该地区地质规律.经过标准化后该湖侵域页岩段声波时差(速度)(图 2b)具有一定规律性,声波速度表现为东南低,北侧较高.
砂泥岩速度分析是利用反演结果进行储层预测的基础,因此需要对研究区内的砂泥岩速度特征进行统计分析,以保证储层预测精度.首先对研究层段的测井数据进行统计分析,确定不同岩性与不同井曲线的相关性.然后在已有井资料基础上统计不同岩性的速度曲线,对目标岩性与围岩的速度分布范围、差异以及与其他曲线的关系进行分析.据此对研究区内储层段不同解释结果分别进行速度统计,由结果可以看出(图 3),研究区内泥岩、细砂岩、粉砂岩、中砂岩和粗砂岩等在速度上无明显差异,且分布比较散乱,但在自然伽玛曲线上则表现出明显差异.
地震地质标定的准确与否对反演处理及储层描述影响较大.研究区内断层发育使得地震资料与测井资料不易匹配,造成合成记录的标定较为困难.标定过程中遵循波形、相位、能量特征相近的准则,纵向上精细标定每一口井从井旁地震道提取目标层子波,精细调整获得吻合较好的合成记录,横向上多井合成记录综合调整.储层精细标定时必须保证时深关系正确及波组对应良好,对重点油层进行仔细标定分析.根据沉积研究和小层对比,横向对比各单井合成记录,在合成记录与井旁地震记录相关性良好的基础上,调整合成记录使得横向上井曲线分布变化合乎地质变化规律.
2.2.4 层位构造解释精确的反演处理有赖于准确的初始波阻抗模型,而波阻抗模型、地质模型及构造解释又是相辅相成的,其中构造解释是最基础的一步.研究区内断裂构造十分发育,断层全部为拉张型正断层,断面较陡,形成多地垒和地堑构造.平面上本区断层呈条带状分布,以南北向断层为主形成雁列式、相互斜交或亚平行关系.经过对构造、沉积及反射特征和反演需要的分析研究,完成对研究区内重点控制层位的构造解释.
2.3 测井约束波阻抗反演通过基础资料的分析处理为后续反演工作提供了较为准确可靠的前期资料,继而开展测井约束波阻抗反演,其主要流程包括:进行反射系数反演,用最少数目的反射系数脉冲达到合成记录与地震道的最佳匹配;根据反射系数反演结果结合波阻抗趋势建立一个合理准确的初始波阻抗模型;在井约束条件下,调整反演参数使合成记录与实际地震剖面最佳匹配,确定反演最优参数,得到最终稀疏脉冲反演波阻抗结果.由于反演结果对子波变化异常敏感,反演过程中精准的子波估算是高精度反演结果的前提.子波估算和地震、地质综合标定交互进行,贯穿层位标定全过程,通过合成记录标定成果进行子波提取,对每口标定井提取子波,通过该子波重新微调合成记录,之后再提取子波,循环反馈以获取最佳子波.
2.4 神经网络岩性反演为提高砂体预测精度,对测井约束波阻抗反演后获得的波阻抗数据体进行神经网络岩性反演处理.利用多属性(包括地震属性与波阻抗等)来研究井曲线与井旁地震属性的联系(图 4),并通过神经网络构建井曲线与地震属性间的非线性映射关系,进而预测储层参数.根据前期岩性速度特征分析可知,研究区内砂岩对测井曲线中自然伽玛响应较为明显,因此本次预测参数选择对岩性敏感的自然伽玛.神经网络岩性反演具体步骤是:依据测井及地震数据,利用步进法选择一个最佳属性集;再通过概率神经网络建立测井与地震属性的非线性映射关系;最后采用关系运算分析地震数据得到自然伽玛三维数据体.
首先通过多属性分析技术,得到与测井自然伽玛值关系最密切的一组地震属性组合(包括波阻抗、道积分、瞬时频率等属性).然后利用神经网络将测井自然伽玛值与井旁道优选属性作为训练集,建立自然伽玛曲线与地震属性之间的映射关系.训练模拟结果如图 5所示,图中两条蓝色平行线段区间为目标层,黑色曲线为实际测井自然伽玛曲线,红色曲线为神经网络预测自然伽玛曲线,可以看出,神经网络预测结果与实际数据较为吻合.在神经网络预测自然伽玛数据与井中自然伽玛数据的交会图中(图 6),同样可以看出各井中自然伽玛值与预测出自然伽玛值基本一致,这也充分说明了神经网络预测的准确性,从而保障了最终反演结果的精度.最后对神经网络训练后的网络进行仿真处理,将测井自然伽玛曲线与地震属性的函数关系应用于三维地震数据体,得到自然伽玛三维数据体.
根据联合反演后得到的自然伽玛三维数据体进行砂岩储层分布预测.具体是依据前期岩性速度统计结果,砂泥岩在自然伽玛上的响应存在明显差异,针对不同层序刻画相应砂岩的自然伽玛阈值范围,而后在自然伽玛三维数据中显示该范围内的数据,即可获取相应砂岩的分布信息.图 7为一单井岩性反演结果与测井资料的对比.根据相应砂岩的自然伽玛阈值调整岩性反演结果的显示参数,得到砂岩分布,即图上黄色区域,可以看出油组E1、E2和E5中砂体均得到较好识别,且与井中砂岩对应关系较为吻合,从而验证了反演结果的可靠性,此外薄互层油气砂体在反演结果中也得到很好的指示.
分别提取研究区内各井原始地震剖面(图 8a)和联合反演后砂岩展布剖面(图 8b),图上黄色区域即指示砂岩的分布概况,相比地震剖面,联合反演后的自然伽玛三维数据体经处理所得到的砂岩展布剖面更为清晰地指示了砂岩分布且与相应井位解释的砂岩层较为匹配,在地震剖面上间断连续的砂体其连续性在砂岩展布剖面上也得到有效改善.由此可见该方法能够有效地刻画出砂岩分布,有利于砂体追踪与储层描述,减少了反演结果的多解性.
通过时间切片可以较为清晰地勾勒砂体的展布范围,对区内目标层Sokor1组中上部油组E5重点含油气砂体在自然伽玛三维数据体中进行层切片提取,结果如图 9所示.图中黄色区域反映砂体分布,可以看出砂体在区内北侧最为发育,砂体由北侧逐渐向南展布,砂岩含量逐渐减低,井Fana S-1与Koulele-1中间区域以及Fana-1南侧部分砂岩发育较差或不发育.
测井约束波阻抗反演联合测井垂向分辨率与地震横向分辨率的特点,利用测井的低、高频成分和丰富的地震中频信息,依据反演波阻抗差异区分储层,对于复杂地质条件下岩性波阻抗信息较为接近的地区,其反演效果较差.
4.2神经网络技术作为一种非线性方法,可用来构建测井曲线与地震数据之间的非线性映射关系,减少反演结果的多解性.本文结合二者互补性,研究测井约束与神经网络联合反演技术进行储层预测.在实际资料的应用中,通过对原始资料的精细处理以及处理过程的质量控制,最大限度地减小对反演结果的不利影响,最终反演结果有效刻画了含油气砂体的分布,同时对薄互层的识别也有很好的指示作用,达到了预期的储层识别效果,为后期油气勘探开发提供了有效的方法依据.
致谢 感谢匿名审者的指导和支持.[] | Cao M Q, Wang J S, Shao L H .2006. Prestack elastic wave impedance inversion technique and application[J]. Oil Geophysical Prospecting (in Chinese), 41 (3) : 323–326. |
[] | Cheng B, Di Q Y .2012. 2D inversion of resistivity sounding base on GA and statistic method[J]. Progress in Geophysics (in Chinese), 27 (2) : 788–795. DOI:10.6038/j.issn.1004-2903.2012.02.047 |
[] | Guo C B, Yang X B, Chen H Y, et al .2006. Constrained sparse pulse inversion research in north of Haitongji depression[J]. Geophysical Prospecting for Petroleum (in Chinese), 45 (4) : 397–400. |
[] | Hampson D P, Schuelke J S, Quirein J A .2001. Use of multiattribute transforms to predict log properties from seismic data[J]. Geophysics, 66 (1) : 220–236. DOI:10.1190/1.1444899 |
[] | Li D A, Ning J R, Liu Z F .2010. Reservoir prediction with integrated information based on artificial neural network technology and geostatistics[J]. Oil & Gas Geology (in Chinese), 31 (4) : 493–498, 503. |
[] | Li J J, Cui R F, Pan D M, et al .2012. Coalfield seismic inversion using probabilistic neural network[J]. Progress in Geophysics (in Chinese), 27 (2) : 715–721. DOI:10.6038/j.issn.1004-2903.2012.02.038 |
[] | Li M J, Guo H M, Cai B K, et al .2014. Several key links of well logging data in well-seismic joint inversion[J]. Journal of Oil and Gas Technology (Journal of Jianghan Petroleum Institute) (in Chinese), 36 (5) : 69–72. |
[] | Li Y, Hu B L, Dong C W, et al .2009. Application of logging constrained inversion technology in prediction of magmatic rock distribution in coal mines[J]. Coal Geology & Exploration (in Chinese), 37 (5) : 68–71. |
[] | Liu Z F, Dong N, Zhang Y G, et al .2012. Seismic inversion program for tight clastic reservoir and its application[J]. Oil Geophysical Prospecting (in Chinese), 47 (2) : 298–304, 352. |
[] | Liu Z P, Liu J Q .1998. Seismic-controlled nonlinear extrapolation of well parameters using neural networks[J]. Geophysics, 63 (6) : 2035–2041. DOI:10.1190/1.1444496 |
[] | Miao G W, Liu C, Wang D, et al .2011. The application of impedance inversion for characteristics analysis and reservoir prediction in Jilin coalfield[J]. Progress in Geophysics (in Chinese), 26 (5) : 1788–1795. DOI:10.3969/j.issn.1004-2903.2011.05.034 |
[] | Pramanik A G, Singh V, Vig R, et al .2004. Estimation of effective porosity using geostatistics and multiattribute transforms:A case study[J]. Geophysics, 69 (2) : 352–372. DOI:10.1190/1.1707054 |
[] | Wang Y C, Wang L .2013. Application of geostatistical inversion to reservoir prediction in the Western Slope of the northern Xingshugang oil field[J]. Progress in Geophysics (in Chinese), 28 (5) : 2554–2560. DOI:10.6038/pg20130534 |
[] | Wang Z Q, Wang H B, Zhang H Q, et al .2014. Frequency division inversion for the intraplatform shoal reservoir[J]. Natural Gas Geoscience (in Chinese), 25 (11) : 1847–1854. |
[] | Yang L Q, Wu C W, Dong N .2013. Application of stochastic inversion based on simulated annealing algorithm for sand body prediction[J]. Progress in Geophysics (in Chinese), 28 (1) : 287–292. DOI:10.6038/pg20130131 |
[] | Zhang M Z, Yin X Y, Tan M Y, et al .2007. Realization and application of logging-constrained seismic wave impedance inversion[J]. Oil Geophysical Prospecting (in Chinese), 42 (6) : 699–702. |
[] | Zhang X L .2009. Application of well constrained seismic inversion technique in reservoir prediction-A case study for Xing 56 Block in Daqing Oilfield[J]. Oil Geophysical Prospecting (in Chinese), 44 (S1) : 145–149. |
[] | Zhang Y G .2002. The present and future of wave impedance inversion technique[J]. Geophysical Prospecting for Petroleum (in Chinese), 41 (4) : 385–390. |
[] | Zhou Z S, Zhou X X .1993. Band-constrained inversion[J]. Oil Geophysical Prospecting (in Chinese), 28 (5) : 523–536. |
[] | 曹孟起, 王九拴, 邵林海.2006. 叠前弹性波阻抗反演技术及应用[J]. 石油地球物理勘探, 41 (3) : 323–326. |
[] | 程勃, 底青云.2012. 基于遗传算法和统计学的电阻率测深二维反演研究[J]. 地球物理学进展, 27 (2) : 788–795. DOI:10.6038/j.issn.1004-2903.2012.02.047 |
[] | 郭朝斌, 杨小波, 陈红岳, 等.2006. 约束稀疏脉冲反演在储层预测中的应用[J]. 石油物探, 45 (4) : 397–400. |
[] | 李东安, 宁俊瑞, 刘振峰.2010. 用神经网络和地质统计学综合多元信息进行储层预测[J]. 石油与天然气地质, 31 (4) : 493–498, 503. |
[] | 李娟娟, 崔若飞, 潘冬明, 等.2012. 概率神经网络技术在煤田地震反演中的应用研究[J]. 地球物理学进展, 27 (2) : 715–721. DOI:10.6038/j.issn.1004-2903.2012.02.038 |
[] | 李谋杰, 郭海敏, 蔡炳坤, 等.2014. 测井资料一致性处理在井震联合反演中的应用[J]. 石油天然气学报(江汉石油学院学报), 36 (5) : 69–72. |
[] | 李园, 胡宝林, 董昌伟, 等.2009. 测井约束反演在预测煤矿岩浆岩分布中的应用[J]. 煤田地质与勘探, 37 (5) : 68–71. |
[] | 刘振峰, 董宁, 张永贵, 等.2012. 致密碎屑岩储层地震反演技术方案及应用[J]. 石油地球物理勘探, 47 (2) : 298–304, 352. |
[] | 苗广文, 刘聪, 王典, 等.2011. 波阻抗反演在吉林探区煤层特征分析及储层预测中的应用[J]. 地球物理学进展, 26 (5) : 1788–1795. DOI:10.3969/j.issn.1004-2903.2011.05.034 |
[] | 王雅春, 王璐.2013. 地质统计学反演在杏北西斜坡区储层预测中的应用[J]. 地球物理学进展, 28 (5) : 2554–2560. DOI:10.6038/pg20130534 |
[] | 王振卿, 王宏斌, 张虎权, 等.2014. 分频波阻抗反演技术在塔中西部台内滩储层预测中的应用[J]. 天然气地球科学, 25 (11) : 1847–1854. |
[] | 杨立强, 邬长武, 董宁.2013. 基于模拟退火算法的随机反演技术在砂体预测中的应用[J]. 地球物理学进展, 28 (1) : 287–292. DOI:10.6038/pg20130131 |
[] | 张明振, 印兴耀, 谭明友, 等.2007. 对测井约束地震波阻抗反演的理解与应用[J]. 石油地球物理勘探, 42 (6) : 699–702. |
[] | 张秀丽.2009. 井约束地震反演技术在储层预测中的应用-以大庆油田杏56区块为例[J]. 石油地球物理勘探, 44 (S1) : 145–149. |
[] | 张永刚.2002. 地震波阻抗反演技术的现状和发展[J]. 石油物探, 41 (4) : 385–390. |
[] | 周竹生, 周熙襄.1993. 宽带约束反演方法[J]. 石油地球物理勘探, 28 (5) : 523–536. |