浊积岩反演储层预测技术——以东营凹陷滨县凸起为例

王雅倜

(胜利油田分公司物探研究院,山东 东营 257022)

1 引言

浊积岩油藏作为典型的岩性油藏,在东营凹陷及周围洼陷带广泛发育,研究区滨县凸起东坡位于东营凹陷西北部,接受来自东营三角洲物源供给,发育多套浊积岩。由于浊积砂岩体特殊的隐蔽性,给储层预测描述带来了极大的挑战。目前勘探面临的浊积岩通常具有“细、小、碎、隐”以及储层薄、物性变化快等特征,致使有效储层描述难度大[1]。而常规的地震反演技术受制于地震资料分辨率的影响,在储层描述上难以满足精细储层描述的需要。随着勘探开发力度的不断增大,如何提高储层预测结果成为亟待解决的问题。

为了消除灰质成分影响,更精确地识别有利浊积岩储层,不少专家学者已经做出了很多努力。于正军[2]利用子波分解技术,通过基于振幅和频率特征的多属性联合分析技术获取的幅频比来确定储层边界,但该方法对于去除灰质成分所形成的强振幅反射压制效果并不理想;钮学民等[3]通过典型灰质浊积岩储层地震模型和波动方程正演模拟,采用约束稀疏脉冲反演对合成记录分布进行叠后波阻抗反演分析,明确了浊积岩反演技术的适用性;王庆华等[4]从测井、地震资料入手,开发了基于独立分量分析的盲源分离及随机反演技术,建立了浊积岩储层识别与描述的技术系列。这些技术多是以地震振幅能量为依据进行储层识别,对于“异质同相”问题的浊积岩,围岩与储层的地震反射特征类似。

为了提高储层预测效果,周游等[5]借鉴Connolly叠前反演方法,从岩石物理角度出发,优选出灰质发育区浊积岩储层有效岩性识别因子,对该因子进行叠前反演,并利用模型和实际资料试算,发现该方法可有效消除灰质成分对储层识别的影响;邢洁正等[6]从浊积岩岩石物理模型、虚拟井曲线重构以及波形反演几个方面对浊积岩储层进行预测分析,发现使用叠前同时反演关键技术时,可以利用叠前叠后三维地震正演模拟及数据体合成,对浊积岩的发育位置、厚度及储层类型进行定量描述。由于研究区目的层沙三段储层多为薄储层,不能通过常规的稀疏脉冲反演技术有效识别浊积砂岩储层。

基于以上研究成果,本文从东营凹陷滨县凸起地区浊积岩的地球物理响应特征出发,研究形成了一种适用于浊积岩储层预测的技术方法,充分利用不同岩性间的弹性差异,采用叠前宽角度高精度反演进行多参数岩性概率识别,降低储层预测多解性;然后结合深度学习孔隙度物性预测技术,对浊积岩储层进行有利预测,包括浊积岩储层的空间展布范围及物性预测,既能有效去除灰质成分对于浊积岩储层预测的影响,又能提高储层预测精度,在实际应用中提高了浊积岩油藏的预测吻合率。

2 浊积岩地球物理响应特征

2.1 岩性和电性特征

滨县地区浊积岩发育于浊积水道、深湖、半深湖环境,常与灰质泥岩或灰岩伴生,砂体孤立发育、砂体规模小、分布零散,并且隐蔽性强,研究工区的浊积岩储层主要在沙三中、下亚段时期发育,砂岩储层具有低自然伽马、自然电位负异常、高速度、高阻的特征。对该区的岩石物理分析(图1)发现：砂岩速度与灰质泥岩、灰质砂岩速度相近,砂岩速度略高,此类特征是造成浊积砂岩和含灰质岩性地震上反射特征相似的主要原因。同时在单个岩石物理敏感参数分析的基础上,进一步开展多个叠前弹性参数岩石物理敏感性分析,统计结果如图2所示。图2的交汇显示,即使不同岩性交汇有重叠部分,但浊积砂岩整体表现为高纵横波速度、低纵横波速度比的特征,可有利区分灰质泥岩等储层。

2.2 地震响应特征

泥岩、灰质泥岩沉积特征稳定,表现为连续的、稳定的中-强振幅地震反射同相轴;浊积岩表现为不稳定的沉积,储层具有单层厚度小、单砂体面积小、横向变化大及垂向叠置等特点,地震相表现为变振幅、短同相轴,有时呈叠合短轴,一般为弱-中振幅,储层以薄互层形式出现,超出了常规地震资料及传统稀疏脉冲反演的识别精度,由于地震资料纵、横向分辨率受限,达不到储层精细描述的要求,限制了岩性油藏精细描述[7-12]。浊积砂体横纵向变化快,地震描述困难,沉积相带变化快,砂体空间上相互叠置,受灰质成分影响,致使储层难以识别与描述。

图1 浊积岩发育层段岩性速度统计分析Fig.1 Statistical analysis of lithologic velocity of turbidite formation

图2 浊积岩发育层段纵横波速度比岩石物理分析Fig.2 Petrophysical analysis of P-S wave velocity ratio of turbidite formation

3 浊积岩储层预测技术

3.1 基于谱平衡叠前道集优化处理技术

根据地震资料分析,原始地震道集中包含的随机噪音和残留的多次波的信息会过多地影响叠前反演的应用效果,因此针对性地采用道集拉平和去噪技术,以提高道集品质,处理结果见图3。

谱平衡技术是用来处理由于动较拉伸导致的远近道之间的频率不匹配问题,从频率域的角度对远偏移距道集做频谱补偿,达到消除动较拉伸作用的效果。该方法是对道集做基于加伯(Gabor)变换的时频分析,以近偏移距道集或小角度道集作为标准道,补偿远偏移距或大角度道集的高频信息,由于标准道的带宽对远偏移距道集的频谱带宽能起到一定的限制作用,因而能够解决远偏移距道集因收到动校正而产生拉伸变形的现象,从而充分保持远偏移距及大角度道集信息,提高道集资料的信噪比及连续性。处理后,地震数据主频由28 Hz提高到32 Hz,在一定程度上提高了地震资料的分辨率,同时不破坏远近偏移的振幅关系,保持了振幅随偏移距的变化(Amplitude Variation with Offset,AVO)特征。

图3 滨县地区道集优化处理前后效果对比Fig.3 Analysis on the effect of gather optimization processing in Binxian district

3.2 叠前宽角度高精度反演技术

该研究区在浊积水道以及深湖-半深湖沉积环境下多发育含灰质岩性,如灰质泥岩、灰质砂岩等,具有高速度、高阻抗、强振幅特征,与浊积岩反射特征类似,难以区分,是造成浊积岩探井钻探失利的主要原因。根据前文所述,浊积砂岩整体表现为高纵横波速度、低纵横波速度比的特征,有利于区分灰质泥岩等储层[13-17]。

叠前地震反演的储层预测技术使用叠前地震道集信息,相比于叠后地震反演,更能充分利用道集数据中丰富的储层岩性、物性变化信息,基于叠前道集数据,在测井资料的约束下,可提供泊松比、纵横波速度比、密度、拉梅常数等更多、更敏感的有效弹性参数,为开展储层预测提供基础,在对储层岩性进行物性识别方面,准确性更高,减少了预测的多解性。

叠前宽角度高精度反演方法的基本原理是平面波非垂直入射理论,即地震波从不同方向入射,由于地层界面反射系数不同。从而造成地震反射不同,地震反射变化特征与上下地层纵横波速度以及密度有关,其数学表达为佐伊普里兹(Zoeppritz)方程：

(1)

式(1)中,rPP、rPS、rSP、rSS分别为纵波反射系数、转换横波反射系数、透射纵波、透射横波反射系数;θ1为纵波反射角;φ1为转换横波反射角;θ2透射纵波折射角;φ2透射横波折射角;VP1、VS1、ρ1分别为上界面的纵波速度(单位为m/s)、横波速度(单位为m/s)、密度(单位为g/cm3);VP2、VS2、ρ2分别为下界面的纵波速度(单位为m/s)、横波速度(单位为m/s)、密度(单位为g/cm3)[18-19]。公式中涉及了地层纵横速度、密度等弹性参数,还涉及地震入射角度和反射系数等信息,这些信息的来源就是叠前地震资料。

依据Zoeppritz方程直接求解,并建立反射系数与纵、横波速度、介质密度关系,实现基于Zoeppritz方程反射系数梯度矩阵的精确计算。

通过岩石物理敏感分析和反演所得的各弹性参数结果,得出纵横波速度比结果对储层的敏感性较高,基本可以识别5 m以上的储层。相对常规地震资料,叠前宽角度高精度反演具有更高的分辨率和地质表现能力,对于砂体厚度、尖灭点、展布关系表现得更准确。从图4的纵横波速度比连井反演结果可以看出,在叠前纵横波速度比反演剖面上,B69井和B5-19井等储层砂体组合在地震资料中对应的复波、弱反射等反射特征,得到了清楚的反映,纵横波速度比的低值特征清楚,与地震资料相比,分辨率更高,同相轴更清晰,砂体更易追踪解释。

3.3 多参数联合岩性识别技术

利用岩石物理解释模板,虽然定量化程度高,但往往反演数据与模板很难进行很好的匹配,特别是对于研究区域大、地质沉积类型变化快的目标区,实际操作难度大。因此对于地下的这种复杂性和不确定性,引入了地质概率统计方法,用概率的方式来描述地球物理参数与油藏参数的关系,更能够定量评价岩性或者流体解释的风险。

条件概率密度函数的估算是该技术应用的关键,图5(a)和图5(b)分别表示泥岩概率密度分布和砂岩概率密度分布,利用数学概率模型,通过数据统计可以建立如图5所示的条件概率密度函数。

设随机向量x=(x1,x2,…,xn)服从n维正态分布,存在m个n维向量,则第i个n维向量也服从正态分布,n维正态总体概率密度函数可表示为：

Xi～(μ(i),∑i)

(2)

均值μ(i),协方差矩阵∑i未知,利用训练数据可以估算：

(3)

(4)

则第i个向量n维分布状态条件概率密度函数Pi(x)为：

(5)

其中,样点i=1,2,…,m; 向量x=(x1,x2,…,xn)。

在统计样点足够多的情况下,每个总体的先验概率可表示为：

(6)

对应特征向量x=(x1,x2,…,xn),岩性为ci的概率可表示为：

P(ci|x)=pi(x)qi

(7)

对于高维空间条件概率密度函数,首先要保证合理分类,对于岩性来说,岩石物理分析是保证分类合理的重要手段。每一个向量或者分类中有足够多的样本点是进行估算工作的必要条件,若样本点少,则得到的期望值和标准偏差会存在局限性。把基于测井资料分析得到的岩性概率函数应用到反演得到的纵横波速度比数据体中,砂岩高概率与泥岩低概率表示为砂岩的可能性大,与测井吻合较好,能够对砂岩储层进行更加精确的判识,同时也可以消除灰质成分对储层描述的影响。利用砂岩概率数据体提取平面属性即可得到沙三下浊积砂体预测储层展布范围,直观地显示砂岩储层的预测范围。

图6为研究区东西向地震剖面与砂岩概率反演剖面效果对比。由图6可以看出,目的层上层发育灰质泥岩、白云岩条带,目的层以下发育一套油页岩,在原始地震剖面,砂岩与灰质都呈现强振幅特点,难以区分;目的层内砂岩概率反演剖面减小了地震强反射辨识岩性的多解性,参与反演井发育的砂体在砂岩概率剖面上的砂体展布和叠置关系清楚,尖灭点清晰,并且较好地反映了浊积岩的沉积模式。

图6 滨县凸起地区东西向地震剖面与砂岩概率反演剖面效果对比Fig.6 Comparison diagram of effect of east-west seismic profile and sandstone probability inversion profile in the Binxian uplift area

3.4 深度学习孔隙度预测技术

基于第3.1～3.3节所述的岩性识别技术开展相关物性预测,以提高浊积岩储层预测精度。针对储层孔隙度物性参数的特点,在大量统计研究区内测井资料与地震属性数据的基础上,分析了研究区物性预测孔隙度硬数据与地震属性软数据之间的相关关系,对地震属性软数据进行优化分析,选取相关度较高的软数据参与计算。这种方法不依赖假定地震数据与测井数据间存在任何特定的模型, 而是通过分析井位处的训练数据, 建立起非线性的(深度学习)统计关系,优选结果输出。

根据岩石物理分析,优选8～12口资料完整的取心井及测井敏感参数,即纵波速度、横波速度、纵横波速度比、泊松比等参数与地震多属性开展训练。基于对数据进行表征学习,使用包含复杂结构或由多重非线性变换构成的隐含层对数据进行分析,建立储层参数与多种地震属性的关系[20-22]。简单来说,就是利用已知井数据分别建立单井孔隙度预测模型,从众多的地震属性中寻找最佳的属性组合,利用深度学习PNN(Product-based Neural Network)算法对储层展布进行预测识别,通过计算多属性与反演曲线的相关性,将相关程度最好的属性保留下来;然后,在剩下的属性中按照均方根准则依次计算第2、第3个属性,……,依此类推,直到达到预先设定的最大属性数为止。本次深度学习相关性最高的孔隙度物性预测数据体,可在叠前反演及岩性识别的基础上进一步提高储层识别精度,降低储层反演随机性。滨县凸起东坡发育的东西向分支水道,在垂直水道剖面上,水道储层厚度大,水道间、水道边储层欠发育。砂岩概率反演剖面反映了浊积砂体沉积特征(图7)。孔隙度反演剖面进一步提高了预测精度,预测不同储层类型与测录井情况更加吻合,录井解释结果均为含油层系(图8)：B685-X8井沙三下3 267.5～3 274.5 m井段发育6.5 m油层,B685-X4井3 240～324 7.5 m井段测井显示7 m油层。将砂岩概率结果与孔隙度预测结果相结合,进一步实现了该研究区浊积砂岩有利储层的精细刻画。

沙三下时期,滨县凸起地区广泛发育L332、LX889、B685、B682四条大型浊积水道,由西部陡坡带逐渐向东部延伸,由水下扇逐渐过渡到浊积水道,深湖-半深湖环境沉积。

从预测结果上来看,对比储层反演砂岩概率得到沙三下浊积砂体预测储层展布范围(图9),深度学习孔隙度预测结果(图10)进一步确定了有利储层分布范围,并且有效区分了研究区东部物性较差的储层(图中虚线已标注部位),为下一步勘探开发方案调整提供了有利依据。

综上所述,储层发育与实钻井情况吻合。不同于依赖岩石物理方程反演得到的储层物性参数体,利用人工智能建立学习样本与地层参数的多源数据融合,能够更准确、更直观地刻画储层物性的参数变化,与测井信息吻合度高,有效提高浊积岩预测识别精度。相较于常规储层反演方法,分析对比工区内14口井的试油结果与综合解释结论,预测符合度为86 %,实现了灰质背景下浊积岩储层的准确预测。

图7 过L51、B685-8、B685-X8和B685-X4连井砂岩概率反演剖面Fig.7 Sandstone probability inversion profile through L51、B685-8、B685-X8 and B685-X4 continuous well

图8 过L51、B685-8、B685-X8和B685-X4连井孔隙度反演剖面Fig.8 Porosity inversion profile through L51、B685-8、B685-X8 and B685-X4 continuous well

图9 滨县凸起东坡沙三下浊积砂体展布预测Fig.9 Prediction graph of the distribution of the sand body of turbidite in the lower Es3 of the Binxian uplift area

图10 滨县凸起东坡沙三下孔隙度预测平面Fig.10 Prediction plain graph of porosity in the lower Es3 of the Binxian uplift area

4 结论

本文提出了一种浊积岩储层预测描述方法,从岩性组合、道集优化等资料分析入手,针对浊积岩储层预测中的难点,在叠前宽角度高精度反演基础上,利用多参数联合岩性识别技术有效解决了灰质背景影响有利储层勘探的问题。另外,本文研究设计了基于深度学习的孔隙度物性预测方法,在地质规律认识指导下,充分调用数据信息,将弹性参数与物性参数相结合进行有利储层精细刻画。该技术在东营凹陷滨县凸起地区的应用中取得了良好的效果,结果预测吻合率达86 %,有效提高了浊积岩储层的预测精度。