AVO属性分析在储层厚度预测中的应用

2012-11-08顾霜霜潘仁芳

天然气技术与经济 2012年6期

顾霜霜潘仁芳周洋

（1.油气资源与勘探技术教育部重点实验室·长江大学，湖北荆州 434023；2.长江大学地球科学学院，湖北荆州 434023；3.中国石化江汉油田采气厂技术中心，重庆万州 404020）

0 引言

AVO 技术是建立在叠前地震资料基础上的地震属性和地震振幅分析技术，现已广泛应用于油气勘探和开发。其理论基础是平面弹性波的反射和透射理论，一般用Zoeppritz 方程描述，同时结合地质、测井等资料进行岩性预测、油气检测和裂缝检测等［1］。其分析方法主要为AVO 正演和反演，前者是以井资料为基础研究含油气储层的AVO 异常响应特征；后者是从叠前地震数据出发预测油气分布，二者相互独立，也相互印证。理论和实践均证明，AVO 技术在寻找气藏方面更为敏感，更有其优越性［2］。笔者从叠前地震CRP 道集出发进行AVO 反演，提取多种AVO 属性并针对含气性进行属性分析，最终对储层含气有效厚度进行平面预测。

1 方法原理

AVO反演采用的是Zoeppritz 方程近似表达式［3］，它根据振幅随入射角的变化关系，从实际地震记录中估算岩石的密度、纵波速度、横波速度和泊松比等地层参数，进行油气检测或岩性分析。一般将那些仅为地层参数的组合并且与角度无关的系数参量称为AVO 属性，如AVO 截距A、斜率B等。实际应用中，通常采用AVO 3 参数反演和流体因子反演两种方法，它们均为基于Shuey或Aki公式的AVO属性反演［4］。

AVO 属性的提取方式有很多，一般采用沿层切片来提取，但是也要根据工区的勘探程度、研究对象以及所要解决的问题选择合适的方式，才能获得较好的效果［5］。属性分析是利用不同的经验或数学方法，按属性对研究目标的敏感程度进行区分，优选出对目标参数最为敏感、关系最密切的少数地震属性或组合，用于储层参数反演［6］。应用地震反演和地震属性分析技术进行储层预测，完成属性参数的地质转化，其关键在于较为准确地建立地震属性与储层目标参数之间的关系［7］。由于二者之间不是简单的数学关系，通常采用地质统计学［8］中的方法建立测井数据与地震数据相关关系并进行储层参数的平面预测。图1 为应用AVO 属性分析预测储层含气有效厚度的基本研究思路。

2 实例应用

研究区位于川东北某地区，目的层为下三叠统须家河组二段亚三段一层的砂岩段，为辫状河三角洲前缘沉积，其岩性主要为岩屑砂岩、长石岩屑砂岩，含少量岩屑石英砂岩和石英砂岩，表现为低孔低渗的物性特征，气藏类型主要为岩性气藏和岩性— 构造气藏，具有较强的非均质性。研究区内共有5口已知井，在该目的层均有较好的含气显示。

图1 研究区基本研究思路图

2.1 AVO属性提取

对研究区内经过叠前时间偏移后得到的地震CRP 道集数据进行AVO 目标处理，得到角度道集，再进行AVO 3 参数反演和流体因子反演，生成一系列AVO 属性数据体，最终获得AVO 截距A、斜率B、曲率C、纵波反射系数RP等属性参数［4］34-38，并对这些参数进行线性组合得到7 个参数（泊松比PR、流体因子FF、相对密度DRHO、横波反射系数Rs、纵波速度差DVp、横波速度差DVs和强度AB）。

需要注意的是，属性提取之前需较为准确地建立地震资料和井资料之间的时深关系，并根据目的层所在位置选择合适的时窗。时窗过大则会包含不必要的信息，影响分辨率；时窗过小则会出现截断现象，丢失有效成分。通常选择包含目的层位在内的25 ms时窗提取属性沿层切片。

2.2 属性分析

研究区内提取的7 个AVO 属性均为常用的含油气预测参数，但是哪些对于研究区适用，不能仅仅依靠经验直接用所有属性参与储层参数的预测，还需要结合研究区的实际情况进行属性分析。通过属性分析优选出与储层含气性有关的敏感属性参数，除了参考各属性参数所反映的物理和地质意义外，还必须通过井震对比分析来验证属性参数含气指示在不同地区、不同储层的准确性。

AVO 技术应用的地质基础是泊松比的变化，这种变化在于不同岩石以及含有不同流体的同种岩石之间泊松比的差异［2］。泥岩和碳酸盐岩的泊松比值一般比砂岩的高，而当砂岩含气后，泊松比会有更明显的降低。因此，通过泊松比异常预测含气性较为准确。同时，在各属性的过井剖面上，通过与工区内5 口井目的层处测井解释的气层对比分析显示，泊松比的吻合度最好。图2为典型井井2处泊松比剖面，黑圈内黄色部分代表负异常即含气好的区域，测井解释的气层落在黑圈内，说明反演的泊松比异常在实际井目的层处较为符合。对其他未钻井的区域进行客观推论，其结果也较为可靠。因此，可将泊松比确定为最基本的敏感属性参数。

再对7个属性进行神经网络优化训练，得到属性的线性组合，并计算交叉验证误差，其基本原理是用其他井的测井有效厚度值参与预测，然后与该井实测值进行对比、验证，求取平均误差。优化训练的目的是使误差达到最小时得出最优的AVO属性组合。

图2 典型井井2处泊松比剖面图

表1和图3为属性优化训练得出的误差表和误差图。图中蓝线为训练误差（对应表1 中第3 列数值），其值为0.381 4～0.865 9；红线为验证误差（对应表1中第4 列数值），其值为0.598 2～1.048 4。从图3 中可看出，训练误差随参与属性的增加而减小，验证误差随属性数的增加先减小后增加，这说明运用的属性个数并非越多越好，达到一定数量后误差就会开始增大。前5个属性的组合达到验证误差最小，因此最后选用泊松比、流体因子、相对密度、横波反射系数和强度的组合对含气有效厚度进行预测。

表1 属性优化训练误差分析表

图3 属性组合误差分析图

2.3 含气有效厚度预测

经过属性分析，将优选出的敏感属性结合测井解释的气层有效厚度数据，进行整个研究区目的层有效厚度预测。有效厚度是该目的层内所有含气储层厚度的累加值。能够进行厚度预测的基础是地震反射特征参数，在一定程度上反映了某些地层参数的变化，利用地震属性参数和已知井点处的地层参数建立相关关系，通过这一关系去预测未知点的地层参数，也可以说是在地震参数空间中内插或外推已知井点的地层参数。笔者应用了地质统计学中的方法，首先对测井解释数据统计的有效厚度进行变差函数分析，再与优选出的AVO 属性组合建立对应关系，采用随机模拟的方法［9］由点扩展到面，直至完成整个研究区目的层含气有效厚度的预测。

图4为目的层含气有效厚度预测图，将其与构造图叠合，能更好地看出本区含气储层分布主要受岩性控制，局部受构造控制，储层的非均质性较强的特点。从图4中可以看出，研究区南部的中上部（井1至井2附近）和北部的中下部（井3至井5附近）含气有效厚度相对较大（22～26 m）且较连续，可作为后续勘探的重点考虑区域。表2为含气有效厚度预测与实测结果对比表，相关系数达到0.97，说明预测的厚度值较为可靠。通过含气有效厚度预测，同时结合其他储层参数（如含气饱和度、孔隙度等）的预测，就能划分出研究区内有利含气区域。