趙衛(wèi)平

(中國海洋石油研究總院，北京 100028)

?

井震聯(lián)合屬性分析技術在深水濁積巖儲層預測中的應用

趙衛(wèi)平

(中國海洋石油研究總院，北京 100028)

深水濁積水道和濁積扇是西非尼日爾三角洲A油田最發(fā)育的沉積相，也是最有利的砂巖儲層。該類儲層非均質性強，常規(guī)預測方法精度較低。將地震屬性和儲層物性參數建立神經網絡關系，對儲層參數進行定量預測，該方法較常規(guī)的井間插值有很多優(yōu)勢，精度更高，且能把地震屬性的信息反映到儲層描述中。該方法在A油田取得了良好的效果，值得在類似油田儲層預測中進行推廣應用。

井震聯(lián)合；屬性分析；深水濁積巖；儲層預測

1 引 言

近年來世界油氣勘探開發(fā)不斷向深水拓展，并取得了很多突破[1]。深水濁積體作為當今世界重要的海上油氣勘探開發(fā)目標，具有幾何形態(tài)復雜多變，儲層非均質性很強的特點[2]，同時，由于海上油田開發(fā)成本高，井網稀疏，陸上井網密的井間內插儲層表征方法不能滿足此類油藏的需求。為此，筆者以西非地區(qū)A油田深水濁積水道儲層為例，利用井—震聯(lián)合的方法，探討深水濁積水道精細平面物性展布預測技術，這對開發(fā)此類油藏具有重要的意義。

2 概 況

西非海岸盆地是世界深水區(qū)油氣勘探開發(fā)的熱點區(qū)域，自1995年至今，在西非海岸盆地深水區(qū)發(fā)現(xiàn)了約180多個油氣田，總可采儲量約為50億噸[2]。目前，世界各大石油公司均在西非深水區(qū)進行油氣勘探開發(fā)作業(yè)，因此，研究西非海岸盆地深水區(qū)的油藏儲層特征對國內油田的勘探開發(fā)具有重要意義。

研究區(qū)位于西非盆地的尼日利亞深水海域，北部距Harcourt港200 km。A油田發(fā)現(xiàn)于2000年，油田范圍內水深1 300～1 450 m(圖1)。

A油田處于深水區(qū)，鉆井的數量少且井距大，油藏范圍內鉆井少于20口，井距一般大于1 000 m，局部為500 m左右，僅利用鉆井信息難以對儲層進行精細刻畫。研究區(qū)內地震資料品質較好，目的層信噪比較高，頻寬為5～70 Hz，主頻約30 Hz，地層速度若按3 000 m/s進行計算，可分辨地層厚度約為20 m，能滿足儲層研究的需要。

圖1 研究區(qū)地理位置Fig.1 Location of Study Area

3 深水濁積儲層特征

3.1 深水濁積基本特征

研究區(qū)發(fā)育的濁積巖主要包括濁積水道砂、濁積朵葉體、水道-朵葉復合體、水道滯留沉積及溢岸沉積等，其形成及分布見沉積模式圖(圖2)。

圖2 研究區(qū)塊沉積模式Fig.2 Sedimentary model of Study Area

A油田的AU油組為由北東—南西向展布的多期濁積水道沉積，受巖性與構造雙重因素控制，屬于構造—巖性油藏，單井鉆遇的砂體厚度分布在10～200 m之間，說明濁積水道側向遷移快，儲層橫向變化較大，儲層巖性主要為細～粗粒砂巖，成分以石英和長石為主，具有中孔、中高滲的儲集物性特征。

深水濁積水道沉積可分水道體系、復合水道和單一水道3個層次，其中復合水道層次又可細分為復合水道系列和復合水道2個亞層次。本次研究以AU油組上部的AU_1小層為例開展研究，它屬于復合水道級別的地質單元。

3.2 深水濁積儲層地震響應特征

AU油組發(fā)育于構造的東側，是A油田的主要儲量分布層段，為濁積水道沉積。地層厚度橫向變化大，如圖3所示，在地震剖面上對應一組明顯的強振幅、雜亂、不連續(xù)反射，為水道早期過路沉積過程中的粗粒沉積物[3-8]。產生這種地震反射特征的原因可能有：碎屑流沉積物中的塊體和粗粒碎屑物，砂巖含量變化大，差異壓實導致儲層相對上下圍巖存在較大的波阻抗差異。

地震相表現(xiàn)為低頻強振幅特征， 在剖面上可見到具有一定下切、外形呈透鏡狀、內部具垂直水道軸向的斜層充填的典型特征。這種特征會隨地震剖面位置的不同而有所差異，可作為濁積水道的識別標志。

圖3 A油田AU油組不同期復合水道間的地球物理響應特征Fig.3 Geophysical response features among channel complexes in the AU formation of A oilfield

4 儲層物性平面預測

三維地震技術的發(fā)展，使得儲層物性不再是一孔之見，可以利用地震數據橫向上高密集度的特點，與井點測井解釋的物性參數相結合，通過建立合適的、滿足沉積規(guī)律的相關關系，將儲層物性進行平面上的分布預測，以滿足油田開發(fā)階段、開發(fā)中后期調整的綜合需要，有利于提高油田開發(fā)效率和采收率。

4.1 地震屬性提取

陳遵德[9]將地震屬性分為物理屬性和幾何屬性兩大類，Brown[10]將地震屬性分為四類：時間、振幅、 頻率和吸收衰減屬性。時間屬性主要用于構造解釋，地震振幅是波阻抗差、地層厚度、巖石成分、地層壓力、孔隙度及含流體成分變化的綜合響應，頻率的變化用來計算儲層厚度和進行沉積解釋，頻率向低頻移動的現(xiàn)象往往發(fā)生在含油氣巖性中。吸收衰減屬性可預測滲透率參數等。

由于水道體系內部水道間存在連續(xù)或不連續(xù)的遷移，造成不同期復合水道在垂向上相互疊置、側向上相互拼接。依據上述特征，對AU油組(水道體系層次)開展了地震小層(復合水道層次)的追蹤，如圖4所示，研究區(qū)水道體系內部復合水道可分3期，即AU油組可分為AU_1～AU_3的3個小層，復合水道厚度介于10～50 m，測井曲線和地震反射特征具有良好的對應關系。

本次研究中，在對油田目的層精細標定、層位追蹤解釋的基礎上，提取了16種地震屬性，時窗選取為目的層頂底面之間，如圖5中的層間方式2所示，紅色加粗線以及藍色加粗線分別為實際解釋的層位頂底面， 虛線為頂底面進行等時窗漂移的結果。

圖4 AU油組復合水道期次劃分Fig.4 Stage division of channel complexes in the AU formation

圖5 層間屬性提取方式Fig.5 Extraction method of layer seismic attributes

4.2 地震屬性優(yōu)選

在地震儲層預測過程中，通常會引入與儲層有關的各類地震屬性，數量繁多。但是，屬性的隨意增加會給儲層預測帶來不利的影響。因此，須針對油藏具體問題，從眾多地震屬性中挑選最能表達儲層特征的屬性集以降低信息的冗余和解釋的多解性，提高儲層預測精度，此即地震屬性優(yōu)化問題。

地震屬性優(yōu)化始于70年代出現(xiàn)的“亮點”技術，在該技術中，選擇反射波的振幅和極性等屬性來識別油氣藏，這就是一種屬性優(yōu)化方法——專家優(yōu)化法，這些都是解釋人員憑借經驗來完成的，不具有推廣性。筆者采用相關系數法和交會分析法來進行篩選比較，取得了良好的效果。

相關系數是兩個變量間相關程度的數字表現(xiàn)形式，是用來表示相關關系強度的指標。樣本相關系數用r表示，取值一般介于-1～1之間。1為最大正相關，0為不相關，-1為最大負相關。地震屬性優(yōu)選中，兩者相關系數絕對值越大，說明其相關程度越高；反之相關程度越低(表1)。

表1 r的絕對值與相關程度

相關系數r的計算公式如下

(1)

若兩種地震屬性表達的儲層特征相似，在地震屬性分析中會造成信息冗余，形成干擾現(xiàn)象。采用各種數學算法計算了16種地震屬性，涵蓋振幅、能量及頻率各類，表2為地震屬性之間的相關系數統(tǒng)計表，如平均波谷振幅和總負振幅的相關系數為0.938 1，則認為其中一種地震屬性可通過簡單的數學變換求取另一種地震屬性，保留一個即可。同時參考這2種屬性與其他地震屬性的相關系數，去掉與多種屬性相關系數均高的那種地震屬性，即總負振幅。按照該方法去除了6種地震屬性，保留了10種地震屬性，分別為平均振幅、平均波峰振幅、平均波谷振幅、帶寬、弧長、正負樣點比率、中心頻率、瞬時頻率、瞬時相位、能量半衰時。

通過屬性之間的交會分析，可以更好地實現(xiàn)屬性間關系的直觀表達。對保留的10種地震屬性作交會圖分析(圖6，E6表示10^6)，若兩種地震屬性的散點值在交會圖中呈線性分布，則表明該兩種地震屬性含有相同的地質信息和意義。根據這種原則，將地震屬性中相關性高的地震屬性去除掉其中1種。通過這種方式保留了5種地震屬性，分別為弧長、中心頻率、平均波谷振幅、帶寬、平均振幅。

4.3 BP神經網絡預測

4.3.1 BP神經網絡方法原理

地震參數和儲層參數之間往往呈現(xiàn)復雜的非線性關系，并非普通的線性關系，以往由地震屬性直接預測儲層的方法很難精確地反映真實的儲層特征。文中利用BP神經網絡算法，對儲層物性進行了橫向預測。

BP神經網絡模型處理信息的基本原理是：輸入信號通過中間節(jié)點(隱層)作用于輸出節(jié)點，經過非線性變換，產生輸出信號，網絡訓練的每個樣本包括輸入向量和期望輸出，網絡輸出值與期望輸出值之間的偏差，通過調整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度取值和隱層節(jié)點與輸出節(jié)點之間的聯(lián)接強度以及閾值，使誤差沿梯度方向下降，經過反復學習訓練，確定與最小誤差相對應的網絡參數(權值和閾值)，訓練即告停止。此時經過訓練的神經網絡即能對類似樣本的輸入信息， 自行處理輸出誤差最小的經過非線形轉換的信息。實踐證明，該方法在儲層預測中是行之有效的。

圖6 地震屬性交會分析Fig.6 Cross-plot of seismic attributes(a) Cross-plot of average amplitude and average peak amplitude;(b) cross-plot of average amplitude and average trough amplitude; (c) cross-plot of bandwidth and average amplitude;(d) cross-plot of average amplitude and arc length

用BP神經網絡非線性方法可以考慮多種因素對儲層物性的影響[11]。通過對井點實測數據的學習，建立起一個收斂、穩(wěn)定的物性與各地震屬性之間關系的網絡拓撲結構，輸入層節(jié)點為5個，分別為弧長、中心頻率、平均波谷振幅、帶寬、平均振幅屬性，中間層采用9個節(jié)點，最后是孔隙度一個節(jié)點作為輸出層。實現(xiàn)過程示意圖如圖7所示。

4.3.2 儲層預測及應用

通過精細測井解釋，可得到目的儲層的孔隙度等物性參數。AU_1小層發(fā)育最好的為A5ST井(孔隙度0.3)，其次為A5井(孔隙度0.28)、A19井(孔隙度0.27)、A10井(孔隙度0.25)、A27井(孔隙度0.25)，儲層不發(fā)育的為A35井(孔隙度0.08)，低于測井物性截止值的下限，不具含油性。求取與井點儲層段對應的地震屬性值(表3)，通過建立關系，將地震屬性和儲層孔隙度聯(lián)系起來，從而實現(xiàn)利用地震屬性進行儲層孔隙度的平面預測[12]。

圖7 BP神經網絡模型Fig.7 Model of BP neural networks

采用BP神經網絡算法，將5個敏感屬性作為輸入，對AU_1小層孔隙度平面分布進行了預測，如圖8所示。預測結果符合實際，很好地反映了儲層平面非均質性，進行了鉆井驗證，結果可靠。

圖中紅黃色高值區(qū)代表儲層發(fā)育，藍綠色低值區(qū)代表儲層不發(fā)育。儲層孔隙度平面特征與區(qū)域上的深水水道沉積模式相吻合，同時，由于滲透率與孔隙度有較好的相關關系，即可通過孔隙度得到平面上流體滲流規(guī)律， 進而為油藏開發(fā)布井位部署提供依據。在物性好的部位部署了多口開發(fā)井，均取得了很好的生產效果，油井產能達到預期。

表3 井點地震屬性值與孔隙度值

圖8 BP神經網絡預測孔隙度平面分布圖Fig.8 Horizental distribution of porosity from BP neural network prediction

5 結 語

文章研究深水濁積儲層特征，主要包括敏感地震屬性優(yōu)選、儲層物性參數與地震多屬性BP神經網絡關系建立，并在A油田進行了實際資料的計算，取得了較為滿意的效果，獲得了以下幾點認識。

1)深水濁積儲層橫向變化快，水道之間頻繁地相互切割和充填，凈毛比值從0～1變化劇烈，對井位部署影響較大。

2)利用相關分析和交會分析技術，去掉了眾多地震屬性中冗余的部分，在一定程度上實現(xiàn)了地震屬性的優(yōu)化，形成了一種有效的地震屬性優(yōu)化方法。同時，對地震屬性自身物理意義的研究也是今后研究的重點。

3)建立地震屬性與測井物性的統(tǒng)計關系可以是線性或是非線性的，非線性方法較一般的線性方法更能準確表達參數之間關系，一種有效的方法就是建立BP神經網絡。由于BP神經網絡考慮了空間復雜性，能得到高精度的物性參數平面分布。

[1]韓文明.2DWRI 深水沉積儲層直接預測新方法——基于尼日爾三角洲深水沉積儲層研究[J].中國海上油氣，2013，25(1)：20-23.

[2]徐志誠，呂福亮，范國章,等.西非海岸盆地深水區(qū)油氣地質特征和勘探前景[J].油氣地質與采收率，2012，19(5)：1-5.

[3]趙曉明，吳勝和，劉麗.尼日爾三角洲盆地Akpo油田新近系深水濁積水道儲層構型表征[J].石油學報，2012，33(6)：1 049-1 058.

[4]于水,程濤,陳瑩.尼日爾三角洲盆地深水沉積體系特征[J].地球科學(中國地質大學學報),2012,37(4):763-770.

[5]趙鵬飛,李丹,楊香華,等.尼日爾三角洲前緣重力流水道砂體的沉積構成特征[J].地質科技情報,2014,33(2):28-37.

[6]高君,梁愛俠,李杏莉,等.西非海域北加蓬次盆深水濁積砂地震識別及油氣勘探意義[J].中國石油勘探,2012,17(5):59-62.

[7]王穎，呂明.深水沉積儲層特征——以尼日利亞OML130區(qū)塊為例[J].天然氣地球科學，2009，20(2)：228-236.

[8]孫立春，汪洪強，何娟,等.尼日利亞海上區(qū)塊近海底深水水道體系地震響應特征與沉積模式[J].沉積學報，2014，32(6)：1 140-1 152.

[9]陳遵德.儲層地震屬性優(yōu)化方法[M].北京：石油工業(yè)出版社，1998:2-3.

[10]Brown A R.地震屬性及其分類[J].嚴又生，譯.國外油氣勘探，1997，9(4)：529-530.

[11]賈凌霄，賈家磊，張毅，等.改進BP 神經網絡在裂縫預測中的應用[J].工程地球物理學報，2012，9(3)：301-305.

[12]曾婷，桂志先，何加成，等.儲層預測中有關測井參數的分析及應用[J].工程地球物理學報，2010，7(3)：296-299.

The Application of Well-seismic Joint Attribute Analysis Technique to the Prediction of Deep-water Turbidite Sand Reservoir

Zhao Weiping

(CNOOCResearchInstitute,Beijing100028,China)

Deep-water turbidite channels and abyssal fans are the most mature sedimentary facies in Niger Delta, West Africa, and they are the most effective sandstone reservoirs. Its accuracy predicted by the traditional method is low,because the reservoir has high heterogeneity. The proposed method of this thesis was more advanced than the ordinary interpolation of well logs, which established a neural network relationship between seismic property and petrophysical parameters, and predicted the reservoir parameters qualitatively with the advantages of higher accuracy, meanwhile, the seismic properties can be used to describe the reservoirs. This research shows that the method obtains good results in A oil field, which is worth to be used to other similar oil reservoirs.

well-to-seismic integration; attribute analysis; deep-water turbidite sand; reservoir prediction

1672—7940(2016)02—0213—08

10.3969/j.issn.1672-7940.2016.02.014

國家重大專項課題(編號：2011ZX05030-005)

趙衛(wèi)平(1982-)，男，碩士，主要從事油田開發(fā)地震綜合研究工作。E-mail: zwpcug@163.com

P631.4

A

2015-07-17