深薄致密砂岩储层描述关键技术研究——以渤南油田Y 184井区为例

隋 明 阳

(中国石油化工股份有限公司胜利油田分公司物探研究院)

0 引 言

低渗致密砂岩油藏是指油气储集在覆压基质渗透率较小的致密砂岩储层中，由于圈闭界限不明显、单井无自然产能或产能低下，开发需压裂改造的非常规油气藏类型。截止目前，胜利油田共有探明未开发储量3.6×108t，其中低渗致密砂岩油藏储量占比64%，是未动用储量开发的主要类型。深薄致密砂岩储层埋藏深度大、单层厚度薄、储量丰度低、效益建产难，储层定量描述是该类油藏储量动用的关键制约因素，目前对于深薄致密砂岩储层定量描述缺乏有效的手段。

前人对此开展了大量研究，并在实践探索中形成了多种针对致密砂岩储层的预测技术。谢用良等[1]将基于模型的波阻抗反演应用到川西致密砂岩气藏的预测中，取得了较好的预测效果；耿会聚等[2]采用基于模型的反演方法，有效地预测了致密砂岩储层的横向分布范围；谭荣彪等[3]将井、震约束反演应用于薄互层地区的储层预测，提高了反演分辨率，取得了较好的预测效果。

本文针对制约深薄致密砂岩储层高效动用的问题，在前人研究的基础上开展了技术攻关。针对深薄致密砂岩储层砂泥岩速度差异小、常规预测方法多解性强的问题，研发了相控去压实高分辨率反演技术，落实储层发育边界；针对深薄致密砂岩储层非均质性强、物性变化快、储层平面物性分布差异大、有效储层展布范围不清的问题，创建了深度学习多属性融合预测技术，融合形成储层物性敏感的新属性，明确有利储层展布范围，促进了该区效益开发。

通过攻关研究，形成的一套适用于深薄层致密砂岩储层定量描述的技术序列，在渤南油田Y 184井区未动用储量区应用。依据储层描述成果，部署三期方案，动用面积8.09 km2，动用储量10.75×106t，部署新井65口，建产产能14.8×104t。

1 区域地质概况

Y 184井区位于渤南油田南部，济阳坳陷沾化凹陷渤南洼陷北部，东靠孤岛凸起。主力含油层系为下古近系沙河街组沙四上亚段，该段共划分为4个砂组，此次研究目的层是沙四上3、4砂组。该目的层油藏南、北受断层封堵控制，向南砂体减薄，储层物性变差，易形成物性封堵，是岩性控藏为主的岩性油藏。

沙四上亚段沉积时期，渤南洼陷沉积体系复杂，具有多物源、多种沉积类型特点。洼陷边缘发育扇三角洲，中心发育滩坝砂，本次研究区Y 184井区位于盆缘向盆中过渡带，同时发育扇三角洲、滩坝砂两种沉积类型，导致储层边界模糊，扇体与滩坝砂发育边界落实难，储层发育范围认识不清。

根据岩心物性分析资料，该区块储层物性较差，属于低孔特低渗储层，其成藏物性孔隙度下限为6%。单砂体厚度薄，纵向上与泥岩呈薄互层结构，层内非均质性强，物性变化快，储层平面物性分布差异大[4]，存在有利储层预测难度大的问题。

2 相控去压实高分辨率反演技术

深薄致密砂岩储层埋深大、单砂体厚度薄、砂泥岩速度差异小，呈薄互层结构的地质特征，针对常规反演方法预测精度低、多解性强，储层边界预测难等问题，本文创新形成了相控去压实高分辨率反演技术，基于地层压实机理，分别拟合并剔除砂、泥波阻抗压实趋势，将中浅层的砂泥波阻抗差异引入到深层段，实现砂泥岩波阻抗的有效区分。在此基础上，通过测井岩相控制储层纵向结构特征，沉积相约束储层平面展布范围，建立精细表征岩相变化的低频波阻抗模型，有效降低了反演结果的多解性。在相控低频波阻抗模型约束下，利用去压实波阻抗曲线，拟合反映沉积微相空间变化的变差函数，开展高分辨率地质统计学反演，得到既符合沉积规律又具有高分辨率的反演结果，精细刻画储层边界，定量描述储层厚度。

2.1 测井波阻抗去压实校正方法

深薄致密砂岩储层成岩过程受压实及胶结作用影响明显，导致深层砂泥岩速度难以区分，针对这一问题，基于地层压实机理，通过分岩性剔除波阻抗压实趋势，并将中浅层的砂泥波阻抗差异合理引入到深层段，放大深层砂泥岩波阻抗差异，进而实现砂泥岩波阻抗的有效区分。

由于泥岩的速度主要受压实趋势的影响，非压实趋势的速度分量可以忽略，而砂岩速度变化的影响因素较多，需先将非压实趋势的速度分量计算并剔除。在剔除砂岩非压实趋势速度分量后，通过钻井的埋深与速度交会，分别计算出砂岩和泥岩各自的压实趋势速度分量并进行剔除，在线性拟合并剔除波阻抗压实趋势后，得到砂、泥岩波阻抗基值。利用中浅层砂、泥岩波阻抗基线存在较大差异的特征，开展深层波阻抗基线回归，优选与地震道匹配度高的砂、泥岩基线组，合理放大储层与围岩波阻抗差异。

Y 184井区岩性与速度交会图(图1)显示：目的层储层埋深在3 500 m以下，砂岩速度分布区间为3 500～5 000 m/s，平均速度为4 500 m/s；泥岩速度分布区间为3 200～4 800 m/s，平均速度为4 300 m/s，砂、泥岩速度基本重叠，难以区分。

本次研究中，从测井资料入手，对井区的实钻井分别计算并剔除各岩性的波阻抗压实趋势，然后在中浅层埋深段中选取各岩性波阻抗回归基线，从而将中浅层埋深段储层与围岩之间的速度差异合理地引入到目的层段中进行波阻抗曲线去压实处理，有效放大砂岩与泥岩之间纵波阻抗差异，实现砂、泥岩速度较为明显的区分(图2)。最终利用处理得到的去压实波阻抗曲线，以该曲线为基础，参与后续的测井约束反演中，从而得到去压实波阻抗反演体，为后续的测井约束反演奠定了良好的基础。

图1 Y 184井区去压实前砂、泥岩速度变化

图2 Y 184井区去压实后砂、泥岩波阻抗变化

2.2 相控低频波阻抗模型构建

研究区目的层发育扇三角洲和滩坝砂两种沉积类型，基于单井相特征，扇三角洲沉积粒度相对较粗，部分砂体含砾，分选较差，自然伽马曲线整体上呈反韵律前缘沉积特征，自然电位呈齿化箱型；滩坝砂整体呈粉细砂岩沉积，砂体厚度相对薄，自然电位曲线呈指状弱凸起。通过对研究区实钻井的岩相分析，总结建立储层相模式，从平面上看研究区北部为扇三角洲沉积，南部为滩坝砂岩沉积，边界呈北西向展布，大致以过Y 171-1、Y 172井为边界区分(图3)。

充分挖掘研究区丰富的测井信息，测井岩相控制储层纵向结构特征，沉积相约束储层平面展布范围，建立精细表征岩相变化的低频波阻抗模型(图4)。相控的前提是工区内沉积微相的科学合理划分，综合应用地质、测井、地震、开发动态等资料，采用多学科信息综合对比的思路，并以s变换与小波变换时频分析方法作为辅助，开展沉积旋回及层序检测技术的研究，准确拾取三级、四级层序界面，并进行全区对比追踪解释。在精细地层对比、等时地层格架搭建的基础上，通过对研究区实钻井的岩心观察及岩电标定，总结建立储层相模式。根据沉积微相在时、空域的展布特征，包括垂向演化与平面分布，采用数理统计学方法，综合应用确定性和随机模拟技术定量表征砂体的空间分布，从而使得随后的物性参数反演受沉积成因控制、赋有地质意义且能更加精细地刻画储层内部的非均质性。基于岩相模型指导构建的低频波阻抗模型以相带为单元进行空间约束，更符合沉积规律，可有效降低反演结果的多解性。

图3 Y 184井区沙四上亚段沉积相图

图4 Y 184井区沙四上3、4砂组相控低频波阻抗模型

2.3 地质统计学反演技术

地质统计学反演首先应用确定性反演方法得到阻抗体以了解储层的大致分布，并用于求取水平变差函数；然后从井点出发，井间遵从原始地震数据，并基于马尔科夫链的蒙特卡罗算法模拟产生井间波阻抗，再将波阻抗转换成反射系数并与确定性反演求得的子波褶积产生合成地震道，通过反复迭代直至合成地震道与原始地震道达到一定程度的匹配，同时得到与波阻抗相吻合的砂泥岩性体。反演过程中充分发挥随机模拟技术综合不同尺度数据的能力，如：可以综合层序地层研究与地震解释成果建立初始框架模型。在相控低频波阻抗模型约束下，利用去压实测井曲线，拟合反映沉积微相空间变化的变差函数，在此基础上开展高分辨率地质统计学反演，得到既符合沉积规律又具有高分辨率的反演结果。

在Y 184井区采取相控去压实高分辨率反演技术开展储层预测的结果显示，可识别埋深3 000 m以下，厚度5 m以上薄储层，局部3 m储层有一定程度响应(图5)。储层剖面上，物源来自孤岛凸起、埕东凸起，根部岩性粗，端部岩性细，自北向南储层单层厚度有减薄的趋势，3砂组储层大面积分布，4砂组向南超覆尖灭，同时发育多个厚度中心，扇体呈“退积式”充填(图6)。储层平面展布图上，南北向为主物源推进方向，受主水道控制，主力岩相呈“串珠状”展布，向南减薄至储层尖灭；东西向为横切物源方向，受分支水道控制，主力岩相呈“弯月形”条带状展布。储层发育受地层厚度及沉积相带控制，发育Y 171、Y 184两个主扇体，扇体边界及主水道特征清晰，可以准确落实扇体与滩坝发育边界，与钻井吻合率达86%，相较常规反演方法，吻合率提高10%以上(图7)。

图5 Y 17井-Y 171-1井相控反演剖面(沿3砂组顶面拉平)

图6 顺物源XBS 1井-Y 107井沙四上亚段近南北向储层对比剖面

图7 Y 184井-BS 4井沙四上3砂组反演平面预测图

3 基于深度学习的多属性融合预测方法

致密砂岩储层非均质性强，物性变化快，储层平面物性分布差异大，有效储层展布范围不清。针对这一问题，依据相关性评分结果对敏感属性进行优选排序，优选储层敏感属性。在此基础上提出基于深度学习的多地震属性融合技术，借助深度学习强大的非线性处理能力，可以充分挖掘地震属性与储层物性之间的非线性关系，通过已知井的不断学习、最佳逼近，拟合形成最佳的表达关系，深度融合得到新敏感属性，定量描述储层物性，可以进一步明确有利储层展布范围。

3.1 相关性敏感地震属性优选方法

针对传统相关系数公式无法准确描述非线性关系的问题，本次研究采用了基于Spearman秩相关系数[5]分析方法。Spearman秩相关系数是一个非参数性质(与分布无关)的秩统计参数，用来度量两个变量之间联系的强弱，可以在出现数据分布使得线性相关系数不能用来描述的情况下，作为两个变量之间单调关系强弱的度量。Spearman秩相关系数可以准确量化地震属性与储层参数间的非线性关系，敏感地震属性优选精度更高。

基于已有的地震属性值及相对应位置的储层物性值，借助统计学或信息学中用来分析两个数列之间关联性高低的数学工具，可以形成多种属性敏感性分析的简单方法，即直接利用地震属性值数列和一种储层物性值数列来计算相关度，这种相关度的绝对值大小可以表示地震属性对该储层参数敏感性高低，选择计算结果值较高的属性作为优选结果。依据相关性建立地震属性与储层物性参数间的非线性映射关系，对敏感属性进行优选排序，确定最优的六类地震属性，即波阻抗、平均反射强度、瞬时频率、瞬时相位、能量半时间、平均振幅。

3.2 深度学习多属性融合预测技术

深度学习是机器学习领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次，通过设计建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，通过网络的学习和调优，建立起从输入到输出的函数关系，可以尽可能的逼近现实的关联关系[6-8]。

针对不同地震属性储层预测展布特征不同，提出基于深度学习的多属性融合预测技术。选择Y 184井区进行实际数据测试，优选的敏感地震属性有波阻抗、平均反射强度、能量半时间、瞬时频率、瞬时相位和平均振幅等，共有363口井参与计算，选择每口井储层物性作为样本，分别针对损失函数、激活函数、隐藏层数量、神经元个数和样本扩充等技术的适应性进行测试计算。通过神经元个数优化即不断更新神经元之间的每个连接都有相应的权重，使得最后的模型能满足预测需求，更好地逼近地震属性与储层物性之间的非线性关系。隐藏层设计即对输入对象进行多层次拟合学习，最终实现用合理的线性划分不同类型的数据。由于Y 184井区所能获取井的数据很少，根据地质性质的连续性，距离井位一定距离的点具有和井相似的地质性质，以此为依据进行样本的扩充等。借助深度学习的强大非线性处理能力，可以充分挖掘地震属性与储层物性参数之间的非线性关系，通过已知井的不断学习、最佳逼近，拟合形成最佳的线性表达关系，对优选属性进行深度融合，计算得到储层物性预测数据用来表征储层物性，可以定量描述储层物性。

在Y 184井区开展实际应用，融合优选的六类地震属性以及统计的实钻井孔隙度，得到表征储层物性的预测数据，储层物性预测结果与实钻井所测结果误差小于10%。应用描述结果，明确主水道及分支水道控制的砂体物性较好，扇体前缘及扇间物性差，结合孔隙度6%的有利储层物性下限，进一步明确有利储层发育范围(图8)。

图8 Y 184井区地震属性优选预测效果图

4 结 论

(1)针对深薄层致密砂岩储层与围岩速度差异小，常规反演方法多解性强的难题，开发了相控去压实高分辨率反演技术，突出砂岩效应准确落实储层边界。

(2)创建了深度学习多属性融合预测技术，在敏感地震属性组合优选基础上，借助深度学习强大的非线性处理能力，充分挖掘地震属性与储层物性之间的非线性关系，通过深度学习多属性融合方法定量描述储层物性，明确有利储层展布范围。