塔河油田碳酸盐岩缝洞储集体地震反射特征量化识别研究与开发应用

李新华，鲁新便 何成江，李 涛 （中石化西北油田分公司勘探开发研究院，新疆 乌鲁木齐830011）

塔河油田碳酸盐岩缝洞储集体地震反射特征量化识别研究与开发应用

李新华，鲁新便 何成江，李 涛 （中石化西北油田分公司勘探开发研究院，新疆 乌鲁木齐830011）

在以地震反射特征分析为主的三维地震综合定性识别缝洞技术方法的基础上，利用地震多属性优化分析技术建立了6个亚类的地震反射特征量化识别模板。首次采用计算机误差反向传播神经网络技术自动量化识别6个亚类特征的储集体，并预测储集体空间分布。该方法在塔河油田碳酸盐岩油藏缝洞量化描述和开发部署中的应用效果较好，已成为 “十二五”塔河缝洞型油藏定量描述的主要方法之一。

缝洞储集体；地震反射特征；BP神经网络技术；量化识别；油藏精细描述

塔河油田碳酸盐岩油藏的主要储集空间是溶洞［1］，其次为孔洞和裂缝，基质不具备储渗能力。该区储集体发育，油水分布非均质性强，储集体识别和描述难度极大。但钻井揭示和地震正演模拟技术表明，当碳酸盐岩地层中缝洞发育时会引起地震反射特征和波形、振幅、能量等属性的变化，尤其是地震反射特征的差异变化最为明显，据其异常变化形态和钻井揭示情况，可将钻井的地震反射特征划分为4个大类、9个亚类，在此基础上，形成了以地震反射特征分析为主体的三维地震综合识别缝洞技术方法［2～6］，在开发中起到了较好的作用。随着塔河油田勘探开发的不断外扩和深入，主要目的层奥陶系埋藏更深，缝洞的发育规模变小，地震反射信号更弱，以“相面法”进行地震反射特征定性预测储层的多解性和不确定性明显增大，影响了开发井的建产率和产能。为此，笔者利用地震多属性优化分析技术建立了储集体6个亚类的地震反射特征量化识别模板，首次采用计算机误差反向传播 （BP）神经网络技术自动量化识别储集体地震反射特征，并预测空间分布。该方法在塔河油田碳酸盐岩油藏缝洞量化描述和开发部署中的应用效果较好，目前已成为 “十二五”塔河缝洞型油藏定量描述的主要方法之一。

1 研究现状

近13年的勘探开发实践表明，塔河油田缝洞储集体的发育形态、尺度范围、组合形式、距奥陶系风化面距离等地质因素会形成不同类型的异常地震反射特征 （与连续地震反射的基岩对比）。“十一五”期间针对塔河油田主体区 （2～8区）的485口钻井缝洞发育情况、生产动态和井点地震反射特征的关系，将钻井的地震异常反射特征划分为4个大类：串珠状反射 （Ⅰ）、弱反射 （Ⅱ）、强反射 （Ⅲ）和非典型反射 （Ⅳ），各类反射特征主要分布在中下奧陶统顶面地震反射波）以下0～100ms时窗段。纵向上依据不同时窗段的地震属性和岩溶缝洞发育程度差异，如顶面以下0～20ms时窗段定义为表层，多对应风化壳岩溶储层发育段，缝洞规模中等，但连通性较强；20～60ms定义为内幕，多对应垂向渗流和径流溶蚀储层发育段，缝洞规模相对较大，连通相对较弱；60～100ms定义为深部，多对应潜流溶蚀储层发育段，缝洞规模相对较小，连通程度最弱。进一步细分了9个亚类的地震异常反射特征，结果见图1、2和表1。

图1 塔河油田碳酸盐岩缝洞型油藏4大类地震反射特征分类图版

图2 塔河油田碳酸盐岩缝洞型油藏9个亚类地震反射特征分类图版

表1 塔河油田碳酸盐岩油藏钻井储集体发育和地震反射特征分析表

分析塔河油田碳酸盐岩油藏钻井储集体发育情况和地震反射特征发现：①具表层弱＋串珠状反射（Ⅰ1）、整体串珠状反射 （Ⅰ3）和杂乱强反射 （Ⅲ3）特征的钻井，以溶洞型储集体为主，平均单井产量在 （7.18～10.4）×104t之间，单井产量大于2×104t井数比例在44.7%～75.8%，这3类地震异常反射特征与溶洞发育对应关系较好，钻井产能较高；②其次是表层强＋串珠状反射 （Ⅰ2）、表层弱＋内幕弱反射 （Ⅱ1）、表层强＋内幕弱反射 （Ⅱ2）特征的钻井，以裂缝－孔洞型储集体为主，平均单井产量在 （3.22～16.1）×104t之间，单井产量大于2×104t井数比例在27%～42%，这3类地震反射特征与裂缝－孔洞型储集体发育对应关系较好，但储集体发育规模悬殊，井之间的产能差异大［7］；③再次是深部串珠状反射 （Ⅰ4）和表层强＋内幕强反射 （Ⅲ2）特征的钻井，以裂缝－孔洞型储集体为主，平均单井产量在 （3.9～4.3）×104t之间，单井产量大于2×104t井数比例在9.7%～20.7%，这2类地震反射特征储集体发育程度明显变差，钻井的产能整体较低；④最差是非典型反射 （Ⅳ）和表层弱＋内幕强反射 （Ⅲ1）特征的钻井以发育裂缝型储集体为主，建产率和钻井产能极低。

目前塔河油田的开发产建阵地已外扩至斜坡的10区、12区、托甫台区，主要目的层中－下奥陶统顶面的埋藏深度由主体区的5300m降低至6800m，钻井溶洞钻遇率由58%下降至32%，平均钻遇溶洞高度也由9.4m下降至5.4m，开发风险明显增大。因此急需开展缝洞储集体的定量识别预测，提高缝洞体和油水识别精度［7］，确保塔河油田主体区的开发加密调整井、斜坡区开发井的建产率和稳产率。

2 量化识别方法与技术流程

缝洞体地震反射特征量化识别方法主要包括以下两类技术：①地震多属性优化分析技术；②BP神经网络量化识别技术。首先通过多种地震属性对比，综合分析找出对缝洞储集体油气比较敏感的地震属性组合；然后根据实钻井地震反射剖面特征及地震属性对比分析，建立反射特征量化识别模板，再收集油气井与非油气井的井旁道的地震属性，利用计算机BP神经网络技术组成学习样本并进行网络学习与识别，最后依据识别结果指导碳酸盐岩缝洞型储层的预测［8，9］和井位部署等。主要流程包括：

1）地震多属性优化研究，选取有利地震属性组合。

2）标准样本建立。根据大量实钻成果及反射特征细分类，选取典型井地震特征，建立量化识别模板，作为计算机识别的分类依据和标准样本。

3）反射特征量化识别。对获取的标准样本进行网络训练，用训练结果对提取的属性数据体进行识别。

4）成果应用。根据识别得到的成果图件，为钻井部署及生产提供技术支撑。

2.1 地震属性优化分析技术

地震属性优化是地震属性分析的关键。由于塔河缝洞型油藏的储集空间发育具极其不确定❶焦方正，杨坚.塔河油田碳酸盐岩油田开发实践与认识.塔河油田开发研究论文集.2006.❷鲁新便，李峰.塔河油田碳酸盐岩油藏缝洞单元研究及其开发意义.塔河油田开发研究论文集.2006.，每一种地震属性均从不同角度反映储层的特征，在不同地区、不同层位和不同类型储层中，敏感地震属性差异较大；而且由于地震属性间存在的相关性，使得选取单属性较优的一组属性组合不一定能获得最优识别效果 （只有在各地震属性间相互独立时才能获得最优效果）。因此，在进行地震反射模式识别之前必须对地震属性进行优化，确定研究区地质特征比较明显 （或敏感）并与地震反射模式关系密切的最少的地震属性或地震属性组合来进行识别研究，笔者采用各地震属性之间相关性以及与储层的关联性分析进行属性优化分析。

研究中采用相关系数统计分析地震属性之间的相关性，求出各个属性间的相关系数及权重配比，总相关值越小的属性，独立性越好并越能反映储层的本质特征，在模式识别中对应的权重越大，即在识别过程中起的作用也越大。经过均方根振幅、振幅能量、振幅变化率、不同视窗均方根之比、信噪比、中心频率、频谱能量百分比、波峰数目、波峰平均振幅、相似系数、互相关函数、振幅峭度、过零点、极值点等20种地震属性相关性的对比分析，优选出平均振幅、振幅变化率、信噪比作为缝洞体地震反射特征的敏感地震属性，其权重分配见表2。

在敏感地震属性表征的基础上，对典型地震反射特征井附近的地震道进行属性提取，用高斯分布拟合属性值的范围，并分析建立6个亚类地震反射特征的量化识别模板。当样本数量较多，且呈正态分布时，使用高斯分布可代表样本的分布规律。地震反射异常是一种自然现象的数据获取和反映，其分布具有近似正态分布的规律，采用近似正态分布方法量化属性变化范围。表3列出了6个亚类的地震反射特征敏感属性的近似高斯分布均值和方差范围，其中u表示均值即中心位置，d表示属性分布的范围区间，理论上离u值越远，样本的分布概率越小，在提取样本时，也按照这样的原则进行。

表2 塔河油田碳酸盐岩油藏缝洞体地震反射特征敏感属性表征

表3 塔河油田碳酸盐岩油藏缝洞体地震反射特征量化识别分析

2.2 BP神经网络反射特征识别技术

神经网络结构上的特点是处理单元的高度并行性与分布性，这种特性使神经网络可以将信息分布存储于并行计算过程，而且具有较快的处理速度和较强的容错能力，同时也具有较强的自学习、自组织与自适应能力。近年来人工神经网络在油气勘探开发中得到广泛的应用，主要在地下岩层的岩性识别、物探化探数据的某种连续性数据检验、地震反射界面和目的层的追踪、处理和解释测井数据、自动识别储层、基于地震数据的油气预测、重力异常资料分析和反演多层密度分界面等方面，取得了较好的效果。

针对塔河油田缝洞型油藏特点，笔者采用误差反向传播神经网络 （Back－Propagation Neural Network），简称BP神经网络 （图3）。该网络采用BP（Back Proragation）算法，基本原理是学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出 （样本信号）不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，该误差信号即作为修正每个单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。该过程一直进行到网络输出误差减少到可接受的程度，或进行到预先设定的学习次数为止。

基于BP算法的多层神经网络目前应用广泛，具有以下3个特点：

1）非线性映射能力 在许多技术领域中经常遇到这样的问题：对某输入－输出系统已经积累了大量相关的输入－输出数据，但对其内部蕴涵的规律仍未掌握，因此无法用数学方法来描述该规律。而多层神经网络在面对这类问题时，具有无可比拟的优势。

2）泛化能力 多层感知器训练后将所提取的样本对中的非线性映射关系存储在权值矩阵，在其后的工作阶段，当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射。

3）容错能力 多层神经网络的魅力还在于，允许输入样本中带有较大的误差甚至个别错误。因为对权矩阵的调整过程也是从大量的样本对中提取统计特性的过程，反映正确规律的知识来自全体样本，个别样本中的误差不能左右对权矩阵的调整。因此该系统网络采用3层神经网络结构，由一个输入层、一个隐层、一个输出层构成 （图4），其中输入层样本有N个属性，就有N个输入节点；隐层采用N＋2个节点；输出层样本用于识别M个类别，就有M个输出节点。

对塔河油田缝洞体的地震反射模式识别主要利用其所选取的地震属性与背景反射的差异性进行分析判断，所选取的地震属性越能反映识别模式的类别特征，则识别精度越高，反之精度越低。地震属性选取的数目不应过少，若过少可能无法识别所选取的特征模式，其数目应大致与要识别的特征模式数目相等。识别过程主要分为以下2个方面：

图3 人工BP神经网络技术流程图

图4 神经网络组织示意图

1）选择标准样本数据 神经网络的性能与训练用的样本密切相关，选择一口井的训练样本既要注意样本规模，又要注意样本质量。①确定合理的训练样本数。一般来说训练样本数越多，训练结果越能正确反映其内在规律，但样本的收集整理往往受到客观条件的限制。此外，当样本数多到一定程度时，网络的精度也很难再提高；而且网络的规模越大，训练所需时间也越多，合理训练样本数约是网络连接权总数的5～10倍。②保证训练样本质量。网络训练中提取的规律蕴涵在样本中，因此样本一定要有代表性。样本的选择要注意样本类别的均衡，尽量使每个类别的样本数量大致相等。即使是同一类样本也要照顾样本的多样性与均匀性。按这种 “平均主义”原则选择的样本能使网络在训练时见多识广，而且可以避免网络对样本数量多的类别 “印象深”，而对出现次数少的类别 “印象浅”。

2）样本学习与识别 在样本学习的过程中，训练误差存在以下2个特点：①误差曲面存在平坦区域。误差曲面上有些区域比较平坦，在这些区域中，误差的梯度变化很小，即使权值调整量很大，误差仍然下降缓慢。造成这种情况的原因一是网络输出接近目标输出，二是输入值过大使得输出值处于饱和区内，此时对权值的变化不太敏感。训练只能以增加迭代次数为代价缓慢进行，若调整方向正确且时间足够长，总可以退出平坦区域进入某个谷点。②误差曲面存在多个极小点。通过对标准样本的学习，在其他研究区内自动识别相同属性特征的靶点，从而达到自动识别储层反射特征的目的。

3 开发应用

图5 塔河油田碳酸盐岩油藏地震反射特征模式识别成果图

在塔河油田某试验区利用人工BP神经网络技术进行了缝洞体的地震反射特征量化识别，首先选取4个亚类的部分典型样本井进行计算机训练学习，并对全区的有利反射特征自动识别，然后利用所有的518口投产井进行验证，有476口井符合，精度高达92% （某井区识别结果见图5）。在此基础上，重点参考量化识别结果部署了开发井29口，建产26口，建产率90%，新建产能26×104t。如TH10206井的表层强＋内幕串珠状反射识别结果的匹配度达93.5% （图6），该井在中下奧陶统顶以下7.5～12.35m井段钻遇放空，常规测试投产日产油70t，已累计产油4.3×104t。因此利用人工神经网络技术建立的缝洞体地震反射模式量化识别技术在碳酸盐岩油藏开发实践中取得了较好的效果。

图6 典型井TH10206井地震反射特征模式识别成果图

4 结 论

1）塔河油田碳酸盐岩油藏地震反射特征的敏感地震属性有均方根振幅、振幅变化率、信噪比等，其中6个亚类地震反射特征的敏感属性值呈近似高斯分布。

2）利用BP误差反向传播神经网络技术对塔河油田碳酸盐岩油藏的缝洞体地震反射特征进行量化识别，从 “相面法”研究缝洞储集体发展到计算机自动识别，提高了缝洞体的预测精度和开发井建产率。

3）缝洞储集体地震反射特征的量化识别已成为 “十二五”塔河油田碳酸盐岩油藏精细描述的主要技术，现阶段已能量化识别缝洞体的6个亚类地震反射特征。随着塔河油田勘探开发规模的不断扩大，缝洞储集体的地震反射特征更加复杂，该技术的后续研究应用前景广阔。

［1］柏松章.碳酸盐岩潜山油田开发 ［M］.北京：石油工业出版社，1996.28～32，247～252.

［2］王勤聪，李宗杰，孙雯.塔河油田碳酸盐岩储集层地球物理识别模式 ［J］.新疆石油地质，2005，23（5）：400～401.

［3］张希明.新疆塔河油田奥陶系缝洞型油藏特征 ［J］.石油勘探与开发，2001，28（5）：32～36.

［4］林忠民.塔河油田奥陶系碳酸盐岩储集体特征及成藏条件 ［J］.石油学报，2002，23（3）：23～26.

［5］李宗杰，韩革华，张旭光，等.塔河地区碳酸盐岩储层预测技术方法研究 ［A］.塔里木盆地北部油气田勘探与开发论文集 ［C］.北京：地质出版社，2005.

［6］肖玉茹，何峰煜，孙义梅.古洞穴型碳酸盐岩储集体特征研究——以塔河油田奥陶系古洞穴为例 ［J］.石油与天然气地质，2003，24 （1）：75～80.

［7］王俊明，肖建玲，周宗良，等.碳酸盐岩潜山储集体垂向分带及油气藏流体分布规律 ［J］.新疆石油地质，2003，21（2）：210～213.

［8］刘雯林.油气开发地震技术 ［M］.北京：石油工业出版社，1996.

［9］王学军.碳酸盐岩潜山有利储集层预测 ［M］.北京：石油工业出版社，2008.

The Research and Development Application of Quantitative Recognition of Seismic Reflection Characteristics for Fracture－Cavity Reservoirs in Tahe Oilfield

LI Xin－hua，LU Xin－bian，HE Cheng－jiang，LI Tao（Author's Address：Research Institute of Petroleum Exploration and Development，Northwest Oilfield Company，SINOPEC，Urumuqi830011，Xinjiang，China）

Based on seismic reflection characteristics of integrated three－dimensional seismic qualitative identification for fracture－cavity reservoirs，seismic multi－attribute optimization analysis techniques was used to establish a quantitative recognition template of seismic reflection characteristics of the six sub－categories.For the first time a computer error back－propagation neural network technology was used to automatically quantify，identify six sub－categories of the reservoirs and predict the spatial distribution of reservoirs.Good result is obtained in field application in Tahe Oilfield，it becomes one of the key methods for fracture－cavity reservoir description in Tahe Oilfield in the 12THNational 5Year Plan.

fracture－cavity reservoir；seismic reflection characteristics；BP neural network；quantitative recognition；reservoir description

P631.44

A

1000－9752（2012）08－0078－06

2012－04－17

李新华 （1968－），男，1990年成都理工大学毕业，工程硕士，高级工程师，现主要从事油田开发工作。

［编辑］ 龙 舟