作者简介:唐诚 高级工程师,1979年生,2000年毕业于重庆石油高等专科学校石油地质专业,2010年工程硕士毕业于西南石油大学地质工程专业,现在中石化经纬有限公司西南测控公司主要从事油藏一体化技术研究工作。通信地址:610100 四川省成都市经济技术开发区(龙泉驿区)文柏大道869号。E-mail:xnljtangcheng@163.com
常规叠后地震反演对钻井资料依赖度较高,在少井、强非均质薄储层条件下,反演结果分辨率不足,难以精细刻画储层空间展布,导致其在地质导向中的指导作用减弱。为提高少井区薄储层的刻画精度,在充分开展井区地质综合研究的基础上,采用非线性的神经网络反演方法,建立目标曲线(如自然伽马、波阻抗、敏感元素等)与地震多属性之间的非线性映射关系,并将该关系推广至整个地震工区,用于计算相应地震属性体。与基于模型的波阻抗反演结果对比分析可见,神经网络反演在薄储层识别方面表现更优。现场应用表明,神经网络反演的储层预测结果具有较高的分辨率,刻画精度能够满足薄储层水平井地质导向随钻作业要求,对随钻地质跟踪决策具有显著的指导意义。
Conventional post-stack seismic inversion is highly dependent on drilling data. In areas with sparse wells and thin reservoirs featuring strong heterogeneity,it suffers from insufficient resolution and fails to accurately characterize the spatial distribution of reservoirs,which weakens its guiding value for geosteering. To improve the characterization accuracy of thin reservoirs in sparsely drilled work areas,a nonlinear neural network inversion method is adopted on the basis of comprehensive geological research of well blocks. This method establishes nonlinear correlations between target logs (including natural gamma ray,acoustic impedance,sensitive elements,etc.) and multi-seismic attributes. The established correlations are further extended to the entire seismic survey area to generate corresponding seismic attribute volumes. Comparative analysis with model-based acoustic impedance inversion results verifies that neural network inversion achieves superior performance in thin layer identification. Field applications demonstrate that reservoir characterization via neural network inversion delivers high resolution,and its delineation accuracy meets the requirements of geosteering while drilling for horizontal wells of thin reservoirs. This method provides significant guidance for real-time geological tracking and decision-making during drilling operations.
近年来, 在四川盆地川东北地区与川中古隆起陆续发现了凉高山组致密油与页岩油、茅口组灰质云岩(云质灰岩)等岩性油气藏。凉高山组页岩油砂岩与页岩频繁互层, 砂岩厚度薄、横向变化快; 茅口组灰质云岩(云质灰岩)气藏规模小、厚度薄、非均质性强。常规地震剖面难以反映出储层的纵横向展布特征, 而地震反演具有较好应用效果[1, 2, 3]。
地震反演以地震数据为基础, 融合地质认识与测井信息, 反演地下地层结构与岩石物理参数。其涉及反射系数、波阻抗、地震属性等多个参数, 通常用于储层预测、构造解释和油气藏描述[4, 5]。目前常用基于模型的波阻抗反演操作简单, 但对钻井数量依赖性强, 在少井工区刻画精度下降, 对水平井地质导向作业指导性作用不足[6, 7]。
鉴于目标曲线(自然伽马、波阻抗、敏感元素等)与地震属性之间关系非常复杂, 线性多项式拟合难以满足复杂的多地震属性预测及储层精细刻画要求。国内学者已对地震反演开展深入研究, 取得了较多成果[8, 9, 10, 11]。在调研多种地震反演技术基础上, 本文尝试采用神经网络反演方法。该方法不需要假设卷积模型与地震子波, 通过建立多个地震属性与特征参数的非线性关系, 在完成地质学方法对非线性关系的可靠性评估后, 将其应用于整个地震工区, 获得工区多种特征地震属性体, 为现场储层刻画及地质导向工作提供技术支撑。
神经网络反演是一种基于人工神经网络技术的反演方法[4], 凭借强大的非线性拟合能力, 可建立测井目标与地震属性之间的映射关系, 通过井眼处测井曲线与提取的地震属性, 对预测目标进行训练, 寻找测井曲线和地震数据的最优转换方式, 并应用这种转换方式, 从地震数据体中推导出具有一定地质意义的地质数据体, 进而实现对储层的预测和刻画[6, 12, 13, 14]。该方法具有自学习、自适应和并行处理等优点[15], 能够处理复杂的非线性问题, 特别是地震多属性储层反演。
神经网络算法储层反演主要步骤如下:
第一步:数据准备。收集整理地震数据(如叠后地震剖面、叠前地震数据等)和井资料(包括测井曲线、岩心分析数据等), 对各类数据进行预处理(如数据归一化、去噪等), 确保数据质量和一致性。
第二步:储层敏感地震属性优选与提取。通常振幅类、频率类、吸收类、相干类地震属性对储层的岩性、物性、含油性等特征变化具有较高敏感性[14], 通过地震属性主成分分析, 实现数据降维、特征提取; 沿井的地震属性提取需在正确的时深标定基础之上进行, 在提取方式上, 地质层位约束的采样方式优于无层位约束。
第三步:神经网络储层反演模型建立。基于神经网络算法, 将沿井提取的多个地震属性参数作为输入数据, 以储层测井曲线作为训练目标, 合理设置层位约束、反演隐藏层及神经元等参数, 以提高训练精度; 利用盲井进行交叉验证, 防止过度训练。神经网络算法地震属性预测波阻抗基本公式如下:
式中:
第四步:储层反演与预测。将训练好的模型应用于整个地震工区, 进行储层属性反演和预测, 得到储层属性的空间分布数据体, 用于后续地质解释和储层评价。
为验证神经网络反演的效果, 本文尝试将神经网络反演与其他算法反演效果进行对比分析, 对标方法为基于模型的波阻抗反演。
测试工区位于四川盆地东北部P地区, 主要目的层为凉高山组, 岩性以深灰色、灰黑色页岩及灰色砂质泥岩为主, 夹中厚-薄层状绿灰色、灰绿色、紫褐色细砂岩及粉砂岩和灰黑色泥质粉砂岩。该工区已完成A 1、Y 1井2口导眼井。A 1井凉高山组上段(凉上段), 对应井段2 850.00~3 016.00 m, 视厚度166 m, 凉高山组下段(凉下段), 对应井段3 016.00~3 082.00 m, 视厚度66.00 m; 其中井段2 985.60~2 992.00 m/垂深2 975.75~2 981.69 m为含油砂岩, 垂厚5.94 m, 测井有效孔隙度1.9%; 井段2 992.00~3 010.70 m/垂深2 981.69~2 999.10 m为页岩, 垂厚17.41 m, 测井有效孔隙度4.1%。Y 1井凉上段视厚度155 m, 凉下段视厚度61.5 m, 取心井段为3 004~3 199 m, 累计取心21次; 其中凉上段1-1砂组(井段3 138.0~3 155.5 m)为黑色泥页岩, 综合解释为Ⅰ -Ⅱ 类页岩油, 该砂组以上的凉上段以黑色页岩及灰色长石岩屑砂岩不等厚互层为主, 砂岩以厚层状-块状为主。A 1井与Y 1井目的层地层对比如图1所示。
通过正演模拟与实际地震数据拟合, 逐步修正波阻抗模型至残差最小, 其本质是带正则化约束的最小二乘反演。按计算步骤开展子波提取、构建初始模型、正演合成、残差计算、迭代优化等工作。
基于模型的波阻抗反演(图2), 求得误差最小的线性相关方程, 预测波阻抗与实际波阻抗的决定系数R2为0.611。
本文选取多层前馈神经网络算法进行波阻抗反演, 在地震属性提取及主成分分析基础上, 先进行多项式拟合, 选取最优地震属性及个数, 将此作为神经网络算法输入数据(其中数据集70%作为训练集, 30%作为验证集), 设置神经网络模型隐藏层数、每层神经元个数、总迭代次数、共轭梯度迭代次数等参数, 训练集波阻抗反演线性决定系数R2为0.896(图3)。
本文采用神经网络算法开展了自然伽马属性体、敏感元素属性体等计算与分析, 在地质导向应用中均取得了较好效果。
Y 1-3H井是为评价直导眼Y 1井凉上段1-2砂组致密油Ⅱ 类层(对应井段3 130.4~3 135.2 m, 垂厚4.8 m)而实施的水平井钻探。钻前预测A点前地层整体上倾1.3°, 实钻凉上段2-1砂组以浅地层整体上倾1.67°, 与地震预测基本吻合; 进入凉上段2-1砂组后, 地层变为局部下倾1.5°, 与地震剖面存在一定偏差。为此, 基于神经网络反演原理, 开展了自然伽马属性体反演计算。
从反演结果看(图6), Y 1井凉上段1-2砂组砂体厚度为4.8 m, 连续性较稳定, 至Y 1-3H井A点砂体连续性变差, 近似呈透镜体状, 存在尖灭趋势。Y 1-3H井实钻至井深3 329.00 m/垂深3 106.42 m, 井底位于凉上段1-2砂组中部, 未揭开目的层砂体。随后以87°稳斜钻进, 于井深3 404.00 m/垂深3 110.00 m进入目的层砂体。
根据自然伽马属性体的反演成果, 自Y 1-3H井井深3 428.00 m/垂深3 110.94 m以2.4°/30 m狗腿度增斜至90°。增斜过程中, 于井深3 435.00 m/垂深3 111.19 m自然伽马值开始升高, 岩屑泥质含量增加; 至井深3 445 m/垂深3 111.54 m开始以88.3°稳斜下探, 继续钻进21.00 m未钻遇砂岩。实钻揭示, Y 1-3H井凉上段1-2砂组砂岩井段3 404.00~3 437.00 m(垂深3 110~3 111.26 m), 视垂厚仅1.26 m, 真垂厚仅1 m(图7)。进入水平段后, 随钻自然伽马低值段与神经网络反演预测结果多处吻合, 表明神经网络反演预测薄砂体效果良好。
B井位于四川盆地川中古隆起东南斜坡, 其目的层为茅口组茅二段。该直井茅二段共解释气层1段厚2.0 m、差气层3段厚9.0 m、干层1段厚1.5 m, 储层品质较差, 估算产量未达储量提交要求, 建设方决定进行侧钻。该井上部云岩井段4 617.0~4 621.8 m, 视厚度4.8 m, 对应垂深4 320.04~4 323.79 m, 垂厚3.75 m, 岩性为含云灰岩、灰质云岩, 综合解释为差气层-气层, 以此为靶体钻水平井, 设计水平段长500 m。从地质综合柱状图(图8)可以看出, 优质储层具有较高云岩含量、较低密度、较低电阻率、较低波阻抗等特征。
根据B井井震标定结果, 优质云岩储层位于茅二段最大振幅属性强振幅之下零相位附近。该碳酸盐岩工区面积较大, 储层非均质性强, 尽管B井附近已有3口井, 但因距离较远, 本次仅用B井侧钻井进行反演。
B井侧钻井入靶井段:井深4 790.00 m/垂深4 322.07 m见弱白云岩化储层, 井段4 790.00~4 850.00 m气测全烃为1.5%~2.6%, 元素分析Mg含量为1.30%~4.78%。分析认为对应B井储层顶部位置, 与B井位置相当, 计算地层上倾1.2°, 采取87°稳斜下探优质储层, 钻至井深4 860.00 m。综合分析于井深4 854.00 m揭开灰质云岩最优储层, 实钻A靶点(4 854.00 m/垂深4 324.30 m)较设计(4 836.00 m/垂深4 322.70 m)有所下移。入靶段实钻显示全烃与波阻抗变化总体一致。
B井侧钻井水平段:井段4 854.00~5 014.00 m, 段长160.00 m, 优质云岩储层位置稳定, 气测全烃较高; 但井段5 014.00~5 220.00 m, 轨迹已在较低云岩含量区内, 全烃降至基值。通过反演切片分析认为, 剩余水平段已无明显优质储层(图9), 综合研究成果决定提前完钻, 较水平段设计长度500.00 m减少了134.00 m。
(1)神经网络反演无需子波, 无需卷积模型, 基于目标测井曲线与地震多属性之间的非线性关系, 可计算出多种地质属性体, 具有较大优势。
(2)神经网络反演对比基于模型的波阻抗反演预测在砂泥岩互层或薄层碳酸盐岩储层中分辨率更高, 能更好地反映砂体或储层变化特征。
(3)常规地震剖面一般能直观反映地层总体变化趋势, 但在非均质性强的复杂岩性储层或砂泥岩频繁互层的储层中, 常规地震剖面指导作用下降, 需要结合包括但不限于神经网络反演等地质属性体, 才能更好地反映地质特征变化, 实时指导地质导向轨迹调整。
编辑 孔宪青
| [1] |
|
| [2] |
|
| [3] |
|
| [4] |
|
| [5] |
|
| [6] |
|
| [7] |
|
| [8] |
|
| [9] |
|
| [10] |
|
| [11] |
|
| [12] |
|
| [13] |
|
| [14] |
|
| [15] |
|

