地震巖相識別概率表征方法

袁成, 李景葉*, 陳小宏

1 中國石油大學(北京)油氣資源與探測國家重點實驗室， 北京　102249 2 中國石油大學(北京)海洋石油勘探國家工程實驗室， 北京　102249

?

地震巖相識別概率表征方法

袁成1,2, 李景葉1,2*, 陳小宏1,2

1 中國石油大學(北京)油氣資源與探測國家重點實驗室， 北京102249 2 中國石油大學(北京)海洋石油勘探國家工程實驗室， 北京102249

摘要儲層巖相分布信息是油藏表征的重要參數(shù)，基于地震資料開展儲層巖相識別通常具有較強的不確定性.傳統(tǒng)方法僅獲取唯一確定的巖相分布信息，無法解析反演結果的不確定性，增加了油藏評價的風險.本文引入基于概率統(tǒng)計的多步驟反演方法開展地震巖相識別，通過在其各個環(huán)節(jié)建立輸入與輸出參量的統(tǒng)計關系，然后融合各環(huán)節(jié)概率統(tǒng)計信息構建地震數(shù)據與儲層巖相的條件概率關系以反演巖相分布概率信息.與傳統(tǒng)方法相比，文中方法通過概率統(tǒng)計關系表征了地震巖相識別各個環(huán)節(jié)中地球物理響應關系的不確定性，并通過融合各環(huán)節(jié)概率信息實現(xiàn)了不確定性傳遞的數(shù)值模擬，最終反演的巖相概率信息能夠客觀準確地反映地震巖相識別結果的不確定性，為油藏評價及儲層建模提供了重要參考信息.模型數(shù)據和實際資料應用驗證了方法的有效性.

關鍵詞巖相識別； 概率統(tǒng)計； 多步驟反演； 不確定性

In order to assess the associated uncertainty of seismic facies classification, multistep inversion based on a probabilistic way is introduced in this study. We firstly built the statistical relationships between input and output parameters in each step of seismic facies classification, such as well-log facies definition, probabilistic scale change, and seismic inversion. Then, the probabilistic information of all steps was integrated in a Bayesian framework to compute the seismic facies probability. Furthermore, facies probability of oil shale that is the targeted facies in this case was evaluated by different threshold values. Experiments had been conducted on both synthetic and field data.

Compared with the traditional method, the methodology in this paper takes the uncertainties in each step of seismic facies classification into account by a probabilistic multistep approach. The inverted facies probability contains not only the information of facies distributions in the target zone, but also the uncertainty information of seismic facies classification. It plays an important guide for reservoir characterization as well as modeling. By analyzing the probability of oil shale with different thresholds, the locations where have a high occurrence probability of oil shale were illustrated vividly.

Seismic facies classification by the probabilistic multistep inversion brings much more information of facies distribution in the target zone than traditional method, which can only afford a certain outcome of facies distribution without any uncertainty information of inversion results. The methodology provides us a simple way to evaluate the uncertainty of seismic facies classification as well as the great value for risk management and optimal decision-making in the petroleum industry. However, the resolution of seismic facies probability is generally low, because the results of probabilistic multistep inversion share the same resolving power with seismic data. In the light of this problem, when the hard data is sufficient, the computed facies probability can be used as the conditional information in the reservoir modeling for acquiring a high-resolution outcome of facies distribution.

1引言

儲層巖相識別是油藏表征與評價的重要手段.在油田勘探初期測井資料稀少，地震數(shù)據往往是在井位外獲取巖相分布的唯一指導信息.由于地震資料在分辨率和信噪比等方面的局限性，以及物理模型的近似性和巖石的自然變異性等，利用地震資料開展儲層巖相識別往往具有較強的不確定性(Grana et al., 2013)，而傳統(tǒng)方法僅提供單一確定的巖相分布信息，忽視了各環(huán)節(jié)不確定性因素對反演結果的影響，增加了油藏評價的風險.因此，客觀表征地震巖相識別最終結果的不確定性就顯得尤為重要.

國內外許多學者對地震巖相識別及其各環(huán)節(jié)不確定性分析做了大量研究.在國外，Mukerji等(2001)首次引入統(tǒng)計巖石物理表征傳統(tǒng)巖石物理建模的不確定性.Buland和Omre(2003)結合貝葉斯理論(Tarantola, 2005)與線性AVO反演方法預測儲層彈性參數(shù)概率分布以表征地震反演的不確定性.Bachrach(2006)聯(lián)合巖石物理、隨機建模和貝葉斯理論預測儲層含水飽和度與孔隙度，并定量分析預測結果的不確定性.Buland等(2008)論證了表征反演結果不確定性的重要意義.Grana和Rossa(2010)系統(tǒng)闡述了基于地震數(shù)據預測儲層屬性及其不確定性分析方法.Grana等(2012b)通過統(tǒng)計方法建立物性參數(shù)與巖相的概率關系，并采用熵函數(shù)表征其不確定性.Grana等(2013)結合概率統(tǒng)計與地質統(tǒng)計學開展碎屑巖儲層巖相識別以表征反演的多解性.針對非常規(guī)油氣藏巖相識別也有具體研究(Karimpouli et al., 2013；Zhao et al., 2014).在國內，何又雄和姚姚(2005)應用基于參考道的巖相預測方法開展巖相預測.鄧繼新和王尚旭(2009)采用統(tǒng)計巖石物理方法反演儲層孔隙度和含水飽和度.騰龍和程玖兵(2011)聯(lián)合統(tǒng)計巖石物理與AVA反演技術預測儲層物性信息并分析了反演的不確定性.田玉昆等(2013)以馬爾科夫隨機場為先驗模型由彈性參數(shù)反演巖相信息.針對地震反演的不確定性，國內學者在隨機反演(張廣智等，2011；黃哲遠等，2012；印興耀等，2014；張繁昌等，2014)和多屬性聯(lián)合反演(曹丹平等，2009；楊鍇等，2012)方法研究上做了大量工作.

基于前人的研究工作，本文引入基于概率統(tǒng)計的多步驟反演方法開展儲層巖相識別.通過在貝葉斯框架下建立各環(huán)節(jié)輸入與輸出參量的條件概率，然后整合各環(huán)節(jié)概率信息獲取目標參數(shù)的概率分布.概率分布既是反演的解，也表征了反演的不確定性.研究建立了巖相與測井彈性參數(shù)、測井與地震尺度彈性參數(shù)以及地震尺度彈性參數(shù)與地震數(shù)據的條件概率，最后融合各環(huán)節(jié)概率關系構建地震數(shù)據和巖相的條件概率并獲取儲層巖相概率信息；其巖相概率客觀地表征了地震巖相識別的不確定性，為油藏評價以及儲層建模提供重要的參考信息.與隨機反演相比，基于概率統(tǒng)計的多步驟反演方法對輸入信息要求較低且運算效率高，適合于油田勘探初期井資料匱乏情況下的巖相識別工作.反演的巖相概率數(shù)據體既可用于提取巖相最大后驗概率剖面以及分析各巖相分布的不確定性，也可作為約束信息服務于后續(xù)的儲層建模以獲取高分辨率儲層巖相信息.理論模型和實際資料應用驗證了方法的有效性，研究方法流程如圖1所示.

圖1　研究方法流程

2理論方法

分別在測井巖相定義、井震尺度匹配以及地震反演等環(huán)節(jié)建立輸入與輸出參量的統(tǒng)計關系，通過整合各環(huán)節(jié)概率信息構建地震資料和巖相的條件概率，最終基于地震數(shù)據反演儲層巖相概率分布信息并對巖相識別結果開展定量評價分析.

2.1測井巖相定義

測井巖相定義是地震巖相識別的重要環(huán)節(jié)之一.與傳統(tǒng)基于沉積模式的巖相劃分不同，地震巖相識別中巖相是儲層參數(shù)的統(tǒng)計分類，應用于后續(xù)的儲層建模(Grana et al., 2013).通過測井巖相定義環(huán)節(jié)建立巖相與測井彈性參數(shù)的條件概率.

設儲層彈性參數(shù)概率分布P(Ew)滿足高斯混合模型，Ew為彈性參數(shù)矢量(縱橫波速度、密度).高斯混合模型是傳統(tǒng)高斯模型的線性加權疊加，其多峰特征較高斯模型更加符合實際數(shù)據統(tǒng)計特征：

(1)

其中F表示巖相，P(F)是巖相比例先驗信息，ΣP(F)=1；P(Ew|F)為各巖相內彈性參數(shù)概率分布，滿足高斯模型：

(2)

N為高斯函數(shù)，其均值和協(xié)方差矩陣分別為μEw|F和ΣEw|F.

根據貝葉斯理論，后驗概率P(F|Ew)可表示為

(3)

P(F|Ew)即為測井巖相定義的條件概率，表征給定測井彈性參數(shù)Ew條件下巖相F出現(xiàn)的概率.概率模型參數(shù)由測井數(shù)據統(tǒng)計確定.

2.2井震尺度匹配

通常情況下，所測巖石彈性性質與測量尺度有關，不同測量尺度的資料之間存在頻散關系，即對相同巖石采用不同觀測尺度時所測的彈性性質具有一定差異(曹丹平，2015).由于地震波長一般遠大于薄層的地層厚度，地震反演的彈性參數(shù)為該探測頻率下某一段地層彈性性質的等效結果，因此地震資料的橫向連續(xù)性較好，但縱向分辨率較低.測井資料由于探測主頻較高，其縱向分辨率遠高于地震資料.故基于測井和地震數(shù)據描述同一巖石的彈性性質時必然存在一定的數(shù)值差異.這種差異若不及時校正在巖相識別中可能會引起儲層巖相的誤判.

井震尺度匹配的目的在于建立井震資料的跨尺度映射關系，而井震尺度概率匹配(Grana and Rossa, 2010)則通過統(tǒng)計方法構建了其跨尺度映射的概率統(tǒng)計關系.通過融合其統(tǒng)計關系從而能在一定程度上克服井震尺度差異所引起的巖相誤判.

地震尺度彈性參數(shù)記為Es.設井震尺度彈性參數(shù)聯(lián)合分布P(Ew,Es)亦滿足高斯混合模型：

(4)

其中P(Ew,Es|F)為任意巖相內井震尺度彈性參數(shù)的聯(lián)合分布，其滿足高斯分布.

在聯(lián)合分布P(Ew,Es)基礎上,條件概率P(Ew|Es)可表示為

(5)

P(Ew|Es)即為井震尺度匹配的條件概率，表征了給定地震尺度彈性參數(shù)Es條件下測井彈性參數(shù)Ew的概率分布，其蘊含了井震尺度匹配關系的不確定性.

2.3地震資料反演

在地震巖相識別中，地震反演的不確定性對巖相識別存在很大影響.通過貝葉斯線性AVO反演方法(Buland and Omre,2003)預測儲層彈性參數(shù)的概率分布信息以表征地震反演的不確定性.

由線性反演理論可知，地震觀測數(shù)據S可近似表示為

(6)

其中G為正演算子，e是地震噪聲；彈性屬性Es的先驗分布P(Es)一般滿足高斯模型：

(7)

其中μEs和ΣEs分別為高斯模型的均值和協(xié)方差矩陣.

根據統(tǒng)計學原理，變量概率分布形態(tài)在線性變換前后保持不變.故P(S)亦滿足高斯分布：

(8)

其均值μS與協(xié)方差矩陣ΣS分別滿足μS=GμEs和ΣS=GΣEsG′+Σe，Σe為地震噪聲的協(xié)方差矩陣.

設地震數(shù)據S與彈性參數(shù)Es的聯(lián)合分布滿足高斯模型，給定地震數(shù)據條件下彈性參數(shù)概率分布P(Es|S)可表示為

(9)

其中μEs|S為反演的最大后驗概率解，滿足μEs|S=μEs+(GΣEs)′(ΣS)-1(S-μS); ΣEs|S表征反演的不確定性，滿足ΣEs|S=ΣEs-(GΣEs)′(ΣS)-1(GΣEs).

最終，通過Chapman-Kolmogorov方程(Papoulis，1984)聯(lián)合地震反演結果P(Es|S)與條件概率P(F|Ew)和P(Ew|Es)獲取給定地震數(shù)據S條件下巖相F的概率P(F|S)：P(F|S)=∫P(F|Ew)P(Ew|Es)P(Es|S)dEwdEs,(10)其中P(F|S)即為地震巖相概率信息.由式(10)可知，P(F|S)考慮了測井巖相定義P(F|Ew)、井震尺度匹配P(Ew|Es)及地震反演P(Es|S)等環(huán)節(jié)不確定性對巖相識別的影響，能夠客觀準確地反映地震巖相識別的不確定性.

3模型試算

首先建立一維巖相模型驗證方法有效性.設有三類巖相，分別記為F1、F2和F3；對應巖相比例為[0.36，0.28，0.36]，各巖相的縱橫波速度及密度的聯(lián)合分布滿足高斯模型.巖相序列的彈性參數(shù)模擬曲線通過Kronecker乘積方法(Granaetal., 2012a)生成并將其尺度粗化到地震尺度，然后結合不同主頻的雷克子波(30Hz、25Hz和20Hz)合成角度道集地震數(shù)據(12°、24°和36°) (圖2).

由于任意巖相內彈性參數(shù)分布滿足高斯模型，故其總體分布滿足高斯混合模型.測井彈性參數(shù)空間概率統(tǒng)計信息如圖3所示.

聯(lián)合圖3統(tǒng)計信息，通過式(1)—(3)構建巖相F和測井彈性參數(shù)Ew的條件概率P(F|Ew)，然后再由式(4)—(5)建立彈性屬性Ew和Es的條件概率P(Ew|Es).對合成地震數(shù)據加入隨機噪聲調節(jié)信噪比至3，并由式(6)—(9)反演其彈性參數(shù)后驗概率分布P(Es|S)(圖4).最終借助式(10)融合概率信息P(F|Ew)、P(Ew|Es)和P(Es|S)求取巖相概率P(F|Es)以及P(F|S)(圖5).

圖2　儲層模型數(shù)據(a) 巖相序列(F1為淺灰色、F2為深灰色、F3為黑色); (b—d) 縱橫波速度及密度(實線為測井尺度數(shù)據，虛線為地震尺度數(shù)據); (e) 合成地震記錄.

圖3　(a) 縱波速度-橫波速度二維邊緣概率分布; (b) 縱波速度-密度二維邊緣概率分布; (c) 橫波速度-密度二維邊緣概率分布; (d) 測井彈性參數(shù)空間概率分布

圖5f中地震尺度巖相序列由圖5a巖相序列通過柱狀圖尺度放大方法(Granaetal., 2013)獲得.通過在每個環(huán)節(jié)中求取當前約束信息條件下的巖相概率P(F|Ew)(圖5b)、P(F|Es)(圖5c)和P(F|S)(圖5d)，圖5形象地展現(xiàn)了地震巖相識別各環(huán)節(jié)之間不確定性的傳遞以及累積效應.三個環(huán)節(jié)的巖相最大后驗概率解與模型巖相序列的匹配誤差依次為3.59% 、18.76% 與19.36%，這也從另一個角度體現(xiàn)了不確定性累積的影響.與圖5e中類似于傳統(tǒng)反演結果的巖相最大后驗概率解相比，通過巖相概率信息不僅能夠獲取各位置處的最大概率巖相，還可以定量描述各巖相類型出現(xiàn)的概率，為油藏評價和儲層建模提供了重要參考信息.例如在巖相序列中1.9s位置附近存在一個F2巖相薄層，由于地震分辨率的影響該薄層在地震尺度巖相序列和巖相最大后驗概率解中都未能識別，但該處F2巖相概率的起躍與F1巖相概率的降低預示了F2巖相薄層存在的可能性；2.45s位置附近也存在類似現(xiàn)象.與傳統(tǒng)方法相比，文中方法反演的巖相概率提供了更為豐富的儲層巖相信息，能夠降低儲層巖相誤判的風險.巖相最大后驗概率解與巖相序列的相關系數(shù)為80.64%；由于尺度因素的作用，其與地震尺度巖相序列的相關系數(shù)更高，達到了85.65%.模型試算驗證了方法的有效性.

4實際數(shù)據應用

實際資料源自中國陸上某勘探區(qū)域，其勘探目的層基地起伏不平，具有北高南低的特點.目的層在沉積時期經歷了濱淺湖—半深湖—深湖沉積演化過程，其特殊的構造活動和演化過程為油頁巖形成和發(fā)育提供良好的地質背景.臨近工區(qū)研究表明，在目標區(qū)油頁巖地層之間存在以粉砂質泥巖為主要成分的夾層，形成了以油頁巖、粉砂質泥巖以及白云石化作用形成的白云巖為主的巖相特征.工區(qū)儲層作為一種非常規(guī)油氣藏，探明其巖相分布特征對于后續(xù)勘探和開發(fā)都具有重要意義.

目標區(qū)僅有井A測井數(shù)據可供使用.根據工區(qū)地質特征及井A目的層段縱橫波速度及密度信息，研究定義有油頁巖、粉砂質泥巖、白云巖三種類型巖相.設儲層彈性參數(shù)聯(lián)合分布滿足高斯混合模型且在任意巖相內滿足高斯模型(XuandTorres-Verdín, 2014)，方法采用EM算法確定其高斯混合分布的模型參數(shù)(Schlanseretal., 2014).EM算法通過迭代方式逼近概率模型參數(shù)的最大似然估值(Dempsteretal., 1977)，能夠同時評價多個測井參數(shù)以獲取穩(wěn)定的巖相劃分結果.彈性參數(shù)統(tǒng)計結果參見圖6.

圖4　縱橫波速度及密度后驗概率分布

圖5　地震巖相識別結果(a) 巖相序列; (b—d) 巖相概率P(F|Ew)，P(F|Es)，P(F|S); (e) 巖相最大后驗概率解; (f) 地震尺度巖相序列.

圖6(a—c)為彈性參數(shù)在各巖相中的一維高斯分布，高斯曲線混疊程度越低則巖相識別的不確定性越小.圖6(d—f)的二維分布中，數(shù)據樣點分布趨勢與統(tǒng)計概率基本吻合，驗證了統(tǒng)計關系的準確性.方法首先根據統(tǒng)計關系構建測井巖相定義條件概率P(F|Ew)，然后通過P(F|Ew)由彈性參數(shù)曲線開展巖相劃分，并將測井彈性曲線放大到地震尺度(圖7).

圖7d中巖相序列是條件概率P(F|Ew)的最大概率表征.井A目的層段主要有兩套油頁巖厚層；頂部為粉砂質泥巖厚層，是工區(qū)解釋的標準層；白云巖主要位于目的層底部.目的層段存在許多各巖相薄層.應注意的是，測井數(shù)據噪聲與測量誤差可能會引起局部的巖相誤判，從而引起薄層假象.該類型巖相誤判(薄層假象)的出現(xiàn)特征與數(shù)據噪聲一致，都具有很強的隨機性；其空間分布特征嚴重偏離巖相分布的馬爾科夫性質.此外，該類型巖相誤判(薄層假象)的厚度通常較薄，基本不能承載任何地質意義.在實際生產中可以根據其以上特征對其進行甄別.

針對井震尺度匹配環(huán)節(jié)的不確定性，首先通過Kronecker乘積方法(Granaetal., 2012a)生成大量測井彈性參數(shù)模擬曲線Ew，擴展統(tǒng)計樣本容量以獲取穩(wěn)定的統(tǒng)計結果；然后根據實際地震資料分辨率將模擬曲線Ew尺度放大到地震尺度Es，通過式(4)擬合二者的聯(lián)合分布P(Ew,Es)，并由式(5)獲取其條件概率P(Ew|Es).P(Ew|Es)表征井震尺度彈性參數(shù)的概率統(tǒng)計關系，其亦蘊含了井震尺度匹配的不確定性信息.

在地震反演環(huán)節(jié)，通過貝葉斯線性AVO反演方法預測彈性參數(shù)后驗概率分布P(Es|S)，以表征地震反演環(huán)節(jié)的不確定性(式(6—9))，并最終由式(10)聯(lián)合P(F|Ew)、P(Ew|Es)和P(Es|S)獲取地震巖相概率P(F|S).P(F|S)客觀準確地表征了地震巖相識別各環(huán)節(jié)不確定性對最終反演結果的影響.

圖6　彈性參數(shù)統(tǒng)計分析(a—c) 各巖相彈性參數(shù)一維邊緣概率分布； (d—f) 彈性參數(shù)二維邊緣概率分布.

圖7　(a—c) 縱橫波速度及密度(實線為測井數(shù)據，虛線為尺度放大數(shù)據); (d) 巖相序列(淺灰色為油頁巖、深灰色為粉砂質泥巖、黑色為白云巖)

研究首先基于井旁道地震數(shù)據開展巖相識別，以檢驗方法對工區(qū)實際資料的應用效果.井旁道地震反演結果P(Es|S)參見圖8.反演的彈性參數(shù)后驗概率與實際測井數(shù)據趨勢匹配良好，具有較高的穩(wěn)定性.然后結合測井巖相定義、井震尺度匹配和地震數(shù)據反演三個環(huán)節(jié)的概率信息開展井旁道地震巖相識別，結果如圖9所示.

由圖9可知，方法識別出了井A兩套油頁巖厚層及其頂部作為工區(qū)標準層的粉砂質泥巖厚層和位于目的層底部的白云巖.受到工區(qū)地震資料分辨率的制約，地震巖相識別未能有效地識別出巖相序列中的巖相薄層.巖相最大后驗概率解(圖9d)與井、震尺度巖相序列(圖9(a—b))的相關系數(shù)分別為78.98%和79.56%，驗證了方法對當前工區(qū)資料的適用性.因此研究基于目的層地震數(shù)據開展儲層巖相識別.

工區(qū)地震資料為部分疊加數(shù)據.近、中、遠偏移距對應入射角度分別為8°、17°和26° (圖10(d—f)).井A位于地震剖面中部位置.結合貝葉斯線性AVO反演方法，由工區(qū)地震資料反演獲取儲層彈性參數(shù)概率分布信息，其最大后驗概率剖面如圖10(a—c)所示.但應注意，方法采用反演的彈性參數(shù)概率信息而非其最大后驗概率解預測儲層巖相分布，因為融合概率信息能夠表征地震反演不確定性對巖相識別的影響.在此基礎上計算各儲層巖相概率信息(圖11(d—f))并提取油頁巖相概率>0.5和概率>0.4的位置分布信息以及巖相最大后驗概率剖面(圖11(a—c)).

由圖11可知，本文方法成功識別出了目的層中兩套油頁巖厚層、作為工區(qū)標準層的粉砂質泥巖以及目的層基地的白云巖.由于工區(qū)地震分辨率的限制，方法未能有效識別其中的巖相薄層.圖11c中油頁巖分布反演結果與解釋層位的匹配度較高，油頁巖圍巖主要成分為粉砂質泥巖.巖相分布體現(xiàn)了工區(qū)盆地邊緣斜坡沉積的地質特征.圖11(a—b)中，不同概率閥值下油頁巖相分布范圍的變化直觀展現(xiàn)了油頁巖預測的不確定性，有助于分析油頁巖分布的有利區(qū)域，降低儲層評價的風險.與傳統(tǒng)方法相比，研究方法通過在地震巖相識別各環(huán)節(jié)中引入概率統(tǒng)計技術，準確客觀地表征了各環(huán)節(jié)不確定性因素對于最終結果的影響；并通過巖相概率反映最終反演結果及其不確定性，為油藏表征評價提供重要的參考信息.針對多步驟反演方法的分辨率受到地震資料制約的問題，可將該方法獲取的巖相概率數(shù)據體作為約束信息服務于后續(xù)的儲層建模，以獲取高分辨率儲層巖相分布信息.

圖8　井旁道縱橫波速度及密度的后驗概率分布

圖9　井旁道地震巖相識別(a) 巖相序列; (b) 地震尺度巖相序列; (c) 巖相概率P(F|S); (d) 巖相最大后驗概率解.

圖10　(a—c) 縱橫波速度及密度最大后驗概率剖面; (d—f) 部分疊加地震數(shù)據

圖11　地震巖相識別結果(a—b) 油頁巖相概率>0.5和概率>0.4位置剖面; (c) 巖相最大后驗概率剖面(深綠色為油頁巖，黃色為粉砂質泥巖，紅色為白云巖); (d—f) 油頁巖、粉砂質泥巖和白云巖的巖相概率.

5結論與建議

研究采用基于概率統(tǒng)計的多步驟反演方法開展儲層地震巖相識別，并通過模型數(shù)據與實際資料對比，驗證方法的有效性.研究結果表明： (1) 利用基于概率統(tǒng)計的多步驟反演方法開展地震巖相識別對輸入信息要求較低且易于評價反演結果的不確定性，適用于油田勘探初期井資料匱乏情形下的油藏表征工作； (2) 與傳統(tǒng)方法相比，本研究通過概率統(tǒng)計方法表征了地震巖相識別各環(huán)節(jié)不確定性因素的影響，其巖相概率能夠客觀準確地反映地震巖相識別結果及其不確定性； (3) 研究獲取的巖相概率信息既可用于提取巖相最大后驗概率分布，也能夠用于分析各巖相分布的不確定性，但其分辨率受到工區(qū)地震資料分辨率的制約； (4) 在后續(xù)工區(qū)資料不斷充實條件下，方法獲取的巖相概率數(shù)據體可作為約束信息服務于儲層建模，以獲取高分辨率儲層巖相分布信息.

References

Bachrach R. 2006. Joint estimation of porosity and saturation using stochastic rock-physics modeling.Geophysics, 71(5): O53-O63.

Buland A, Omre H. 2003. Bayesian linearized AVO inversion.Geophysics, 68(1): 185-198.

Buland A, Kolbj?rnsen O, Hauge R, et al. 2008. Bayesian lithology and fluid prediction from seismic prestack data.Geophysics, 73(3): C13-C21.

Cao D P, Yin X Y, Zhang F C, et al. 2009. A study on the method of joint inversion of multiscale seismic data.ChineseJournalofGeophysics(in Chinese), 52(4): 1059-1067, doi: 10.3969/j.issn.0001-5733.2009.04.023.

Cao D P. 2015. The upscaling method of the well logging data based on Backus equivalence average method.GeophysicalProspectingforPetroleum(in Chinese), 54(1): 105-111. Dempster A P, Laird N M, Rubin D B. 1977. Maximum likelihood from incomplete data via the EM algorithm.JournaloftheRoyalStatisticianSocietySer.B, 39(1): 1-38.

Deng J X, Wang S X. 2009. Joint inversion of saturation and porosity in gas reservoir based on statistical rock physics.JournalofOilandGasTechnology(in Chinese), 31(1): 48-53.

Grana D, Rossa E D. 2010. Probabilistic petrophysical properties estimation integrating statistical rock physics with seismic inversion.Geophysics, 75(3): O21-O37.

Grana D, Mukerji T, Dvorkin J, et al. 2012a. Stochastic inversion of facies from seismic data based on sequential simulations and probability perturbation method.Geophysics, 77(4): M53-M72.

Grana D, Pirrone M, Mukerji T. 2012b. Quantitative log interpretation and uncertainty propagation of petrophysical properties and facies classification from rock-physics modeling and formation evaluation analysis.Geophysics, 77(3): WA45-WA63.

Grana D, Paparozzi E, Mancini S, et al. 2013. Seismic driven probabilistic classification of reservoir facies for static reservoir modelling: a case history in the Barents Sea.GeophysicalProspecting, 61(3): 613-629.He Y X, Yao Y. 2005. Lithological profile non-linear inversion by reference trace-based lithological identification.PetroleumExplorationandDevelopment(in Chinese), 32(3): 61-63. Huang Z Y, Gan L D, Dai X F, et al. 2012. Key parameter optimization and analysis of stochastic seismic inversion.AppliedGeophysics(in Chinese), 9(1): 49-56.

Karimpouli S, Hassani H, Nabi-Bidhendi M, et al. 2013. Application of probabilistic facies prediction and estimation of rock physics parameters in a carbonate reservoir from Iran.J.Geophys.Eng., 10(1): 015008.

Mukerji T, J?rstad A, Avseth P, et al. 2001. Mapping lithofacies and pore-fluid probabilities in a North Sea reservoir: Seismic inversions and statistical rock physics.Geophysics, 66(4): 988-1001.

Papoulis A. 1984. Probability, Random Variables and Stochastic Processes. New York: McGraw-Hill.

Schlanser K, Grana D, Campbell-Stone E, et al. 2014. Petro-elastic facies classification in the Marcellus Shale by applying expectation maximization to measured well logs. ∥ SEG Technical Program Expanded Abstracts. SEG, 659-663.Tarantola A. 2005. Inverse Problem Theory. SIAM.

Teng L, Cheng J B. 2011. Bayesian petrophysical-properties estimation with statistical rock physics and AVA inversion.∥ SPG/SEG 2011 International Conference of Geophysics (in Chinese). Shenzhen, 930-934.

Tian Y K, Zhou H, Yuan S Y. 2013. Lithologic discrimination method based on Markov random-filed.ChineseJournalofGeophysics(in Chinese), 56(4): 1360-1368, doi: 10.6038/cjg20130430.

Xu C C, Torres-Verdín C. 2014. Petrophysical rock classification in the Cotton Valley tight-gas sandstone reservoir with a clustering pore-system orthogonality matrix.Interpretation, 2(1): T13-T23.

Yang K, Ai D F, Geng J H. 2012. A new geostatistical inversion and reservoir modeling technique constrained by well-log, crosshole and surface seismic data.ChineseJournalofGeophysics(in Chinese), 55(8): 2695-2704, doi: 10.6038/j.issn.0001-5733.2012.08.022.

Yin X Y, Sun R Y, Wang B L, et al. 2014. Simultaneous inversion of petrophysical parameters based on geostatistical a priori information.AppliedGeophysics(in Chinese), 11(3): 311-320.

Zhang F C, Xiao Z B, Yin X Y. 2014. Bayesian stochastic inversion constrained by seismic data.OilGeophysicalProspecting(in Chinese), 49(1): 176-182.

Zhang G Z, Wang D Y, Yin X Y, et al. 2011. Study on prestack seismic inversion using Markov Chain Monte Carlo.ChineseJournalofGeophysics(in Chinese), 54(11): 2926-2932, doi: 10.3969/j.issn.0001-5733.2011.11.022.

Zhao L X, Geng J H, Cheng J B, et al. 2014. Probabilistic lithofacies prediction from prestack seismic data in a heterogeneous carbonate reservoir.Geophysics, 79(5): M25-M34.

附中文參考文獻

曹丹平, 印興耀, 張繁昌等. 2009. 多尺度地震資料聯(lián)合反演方法研究. 地球物理學報, 52(4): 1059-1067, doi: 10.3969/j.issn.0001-5733.2009.04.023.

曹丹平. 2015. 基于Backus等效平均的測井資料尺度粗化方法研究. 石油物探, 54(1): 105-111.

鄧繼新, 王尚旭. 2009. 基于統(tǒng)計巖石物理的含氣儲層飽和度與孔隙度聯(lián)合反演. 石油天然氣學報, 31(1): 48-53.

何又雄, 姚姚. 2005. 基于參考道的巖性識別與巖性剖面非線性反演. 石油勘探與開發(fā), 32(3): 61-63.

黃哲遠, 甘利燈, 戴曉峰等. 2012. 隨機地震反演關鍵參數(shù)優(yōu)選和效果分析. 應用地球物理, 9(1): 49-56.

騰龍, 程玖兵. 2011. 貝葉斯框架下聯(lián)合統(tǒng)計巖石物理與AVA反演的儲層參數(shù)估計. ∥ SPG/SEG 2011年國際地球物理會議論文集. 深圳, 930-934.

田玉昆, 周輝, 袁三一. 2013. 基于馬爾科夫隨機場的巖性識別方法. 地球物理學報, 56(4): 1360-1368, doi: 10.6038/cjg20130430. 楊鍇, 艾迪飛, 耿建華. 2012. 測井、井間地震與地面地震數(shù)據聯(lián)合約束下的地質統(tǒng)計學隨機建模方法研究. 地球物理學報, 55(8): 2695-2704, doi: 10.6038/j.issn.0001-5733.2012.08.022. 印興耀, 孫瑞瑩, 王保麗等. 2014. 基于地質統(tǒng)計先驗信息的儲層物性參數(shù)同步反演. 應用地球物理, 11(3): 311-320.

張繁昌, 肖張波, 印興耀. 2014. 地震數(shù)據約束下的貝葉斯隨機反演. 石油地球物理勘探, 49(1): 176-182.

張廣智, 王丹陽, 印興耀等. 2011. 基于MCMC的疊前地震反演方法研究. 地球物理學報, 54(11): 2926-2932, doi: 10.3969/j.issn.0001-5733.2011.11.022.

(本文編輯胡素芳)

基金項目國家自然科學基金項目(U1262207、41390454)與國家科技重大專項課題(2011ZX05019-006)聯(lián)合資助.

作者簡介袁成，男，1988年生，中國石油大學(北京)在讀博士生，研究方向為儲層表征與地質統(tǒng)計學.E-mail:yuancheng0124@139.com *通訊作者李景葉，男，1978年生，教授，2005年獲得中國石油大學(北京)博士學位，研究方向為儲層地球物理.E-mail:ljy3605@sina.com

doi:10.6038/cjg20160124 中圖分類號P631

收稿日期2015-02-09，2015-07-12收修定稿

A probabilistic approach for seismic facies classification

YUAN Cheng1,2, LI Jing-Ye1,2*, CHEN Xiao-Hong1,2

1StateKeyLaboratoryofPetroleumResourcesandProspecting,ChinaUniversityofPetroleum,Beijing102249,China2NationalEngineeringLaboratoryforOffshoreOilExploration,ChinaUniversityofPetroleum,Beijing102249,China

AbstractThe distribution information of reservoir facies is critical for reservoir characterization. However, because of the insufficiency of well-log data, reservoir facies classification in the early stage of oilfield exploration is mainly based on seismic data, which usually manifest strong uncertainty. Traditional method provides us with only a certain outcome of facies distribution that does not contain any uncertainty information of the inversion results. It increases the risk of reservoir characterization and decision-making in any petroleum reservoir.

KeywordsFacies classification; Probability statistics; Multistep inversion; Uncertainty

袁成, 李景葉, 陳小宏. 2016. 地震巖相識別概率表征方法.地球物理學報，59(1):287-298,doi:10.6038/cjg20160124.

Yuan C, Li J Y, Chen X H. 2016. A probabilistic approach for seismic facies classification.ChineseJ.Geophys. (in Chinese),59(1):287-298,doi:10.6038/cjg20160124.