地质统计学反演在四川盆地L地区储层预测中的应用

2010-01-12臧殿光李建华

物探化探计算技术 2010年3期

韩翀,臧殿光,李建华

(1.成都理工大学能源学院,成都 610059;2.中国石油东方地球物理公司,涿州 072751)

0 前言

地质统计学反演方法在现今的储层预测中应用广泛,它由Haas[1]于1994年提出,Dubrule[2]和Rothman[3]加以发展。地质统计学反演技术是将随机模拟的思想引到地震反演中,以地震数据做约束,用随机模拟算法得出其它属性数据体,实现储层预测(如图1所示)。该方法兼顾了地震数据的横向分辨率与测井数据的纵向分辨率,以地层确定性反演导出的声阻抗作为输入,并建立阻抗与储层参数间的线性关系,进而模拟出高分辨率的储层敏感参数的数据体。通过地质统计学随机模拟建立的储层模型,更为精确而且能够考虑储层空间的不确定性,以及储层参数在空间上的变异性。它较之常规反演方法优势明显,目前已在国内、外许多复杂油气藏开发中应用,并起到了积极的作用。

图1 地质统计学反演示意图Fig.1 Schematic diragram of geostatistical inversion

1 原理及流程

在地质统计学反演中,我们常用的随机模拟技术主要包括以下几种预测技术:

(1)序贯高斯模拟。

(2)序贯高斯协模拟。

(3)序贯高斯配置协模拟。

(4)序贯高斯指示模拟[4]。

每种模拟方法都有自己的特点及实用性。在具体应用时,要根据不同变量特征,来选择合适的模拟方法以取得最优的模拟效果。随机模拟将产生多个符合已知条件的等概率体,在进行优选时,最直观有效的方法是,充分了解研究区的地质背景,通过对模拟数据体的剖面、平面对比,优选符合地质认识的多个概率体,对其取平均、或加权平均作为最终的地质统计学反演结果。

应用地质统计学反演方法,进行有利储层预测。从总体上有以下几个部份(见图2)。

1.1 地震资料分析

用于反演的地震资料,要求是保幅保频的高保真资料,这样才能确保所得到得波阻抗准确反映地下底层的信息。此外,地震资料还应尽量是高信噪比、高分辨率、偏移成像准确,这些都将直接影响到反演的分辨率和正确性。总之,地震资料的品质对反演的最终结果有着重要的影响[6]。

1.2 测井资料分析

在反演前,必须对工区内参加反演的测井曲线进行环境校正和深度校正,在考虑到岩石类型、研究区域的压实模式、井眼不规则情况,以及曲线类型等各因素的前提下,对全区测井曲线进行标准化处理。其目的是通过这些处理,有效地排除非地质因素的影响,识别和消除测井数据中的系统误差,以保证计算储层参数的可靠性和准确性[7]。

1.3 稀疏脉冲约束反演

约束稀疏脉冲反演是地质统计学反演的基础,是在基于脉冲反褶积基础上的递推反演方法。该方法假定地下的强反射系数界面稀疏分布,根据稀疏的原则从地震道中抽取反射系数,与子波褶积生成合成地震道,并利用合成地震道与原始地震道的残差,修改反射系数,得到新的反射系数序列,再作合成记录。如此迭代,直至得到一个能最佳逼近地震道的反射系数序列。当得到反射系数后,就可以求得相对波阻抗[8]。稀疏脉冲约束反演增加了地质模型和井约束控制波阻抗的趋势和范围,由于地震数据是带限的,因此得到的数据缺少低频信息,必须通过建立地质模型进行低频补偿,才能获得一个全频带的绝对波阻抗。由于该反演是一种基于地震道的反演方法,因此反演结果更能反映地震数据本身的空间变化,更多地保留了地震数据的原始特征,但是其垂向分辨率有限[9]。

图2 地质统计学反演流程图Fig.2 Flow chart of geostatistical inversion

1.4 地质统计学反演

地质统计学反演从实现步骤上可分为变差函数分析及随机模拟二个环节。

变差函数是地质统计学方法中最常用的衡量储层空间关系的手段,是地质统计学中描述区域化变量空间结构性和随机性的基本工具。它综合了各种不同来源的数据,研究待模拟曲线变差函数的计算及理论拟合,分析结果直接关系到建立储层模型的可靠性。

变差函数的数学表达式[10]为:

式中 h为滞后距;Z为观测值;r为变差函数值;N(h)表示距离为h的个数。

图3中,α为r(h)达到平稳值时的滞后距值,称为变程,它表示空间上的最大相关距离;C0为跳迁值即块金常数,它代表区域化变量随机性变化;C为拱高,代表区域化变量结构性变化的部分;C0+C为基台值,反映区域化变量在数值大小上的最大变化幅度。当基台值一定时,C0越大,C越小,这说明区域化变量的空间分布随机性越强,结构性越差;反之C0越小,C越大,这说明区域化变量的空间分布结构性越强,随机性越弱。变程α代表了区域化变量存在空间相关性的平均尺度,α越小,反映区域化变量空间分布的相关性尺度越小,变化速度越快,随机性越强,相关性越弱;反之亦然。

常用的分析方法是在地质模型定义的模拟单元内,分别对各套地层使用的测井阻抗数据或岩性数据进行统计和转换,使数据符合正态分布特征,并确定在空间上某一特定出现不同值的可能性。然后进行最优的变异函数拟合,得到变程、基台值和块金常数等表征地质量在空间上的影响范围,分布连续性以及各向异性等特征的重要参数。

1.5 综合预测

在目的区块的地质背景下,在对沉积相认知的基础上,对反演所得的各种表征储层岩性、物性、含油气性的数据体进行分析,借助点、线、面、体结合的方式进行综合分析,并进行有利区叠合预测,最终为开发井的部署提供依据。

2 应用实例

L地区位于四川省岳池县、武胜县境内,属四川盆地川中古隆平缓构造区。北邻白庙场构造,南邻街子坝和仁和寨构造,西与磨溪构造相连,东与文昌寨构造鞍部相接,高点呈串珠状排列,总体轮廓为一近北东东向展布的平缓宽大的背斜构造(见下页图4)。工区内主要目的层为须二段、须四段,是滨湖浅滩与扇三角洲沉积,以中粒长石石英砂岩沉积为主。砂岩储层发育且埋藏相对较浅,但有效储层分布复杂,这反映出低孔、低渗、孔渗相关性差,高含水饱和度极强的非均质性特点。

分析四川L地区的地震资料品质,没有发现截频和切轴现象,较好地保存了地震频率和振幅信息,适应反演的需要。我们将地震数据采样率从4 ms采样内插到1 ms采样,加密地震数据采样率虽然没有给地震数据增加任何新的信息,却使测井数据能够较好地保留薄层信息,给地震反演提供了一个高分辨率的约束条件。

图3 变差函数参数示意图Fig.3 Schematic diagram of variation function parameters

接下来,对测井数据进行校正及标准化处理,使其能在统一标准下真实的反映储层特征。然后,提取井旁地震道的子波,将其与声波测井资料进行褶积,使合成记录与地震剖面获得良好的一致性,其最终目的是使地震、地质、测井资料能够最好地匹配。最后,使用约束稀疏法反演出阻抗体(如图5所示)。

在对四川L地区须家河组储层的变差函数分析之后,作者在本文采用了序贯高斯配置协模拟算法[11],进行储层参数随机模拟(见下页图6)。这种方法主要用于连续变化的随机模型,它要求被模拟的数据呈正态分布。由于大多数的采样数据是非对称的高斯分布,所以在实际处理之前需先将数据进行正态变换,模拟完成后再做反变换。

通过对须四段和须二段储层岩性和物性的综合分析发现,须四段砂体比须二段粒度粗,成熟度高,胶结更为疏松,其孔隙度、渗透率,以及储层厚度均好于须二段。根据岩心取样可得,须四段储层孔隙度为5%～11.5%,平均孔隙度为8.4%,须二段储层孔隙度分布区间为0.6%～9.4%,平均孔隙度为6.3%,二个储层段孔隙度差异较大。为了保证预测的精度,我们对须四段和须二段分别应用地质统计学反演方法进行孔隙度预测。

图4 四川盆地L地区地质构造图Fig.4 Geological structural map of Larea in Sichuan basin

图5 约束稀疏脉冲波阻抗反演图Fig.5 Results of constrained sparse spike inversion of wave impedance

图6 四川盆地L地区须家河组孔隙度变差函数拟合图Fig.6 Fitting diagram of variation function of Xujiahe for mation ofL area in Sichuan basin

图7 须二段孔隙度预测剖面Fig.7 Prediction section of porosity of T3x2 formation

以须二段孔隙度预测结果为例(见图7),反演结果显示L-A井在须二段储层发育较好。在实际开发中,该井获得的工业气流,日产气五万方;L-B井在须二段发育上、下二套砂体储层,实际开发中该井在加沙后,在须二上、下亚段均产生工业无阻气流,日产气九万方。这说明预测结果与实际吻合较好,利用该预测结果作为有利储层的确定依据是可行的。

作者通过直方图和交汇图对比研究认为,伽玛曲线对于岩性比较敏感,能有效地区分砂泥岩,而用孔隙度能够很好地反映有效储层。图8(见下页)就是用伽玛值小于90和孔隙度大于5%作为综合约束条件,刻画的有利储层分布。

3 结论

通过地质统计学反演在四川盆地L地区气藏开发实践的应用,可以得到以下结论。

地质统计学反演利用地质、测井和地震等方面的资料,进行综合储层预测,能够比较充分地考虑储层参数在空间上的变化。它将地震横向分辨率和测井纵向分辨率有机结合,产生高分辨率的模拟结果,适合砂泥岩薄储层预测。在地震资料品质好、测井资料丰富的条件下,基于地质统计学反演的薄层预测具有较高的可信度,可以指导井位部署和滚动扩边。

[1] HAASA,DUBRULE O.Geostatistical inversion-A sequential method for stochastic reservoir modeling constrained by seismic data[J].First Break,1994,13(12):25.