頻變泊松阻抗在深水重力流砂體含氣性預(yù)測(cè)中的應(yīng)用

李志曄，劉錚，張衛(wèi)衛(wèi)，楊學(xué)奇，敖威，雷勝蘭

中海石油深海開(kāi)發(fā)有限公司，深圳 518054

0 引言

隨著油氣勘探開(kāi)發(fā)的不斷深入，對(duì)儲(chǔ)層預(yù)測(cè)的精度要求也逐漸提高，不僅需要判斷儲(chǔ)層的位置，還需要判定儲(chǔ)層中所含流體的性質(zhì)，發(fā)展高精度的定量預(yù)測(cè)儲(chǔ)層含油氣性的有效方法，對(duì)提高油氣勘探成功率具有重要意義。自上世紀(jì)70年代中期，基于地震振幅異常檢測(cè)的“亮點(diǎn)”和AVO分析技術(shù)[1-2]最先進(jìn)入石油勘探領(lǐng)域，發(fā)現(xiàn)含氣砂巖與含水砂巖反射振幅隨偏移距增大顯現(xiàn)出不同的變化特征。隨AVO技術(shù)實(shí)踐的深入，亮點(diǎn)解釋的多解性問(wèn)題逐漸顯露，許多學(xué)者開(kāi)始找尋新的對(duì)油氣具有指示作用的屬性[3-4]。Smith 和Gidlow[5]首次提出“流體因子”的概念，用縱、橫波速度的加權(quán)差預(yù)測(cè)儲(chǔ)層流體，在此基礎(chǔ)上，Goodway等[6]提出利用拉梅參數(shù)及剪切模量分別與密度的乘積(λρ和μρ)作為流體因子的油氣檢測(cè)方法，Russell等[7]基于Biot-Gassmann 雙相介質(zhì)理論，認(rèn)為可直接將Gassmann流體項(xiàng)作為流體因子開(kāi)展油氣檢測(cè)，Quakenbush等[8]通過(guò)縱、橫波阻抗之間的數(shù)學(xué)變換，提出泊松阻抗這一參數(shù)并應(yīng)用于流體識(shí)別。

然而，常規(guī)的AVO技術(shù)忽視了頻率因素，而實(shí)際上地震波的反射系數(shù)與頻率之間的關(guān)系十分密切。據(jù)雙相介質(zhì)理論，地震波在穿過(guò)含油氣地層時(shí)，頻散和衰減現(xiàn)象將變得更加明顯，地震波的高頻成分在通過(guò)油氣時(shí)會(huì)更快地衰減，而低頻成分受到的影響相對(duì)較少，因此低頻成分相對(duì)增加，即發(fā)生高頻衰減和低頻增加現(xiàn)象[9-11]。

為充分利用地震資料蘊(yùn)含的振幅和頻率異常信息，近年來(lái)，國(guó)內(nèi)外學(xué)者針對(duì)流體存在時(shí)地震波衰減及頻散現(xiàn)象開(kāi)展了大量研究，為頻變流體識(shí)別奠定理論基礎(chǔ)[12-14]。頻變AVO流體識(shí)別研究是對(duì)基于彈性、粘彈性參數(shù)流體識(shí)別方法的補(bǔ)充，可有效降低識(shí)別的多解性。

考慮到流體性質(zhì)會(huì)受到壓實(shí)、巖性、厚度調(diào)諧、孔隙等干擾屏蔽，需要去除這些背景影響—固流解耦才能放大出來(lái)[15]。泊松阻抗是最簡(jiǎn)易的固流解耦因子，孫喜新[16]利用泊松阻抗在平湖油氣田進(jìn)行砂巖氣藏檢測(cè)，對(duì)于識(shí)別低密度、低泊松比的氣藏取得了一定的效果；時(shí)秀朋[17]證實(shí)了泊松阻抗屬性分析方法在復(fù)雜巖石物理?xiàng)l件下預(yù)測(cè)儲(chǔ)層含油氣性的有效性，但都未實(shí)現(xiàn)使用泊松阻抗對(duì)氣藏進(jìn)行定量描述。為了獲得精確、量化的油氣檢測(cè)結(jié)果，將泊松阻抗與定量表征油氣的含氣飽和度測(cè)井曲線建立關(guān)聯(lián)，并尋找一種合適的方法對(duì)其擬合并進(jìn)行非線性預(yù)測(cè)。

隨著人工智能時(shí)代的到來(lái)，為從地震數(shù)據(jù)中提取、優(yōu)化和組合地震屬性來(lái)直接預(yù)測(cè)含氣飽和度度提供了可行性方法[18-21]，宋建國(guó)[22]等應(yīng)用隨機(jī)森林算法預(yù)測(cè)儲(chǔ)層，較好地刻畫(huà)出儲(chǔ)層的三角洲前緣沉積特征。隨機(jī)森林算法可以從輸入數(shù)據(jù)中提取特征、學(xué)習(xí)規(guī)律，用于對(duì)待測(cè)目標(biāo)的預(yù)測(cè)。因此，本文引入隨機(jī)森林算法，提出一種相控頻變阻抗人工智能油氣飽和度預(yù)測(cè)方法，對(duì)儲(chǔ)層含油氣性進(jìn)行定量預(yù)測(cè)。

1 技術(shù)方法

1.1 泊松阻抗

泊松阻抗被定義為泊松速度與密度的乘積，而泊松速度與泊松比有關(guān)，所以泊松阻抗綜合了泊松比和密度兩者的特點(diǎn)，克服了常規(guī)阻抗屬性不能很好地分辨儲(chǔ)層流體的問(wèn)題，是一種敏感度很高的巖性流體識(shí)別屬性。通常在縱波阻抗-橫波阻抗交會(huì)圖上泥巖、含水砂巖、含油砂巖存在一定的重疊，僅依靠縱波阻抗或橫波阻抗單一軸很難區(qū)分儲(chǔ)層流體。若利用坐標(biāo)旋轉(zhuǎn)技術(shù)，將縱波阻抗旋轉(zhuǎn)至泊松阻抗位置，可有效識(shí)別巖性和含油氣性變化[23]。

泊松阻抗PI可定義為：

式中：IP為縱波阻抗；IS為橫波阻抗；C為常數(shù)，利用縱波阻抗、橫波阻抗進(jìn)行交會(huì)分析，當(dāng)將坐標(biāo)軸旋轉(zhuǎn)至某一角度，能夠有效區(qū)分不同巖性及流體，此時(shí)參數(shù)C為斜率的倒數(shù)。

縱、橫波阻抗均為速度與密度的乘積，式(1)可以寫(xiě)為：

式中，α為縱波速度，β為橫波速度，νσ為泊松速度。

由式(2)可看出泊松阻抗是泊松速度和密度的函數(shù)，定義為一種阻抗的量綱。一般而言，通過(guò)縱、橫波阻抗交會(huì)圖可以了解儲(chǔ)層含氣性與巖石物理性質(zhì)之間的關(guān)系，但以坐標(biāo)旋轉(zhuǎn)獲取的泊松阻抗，在定量預(yù)測(cè)的含氣飽和度誤差較大，通過(guò)加入地震資料所含的振幅和頻率異常信息，利用頻散、衰減特征，提高預(yù)測(cè)精度并降低干擾信息。根據(jù)地球物理理論，應(yīng)該存在與泊松阻抗對(duì)應(yīng)的反射率剖面，可稱其為泊松反射率剖面，但現(xiàn)有技術(shù)中無(wú)法直接求取泊松反射率，為此，利用廣義泊松阻抗的射線域表達(dá)式，獲取射線域泊松反射率[24]。

在Aki-Richard簡(jiǎn)化式的基礎(chǔ)上，眾多學(xué)者推導(dǎo)出了射線彈性阻抗REI[25]：

劉力輝[26]等為克服射線彈性阻抗高次冪函數(shù)穩(wěn)定性和抗噪能力差的缺點(diǎn)，對(duì)其進(jìn)行改進(jìn)，改進(jìn)后的射線彈性阻抗為

在(4)式的基礎(chǔ)上推導(dǎo)：

令

將公式(6)代入公式(5)則有

再根據(jù)泊松阻抗的定義公式(1)，可得

前文已提到參數(shù)C可由縱波阻抗、橫波阻抗及巖性或物性資料做三維交會(huì)得到，根據(jù)公式(6)即可得到對(duì)應(yīng)的入射角θ，此時(shí)泊松阻抗等于該角度θ對(duì)應(yīng)的疊前射線彈性阻抗乘以入射角θ的余弦。由此可以看出在射線域，射線彈性阻抗可以表達(dá)為廣義泊松阻抗，某個(gè)射線路徑上的地震剖面為根據(jù)該射線對(duì)應(yīng)角度計(jì)算而來(lái)的泊松反射率剖面，對(duì)疊前道集資料進(jìn)行對(duì)應(yīng)泊松角度部分疊加可以快速求得泊松反射率，泊松反射率是泊松阻抗的一種實(shí)際表現(xiàn)形式，且相對(duì)于常規(guī)泊松阻抗來(lái)說(shuō)保留了頻率特征。

常規(guī)的利用泊松阻抗識(shí)別流體的方法難以利用頻散、衰減特性，而泊松阻抗可以視為一種廣義的指示油氣的流體因子，頻變流體因子不僅是對(duì)基于地震振幅的流體因子的擴(kuò)充，而且還可以與其他方法相互驗(yàn)證，綜合利用地震資料的振幅和頻率信息，降低預(yù)測(cè)多解性，提高勘探精度。因此采用分頻技術(shù)，使用頻變的泊松阻抗描述流體引起的頻散程度，消除利用單一振幅信息所引起的流體識(shí)別假象，增強(qiáng)對(duì)油氣檢測(cè)的準(zhǔn)確性和敏感性。

1.2 隨機(jī)森林

泊松阻抗度含氣性敏感，通過(guò)機(jī)器學(xué)習(xí)中的隨機(jī)森林建立泊松阻抗與含水飽和度的關(guān)聯(lián)，并融合衰減與頻散信息，實(shí)現(xiàn)定性向定量的轉(zhuǎn)換，完成高精度的油氣檢測(cè)。

隨機(jī)森林是近些年較為流行的一種機(jī)器學(xué)習(xí)算法，其以決策樹(shù)為基分類器，通過(guò)反復(fù)二分將數(shù)據(jù)進(jìn)行分類或回歸，并采用隨機(jī)的方式將決策樹(shù)集合成為一個(gè)“森林”。隨機(jī)森林在決策樹(shù)訓(xùn)練過(guò)程中融合了隨機(jī)屬性選擇，并在建模過(guò)程使用了Bootstrap重復(fù)抽樣方法從原始樣本抽取多個(gè)樣本，再對(duì)每個(gè)樣本展開(kāi)決策樹(shù)建模，并組成多棵樹(shù)進(jìn)行預(yù)測(cè)。

隨機(jī)森林算法在生成的過(guò)程中，從原始訓(xùn)練集中產(chǎn)生N個(gè)訓(xùn)練子集，每個(gè)訓(xùn)練子集的容量和原始訓(xùn)練數(shù)據(jù)集一樣，每次抽樣均為隨機(jī)且放回抽樣，所產(chǎn)生的訓(xùn)練子集具有一定的重復(fù)性，其目的是降低森林中的決策樹(shù)產(chǎn)生局部最優(yōu)解的風(fēng)險(xiǎn)。算法為每一個(gè)訓(xùn)練子集分別建立一棵決策樹(shù)，生成N棵決策樹(shù)從而形成“森林”，每棵決策樹(shù)任其生長(zhǎng)，不需要剪枝處理。其中涉及兩個(gè)重要過(guò)程：

(1)節(jié)點(diǎn)分裂。節(jié)點(diǎn)分裂是算法的核心步驟，通過(guò)節(jié)點(diǎn)分裂才能產(chǎn)生一棵完整的決策樹(shù)。每棵樹(shù)的分支的生成，都是按照某種分裂規(guī)則選擇屬性，這些規(guī)則主要包括信息增益最大、信息增益率最大和Gini系數(shù)最小等原則，不同的規(guī)則對(duì)應(yīng)不同的分裂算法。在節(jié)點(diǎn)分裂時(shí)，將每個(gè)屬性的所有劃分按照規(guī)則指標(biāo)進(jìn)行排序，然后按照規(guī)則選擇某個(gè)屬性作為分裂屬性，劃分實(shí)現(xiàn)決策樹(shù)的分支生長(zhǎng)。

(2)隨機(jī)特征變量的隨機(jī)選取。由于隨機(jī)森林在進(jìn)行節(jié)點(diǎn)分裂時(shí)，不是所有的屬性都參與屬性指標(biāo)的計(jì)算，而是隨機(jī)地選擇某幾個(gè)屬性，即隨機(jī)特征變量參與比較。其基本思想是，在進(jìn)行節(jié)點(diǎn)分裂時(shí)，讓所有的屬性按照某種概率分布隨機(jī)選擇其中某幾個(gè)屬性參與節(jié)點(diǎn)的分裂過(guò)程。隨機(jī)特征變量使每棵決策樹(shù)之間的相關(guān)性減少，同時(shí)提升每棵決策樹(shù)的分類精度，從而提升整個(gè)森林的性能。

隨機(jī)森林通過(guò)對(duì)上述的隨機(jī)重復(fù)采樣和隨機(jī)特征選取兩個(gè)隨機(jī)性進(jìn)行多次重復(fù)，投票產(chǎn)生預(yù)測(cè)結(jié)果，回歸問(wèn)題通過(guò)取平均值輸出回歸森林的預(yù)測(cè)值。隨機(jī)森林的構(gòu)建流程如圖1 所示。

圖1 隨機(jī)森林結(jié)構(gòu)示意圖Fig. 1 Structure Diagram of random forest

Breiman[25]利用數(shù)學(xué)理論和大量的實(shí)際數(shù)據(jù)測(cè)試證實(shí)了隨機(jī)森林具有泛化誤差小、抗干擾能力強(qiáng)、不易產(chǎn)生過(guò)擬合等特點(diǎn)的優(yōu)點(diǎn)，不會(huì)輕易出現(xiàn)過(guò)擬合問(wèn)題。因此，選擇隨機(jī)森林算法進(jìn)行有監(jiān)督學(xué)習(xí)，建立泊松阻抗與含氣飽和度關(guān)聯(lián)。

1.3 實(shí)現(xiàn)過(guò)程

相控頻變阻抗人工智能油氣飽和度預(yù)測(cè)方法的技術(shù)路線如圖2 所示，步驟如下：

圖2 技術(shù)路線示意圖Fig. 2 Technical roadmap diagram

(1)準(zhǔn)備工區(qū)的優(yōu)化處理后的地震、測(cè)井資料，通過(guò)縱、橫波阻抗交會(huì)，對(duì)疊前道集分析獲得敏感的角度范圍，按照該角度范圍進(jìn)行部分疊加獲得泊松反射率，使用道積分后獲得泊松阻抗。

(2)利用小波分頻將泊松阻抗分解為不同頻率，隨后篩選出與油氣敏感的特征頻率，并加入孔隙度相控體，在有效儲(chǔ)層里進(jìn)行含氣飽和度的定量預(yù)測(cè)。將井旁道屬性數(shù)據(jù)與測(cè)井含水飽和度標(biāo)簽數(shù)據(jù)組成原始樣本集，并按比例劃分為訓(xùn)練井樣本和驗(yàn)證井樣本。

(3)設(shè)置隨機(jī)森林的訓(xùn)練參數(shù)，通過(guò)訓(xùn)練井與驗(yàn)證井的預(yù)測(cè)誤差質(zhì)控，不斷調(diào)整模型直至滿足精度需求。得到最優(yōu)隨機(jī)森林模型后，將預(yù)測(cè)范圍擴(kuò)大至整個(gè)工區(qū)，即可獲得含氣飽和度的三維數(shù)據(jù)體。

2 應(yīng)用實(shí)例

2.1 工區(qū)概況

研究區(qū)位于白云凹陷陸坡深水區(qū)，白云東鼻狀隆起帶上。漸新世珠江組受陸架坡折帶控制，在陸坡區(qū)發(fā)育重力流水道—扇朵葉沉積。重力流砂體儲(chǔ)層橫向非均質(zhì)性強(qiáng)，甜點(diǎn)區(qū)識(shí)別難度大。流體相比骨架和孔隙屬于弱信號(hào)，對(duì)彈性參數(shù)的影響很微弱，受到壓實(shí)、巖性、厚度調(diào)諧、孔隙等干擾屏蔽，氣層、低飽和度氣層、油層地震響應(yīng)類似，常規(guī)彈性參數(shù)反演方法難識(shí)別，含氣飽和度預(yù)測(cè)難度大[26]。針對(duì)本地區(qū)含氣性特征，利用含油氣地層頻散、衰減特性，利用人工智能方法建立頻變泊松阻抗與含氣飽和度非線性關(guān)系，以此定量預(yù)測(cè)含其飽和度。

2.2 含氣性預(yù)測(cè)

針對(duì)研究區(qū)道集資料，從CRP道集分析表明存在噪聲及剩余多次波的問(wèn)題，需要對(duì)道集進(jìn)行針對(duì)性的解釋性處理。首先針對(duì)遠(yuǎn)道異常，進(jìn)行道集切除，通過(guò)預(yù)測(cè)去噪和SVD去噪壓制隨機(jī)噪聲和殘余多次。在保頻保幅的思想下獲得優(yōu)化后的道集。通過(guò)觀察優(yōu)化后道集并結(jié)合井上AVO規(guī)律(圖3)發(fā)現(xiàn)，氣層主要表現(xiàn)為III類AVO特征，水層表現(xiàn)為IV類AVO特征，并且氣層和水層在大角度上所表現(xiàn)出的AVO特征差異最明顯，由公式(8)所推導(dǎo)的泊松反射率與疊前道集的關(guān)系，射線道集的敏感角度部分疊加具有泊松反射率的含義，因此在道集優(yōu)化處理的基礎(chǔ)上，采用大角度(25°～36°)疊加獲得泊松反射率，隨后進(jìn)行道積分處理，獲得泊松阻抗。

圖3 優(yōu)化道集及AVO特征Fig. 3 Optimize gathers and AVO features

如圖4 所示，目標(biāo)區(qū)彈性參數(shù)λρ與飽和度交會(huì)圖可以看出，λρ與含氣飽和度具有一定的相關(guān)性，但同一λρ值可能對(duì)應(yīng)不同的飽和度，使用λρ表征含氣性具有很強(qiáng)的多解性。而通過(guò)敏感泊松阻抗曲線與含水飽和度對(duì)比分析，泊松阻抗對(duì)應(yīng)含氣性的多解性變低，在一定的孔隙度范圍內(nèi)通過(guò)泊松阻抗更容易表現(xiàn)地層的含氣性。

圖4 (a)目標(biāo)區(qū)λρ與含水飽和度交會(huì)圖; (b)目標(biāo)區(qū)泊松阻抗與孔隙度交會(huì)圖(色標(biāo)為含水飽和度)Fig. 4 (a)cross plot of λρ and water saturation in target zone; (b)cross plot of sensitive Poisson impedance and porosity in target zone

從剖面與平面特征也容易看出，泊松阻抗與油氣顯示具有很強(qiáng)的相關(guān)性(圖5，圖中藍(lán)色點(diǎn)代表水層井，紅色點(diǎn)代表氣層井)。但由于所得的泊松阻抗包含全頻率信息，未挖掘其頻變特征，與井上的油氣對(duì)應(yīng)程度仍有差異。例如W5 井區(qū)實(shí)鉆證實(shí)為水層，物性較好，地震剖面上顯示為強(qiáng)振幅特征，其泊松阻抗也有一定的異常顯示。

圖5 泊松阻抗剖面及平面特征Fig. 5 Poisson impedance profile and planar characteristics

因此利用小波變換，采用Mono小波對(duì)泊松阻抗進(jìn)行分頻，Mono小波具有構(gòu)造簡(jiǎn)單、比其它小波變換計(jì)算速度快的優(yōu)點(diǎn)。分頻獲得10～60 Hz的泊松阻抗分頻數(shù)據(jù)，如圖6 所示，對(duì)比后發(fā)現(xiàn)在泊松阻抗10 Hz、20 Hz頻段，與已知的油井、水井對(duì)應(yīng)程度較高，而在中頻、高頻的泊松阻抗上，則與已知的油氣性吻合度低，若直接將10～60 Hz各頻率的泊松阻抗全部輸入，勢(shì)必引入干擾信息。因此認(rèn)為10 ～20Hz為泊松阻抗檢測(cè)油氣的敏感頻段，隨后增加了15 Hz的擴(kuò)充特征頻率及樣本。因此，最終的輸入樣本為10 Hz、15 Hz、20 Hz特征頻率泊松阻抗，根據(jù)雙相介質(zhì)理論，流體賦存在儲(chǔ)層的有效孔隙內(nèi)，因此本次加入孔隙度進(jìn)行相控。將特征頻率(10 Hz、15 Hz、20 Hz)的泊松阻抗與相控孔隙度數(shù)據(jù)體輸入到隨機(jī)森林中進(jìn)行學(xué)習(xí)，得到預(yù)測(cè)的三維含氣飽和度數(shù)據(jù)體。

圖6 分頻泊松阻抗平面特征Fig. 6 Frequency-divided Poisson impedance plane characteristics

使用工區(qū)中的3 口井W1、W2、W3 作為訓(xùn)練井，W5 井作為驗(yàn)證，使用隨機(jī)森林進(jìn)行訓(xùn)練，通過(guò)多次測(cè)試，得到的最優(yōu)參數(shù)為：樹(shù)棵數(shù)為300，決策樹(shù)最大樹(shù)深為6，節(jié)點(diǎn)可分的最小樣本數(shù)為20。通過(guò)優(yōu)選的參數(shù)獲得的訓(xùn)練和驗(yàn)證結(jié)果如圖7 所示，訓(xùn)練后的最優(yōu)隨機(jī)森林模型顯示：W1、W2、W3 井的原始含水飽和度曲線與預(yù)測(cè)曲線的相關(guān)系數(shù)分別為0.893、0.981 和0.872，驗(yàn)證井W5 井上的相關(guān)系數(shù)為0.892，滿足預(yù)測(cè)精度要求，可以用于含水飽和度預(yù)測(cè)。

圖7 隨機(jī)森林訓(xùn)練井、驗(yàn)證井含水飽和度預(yù)測(cè)結(jié)果Fig. 7 Water saturation prediction results of random forest training well and verification well

2.3 效果分析

抽取W1 井的Sw預(yù)測(cè)曲線與真實(shí)Sw曲線進(jìn)行對(duì)比分析，如圖8 所示，預(yù)測(cè)結(jié)果與實(shí)測(cè)曲線形態(tài)、值域范圍及趨勢(shì)一致，通過(guò)預(yù)測(cè)結(jié)果可以明顯地識(shí)別出井上的氣層，而W1 井的氣層低λρ特征相對(duì)不明顯，較難識(shí)別其含氣性。

圖8 W1 井含水飽和度預(yù)測(cè)結(jié)果Fig. 8 Prediction results of water saturation in well W1

使用頻變阻抗人工智能油氣性預(yù)測(cè)方法定量預(yù)測(cè)的含氣性結(jié)果如圖9d所示，對(duì)比定性油氣檢測(cè)——吸收屬性剖面(圖9a)與彈性參數(shù)λρ油氣檢測(cè)剖面(圖9b)，含氣飽和度預(yù)測(cè)與黏彈性亮點(diǎn)位置一致，定量預(yù)測(cè)結(jié)果符合定性認(rèn)識(shí)，而對(duì)比使用全頻段泊松阻抗的預(yù)測(cè)結(jié)果(圖9c)，使用頻變泊松阻抗人工智能油氣性預(yù)測(cè)方法的剖面氣層、水層與含油水層區(qū)別明顯，整體連續(xù)性強(qiáng)，并且與井上油氣層厚度、類型對(duì)應(yīng)程度更高。

圖9 含氣性預(yù)測(cè)剖面對(duì)比Fig. 9 Comparison of gas bearing prediction profiles

三種方法的預(yù)測(cè)平面如圖10 所示，彈性參數(shù)λρ受儲(chǔ)層巖性、物性的影響，針對(duì)W5 井水層預(yù)測(cè)結(jié)果顯示為油氣亮點(diǎn)；而使用一般泊松阻抗進(jìn)行人工智能預(yù)測(cè)含氣飽和度的結(jié)果如圖10c所示，結(jié)合剖面預(yù)測(cè)結(jié)果，由于未充分利用有效頻率信息，其在W3 井上存在偏差。頻變泊松阻抗人工智能含氣性預(yù)測(cè)結(jié)果與吸收屬性含氣性檢測(cè)結(jié)果相符，對(duì)氣層、水層識(shí)別較準(zhǔn)確，并且基于泊松阻抗的人工智能含氣飽和度預(yù)測(cè)方法于可以定量反映高飽和度氣層和低飽和度氣層的差異。

圖10 含氣性預(yù)測(cè)平面對(duì)比Fig. 10 Comparison of gas content prediction planes

對(duì)比結(jié)果顯示，基于相控頻變阻抗的人工智能流體飽和度預(yù)測(cè)結(jié)果可以反映砂組平面流體分布情況，對(duì)井吻合性高。通過(guò)觀察剖面和平面含氣飽和度特征，預(yù)測(cè)結(jié)果在厚度、值域、延伸方向均與已知對(duì)應(yīng)，可以作為后期的依據(jù)目標(biāo)評(píng)價(jià)和優(yōu)選的有力指標(biāo)。

3 結(jié)論

1) 白云凹陷陸坡深水區(qū)重力流砂體受壓實(shí)、厚度調(diào)諧、孔隙等因素影響難以獲取準(zhǔn)確可靠的含氣飽和度，根據(jù)研究區(qū)的彈性參數(shù)與含水飽和度交匯分析，與常規(guī)的彈性參數(shù)λρ相比，在一定的孔隙度范圍內(nèi)泊松阻抗更容易表現(xiàn)地層的含氣性，且通過(guò)分頻對(duì)比，在泊松阻抗10 Hz、20 Hz頻段，與已知的氣井、水井對(duì)應(yīng)程度相較于中高頻段更高。

2) 將特征頻率的泊松阻抗與相控孔隙度數(shù)據(jù)體輸入到隨機(jī)森林中得到定量預(yù)測(cè)的含氣飽和度，結(jié)果顯示使用頻變泊松阻抗人工智能油氣性預(yù)測(cè)方法氣層、低飽和度氣層、水層區(qū)別明顯，整體連續(xù)性強(qiáng)，并且與井上油氣層厚度、類型對(duì)應(yīng)程度更高。