應用波形相控分頻反演預測高泥質疏松砂巖薄儲層

代 玲, 萬 鈞, 羅 澤

(中海石油(中國)有限公司 深圳分公司，深圳 518000)

0 引言

地震儲層預測的主要手段是反演，方法主要有稀疏脈沖反演、測井約束反演和地質統計學反演[1]。目前主要流行的是地質統計學反演，其利用隨機建模有多個實現比確定性建模表達能力更強，而且隨機路徑有利于測井高頻信息合理加入，對儲層非均質性表征有利。但地質統計學反演隨機建模基于變差函數，難以描述復雜的空間結構和復雜的地質體[2]。地震沉積學強調用屬性和反演的形態特征-地震地貌分析微相，倡導相控預測儲層，為克服常規地質統計學建模橫向分辨率低、模糊沉積儲層構形特征的局限，引入了相控預測思想用于反演建模，較好解決了這一問題[3]。

珠江口盆地X油田作為南海東部開發的新區域，近兩年連續為南海東部產量最高的油田，油田儲層主要發育三角洲前緣水下分流河道～河口壩沉積，沉積時期水動力弱、粒度細、砂巖疏松且泥質含量高。該油田面臨儲層數量多且單層薄；砂巖疏松引起測井擴徑導致聲波時差和密度等測井曲線測量失真；砂泥疊置，有效儲層不易區分等難題。常規反演方法刻畫該油田儲層空間展布特征效果不佳，嚴重制約著此油田的高效開發。針對這一難題，筆者提出遺傳化神經網絡技術重構還原真實測井曲線，優選儲層特征敏感參數，并基于地震波形實現地震相約束，分頻反演實現高分辨率反演，最終形成一套完整的針對高泥質疏松砂巖薄儲層的識別技術系列，期望實現薄儲層精細刻畫，助推油田高效開發。

1 反演原理

觀測計算得到的屬性量可以用公式(1)表示[4]。

G=R+S

(1)

其中：G為觀測計算得到的屬性量；R為實際屬性量；S為隨機噪聲。采用公式(2)來表示目標函數[5]。

(2)

其中：M1為目標函數；σ為隨機噪聲S的協方差。求取反演的過程就是讓目標函數M1達到最小值。由于采用公式(2)求取反演最優解存在多解性與不穩定性，因此加入先驗信息進行約束，這樣目標函數可以表示為公式(3)[6]。

M(Z)=M1(Z)+λ2M2(Z)

(3)

其中：Z為屬性量；λ為平滑參數；M2(Z)為先驗項，是勢函數之和。最終反演采用的目標函數能夠進一步改寫為公式(4)[7]:

(4)

其中：φ為勢函數；δ為刻度參數，用來調節不連續處梯度值。

2 高泥質疏松砂巖薄儲層預測

針對高泥質疏松砂巖薄儲層預測和精細描述，采用了以下關鍵技術。

2.1 遺傳化神經網絡重構測井曲線技術

X油田由于受高泥質疏松砂巖影響，引起測井擴徑導致聲波時差和密度等測井曲線測量失真(圖1)，影響儲層預測的準確性。針對這一問題采用遺傳化神經網絡技術，重構得到新的測井曲線。為了保證遺傳化神經網絡技術的穩定性和可靠性，輸入數據采用伽馬、電阻率、油飽、中子和溫壓曲線等多種參數，并且這些參數受測井擴徑影響極小[8]，最終遺傳化神經網絡預測的聲波時差和密度曲線結果如圖1所示，在擴徑影響段，低伽馬砂巖區本應該對應低密度、高聲波時差測井值，由于擴徑影響使得該區段出現高密度、低聲波時差值這一矛盾現象(圖1矩形框中)，通過遺傳化神經網絡重構密度和聲波時差測井曲線很好地解決了這個問題，恢復了測井曲線真實值。

圖1 X-1A井原始測井曲線與神經網絡校正曲線對比

為了進一步驗證該方法的可靠性和準確性，將原始測井密度和聲波時差曲線(受擴徑影響)與遺傳化神經網絡預測重構得到的密度和聲波時差曲線，進行合成地震記錄，計算得到的相關系數結果分別為0.53與0.81，效果明顯提高，井、震匹配性更佳(圖2)。

圖2 X-1A井合成地震記錄

2.2 儲層敏感參數分析

泊松比與巖石物性關系緊密，采用泊松比屬性描述儲層特征越來越受到重視[9]。X油田目的層段巖石物理分析表明(圖3)：砂巖和泥巖的波阻抗值域比較接近，基于波阻抗屬性區分不開砂、泥巖。通過進一步巖石物理分析，將縱波速度、橫波速度、縱橫波速度比、密度、泊松比等儲層參數對比研究，比選出最優的儲層識別敏感參數為泊松比，它能很好區分砂、泥巖，分析表明砂、泥巖區分門檻值是泊松比為0.3(圖4)。在此基礎上采用儲層特征敏感參數泊松比進行反演預測，實現好儲層空間展布精細刻畫。

圖3 X油田自然伽馬與波阻抗交會圖

圖4 X油田泊松比和泥質含量交會圖

2.3 波形相控分頻高分辨率反演

儲層預測主要是從地震數據體中提取有限的地震屬性(如結構、振幅、頻率、相位、波阻抗及吸收衰減等)，并利用地震屬性預測巖性，進而進行儲層預測[10]。地震沉積學的研究推動了地震和地質的有機結合，相控技術是這種定量結合的重要銜接手段。相控的思想用于巖石物理研究產生了地質統計巖石物理技術，促使人們在做巖石物理統計規律時，思考影響這些規律背后的地質因素—沉積或成巖作用，再按成因尋找規律進行分類統計[11]。

沉積儲層的構形特征在塊狀介質中是地質體外形和結構的反映，在層狀介質中是儲層縱橫向非均質性的表現。沉積儲層非均質性的表現特征和探測頻率有關，探測頻率越高，儲層在橫向上呈現的非均質性越強，呈現的隨機性也越強，利用分頻反演能很好表征儲層非均質性特征[12-13]。

筆者基于此提出一種既有測井縱向高分辨率，又有地震橫向高分辨率，同時能保持地質體構形特征及儲層非均質性特征的反演方法—波形相控分頻反演。該反演方法基于地震波形實現地震相約束，分頻反演實現高分辨率反演。通過格架約束井曲線插值得到低頻，由地震譜模擬反演獲得中頻，再由相控模擬結果得到確定性高頻，最后由貝葉斯隨機模擬得到隨機性高頻，對高頻成分進行無偏最優估計。其技術流程如圖5所示，主要包括以下四個關鍵步驟：①神經網絡預測重構得到正確的測井曲線；②巖石物理分析優選出儲層敏感參數泊松比；③利用地震波形空間特征實現相控約束；④頻率域實現分頻反演。

圖5 基于高泥質疏松砂巖薄儲層相控分頻反演流程圖

在傳統反演建模中，僅利用測井結合構造框架插值建模，這種建模方法在剖面上容易出現模型中，反映的地層產狀與地震所反映的地層產狀不一致，平面上容易出現“牛眼”現象，模糊了地質體構形特征或儲層非均質性特征[14-16]。隨機建模雖然理論上可以通過概率密度函數產生既滿足反演(通常是稀疏脈沖反演)也滿足井的隨機實現，但它的隨機性較強，很難準確表征地質體構形或儲層非均質性特征[17-19]。將地震數據參與建模，是提高反演構形表征能力的關鍵，地震是一種帶限資料，加入地震缺乏的低頻和高頻信息成為井、震聯合分頻建模的關鍵，即不同頻帶采用不同的建模策略。基于此，筆者提出了波形相控分頻反演頻譜(圖6)，①0 Hz～10 Hz頻帶，地質體構形特征不明顯或儲層非均質性不強，采用克里金插值建模實現；②10 Hz～100 Hz為地震頻帶，采用地震反演實現；③100 Hz～200 Hz儲層非均質性較強，利用地震波形的空間特征，結合測井實現相控約束模擬;④>200 Hz儲層非均質性表現很強，采用貝葉斯隨機模擬實現。這四部分能量的相對關系依次減弱，滿足指數規律。可以看出分頻建模遵循頻率越高儲層非均質性表現越強的規律，按分頻原則將克里金建模和隨機建模及地震波形空間特征有機結合。

圖6 波形相控分頻反演頻率成分分析圖

波形相控分頻反演針對常規建模方法容易損失地質體構形和沉積儲層橫向非均質性表征能力的問題，采用分頻建模策略。低頻信息利用測井采用克里金插值獲得，中頻信息利用地震獲得，高頻信息利用地震結合測井獲得，采用構形建模方法，使模型能反映地震反射的縱橫向構形特征，再利用貝葉斯隨機模擬修改構形模型，在地震相約束下合理加入井的高頻信息，減小反演的隨機性，形成一種新的反演方法。

反演初始模型的優劣很大程度影響著最終反演效果[20-22]，筆者將常規反演與波形相控分頻反演的初始模型結果進行對比，研究發現：①平面上，常規反演得到的初始模型在井點處有明顯“牛眼”現象(圖7(a))，這對儲層非均質性表征非常不利，嚴重影響最終反演結果，而波形相控分頻反演的初始模型平面屬性帶有地震相約束，更符合實際地質規律(圖7(b))；②剖面上，常規反演得到初始模型的地層產狀與地震所反映的地層產狀不一致(圖8(a))，而波形相控分頻反演初始模型有地震相約束，較好地規避了這一問題，結果與真實地層產狀更吻合(圖8(b))。

圖7 泊松比屬性平面圖

圖8 不同反演方法初始模型與地震波形疊合對比

3 實際應用及效果分析

3.1 薄儲層精細預測

X油田儲層主要發育三角洲前緣水下分流河道～河口壩沉積，沉積時期水動力弱，粒度細，砂巖疏松且泥質含量高。該油田面臨儲層數量多且單層薄，儲層厚度大部分在5 m以內，砂巖疏松引起測井擴徑導致聲波時差和密度等測井曲線測量失真；砂泥疊置，有效儲層不易識別等難題，常規儲層反演方法對該油田薄儲層反演預測效果不佳，難以精細刻畫儲層空間展布特征，嚴重制約著此油田的高效開發。為了解決這一難題，筆者提出了波形相控分頻反演方法，最終反演結果對薄儲層空間展布特征刻畫清楚，儲層預測結果如圖9所示。

圖9 波形相控分頻反演剖面圖

3.2 精細刻畫優質儲層指導調整井優化實施

X油田主力生產層為HJa儲層，油層含油面積大，但儲層厚度在5 m以內，制約該儲層高效開發的關鍵因素為對儲層空間展布認識不清。油田開發早期，由于對該主力儲層分布特征認識不明確，僅考慮構造因素在構造高部位部署了X-A2H和X-A3H兩口水平生產井，產油指數低，分別為31nm3/d/Mpa和39nm3/d/Mpa(n指代某數值)，油藏生產動態差。后期利用該套基于高泥質疏松砂巖薄儲層識別技術反演得到泊松比屬性平面圖(圖10(a)紅框)，通過分析認為，X-A2H井和X-A3H井之所以生產動態差，主要是因為水平生產段部署在差儲層區域導致。后期通過反演泊松比屬性精細刻畫了儲層空間展布特征(圖10(a)、圖10(b))，結合反演刻畫的好儲層區域部署了調整井(X-A17H)，該調整井油藏生產動態好，產油指數高(210nm3/d/Mpa)，并且低含水期維持時間長(圖10(c))。成功利用該套儲層預測技術精細刻畫了優質儲層空間展布特征，指導了調整井優化實施。

圖10 反演結果指導調整井優化實施效果圖

4 結論

筆者針對高泥質疏松砂巖薄儲層空間展布特征難刻畫問題形成了一套完整的儲層精細預測技術系列，并成功應用于珠江口盆地X油田薄儲層精細預測。研究表明：①遺傳化神經網絡技術重構得到新的測井曲線，解決了測井擴徑導致的聲波時差和密度曲線測量失真問題；②優選的儲層特征敏感參數泊松比能很好區分儲層與非儲層；③波形相控分頻反演基于地震波形實現地震相約束，分頻反演實現高分辨率反演，實現了井、震協同高分辨率儲層預測。實際應用證實該技術在X油田調整井優化實施等方面取得了較好的應用效果，解決了該油田3 m～5 m薄儲層精細描述的難題，形成了一套完整的針對高泥質疏松砂巖薄儲層預測的技術流程。該技術對同類油藏表征和油田高效開發具有參考意義。