多属性融合在陵水凹陷烃源岩研究中的应用

刘仕友，徐 冲，孙万元，邢军辉，徐晓宇

(1. 中海石油(中国)有限公司湛江分公司，广东 湛江 524057；2.中国海洋大学，山东 青岛 266100)

0 引 言

深水区油气勘探开发有着高投入和高风险等特点，烃源岩作为油气系统和油气成藏的物质基础，其分布和品质的准确预测对于寻找油气聚集带、阐明油气成藏规律和资源量计算均具有非常重要的意义[1-7]。烃源岩的预测方法主要包括地球化学方法、测井方法以及地震方法。地球化学方法和测井方法主要利用测井信息与烃源岩地球化学参数之间的关系，得到纵向上连续的烃源岩地球化学参数，如烃源岩总有机碳含量[8-12]；地震方法主要从实测地震数据出发，结合沉积相等地质信息，通过地球物理反演、多属性预测等手段建立地震数据与烃源岩总有机碳含量之间的关系[13-17]。为了解决深水区钻井少、地震资料品质差不利于烃源岩预测等问题，该文建立了一套包含测井TOC曲线求取、地震属性优选以及多属性融合预测烃源岩TOC的技术流程，并将其应用到陵水凹陷深水研究区内，取得了较好的预测效果。

1 地质概况

研究区总面积为200 km2，主体位于陵水凹陷南部深水区，陵水凹陷位于琼东南盆地中央凹陷，北部为陵水低凸起，东部为松南低凸起，南部为陵南低凸起，西与乐东凹陷相邻(图1)。陵水凹陷面积约为4 600 km2，是一个新生代沉积凹陷，厚度超过10 km，主要沉积了始新统、渐新统(崖城组和陵水组)、中新统、上新统和第四系[18-19]，目的层陵水组为滨海—浅海相沉积沉积[20]。

图1 研究区构造区划图

研究区内仅有1口L井钻遇目的层陵水组，缺少连续的烃源岩TOC实测值，该井位于研究区东南部的陵南低凸起上。目的层附近三维地震资料品质差，地震成像能量弱。

2 多属性融合预测TOC技术流程

2.1 测井TOC曲线求取

研究区内L井目的层段的实测TOC数据样本有限，并且是某一深度段的有机碳平均值，分析认为ΔlogR法更适用于L井的TOC计算。ΔlogR技术主要利用声波时差曲线和电阻率曲线与TOC之间的响应关系建立起测井曲线与烃源岩TOC之间的定量关系模型，进而计算出测井TOC连续分布曲线。据声波时差-电阻率叠加计算ΔlogR的方程是：

(1)

式中：ΔlogR为2条曲线间的距离；R为测井仪实测电阻率，Ω·m；R基线为基线对应的电阻率，Ω·m；Δt为实测的声波时差，μs/m；Δt基线为基线对应的声波时差，μs/m。

该文利用ΔlogR法得到的L井定量评价模型为：

TOC=[(logR-0.119)+0.02(Δt-105)]×100.5934+0.52

(2)

计算得到的L井TOC与实测TOC相关度达到了90%以上，平均误差小于0.1。

2.2 地震属性优选

多属性融合预测烃源岩成功的关键是提取并优选出与烃源岩相关性好的地震属性。在进行属性优选时要针对研究区烃源岩的具体特性，从全体地震属性中优选出相关性最强且相互独立的地震属性，达到降低多解性、提高烃源岩预测精度的目的[21-22]。该文提取了振幅包络、小波能谱等15种地震属性体，并进一步计算各属性体在L井处的井旁道属性值与通过ΔlogR法计算得到的L井TOC的相关度，筛选出11种相关度大于20%的体属性(表1)。

表1 初步筛选出的11种地震属性

由表1可知，25～35 Hz小波能谱属性与TOC相关性最好，因此，剔除35～45 Hz小波能谱和15～25 Hz小波能谱属性；同理，剔除振幅包络、相位加权振幅属性。最终优选出25～35 Hz小波能谱、频率加权振幅、瞬时频率、振幅积分、振幅导数、瞬时相位，共6种体属性，进行归一化处理，用来进行后面的TOC多属性预测。

2.3 多属性融合预测TOC

针对地震属性体融合，常用的多属性融合方法有多元线性回归融合技术和神经网络融合技术等。不同的融合方法有其适用范围及局限性，选择合适的融合方法对融合结果的准确性十分重要[23]。

2.3.1 多元线性回归融合技术

多元线性回归分析是数理统计的一个分支。假设利用n种属性对TOC进行预测，在每个时间样点上，TOC曲线通过下面的线性方程预测：

TOC(t)=w0+w1A1(t)+w2A2(t)+w3A3(t)+…+wnAn(t)

(3)

式中：TOC(t)为计算总有机碳含量；An(t)为第n种属性；wn为对应的加权因子。

在求取wi时，首先需要计算预测误差E2，使预测误差E2最小，求得各加权因子wi[23]。

(4)

式中：E2为预测误差；TOCi为实际总有机碳含量值。

2.3.2 概率类神经网络融合技术

概率类神经网络(Probabilistic Neural Network，简称PNN)是一种利用神经网络结构来完成数学拟合的方法，其本质上是一种数学内插方案[24-25]。以4个地震属性为例，训练样本的表示方法如下式所示：

xi={A1i，A2i，A3i，A4i，Ti}，(i=1，2，3，…，m)

(5)

式中：xi为训练样本；A为地震属性；Ti是每个采样点所对应的实际TOC值。

任意一个数据样本属性向量x所对应的TOC值可以用下式估计：

(6)

(7)

式中：D(x，xi)表示数据样本属性向量x到第i个训练样本属性向量xi之间的n维空间距离(n=4)；xj为数据样本属性向量x的第j个属性；xij为训练样本属性向量xi的第j个属性；σj为滤波参数。

训练网络的目的主要是确定最佳滤波参数σj，确定σj的准则是训练出来的网络应该达到校验误差最小。

3 预测结果分析

将计算得到的L井TOC拟合曲线作为目标值，与优选出的6种经过归一化的体属性在L井井旁道属性值共同作为训练样本，分别使用多元线性回归融合技术和概率类神经网络融合技术进行了研究区陵水组TOC预测工作。

3.1 多元线性回归融合预测TOC

利用优选出的25～35 Hz小波能谱、频率加权振幅、瞬时频率、振幅积分、振幅导数、瞬时相位共6种地震属性，采用多元线性回归融合技术得到了多元线性回归融合结果，如图2a所示，其中红色曲线为预测TOC，黑色曲线为通过ΔlogR法计算得到的L井TOC，两者之间的相关性为68%，融合效果不理想。

图2 2种不同方法的融合结果分析

3.2 概率类神经网络融合预测TOC

同样利用优选出的25～35 Hz小波能谱、频率加权振幅、瞬时频率、振幅积分、振幅导数、瞬时相位共6种地震属性，采用概率类神经网络融合技术得到概率类神经网络融合预测TOC结果，如图2b所示，预测TOC曲线与“L井”TOC曲线的相关性达到90%，与多元线性回归融合预测结果相比有很大的优势。

将采用概率类神经网络融合预测技术训练得到的TOC与地震属性的关系应用到整个研究区，从而得到陵水组三维TOC数据体(图3)。

图3 过L井概率类神经网络融合预测TOC剖面

3.3 TOC平面分布预测

对比分析采用2种方法得到的TOC预测结果，可以看出，与多元线性回归融合预测TOC相比，概率类神经网络融合预测出的结果与L井拟合TOC相关度更高，因此，选择概率类神经网络融合预测TOC数据体进行TOC平面分布预测。在概率类神经网络融合预测得到的陵水组三维TOC数据体的基础上，通过求取陵水组TOC均方根得到研究区内陵水组TOC平面分布(图4)。

图4 陵水组TOC平面分布

由图4可知，研究区内红色区域为数值大于1.0的TOC高值区，主要位于研究区西北部以及东南角小部分区域，其中研究区西北部为主要高值区。蓝色区域为TOC低值区，主要位于研究区东南部。研究区TOC总体从西北向东南呈高—低—高分布，其中西北部主要与陵水凹陷对应，东南角区域位于陵南低凸起。因此，研究区陵水组优质烃源岩主要分布于陵水凹陷内。

4 结 论

(1) 从钻井实测TOC值出发，首先通过ΔlogR法计算L井TOC曲线，然后分别采用多元线性回归融合技术和概率类神经网络融合技术得到了研究区目的层的TOC数据体，并得到了研究区陵水组TOC平面分布图。该技术流程克服了深水区烃源岩实测地球化学参数不足、测井稀少等困难，为研究深水区烃源岩的发育和分布提供了可靠依据和研究思路。

(2) 研究区内陵水组优质烃源岩主要位于研究区西北部以及东南角小部分区域，该区域内的TOC均方根为1.0～1.1。

(3) 通过相关性分析，最终优选出6种地震属性进行多属性融合预测工作，得到了较满意的结果。该问题仍需进一步深入研究，寻找更好的解决方案。