基于電阻率約束的分頻屬性反演在油氣檢測(cè)中的應(yīng)用—以渤海B構(gòu)造為例

鄧少清， 孫佳林， 張京思

(中海石油(中國(guó))有限公司 天津分公司渤海石油研究院，天津 300459)

0 引言

隨著渤海海域油氣資源的不斷開(kāi)發(fā)和勘探技術(shù)的不斷進(jìn)步，油氣成藏類(lèi)型由構(gòu)造向巖性隱蔽成藏圈閉轉(zhuǎn)移，對(duì)油氣檢測(cè)的要求越來(lái)越高。在進(jìn)行反演工作之前，通常會(huì)根據(jù)研究工區(qū)內(nèi)具備的條件來(lái)選擇合適的反演方法[1]。每一種反演方法都有其具備的優(yōu)勢(shì)和局限性，比如疊前反演較疊后反演預(yù)測(cè)精度較高，但檢測(cè)流程復(fù)雜，工作周期長(zhǎng)。常規(guī)地震反演中的約束稀疏脈沖反演和模型反演也都有各自的缺陷：模型反演適用多井工區(qū)，其關(guān)鍵是建立合適的初始模型，工作人員對(duì)地質(zhì)目標(biāo)的認(rèn)識(shí)不同造成建立模型的差別，從而導(dǎo)致反演結(jié)果的多解性；稀疏脈沖反演一般井較少時(shí)使用，但其受地震子波的影響較大，不能充分利用地震資料有效頻帶中的相對(duì)高頻和低頻成分。分頻屬性反演是最近發(fā)展的一種全新反演方法，是一種無(wú)須子波提取、無(wú)須建立模型的非線(xiàn)性屬性反演，其充分依靠地震和測(cè)井資料信息，利用人工智能數(shù)學(xué)方法研究不同探測(cè)頻率下的振幅響應(yīng)變化(AVF)，并將其作為獨(dú)立信息引入反演中，更加精細(xì)地刻畫(huà)實(shí)際地層之間的接觸關(guān)系，不僅可以反演孔隙度，地層壓力和巖性等多種物性參數(shù)，還可以提高流體檢測(cè)的預(yù)測(cè)精度。

1 分頻屬性反演的原理

地震分頻屬性反演是一種全頻帶約束反演，通過(guò)基于小波變換的分頻算法能合理、有效的利用地震信息中相對(duì)高頻和低頻成分。

1.1 AVF關(guān)系

地震記錄實(shí)際上是波阻抗(AI)和時(shí)間厚度(H)的函數(shù)，對(duì)于一個(gè)楔狀模型，用不同主頻的雷克子波與其褶積，得到一系列合成地震剖面，從而得到不同頻率下振幅與厚度的調(diào)諧曲線(xiàn)(圖1(a))；對(duì)其進(jìn)行轉(zhuǎn)換，就可以得到在不同時(shí)間厚度下振幅隨頻率變化的關(guān)系[2](圖1(b))。

從AVF關(guān)系中我們可以得到一個(gè)重大啟示：即相同地層在不同主頻的地震子波下表現(xiàn)出不同的振幅特征。這個(gè)關(guān)系很難用一個(gè)顯性函數(shù)表達(dá)出來(lái)，但可以用BP神經(jīng)網(wǎng)絡(luò)技術(shù)在測(cè)井和地震分解剖面上找到這種關(guān)系，利用AVF關(guān)系反演得到目標(biāo)數(shù)據(jù)。

1.2 BP神經(jīng)網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)有很多種模型，油氣勘探中經(jīng)常采用的BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)模型，它采用誤差反向傳播算法。一般由輸入層，隱含層和輸出層組成的，隱含層可以有一層或多層。同層神經(jīng)元間無(wú)關(guān)聯(lián), 異層神經(jīng)元間向前連接。根據(jù)對(duì)象的復(fù)雜程度, 選擇適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu), 就可以實(shí)現(xiàn)從輸入空間到輸出空間的任意非線(xiàn)性函數(shù)的映射。

圖2 BP神經(jīng)網(wǎng)絡(luò)算法數(shù)學(xué)模型Fig.2 The math model in BP neural network arithmetic

如圖2所示，BP算法在正向傳播過(guò)程中，輸入樣本函數(shù)從輸入層輸入網(wǎng)絡(luò)中，通過(guò)節(jié)點(diǎn)鏈接情況經(jīng)隱含層逐層計(jì)算傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層沒(méi)有得到期望輸出，則計(jì)算實(shí)際與期望誤差變化值，然后轉(zhuǎn)回到反向傳播，重復(fù)上述步驟，直至訓(xùn)練誤差結(jié)果達(dá)到預(yù)期的目標(biāo)[3]。學(xué)習(xí)算法一般采用誤差向后(Back Propagation)傳播方法，誤差可以由預(yù)測(cè)值與輸入值之間的均方根誤差erms表示公式(1)為：

(1)

(2)

這是一個(gè)隨機(jī)自由的訓(xùn)練學(xué)習(xí)過(guò)程，對(duì)于輸入地震屬性范圍很廣，可以有效利用多種相關(guān)屬性，直到得到最優(yōu)化結(jié)果，即可終止訓(xùn)練。

2 分頻屬性反演的技術(shù)思路

圖3 分頻屬性反演技術(shù)流程Fig.3 The technique process of frequency-divided attribute inversion

分頻屬性反演進(jìn)行烴類(lèi)檢測(cè)的技術(shù)思路：①首先要對(duì)地震資料進(jìn)行頻譜特征分析，確定數(shù)據(jù)的有效頻帶范圍，并根據(jù)有效頻帶范圍設(shè)計(jì)合適的尺度進(jìn)行分頻，利用小波分頻技術(shù)設(shè)計(jì)濾波器：低頻8 Hz、中頻30 Hz、高頻55 Hz;②對(duì)每個(gè)頻段的數(shù)據(jù)體分別提取分頻地震道和分頻道積分屬性，同時(shí)優(yōu)選出對(duì)油氣敏感的低頻異常體(LFR)、高頻衰減梯度(HFG)及甜點(diǎn)體屬性參與計(jì)算；③利用人工智能BP神經(jīng)網(wǎng)絡(luò)算法計(jì)算出不同厚度振幅與頻率的變化關(guān)系，并將此關(guān)系引入反演，建立起電阻率測(cè)井曲線(xiàn)與分頻地震波形間的非線(xiàn)性映射關(guān)系[4]，最后將優(yōu)選的分頻地震屬性作為外部輸入，用神經(jīng)網(wǎng)絡(luò)建立已經(jīng)學(xué)習(xí)好的分頻體與反演體之間的映射關(guān)系，合成最終反演體，得到類(lèi)似于電阻率反演的數(shù)據(jù)體。

3 渤海B構(gòu)造烴檢預(yù)測(cè)應(yīng)用效果

3.1 研究區(qū)概況

渤海B構(gòu)造位于黃河口凹陷中洼東北半環(huán)，區(qū)域淺層構(gòu)造-巖性圈閉發(fā)育，規(guī)模較大，整體為受邊界斷層控制下的復(fù)雜斷塊群。圍區(qū)已鉆井在淺層明化鎮(zhèn)下段II-V油組均有不錯(cuò)的油氣發(fā)現(xiàn)，鉆井結(jié)果表明，研究區(qū)明下段主要發(fā)育極淺水三角洲沉積環(huán)境，為厚層泥巖夾砂巖的儲(chǔ)蓋組合，目的層剖面特征清晰、連續(xù)性較好，主力油層段砂巖百分含量在25%～35%之間，II油組和III油組砂地比低，整體呈“泥包砂”的結(jié)構(gòu)特征，橫向上呈片狀分布特點(diǎn)，IV-V油組砂體縱向上為砂泥巖薄互層的反射結(jié)構(gòu)，儲(chǔ)層水平分布穩(wěn)定。地震資料保幅性好，信噪比較高，層間反射信息豐富，主頻約 30 Hz左右，頻帶寬度8 Hz～55 Hz，滿(mǎn)足反演要求。

3.2 反演成果分析

分頻屬性反演內(nèi)部提供分頻地震道和分頻道積分兩種地震屬性參與運(yùn)算，參照地震資料頻譜特征，利用小波分頻技術(shù)得到低、中、高不同頻率地震屬性，同時(shí)引入研究區(qū)已鉆四口井的電阻率測(cè)井曲線(xiàn)參與BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練[5]，利用BP神經(jīng)網(wǎng)絡(luò)算法建立分頻屬性與目標(biāo)曲線(xiàn)的非線(xiàn)性關(guān)系，通過(guò)多次學(xué)習(xí)得到學(xué)習(xí)井的目標(biāo)曲線(xiàn)和原始曲線(xiàn)相關(guān)系數(shù)不高，為提高反演的精度，又加入對(duì)油氣水區(qū)分比較有效的高頻衰減梯度屬性、低頻異常屬性以及甜點(diǎn)體屬性參與練習(xí)，通過(guò)這五種屬性組合優(yōu)化，不斷的調(diào)整反演參數(shù)，改變各地震屬性成分對(duì)反演的貢獻(xiàn)度[6]，最終選用如表1所示的參數(shù)設(shè)置，使訓(xùn)練集相關(guān)系數(shù)達(dá)到0.976 6，測(cè)試集相關(guān)系數(shù)為0.735 1，誤差為0.002 92。

圖5是原始電阻率曲線(xiàn)與學(xué)習(xí)曲線(xiàn)的擬合結(jié)果，從圖5中發(fā)現(xiàn)二者相關(guān)程度較高。圖6為分頻反演結(jié)果，可以看出：在明下段II油組和V油組之間每套厚油層(大于5 m)在反演剖面上都有明顯響應(yīng)特征，與測(cè)井解釋結(jié)果相吻合，薄油層除個(gè)別幾套外也都有一定強(qiáng)度的異常響應(yīng)，對(duì)于水層則起到明顯的壓制效果。

表1 BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置及學(xué)習(xí)結(jié)果

圖4 渤海B構(gòu)造目的層地震資料頻譜分析Fig.4 Spectrum analysis of seismic data in B area(a)地震剖面；(b)頻譜分析

圖5 目標(biāo)曲線(xiàn)與學(xué)習(xí)曲線(xiàn)的擬合結(jié)果Fig.5 The matching results of target curves and learning curves

表2 學(xué)習(xí)井烴類(lèi)預(yù)測(cè)結(jié)果統(tǒng)計(jì)表

通過(guò)對(duì)參與反演學(xué)習(xí)的四口已鉆井含油氣砂體進(jìn)行統(tǒng)計(jì)見(jiàn)表2，發(fā)現(xiàn)與反演含油氣砂體有著較高的吻合率，達(dá)到80%左右。這一預(yù)測(cè)結(jié)果證明了該技術(shù)方法的有效性和實(shí)用性[7]。由于選取的是地震資料的不同頻率信息，對(duì)比單一利用原始地震道反演，更加具有針對(duì)性，得到的反演結(jié)果也具有更好的穩(wěn)定性和可靠性。這種技術(shù)是利用前述BP神經(jīng)網(wǎng)絡(luò)的映射方法，得到各控制井點(diǎn)目標(biāo)曲線(xiàn)的學(xué)習(xí)結(jié)果, 并進(jìn)而計(jì)算得到整個(gè)工區(qū)反演數(shù)據(jù)體，因此參與運(yùn)算的鉆井曲線(xiàn)越多，得到的結(jié)果越精確。另外，外部屬性組合的選擇也影響反演的結(jié)果，不同的屬性個(gè)數(shù)和不同的屬性組合會(huì)有不同的結(jié)果。

3.3 利用分頻反演對(duì)目標(biāo)區(qū)進(jìn)行含油氣檢測(cè)

運(yùn)用上述方法[8]對(duì)目標(biāo)區(qū)5井進(jìn)行含油氣檢測(cè)，如圖7所示，在明下段III油組鉆遇一套差油層，在對(duì)應(yīng)的反演剖面上響應(yīng)不明顯，檢測(cè)屬性值為弱值，而在IV油組鉆遇一套較厚油層在剖面上有明顯的響應(yīng)特征，同時(shí)鉆井結(jié)果顯示在V油組解釋基本都是水層，在水層處反演屬性沒(méi)有顯示，說(shuō)明水層被明顯地壓制。在對(duì)有油氣顯示的大套厚油層提取平面振幅屬性，圖8顯示其油氣分布結(jié)果與砂體構(gòu)造等值線(xiàn)特征相吻合，烴檢的異常值位于構(gòu)造高部位，這進(jìn)一步說(shuō)明了該方法在平面上油氣預(yù)測(cè)也具有不錯(cuò)的效果。

4 結(jié)束語(yǔ)

分頻屬性反演[9]從標(biāo)定到反演都十分方便快捷，在渤海B構(gòu)造淺層明化鎮(zhèn)組油氣檢測(cè)中取得了不錯(cuò)的應(yīng)用效果。通過(guò)對(duì)油水反映敏感的電阻率曲線(xiàn)和有效地震屬性的引入，采用BP神經(jīng)網(wǎng)絡(luò)這種非線(xiàn)性反演算法[10]，大大提高了油氣檢測(cè)的精度，在計(jì)算過(guò)程中也要注意幾點(diǎn)問(wèn)題：首先，在進(jìn)行反演工作前不同類(lèi)型電阻率測(cè)井曲線(xiàn)要進(jìn)行歸一化處理，保持門(mén)檻值域上的統(tǒng)一，同時(shí)地震有效頻帶范圍的確定也很關(guān)鍵，引入測(cè)井信息的低，高頻信息可以更好的提高地震資料的分辨能力。另外，外部油氣檢測(cè)類(lèi)地震屬性的選擇要謹(jǐn)慎，優(yōu)選出訓(xùn)練相似程度最高的屬性組合參與運(yùn)算。

圖6 學(xué)習(xí)井分頻屬性反演剖面Fig.6 The frequency-divided attribute inversion section of learning wells

圖7 目標(biāo)區(qū)5井明下段反演結(jié)果剖面Fig.7 The frequency-divided inversion section of well 5 of lower Minghuazhen formation in target zone

圖8 目標(biāo)砂體分頻反演振幅切片及構(gòu)造圖Fig.8 The amplitude slice of frequency-divided and structural map in target sand(a)振幅切片；(b)構(gòu)造圖

當(dāng)然該方法也存在一定的局限性，作為目標(biāo)學(xué)習(xí)的控制曲線(xiàn)必須對(duì)油氣層有較好的突出能力，對(duì)于埋深大，砂巖百分含量較高的IV和V油組地層，砂泥阻抗差異更小，儲(chǔ)層上覆地層干擾因素較多，得到的烴檢反演效果較差，同時(shí)通過(guò)不斷演練，我們發(fā)現(xiàn)工區(qū)內(nèi)鉆井的數(shù)量也會(huì)影響反演結(jié)果的好壞，參與學(xué)習(xí)井越多反演效果越好，可以更有效降低油氣預(yù)測(cè)風(fēng)險(xiǎn)，因此該方法適用于鉆井較多的區(qū)塊。