基于深度学习的裂缝预测在S区潜山碳酸盐岩储层中的应用

丁 燕,杜启振,Qamar Yasin,张 强,4,刘力辉

(1.中国石油大学(华东)深层油气重点实验室,山东青岛266580;2.青岛海洋科学与技术试点国家实验室海洋矿产资源评价与探测技术功能实验室,山东青岛266237;3.中国石油大学CNPC物探重点实验室,山东青岛266580;4.中国石油化工股份有限公司胜利油田分公司勘探开发研究院,山东东营257015;5.北京诺克斯达石油科技有限公司,北京100000)

裂缝型潜山油藏是当今我国油气勘探开发的重点目标之一,其研究热点由成藏条件及规律、储层裂缝描述等向潜山内幕裂缝储集空间预测延伸。潜山内幕裂缝发育段具有非均质性强、横向可比性较差的特点,加之埋藏较深,导致地震资料品质较差,因此裂缝型潜山油藏的地震预测有很大难度[1]。

地震反演是裂缝型潜山油藏储层预测的一项重要技术,主要包括稀疏脉冲反演、测井约束反演、随机地震反演和机器学习非线性反演等方法[2-3]。稀疏脉冲反演是地震主频控制下求得稀疏脉冲模型所代表的地下波阻抗的反演,由于潜山地震资料品质较差,地震资料有效带宽的低频和高频不能被充分利用,导致该方法分辨率不足,难以有效刻画潜山内幕特征;测井约束反演通过测井资料丰富的低频、高频信息,采用非线性方法直接反演波阻抗,由于初始模型受地质构造解释模型和井点波阻抗三维插值模型精度的影响,该方法难以适用于复杂的潜山类型;随机地震反演通过建立波阻抗与测井弹性参数之间的协同反演方程,结合序贯模拟与地震波阻抗反演方法实现随机反演,该方法在勘探开发程度较高的地区,可以精确描述地下储层特征,由于裂缝型潜山油藏勘探程度相对较低,井分布不均匀,因此反演结果横向分辨率不高,随机性强,适用性较差;机器学习非线性反演[4-6]通过建立已知井的敏感曲线和井旁地震数据的非线性映射,充分利用地震资料中的低、中、高频带信息,由点到面逐道外推,最后反演得到三维工区的敏感性测井参数,以解决储层特征空间展布预测的问题。不同于稀疏脉冲反演、测井约束反演和随机地震反演对地震子波和初始波阻抗模型的依赖,机器学习非线性反演避免了地震子波和井插值建模精度的影响,增加了地震反演外推的稳定性,能得到高分辨率的测井参数。

目前机器学习方法主要包括神经网络、支持向量机等[7],学习效果佳,但具有计算不稳定、易陷入局部最小、多次实现结果相差大的缺陷。近几年,深度学习的概念被提出,其主流的方法包括卷积神经网络(convolution neutral network,CNN)、深度信念网络(deep belief network,DBN)、循环神经网络(recurrent neural networks,RNN)等[8]。卷积神经网络主要用于图像处理,需要大量的有标注的样本进行有监督训练。循环神经网络是一种基于时间序列的前馈神经网络,在自然语言处理方面得到广泛应用,其监督训练仍然需要大量有标注的样本信息。深度信念网络(DBN)是一种半监督生成模型[9],它结合了无监督和有监督两种方式,分两步进行训练。该方法通过无监督的方式训练其神经元间的权重,整个神经网络按照最大概率生成数据,形成聚类信息,然后使用反向传播来指导DBN网络进行微调,即有监督地进行调优,赋予DBN网络具体类别信息,最终建立样本特征与样本类别之间的联合概率分布。深度信念网络具有优异的特征学习能力,可以用较少的参数表示复杂的函数关系,利用该方法进行储层非线性反演可提高预测结果的准确性。

深度学习非线性反演准确预测裂缝型潜山油藏的关键在于建立井上高敏感性参数的样本集。利用常规测井资料识别裂缝是行之有效的方法,双侧向电阻率、声波时差、密度和双井径测井可用来识别裂缝,但由于潜山内幕油藏裂缝发育段具有非均质性强、横向可比性较差等特征,裂缝识别存在一定的多解性。成像测井为裂缝识别提供准确的井周围图像资料,由于高昂的成本,其应用不如常规测井方法广泛。裂缝识别参数是表征裂缝发育的常规测井综合响应特征曲线,YASIN等[10]基于常规测井曲线发展了一种裂缝识别参数——FIC模型,用来综合评价裂缝带、裂缝密度和裂缝开度,但FIC模型只能识别井周围有限区域的裂缝分布。

本文基于YASIN等[10]的研究工作,利用伽马曲线、井径曲线、电阻率曲线、声波时差曲线和密度曲线计算碳酸盐岩敏感性裂缝识别参数FICc;通过深度信念网络建立井旁地震数据和多井FICc之间的非线性映射关系;然后将网络模型的非线性映射关系应用到整个研究区反演出裂缝识别参数FICc,以达到裂缝空间预测的目的。

1 深度学习非线性反演方法

采用深度信念网络(DBN)进行裂缝识别参数非线性反演。深度信念网络是由若干层受限波尔兹曼机(RBM)组成,网络结构如图1所示。若输入层有n个神经元,隐含层有m个神经元,RBM的能量函数定义为:

(1)

其中,v=(v1,v2,…,vn)为输入层,h=(h1,h2,…,hm)为隐含层,θ={ai,bj,wij}为构成RBM的参数,ai为输入层第i个神经元的偏置量,bj为隐含层第j个神经元的偏置量,wij为输入层与隐含层之间的连接权值。基于能量函数的联合概率分布为:

(2)

式中:z(θ)=∑e-E(v,h|θ),为配分函数,主要起归一化作用。RBM的学习过程是对参数ai,bj和wij进行计算,依靠误差反向传递,采用梯度下降法进行模型优化。

基于深度信念网络的裂缝识别方法主要由样本集构建、模型训练和模型应用3个阶段组成,其中样本集构建是深度学习非线性反演准确预测裂缝型潜山油藏的关键。本文根据YASIN等提出的裂缝识别参数FIC模型((3)式),利用归一化的伽马曲线、井径曲线、电阻率曲线、声波时差曲线和密度曲线计算裂缝识别参数构建样本集,裂缝识别参数计算公式为:

图1 深度信念网络结构

FICc=An+Bn+Cn+Dn+En

(3)

深度信念网络裂缝识别非线性反演的具体流程如图2所示,主要实现步骤为:

1) 样本集构建。计算的裂缝识别参数,按均匀采样的方式依照比例划分为训练数据、验证数据和测试数据[7]。其中,训练数据用于构建模型;验证数据用于训练模型,并在训练过程中多次使用以优化模型构建;模型的准确率用测试数据进行评价。

2) 模型训练。将分频地震数据作为输入,多井裂缝识别参数作为学习目标,即“标签”。利用深度信念网络,从分频数据出发,先在网络底层开始训练数据,逐层的将数据进行抽象表征,直到网络顶部,这是无监督的训练过程;然后从裂缝识别参数FICc曲线出发,将误差逐步以反向传播的形式从网络顶部传递至底部,逐层对网络进行调优,最终建立两者之间关系的模型。最后进行质量监控,进一步根据误差调整模型,获得最优网络。

3) 模型应用。将训练的最优网络模型应用到全工区,对该工区的裂缝分布进行预测。

图2 深度学习计算裂缝识别参数(FICc)的流程

2 实例与效果分析

2.1 地质概况

S区潜山构造位于渤南低凸起西部,是受断层控制的地垒潜山构造,由于受构造运动、风化剥蚀和岩性等多种地质因素影响,具有构造复杂、储层横向变化大、非均质性强的特征。S区内主要发育了两条潜山边界张性正断层,即A0西断层和A1东断层,同时区内发育了3条较大的北东向断层,即A6北断层,A6南断层和A2北断层,这5条断层基本控制了S区地垒潜山构造(图3)。根据井点裂缝参数研究结果,认为该区主要发育构造裂缝,裂缝走向主要为北西、北东和近东西向3组,与本区断层走向基本一致[11-12]。

S区潜山主要含油层系为古生界和太古界潜山,在中生界潜山、新近系和古近系地层也见到油气显示,是次要含油气层系。本文研究的重点为古生界储层,古生界为下古生界海相碳酸盐岩,主要由脆性的白云岩、灰岩等组成。图4为S区潜山古生界波阻抗与密度交会图。由图4可见,白云岩、灰岩等岩性的波阻抗数值很接近,难以有效区分,依赖模型的波阻抗反演的适用性受到一定限制。因此,合理、准确描述本区裂缝发育和分布规律,确定裂缝分布范围是本区裂缝预测的重点。

图3 S区潜山古生界顶面构造图及裂缝走向玫瑰图

图4 S区潜山古生界波阻抗与密度交会分析结果

2.2 效果分析

优选本区6口井计算裂缝识别参数FICc,图5为本区A3井的解释结果。由图5可见,研究区3860～3900m、3950～4000m和4110～4210m深度段为裂缝发育段。在常规测井曲线上具有低伽马(第3道)、低电阻率(第4道)、高孔隙度(第5道)、声波时差值增大(第6道)、密度下降(第6道)和高含气饱和度(第7道)等特征。PEREZ等[13]的研究表明,杨氏模量高值,泊松比低值的区域是岩石破裂最发育的区域,易形成裂缝。计算的杨氏模量E(第8道)在裂缝发育段为高值异常,泊松比(第8道)在裂缝发育段为低值异常。计算的裂缝识别参数FICc(第9道)在对应的裂缝发育段为高值异常。对FICc曲线,每隔100m统计曲线峰值的个数,用于表示裂缝条数,统计的裂缝条数每100m大于10条(第10道)。将统计的裂缝条数与成像测井(第11道)统计的裂缝条数(第12道)进行对比,结果具有较好的一致性。

图5 A3井的解释结果

YASIN等[10]研究表明,通常泊松比为0.15～0.20,杨氏模量为20～42GPa时,岩石更容易破裂产生裂缝。如图6a所示,将每米裂缝发育的条数与泊松比和杨氏模量进行交会,每米裂缝发育条数高的数值均落在泊松比0.15～0.20、杨氏模量20～42GPa的区间。本文基于每米裂缝发育条数数值落在的泊松比和杨氏模量的区间,将裂缝分为3个发育区间,如图6b所示,分别为裂缝发育(红色圈所示,泊松比小于0.25,杨氏模量小于40GPa)、裂缝欠发育(黄色圈所示,泊松比为0.25～0.30,杨氏模量为40～60GPa)、裂缝不发育(蓝色圈所示,泊松比大于0.3,杨氏模量大于60GPa)。将裂缝识别参数FICc与泊松比和杨氏模量进行交会(图6b),可以看出,高FICc值均落在划分的裂缝发育区间,低FICc值落在划分的裂缝发育较少或不发育的区间。因此,可将计算的裂缝识别参数FICc作为学习目标样本进行深度学习非线性反演。为提高裂缝预测的精度,对本区某地震剖面进行了构造导向滤波处理(图7),处理后的结果如图7b所示,由图7b可见,处理后的地震剖面信噪比得到较好的改善。

图6 泊松比、杨氏模量与裂缝密度(a)和裂缝识别参数FICc(b)交会分析结果

图7 构造导向滤波处理前(a)、后(b)地震剖面

将滤波后的地震数据及10,20,40,60Hz分频地震数据作为输入,将6口井FICc曲线作为学习目标样本,利用图2所示流程进行深度网络模型的训练。表1展示了训练样本集(共1241个样本)中部分样本特征和学习值。其中,D1代表井旁地震数据,D2代表10Hz分频地震数据,D3代表20Hz分频地震数据,D4代表40Hz分频地震数据,D5代表60Hz分频地震数据。图8为训练的最优网络模型对310个测试样本预测的FICc曲线(红色)与井上计算的FICc曲线(蓝色)对比图。由图8可见,平均预测精度达0.85,吻合度较高。因此,训练的最优网络模型可应用于全工区的裂缝分布预测。

表1 深度学习训练样本及学习结果(部分)

图8 预测的FICc曲线与井上计算的FICc曲线

图9给出了深度学习FICc预测结果。图中井旁曲线为FICc曲线,井旁红色方柱为试油结果,图中从左到右3口井分别为A1井、A3井和A4井。A1井在古生界顶3525.9～3550.4m,产油145.1t/d,产气2674m3/d,不含水。从过A1井裂缝预测剖面看,在A1井古生界潜山的山头2600～2615ms位置存在高强度的裂缝发育区(红色代表高异常)。A3井在古生界顶3759.67～3893.01m,产油178t/d,产气14826m3/d,不含水,在裂缝预测剖面2790～2835ms位置存在红色高异常裂缝发育区。A4井在4169.30～4446.70m,产油112t/d,产气42717m3/d,不含水,在裂缝预测剖面2997～3086ms位置同样存在红色高异常裂缝发育区。试油结果与FICc反演结果十分吻合,说明井点外推效果较好。

图9 深度学习反演结果

为进一步分析裂缝的平面展布特征,提取了古生界顶面向下10ms的FICc切片,如图10所示。FICc值大于1.3时被认为是裂缝发育。从图10可以看到,裂缝所在位置均表现为高FICc值,沿断层分布。S区构造形态是北东走向的背斜构造,西部高,东部低,在褶皱构造附近,如A1井西南部、A2井以东、A4井、A5井裂缝较为发育。熵属性[14]可用于衡量纹理(裂缝)的清晰度,纹理越清晰,熵值越高,如图11所示,熵属性大于800的高值区域,代表裂缝可能的发育区。裂缝所在位置沿断裂带呈北东方向带状分布,其中A0井、A1井、A2井以东、A3井、A4井、A5井为高熵值区域,与FICc裂缝预测平面展布结果基本一致。表2是统计的古生界顶FICc高值异常与井的产油气情况对应关系表。如果产油气层井段裂缝发育对应高FICc值异常,说明吻合,反之认为不吻合,两者的吻合率进一步验证了本文方法的可靠性。由统计结果可知,除A6井、A7井不吻合外,其余5口井均吻合,吻合率达71%。本文方法较客观地反映了裂缝发育带在横向的变化,裂缝发育区主要集中在潜山翼部及构造转折部位,呈带状沿断层大面积发育。

表2 古生界顶FICc高值异常与井是否在油气层段吻合统计

图10 古生界顶面向下10ms的FICc切片

图11 古生界顶面向下10ms的结构熵属性

3 结论

裂缝识别参数FICc是对裂缝发育段进行预测的敏感性参数,高FICc值对应高裂缝发育区,低FICc值对应裂缝发育较少或不发育区;基于裂缝识别参数FICc统计的裂缝条数与成像测井统计的条数基本吻合。因此,裂缝识别参数FICc在S区裂缝预测中具有较高的可靠性。

以裂缝识别参数FICc为学习目标样本的深度信念网络反演,反演结果与井点实钻结果吻合率达71%,裂缝发育区主要集中在潜山翼部及构造转折部位,呈带状沿断层大面积分布,与熵属性刻画的裂缝发育带一致性较好,较客观地反映了裂缝发育带横向变化。因此,基于深度信念网络反演的方法较适用于S区裂缝预测,为裂缝型潜山油藏裂缝预测提供了一定的理论和实践基础。