分频属性反演方法在B油田的应用

2020-09-01王奇

矿产与地质 2020年3期

王奇

(中国石油集团长城钻探工程有限公司地质研究院，辽宁盘锦 124010)

0 引言

地震资料在横向上具有钻井资料无可比拟的连续性，且包含丰富的储层物性信息，因此地震储层反演技术是油气勘探开发中的重要研究方向。分频反演是通过测井、地震资料研究振幅与频率关系，合理利用地震资料有效频带的多种频带信息，减少薄层反演的不确定性，得到高分辨率的反演结果。同时它也是一种无子波提取，高分辨率非线性反演，与井的吻合度较高，更准确反映储层的分布规律。本次结合B油田的实际地质特征，建立了基于精细地质模型的神经网络分频属性反演方法，该方法能够较准确预测储层的分布规律[1-8]。

1 储层反演方法确定

1.1 储层敏感性分析

储层反演是否可行取决于敏感性曲线能否区分储层与非储层。常规储层反演是通过声波阻抗曲线进行储层预测，通过岩性分布直方图分析(图1)，主力油层FⅡ组砂岩和泥岩的声波阻抗峰值近乎重合，认为声波阻抗曲线不能有效识别储层和非储层。根据实际的地质情况和敏感性曲线分析，单一测井曲线敏感性均较差，而中子和密度曲线交汇能够有效的识别储层和非储层(图2)，通过拟合，直线公式Y=-0.005X+1.43 可作为储层和非储层的分界线，其中Y是中子曲线值，X为密度曲线值。

图1 B油田FⅡ组声波时差曲线-岩性分布直方图Fig.1 Histogram of acoustic time difference curve and lithology distribution for FⅡ formation in B oilfield

图2 B油田FⅡ组中子和密度曲线敏感性分析交汇图Fig.2 Sensitivity analysis intersection diagram of neutron and density curve for FⅡ formation in B oilfield

1.2 储层反演方法选择

B油田自下而上依次发育基岩、白垩系、第三系与第四系，白垩系自下而上又划分为F、M、K和R四个组，其中F组为本次研究的主要目的层。沉积背景为扇三角洲前缘亚相沉积，可分为水下分流河道、分流河道间、前缘席状砂微相，偶见河口坝及前扇三角洲滑塌浊积砂微相。储层以砂泥岩为主，物性以中孔、高渗为主，平均孔隙度为19.7%，平均渗透率为1402×10-3μm2。

B油田是受构造和岩性双重控制的稠油油藏，完钻井多，断裂较为发育，在30 km2研究区内完钻井38口，断层25条，需建立精细三维低频地质模型。单井储层厚度薄，常规声阻抗曲线不能有效识别储层，采用神经网络分频属性反演。通过对B油田地质条件综合分析，本次采用基于精细地质模型的神经网络分频属性反演方法。

2 储层反演流程

2.1 时深标定及低频地质模型建立

合成地震记录是把地震资料和测井资料联系起来的桥梁，其目的是利用测井资料的高分辨率精细标定各界面在地震剖面上的反射位置。层位标定的准确与否将直接影响到反演的结果。通过层位标定，合成地震记录与井旁地震道相似度较高。

低频信息是反演体中重要的组成部分，能够反映地质体的变化趋势。由于地震数据体具有频带限制特征，缺失低频部分，反演出的频带限制成果不能真实反映地质情况。测井数据具有全频带特征，将测井数据的低频信息与地震频带相融合，能够全面地刻画和预测地质体。低频模型建立包括两个部分：构造框架模型(图3)和属性模型。对工区低频模型进行平面和剖面质控，井与井变化合理，无明显突变现象。

图3 地质框架模型

2.2 分频属性反演

通过对地震资料的频宽分析，有效频带范围为8～55 Hz，以15 Hz频宽进行分频，产生3个频段的数据体。对分频后的数据体，利用SVM高级神经网络算法计算不同厚度下振幅与频率的关系，并引入反演过程中，建立起目标测井曲线与地震波形间的非线性映射关系，得到反演结果。

SVM算法是一种高级的神经网络计算方法，可作为非线性回归和模式分类，它克服了传统神经网络的局部最优、过度学习、网络不稳定等问题，是人工智能和统计学习中较高级的算法[9-11]。

2.3 储层反演门槛值确定

本次储层预测的门槛值应用中子密度曲线交汇公式确定，拟合的直线公式为Z=(-0.005X+1.43)-Y，其中X为密度值，Y为中子孔隙度值。当Z值大于0，为储层；反之，为非储层。应用中子和密度属性反演体来计算Z值属性体(图4)，最终得到目的层储层平面分布图，主要目标层段FⅡ油层组的储层整体上由北西向南东方向变薄(图5)。