多属性储层参数反演方法在M油田中的应用

张晶玉，范廷恩，王宗俊，袁 野

（中海油研究总院有限责任公司，北京100028）

油田开发阶段的储层研究面临的主要任务是研究油藏内油水运动规律、精确预测剩余油分布，以指导油田生产和调整井位部署[1]。地震反演通过地震资料和已有测井资料，反推地下波阻抗或速度的分布，估算储层参数，可以为储层研究提供可靠的基础数据，是进行油藏精细描述的一项重要手段[2]。

油田进入开发阶段，对储层描述精度的要求不断提高，地震资料分辨率限制、储层薄、横向变化快、纵向非均质性强，是油田开发阶段储层表征中常常面临的问题。常用的约束稀疏脉冲波阻抗反演方法受子波和初始模型影响较大，反演精度无法满足开发阶段储层精细研究的需求。地震多属性反演技术利用开发阶段已钻井数量多且在油田范围分布均匀的特点，将约束稀疏脉冲波阻抗反演结果作为地震多属性反演的外部属性输入，然后通过在已钻井位置的地震属性与储层参数之间建立符合工区实际情况的映射关系，来达到储层参数空间反演的目的。该方法实现了从地震分辨率到测井分辨率的靠拢，突破了地震分辨率对反演精度的限制，能够满足油田开发阶段对储层精细表征的需求[3-5]。同时，该方法可以进行不同测井参数的反演，对于油田开发阶段井数量多，但往往声波曲线缺失无法进行波阻抗反演，或者波阻抗无法较好区分储层岩性的情况，多属性反演可以对GR曲线、密度或电阻率等曲线进行反演以实现储层的精细表征。

1 方法原理

地震多属性反演是将地震属性特征转化为储层参数的技术，从已知井位置的井旁地震道数据中提取各种地震属性，结合该井测井曲线所表征的储层参数进行属性优选和组合，寻找地震属性与储层参数之间的适用于具体工区的线性或非线性映射关系，然后将这种映射关系作为参考条件推广至其余未钻井的空间位置处，实现储层参数的空间预测和描述[6-7]。

1.1 步聪法多属性优选

目前能从地震数据中提取的地震属性多达上百种，多属性反演首先需要从众多地震属性中寻找对反演目标储层参数最为敏感的地震属性组合，可以通过“专家法”和“步聪法”相结合的方式实现。“专家法”即有解释经验的工作人员凭借自己的经验初步筛选出对反演储层参数可能有贡献的属性集，这是一个人为控制和干预的过程，经过初步筛选之后得到的地震属性集，再进行“步聪法”优选，即首先逐一计算单个属性与反演参数间的相关关系，将相关程度最高的属性保留，然后在剩余属性中按照预测均方误差最小原则依次寻找后续的属性，直至预测误差满足精度要求或达到预先设定的最大属性个数为止[8-9]。

1.2 多属性线性回归分析

如图1（a）所示，多个地震属性与反演目标储层参数之间的关系可以用线性方程模拟为：

式（1）中m 为属性个数，A 为属性值，w 为加权系数，P 为反演储层参数，i 表示第i 个时间采样点。加权系数w 通过均方误差的最小值确定：

上式采用的是地震属性样点和目标储层参数样点在时间采样点上一一对应的方式来建立线性关系，但是由于地震资料和测井资料之间存在一定的频率差异，且局部异常值会对线性关系的建立造成影响，这种一一对应的关系可能不是最优的。在实际计算过程中，可以采用目标时间采样点i附近的若干个点（如i-2，i-1，i+1，i+2）的地震属性值来共同计算得到i采样点的储层参数值，如图1（b）所示。在地震属性上所选用的临近采样点的个数称为褶积算子长度，则公式（1）可以改写为：

式（3）中*为褶积运算，同理，加权系数w 也是通过均方误差的最小值确定。

图1 多属性线性预测储层参数示意图Fig.1 Multi-attribute linear prediction of reservoir parameters

1.3 多属性神经网络非线性分析

地震属性与反演目标储层参数之间的对应关系式非常复杂，通过线性回归分析建立起来的关系式并不能对其进行精确的表征，仍存在一定程度的误差，因此简单的线性回归不能获得很好的拟合效果。建立测井曲线与地震属性之间的非线性关系，需要借助神经网络法等模式识别方法来获取更高的预测精度。

神经网络方法具有在标准样本基础上进行非线性映射和模式识别的能力，能逼近任意复杂的非线性系统，借助被研究对象过去已经累积的信息，通过网络模型的自学习，获取信息中隐含的知识，从而建立起相应的数学模式，其自适应和自组织性使它具有很强的学习能力，在处理非线性数据时得到了广泛的应用[10-11]。

神经网络非线性关系的建立是在多属性线性分析之后进行的，在选定地震属性组合和褶积算子长度基础上，再采用概率神经网络方法对井点处的储层参数进行训练学习，建立反演储层参数和优选的地震属性组合之间的非线性关系，然后将建立的关系推广到整个反演工区范围，实现非线性的多属性反演，多次试验表明，非线性反演的效果优于线性反演。

2 技术流程及关键环节

以多属性反演方法为基础，针对油田开发阶段储层精细描述需求，形成了以地震多属性反演方法为基础的储层预测技术流程，如图2所示。该技术流程主要包括以下步骤：1）基础数据收集、质控和处理，重点进行测井曲线质控，如针对单井曲线问题和多井一致性问题，对存在问题的测井曲线采用岩石物理方法进行校正；2）利用岩石物理分析方法获得对储层的岩性、物性或含油气性具有区分性的测井曲线参数，确定储层反演目标参数；3）进行精细井震标定，获得准确的时深关系；4）采用约束稀疏脉冲波阻抗反演方法获得波阻抗数据体，作为多属性反演的外部属性输入；5）针对多属性反演方法的特点，采用带通滤波手段滤除测井曲线的高低频信息，即进行井震资料的频率匹配；6）计算外部属性和从地震数据中提取的内部属性与储层反演目标参数之间的线性相关系数，进行单属性分析，即根据相关系数大小对各个属性进行排序，根据排序的先后剔除相关性较差的属性，实现属性的初步优选；7）根据单属性相关分析结果，采用“步聪法”寻找全局最优的多个属性组合，最终得到的最优敏感属性组合必须满足校验误差为最小的条件；8）最后采用概率神经网络方法对井点处的测井曲线进行训练学习，建立储层反演目标参数和优选的地震属性组合之间的非线性关系，然后将建立的关系推广到整个反演工区范围，实现非线性的多属性反演。其中，井震标定、外部属性输入和井震资料匹配三个环节对于最终反演质量具有较大影响，需重点质控，下文将分别进行阐述。

图2 多属性反演技术流程Fig.2 Flow chart of multi-attribute inversion technology

2.1 井震标定

多属性反演需要在时间域的地震数据和深度域的测井资料之间建立数学关系，因此时深关系曲线的精确程度会直接影响反演结果的好坏。尤其对于海上油田大部分为斜井、大位移井的情况，在应用多属性反演方法时，需特别注意大位移生产井的精确标定。井震标定时应特别注意以下原则：1）从宏观到微观，先把握整体旋回特征，进行波组特征的标定，然后在波组内部进行更精细的标定；2）在进行大旋回特征标定时，采用与地震资料主频一致的雷克子波进行标定，在进行旋回内部特征的精细标定时，采用高频雷克子波进行薄储层的标定；3）首先选取标志井进行标定，然后借助标志井的时深关系进行连井标定；4）在标定过程中尽量整体移动，尽量避免局部拉伸和压缩，以免出现时深关系的突变。

图3 为1X 井采用以上原则进行标定的结果，从图中可以看出，合成地震记录和过井地震剖面的波组特征相似，各个标志层的地震响应特征具有很好的对应关系，合成记录与井旁地震道的相关系数达到0.6以上。

图3 1X井精细井震标定结果Fig.3 Fine well seismic calibration result of well-1X

2.2 外部属性输入优化

通过单属性相关分析发现，大部分从地震数据上提取的单个地震属性与反演目标储层参数之间的相关性一般在0.4以下，因此多属性反演一般要求输入一个与反演目标储层参数相关性较好的外部属性，这个外部属性可以是一个粗略的波阻抗反演结果。外部属性与目标储层参数之间的相关性须在0.6 以上，表明它可以预测大部分能量，多属性反演结果是在外部属性的基础上进行精细化和局部修改完善。通过多次试验发现，多属性反演方法对于外部属性的依赖性较强，外部属性的分辨率、信噪比等的好坏决定了多属性反演结果可以到达的分辨能力下限，因此需要尽可能提供足够好的外部属性作为输入。

2.3 井震资料频率匹配处理

测井曲线的频率通常比地震数据的频率高，在建立测井曲线与地震资料对应关系时，高出地震数据频率的这部分信息在多属性反演过程中会干扰属性与储层参数对应关系的计算，必须对测井曲线高频信息进行滤除以匹配地震资料的频率范围，使反演问题简化。在滤除测井曲线高频信息的同时，由于地震资料中低频成分的缺失，测井资料还多出一部分低频信息，这部分低频信息反映到密度、声波等测井曲线上，表现为深度由浅至深变化时曲线存在的压实趋势。对于储层为砂泥岩薄互层的情况，有效储层厚度在地震资料的调谐厚度附近甚至以下，要想有效地识别储层，必须要得到高分辨率的储层反演结果，因此在研究过程中更加关注纵向上地层之间储层参数的相对变化关系。经过试验发现，滤除高频后的曲线去除了剧烈抖动，滤除低频后压实趋势消失，纵向上相邻深度的密度差异更加明显，采用对测井曲线滤除低频压实趋势的方法可以对提高反演分辨率起到一定作用。图4 为滤除高低频成分前后的密度测井曲线差异，黑色为原始密度测井曲线，红色为滤除高低频成分以后的测井曲线，可见滤除高频后曲线中的高频抖动消失，滤除低频后压实趋势消失，纵向上相邻深度的测井曲线差异更加明显。

图4 密度测井曲线频率匹配处理前后对比Fig.4 Comparison of density log frequency matching before and after treatment

3 应用实例

M 油田目前处于开发调整阶段，所在海域水深近100 m，主力储层埋深2 005～2 783 m，油藏厚度3～30 m，为海相三角洲沉积，主要发育水下分流河道、河口坝等沉积微相，储层内部砂体相互叠置，隔夹层发育，纵向和平面非均质性都较为突出。该油田采用跨平台大位移井开发模式，已钻的10 口井中仅两口井有声波测井曲线，且7 口大位移井斜度较大，测井资料品质较差，导致约束稀疏脉冲波阻抗反演效果不佳，储层精细表征困难。

通过对目标储层段纵波阻抗与泥质含量、密度与泥质含量分别做交会分析（图5）发现，密度对岩性的区分性优于纵波阻抗，反演密度参数将对储层进行更精确合理的表征。同时，考虑工区仅两口井有声波测井曲线，密度测井曲线则比较齐全，因此可以在该油田开展以波阻抗反演结果作为外部属性的多属性密度反演来实现储层的精细描述。

由于需要对整个储层段所在深度进行反演，已有的10 口井中去掉水平井及密度曲线较差的井，最终筛选出4 口井作为参与多属性与密度之间非线性关系训练的样本井，通过“步聪法”优选得到波阻抗外部属性、振幅包络、振幅积分、振幅绝对积分和瞬时相位余弦五种属性进行多属性密度反演，对反演密度参数与井点处密度测井曲线进行对比发现，反演密度曲线与实测密度曲线形态基本一致，如图6所示，预测平均误差0.072，相关性达到0.75。A22井为大位移斜井，精细井震标定最困难，并且井旁道地震属性提取存在一定误差，因此预测误差最大。

图5 纵波阻抗、密度和泥质含量交会图Fig.5 Crossplot of p-wave impedance,density and shale content

图6 实测密度测井曲线与反演结果分析Fig.6 Analysis of measured density logging curves and inversion results

为检验反演方法的稳定性和反演结果的可靠性，利用已有的4 口样本井，采用交叉验证的方法分别以各个已知井作为盲井，用其余3 口井参与训练，根据盲井处预测密度曲线与真实密度曲线之间的误差大小来判断反演结果的可靠程度。在各井处的盲井检验误差分别为0.05 g/cm3，0.09 g/cm3，0.08 g/cm3，0.09 g/cm3；而图6中利用全部4口井作为训练井得到的预测结果，在各井处的预测误差分别为0.05 g/cm3，0.08 g/cm3，0.08 g/cm3，0.09 g/cm3。结果说明全部井参与训练的反演精度稍有提高但提高不大，目前建立的训练关系是比较稳定的，反演结果也比较可靠，反演的精度满足实际生产的需求。

图7 为约束稀疏脉冲波阻抗反演与地震多属性反演的效果对比，可以看到，多属性密度反演相比约束稀疏脉冲波阻抗反演具有更高的纵向和横向分辨能力，在薄储层的预测、储层内部隔夹层的识别、砂体横向展布特征刻画等方面都具有更高的识别精度。

约束稀疏脉冲震反演受自身分辨率限制，不能解决不同砂体之间及单个连片砂体内部横向接触和纵向叠置关系。多属性反演方法在外部波阻抗反演成果的基础上进一步提高了纵横向分辨率，因此可以很好地解决这个问题。图8为过1X井的多属性密度反演结果，在图中H1B1-1砂组内部表现为多个砂体侧向叠置关系，砂体不连续边界的表征非常清楚。

4 结论及认识

图7 反演效果对比Fig.7 Inversion effect comparison

图8 过1X井H1B1-1砂组内部砂体叠置关系Fig.8 Superposition relation of Internal sand body of H1b1-1 sand group of well-1X

多属性反演方法是传统波阻抗反演方法的一种推广，可以充分有效利用已钻井点处的测井储层参数信息，提高反演结果的分辨能力，特别适用于勘探中后期和开发阶段。多属性反演方法可以进行密度、声波、自然伽马、电阻率等多种测井参数的空间反演，不需要建立低频模型，不依赖于反演子波，适用范围广。通过本文的技术研究及实际生产应用形成了以下几点结论：

1）多属性反演在外部波阻抗反演属性的基础上进一步提高了纵横向分辨率，能够很好地协助解决不同砂体之间叠置关系，砂体横向不连续行边界的识别，以及单砂体内部非均质性的识别。

2）单属性分析、多属性优化组合和神经网络非线性分析层层递进，确保了地震属性与预测储层参数直接对应关系建立的可靠性和稳定性。

3）外部属性的优劣、井震标定的精度和目标测井曲线的预处理会直接影响反演结果的好坏，必须把握好关键环节的质控。

4）基于多属性密度反演的成果可进一步分析砂体的叠置关系，刻画横向不连续边界以及表征砂体内部的非均质性。