渤海蓬萊19-3 油田新近系明下段曲流河儲層構型表征

徐中波，汪利兵，申春生，陳銘陽，甘立琴

（中海石油（中國）有限公司天津分公司，天津 300452）

0 引言

渤海蓬萊19-3 油田經過近二十年的開發，由于儲層連通性復雜導致的水淹規律認識不清和調整井位部署難度大的問題限制著油田開發效率的提升［1-2］，因此，迫切需要開展蓬萊19-3 油田單一河道內復合砂體儲層構型單元的形態、規模及砂體結構關系的精細表征，從而明確儲層連通性，進一步提升油田開發水平。學者們對河流相儲層砂體的內部結構開展了野外露頭［3］、探地雷達［4］、現代沉積［5］、密井網［6］等方面的研究工作，對特定油田的構型單元解剖和規模定量表征具有重要的指導意義，然而在海上油田稀井網、大井距條件下，井控程度不高，單純依靠井資料對地下河流相四級和三級儲層構型單元進行井間精準預測難度較大［7-8］。蓬萊19-3油田明下段為河道頻繁遷移的曲流河沉積，沉積期次多，導致河道砂體相互切疊，平面和縱向非均質性較強［9］，進一步加大了不同級次構型單元解剖的難度。非線性的智能屬性融合可綜合多個反映地質體信息的地震屬性，得到更全面、更可靠的結果［10］，利用加入參數監督的屬性融合結果能更準確地進行儲層預測。

利用巖心、測井、地震等資料，以蓬萊19-3 油田三區為例，以Miall［11］河流相構型劃分方案為指導，明確不同級次構型界面及構型單元特征，結合單井構型標定，開展基于神經網絡算法多屬性融合的構型單元預測；以單井標定結合典型曲流河沉積模式，準確刻畫四級構型單元，進一步開展單一點壩內部三級構型單元側積體的空間分布預測，降低井間儲層對比的多解性與定量刻畫的不確定性，以期指導油田的高效開發，同時探索一套在海上稀井網條件下多級次曲流河儲層構型表征的方法體系。

1 地質概況

蓬萊19-3 油田位于渤海海域，構造上位于中南部的渤南低凸起中段東北端，西鄰渤中凹陷，東依廟西北洼和南洼（圖1a），成藏條件有利，儲量規模大，為渤海最大的新近系油田［1］。發育在郯廬斷裂帶的蓬萊19-3 油田受北東向和南北向2 條走滑大斷層控制，整體斷裂發育程度高，為一大型斷背斜構造［12］，平面上可劃分為22 個區塊，本次研究以西側的三區為重點解剖對象，該區塊地勢東高西低。

蓬萊19-3 油田的含油層系主要為新近系的明化鎮組和館陶組，明下段縱向上可劃分為Ⅰ，Ⅱ，Ⅲ，Ⅳ和Ⅴ等5 個油組，其中Ⅳ油組為主力含油層系，內部進一步可劃分為4個小層（圖1b）。區域沉積研究表明，研究區新近紀為湖盆萎縮期，整體地貌平緩，物源主要為南和南西向，形成一套以河流-三角洲相為主的沉積體系。其中，館陶組為“小平原、大前緣”淺水辮狀河三角洲沉積；明下段屬于曲流河沉積，點壩為主要的儲集體［9］，砂體橫向變化快，非均質性強。明下段沉積厚度為130～260 m，巖性主要為細砂巖、中砂巖和粗砂巖，含少量含礫砂巖；孔隙度平均為29%，滲透率平均為1 173 mD，屬于高孔高滲儲層；油藏為巖性、構造-巖性油藏。

蓬萊19-3 油田于2002 年正式投產，至今已成功開發近二十年，高峰期年產油量達800×104m3［1］，油田開發期間出現了產能遞減速度快、注采關系不平衡、開發井網不完善等一系列問題。目前綜合含水率超過80%，處于中高含水期，因儲層連通性認識不清，導致被強水淹的新鉆井占比近20%。為明確儲層砂體的空間分布規律，降低因儲層連通性認識不清帶來的井位部署風險，對儲層表征的尺度與精度提出了更高的要求。目前蓬萊19-3 油田三區鉆遇明下段的鉆井共有298 口，井距為200～300 m，測井項目包含自然伽馬、電阻率、中子、密度、聲波等。高分辨三維地震資料在明下段頻寬為10～80 Hz，主頻為35 Hz，以3 000 m/s 的速度計算，縱向分辨率大約為20 m，滿足明下段五級和四級儲層構型解剖的資料要求，動態資料的輔助可作為構型界面表征的重要驗證手段。

2 儲層構型級次劃分與特征

2.1 構型級次劃分

蓬萊19-3 油田明下段為一套曲流河沉積，采用Miall［11］提出的河流-三角洲相構型級次劃分方案，重點對油田開發效果影響較大的曲流帶內部的四級和三級構型界面及構型單元進行表征。對構型界面的準確識別與劃分是儲層構型單元多級次表征的關鍵，亦是儲層連通性研究的基礎［13］。大型底形界面，如點壩、廢棄河道的界面作為四級構型單元界面，在該類型界面限定下的點壩、廢棄河道、天然堤、決口扇等砂體作為四級構型單元。大型底形內增生體，比如點壩沉積內部的側積體，作為三級構型單元，由點壩內部加積增生面或前積增生面限定。

2.2 構型界面與構型單元特征

研究區明下段曲流河沉積可以劃分為點壩、廢棄河道、天然堤、決口扇和泛濫平原等沉積微相，其中主要的儲層沉積微相是點壩和廢棄河道沉積。以取心井P3 井為例，分析巖心巖性、沉積結構、沉積構造和不同類型的沉積界面；采用巖心標定測井，結合測井曲線形態，建立不同級次構型界面和不同類型構型單元的測井相標志，實現單井儲層構型界面和單元的解釋。

通過巖心觀察和測井資料分析，P3 井明下段Ⅳ油組垂向上可識別出以泛濫平原為代表的4 個五級構型界面，巖心上表現為較致密的灰黑色泥巖，厚度為10～20 m，測井自然伽馬（GR）曲線呈微齒狀較平直，GR為大于110 APⅠ的泥巖基線。在該界面的限定下為點壩、廢棄河道和天然堤等四級構型單元，共同組成單一曲流帶五級構型單元。在埋深2 124 m 處的天然堤和點壩之間的四級構型界面主要為泥巖和泥質粉砂巖的細粒沉積，GR曲線輕微回返，物性差，厚度約為2 m，縱向作為夾層影響注采效果和剩余油分布。側積層三級構型界面在巖心上顯示較明顯，沉積物粒度更小，下部為平行層理的中—細砂巖，上部為塊狀粗砂巖，偶含細礫，含油級別較下部高，三級構型界面測井響應GR曲線表現為在箱形或箱形—鐘形的點壩砂體中曲線輕微回返，孔隙度和滲透率減小，分隔不同期次的側積體（圖2）。

圖2 渤海蓬萊19-3 油田P3 井新近系明下段Ⅳ油組構型單元及構型界面識別Fig.2 Architecture units and interfaces identification of N1mLⅣ-2 of well P3 in Penglai 19-3 oilfield，Bohai Sea

點壩是研究區最主要的儲層類型，在垂向上表現為正韻律和復合韻律，點壩構型單元主體為細—中砂巖，分選磨圓較好，巖性粒度向上變小，底部偶含礫，同時沉積規模向上變小，底部發育的層理類型主要包括槽狀交錯層理和板狀交錯層理等，頂部層理厚度減小，逐漸過渡為楔狀層理和平行層理。正韻律底部發育較強水動力條件下所形成的沖刷面，沖刷面之上可見少量泥礫及炭化植物碎屑。在測井響應上，自然電位曲線和自然伽馬曲線多為鋸齒狀鐘形或箱形。廢棄河道構型單元在研究區分為“突棄型”和“漸棄型”2 種。“突棄型”廢棄河道是河道在突發事件中與主河道分隔后，僅在洪水期接受泥質、粉砂質為主的細粒沉積，該類廢棄河道四級構型單元下部以中—細砂巖，頂部以泥巖和粉砂巖為主［13］，在測井響應上呈指狀，厚度為3～5 m。“漸棄型”廢棄河道廢棄前始終與主河道相連，主要沉積懸浮組分和一定的跳躍組分，在測井曲線上，該類廢棄河道四級構型單元呈典型鐘形正韻律響應，厚度為8～12 m。整體廢棄河道與點壩砂體間存在巖性和物性的差異，因此可形成有效的滲流屏障影響儲層連通性。

經過井震標定，研究區新近系明下段頂、底兩套泛濫平原為低頻的波谷響應，明下段Ⅳ油組2 小層點壩構型單元為一套中—高頻連續性較好的波峰響應（圖3），良好的井震匹配關系為后續構型單元的地震預測奠定了較好的基礎，并且點壩構型單元厚度與振幅響應具有較好的正相關關系。在二維剖面上波峰振幅的強弱和側向尖滅等特征代表了儲層構型單元的變化規律，但在平面上解剖構型單元，需要進一步開展基于地層切片技術的地震屬性提取及優選。三級構型界面受限于垂向分辨率而無法直接在地震剖面中有效識別，但對于規模較大的點壩中傾角相對較小的三級構型界面，在地震切片上能觀察到相應的響應特征。

圖3 渤海蓬萊19-3 油田三區過A1—A6 井新近系明下段Ⅳ油組2 小層的地震剖面Fig.3 Seismic section of N1mL Ⅳ-2 across well A1-A6 in the third region of Penglai 19-3 oilfield，Bohai Sea

3 物性參數監督的多地震屬性融合

為降低單一地震屬性解釋的局限性和多解性，地震屬性融合是近年來學者們探索較多的領域［10］，旨在通過去除冗雜的信息提高地質體的地震識別精度。融合方法通常有線性融合、非線性（智能）融合和顏色（RGB）融合，其中對于多個復雜的地震屬性，非線性的智能融合逐漸成為主流手段［14］。為進一步提高井震匹配程度，將測井解釋的儲層參數與多個地震屬性進行聯合監督學習能夠得到更全面可靠的結果，融合后的屬性也直接代表了監督數據的地質意義，這大大優化了儲層預測和構型解剖的研究流程［15］。本次研究首先選定目的層進行地震屬性提取，通過定性和定量分析，優選出對儲層響應敏感的地震屬性，進行測井信息與地震信息的標定，然后以神經網絡為融合算法，孔隙度為監督屬性，進行多屬性融合，從而得到反映儲層物性分布規律的融合屬性，達到儲層構型解剖的目的。

3.1 地震屬性優選

首先通過提取井旁道的振幅類、波阻抗類、波形特征類多種地震屬性，定性分析其與井上明下段Ⅳ油組砂體的相關關系，優選出最大振幅、反射強度、相對波阻抗等3 種屬性。其中，最大振幅屬性與井上中間厚砂體（2 小層）的匹配關系較好，能夠從垂向上反映砂體的分布范圍及物性縱向變化規律，反射強度屬性和相對波阻抗屬性對砂體的響應略差于最大振幅（圖4a）。以最大振幅屬性為例，定量統計研究區P3 井明下段Ⅳ油組2 小層孔隙度與最大振幅的關系，發現二者具有明顯的正相關性，相關系數達到0.77（圖4b）。反射強度、相對波阻抗地震屬性與孔隙度的相關系數分別是0.68 和0.61，整體相關系數相對較高，為多屬性融合的輸入奠定了良好的數據基礎。

圖4 渤海蓬萊19-3 油田P3 井新近系明下段Ⅳ油組2小層井旁道地震屬性與砂體的對應關系Fig.4 Correspondence between seismic attributes of well bypass and sand bodies of N1mL Ⅳ-2 of well P3 in Penglai 19-3 oilfield，Bohai Sea

目的層段明下段Ⅳ油組2小層砂體厚度為10～30 m，考慮到地震資料的垂向分辨能力約為20 m，對于薄層的砂體垂向識別能力有限。由于大多數沉積體具有寬度遠遠大于厚度的特征，也就是具有較大的寬厚比，研究區高精度三維地震資料的垂向分辨率與橫向分辨率相當，可利用地震橫向分辨率將沉積體的平面特征識別出來［16］，同時通過井震標定發現目標砂體基本對應一條同相軸的波峰響應，這就為利用地震等時地層切片的屬性變化刻畫地質體提供了依據，也提高了預測結果的可信度。

3.2 基于神經網絡的多屬性融合方法

神經網絡在大量地震信息和井數據的非線性分析中具有獨特的優勢。此次研究選用BP 神經網絡構建的深度學習算法進行地震多屬性智能融合。經過優選出最大振幅、反射強度、相對波阻抗等3種屬性后，在井點處提取各屬性的特征變量，與目標變量（孔隙度）進行統計分析，以目標變量作為神經網絡融合的監督數據，設計具有3 個隱含層的網絡結構，避免了隱含層過多導致的收斂慢和容易陷入局部極小值的問題。參數監督下的融合屬性具有孔隙度的地質意義，反映了儲層物性和分布規律。在現代沉積和通過野外露頭分析構建的曲流河模式指導下，可實現構型單元的縱向和平面的精細刻畫（圖5）。

圖5 渤海蓬萊19-3 油田新近系明下段Ⅳ油組2 小層的神經網絡多屬性融合流程（據文獻［16］修改）Fig.5 Principle diagram of multi-attribute fusion of neural network of N1mL Ⅳ-2 in Penglai 19-3 oilfield，Bohai Sea

4 曲流河儲層構型表征

在儲層構型表征中，確定五級構型單元單一曲流帶后，在內部預測四級構型單元單一點壩，然后進行三級構型單元點壩內部側積體的級次解剖是構型分析研究的關鍵［17］。此次研究在基于神經網絡多屬性融合和曲流河沉積模式約束，實現四級構型單元的刻畫。在單一點壩內部，主要根據實鉆井資料實現三級構型單元的表征。

4.1 四級構型單元單一點壩識別

點壩又稱為邊灘，是曲流河中最重要的沉積微相類型，對應的四級構型單元也是構型表征中的核心級次。現代點壩沉積模式的指導有助于點壩構型的定量表征。在神經網絡融合屬性的約束下，以井點所揭示的四級構型單元類型為硬數據，參照現代沉積曲流河沉積特征和該地區已有的曲流河規模的定量關系式，實現明下段Ⅳ油組2 小層四級構型單元的平面解剖。

經過孔隙度監督的神經網絡多屬性融合后，單一地震屬性與井上孔隙度的相關系數均大于0.85，同時融合屬性與井點孔隙度硬數據呈線性相關，相關系數達0.93（表1），進一步提高了依靠地震屬性進行構型解剖的可信度。新融合屬性除繼承了3種單一地震屬性的特征外，在非主力區地震干擾信號的成分更少，所刻畫的曲流帶邊界以及內部結構更清晰，進一步凸顯了巖性的差異，減少了儲層構型單元邊界的多解性，更有利于四級構型單元單一點壩分布范圍的準確刻畫。

表1 渤海蓬萊19-3 油田三區新近系明下段Ⅳ油組2 小層多種地震屬性間的相關系數Table 1 Correlation coefficient among various seismic attributes of N1mLⅣ-2 in the third region of Penglai 19-3 oilfield，Bohai Sea

根據單一屬性以及多屬性融合結果，屬性高值區呈南北向條帶狀展布，整體限定了單一曲流帶五級構型單元的展布范圍。南部曲流帶寬度約為1 000 m，往中間逐漸變窄（500～700 m），向北部再次逐漸變寬（800～1 000 m）。在曲流帶內部，最大振幅屬性的變化表現出一定的規律性，高值分布區多呈彎月狀、近圓狀，南北向呈串珠狀連接，反映了點壩的遷移、改造、合并等過程的展布特征（圖6）。

圖6 渤海蓬萊19-3 油田三區新近系明下段Ⅳ油組2 小層的地震屬性平面分布及多屬性融合解釋Fig.6 Seismic attributes and multi-attribute fusion interpretation of N1mL Ⅳ-2 in the third region of Penglai 19-3 oilfield，Bohai Sea

以單一點壩PB5的識別為例，首先根據井上解釋的點壩四級構型單元結合彎月狀的砂體厚度高值區，推測其為點壩發育區。通過統計井上點壩砂體的平均厚度為8.3 m，經過壓實校正后，得到曲流河滿岸深度為7.6 m［18］。根據Leeder［19］建立的經驗公式推算出古活動河道滿岸寬度約為212 m。繼而根據河道滿岸寬度與點壩跨度經驗公式［20］估算出點壩PB5 的跨度約為810 m，這與彎月形物性高值區的跨度吻合度較高。在定量計算點壩砂體規模的約束下，融合屬性的特征為點壩的識別起到了較好的規模控制作用。最后根據井點所揭示的廢棄河道四級構型單元，結合點壩形態和規模，以及神經網絡融合屬性的低值區范圍，刻畫出廢棄河道的分布，完成單一點壩構型單元的識別與刻畫。由于曲流河道的頻繁遷移、擺動和改道，點壩砂體相互切割疊置，在研究區共識別出13 個單一點壩，在點壩凹岸方向發育新月形廢棄河道，符合點壩的定量構型模式。在研究區南部物源南偏西，點壩多凹向南東；隨著河道遷移至研究區中部，古河流由南向北流動，點壩東西向擺動生長；在研究區北部，河道方向為北偏東，點壩逐漸轉為凹向北西，整體北部晚期形成的點壩切疊南部早期形成的點壩（圖6）。單一點壩的平面分布刻畫將進一步有效指導油田的高效開發與剩余油挖潛。

4.2 三級構型單元側積體識別

在垂向上呈正韻律的點壩砂體是構成曲流河“二元結構”的主體，在點壩砂體內部發育多個被側積層分隔的側積體。因此，針對單一側積體的刻畫，三級構型界面（側積層）的識別與劃分成為點壩砂體構型解剖的關鍵［17］。三級構型界面側積層往往物性較差，作為2 期側積體之間的沉積分界面。以PB5 為解剖目標，在PB5 點壩的多屬性神經網絡融合圖上表現為近圓狀高值區內部的弧形線狀低值區（圖7a），將點壩分割成4 個新月狀的側積體（圖7b）。側積層巖性以泥質或細粒沉積的夾層為主，測井GR曲線上在箱形或箱形—鐘形對應的點壩砂體中曲線輕微回返。根據垂直PB5 和PB3 兩個側向切疊的點壩跨度方向的連井剖面，可識別出PB5 的3 個側積層和4 期側積體，PB3 的2 個側積層和3 期側積體（圖8）。側積層的傾向與側積體一致，指向凹岸，在研究區小井距的井組內，計算傾角為2°～5°，單個側積層的厚度為0.5～2.0 m，單個側積體呈正韻律，自然伽馬、電阻率曲線呈鐘形，厚度為5～18 m。

圖7 渤海蓬萊19-3 油田三區新近系明下段Ⅳ油組2 小層多屬性神經網絡融合解釋（圖6a 中紅框部分）Fig.7 Multi attribute neural network fusion of N1mLⅣ-2 in the third region of Penglai 19-3 oilfield，Bohai Sea

圖8 渤海蓬萊19-3 油田三區新近系明下段Ⅳ油組2 小層PB5 和PB3 點壩內部三級構型單元解剖垂向分布Fig.8 Vertical distribution of the third-order architecture unit in PB5 and PB3 point bar of N1mL Ⅳ-2 in the third region of Penglai 19-3 oilfield，Bohai Sea

5 礦場應用效果

儲層連通性對注采井組的受效性及水淹差異具有較為明顯的控制作用。渤海蓬萊19-3 油田三區新近系明下段Ⅳ油組2 小層點壩PB5 中A8為注水井，周圍的A7，A9，A12 和A13 井均為采油井，采油井投產初期生產制度一致，平均單井日產油60～80 t。經過近2 年的生產，A12 井和A13 井見水較早，且含水率為60%～70%，且表現為繼續上升的趨勢，而A7 井和A9 井的含水率穩定為30%～40%。在四級構型和三級構型解剖的基礎上，分析認為該點壩內的三級構型界面為影響不同采油井含水率上升的主要因素。注水井A8 與A7，A9井位于不同側積體中，側積層對注入水起到一定的遮擋作用；注水井A8 和A12，A13 井位于同一側積體中，儲層連通性較強，流體運移較快，因此見水時間早，含水率上升較快。基于構型界面的滲流屏障分析，解釋了井組內部含水率上升規律的差異，為進一步的生產制度優化奠定了地質基礎。后期針對該注采井組進行精準調剖調驅，A12 井和A13 井含水率下降至40%，日產油穩定在70 t左右。

根據四級構型單元的刻畫解釋成果，研究區點壩PB3 和PB4 內部儲層物性和連通性均較好。部署采油井A10 井和A11 井進行挖潛，鉆后儲層均未水淹，投產后初期日產油達100 t，驗證了研究區南部點壩的潛力。后期基于點壩內部側積層的預測，將進一步部署調整井位、完善注采井網，以提高油田開發效率。

6 結論

（1）渤海蓬萊19-3 油田可劃分出3 個級次的構型界面和構型單元，其中構型單元分別是單一曲流帶五級構型單元、單一點壩四級構型單元和點壩內部側積體三級構型單元，明確了不同成因類型構型單元的幾何形態、規模大小及其結構關系。

（2）研究區最大振幅、反射強度和相對波阻抗等3 種地震屬性對儲層響應較為敏感。基于物性參數監督的神經網絡多屬性融合進一步提高了儲層預測的精度和可信度。研究區發育南北向展布、中間窄兩端寬的單一曲流帶五級構型單元；單一點壩四級構型單元呈串珠狀分布且互相切割改造；單一點壩內部側積體呈正韻律，側積層傾角為2°～5°。

（3）綜合運用巖心、測井及地震資料的不同級次的曲流河構型單元精細表征，尤其是多種地震屬性的神經網絡融合方法，為油田水淹井分析、優化注水開發和挖潛供了地質依據，對渤海海域少井條件下的儲層預測可提供一定的借鑒和指導意義。