伍新明,楊佳潤,朱振宇,丁繼才,王清振
(1.中國科學技術大學地球和空間科學學院,安徽合肥230026;2.中海石油(中國)有限公司北京研究中心,北京100010)
斷層、不整合面、層位以及鹽丘等各類地質構造和地質體信息的識別和提取是地震資料解釋以及構造建模的關鍵內容之一。目前,以上技術均已在一定程度上實現了自動化。其中斷層的自動解釋通常包含以下4項內容:①從地震數據中計算能指示斷層位置的地震屬性,如相干體[1]、方差體[2-3]、斷層似然度[4]和基于卷積神經網絡的斷層可能性[5-7];②基于斷層屬性,使用不同的方法[4,8-10]對斷層面進行提取和構建;③通過拾取斷層面兩邊的層位或者估計斷層面兩側所有反射波同相軸的相對錯動[11-12]來估計斷距場;④利用計算得到的斷層位置以及斷層的斷距信息來對地震數據體進行去斷層或者斷層恢復處理[13-16],并將處理結果用于分析斷層形成的動力學過程和后續(xù)層位的自動化解釋。
大多數不整合面自動解釋方法均通過計算地震數據相干體[17]或者同相軸的匯聚和發(fā)散屬性[18-19]來檢測反射同相軸終止的角度不整合。RINGDAL[20]提出一種計算二維不整合面可能性屬性的方法,可用于檢測角度不整合以及平行不整合。WU等[21]提出一種新的三維地震圖像處理的技術流程:首先從地震數據體計算不整合面似然性來檢測角度不整合及其對應的平行不整合或相關不整合;然后基于不整合似然性屬性來自動提取不整合面;再使用不整合面作為邊界約束來更加精確地估計地震同相軸法向量;接著再通過地震體拉平處理得到Wheeler體;最終將上述處理成果應用于層序地層分析。
各類地質體解釋的對象包括鹽丘、火成巖、溶洞和河道等。近幾十年來,各大石油公司在美國墨西哥灣和其它與鹽丘構造相關的深水區(qū)域進行了大量油氣勘探開發(fā),學術界和工業(yè)界學者對鹽丘構造開展了大量的研究,因此促進了三維地震鹽丘自動解釋方法的研發(fā)。這些研究方法大多借助計算鹽丘屬性檢測鹽丘體內部的雜亂反射或鹽丘邊界,這些屬性包括不連續(xù)性[22-24]、紋理[25-27]、同向軸傾角或法向矢量場[28-29]以及鹽丘相似度[30]等,采用各種方法[29-34]從這些屬性中提取鹽丘邊界,可以對鹽丘體進行三維建模。用于鹽丘檢測的大部分屬性也可以用于其它地質體尤其是火成巖體的解釋。但是火成巖體一般位于地震成像質量較差的深部,這導致其解釋難度往往更大。針對火成巖高速地質體對地震信號的屏蔽作用,很多學者通過基于寬頻速度模型的全波形反演[35-36]、基于層析速度分析的各向異性逆時偏移成像[37-38]以及基于VSP等信息提取的地震成像速度低頻分量,然后進行網格層析得到速度高頻分量,最終利用逆時偏移成像[39]等技術,對火成巖及下伏地層成像結果進行優(yōu)化。溶洞和河道由于與油氣儲藏和運移直接相關,故其檢測識別情況也備受關注。地震相干、方差和曲率等地質屬性廣泛應用于溶洞和河道的檢測。目前,基于深度學習的各類方法也廣泛應用于鹽丘[40-41]、溶洞[42-43]和河道[44-45]的檢測識別。
地震同相軸是三維地震數據體中最主要的幾何圖像特征,同相軸在地質上往往對應地層界面,基于同相軸追蹤的地震層位追蹤或拾取是地震構造和層序解釋的主要任務,因此,相關的自動追蹤和識別方法也被廣泛研發(fā)?;谒矔r相位的方法首先計算地震數據瞬時相位以獲得相對地質年代體,然后提取相對地質年代體的等時線作為層位[46-49];基于地震波形分類的方法則是通過遞歸追蹤與波形最相似的種子點逐步得到層位[50-52]?;诘卣饠祿噍S局部傾角來估計同相軸的幾何方向的方法是通過結構張量[53]、平面波破壞濾波器[54]、平滑動態(tài)圖像校正[55]等手段獲得同相軸局部傾角。在同相軸連續(xù)的情況下,利用該方法能夠計算得到局部傾角,但通常在斷層錯動明顯的區(qū)域得不到準確的計算結果。為了解決這一問題,一些學者提出了去斷層的方法[15-16,56],將人工控制點加在斷層相反兩側作為層位計算的約束條件[57];近年來,我們提出利用深度學習方法進行層位追蹤[58-59],通過神經網絡由地震數據得到相對地質年代體圖像并從中獲取等值面來得到任意地震層位。
基于地震斷層、地質體、不整合面和層位等地質構造和層序信息的解釋完成之后,充分綜合這些信息構建三維地質構造模型。常用的構造建模是基于地質界面的顯式構造建模[60-61],這類建模方法往往在定義復雜界面以及界面之間的接觸關系時面臨挑戰(zhàn)。近年來,學者們對各種基于偏微分方程求解的隱式構造建模方法[62-63]進行了廣泛研究和發(fā)展。此類方法基于稀疏的構造數據和其它先驗信息(比如構造方向信息和構造空間平滑性)來構建偏微分方程,對其進行求解可以得到在全空間中擬合這些構造數據和先驗信息的標量場,該標量場可以實現對地下所有構造信息的隱式表達,有效避免了對復雜界面及其接觸關系的顯式定義。近年來,基于人工智能的顯式和隱式構造建模方法也開始得到研發(fā)和關注:首先通過構建構造模型獲得地質構造信息在地下三維空間中的顯式或隱式表達和描述,進而引入或填充巖石物性參數來構建各類巖性和儲層模型[64-65]。通常情況下,可利用構造模型來引導井間數據的插值[66-67]以實現巖性參數模型的構建。受插值精度的限制,通常還需進行參數反演[68-69]來更新和修正插值的模型以獲得更加精確、更高分辨率的物性參數模型。
本文結合三維實際數據來闡述一整套自動化地震構造解釋與建模技術流程。具體從斷層解釋、地質體解釋、不整合面和層位解釋、構造建模和巖性參數建模這幾個方面闡述整個流程,討論計算機實現中的難點技術。
如圖1所示,計算地震構造解釋與建模流程大體可以分為3個部分。首先對如圖1a所示的三維地震-測井數據體中的斷層、不整合面、層位、鹽丘等各類地質構造和地質體信息進行提取(圖1b),根據提取的信息實現對三維地震-測井數據體中所有地質構造、地層信息的定量描述;然后綜合解釋各類構造和地層信息構建精細構造模型,得到如圖1c所示的隱式構造模型;最后以隱式構造模型作為框架約束,結合測井和其它觀測數據通過插值和反演的方式獲得物性參數模型(圖1d)。
圖1 基于三維圖像處理技術的自動化地震構造解釋與建模a 三維地震-測井數據體;b 地質構造和地質體信息;c 隱式構造模型;d 物性參數模型
自動化地震構造解釋與建模流程如圖2所示,該流程首先通過計算各類地震屬性來實現對三維地震數據中斷層、不整合面和地質體(或地質體邊界)的位置檢測識別,然后基于檢測結果進一步實現對斷層面、不整合面和地質體的三維重構;再將提取的斷層、不整合面和地質體界面作為邊界條件約束,構建全局擬合地震波形匹配和同相軸傾角信息的偏微分方程或優(yōu)化系統(tǒng),通過求解優(yōu)化問題來計算相對地質年代體或者高分辨率層位體,該體解釋方法可一次性獲取三維地震數據體中所有的層位;然后基于解釋的各種地質構造和地層信息進一步構建顯式或隱式構造模型,用于完整描述地下三維空間中所有網格點的構造信息;最后將構造模型作為框架約束,結合測井觀測數據和物性參數插值、反演方法等來構建細節(jié)豐富的物性參數模型。這些模型既可反饋回地震數據的精細成像或儲層反演,也可用于指導油氣勘探開發(fā)生產。
圖2 自動化地震構造解釋與建模流程
斷層既是區(qū)域動力學分析的關鍵信息和重要依據,同時也是控制油氣運移和儲藏的關鍵地質構造,因此,斷層解釋是地震構造解釋中的關鍵內容之一,其自動解釋方法已在國內外得到廣泛研究。三維地震資料中斷層的自動解釋一般包括4個關鍵部分:①從地震數據中檢測斷層的位置;②估計斷層的產狀信息(傾向和走向);③利用估計的斷層位置和方向信息進一步構建提取斷層面;④估計斷層的斷距信息。
1.1.1 斷層屬性計算
由于斷層往往在地震數據中表現為同相軸的不連續(xù)特征,因此基于地震反射不連續(xù)特征檢測的多種地震屬性均被用于檢測斷層。常用的屬性有基于地震波形相似系數(semblance-based)的相干(二代相干)[70]、基于協方差矩陣的相干(三代相干)[71]和基于結構張量的相干[72]。以上3種相干屬性在地震同相軸連續(xù)性較好的區(qū)域往往具有較大的值(接近于1),而在連續(xù)性較差的區(qū)域呈現較小的值(接近于0),因此,相干屬性中值較小的區(qū)域一般指示斷層的位置。圖3a,圖3b,圖3c分別為以上3種相干屬性經過簡單變換(1-coherence)之后的可視化顯示結果,屬性中的高亮值(紅色)指示地震反射不連續(xù)區(qū)域。雖然相干屬性能在一定程度上指示斷層的位置,但是其作為一種檢測地震反射不連續(xù)特征的屬性,通常也會對噪聲、地質體邊界和不整合面等非斷層因素引起的不連續(xù)特征比較敏感。同時,地震數據中某些斷層位置不一定呈現不連續(xù)特征,比如具有斷層面波反射特征的斷層以及斷層斷距接近于地震道波形周期的倍數等情況。因此,簡單的地震反射不連續(xù)特征估計方法(如相干和方差等)往往無法得到干脆的、連續(xù)的斷層檢測結果。為了進一步提高相干屬性對斷層檢測的抗干擾性和連續(xù)性,一些學者提出斷層傾向與地震同相軸法向方向平行的假設,并基于該假設來設計橫向上與地震同相軸平行、垂向上與同相軸垂直的空變窗口來計算2種構造引導的相干屬性[72-73],結果分別如圖3d和圖3e所示。通過這種方式計算得到的相干屬性能在一定程度上增強斷層的連續(xù)性,但是依然存在大量的非斷層假象特征,我們難以實現基于這些屬性的斷層面的自動追蹤或構建。因此,一些基于斷層屬性的后處理方法,包括螞蟻追蹤[8,74]和最優(yōu)面投票[10]等往往用于進一步壓制屬性中的干擾特征,以增強斷層特征的空間連續(xù)性并估計斷層的方向信息,進而在一定程度上實現斷層面的自動化構建,圖3f 為基于最優(yōu)面投票的斷層增強屬性。與此同時,部分學者[4,12]提出一種基于空間掃描的方式來計算斷層位置檢測屬性(斷層似然性),并同時估計斷層的走向和傾角信息,然后利用檢測的斷層位置信息和方向信息來自動構建斷層面。圖3g和圖3h分別為斷層似然性及細化后的斷層似然性。近年來,各種深度學習方法[5-7]研究在斷層檢測方面取得較大的進展,其斷層檢測結果在連續(xù)性、抗噪性、準確性、分辨率和計算效率(預測效率,不含訓練過程)等方面均超過所有傳統(tǒng)屬性(非深度學習方法計算)。圖3i為基于深度學習(三維二值圖像分割卷積神經網絡[6])的斷層可能性。
1.1.2 斷層面自動構建
斷層位置檢測和方向估計只是自動化斷層解釋的第一步,斷層面構建或組合作為一個極具挑戰(zhàn)性的任務,已進行了廣泛的探索和研究。基于螞蟻追蹤的斷層面組合[8,74]便是一種具有代表性的方法。HALE[4]提出了一種基于四邊形生長的方法用于實現斷層面的自動構建,得到了四邊形網格數據結構表示的斷層面(圖4a)。WU等[12]提出了一種更適用于斷層面構建的鏈式數據結構來表示和生成斷層面,結果如圖4b所示。以上各種方法雖然采取不同的算法來構建斷層面并使用不同的數據結構來表示斷層面,但根據方法的基本原理均可歸納為區(qū)域生長算法。在自動構建一個斷層面的過程中,這類方法首先根據斷層似然性屬性選取一個可靠(斷層似然性較大)的種子點,然后沿著估計的斷層傾向和走向追蹤或連接屬于同一斷層面的相鄰斷層點,來完成斷層面的生長和構建,直到沒有合適的相鄰斷層點可供連接。由于檢測的斷層點中可能存在較多的噪聲點,如何判斷相鄰斷點是否屬于同一斷層并對其進行連接是算法的關鍵,雖然可以通過斷層的相對位置關系、斷點屬性(包括斷層可能性、走向和傾向等)的一致性等準則進行判別,但這類方法均難以避免出現誤判或錯誤路徑連接。此外,斷層檢測結果中往往存在不少缺失的(未檢測到的)斷層點,導致僅憑區(qū)域生長算法難以構建完整的斷層面。同時,區(qū)域生長算法作為一種局部關聯性判別算法,缺乏全局性考慮,三維斷層面構建結果通常與種子點位置以及生長路徑相關。因此,這類方法難以獲得穩(wěn)定的、一致性較強的斷層面結果。為了提高斷層面的穩(wěn)定性和完整性,WU等[16]提出一種基于全局最優(yōu)面提取的解決方案。該方案基于動態(tài)規(guī)劃(dynamic warping)的最優(yōu)路徑算法,從斷層可能性屬性體中提取全局最優(yōu)面(及面上所有點的累積斷層屬性最大值),進而構建斷層面,該方法可以從不連續(xù)的斷層檢測結果中構建出較為完整的斷層面(圖4c)。該方案基于全局優(yōu)化的思路也有助于獲得相對穩(wěn)定的斷層面構建結果。這類方法在斷裂系統(tǒng)比較復雜的情況下(比如具有復雜分支和相交的斷裂系統(tǒng))難以獲得理想的結果,需要進一步的人工干涉。
圖4 不同自動組合方法生成的斷層面a 基于四邊形網格生長的方法[4];b 基于鏈式數據結構的區(qū)域生長方法[56];c 基于全局最優(yōu)面提取的方法[10]
總體而言,相對于斷層位置的檢測方法,目前斷層面的自動構建方法成熟度依然較低,難以獲得穩(wěn)定的工業(yè)生產(比如構造建模)應用,主要難點可概括如下。①斷層面的空間展布自由度大,其延展方向和空間展布范圍均不確定,且通常未落在地震采樣網格上,因此難以對斷層面空間幾何描述的數據進行定義。與層位的數據建模類比可知,一般情況下層位可以數學表示為深度z關于橫坐標x和y的函數z(x,y),也就是說層位的橫向維度可以認為和地震采樣網格和范圍一致,而斷層卻沒有這樣的建模網格和范圍,導致其方法設計難度更大。②實際情況下,斷層面往往不是封閉且可以用單值函數來進行表達的幾何圖像,而這與構造地質建模里面的平滑、連續(xù)斷層面假設相悖。③實際情況下,斷層面之間具有復雜的接觸連接關系,成百上千的斷層面可連成一個關系復雜的斷裂系統(tǒng),難以對這些斷層面進行自動切割和分離。斷層面構建雖然難度很大,但卻比斷層位置檢測更為關鍵,前者可以應用于構造建模、斷距估計和斷層恢復。
1.1.3 斷距估計和斷層恢復
對如圖5a所示的三維地震數據體進行斷層屬性計算和斷層面構建,結果分別如圖5b和圖5c所示,可用于進一步估計斷距場沿每一個斷層面的空間分布情況。斷距場是用于斷層構造研究的關鍵動力學特征,對斷層兩邊層位的自動解釋而言至關重要。目前,國內外學者在斷距場自動估計方面研究較少,通常通過解釋斷層兩側一些有限的地震層位來估計斷距信息,導致工作量巨大并且得到的結果分辨率較低。具有代表性的斷距場自動估計是由HALE[11]和WU等[12]提出的基于圖像配準的方法。考慮到地震數據對走滑斷層的斷距分辨能力較差,往往只能刻畫沿斷層傾向方向的滑移矢量,因此通過計算斷層面上盤和下盤地層(或地震同相軸)之間的相對錯動,來估計斷層的傾向滑移量。該方法忽略了斷層的走向滑移,具體步驟如下:①首先沿著斷層面附近分別從斷層的上盤和下盤提取兩個二維地震剖面,這兩個地震剖面在空間上與斷層面平行且與斷層面靠近(法向距離2~3個采樣點),其橫坐標對應斷層的走向、縱坐標對應斷層的傾向;②利用二維動態(tài)圖像歸整算法[11]來計算能夠將這兩個地震剖面進行配準的縱軸方向(斷層傾向方向)偏移場,計算得到的偏移場相當于斷層的傾向斷距場。
由于斷層附近地層或地震同相軸往往破碎嚴重,故在斷層兩邊提取地震剖面之前通常會先進行構造引導(沿地震同相軸),并且采用保持斷層邊界的平滑濾波來增加斷層兩邊地震同相軸的連續(xù)性(圖5d),進而提高地震剖面配準和斷距估計的穩(wěn)定性。采用上述方法針對各個斷層面進行處理,可以得到分辨率較高、連續(xù)分布的斷距場,圖5e中斷層面上不同顏色代表的是估計的傾向斷距在垂直方向的不同分量。
基于估計的斷距場,可以對地震數據體或斷層兩邊的地層進行去斷層或斷層恢復處理。去斷層處理可以用于檢驗估計的斷距場的準確性、分析斷層的動力學過程,同時也有助于后期的地震層位自動化解釋。對地震數據體或地層在三維空間中進行去斷層處理,需要估計一個三維的偏移矢量場來校正數據體中所有斷層的上、下盤地層相對錯動。HALE[4]提出固定斷層下盤和斷層位置、移動斷層上盤的思路來實現去斷層處理,該方法首先通過插值,將在斷層面上估計的斷距場連續(xù)且光滑地擴散到所有斷層的上盤空間中,得到一個三維空間中的偏移矢量場;然后將該矢量場應用于校正數據體中斷層上、下盤的相對錯動。由于該方法在去斷層過程中固定斷層的下盤和斷層的空間位置,導致其在對相交的新老斷層進行恢復過程中容易產生畸變,因為在這種情況下老斷層被新斷層切割會導致老斷層的位置發(fā)生變化,要實現斷層恢復必須對老斷層的位置也進行校正。WU等[12]提出一種相對靈活的去斷層方法,該方法無需固定斷層的位置和斷層的下盤,通過同時求解一些斷層上、下盤匹配的方程(利用估計的斷層斷距場構建)和正則化偏微分方程來計算去除斷層所需的矢量位移,最后同時移動斷層上、下盤和斷層位置來實現斷層的恢復或去斷層處理。圖5f為利用該方法獲得的地震數據去斷層處理結果,可以看到去斷層處理后,斷層兩邊的同相軸變得更加連續(xù),使得后期的層位自動追蹤更加容易、準確。
三維地震層序解釋包含地震層位和層序界面的拾取。層位在地質上可以定義為一個等地質時間線或面[75];層位在巖性上表現為上、下兩個具有一定巖性差異的地層的分界面,在地震數據中往往呈現為具有一致性反射特征和相位的反射波同相軸。層位的精細解釋對于地震地貌學研究、構造建模和層序地層建模都至關重要。而不整合面或層序界面在地質上代表一個沉積間斷、缺失或剝蝕界面[75],其上、下地層呈現明顯的上超、下超和頂超、削截的超覆關系;同時它也是一個巖性界面,因而在地震數據中呈現出明顯的反射特征。地質專家一般會通過反射終止特征(包括上超、下超、頂超和削截)來確定地震數據中的不整合面和層序界面位置。下文中我們對地震數據中層位和層序界面的自動化解釋分別進行闡述,但實際上層位和層序界面的解釋并不應當作為兩個獨立的任務來看待,而應當作為相互關聯和耦合的任務來一并解決。
1.2.1 三維地震層位自動化解釋
三維地震數據體中不一定存在不整合面或者層序界面,但是通常存在斷層,而斷層也會影響層位的自動化解釋。層位的自動化解釋已經被廣泛研究并提出了多種研究方法,本文主要討論基于體解釋的層位拾取方法。對于去斷層處理后的地震數據體(圖5f),可以通過體拉平的方法[76-78]對其進行進一步的地震地層拉平處理(圖6a)。該方法首先利用地震同相軸的傾角信息構建計算拉平偏移量的偏微分方程,然后求解偏微分方程來估計拉平偏移量,最后根據估計的拉平偏移量來實現整個地震數據體從去斷層后的空間到拉平空間的映射。拉平的過程實質上是將地震數據體從原始的深度(或雙程旅行時)域變換到了地質年代空間或Wheeler域。在圖6a中,所有地震反射波同相軸均呈水平對齊的狀態(tài),因此可以通過直接提取水平切片來獲取數據體中的任意地震層位,實現三維地震數據中所有地震層位的一次性解釋。利用估計的拉平偏移量,還可以計算如圖6b 所示的相對地質年代體。該地質年代體和對應的地震數據體具有相同的網格和維度,其中的值并非絕對地質年代,而是相對地質年代。相對地質年代體中的紅色部分代表的地質年代較老,藍色部分代表的地質年代較新,隨著深度的增加,地質年代整體呈現由新到老的變化趨勢,具有相同值(或顏色)的采樣點對應相同的地層或地震層位。當地震數據體中存在逆斷層或者反轉地層時,計算得到的相對地質年代體也會在深度方向出現對應的地質年代由老到新的翻轉情況,該相對地質年代體可以看作地震數據中所有地震層位的隱式表達式,因為地質年代體中的等時線或面對應著地震層位,所以該相對地質年代體也可以看作一個包含地震數據體中所有層位等構造信息的隱式構造模型(圖6c),用于引導后期井間插值以構建巖性參數模型和儲層模型。
相對于傳統(tǒng)的地震層位單個、逐一解釋的模式,這種體解釋的方法通過對全局信息進行擬合可以獲得更穩(wěn)定的層位解釋結果;同時體解釋的方法可以一次性獲得地震數據體中的所有地震層位,在解釋的效率和結果的分辨率方面優(yōu)勢明顯。本文展示了一種基于地震斷層解釋、去斷層處理、拉平處理的地震層位體解釋以及相對地質年代體估計的方法流程。目前,部分學者[58-59]提出利用深度學習的方法從輸入的地震數據體直接估計或映射出對應的包含斷層信息的相對地質年體。深度神經網絡對輸入地震數據體中構造信息的多尺度特征關注能力和擬合能力遠優(yōu)于基于偏微分方程的體解釋方法,深度神經網絡具有廣闊的發(fā)展前景,目前基于深度學習的地震層位體解釋方法面臨最大的挑戰(zhàn)包括兩個方面:①對大三維地震數據體的處理內存需求巨大;②目前網絡訓練主要依賴合成數據集,訓練后的網絡可能存在泛化能力不足的問題。
1.2.2 三維地震層序界面和層位的耦合解釋
當地震數據體中存在不整合面時,部分層位可能在不整合面位置終止,導致層位的自動追蹤難度增加。因此,一般考慮先檢測出不整合面位置,然后將其作為邊界約束引入到層位自動提取方法中。考慮到層序界面或不整合面附近往往存在地震同相軸終止(上超、下超、頂超和削截等)的特征,因此通過計算能得到反映地震同相軸的發(fā)散或收斂程度的幾何特征,并將其用于指示不整合面位置。我們采用WU等[78]提出的方法對如圖7a所示的三維地震數據體計算不整合似然性,得到的屬性體如圖7b所示,該結果可用于指示地層終止區(qū)域以及其對應的平行不整合面位置,從圖7b的極值位置處自助提取得到如圖7c 所示的兩個不整合面(圖7c中綠色為主體的層位)。
不整合面在地質上代表沉積間斷、缺失或剝蝕界面,地層的地質年代在不整合面位置存在跳變,地層在拉平的空間(或Wheeler域)呈現明顯的空白區(qū)域(對應于沉積間斷、缺失或剝蝕)。這種不連續(xù)性特征的存在,給前面闡述的體拉平或相對地質年代體估計等層位體解釋方法帶來挑戰(zhàn)。一種可行的方法是將事先提取的不整合面作為邊界條件約束[78]引入到層位的體解釋方法中,使得估計的相對地質年代體(圖7d)在擬合地震數據體構造的同時保持在不整合面附近的不連續(xù)跳變。從該地質年代體在不同色標下的可視化顯示結果可以看到,自動提取和構建的等時地層或層位(圖7e)與相同地質年代的地層和背景的地震同相軸高度吻合,同時在不整合面位置有明顯的地層終止(頂超)現象。基于估計的相對地質年代體,可以將圖7a的地震數據體從原始的深度域轉換到如圖7f所示的地質時間域三維Wheeler體,在此空間中可以明顯看到所有地層成水平層狀展布,兩個不整合面對應兩塊明顯的地層缺失區(qū)域,這與地質認識吻合。
地震數據體中常見的地質體包括鹽丘、火成巖、溶洞和河道等,這些地質體的雕刻和解釋也是構造建模和儲層建模的重要內容。地質體的自動化解釋一般包括兩部分:①通過計算地震屬性來檢測地質體或其邊界的位置;②基于屬性對地質體進行三維建模。在地震數據體中各類地質體一般呈現反射不連續(xù)、雜亂反射或地質體內外的反射振幅和幾何構造變化明顯等特征,因此,能夠檢測這些特征的各種屬性(包括方差、相干、曲率等)均可用于檢測地震數據體中的地質體或其邊界。通常情況下,如果地震數據體中地質體的成像質量較差,容易導致基于這些屬性的地質體雕刻或建模方法的自動化程度或精度較低。圖8a為從背景三維地震數據體中計算得到的構造引導的鹽丘邊界似然性[30],該屬性通過估計鹽丘內外地震反射幾何構造特征的變化,在一定程度上檢測出部分明顯的鹽丘邊界的位置和一些非鹽丘邊界的干擾特征,一些不明顯的鹽丘邊界存在檢測缺失的情況,因此僅利用該屬性得到的鹽丘邊界檢測結果,難以實現自動化的鹽丘三維建模。為此,WU[30]根據水平集(level-set)方法思路,利用該鹽丘邊界檢測結果并結合鹽丘邊界構造方向信息,計算得到用于描述鹽丘體幾何形態(tài)的隱式標量場,結果如圖8b所示。在計算該標量場過程中,通過全局擬合檢測的鹽丘邊界位置信息來提高其抗干擾能力,通過引入方向信息和平滑正則化約束來實現對鹽丘邊界檢測及缺失區(qū)域的連續(xù)插值。在該隱式標量場中,正值(紅色區(qū)域)代表鹽丘的內部,負值(藍紫色區(qū)域)代表鹽丘的外部,從該標量場提取零等值面便可以獲得完整鹽丘邊界(圖8c),完成對鹽丘體的三維建模。利用該方法可以獲得光滑且封閉的鹽丘邊界,但是部分位置可能還需要人工修正以獲得精確的建模結果。為此,WU等[34]提出一種交互式的半自動方法,通過引入人為干預來實現更加精確的鹽丘邊界建模。該方法首先通過人工或者自動方法定義一個初始鹽丘邊界(與目標鹽丘邊界接近,如圖8d藍色曲線所示),然后利用最優(yōu)路徑拾取算法對初始邊界更新來擬合目標鹽丘邊界。
由于強大的抗干擾能力和對復雜特征的提取、映射能力,近年來,深度學習方法在地質體目標檢測方面取得較大成功,相對于利用傳統(tǒng)屬性的方法,深度學習方法優(yōu)勢明顯?;趫D像分割思路的卷積神經網絡[40]自動識別的鹽丘體如圖8e所示,該結果(暗紅色區(qū)域)可以完整且準確地檢測出鹽丘體的位置。類似地,圖8f為基于圖像分割思路的卷積神經網絡計算[40]自動識別的火成巖。將合成數據集訓練卷積神經網絡[42]應用于實際地震數據的溶洞檢測,得到的溶洞體三維模型如圖8g所示。圖8h為基于圖像分割思路的卷積神經網絡[40]自動識別的驗證集溶洞體,圖8i為基于圖像分割思路的卷積神經網絡[40]自動識別的實際溶洞體。隨著深度學習方法的發(fā)展和各類地質體樣本集的完善,有望能更好地實現三維地震數據中地質體自動化智能建模。
圖8 鹽丘和火成巖等塊狀地質體解釋a 從背景三維地震數據體中計算得到的構造引導的鹽丘邊界似然性[30];b 用于描述鹽丘體幾何形態(tài)的隱式標量場[30];c 從隱式標量場中提取零等值面得到的完整鹽丘邊界面[30];d 利用最優(yōu)路徑拾取算法[34]從塊狀地質體邊界檢測屬性中自動提取的完整邊界;e 基于圖像分割思路的卷積神經網絡自動識別的鹽丘體[40];f 基于圖像分割思路的卷積神經網絡自動識別的火成巖;g 溶洞體三維模型;h 基于圖像分割思路的卷積神經網絡自動識別的驗證集溶洞體;i 基于圖像分割思路的卷積神經網絡自動識別的實際溶洞
雖然我們在此將地震層位解釋和地質體解釋分開來討論,但事實上這兩個任務高度耦合。地質體的雕刻尤其對層位的自動解釋至關重要,這是因為塊狀地質體對地層的終止和遮擋使得層位的自動追蹤難度加大。地質體的邊界同時也是部分地層或層位的邊界,因此,地質體的檢測結果也應當作為邊界條件約束引入層位自動解釋方法中。
三維地震解釋獲得的各類構造和地層信息可以有效應用于引導井間插值,以獲得既與測井觀測值吻合又與地下構造一致的三維巖性和儲層模型。在井震聯合建模前,往往需要先通過井震匹配方法[79-82]將測井曲線校正到垂直方向與地震數據相一致的深度或時間域,同時使得地震數據中的層位橫向上對應多口測井數據中相同的地層,因此,在井震匹配過程中除了保證單一測井曲線在縱向上與對應地震波形相匹配,還需保證多口測井曲線的橫向一致性[83],即多口井中相同地層的觀測曲線應該對應地震數據體中的相同地震層位。
完成如圖9a所示的井震匹配之后,可直接利用地震解釋計算得到的相對地質年代體(隱式構造模型)(圖9b)來引導井間插值[67]。隱式構造模型包含了對地震數據體中所有構造信息的隱式表達,對其提取等值線或面可以獲得所有的層位信息(圖9c)。如果計算隱式構造模型時,充分考慮了斷層、地質體邊界和不整合面的約束,那么提取等值面(等地質時間面)獲得的層位也符合這些關鍵地質界面信息。考慮到在相同地質時期沉積的地層在區(qū)域上通常具備類似的沉積環(huán)境和物源等,可以假設在橫向空間分布上巖性參數在相同的地質時間具有較好的一致性。因此,對多口測井的巖性觀測值沿著等地質時間線或面進行橫向插值或延拓,可以得到全空間三維巖性模型。插值過程中還應考慮用被插值點到多口測井的橫向距離,并進行反向加權。圖9d為利用聲波速度測井曲線進行井間插值得到的速度模型,可以看到,通過這種方式插值得到的巖性模型在數值和縱向變化趨勢上與測井吻合,同時橫向構造趨勢與三維地震數據相吻合。考慮到地質體中巖性參數的異常和突變,可以利用對地質體中填充物的先驗認識對巖性模型中地質體內部的巖性參數進行填充或修正。圖9e 為縫洞地質體解釋結果,可以看出從三維地震數據體中檢測出的溶洞位置。對溶洞內部進行低速填充,獲得如圖9f所示的最終的速度(巖性參數)模型。
圖9 構造引導的井震聯合建模a 井震匹配;b 相對地質年代體;c 層位和地層信息;d 速度模型;e 縫洞地質體解釋結果;f最終的速度模型
經過插值得到的模型雖然融合了地震構造信息和稀疏的測井信息,但是插值過程中存在橫向平滑假設和近似,因而通常無法準確反映巖性參數的真實橫向變化和細節(jié)信息,尤其在巖性變化較快的區(qū)域。因此,往往需要進一步利用地球物理反演方法,通過擬合地震振幅和其它觀測數據來對插值模型進行進一步優(yōu)化和改進,而插值模型往往會作為初始模型輸入到反演流程中,用于提供低頻背景和趨勢約束[68]。
為了更好地展示和總結整個自動化三維地震構造解釋和建模全流程,我們將該流程應用于包含鹽丘和大量斷層的三維實際地震數據,并對相應的結果進行展示和討論。①利用基于二值圖像分割的卷積神經網絡對三維地震數據體中的鹽丘體進行檢測,得到圖10a中紅色區(qū)域指示的鹽丘檢測結果;②基于鹽丘檢測結果對鹽丘邊界或鹽丘地質體進行三維建模,結果如圖10b所示,其鹽丘邊界作為邊界約束可以用于后期的層位解釋和巖性參數建模;③利用三維地震斷層檢測的流程(包括斷層位置、走向和傾角等屬性計算以及斷層面組合)得到如圖10c所示的三維斷層面自動構建結果,圖10d為斷層面在不同視角下的可視化結果,可以看到這些斷層受底部鹽丘控制呈輻射狀空間展布,基本可以確定這些斷層由底部鹽丘生長隆起,因對上覆地層產生抬升和拉張作用而形成;④將解釋的鹽丘邊界和斷層面作為邊界約束引入層位體解釋方法中,得到如圖10e所示的相對地質年代體(隱式構造模型),進而可以對三維地震數據體中所有構造信息實現隱式表達,因為其等值線(圖10f中橫向展布的彩色曲線)對應地震層位,其地質時間的橫向跳變或等值線橫向跳變對應斷層位置(圖10f中垂直展布的紅色曲線),對該隱式構造模型應用色標標注,可以更好地進行地層和斷層的描述,得到的三維構造模型如圖10g所示;⑤引入測井巖性觀測值,利用三維構造模型進行構造引導井間插值或外推,得到如圖10h 所示的三維物性參數模型。
圖10 自動化構造解釋與建模a 鹽丘檢測結果;b 鹽丘體三維模型構建結果;c 三維斷層面自動構建結果;d 斷層面在不同視角下的可視化結果;e 相對地質年代體;f 斷層和層位;g 三維構造模型;h 三維巖性物性參數模型
本文提出了一整套三維地震數據構造解釋與建模技術流程,整個流程包含三維斷層、層序和地質體自動化解釋以及構造引導的井間插值巖性參數建模4個部分。關于地震解釋的3個部分相互約束和耦合:通過斷層解釋實現對地震數據體的去斷層或斷層恢復處理,將斷層兩邊的反射波同相軸重新定位使其變得連續(xù),為后續(xù)解釋其它地質構造與地質界面提供更好的條件;不整合面和地質體邊界的解釋結果可以作為邊界約束用于層位解釋;而層位解釋又可以反過來用于校正斷層和不整合面的解釋結果。通過三維地震解釋流程得到所有斷層、不整合面、地質體和層位等信息可以作為構造和地層約束引導井間插值,進而構建巖性參數模型。
本文提出的自動化技術流程反映了隨著先進的高維圖像處理技術(尤其是深度學習方法)的發(fā)展和應用,自動化三維地震構造解釋與建模取得了較大的發(fā)展,斷層位置檢測、地質體檢測和較簡單地質構造背景下層位提取等方面已經取得了較大程度的自動化和實際應用。斷層面組合、層序界面精細解釋和構造建模等的自動化實現方面依然面臨挑戰(zhàn),且存在較大的發(fā)展空間。深度學習和地質、地球物理數據以及知識的有機結合有望在自動化、智能化地震構造解釋與建模方面取得進一步的突破。雖然目前也面臨著缺乏樣本標簽、地質和地球物理約束的合理引入等挑戰(zhàn),但是在強大的需求引導下,國內外在計算機和油氣領域以及人工智能技術方法攻關方面投入了巨大智力和科研經費,讓我們對地震構造解釋與建模的智能化充滿希望,期待油氣領域的人工智能大模型的實現,進而獲得基于單網絡模型的各種地震構造、層序解釋的一體化實現和各類地質建模任務的單網絡模型一體化實現。
致謝:感謝中海石油(中國)有限公司北京研究中心對本文研究工作的支持!