地球物理学进展  2017, Vol. 32 Issue (1): 142-145   PDF    
引用本文
高君, 毕建军, 赵海山, 等. 2017. 地震波形指示反演薄储层预测技术及其应用. 地球物理学进展, 2017, 32(1): 142-145, doi: 10.6038/pg20170119  
GAO Jun, BI Jian-jun, ZHAO Hai-shan, et al. 2017. Seismic waveform inversion technology and application of thinner reservoir prediction. Progress in Geophysics (in Chinese), 32(1): 142-145, doi: 10.6038/pg20170119   
地震波形指示反演薄储层预测技术及其应用
高君1, 毕建军2, 赵海山2, 付志方1     
1. 中国石油化工股份有限公司石油勘探开发研究院, 北京 100083
2. 北京中恒利华石油技术研究所, 北京 100023
收稿日期：2016-06-09; 修回日期：2016-12-03.
基金项目：“十三五”国家重大专项“南大西洋两岸重点盆地油气勘探开发关键技术”（2016ZX05033-002）资助.
作者简介：高君, 男, 1966年生, 黑龙江绥化人, 博士, 教授级高级工程师, 主要从事地震地质综合研究.(E-mail:gaojun.syky@sinopec.com)
摘要：盆地含油气区块从勘探评价进入开发阶段，随着产能任务的加大，钻井数量会越来越多，相应地对储层预测精度的要求也越来越高.地震波形指示反演从地震资料出发，以沉积规律和地震地质特征为指导，挖掘相同或相似沉积环境下测井曲线中蕴含的共性结构信息，进行地震先验有限样点模拟，通过蒙特卡罗模拟运算实现对薄储层的量化表征.反演运算过程充分体现了相控思想，较传统方法提高了运算效率和预测精度，可广泛应用于油气藏精细研究、油田开发过程和控制等，有助于最大程度地实现对油藏资源的开发和利用.
关键词：地震波形指示    地震反演    相控    薄层预测    
Seismic waveform inversion technology and application of thinner reservoir prediction
GAO Jun1 , BI Jian-jun2 , ZHAO Hai-shan2 , FU Zhi-fang1     
1. Sinopec Exploration & Production Research Institute, Beijing 100083, China
2. Beijing Zhong heng Li hua Petroleum technology Institute, Beijing 100023, China
Abstract: When an oil & gas-bearing basin enters development phase from exploration & evaluation phase, more drillings will be deployed as oilfield productivity climbs up. As a result, an increasing demand of the reservoir prediction accuracy will therefore be raised. On the basis of seismic data, guided by sedimentary pattern and seismic-geological characteristics, Seismic Waveform Inversion (SWI) attempts to find out the similarities of well logs under same or similar depositional environment, then to carry out seismic priori simulation with limited samples, thus, thin reservoir characterization could be quantitatively realized through Monte Carlo simulation. The concept of "Facies-Control" is fully employed during the computation progress of SMI. Comparing with conventional inversion methods, SWI improves the computing efficiency and prediction accuracy, and can be widely applied for detailed reservoir study during oilfield development, to maximize the utilization of oil & gas resources.
Key words: seismic waveform indication     seismic inversion     phased controlling     thinner reservoir prediction    
0 引言

陆相薄互层砂岩储层由于砂体单层厚度薄，纵向多期次交错叠置，且与泥页岩互层，横向上相变快，平面分布零散，以及受地震资料分辨能力的限制等，致使地震薄层预测精度一直成为困扰地球物理界的难题.为此，人们不断探索和应用多种技术方法，试图采用先进的算法达到预期的效果.例如：通过对地震记录中子波的压缩达到提高原始资料分辨率的目的 (黄绪德, 1992)；在地震资料的引导下，综合利用已有的地质和测井资料，以弥补常规地震剖面分辨率低的缺陷 (张永刚, 2002)；研究谱分解算法，依托高频地震信息揭示和刻画薄层特征 (刘喜武, 2009) 采用模拟退火 (张繁昌等, 1997)、人工神经网络 (杨文采, 1995) 和混沌反演 (张厚柱等, 1995) 等系列非线性反演方法努力实现薄砂岩储层的定量化预测.近年来，蓬勃发展的叠前波动方程反演算法，通过求解叠前系列弹性参数，进一步研究储层和流体问题，使地震反演和储层预测技术进入了新的发展阶段 (Rothman, 1998；Connolly, 1999；靳松等, 2006；何火华等, 2011).然而，由于复杂多变的地震地质条件，以及受先验井资料的限制，如何探求有效的技术方法以进一步提高地震预测精度仍是业界孜孜以求的方向.

南美洲Argentina Cuyo盆地侏罗系重点含油气储层属于季节性河流沉积体系的薄互层砂岩，砂岩单层厚度薄，地震分辨率低，能够用于叠后波阻抗反演的井资料不足.为此，探索应用了基于地震波形指示地质统计学反演技术，以克服传统井约束波阻抗反演和地质统计学反演对样本点速度、密度过多依赖的问题，从而实现了对薄层砂体的定量化预测，检验井证实，该方法比较快捷高效，预测精度也较高.

1 方法原理

地震波形反映了沉积环境和岩性组合的空间变化，代表储层垂向岩性组合的调谐样式，其横向变化反应了储层空间的相变特征.因此，依据地震波形的变化可以宏观反映储层的空间变异性.

地震波形指示反演是在传统地质统计学基础上发展起来的，是在空间结构化数据指导下不断寻优的过程.其基本思想是：在参照空间分布距离和地震波形相似性两个基本因素基础上，对所有井按相关度排序，优选与预测点关联度高的井作为初始模型，对高频成分进行无偏最优估计，并保证最终反演的地震波形与原始地震特征一致，从而使反演结果在空间上体现相带约束的意义，平面上更符合地质沉积规律.可用表示.式中，Z(x0) 为未知点的值，Z(xi) 为波形优选的已知样本点的值，λi为第i个已知样本点对未知样点的权重，n为优选样本点的个数.

图 1示意波形驱动反演的基本模式.亦即，在贝叶斯框架下将地震、地质和测井的信息有机结合，利用地震信息指导井参数对高频成分进行模拟运算，弱化了地震噪声对反演结果的影响；利用地震波形特征代替变差函数，分析储层空间结构的变化，使反演结果更符合地质规律；采用全局优化算法提高了反演结果的稳定性和可靠性.可见，该方法不仅提高了反演运算的稳定性，也弱化了反演过程对样本点数量的苛求和依赖，具有更广泛的技术适应性.

图 1 地震波形指示反演基本原理模式图 Figure 1 The basic principle of pattern of SWI
2 技术实现

该技术方法的实现主要分以下4个关键步骤：

(1) 按照地震波形特征对已知井进行分析，优选与待判别地震道波形特征关联度高的井建立初始模型，并统计其纵波阻抗作为先验信息.传统变差函数受井位分布的影响，而地震波形则可以较好地反映空间结构的低频变化，在已知井中利用波形相似性和空间距离双变量优选低频结构相似的井作为空间估值样本，图 2为波形特征分析示意图.

图 2 波形特征分析示意图 Figure 2 Waveform characteristic analysis

(2) 将初始模型与地震波阻抗进行匹配滤波，计算得到最大似然函数.地震波形相似的两口井，表明所处沉积环境是相似的，其低频成分具有共性，可以增强反演结果低频段的确定性，同时约束了高频的取值范围，提高了反演结果的可靠性.

(3) 在贝叶斯框架下联合似然函数和先验概率得到后验概率统计分布密度，对其采样作为目标函数.

(4) 不断扰动模型参数，使后验概率密度值最大，其解值作为可行的随机实现，取多次可行实现的均值作为期望值输出.具体技术实现见流程图 3.

图 3 地震波形指示反演基本流程 Figure 3 Seismic inversion basic flow chart of SWI
3 技术应用及其效果 3.1 概况

研究区为南美地区P油田，面积约120 km2(图 4)，主力油层的Bar.层属于季节性河流相沉积环境，沉积地层的厚度一般在200~1000 m，埋深大于2300 m.该层主要特征为局部发育砂泥薄互层或大段泥岩中夹杂薄层砂岩，储层岩性为泥质砂岩或砾质砂岩，单砂体厚度一般在2~3 m.砂体纵向上叠置连片、横向相变快，单期主河道宽度一般在200~500 m左右，井间砂体可对比性较差.

图 4 研究区构造特征及其砂岩测井响应 Figure 4 The structure map & sandstone logging response in the field

该区地震资料主频30 Hz左右，拥有各类井上百口，但绝大多数井缺乏声波和密度曲线.岩石物理敏感参数分析表明，波阻抗参数对岩性区分非常弱，而自然电位曲线 (SP) 对岩性有较好的区分 (图 5)，因此对该区目的层进行了基于SP的波形指示协模拟反演.

图 5 敏感属性参数交会图 Figure 5 Sensitive attributes cross plot of research area
3.2 技术应用及结果

(1) 利用Bar.层顶底地震解释层位作为趋势约束，精细追踪了内部地质细分层对应的顶底反射界面，建立高精度的层序格架，为地震地质特征分析以及波形指示反演提供基础.

(2) 开展岩石物理特征研究，优化敏感属性参数自然电位 (SP)，通过反复迭代分析，获得最佳的井震匹配模型.

(3) 基于SP的地震波形特征，开展蒙特卡洛协模拟计算获得自然电位 (SP) 极大似然概率体，其幅值的高低能够表征储层与非储层，进而实现了储层的高精度预测.

如图 6所示，Bar.砂岩与参与运算井以及后验井均有较好的吻合.砂岩纵向与泥岩薄互分布，横向变化自然，平面综合预测图上，河道砂岩分布形态清晰，与实钻井吻合较好，符合该区的地质沉积规律.

图 6 波形指示反演剖面及平面分布图 (Pco58井与Pco41井为检验井，其他为运算井) Figure 6 The inversion profile and plane distribution of SWI
4 结论 4.1

地震波形指示反演技术较传统的基于变差函数随机模拟能更好地体现“相控”思想，反演结果可靠性高，并且不强调样本点的均匀分布，因此，适宜于从勘探评价到开发阶段全过程的薄层定量预测.

4.2

研究区Bar.组砂岩单层厚度远低于地震的分辨能力，采用基于自然电位的地震波形指示随机模拟技术，实现了对薄砂岩的定量刻画，后验井证实了该方法的预测效果，较好地满足了研究区薄目标层系滚动开发的需求.

致谢 感谢审稿专家提出的修改意见和编辑部的大力支持！
参考文献
[] Connolly P. 1999. Elastic impedance[J]. The Leading Edge, 18(4): 438–453. DOI:10.1190/1.1438307
[] He H H, Li S H, Du J Y, et al. 2011. The application of geostatistic inversion method to predicting the thin sandstone reservoir[J]. Geophysical & Geochemical Exploration (in Chinese), 35(6): 804–808.
[] Huang X D. 1992. Deconvolution and Seismic Trace Inversion (in Chinese)[M]. Beijing: Petroleum Industry Press.
[] Jin S, Zhu X M, Zhong D K. 2006. Application of variogram to automatic identification of sedimentary microfacies[J]. Acta Petrolei Sinica (in Chinese), 27(3): 57–60.
[] Liu X W. 2009. Seismic time-frequency analysis for frequency decomposition with applications to seismic sedimentology and reservoir imaging[J]. Progress in Geophysics (in Chinese), 24(5): 1679–1688. DOI:10.3969/j.issn.1004-2903.2009.05.018
[] Rothman D H. 1998. Geostatistical inversion of 3-D seismic data for thin-sand delineation[J]. Geophysics, 51(2): 332–346.
[] Yang W C. 1995. Application of neural network alogorithms to geophysical inversion[J]. Geophysical Prospecting for Petroleum (in Chinese), 34(2): 116–120.
[] Zhang F C, Yin X Y, Wu G C, et al. 1997. Impedance inversion by using annealing neural network[J]. Journal of University of Petroleum, China (in Chinese), 21(6): 16–18, 23.
[] Zhang H Z, Yang H Z, Xu B Y. 1995. Interval velocity inversion by genetic algorithm[J]. Oil Geophysical Prospecting (in Chinese), 30(5): 633–644.
[] Zhang Y G. 2002. The present and future of wave impedance inversion technique[J]. Geophysical Prospecting For Petroleum (in Chinese), 41(4): 385–390.
[] 何火华, 李少华, 杜家元, 等. 2011. 利用地质统计学反演进行薄砂体储层预测[J]. 物探与化探, 35(6): 804–808.
[] 黄绪德. 1992. 反褶积与地震道反演[M]. 北京: 石油工业出版社.
[] 靳松, 朱筱敏, 钟大康. 2006. 变差函数在沉积微相自动识别中的应用[J]. 石油学报, 27(3): 57–60.
[] 刘喜武. 2009. 地震时频分析与分频解释及频谱分解技术在地震沉积学与储层成像中的应用[J]. 地球物理学进展, 24(5): 1679–1688. DOI:10.3969/j.issn.1004-2903.2009.05.018
[] 杨文采. 1995. 神经网络算法在地球物理反演中的应用[J]. 石油物探, 34(2): 116–120.
[] 张繁昌, 印兴耀, 吴国忱, 等. 1997. 用模拟退火神经网络技术进行波阻抗反演[J]. 石油大学学报:自然科学版, 21(6): 16–18, 23.
[] 张厚柱, 杨慧珠, 徐秉业. 1995. 用遗传算法反演层速度[J]. 石油地球物理勘探, 30(5): 633–644.
[] 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.