丁 燕,杜啟振,Qamar Yasin,張 強,4,劉力輝

(1.中國石油大學(華東)深層油氣重點實驗室,山東青島266580;2.青島海洋科學與技術試點國家實驗室海洋礦產(chǎn)資源評價與探測技術功能實驗室,山東青島266237;3.中國石油大學CNPC物探重點實驗室,山東青島266580;4.中國石油化工股份有限公司勝利油田分公司勘探開發(fā)研究院,山東東營257015;5.北京諾克斯達石油科技有限公司,北京100000)

裂縫型潛山油藏是當今我國油氣勘探開發(fā)的重點目標之一,其研究熱點由成藏條件及規(guī)律、儲層裂縫描述等向潛山內(nèi)幕裂縫儲集空間預測延伸。潛山內(nèi)幕裂縫發(fā)育段具有非均質(zhì)性強、橫向可比性較差的特點,加之埋藏較深,導致地震資料品質(zhì)較差,因此裂縫型潛山油藏的地震預測有很大難度[1]。

地震反演是裂縫型潛山油藏儲層預測的一項重要技術,主要包括稀疏脈沖反演、測井約束反演、隨機地震反演和機器學習非線性反演等方法[2-3]。稀疏脈沖反演是地震主頻控制下求得稀疏脈沖模型所代表的地下波阻抗的反演,由于潛山地震資料品質(zhì)較差,地震資料有效帶寬的低頻和高頻不能被充分利用,導致該方法分辨率不足,難以有效刻畫潛山內(nèi)幕特征;測井約束反演通過測井資料豐富的低頻、高頻信息,采用非線性方法直接反演波阻抗,由于初始模型受地質(zhì)構造解釋模型和井點波阻抗三維插值模型精度的影響,該方法難以適用于復雜的潛山類型;隨機地震反演通過建立波阻抗與測井彈性參數(shù)之間的協(xié)同反演方程,結合序貫模擬與地震波阻抗反演方法實現(xiàn)隨機反演,該方法在勘探開發(fā)程度較高的地區(qū),可以精確描述地下儲層特征,由于裂縫型潛山油藏勘探程度相對較低,井分布不均勻,因此反演結果橫向分辨率不高,隨機性強,適用性較差;機器學習非線性反演[4-6]通過建立已知井的敏感曲線和井旁地震數(shù)據(jù)的非線性映射,充分利用地震資料中的低、中、高頻帶信息,由點到面逐道外推,最后反演得到三維工區(qū)的敏感性測井參數(shù),以解決儲層特征空間展布預測的問題。不同于稀疏脈沖反演、測井約束反演和隨機地震反演對地震子波和初始波阻抗模型的依賴,機器學習非線性反演避免了地震子波和井插值建模精度的影響,增加了地震反演外推的穩(wěn)定性,能得到高分辨率的測井參數(shù)。

目前機器學習方法主要包括神經(jīng)網(wǎng)絡、支持向量機等[7],學習效果佳,但具有計算不穩(wěn)定、易陷入局部最小、多次實現(xiàn)結果相差大的缺陷。近幾年,深度學習的概念被提出,其主流的方法包括卷積神經(jīng)網(wǎng)絡(convolution neutral network,CNN)、深度信念網(wǎng)絡(deep belief network,DBN)、循環(huán)神經(jīng)網(wǎng)絡(recurrent neural networks,RNN)等[8]。卷積神經(jīng)網(wǎng)絡主要用于圖像處理,需要大量的有標注的樣本進行有監(jiān)督訓練。循環(huán)神經(jīng)網(wǎng)絡是一種基于時間序列的前饋神經(jīng)網(wǎng)絡,在自然語言處理方面得到廣泛應用,其監(jiān)督訓練仍然需要大量有標注的樣本信息。深度信念網(wǎng)絡(DBN)是一種半監(jiān)督生成模型[9],它結合了無監(jiān)督和有監(jiān)督兩種方式,分兩步進行訓練。該方法通過無監(jiān)督的方式訓練其神經(jīng)元間的權重,整個神經(jīng)網(wǎng)絡按照最大概率生成數(shù)據(jù),形成聚類信息,然后使用反向傳播來指導DBN網(wǎng)絡進行微調(diào),即有監(jiān)督地進行調(diào)優(yōu),賦予DBN網(wǎng)絡具體類別信息,最終建立樣本特征與樣本類別之間的聯(lián)合概率分布。深度信念網(wǎng)絡具有優(yōu)異的特征學習能力,可以用較少的參數(shù)表示復雜的函數(shù)關系,利用該方法進行儲層非線性反演可提高預測結果的準確性。

深度學習非線性反演準確預測裂縫型潛山油藏的關鍵在于建立井上高敏感性參數(shù)的樣本集。利用常規(guī)測井資料識別裂縫是行之有效的方法,雙側向電阻率、聲波時差、密度和雙井徑測井可用來識別裂縫,但由于潛山內(nèi)幕油藏裂縫發(fā)育段具有非均質(zhì)性強、橫向可比性較差等特征,裂縫識別存在一定的多解性。成像測井為裂縫識別提供準確的井周圍圖像資料,由于高昂的成本,其應用不如常規(guī)測井方法廣泛。裂縫識別參數(shù)是表征裂縫發(fā)育的常規(guī)測井綜合響應特征曲線,YASIN等[10]基于常規(guī)測井曲線發(fā)展了一種裂縫識別參數(shù)——FIC模型,用來綜合評價裂縫帶、裂縫密度和裂縫開度,但FIC模型只能識別井周圍有限區(qū)域的裂縫分布。

本文基于YASIN等[10]的研究工作,利用伽馬曲線、井徑曲線、電阻率曲線、聲波時差曲線和密度曲線計算碳酸鹽巖敏感性裂縫識別參數(shù)FICc;通過深度信念網(wǎng)絡建立井旁地震數(shù)據(jù)和多井FICc之間的非線性映射關系;然后將網(wǎng)絡模型的非線性映射關系應用到整個研究區(qū)反演出裂縫識別參數(shù)FICc,以達到裂縫空間預測的目的。

1 深度學習非線性反演方法

采用深度信念網(wǎng)絡(DBN)進行裂縫識別參數(shù)非線性反演。深度信念網(wǎng)絡是由若干層受限波爾茲曼機(RBM)組成,網(wǎng)絡結構如圖1所示。若輸入層有n個神經(jīng)元,隱含層有m個神經(jīng)元,RBM的能量函數(shù)定義為:

(1)

其中,v=(v1,v2,…,vn)為輸入層,h=(h1,h2,…,hm)為隱含層,θ={ai,bj,wij}為構成RBM的參數(shù),ai為輸入層第i個神經(jīng)元的偏置量,bj為隱含層第j個神經(jīng)元的偏置量,wij為輸入層與隱含層之間的連接權值?；谀芰亢瘮?shù)的聯(lián)合概率分布為:

(2)

式中:z(θ)=∑e-E(v,h|θ),為配分函數(shù),主要起歸一化作用。RBM的學習過程是對參數(shù)ai,bj和wij進行計算,依靠誤差反向傳遞,采用梯度下降法進行模型優(yōu)化。

基于深度信念網(wǎng)絡的裂縫識別方法主要由樣本集構建、模型訓練和模型應用3個階段組成,其中樣本集構建是深度學習非線性反演準確預測裂縫型潛山油藏的關鍵。本文根據(jù)YASIN等提出的裂縫識別參數(shù)FIC模型((3)式),利用歸一化的伽馬曲線、井徑曲線、電阻率曲線、聲波時差曲線和密度曲線計算裂縫識別參數(shù)構建樣本集,裂縫識別參數(shù)計算公式為:

圖1 深度信念網(wǎng)絡結構

FICc=An+Bn+Cn+Dn+En

(3)

深度信念網(wǎng)絡裂縫識別非線性反演的具體流程如圖2所示,主要實現(xiàn)步驟為:

1) 樣本集構建。計算的裂縫識別參數(shù),按均勻采樣的方式依照比例劃分為訓練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)[7]。其中,訓練數(shù)據(jù)用于構建模型;驗證數(shù)據(jù)用于訓練模型,并在訓練過程中多次使用以優(yōu)化模型構建;模型的準確率用測試數(shù)據(jù)進行評價。

2) 模型訓練。將分頻地震數(shù)據(jù)作為輸入,多井裂縫識別參數(shù)作為學習目標,即“標簽”。利用深度信念網(wǎng)絡,從分頻數(shù)據(jù)出發(fā),先在網(wǎng)絡底層開始訓練數(shù)據(jù),逐層的將數(shù)據(jù)進行抽象表征,直到網(wǎng)絡頂部,這是無監(jiān)督的訓練過程;然后從裂縫識別參數(shù)FICc曲線出發(fā),將誤差逐步以反向傳播的形式從網(wǎng)絡頂部傳遞至底部,逐層對網(wǎng)絡進行調(diào)優(yōu),最終建立兩者之間關系的模型。最后進行質(zhì)量監(jiān)控,進一步根據(jù)誤差調(diào)整模型,獲得最優(yōu)網(wǎng)絡。

3) 模型應用。將訓練的最優(yōu)網(wǎng)絡模型應用到全工區(qū),對該工區(qū)的裂縫分布進行預測。

圖2 深度學習計算裂縫識別參數(shù)(FICc)的流程

2 實例與效果分析

2.1 地質(zhì)概況

S區(qū)潛山構造位于渤南低凸起西部,是受斷層控制的地壘潛山構造,由于受構造運動、風化剝蝕和巖性等多種地質(zhì)因素影響,具有構造復雜、儲層橫向變化大、非均質(zhì)性強的特征。S區(qū)內(nèi)主要發(fā)育了兩條潛山邊界張性正斷層,即A0西斷層和A1東斷層,同時區(qū)內(nèi)發(fā)育了3條較大的北東向斷層,即A6北斷層,A6南斷層和A2北斷層,這5條斷層基本控制了S區(qū)地壘潛山構造(圖3)。根據(jù)井點裂縫參數(shù)研究結果,認為該區(qū)主要發(fā)育構造裂縫,裂縫走向主要為北西、北東和近東西向3組,與本區(qū)斷層走向基本一致[11-12]。

S區(qū)潛山主要含油層系為古生界和太古界潛山,在中生界潛山、新近系和古近系地層也見到油氣顯示,是次要含油氣層系。本文研究的重點為古生界儲層,古生界為下古生界海相碳酸鹽巖,主要由脆性的白云巖、灰?guī)r等組成。圖4為S區(qū)潛山古生界波阻抗與密度交會圖。由圖4可見,白云巖、灰?guī)r等巖性的波阻抗數(shù)值很接近,難以有效區(qū)分,依賴模型的波阻抗反演的適用性受到一定限制。因此,合理、準確描述本區(qū)裂縫發(fā)育和分布規(guī)律,確定裂縫分布范圍是本區(qū)裂縫預測的重點。

圖3 S區(qū)潛山古生界頂面構造圖及裂縫走向玫瑰圖

圖4 S區(qū)潛山古生界波阻抗與密度交會分析結果

2.2 效果分析

優(yōu)選本區(qū)6口井計算裂縫識別參數(shù)FICc,圖5為本區(qū)A3井的解釋結果。由圖5可見,研究區(qū)3860～3900m、3950～4000m和4110～4210m深度段為裂縫發(fā)育段。在常規(guī)測井曲線上具有低伽馬(第3道)、低電阻率(第4道)、高孔隙度(第5道)、聲波時差值增大(第6道)、密度下降(第6道)和高含氣飽和度(第7道)等特征。PEREZ等[13]的研究表明,楊氏模量高值,泊松比低值的區(qū)域是巖石破裂最發(fā)育的區(qū)域,易形成裂縫。計算的楊氏模量E(第8道)在裂縫發(fā)育段為高值異常,泊松比(第8道)在裂縫發(fā)育段為低值異常。計算的裂縫識別參數(shù)FICc(第9道)在對應的裂縫發(fā)育段為高值異常。對FICc曲線,每隔100m統(tǒng)計曲線峰值的個數(shù),用于表示裂縫條數(shù),統(tǒng)計的裂縫條數(shù)每100m大于10條(第10道)。將統(tǒng)計的裂縫條數(shù)與成像測井(第11道)統(tǒng)計的裂縫條數(shù)(第12道)進行對比,結果具有較好的一致性。

圖5 A3井的解釋結果

YASIN等[10]研究表明,通常泊松比為0.15～0.20,楊氏模量為20～42GPa時,巖石更容易破裂產(chǎn)生裂縫。如圖6a所示,將每米裂縫發(fā)育的條數(shù)與泊松比和楊氏模量進行交會,每米裂縫發(fā)育條數(shù)高的數(shù)值均落在泊松比0.15～0.20、楊氏模量20～42GPa的區(qū)間。本文基于每米裂縫發(fā)育條數(shù)數(shù)值落在的泊松比和楊氏模量的區(qū)間,將裂縫分為3個發(fā)育區(qū)間,如圖6b所示,分別為裂縫發(fā)育(紅色圈所示,泊松比小于0.25,楊氏模量小于40GPa)、裂縫欠發(fā)育(黃色圈所示,泊松比為0.25～0.30,楊氏模量為40～60GPa)、裂縫不發(fā)育(藍色圈所示,泊松比大于0.3,楊氏模量大于60GPa)。將裂縫識別參數(shù)FICc與泊松比和楊氏模量進行交會(圖6b),可以看出,高FICc值均落在劃分的裂縫發(fā)育區(qū)間,低FICc值落在劃分的裂縫發(fā)育較少或不發(fā)育的區(qū)間。因此,可將計算的裂縫識別參數(shù)FICc作為學習目標樣本進行深度學習非線性反演。為提高裂縫預測的精度,對本區(qū)某地震剖面進行了構造導向濾波處理(圖7),處理后的結果如圖7b所示,由圖7b可見,處理后的地震剖面信噪比得到較好的改善。

圖6 泊松比、楊氏模量與裂縫密度(a)和裂縫識別參數(shù)FICc(b)交會分析結果

圖7 構造導向濾波處理前(a)、后(b)地震剖面

將濾波后的地震數(shù)據(jù)及10,20,40,60Hz分頻地震數(shù)據(jù)作為輸入,將6口井FICc曲線作為學習目標樣本,利用圖2所示流程進行深度網(wǎng)絡模型的訓練。表1展示了訓練樣本集(共1241個樣本)中部分樣本特征和學習值。其中,D1代表井旁地震數(shù)據(jù),D2代表10Hz分頻地震數(shù)據(jù),D3代表20Hz分頻地震數(shù)據(jù),D4代表40Hz分頻地震數(shù)據(jù),D5代表60Hz分頻地震數(shù)據(jù)。圖8為訓練的最優(yōu)網(wǎng)絡模型對310個測試樣本預測的FICc曲線(紅色)與井上計算的FICc曲線(藍色)對比圖。由圖8可見,平均預測精度達0.85,吻合度較高。因此,訓練的最優(yōu)網(wǎng)絡模型可應用于全工區(qū)的裂縫分布預測。

表1 深度學習訓練樣本及學習結果(部分)

圖8 預測的FICc曲線與井上計算的FICc曲線

圖9給出了深度學習FICc預測結果。圖中井旁曲線為FICc曲線,井旁紅色方柱為試油結果,圖中從左到右3口井分別為A1井、A3井和A4井。A1井在古生界頂3525.9～3550.4m,產(chǎn)油145.1t/d,產(chǎn)氣2674m3/d,不含水。從過A1井裂縫預測剖面看,在A1井古生界潛山的山頭2600～2615ms位置存在高強度的裂縫發(fā)育區(qū)(紅色代表高異常)。A3井在古生界頂3759.67～3893.01m,產(chǎn)油178t/d,產(chǎn)氣14826m3/d,不含水,在裂縫預測剖面2790～2835ms位置存在紅色高異常裂縫發(fā)育區(qū)。A4井在4169.30～4446.70m,產(chǎn)油112t/d,產(chǎn)氣42717m3/d,不含水,在裂縫預測剖面2997～3086ms位置同樣存在紅色高異常裂縫發(fā)育區(qū)。試油結果與FICc反演結果十分吻合,說明井點外推效果較好。

圖9 深度學習反演結果

為進一步分析裂縫的平面展布特征,提取了古生界頂面向下10ms的FICc切片,如圖10所示。FICc值大于1.3時被認為是裂縫發(fā)育。從圖10可以看到,裂縫所在位置均表現(xiàn)為高FICc值,沿斷層分布。S區(qū)構造形態(tài)是北東走向的背斜構造,西部高,東部低,在褶皺構造附近,如A1井西南部、A2井以東、A4井、A5井裂縫較為發(fā)育。熵屬性[14]可用于衡量紋理(裂縫)的清晰度,紋理越清晰,熵值越高,如圖11所示,熵屬性大于800的高值區(qū)域,代表裂縫可能的發(fā)育區(qū)。裂縫所在位置沿斷裂帶呈北東方向帶狀分布,其中A0井、A1井、A2井以東、A3井、A4井、A5井為高熵值區(qū)域,與FICc裂縫預測平面展布結果基本一致。表2是統(tǒng)計的古生界頂FICc高值異常與井的產(chǎn)油氣情況對應關系表。如果產(chǎn)油氣層井段裂縫發(fā)育對應高FICc值異常,說明吻合,反之認為不吻合,兩者的吻合率進一步驗證了本文方法的可靠性。由統(tǒng)計結果可知,除A6井、A7井不吻合外,其余5口井均吻合,吻合率達71%。本文方法較客觀地反映了裂縫發(fā)育帶在橫向的變化,裂縫發(fā)育區(qū)主要集中在潛山翼部及構造轉折部位,呈帶狀沿斷層大面積發(fā)育。

表2 古生界頂FICc高值異常與井是否在油氣層段吻合統(tǒng)計

圖10 古生界頂面向下10ms的FICc切片

圖11 古生界頂面向下10ms的結構熵屬性

3 結論

裂縫識別參數(shù)FICc是對裂縫發(fā)育段進行預測的敏感性參數(shù),高FICc值對應高裂縫發(fā)育區(qū),低FICc值對應裂縫發(fā)育較少或不發(fā)育區(qū);基于裂縫識別參數(shù)FICc統(tǒng)計的裂縫條數(shù)與成像測井統(tǒng)計的條數(shù)基本吻合。因此,裂縫識別參數(shù)FICc在S區(qū)裂縫預測中具有較高的可靠性。

以裂縫識別參數(shù)FICc為學習目標樣本的深度信念網(wǎng)絡反演,反演結果與井點實鉆結果吻合率達71%,裂縫發(fā)育區(qū)主要集中在潛山翼部及構造轉折部位,呈帶狀沿斷層大面積分布,與熵屬性刻畫的裂縫發(fā)育帶一致性較好,較客觀地反映了裂縫發(fā)育帶橫向變化。因此,基于深度信念網(wǎng)絡反演的方法較適用于S區(qū)裂縫預測,為裂縫型潛山油藏裂縫預測提供了一定的理論和實踐基礎。