基于深度学习的古近系复杂沉积地区低频模型构建方法——以珠江口盆地LA油田为例

汪生好 李 黎 董 政 赵伟超 郭 丽 沈建文

1.中海石油(中国)有限公司深圳分公司, 广东 深圳 518054;2.赛吉纪地球科技(北京)有限公司, 北京 100015

0 前言

获取地震资料缺失的低频信息是提升地震反演质量的关键所在,特别是对于储层的定量解释,补充低频信息更是非常必要。低频信息的频率与地震采集条件和处理流程有关，一般为0～10 Hz。通常情况下,可根据测井曲线依照地层格架进行插值得到低频模型[1]。但在岩性变化剧烈的地区,单一的井插值结果存在很大的不确定性,难以得到满意的预测结果。当有地震处理的叠加速度谱时,将其转换成层速度,补充2～3 Hz以下的低频信息,能较好地降低单纯依靠井插值带来的不确定性,但仍无法弥补地震资料缺失的3～10 Hz之间的低频信息。而且在复杂沉积相区块,仅依靠测井信息及速度谱信息构建的低频模型也很难反映真实的地质特点。

目前,低频模型的构建方法大致可分成两类:一类是基于理论驱动的方法,即通过一系列地球物理、层序地层学、相控、迭代、趋势面约束等理论及相关技术来弥补地震资料中缺失的低频信息;另一类是基于数据驱动的方法,即通过深度学习等人工智能算法,来学习地震信号与测井真实低频阻抗信息之间复杂的非线性关系,达到建立更精确的低频模型目的。

基于理论驱动的方法,前人已做了大量工作,提出了多种地震低频信息补偿方法,如迭代法构建低频模型[2-4]、储层相控反演技术[5-8]、常数低频模型的构建[1]、地震速度体约束构建低频模型[9-10]、层序地层格架约束井插值构建低频模型[11-12]、基于立体层析反演速度约束构建低频模型[13]和应用速度体及趋势约束构建低频模型等[14-15]。目前，使用基于理论驱动的方法进行地震低频信息补偿的各种方法都有其适用条件,并存在一定的局限性,需要根据不同的沉积环境选择或改进低频模型的构建方法。基于数据驱动的方法,目前公开的研究较少,多是利用卷积神经网络和循环神经网络作为训练模型,以测井曲线作为标签，地震信号作为训练样本,进而建立一个训练集,以此来揭示地震信号和测井低频信息的复杂非线性关系或仿射关系,从而构建低频模型[16]。综上所述,准确地构建低频模型是一项复杂而困难的工作,需要在理论和技术上加以创新和完善。

本文以珠江口盆地LA油田(以下简称LA油田)为例,针对古近系复杂沉积地区,提出一种深度学习的方法,利用地震速度、测井曲线和反映沉积相带的地震属性或反演属性等信息联合构建低频模型,基于此低频模型得到的反演结果相对能更好地表征储层的分布规律,可为LA油田开发项目的实施提供有力的技术支持。

1 低频模型研究思路及技术原理

地震反演中,低频模型的构建通常是利用测井曲线,在地层格架控制下通过数学算法进行插值得到。在岩性横向变化较快且钻井数量较少的情况下,如何充分利用地震属性、地震速度和测井曲线等信息构建更精确的低频模型是研究的关键。

1.1 研究思路

本文研究重点在于优化完善基础数据,并通过深度学习构建多信息源融合的低频模型,具体构建流程见图1。

图1 深度学习低频模型构建流程图

首先,应用已有测井资料开展岩石物理建模,补齐已钻井的纵波阻抗、纵横波速度比和密度曲线;针对叠前道集存在的剩余动校正、近道噪音等问题进行优化处理,继而开展基于常数模型的叠前同时反演,得到带限的纵波阻抗、纵横波速度比和密度数据体;同时，针对地震速度与井速度低频趋势存在的差异来校正地震速度;随后,采用深度学习的方法,将带限的反演数据体、校正后的地震速度体和测井曲线数据融合，得到全频带的纵波阻抗、纵横波速度比和密度反演数据体;最后,根据反演需求截取最终低频模型。

1.2 岩石物理建模基本原理

LA油田目的层埋藏深度有限,处于中等成岩阶段,孔隙度整体相对较高且孔隙类型以原生粒间孔为主。Xu-White模型和Grain-supported模型是常用的岩石物理模型，Xu-White模型主要针对孔隙度较低且孔隙类型以次生孔隙和原生孔隙残留为主的地层,其适用性存在一定风险。Grain-supported模型对砂岩孔隙类型限制条件相对宽松,基本适用于含有石英和黏土的岩石[17-18]。LA油田岩石物理建模流程主要包括:使用微分有效介质(Differential Effective Medium,DEM)向黏土矿物添加流体;第二次使用DEM将该混合物作为球形包裹体引入石英矿物,形成基质;第三次使用DEM将干孔隙加入基质中,形成干岩石;根据Brie’s方程[19]进行油水两相流体混合加入干岩石，同时，应用Gassmann方程[20]计算岩石的饱和弹性参数。岩石物理建模流程见图2。

图2 岩石物理建模流程图

1.3 深度学习基本原理

1.3.1 深度信念网络

典型的深度学习模型有卷积神经网络模型、深度信念网络(Deep Belief Networks,DBN)模型和堆栈自编码网络模型。本文采用的DBN模型是概率生成模型,既可以用于非监督学习,也可以用于监督学习。与传统判别模型的神经网络相比,概率生成模型是建立一个观察数据和标签之间的联合分布函数,通过训练其神经元间的权重,可以让整个神经网络按照最大概率来生成训练数据。

DBN模型可以解释为贝叶斯概率生成模型,由多层随机隐变量组成,上面两层具有无向对称连接,下面一层得到来自上一层自顶向下的有向连接,最底层单元的状态为可见输入数据向量。DBN模型由若干结构单元堆栈组成,结构单元通常为受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)。结构单元堆栈中每个RBM单元的可视层神经元数量等于前一个RBM单元的隐藏层神经元数量。根据深度学习机制,采用输入样例训练第一层RBM单元,并利用其输出训练第二层RBM单元,将RBM单元进行堆栈，通过增加层改善模型性能。在无监督预训练过程中,DBN模型编码输入到顶层RBM单元后,解码顶层的状态,向下连接到最底层的单元,实现输入的重构，DBN模型结构见图3。RBM单元作为DBN模型的结构单元,与每一层DBN模型共享参数。

图3 DBN模型结构示意图

1.3.2 低频模型的构建

本文构建低频模型的数据基础主要是测井曲线、地震速度和地震反演属性,各频率分布见图4。由于地震速度频率范围仅为0～3 Hz,与井联合构建低频模型不能有效表征LA油田复杂地层的弹性属性变化趋势,需要进一步引入地震属性信息,这样既可以保证低频模型横向上与地震速度趋势相似,同时也具有更丰富的细节。因此,该多信息源融合构建低频模型的方法可以充分利用叠加速度的横向趋势、测井曲线纵向上的精度优势以及地震反演属性反映沉积相带的特点,结果更能反映复杂断块构造趋势,更符合实际地质特征认识。

图4 数据频率分布范围示意图

2 多信息源融合的低频模型构建方法

本文针对LA油田文昌组断块构造复杂、沉积相带变化快的特点,构建多信息源融合的低频模型,步骤如下:首先,开展岩石物理建模及叠前道集优化处理,再优化处理地震层速度；然后,开展基于常数模型的叠前同时反演；最后,构建基于深度学习的低频模型。

2.1 岩石物理建模及叠前道集优化处理

岩石物理表征的重要参数是纵波速度、横波速度和密度,这些参数数据主要来自声波和密度测井,因LA油田已钻井并未完全录取上述参数的曲线,因此,岩石物理建模研究主要是为了预测和补全已钻井的参数曲线,这是后续构建低频模型的关键数据之一。结合LA油田岩石物理特点,研究中选用测井资料质量较高且较齐全的LA1a井进行岩石物理建模,采用Grain-supported模型,将地层评价研究得到的各矿物含量、孔隙度、含水饱和度等参数作为输入,通过微调骨架点参数,使岩石物理模型正演曲线和实测曲线相似度高,正演预测的纵波速度、横波速度、密度与实测数据具有一致性,表明该岩石物理模型具有较高的可靠性,见图5。

图5 LA1a井岩石物理正演曲线与实测曲线对比图

为了获得较高质量的带限反演结果作为后续深度学习的数据源,需要一套振幅随偏移距(Amplitude Variation with Offset,AVO)变化规律准确、信噪比较高和无剩余动校正量的道集数据。因此,有必要对叠前时间偏移处理后的共反射点(Common Reflection Point,CRP)道集进行优化处理。LA油田CRP道集优化主要包括外切除、拉平和去噪等处理步骤,处理后的道集品质整体提高,见图6。

a)外切除后道集

2.2 地震速度优化处理

地震速度可以反映地层速度整体变化趋势,但与井震标定后的井速度往往存在明显差异,即使在同一频段内比较,也存在局部趋势不匹配。为了提升两者的匹配度,可通过深度学习对地震速度予以校正,即以井速度曲线为训练目标,以地震速度场作为训练数据进行深度学习,并将深度学习模型应用到整个速度场,得到最终优化后的速度场。与校正前的地震速度场相比,在不改变速度整体趋势的前提下,校正后地震速度场与井速度的匹配程度明显提升,见图7。

a)校正前层速度

2.3 基于常数低频模型的叠前同时反演

在不考虑低频信息的情况下,叠前同时反演的带限结果往往可以反映地质沉积特征。因此,在构建低频模型前,基于部分叠加数据体,利用常数低频模型进行第一轮叠前同时反演,得到带限的纵波阻抗、纵横波速度比和密度等反演数据体。提取LA油田W5层平面属性显示,其横向变化趋势与油田地层沉积特征具有较好的相关性,见图8。

图8 LA油田W5层带限纵横波速度比平面属性图

2.4 基于深度学习的低频模型构建

以测井曲线作为目标函数,输入2.2节优化后的地震速度、基于常数低频模型的带限反演结果,开展多信息源深度学习,得到全频带的纵波阻抗、纵横波速度比和密度的模型,然后截取低频部分作为反演的输入模型。以纵横波速度比模型为例,从图9的LA油田W5层纵横波速度比模型平面属性可以看出,其与地震速度、带限纵横波速度比的平面趋势都具有一定的相关性,说明低频模型充分反映了地震反演属性和地震速度的信息,带限纵横波速度比平面属性见图8,地震层速度平面趋势见图10。另外,根据区域地质研究成果,LA油田W5层沉积时期,北部为洼陷方向,西南部为主要物源方向,经过较短距离搬运至本区形成辫状河三角洲,低频模型的横向变化规律基本与这一构造沉积特征相符。

图9 LA油田W5层纵横波速度比模型平面属性图

图10 LA油田W5层地震层速度平面趋势图

为进一步说明深度学习低频模型的优势,将其与构造层位控制下的弹性曲线插值模型进行比较,同样以纵横波速度比为例,由于LA油田构造和沉积特征的特殊性和复杂性,井与井之间弹性属性差异较大,导致井插值模型中出现“牛眼”现象,其横向趋势几乎没有任何指示意义,见图11。

图11 井插值纵横波速度比模型平面属性图

3 反演结果分析与讨论

考虑到低频模型对反演结果影响的重要性,从对反演结果的盲井检验和基于不同模型的反演效果对比分析,进一步阐述深度学习低频模型的准确性,过盲井LA1井不同纵横波速度比反演剖面见图12。由图12可看出,与井插值低频模型的反演结果相比,基于深度学习低频模型的反演结果与盲井揭示的储层、非储层吻合程度较高,剖面黑框内砂体的连续性更好。此外,LA油田已钻井在W5层砂岩的测井纵横波速度比介于1.6～1.7(图5),相较而言,基于深度学习低频模型反演预测的砂体纵横波速度比更接近1.6～1.7。由此可见,深度学习低频模型的预测结果在储层的定量解释方面更精确。

a)基于井插值低频模型的反演

另一方面,受低频模型的影响,LA1a井在井插值模型反演的纵横波速度比平面属性上处于相对高值区域,其横向变化趋势与实际认识不相符;而深度学习低频模型的反演属性特征则反映了与输入数据的一致性,也反映出辫状河三角洲从南西方向推进到本区的基本沉积特征,沉积体边界较清晰。根据基于深度学习低频模型的反演结果,明确了储层的主体展布范围,重新部署了LA油田开发井A1和A2的位置,见图13。

a)基于井插值低频模型的反演

4 结论

针对古近系复杂沉积地区储层横向变化快和地震反演时难以建立准确的低频模型问题,以LA油田为例,探索研究了从基础资料优化到利用测井曲线、地震速度和反演属性进行多信息源融合的深度学习建模方法,克服了LA油田沉积环境复杂、井少且位置分布不均和基础资料品质较低等不利条件,构建了具有较高精度的反演低频模型,提高了反演结果的可靠性,明确了LA油田W5层储层的主体展布范围,为LA油田开发项目的实施提供指导和建议。