深水扇储层物性多属性反演方法研究——基于“步聪法”进行敏感地震属性组合优选

董建华 范廷恩 高云峰

(中海油研究总院)

深水扇储层砂泥岩纵波阻抗动态值域范围常常相互叠置,叠后纵波阻抗反演方法无法区分砂泥岩特征,不能满足开发阶段精细储层描述的要求;而叠前反演方法要求的基础资料(叠前角道集、全波列测井的纵横波速度等)在实际生产中获得的难度比较大,成本比较高。笔者在探讨“步聪法”优选敏感地震属性组合的基础上,利用概率神经网络算法建立储层物性参数和敏感地震属性组合之间的非线性关系,实现了储层物性参数的直接反演。该方法在A油田应用取得了较好的效果,解决了该油田深水扇储层砂泥岩纵波阻抗动态值域范围相互叠置情况下的岩性识别及储层物性描述等问题。

1 “步聪法”优选敏感地震属性组合

1.1 多属性反演的基本原理

多属性反演的基本原理是在已知井点处建立目标储层参数和敏感地震属性组合之间的关系,并将其按照空间距离关系外推到待预测的样点处,以达到特征储层参数直接反演的目的[1-3],如图1所示。

在建立目标储层参数和敏感地震属性组合之间的关系时,可以选用单一属性,也可以选用多属性组合,可以建立线性关系,也可以建立非线性关系。由于实际地质情况比较复杂,用单一属性或线性关系不能很好地描述敏感地震属性和目标储层参数之间的关系,需要优选敏感地震属性组合来建立反演目标函数,以实现目标储层参数的直接反演。

图1 多属性反演基本原理示意图

1.2 敏感地震属性组合优选(“步聪法”)

在众多地震属性集合中合理地选取对预测反演目标储层参数敏感的地震属性组合非常重要。敏感地震属性组合优选的方法有很多,比如专家经验法、数学理论法、正演模拟法等[4-6],其主要的思路是将全部的地震属性参与运算,通过各种优选算法逐步剔除与目标参数关联度不大的属性,以达到属性降维的目的,这类属性优选方法效率不高,还容易增加人为的主观因素。为了提高工作效率,笔者总结出从众多地震属性集合中逐步优选与目标参数关联度最大的属性组成属性组合,保证属性组合的维数最优、信息容量最全、与目标参数间的关系最佳的方法,并称这种方法为“步聪法”,其具体工作流程如图2所示。

(1)寻找全局最优单个属性:在单属性相关分析过程中,对整个属性列表 A1,A2,A3,……Am,分别计算单个属性在井点处和目标储层参数的相关系数以及均方根误差。根据误差分析结果,选预测误差最小的属性为全局最优单个属性,记为AI。

(2)寻找全局最优2个属性组合:将 AI与属性列表中各个属性形成一系列2个属性组合(AI,Ai),对每个属性组合求取加权因子,计算各属性组合在井点处和目标储层参数的相关系数以及均方根误差,选预测误差最小的属性组合为最优的2个属性组合,称最优2个属性组合中的另一个属性为全局次优属性,记为AJ,则全局最优2个属性组合为(AI,AJ)。

(3)寻找全局最优3个属性组合:将全局最优2个属性组合(AI,AJ)与属性列表中各个属性形成一系列3个属性组合(AI,AJ,Ai),对每个属性组合求取加权因子,计算各属性组合在井点处和目标储层参数的相关系数以及均方根误差,选预测误差最小的属性组合为最优的3个属性组合,称最优3个属性组合中的另一个属性为全局再次优属性,记为AK,则全局最优3个属性组合为(AI,AJ,AK)。

(4)重复上述步骤,依次类推,直至敏感属性组合优选结束。

图2 “步聪法”敏感属性组合优选工作流程图

1.3 反演目标函数的建立

在“步聪法”优选出敏感属性组合的基础上,应用概率神经网络方法建立目标储层参数与敏感属性组合之间的非线性关系[7-9],即

式(1)和式(2)中:wi为用正态分布概率密度函数定义的第i个属性的加权因子;pi为第i个属性的属性值;S为将加权因子总和归一化的系数;di为第i个训练样本到预测样点处的多维属性空间的距离;σ为加权因子wi的正态分布密度函数的标准差;M为优选的属性组合的维数。

分析式(2)可知,不同的σ值求得的加权因子wi不同,预测反演出的特征储层参数也不同。如图3所示,随着σ值的增加,加权因子 wi的正态分布密度函数曲线逐步变宽,相同 di预测样点的加权因子也会逐步变大,因此σ值的选取很关键。在实际计算过程中,我们采用迭代的办法,选取使预测均方误差达到最小时的σ值作为最终储层参数反演的σ值,来计算各个加权因子 wi。

图3 σ值对加权因子wi的影响示意图

2 应用实例

A油田所在海域平均水深1300～1400 m,整体上是一个由泥底辟作用形成的大型背斜构造,储层为中—晚中新世典型深水扇沉积,主要包括深海海底多期叠置水道、河道化的朵叶状和舌(席)状砂体。

A油田测井解释结果表明,自然伽马曲线能够很好地区分砂泥岩。通过该油田纵波阻抗与自然伽马交会分析认为,砂岩具有高纵波速度和低密度特征,泥岩具有低纵波速度和高密度特征,使得砂泥岩纵波阻抗难以区分(图4),因此采用常规纵波阻抗反演方法无法完成储层的岩性识别和物性描述。

图4 A油田纵波阻抗与自然伽马交会图

A油田有效孔隙度与自然伽马交会分析表明,该油田储层具有高孔隙度特征(图5),因此可以采用多属性反演方法反演有效孔隙度特征参数来进行储层岩性和物性的精细描述。

图5 A油田有效孔隙度与自然伽马交会图

采用“步聪法”优选的A油田敏感地震属性组合见表1,在此基础上采用概率神经网络多属性反演方法对A油田A油藏储层有效孔隙度进行了反演。

表1 采用“步聪法”优选的A油田敏感地震属性组合

对反演预测的有效孔隙度和井点处实测的有效孔隙度进行对比分析发现,反演的有效孔隙度与实测的有效孔隙度曲线形态基本一致,高孔隙度异常指示明显,有很好的相关性,如图6所示。选取A-20井作为检验井进一步分析发现,在横切水道的孔隙度过井剖面图上,砂体呈透镜状分布,具有明显的高孔隙度特征,并且各主要砂体的高孔隙度指示特征与测井显示特征基本吻合,如图7所示。综合以上分析,认为采用“步聪法”进行敏感地震属性组合优化的多属性反演,所获得有效孔隙度结果可靠,可以用于进一步的储层特征描述。

基于反演的有效孔隙度数据体,沿层提取了AU 1、AU 2小层有效孔隙度图(图 8、9),可以很清晰地看出A油田河道砂体的平面展布和横向连通性等特征。如在A-20井处,测井资料解释成果(图10)显示AU 1小层为砂岩,AU 2小层为泥岩;在有效孔隙度平面图上,AU 1小层在A-20井处有很好的高孔隙度特征指示(图8),根据测井解释的有效孔隙度下限值可以确定其为砂岩,而AU2小层在A-20井处却没有高孔隙度特征指示(图9),这与测井解释成果一致,说明依据高孔隙度特征圈定的储层横向展布范围与实际地质情况相符,再次验证了反演结果的准确性。

3 结论

多属性反演方法的核心是敏感属性组合的优选。本文探讨的“步聪法”敏感属性组合优选方法,能够使属性组合维数最优、信息容量最全,且与目标参数间的关系最佳,能够很好地解决深水扇储层砂泥岩纵波阻抗动态值域范围相互重叠条件下的储层描述问题。

[1] CHEN Quincy,SIDNEY S.Seismic attribute technology for reservoir forecasting and monnitoring[J].The Leading Edge,1997,16(5):445-456.

[2] 姜秀清.储层地震属性优化及属性体综合解释[D].广州:中国科学院研究生院,2006.

[3] 彭路平,王一刚,刘划一.地震多属性对碳酸盐岩有利储集层及含气性预测[J].中国石油勘探,1999,4(3):53-56.

[4] COOKE D,BALL V.W hat is the best seismic attribute fo r quantitative seismic reservoir characterization?[C]SEG 69th Expanded Abstracts,1999.

[5] 陈遵德.储层地震属性优化方法[M].北京:石油工业出版社,1996.

[6] 罗德江.地震属性优化和神经网络在储层预测中的应用[D].成都:成都理工大学,2006.

[7] 张志国.人工神经网络及其在地学中的应用研究[D].吉林:吉林大学,2006.

[8] 蔡曲林.基于概率神经网络的模式识别[D].长沙:国防科学技术大学,2005.

[9] 刘文岭.牛彦良,李刚,等.多信息储层预测地震属性提取与有效性分析方法[J].石油物探,2002,41(1):100-106.