应用波形相控分频反演预测高泥质疏松砂岩薄储层

代 玲, 万 钧, 罗 泽

(中海石油(中国)有限公司 深圳分公司，深圳 518000)

0 引言

地震储层预测的主要手段是反演，方法主要有稀疏脉冲反演、测井约束反演和地质统计学反演[1]。目前主要流行的是地质统计学反演，其利用随机建模有多个实现比确定性建模表达能力更强，而且随机路径有利于测井高频信息合理加入，对储层非均质性表征有利。但地质统计学反演随机建模基于变差函数，难以描述复杂的空间结构和复杂的地质体[2]。地震沉积学强调用属性和反演的形态特征-地震地貌分析微相，倡导相控预测储层，为克服常规地质统计学建模横向分辨率低、模糊沉积储层构形特征的局限，引入了相控预测思想用于反演建模，较好解决了这一问题[3]。

珠江口盆地X油田作为南海东部开发的新区域，近两年连续为南海东部产量最高的油田，油田储层主要发育三角洲前缘水下分流河道～河口坝沉积，沉积时期水动力弱、粒度细、砂岩疏松且泥质含量高。该油田面临储层数量多且单层薄；砂岩疏松引起测井扩径导致声波时差和密度等测井曲线测量失真；砂泥叠置，有效储层不易区分等难题。常规反演方法刻画该油田储层空间展布特征效果不佳，严重制约着此油田的高效开发。针对这一难题，笔者提出遗传化神经网络技术重构还原真实测井曲线，优选储层特征敏感参数，并基于地震波形实现地震相约束，分频反演实现高分辨率反演，最终形成一套完整的针对高泥质疏松砂岩薄储层的识别技术系列，期望实现薄储层精细刻画，助推油田高效开发。

1 反演原理

观测计算得到的属性量可以用公式(1)表示[4]。

G=R+S

(1)

其中：G为观测计算得到的属性量；R为实际属性量；S为随机噪声。采用公式(2)来表示目标函数[5]。

(2)

其中：M1为目标函数；σ为随机噪声S的协方差。求取反演的过程就是让目标函数M1达到最小值。由于采用公式(2)求取反演最优解存在多解性与不稳定性，因此加入先验信息进行约束，这样目标函数可以表示为公式(3)[6]。

M(Z)=M1(Z)+λ2M2(Z)

(3)

其中：Z为属性量；λ为平滑参数；M2(Z)为先验项，是势函数之和。最终反演采用的目标函数能够进一步改写为公式(4)[7]:

(4)

其中：φ为势函数；δ为刻度参数，用来调节不连续处梯度值。

2 高泥质疏松砂岩薄储层预测

针对高泥质疏松砂岩薄储层预测和精细描述，采用了以下关键技术。

2.1 遗传化神经网络重构测井曲线技术

X油田由于受高泥质疏松砂岩影响，引起测井扩径导致声波时差和密度等测井曲线测量失真(图1)，影响储层预测的准确性。针对这一问题采用遗传化神经网络技术，重构得到新的测井曲线。为了保证遗传化神经网络技术的稳定性和可靠性，输入数据采用伽马、电阻率、油饱、中子和温压曲线等多种参数，并且这些参数受测井扩径影响极小[8]，最终遗传化神经网络预测的声波时差和密度曲线结果如图1所示，在扩径影响段，低伽马砂岩区本应该对应低密度、高声波时差测井值，由于扩径影响使得该区段出现高密度、低声波时差值这一矛盾现象(图1矩形框中)，通过遗传化神经网络重构密度和声波时差测井曲线很好地解决了这个问题，恢复了测井曲线真实值。

图1 X-1A井原始测井曲线与神经网络校正曲线对比

为了进一步验证该方法的可靠性和准确性，将原始测井密度和声波时差曲线(受扩径影响)与遗传化神经网络预测重构得到的密度和声波时差曲线，进行合成地震记录，计算得到的相关系数结果分别为0.53与0.81，效果明显提高，井、震匹配性更佳(图2)。

图2 X-1A井合成地震记录

2.2 储层敏感参数分析

泊松比与岩石物性关系紧密，采用泊松比属性描述储层特征越来越受到重视[9]。X油田目的层段岩石物理分析表明(图3)：砂岩和泥岩的波阻抗值域比较接近，基于波阻抗属性区分不开砂、泥岩。通过进一步岩石物理分析，将纵波速度、横波速度、纵横波速度比、密度、泊松比等储层参数对比研究，比选出最优的储层识别敏感参数为泊松比，它能很好区分砂、泥岩，分析表明砂、泥岩区分门槛值是泊松比为0.3(图4)。在此基础上采用储层特征敏感参数泊松比进行反演预测，实现好储层空间展布精细刻画。

图3 X油田自然伽马与波阻抗交会图

图4 X油田泊松比和泥质含量交会图

2.3 波形相控分频高分辨率反演

储层预测主要是从地震数据体中提取有限的地震属性(如结构、振幅、频率、相位、波阻抗及吸收衰减等)，并利用地震属性预测岩性，进而进行储层预测[10]。地震沉积学的研究推动了地震和地质的有机结合，相控技术是这种定量结合的重要衔接手段。相控的思想用于岩石物理研究产生了地质统计岩石物理技术，促使人们在做岩石物理统计规律时，思考影响这些规律背后的地质因素—沉积或成岩作用，再按成因寻找规律进行分类统计[11]。

沉积储层的构形特征在块状介质中是地质体外形和结构的反映，在层状介质中是储层纵横向非均质性的表现。沉积储层非均质性的表现特征和探测频率有关，探测频率越高，储层在横向上呈现的非均质性越强，呈现的随机性也越强，利用分频反演能很好表征储层非均质性特征[12-13]。

笔者基于此提出一种既有测井纵向高分辨率，又有地震横向高分辨率，同时能保持地质体构形特征及储层非均质性特征的反演方法—波形相控分频反演。该反演方法基于地震波形实现地震相约束，分频反演实现高分辨率反演。通过格架约束井曲线插值得到低频，由地震谱模拟反演获得中频，再由相控模拟结果得到确定性高频，最后由贝叶斯随机模拟得到随机性高频，对高频成分进行无偏最优估计。其技术流程如图5所示，主要包括以下四个关键步骤：①神经网络预测重构得到正确的测井曲线；②岩石物理分析优选出储层敏感参数泊松比；③利用地震波形空间特征实现相控约束；④频率域实现分频反演。

图5 基于高泥质疏松砂岩薄储层相控分频反演流程图

在传统反演建模中，仅利用测井结合构造框架插值建模，这种建模方法在剖面上容易出现模型中，反映的地层产状与地震所反映的地层产状不一致，平面上容易出现“牛眼”现象，模糊了地质体构形特征或储层非均质性特征[14-16]。随机建模虽然理论上可以通过概率密度函数产生既满足反演(通常是稀疏脉冲反演)也满足井的随机实现，但它的随机性较强，很难准确表征地质体构形或储层非均质性特征[17-19]。将地震数据参与建模，是提高反演构形表征能力的关键，地震是一种带限资料，加入地震缺乏的低频和高频信息成为井、震联合分频建模的关键，即不同频带采用不同的建模策略。基于此，笔者提出了波形相控分频反演频谱(图6)，①0 Hz～10 Hz频带，地质体构形特征不明显或储层非均质性不强，采用克里金插值建模实现；②10 Hz～100 Hz为地震频带，采用地震反演实现；③100 Hz～200 Hz储层非均质性较强，利用地震波形的空间特征，结合测井实现相控约束模拟;④>200 Hz储层非均质性表现很强，采用贝叶斯随机模拟实现。这四部分能量的相对关系依次减弱，满足指数规律。可以看出分频建模遵循频率越高储层非均质性表现越强的规律，按分频原则将克里金建模和随机建模及地震波形空间特征有机结合。

图6 波形相控分频反演频率成分分析图

波形相控分频反演针对常规建模方法容易损失地质体构形和沉积储层横向非均质性表征能力的问题，采用分频建模策略。低频信息利用测井采用克里金插值获得，中频信息利用地震获得，高频信息利用地震结合测井获得，采用构形建模方法，使模型能反映地震反射的纵横向构形特征，再利用贝叶斯随机模拟修改构形模型，在地震相约束下合理加入井的高频信息，减小反演的随机性，形成一种新的反演方法。

反演初始模型的优劣很大程度影响着最终反演效果[20-22]，笔者将常规反演与波形相控分频反演的初始模型结果进行对比，研究发现：①平面上，常规反演得到的初始模型在井点处有明显“牛眼”现象(图7(a))，这对储层非均质性表征非常不利，严重影响最终反演结果，而波形相控分频反演的初始模型平面属性带有地震相约束，更符合实际地质规律(图7(b))；②剖面上，常规反演得到初始模型的地层产状与地震所反映的地层产状不一致(图8(a))，而波形相控分频反演初始模型有地震相约束，较好地规避了这一问题，结果与真实地层产状更吻合(图8(b))。

图7 泊松比属性平面图

图8 不同反演方法初始模型与地震波形叠合对比

3 实际应用及效果分析

3.1 薄储层精细预测

X油田储层主要发育三角洲前缘水下分流河道～河口坝沉积，沉积时期水动力弱，粒度细，砂岩疏松且泥质含量高。该油田面临储层数量多且单层薄，储层厚度大部分在5 m以内，砂岩疏松引起测井扩径导致声波时差和密度等测井曲线测量失真；砂泥叠置，有效储层不易识别等难题，常规储层反演方法对该油田薄储层反演预测效果不佳，难以精细刻画储层空间展布特征，严重制约着此油田的高效开发。为了解决这一难题，笔者提出了波形相控分频反演方法，最终反演结果对薄储层空间展布特征刻画清楚，储层预测结果如图9所示。

图9 波形相控分频反演剖面图

3.2 精细刻画优质储层指导调整井优化实施

X油田主力生产层为HJa储层，油层含油面积大，但储层厚度在5 m以内，制约该储层高效开发的关键因素为对储层空间展布认识不清。油田开发早期，由于对该主力储层分布特征认识不明确，仅考虑构造因素在构造高部位部署了X-A2H和X-A3H两口水平生产井，产油指数低，分别为31nm3/d/Mpa和39nm3/d/Mpa(n指代某数值)，油藏生产动态差。后期利用该套基于高泥质疏松砂岩薄储层识别技术反演得到泊松比属性平面图(图10(a)红框)，通过分析认为，X-A2H井和X-A3H井之所以生产动态差，主要是因为水平生产段部署在差储层区域导致。后期通过反演泊松比属性精细刻画了储层空间展布特征(图10(a)、图10(b))，结合反演刻画的好储层区域部署了调整井(X-A17H)，该调整井油藏生产动态好，产油指数高(210nm3/d/Mpa)，并且低含水期维持时间长(图10(c))。成功利用该套储层预测技术精细刻画了优质储层空间展布特征，指导了调整井优化实施。

图10 反演结果指导调整井优化实施效果图

4 结论

笔者针对高泥质疏松砂岩薄储层空间展布特征难刻画问题形成了一套完整的储层精细预测技术系列，并成功应用于珠江口盆地X油田薄储层精细预测。研究表明：①遗传化神经网络技术重构得到新的测井曲线，解决了测井扩径导致的声波时差和密度曲线测量失真问题；②优选的储层特征敏感参数泊松比能很好区分储层与非储层；③波形相控分频反演基于地震波形实现地震相约束，分频反演实现高分辨率反演，实现了井、震协同高分辨率储层预测。实际应用证实该技术在X油田调整井优化实施等方面取得了较好的应用效果，解决了该油田3 m～5 m薄储层精细描述的难题，形成了一套完整的针对高泥质疏松砂岩薄储层预测的技术流程。该技术对同类油藏表征和油田高效开发具有参考意义。