河流相儲層結構地震響應分析與預測*

張顯文 胡光義 范廷恩 井涌泉 王海峰 于 斌

(1.海洋石油高效開發國家重點實驗室 北京 100028； 2.中海油研究總院有限責任公司 北京 100028)

河流相儲層是我國已發現油田中主要的儲集層類型，渤海海域河流相儲層探明地質儲量占總探明儲量的一半，其產量占渤海海域產量的近60%[1]。隨著主力油田進入油氣開發的中后期，剩余油分布預測是油田調整與挖潛的核心，此時儲層構型分析成為開發地震的工作重點，其預測精度直接影響油田的開發方案設計及剩余油分布研究[2]。胡光義 等[3]綜合多資料分析在地震資料可識別尺度把河流相儲層砂體疊置樣式劃分為3種類型共7類樣式，通過進一步研究每類構型的地震響應特征，闡述了地震屬性描述模板，將構型類型與地震響應有機結合后提出了“地震構型相”[4]，為河流相儲層砂體預測提供了新的研究思路。劉偉 等[5]針對河流相砂泥巖薄互層開展了敏感地震屬性分析；何方[6]分析研究了渤海海域河流相儲層地震響應特征，總結了Q油田河流相儲層的厚度變化特征、河道砂體的空間分布特征及河道的邊界分布特征。在河流相儲層巖性和厚度預測方面，地震屬性分析技術取得了廣泛的應用[7-8]。井涌泉 等[9]基于波形分類技術實現了河流相砂體疊置模式預測，馬躍華 等[10]利用譜分解技術對河流相儲層厚度分布和沉積微相區帶展布規律進行了研究，劉超 等[11]對海上油田大井距條件下曲流河儲層內部構型解剖進行了應用研究，這些研究成果在河流相儲層的勘探與開發中發揮了重要的價值。然而，河流相儲層結構復雜，地震響應存在諸多影響因素，有必要從實際應用角度“抽象構建”河流相儲層結構模式，分析地震響應規律以實現儲層結構表征。

本文首先基于河流相砂體疊置樣式構建了儲層結構模式，通過模型地震正演開展了地震響應分析與敏感屬性研究，從實際應用出發提出了河流相儲層結構樣式滑塊模型，構建了該模型主因素地震屬性響應模板，基于概率神經網絡算法實現了河流相儲層結構反演，最后通過模型數據和實際油田應用驗證了方法的有效性和適用性。

1 河流相儲層結構模式建立

河流相儲層縱向多期疊置切割，橫向變化快，具有較強的非均質性。為了分析不同儲層結構地震響應特征，在高分辨率層序地層格架控制下，依據沉積結構構造、幾何形態、疊置增生樣式，分析砂體尖滅、切割疊置及泥巖隔、夾層發育的地震響應特征，總結出河流相儲層四類結構模式(圖1)。

圖1 河流相儲層四類結構模式Fig .1 Four kinds of architecture models for fluvial facies reservoir

1) 砂體厚度變化模式。“泥包砂”結構，砂巖厚度為0～15 m。該模式代表單期河道砂體或多期疊置且無夾層的河道砂體從中部到邊部的厚度變化特征。

2) 砂體疊置與砂體厚度變化模式。該模式中兩期砂體疊置，中間發育夾層。其中，下部砂體厚度穩定，為6～8 m；中間夾層厚度為3～5 m；而上部砂體厚度變化，為0～10 m。

3) 砂體疊置與夾層厚度變化模式。與模式(2)相似，兩期砂體疊置，中間發育夾層。兩套砂體厚度穩定，為6～8 m；中間夾層厚度變化，為0～8 m。

模式(2)與模式(3)代表河道砂體疊置模式，基本涵蓋不同砂體部位疊置、不同砂體厚度疊置以及夾層厚度變化等各類疊置模式。

4) 薄互層模式。多套薄層砂巖與泥巖相互疊置，砂、泥巖厚度為2～4 m，代表多期砂體疊置模式中砂泥巖邊部組合特征，或溢岸沉積。

2 地震響應分析與敏感屬性研究

基于河流相儲層結構模式構建地震正演模型，如圖2所示，模型中黃色代表砂巖，其速度為2 450 m/s，密度為2.1 g/cm3；灰色代表泥巖，其速度為2 650 m/s，密度為2.25 g/cm3。圖2中,模型①模擬砂巖厚度變化模式，楔形體的厚度從左到右由0增加到15 m；模型②模擬砂體疊置、上覆砂巖厚度變化模式，上覆砂巖厚度由0增加到8 m，下覆砂巖厚度為5 m，泥巖厚度為3 m；模型③模擬砂體疊置與夾層厚度變化模式，砂巖厚度為5 m，泥巖厚度由0增加到5 m；模型④模擬砂泥薄互層模式，砂、泥巖厚度為3 m。

河流相儲層砂體地震響應模擬與波阻抗反演剖面如圖3所示，砂巖為低阻抗特征(負值)，其中時間采樣率為1 ms，道間距為6.25 m。從圖3可以看出，不同的儲層厚度、砂體結構以及泥巖隔夾層發育程度影響地震響應的振幅、頻率、波形等變化，因此有必要針對不同儲層結構特征開展儲層地震屬性敏感性研究。

地震屬性種類和數量很多，已有分析結果[12-13]表明振幅類屬性與砂體模型相關程度最好，層序類僅次于振幅類，而頻譜類、瞬時類和非線性類最差。本次研究主要包括不同的儲層厚度變化與泥巖隔夾層發育程度對地震屬性的敏感性，因此基于圖3所示的砂頂、底反射層位提取地震屬性與反演屬性，優選了振幅類、頻譜類和層序類中具有代表性的敏感屬性。

圖3 河流相儲層地震正演與波阻抗反演剖面Fig .3 Seismic forward modeling section and impedance inversion section for fluvial facies reservoir

河流相儲層歸一化振幅類地震屬性如圖4所示,結合圖2可以看出：對于模型①，振幅隨儲層厚度增加而增大，當儲層厚度達到1/4波長(即調諧厚度)時，振幅最大。對于模型②，隨著上覆砂巖厚度的增加，儲層表現為薄互層特征，均方根振幅、反演最小振幅逐漸減小，而反演總負振幅屬性隨整體砂地比的增加而增大；當上覆砂巖厚度較小時，儲層表現為下河道特征，即上薄、下厚，此時儲層頂界面波谷反射較弱，儲層底界面波峰反射較強，隨著上覆砂巖厚度的增加，波谷反射增強，波峰反射減弱。對于模型③，隨著泥巖隔夾層的增加，振幅逐漸減小。對于模型④，砂泥薄互層儲層表現為弱振幅的反射特征。

圖4 河流相儲層振幅類歸一化地震屬性Fig .4 Normalized seismic amplitude attributes for fluvial facies reservoir

河流相儲層歸一化頻率類和層序類地震屬性如圖5所示，結合圖2可以看出：對于模型①，隨著砂體厚度增加，優勢頻率與瞬時頻率減小，能量半時間增大；弧長屬性是振幅和頻率的綜合響應，隨著砂體厚度增加而增大，當儲層厚度達到1/4波長(即調諧厚度)時，弧長最大。對于模型②，隨著上覆砂巖厚度的增加，儲層表現為薄互層特征，優勢頻率、瞬時頻率、弧長減小，能量半時間減小；當上覆砂巖厚度較小時，儲層表現為下河道特征，能量半時間最大。對于模型③，隨著泥巖隔夾層的增加，優勢頻率、瞬時頻率與弧長減小。對于模型④，砂泥薄互層儲層表現為低頻、弱振幅的地震響應特征。

圖5 河流相儲層頻譜類與層序類歸一化地震屬性Fig .5 Normalized seismic frequency and sequence attributes for fluvial facies reservoir

針對復雜的河流相儲層砂體結構，在沉積學研究基礎上抽象建立了 “滑塊模型”，如圖6所示。該模型將砂體厚度、夾層層數作為自變量，當“滑塊”在坐標系內滑動一個點，就代表一個新的構型樣式。當夾層不發育時，即一層砂巖，厚度變化可以表征單期河道砂體或多期疊置且無夾層的河道砂體沉積變化；當夾層發育時，包括發育一期夾層、兩期夾層及多期夾層，不同的夾層位置反映了砂體多期疊置儲層結構的變化。

圖6 河流相儲層結構樣式滑塊模型Fig .6 Sliding block model for fluvial facies reservoir architecture

基于 “滑塊模型”及儲層地震敏感屬性分析，構建了河流相儲層主因素變化地震響應模板，如圖7所示，箭頭表示地震屬性值與砂巖厚度變化、泥質夾層發育的相關性，箭頭向外為正相關、向內為負相關。

圖7 河流相儲層結構主因素變化地震響應模板(箭頭表示相關性，向外為正相關，向內為負相關)Fig .7 Seismic response model of main factors variation for fluvial facies reservoir(arrows indicate positive or negative correlation)

結合圖2、4分析表明，圖7a中振幅能量屬性與砂巖厚度表現為正相關，而頻譜類屬性以負相關為主，因此以反演為主的振幅屬性以及地震振幅、能量屬性是刻畫砂巖厚度變化的有效手段，分頻屬性能夠刻畫特定砂巖厚度儲層特征。盡管頻譜類屬性在穩定性方面較振幅類屬性差，但對薄層厚度變化具有更好的指示性，可作為振幅類屬性的有效補充。

圖7b所示的泥質夾層發育儲層刻畫包括泥質夾層數量及夾層空間位置變化兩種情況，結合圖2、5分析表明隨著夾層數量增多，儲層表現為低頻、弱振幅的地震響應特征，振幅能量類與頻率類屬性整體以負相關為主(箭頭向內)，而夾層空間位置變化主要影響地震反射的波形形態，波形類屬性具有較好的指示。因此，利用振幅、頻率類屬性確定泥質夾層的數量，利用波形類屬性確定夾層的空間位置，進而綜合判別實現河流相含夾層儲層結構預測。

圖7給出了河流相儲層結構預測的主因素變化地震響應模板，在實際應用中應針對研究區地質特征構建對應的儲層結構主因素變化地震響應模板，對于各類屬性中敏感地震屬性的優選，需結合儲層巖石物理分析及正演模擬進行屬性優選與敏感性排序，這里僅給出了部分代表性的地震屬性。

3 河流相儲層結構地震預測

河流相儲層結構識別包括地震屬性優選與儲層結構反演兩個關鍵環節。首先，以河流相儲層結構主因素變化地震響應模板為基礎，利用SDC三參數地震屬性優化方法實現儲層結構變化敏感地震屬性優選，三參數是指從相關性、有效性和符合率等3個方面進行綜合分析[14]。進一步，基于優選的敏感地震屬性，利用概率神經網絡模式識別方法進行儲層結構反演。概率神經網絡屬于有監督型模式識別方法，單個訓練樣本由作為輸入信息的敏感地震屬性和作為監督信息的井點儲層結構組成。

3.1 模型測試

以圖2中河流相儲層結構模式為例，分析實際砂體疊置情況的儲層結構表征，旨在通過地震屬性優選和神經網絡模式識別對儲層結構進行分類和預測，指導實際油藏應用研究。通過模型地震正演分析與主因素變化地震響應模板，將河流相儲層結構分為6種，即模式①～⑥： ①單期河道主體(砂巖厚度大于3 m，小于7 m)；②兩期河道疊置且無夾層(砂巖厚度大于7 m，泥巖夾層厚度小于3 m)；③兩期河道疊置且夾層發育(砂巖厚度大于7 m，泥巖夾層厚度大于3 m)；④薄層砂巖與泥巖相互疊置(砂、泥巖厚度2～4 m)；⑤單期河道邊部(砂巖厚度小于3 m)；⑥純泥巖。

為了驗證儲層結構預測方法的有效性，在不同的砂體部位定義了18口井，河流相儲層砂體結構模式井特征值定義如圖8和表1～3所示。圖8中黑色線表示井在模型中的位置，表1～3中明確了各井所在位置的砂巖、泥巖特征及特征參數值(特征值“1～6”分別對應模式①～⑥)。以表中定義的模式井特征值及圖7b中的地震屬性模板為基礎，利用概率神經網絡方法進行儲層結構反演，計算的最終結果如圖9所示，可以看出，基于屬性模式約束概率神經網絡反演技術能夠實現河流相儲層結構識別。

圖8 河流相儲層結構模式井特征值定義Fig .8 Flag value definition of wells for fluvial facies reservoir architecture model表1 河流相砂體結構模式井特征值(模型1)Table 1 Flag value definition of wells for fluvial facies reservoir architecture model(model 1)

井名砂巖厚度/m特征值W106W225W341W492W5132

表2 河流相砂體結構模式井特征值(模型2、3)Table 2 Flag value definition of wells for fluvial facies reservoir architecture model(model 2 and 3)

表3 河流相砂體模式井特征值(模型4)Table 3 Flag value definition of wells for fluvial facies reservoir architecture model(model 4)

3.2 實例應用

Q油田為典型的河流相油田，沉積類型為曲流河相，北向物源，受東西兩側地形限制，河道主要在中部河谷范圍內遷移擺動，形成側向和垂向疊置的復合砂體。研究區測井相分析與地質研究表明，砂體厚度數米到十幾米，存在如圖10所示的5種儲層結構樣式，基于測井響應特征選取20口井作為地震屬性反演模式識別的訓練樣本。

圖10 Q油田5種儲層結構樣式測井響應Fig .10 Five types log response for reservoir architecture in Q oilfield

利用概率神經網絡算法預測的Q油田儲層結構如圖11所示，沉積主體位于中部，砂體疊置程度高，夾層不發育；到研究區東側，由于曲流河的低砂地比以及側向遷移作用，不同時期砂體疊置，并發育夾層；而研究區兩側，由于沉積階地的限制作用，此處以沉積旋回末期的河道或溢岸沉積為主，砂巖厚度小，常見砂泥巖薄互層。選取29口井作為檢驗井，儲層結構預測的吻合率為86%；此外，2口過路井的實鉆結果與本文預測結果相吻合。由此可見，綜合本文提出的儲層結構預測結果與常規的儲層巖性與厚度預測成果，可實現儲層結構及儲層品質的綜合表征，為油藏注采連通性分析、新井井位的設計與優化提供堅實的成果基礎。

圖11 基于概率神經網絡算法預測的Q油田儲層結構反演Fig .11 Reservoir architecture inversion based on algorithm of probabilistic neural network in Q oilfield

4 結論

構建了河流相儲層結構模式，通過模型地震正演開展了地震響應分析與敏感屬性研究。針對復雜的河流相儲層結構，在沉積學研究基礎上抽象建立了河流相儲層結構樣式“滑塊模型”，將儲層地震響應影響因素簡化為砂體厚度、夾層(層數及空間位置)兩個因變量，通過屬性分析建立了河流相儲層結構主因素變化地震響應模板。進一步，提出了SDC三參數地震屬性優化與基于概率神經網絡算法的儲層結構反演技術，實現了河流相儲層結構6種疊置樣式的預測。本文研究成果可為油藏注采連通性分析、新井井位設計與優化提供重要的成果基礎。

[1] 陳飛,胡光義,范廷恩,等.渤海海域W油田新近系明化鎮組河流相砂體結構特征[J].地學前緣,2015,22(2):207-213.CHEN Fei,HU Guangyi,FAN Ting’en,et al.Sandbody architecture and sequence stratigraphy of fluvial facies,Neogene Minghuazhen Formation,W oilfield,Bohai bay[J].Earth Science Frontiers,2015,22(2):207-213.

[2] 凌云,郭向宇,高軍,等．油藏地球物理面臨的技術挑戰與發展方向[J]．石油物探,2010,49(4):319-336.LING Yun,GUO Xiangyu,GAO Jun,et al.The technical challenges on the development trend of reservoir geophysics[J].Geophysical Prospecting for Petroleum,2010,49(4):319-336.

[3] 胡光義,陳飛,范廷恩,等.渤海海域S 油田新近系明化鎮組河流相復合砂體疊置樣式分析[J].沉積學報,2014,32(3):586-592.HU Guangyi,CHEN Fei,FAN Ting’en,et al.Analysis of fluvial facies compound sandbody architecture of the Neogene Minghuazhen Formation of S oilfield in the Bohai bay[J].Acta Sedimentologica Sinica,2014,32(3):586-592.

[4] 胡光義,范廷恩,陳飛,等.從儲層構型到“地震構型相”：一種河流相高精度概念模型的表征方法[J].地質學報,2017,91(2):465-478.HU Guangyi,FAN Ting’en,CHEN Fei,et al.From reservoir architecture to seismic architecture facies:characteristics method of a high-resolution fluvial facies model[J].Acta Sedimentologica Sinica,2017,91(2):465-478.

[5] 劉偉,尹成,王敏,等.河流相砂泥巖薄互層基本地震屬性特征研究[J].石油物探,2014,53(4):468-476.LIU Wei,YIN Cheng,WANG Min,et al.Study on the characteristics of basic seismic attributes in fluvial sand-shale interbedded layers[J].Geophysical Prospecting for Petroleum,2014,53(4):468-476.

[6] 何方.渤海海域河流相儲層地震響應特征分析研究[D].成都:西南石油大學,2015.HE Fang.The study on reservoir seismic response for fluvial facies reservoir in Bohai[D].Chengdu:Southwest Petroleum University,2015.

[7] 陳恭洋,陳玲朱,潔瓊,等.地震屬性分析在河流相儲層預測中的應用[J].西南石油大學學報(自然科學版),2012,34(3):1-8.CHEN Gongyang,CHEN Lingzhu,JIE Qiong,et al.Application of seismic attributes analysis fluvial reservoir to prediction[J].Journal of Southwest Petroleum University(Science & Technology Edition),2012,34(3):1-8.

[8] 劉文嶺,牛彥良,李剛,等.多信息儲層預測地震屬性提取與有效性分析方法[J].石油物探,2002,41(1):100-106.LIU Wenling,NIU Yanliang,LI Gang,et al.Seismic attribute extraction and ef fectiveness analysis of multi-attribute reservoir prediction[J].Geophysical Prospecting for Petroleum,2002,41(1):100-106.

[9] 井涌泉,范洪軍,陳飛,等.基于波形分類技術預測河流相砂體疊置模式[J].地球物理學進展,2014,29(3):1163-1167.JING Yongquan,FAN Hongjun,CHEN Fei,et al.Application of waveform classification in the prediction of fluvial facies interbedded sandstone reservoirs[J].Progress in Geophysics,2014,29(3):1163-1167.

[10] 馬躍華,吳蜀燕,白玉花,等.利用譜分解技術預測河流相儲層[J].石油地球物理勘探,2015,50(3):502-509.MA Yuehua,WU Shuyan,BAI Yuhua,et al.River sedimentary microfacies prediction based on spectral decomposition[J].Oil Geophysical Prospecting,2015,50(3):502-509.

[11] 劉超，趙春明，廖新武，等.海上油田大井距條件下曲流河儲層內部構型精細解剖及應用分析[J].中國海上油氣，2014,26(1):58-64.LIU Chao,ZHAO Chunming,LIAO Xinwu,et al.A refined anatomy of the internal structure of meandering river reservoirs under large well spacing in offshore oilfields and its application[J].China Offshore Oil and Gas,2014,26(1):58-64.

[12] CHEN Q,SIDNEY S.Seismic attribute technology for reservoir forecasting and monitoring[J].The Leading Edge,1997,16(5):445-450.

[13] 魏艷,尹成,丁峰,等．地震多屬性綜合分析的應用研究[J].石油物探，2007,46(1):42-47.WEI Yan,YIN Cheng,DING Feng,et al.Synthetic analysis of seismic multi-attribute and its application[J].Geophysical Prospecting for Petroleum,2007,46(1):42-47.

[14] 肖湘.多種屬性敏感性方法的對比研究[D].成都:西南石油大學,2014.XIAO Xiang.A comparative study of several attribute sensitivity[D].Chengdu:Southwest Petroleum University,2014.