智能預測和常規(guī)地震屬性融合的產(chǎn)能“甜點”預測方法

林同奎,黃旭日,2,熊 威,徐明華,王 琳,黃 鑫

(1.西南石油大學地球科學與技術(shù)學院,四川成都610500;2.油氣藏地質(zhì)及開發(fā)工程國家重點實驗室,西南石油大學,四川成都610500;3.中國石油集團川慶鉆探工程有限公司地質(zhì)勘探開發(fā)研究院,四川成都610051)

目前非常規(guī)油氣藏正成為國內(nèi)油氣勘探的重要領域之一,對致密砂巖開展優(yōu)勢產(chǎn)能區(qū)域的研究在非常規(guī)油氣勘探開發(fā)中尤為重要。致密砂巖孔隙度低、滲透率低,有效產(chǎn)能主要依賴于局部“甜點”區(qū)域。產(chǎn)能“甜點”是具有一定生產(chǎn)能力和經(jīng)濟效益的局部優(yōu)質(zhì)儲層區(qū)[1]。影響產(chǎn)能“甜點”分布和發(fā)育的因素眾多,如裂縫等構(gòu)造以及相對較高的孔隙度和滲透率影響著油氣的運移和儲存,沉積微相影響著油氣“甜點”儲層的分布。裂縫構(gòu)造、沉積相與沉積環(huán)境均是影響產(chǎn)能“甜點”的重要因素,有利的裂縫構(gòu)造和沉積微相為致密砂巖甜點的形成提供了環(huán)境。因此,裂縫等構(gòu)造和沉積微相的預測對致密砂巖油氣“甜點”儲層研究具有重要意義。

地震屬性包含了地震數(shù)據(jù)的變化特征以及蘊藏其中的物理屬性和地質(zhì)構(gòu)造信息。20世紀60年代,地震屬性被引入油氣勘查[2],用于顯示、分析和評價各種儲層物性,其中,“甜點”識別是地震屬性的重要應用之一。由于單一地震屬性存在局限性和多解性的缺點,學者們針對“甜點”預測研究了許多屬性融合技術(shù)[3],如指數(shù)系數(shù)的公式融合[4-5]、RGB顏色融合方法[6]、CMY顏色模式融合[7]、相關系數(shù)加權(quán)的融合方法[8]等。作為“甜點”預測的有效技術(shù),地震屬性和屬性融合技術(shù)的應用提高了地球物理工作者的效率,但傳統(tǒng)屬性提取受參數(shù)設置影響,融合預測效果因人而異。為進一步提高預測方法技術(shù)的效率和準確度,基于人工智能的預測方法在地球物理領域得到大力發(fā)展和應用,如斷層識別[9-13]、波阻抗反演[14]、地震數(shù)據(jù)去噪[15-17]以及儲層預測[18-23]。其中,儲層預測成為了人工智能方法的研究焦點之一?；谏疃葘W習的智能方法在“甜點”預測領域取得了良好的應用。林年添等[20]利用卷積神經(jīng)網(wǎng)絡將已知含油氣井段信息作為訓練標簽進行訓練,實現(xiàn)了地震油氣儲層的預測。楊久強等[21]結(jié)合井點的儲層信息進行屬性優(yōu)選,針對河流相儲層構(gòu)建雙向循環(huán)神經(jīng)網(wǎng)絡模型,更好地關聯(lián)儲層上、下層的關系,降低儲層預測的多解性。田高鵬等[22]利用聚類分析進行敏感屬性篩選并提取油氣特征,設計了自組織神經(jīng)網(wǎng)絡并輸入樣本屬性數(shù)據(jù)集進行訓練;張益民等[23]創(chuàng)建了混合深度學習網(wǎng)絡結(jié)構(gòu),并將其應用于致密儲層“甜點”預測。各種基于神經(jīng)網(wǎng)絡的智能預測方法提高了儲層預測精度,有效預測了致密儲層“甜點”發(fā)育區(qū)。綜合分析儲層預測中的地震屬性和深度學習方法發(fā)現(xiàn),深度學習不僅可以進行數(shù)據(jù)驅(qū)動學習,獲得數(shù)據(jù)更高層次的抽象表示,還能自動從數(shù)據(jù)中提取特征,故在“甜點”預測中具有一定優(yōu)勢。但是單一的智能預測完全基于數(shù)據(jù)關系,難以明確多屬性預測結(jié)果與地質(zhì)特征之間的物理關系。而部分常規(guī)屬性與地質(zhì)特征的關系非常明確,如曲率和相干屬性與構(gòu)造和斷層的關系。融合知能預測和地震屬性融合這兩種方法可以提升對產(chǎn)能“甜點”的預測能力和預測結(jié)果的確定性。

因此,本文將地震屬性融合技術(shù)與深度學習預測相結(jié)合對地震數(shù)據(jù)進行產(chǎn)能“甜點”預測。首先,介紹了研究區(qū)的沉積背景、地質(zhì)概況和資料情況。然后,對研究區(qū)的敏感地震屬性進行了分析和篩選,利用卷積神經(jīng)網(wǎng)絡(convolutional network,CNN)對研究區(qū)進行了優(yōu)勢微相預測。最后融合了敏感屬性與優(yōu)勢微相并分析了預測結(jié)果。

1 研究區(qū)概況

鄂爾多斯盆地是在古生代地臺基礎上產(chǎn)生和發(fā)展的大型內(nèi)陸坳陷,其形成主要受中生代的印支運動和燕山運動影響。演化過程具有穩(wěn)定沉降、坳陷遷移、發(fā)育多期旋回的特點,形態(tài)呈西淺東深、南低北高,為大型多旋回克拉通盆地。本文研究區(qū)(圖1)位于鄂爾多斯盆地伊陜斜坡西南部,整體構(gòu)造平緩,屬于西南沉積體系[24]。K層(該地層由老到新分為K3,K2,K1)沉積時期湖盆不斷擴張,達到鼎盛時期,K1段沉積時期湖盆逐漸萎縮并消亡。K3段物源主要來自東南、西北和西南3個方向,主要以辮狀三角洲前緣—水下濁積扇為主;K1段主要以淺湖沉積為主。K層厚度為80～120m,巖性上部為深灰色、灰黑色泥巖夾泥質(zhì)粉砂巖、粉砂巖及細砂巖,下部為粉砂巖、深灰色泥巖和灰黑色碳質(zhì)泥巖,其底層泥質(zhì)含量較高。K層的儲層經(jīng)過了中等-強的壓實作用,儲層結(jié)構(gòu)為中-小孔、微-細喉型,物性較差,屬于典型的低孔超低滲儲層。研究區(qū)的井數(shù)量較少,直井共9口,其中試油井僅有7口,測井數(shù)據(jù)較少。為此,針對研究區(qū)鉆井較少的儲層區(qū)域,融合井震資料進行“甜點”分布預測十分必要。

圖1 研究區(qū)示意

2 致密油產(chǎn)能“甜點”敏感屬性

2.1 產(chǎn)能“甜點”敏感屬性篩選

地震屬性種類繁多,其中常用的主要有振幅、頻率、相位、能量、波形、相關、吸收和衰減等屬性。不同地震屬性對數(shù)據(jù)特征的表達能力不同,需要針對目的層進行致密油“甜點”敏感地震屬性分析,優(yōu)選“甜點”敏感地震屬性數(shù)據(jù)體,為產(chǎn)能“甜點”空間分布預測及有利產(chǎn)區(qū)預測奠定基礎。

研究區(qū)致密砂巖為脆性,在構(gòu)造運動應力作用下極易形成褶皺、斷裂和微裂縫等構(gòu)造;在砂質(zhì)碎屑流環(huán)境下,砂質(zhì)巖層易于形成裂縫-孔隙型儲層。鉆、錄井及試油資料顯示,K層存在物性較好、產(chǎn)能較高的“甜點”。單砂體地震分辨率較薄,地震識別難度大,且橫向變化快、多期疊置,導致“甜點”預測難度大。研究區(qū)鉆完井試油成果見表1,包括J31、J32、J57、J17、J67、J89、J44共7口井的試油數(shù)據(jù)。本文利用地震屬性與試油數(shù)據(jù)的相關性篩選敏感屬性。

表1 研究區(qū)鉆完井試油成果

J31井在K1段為油水同層;J57井在K1段為油水同層;J17井在K1和K2段均為油層;J67井在K2段為油層;J89井在K1和K2段為油層;J44在K1段為油水同層,J32井在K2段為油層。K段單井試油最高日產(chǎn)油量為6.89t(J89井,K1+K2),最高日產(chǎn)液(油量+水量)為6.89t(J57井K1,J89井K1+K2),在目的層埋藏深度只有2000m左右的情況下,致密油在“甜點”區(qū)域產(chǎn)量較高。

提取K層射孔段不同類型的敏感屬性,并將這些屬性與試油數(shù)據(jù)進行擬合,尋找與“甜點”儲層較為相關的屬性。“甜點”儲層的分布可能與巖相直接相關,因此計算與巖相關系較為密切的屬性,如瞬時頻率、瞬時相位、瞬時振幅等,但擬合結(jié)果相關性較差(表2)。本文還對屬性體提取了層間平均屬性和沿層平均屬性并將二者進行擬合,以瞬時頻率為例,擬合結(jié)果如圖2所示。

表2 瞬時頻率、瞬時相位、瞬時振幅屬性擬合結(jié)果

圖2 瞬時頻率屬性與日產(chǎn)油量擬合結(jié)果a,b 分別為 K1和K2段層間瞬時頻率值與日產(chǎn)油量關系; c,d 分別為K1和K2段沿層瞬時頻率屬性值與日產(chǎn)油量關系

目的層產(chǎn)能“甜點”分布與裂縫發(fā)育可能存在相關性。通過多屬性體初步計算、分析與對比,認為曲率屬性[25]與日產(chǎn)量關系更為密切。當?shù)貙訛楸承被蚵∑饡r,定義曲率為正,當?shù)貙訛橄蛐睍r,曲率為負。致密砂巖中裂縫等構(gòu)造也可能是“甜點”儲層的形成因素,因此,我們嘗試尋找最大正曲率和最小負曲率與目的層產(chǎn)能的關系。

綜合分析可知,K1段與K2段是兩個相鄰小層,沉積環(huán)境相近,各種地球物理性質(zhì)和地質(zhì)性質(zhì)相近。因此,能預測K1和K2小層產(chǎn)能“甜點”的屬性體,在K1段和K2段的性質(zhì)應該一致。將試油數(shù)據(jù)與地震屬性擬合求相關系數(shù)R((1)式),K1和K2小層均應具有較高的相關系數(shù)。曲率屬性的窗長直接影響“甜點”預測的效果,擬合射孔段的日產(chǎn)油量與曲率屬性,發(fā)現(xiàn)存在兩種擬合效果不佳的情況(圖3)。

圖3 曲率屬性與日產(chǎn)油量擬合結(jié)果a 相關系數(shù)R正負相反; b 相關系數(shù)R一高一低

圖3a中K1與K2屬性擬合相關系數(shù)正負不同,一正一負。圖3b中K1與K2相關系數(shù)相差較大,一高一低。上述兩種情況中射孔段的曲率體屬性擬合效果不佳,利用曲率屬性未能對目的層進行產(chǎn)能甜點預測。對不同空間分析窗的最大正曲率體和最小負曲率體擬合并優(yōu)選屬性,進而發(fā)現(xiàn)了相關系數(shù)相對較好的曲率體,如表3所示。

表3 層間曲率體的擬合值

式中：R(X,Y)為相關系數(shù);Cov(X,Y)為X與Y的協(xié)方差;Var[X]為X的方差;Var[Y]為Y的方差。X,Y分別為井點處的屬性值和試油數(shù)據(jù)。

空間分析窗大小分別為11×11,12×12,13×13的曲率體與日產(chǎn)油量擬合相關系數(shù)較高,但是均出現(xiàn)了K1,K2段相關系數(shù)相差較大的情況,不符合K1,K2段性質(zhì)相近的特征。因此,為符合K1,K2兩段性質(zhì)相近的特點,優(yōu)選出相關系數(shù)相近的曲率體以及空間分析窗大小為5×5的最大正曲率體,它在K1,K2段的屬性值與日產(chǎn)油量相關系數(shù)大,且均為正相關,符合K1與K2段性質(zhì)相近的特點。其中,K1段相關系數(shù)為61.01%,K2段相關系數(shù)為63.45%,綜合相關系數(shù)為62.23%(圖4)。

圖4 曲率體的擬合結(jié)果a 空間分析窗為5×5的最大正曲率屬性與K1段日產(chǎn)油量關系; b 空間分析窗為5×5的最大正曲率屬性與K2段日產(chǎn)油量關系

最小負曲率高值區(qū)指示的是向斜彎曲較大的構(gòu)造部位,最大正曲率高值區(qū)反映的是背斜類型的彎曲較大的構(gòu)造部位。負曲率越小或正曲率越大,揭示的裂縫或微幅構(gòu)造對油氣越有利。將優(yōu)選出的屬性提取到井點進行井震聯(lián)合剖面分析,空間分析窗為5×5的最大正曲率測井曲線高值段與測井射孔段以及解釋油層對應的一致性更好?？臻g分析窗為5×5時的最大正曲率體三維雕刻結(jié)果如圖5所示?？臻g分析窗為5×5的最大正曲率屬性與試油數(shù)據(jù)存在較高的相關性,證明了本文研究區(qū)中裂縫或微幅構(gòu)造控制了“甜點”儲層的形成。

圖5 空間分析窗為5×5時最大正曲率體(深度域)三維雕刻結(jié)果

2.2 基于卷積神經(jīng)網(wǎng)絡(CNN)的屬性預測

卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)主要由輸入層、卷積層、池化層(下采樣層)、全連接層和輸出層組成[20]。卷積層通過卷積核提取輸入數(shù)據(jù)特征,并在池化層對卷積層提取的特征信息進行統(tǒng)計和優(yōu)化。本文利用卷積神經(jīng)網(wǎng)絡在井點處建立地震波形數(shù)據(jù)與有利微相的關系,并應用于實際工區(qū),根據(jù)地震數(shù)據(jù)的波形特征進行微相預測,從而達到對有利微相的預測(圖6)。

圖6 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)

測井數(shù)據(jù)相對地震數(shù)據(jù)而言,能更準確地刻畫地質(zhì)的真實情況。但測井數(shù)據(jù)僅能反映單個井點位置的情況,而不能反映整個研究區(qū)的變化。因此,如何根據(jù)測井數(shù)據(jù)與地震數(shù)據(jù)的關系,預測整個研究區(qū)的高分辨率地層特征或測井數(shù)據(jù)非常有意義。本文采用卷積神經(jīng)網(wǎng)絡的方法實現(xiàn)了從地震數(shù)據(jù)到測井數(shù)據(jù)的“轉(zhuǎn)換”,并采用了參考點空間屬性提取的思路[26],將地質(zhì)演化過程并入測井數(shù)據(jù)中,通過地質(zhì)條件的變化進行大數(shù)據(jù)樣本制作,從而達到對于少井、各向異性復雜、同相軸不連續(xù)區(qū)域的砂體空間展布識別及產(chǎn)能“甜點”區(qū)預測的目的。沉積微相預測劃分流程如圖7所示,主要的實施步驟如下。

圖7 沉積微相預測劃分流程

1) 制作疊置模型。依據(jù)沉積微相帶劃分結(jié)果和地質(zhì)演化過程[27],在縱向上保證不同巖性疊合順序的一致性,采用數(shù)值模擬方法在橫向上模擬沉積巖的厚度變化,通過變換巖層疊置關系獲得不同的疊置模型,從而得到基于不同疊置模型組合的數(shù)據(jù)集。

2) 生成地震響應。提取井旁道地震數(shù)據(jù)目的層段主頻作為正演模擬主頻,選擇使井合成記錄與井旁道在目的層段相關系數(shù)最大的相位作為初始相位。對工區(qū)內(nèi)的7口井進行分析,確定正演主頻為30Hz,子波初始相位分別為96°,96°,96°,-174°,-161°,84°,21°,正演得到地震響應。

3) 輸入地震響應訓練神經(jīng)網(wǎng)絡。對研究區(qū)進行地質(zhì)情況分析、測井資料統(tǒng)計,得到參考點的地層厚度、沉積順序,將巖石物理參數(shù)突變值應用于卷積神經(jīng)網(wǎng)絡進行訓練,收斂得到相應的神經(jīng)網(wǎng)絡模型。

4) 預測屬性分布。將訓練好的神經(jīng)網(wǎng)絡應用于研究區(qū)的地震數(shù)據(jù),預測得到K層的微相數(shù)據(jù)體。

區(qū)域地質(zhì)研究表明[28],K層沉積環(huán)境為深湖-半深湖沉積環(huán)境。沉積相包括湖底濁積扇和深湖-半深湖相,中扇、外扇、深湖平原亞相,砂質(zhì)碎屑流、濁流、湖泥微相(圖8)。因此,對研究區(qū)進行微相的預測,將砂質(zhì)碎屑流環(huán)境區(qū)域標簽設為1、湖泥環(huán)境區(qū)域標簽設為-1,得到對應的7口井微相標簽數(shù)據(jù)曲線,再根據(jù)上述流程,得到卷積神經(jīng)網(wǎng)絡模型。利用訓練好的模型對整個研究區(qū)進行預測,得到微相預測的體數(shù)據(jù)。沿K1、K2、K3段提取對應范圍的地震數(shù)據(jù),得到各層的微相平面空間展布(圖9),由K3層展布圖(圖9c)可見低值區(qū)域較大,對應了K層底部泥質(zhì)含量高,說明預測結(jié)果較為準確。

圖8 K層沉積相劃分示意

圖9 沉積微相預測結(jié)果平面展布a K1段; b K2 段; c K3段

3 多屬性融合與結(jié)果分析

3.1 多屬性融合的甜點預測

“甜點”砂體主要發(fā)育在砂質(zhì)碎屑流中,而曲率體包含了對地層構(gòu)造中的微弧構(gòu)造和部分斷層裂縫的預測,表征了油氣運移通道和存儲空間。因此,預測的砂質(zhì)碎屑流體和曲率體屬性均能有效表征油氣的運移和儲存范圍。若將預測微相體和地震屬性曲率體進行融合則能降低地震的多解性,更好地圈定“甜點”發(fā)育的范圍,對產(chǎn)能“甜點”進行預測。

將最優(yōu)曲率體與預測微相體進行融合,本文采用的融合方法步驟如下。

1)對地震屬性進行標準化處理((2)式)并濾波。在進行屬性融合前,先要對地震屬性進行標準化處理,以消除不同屬性量級不同的影響。

式中：x(i)為處理前某屬性在i點處屬性值;xmax為該屬性的最大屬性值;xmin為該屬性的最小屬性值;

y(i)為處理后該屬性在i點處的屬性值。

2) 根據(jù)與試油數(shù)據(jù)的相關性計算融合權(quán)重系數(shù)((3)式)。

式中：ωi為不同屬性體的融合權(quán)重;xi為需要計算的屬性相關系數(shù);n為參與融合的屬性體個數(shù)。

3) 屬性融合。將不同權(quán)重系數(shù)的地震屬性進行相加((4)式),融合后可對融合體進行適當?shù)臑V波處理。

式中：y為所計算的融合屬性體;ωj為不同屬性體的融合權(quán)重;yj為參與融合的屬性體;n為參與融合的屬性體個數(shù)。

得到了融合屬性體后,再對屬性體進行濾波處理,本文采用導航金字塔濾波方法[29]。該方法濾波效果較好,且能增強數(shù)據(jù)體的各向異性。采用卷積神經(jīng)網(wǎng)絡預測得到K層“甜點”微相-砂質(zhì)碎屑流體,對其進行濾波后得到的三維雕刻體如圖10所示。

圖10 K層“甜點”微相-砂質(zhì)碎屑流三維雕刻體

圖11為K層優(yōu)勢微相體與敏感曲率體融合結(jié)果。結(jié)合圖5、圖10和圖11的分析可知,將曲率體與預測微相體融合處理,預測得到的砂質(zhì)碎屑流微相主要分布在東南、西北和西南區(qū)域,對應了物源的3個主要方向,符合湖相地質(zhì)分布特征。融合的“甜點”雕刻體是在預測微相基礎上進一步融合得到的,符合重力碎屑流沉積環(huán)境下形成的致密砂體分布特征。對比水平井目的層段的巖性可知,預測的砂體大多對應于細砂巖或粉砂巖,符合致密油的巖性特點。

圖11 K層優(yōu)勢微相體與敏感曲率體融合結(jié)果

3.2 產(chǎn)能“甜點”預測結(jié)果分析

為驗證預測微相體數(shù)據(jù)與曲率體數(shù)據(jù)融合得到的“甜點”儲層砂體的優(yōu)劣,將上述的各層位數(shù)據(jù)與各試油井在該層的日產(chǎn)油數(shù)據(jù)進行對比分析。

產(chǎn)能“甜點”區(qū)預測產(chǎn)量與試油井產(chǎn)量對比分析結(jié)果如表4所示,除J17井在K1和J89井在K2段的預測結(jié)果與日產(chǎn)油有一定偏差外,其余井點處的產(chǎn)能預測結(jié)果與試油井產(chǎn)量吻合度高。將“甜點”產(chǎn)區(qū)預測產(chǎn)量與試油井產(chǎn)量對比分析,結(jié)果如圖12所示,其中K1段“甜點”產(chǎn)能與日產(chǎn)油相關系數(shù)達76.4%,K2段“甜點”產(chǎn)能與日產(chǎn)油相關系數(shù)達80.4%,K層相關系數(shù)達78.4%。從產(chǎn)能分布特征來看,K層符合“甜點”微相的特征。將最佳優(yōu)勢微相體與敏感曲率體融合結(jié)果沿層面提取并顯示,得到K1段和K2段優(yōu)勢產(chǎn)區(qū)平面分布如圖13所示。結(jié)合融合結(jié)果和產(chǎn)能區(qū)域平面分布,并考慮井點分布密度,建議部署井位如圖13所示,井位建議如表5所示。按照“先直井后斜井,先產(chǎn)量大再產(chǎn)量小”的順序,推薦打井順序為1,2,6,7,8,9,10,3,4

表4 產(chǎn)能“甜點”區(qū)預測產(chǎn)量與試油井產(chǎn)量對比分析結(jié)果

表5 井位建議

圖12 K層產(chǎn)能“甜點”預測產(chǎn)量與試油井產(chǎn)量關系a K1段融合屬性與K1段日產(chǎn)油量; b K2段融合屬性與K2段日產(chǎn)油量

圖13 產(chǎn)能區(qū)域平面分布(五角星為建議井位)a K1段產(chǎn)能區(qū)域平面分布; b K2段產(chǎn)能區(qū)域平面分布

。

4 結(jié)論

本文針對鄂爾多斯盆地研究區(qū)構(gòu)造復雜、直井數(shù)量少,傳統(tǒng)預測方法難的問題,提出智能預測和常規(guī)地震屬性融合的產(chǎn)能“甜點”預測方法。將該方法應用于實際工區(qū)產(chǎn)能“甜點”預測,取得了以下幾點認識。

1) 本文方法結(jié)合了傳統(tǒng)屬性對地層構(gòu)造敏感的優(yōu)勢和人工智能數(shù)據(jù)驅(qū)動學習的優(yōu)勢,實現(xiàn)了對復雜構(gòu)造的致密砂巖產(chǎn)能“甜點”的刻畫。

2) 將該方法應用于鄂爾多斯盆地,分析鉆完井試油數(shù)據(jù)與各類地震屬性,認為微幅構(gòu)造對試驗區(qū)塊“甜點”分布有較強的控制作用,確定了最大正曲率為裂縫發(fā)育檢測的最佳敏感屬性。

3) 將CNN網(wǎng)絡預測的砂質(zhì)碎屑流優(yōu)勢微相屬性體與曲率屬性體三維融合,獲得了較好的產(chǎn)能“甜點”空間展布三維體。融合得到的產(chǎn)能“甜點”區(qū)域與井點試油數(shù)據(jù)高度吻合,其中K1、K2段相關系數(shù)分別為76.4%、80.4%,平均達78.4%。

4) 本文方法兼具傳統(tǒng)方法和人工智能的優(yōu)點,有望在該地區(qū)進行更多的應用。值得注意的是,此方法中井點沉積相的劃分、井點合成記錄制作會在很大程度上影響智能預測的效果,并且傳統(tǒng)屬性篩選需要人工進行。因此,如何進行敏感屬性自動篩選、方法參數(shù)自動尋優(yōu)是下一步需要研究的方向。