Question

高精度储层预测技术

Answer 1

基于高精度采集处理资料，以提高薄层、中深层砂砾岩、浊积岩储层预测精度为目标，开展一系列技术研究，形成并完善渤海湾盆地古近系、新近系隐蔽储层高精度预测描述技术。

（一）高精度古地貌恢复技术

古地形地貌是控制盆地内沉积相发育与分布的主导因素之一，基准面旋回变化控制着层序地层单元的结构类型、叠加样式，因此，利用其在基准面旋回中所处的位置与沉积动力学关系等可以对沉积地层进行高分辨率的等时地层对比。运用高分辨率层序地层学进行沉积前古地貌分析也是建立在等时基准面的基础上的。详细内容见第三章。

（二）基于时频分析的储层预测技术

1.频谱分解技术

谱分解技术的理论基础是薄层反射系统可产生复杂的谐振反射。谱分解技术使地质研究人员可以用一系列的“频率切片”而不是时间切片或深度切片来观看数据信息，提高薄互层条件下的地震分辨率。

1）振幅对分频效果的影响

地震剖面绝对振幅在分频后都有不同程度的变化，当分频频率与地震剖面主频一致时，其振幅达到最大值，随着分频频率与地震主频差异的增大，其分频剖面中的振幅响应也越来越小。

同一厚度不同阻抗反射层的振幅比在分频前后基本不变，其振幅的差异也会影响到对反射层厚度的预测，因此在利用反射层分频数据进行厚度预测时，应该充分注意波阻抗对分频效果的影响。

2）地震主频对谱分解的影响

（1）当分频频率对应的调谐厚度大于λ/4时，地震分频剖面中反射层的最大振幅响应对应的分频频率随着地震剖面主频的增高而增大；当分频频率对应的调谐厚度小于λ/4时，地震分频剖面中反射层的最大振幅响应对应的分频频率不会随着地震剖面主频的增高而增大，其中心频率集中在λ/4对应的频率；

（2）如果地震资料主频较低，则很难识别薄层，如果地震资料主频较高，则比较容易识别薄层，但对厚层的识别能力较差。因此，在利用小波变换进行谱分解时，尽量避免对中深层等低频地层进行分频研究。

3）陈家庄陈气10井区应用实例

图4-87是过陈气20-16、陈气20-21、陈气20和陈气20-13的连井剖面，气层和厚水层在地震剖面中都表现为亮点，无法辨别。当分频频率为25Hz时，15.6m水层和5m气层在分频剖面上无法分辨，当分频频率为55Hz时，15.6m水层的反射变弱，气层的反射变强，从而可将水层和气层分开。厚气层与薄气层的分频剖面的反射强度变化基本一致，只不过其反射强度比薄气层强，因此可以通过分频剖面来识别不同厚度储层及其含油气情况。

2.多子波地震道分解与重构技术

1）多子波地震道分解与重构的基本原理

（1）多子波地震道分解。多子波地震道分解的基础是地震剖面上的同相轴都是由多个不同振幅和频率的子波叠加构成的，换句话说，通过一定的方法可以把地震剖面上的同相轴分解成几个强度、频率和相位不同的子波，这些子波的形状与界面上下的地层岩性、岩石物性、流体性质等有关，因此当这些原始的地质和地球物理参数在空间上变化时，则子波在振幅、频率和相位上就会发生不同程度的改变。

（2）储层地震道重构分析。地震道分解后，可以对子波进行筛选，重新构建出新的地震道（图4-88）。在重构中可根据已知钻井的储层和油气层资料，选取与储层变化或油气变化相关的子波，舍弃那些与储层变化和分布没有直接关系的子波，重新合成新的地震数据体。新合成的地震数据体将最大限度地反映储层的横向变化，为储层及其含油气性的横向预测提供有效依据。

图4-87 不同分频剖面对比

图4-88 分解后的子波进行筛选和重构

2）基于连续小波变换的子波分解与重构方法研究

成熟探区油气精细勘探理论与实践

其中，

。

式（4-21）给出了利用信号的连续小波变换重构原信号的公式，在此基础上利用Riesz基的概念，解决了根据信号f 的小波变换W_ψf(a,b)在时间与频率参数离散化的情况下精确重建原信号的问题。

通过对比分析认为，Morlet小波具有较好的模拟地震子波的能力，因此利用连续小波变换算法，可将地震信号分解为一系列不同频率的Morlet子波，实现信号的多子波分解与重构。对于一维信号，它能够消除与储层无关的子波，保留有效子波，经过小波重构，可以恢复有效信号。

3）应用实例

图4-89是过大17井的连井地震剖面，从剖面中可以看到沙二段3砂组的反射很弱，断断续续，不利于解释。为了突出弱反射轴，对它进行子波分解，分析对比之后，筛选出15～22Hz的子波进行地震剖面重构（图4-90）。重构后的地震剖面与原始地震剖面相比，3砂组弱反射得到加强，有利于进一步的储层描述。

图4-89 大17井地震剖面

图4-90 大17井连井剖面的15～22Hz重构剖面

（三）地震属性综合处理技术

地震属性是目前常用的储层预测技术之一，地震属性综合处理的方法很多，如综合参数方法、判别分析方法、神经网络方法、模式识别方法等。这些方法根据井点提供的油气信息或岩性、储层性质等定性特征，对这些信息进行描述和归类，然后对全区进行储层横向预测。

1.地震属性处理

1）综合参数法

综合参数分析方法可以作为无标准样本学习的一种模式识别方法使用。用于地震属性参数综合处理的主要实现步骤有：①提取地震属性参数，并形成最佳地震属性参数矩阵；②考虑到各个参数具有不同的物理意义和量纲，在计算协方差矩阵之前，应对各参数作归一化处理，可用均方根值作为归一化因子，计算归一化后的地震属性参数的自相关矩阵；③求解本征方程组，取最大本征值所对应的本征向量就是所求的加权因子；④进行处理得到综合参数；⑤作出统计判定。

图4-91至图4-94是综合参数分析方法对背斜模型的应用例子。根据聚类分析结果，分别选取属性2，31，24，33（功率谱上50%对应的频率、有效段带宽频率、整波形能量、均方根振幅之比）的组合、属性32，10，25，34（全谱带宽频率、自相关函数极小值与主极值之比、波形正半周面积、均方根振幅之比）组合和属性5，16，23，36（振幅谱主频、L2模、整波形面积、主频之比）组合进行综合处理。比较不同属性组合的综合处理结果，可以看出它们变化趋势相似，这说明在进行地震属性综合处理时，在反映储层特征的同类地震属性中选取最能反映储层特征变化的一个地震属性即可。

图4-91 背斜模型正演记录

图4-92 属性组合（2，31，24，33）综合处理结果

图4-93 属性组合（32，10，25，34）综合处理结果

图4-94 属性组合（5，16，23，36）综合处理结果

对比模型正演剖面和综合处理结果可以看出，在综合处理的结果图上，在横向上可以清楚地划分出油气边界和油水边界，说明上述方法优选出的地震属性用于储层横向预测和烃类检测是有效的。

2）神经网络方法及应用条件

地震储层横向预测方法都有其应用条件，神经网络进行储层横向预测的条件是：①地震资料的质量要高。研究认为，当地震资料的信噪比大于2时，才可以利用地震属性研究地质问题（储层参数、含油气性等），当信噪比大于4时，所提取的地震属性最稳定，所得结果可靠性较高。②样本质量要高且具有差异性。应用人工神经网络进行储层横向预测，要求待预测的输入信息中应该包含两类确定样本，一类是目的层含油气的先验信息，另一类是目的层不含油气的先验信息，而且两类先验信息的空间分布尽量均匀。在成熟探区容易满足要求，但在新探区，则难以满足。③高质量或有效的特征参数。作为神经网络输入部分的特征参数是储层横向预测所利用的信息，其质量的高低或有效性直接关系到预测效果的好坏。需要在储层横向预测前进行地震属性优化处理。所谓有效的特征参数，是指选出的特征参数必须与预测储层目标关系密切，且选出的地震特征参数（地震属性）彼此间不相关，即没有重复的地震信息。④围岩岩性分布基本稳定。由于地震特征参数与储层段的岩性有关，因此，岩相基本稳定是利用神经网络进行储层预测的又一个前提条件。只有这样，地震特征参数的变化才可以认为是由储层及所含流体的变化引起的。

2.地震属性优选

在进行地震属性参数的优选之前，首先要进行地震属性的标准化处理，然后再进行相关分析，据此确定属性间相互关系。

1）地震属性标准化

地震属性标准化方法包括总和标准化、最大值标准化、模标准化、中心标准化、标准差标准化、极差标准化和极差正规化等。针对地震属性参数的特点，常采用极差正规化标准对地震属性数据进行归一化处理，变换后的每个变量观测值都在0～1之间。

2）相关性定性分析

由于提取的众多地震属性之间并不是相互独立的，所反映的信息可能是类似的，因此在利用地震属性进行储层参数、油气预测之前，应该先分析地震属性之间的相关性，找出能够反映具体预测目标本质特征的、相互间独立的地震属性。通常在所提取的各个地震属性之间作交汇图，从中可以定性地了解到不同属性之间的相互关系。

3）地震属性的优化方法

地震属性优化不仅是模式识别的关键步骤之一，对提高储层预测精度也具有重要意义。通常，在不同地区、不同层位，对所预测对象敏感的地震属性是不完全相同的；即使在同一地区、同一层位，也有差异。

地震属性的优化分析方法很多，大体上分为地震属性降维映射与地震属性选择两大类。地震属性降维映射就是从大量地震属性出发，构造少数有效的主成分分量，常用方法是K-L变换。地震属性选取包括专家优化、自动优选以及两者相结合的混合优化方法。专家优化是由专家凭经验选择与预测目标关系比较密切的地震属性组合；自动优选方法主要是使用各种数学方法使得预测误差最小，包括地震属性比较法、顺序前进法、顺序后退法、遗传算法以及RS理论决策分析方法等；混合优化则结合专家知识经验，减少自动优化的计算量，常使用专家优化与最优搜索算法相结合进行属性优化。

（四）层序约束的储层预测技术

1.地震数据倾角导向中值滤波处理

地震数据体中包含了噪声，为了消除噪声，对地震数据进行倾角导向中值滤波处理。倾角导向中值滤波处理器是一个边缘保持滤波器，它按照地震同相轴的构造方向将输入地震道集中到一个圆盘内，圆盘中心的振幅值用圆盘内所有振幅值的中值代替，这里圆盘并非平的，而是按照局部倾角-方位角场发生，因此倾角导向的中值滤波也成为构造导向滤波。从图4-95可以看出，经过中值滤波处理后的剖面品质有了很大改善。

图4-95 过丰深1井的原始地震剖面和处理后的倾角体剖面

2.应用数据驱动方式进行小层对比与追踪

由于沉积体内部结构的地震反射通常较弱，同相轴连续性差，而且形态上与沉积相类型密切相关，应用常规的人工地震解释难度非常大。为此，提出了数据驱动的方式进行小层的对比与追踪，即追踪时除考虑地震振幅、同相轴连续性外，还应用了每个采样点都带有倾角、方位角信息的Steering数据体对地震数据加以控制（图4-96），然后根据局部地层倾角、方位角信息进行搜寻反射能量最大值，寻找到下一个控制点，如此类推，追踪出沉积体内部结构的控制小层。

图4-96 steering数据体控制下的数据驱动追踪方式与一般追踪方法对比

3.Wheeler域自动变换技术

Peter Vail在文献中提到，“只有把层序地层解释作Wheeler转换后才能真正理解其含义”。在层序地层及地震层序解释中引入Wheeler变换，可以有如下5方面的功能：

（1）揭示沉积组合间空间关系；

（2）突出缺失和叠加模式；

（3）使体系域解释成为可能；

（4）使在年代地层域中提取时间切片成为可能；

（5）对沉积、侵蚀和沉积时间有更深刻的理解。

层序地层解释系统在沉积体内部结构小层全三维追踪结果的基础上，通过对每一小层拉平自动将时深域追踪结果转换为Wheeler域，获得相对等时的沉积旋回韵律体剖面，实现了由地震剖面向地质剖面的转换。在沉积旋回韵律体（Wheeler域）上结合地震剖面小层追踪结果，利用可视化三维显示，能够较容易识别和划分出层序界面、正反旋回、体系域等，从而进一步精细划分出砂砾岩体内幕沉积的期次。

4.期次划分实例

在沉积旋回韵律体（Wheeler域）上结合地震剖面上小层追踪的结果（图4-97），在大尺度期次划分的基础上，对东营北带的砂砾岩体进行了精细的期次划分。沙四上在盐家—胜北地区砂砾岩发育特点是纵向上厚度大、泥岩隔层少，为多期扇体叠置。每期砂砾岩体是自下而上由粗变细的旋回，顶部有少量泥岩，可划为5个中期正旋回，构成完整的长期正旋回。沙三下靠近断剥面砂砾岩发育，砂砾岩延伸距离近，砂砾岩整体为向上变细的正旋回，中期旋回性不明显。因此将本段地层旋回特征分为9个期次。

图4-97 沉积体内部结构小层自动追踪结果及Wheeler域转换

通过以上分析，认为：①地震数据倾角导向中值滤波处理技术能有效地提高地震资料分辨率。②数据驱动控制下的小层自动追踪与对比及Wheeler域自动转换技术可用于断陷盆地陡坡带大套砂砾岩扇体内部沉积旋回期次的精细划分，实现砂砾岩扇体内等时地层对比，进而精细预测有效储层的分布。