地震多属性反演预测页岩总有机碳含量

金吉能，潘仁芳 （油气资源与勘探技术教育部重点实验室 （长江大学）

长江大学地球科学学院，湖北荆州434023）

王 鹏 （中国石油大学 （北京）油气资源与探测国家重点实验室，北京102249）

黎 建 （中海石油 （中国）有限公司上海分公司研究院，上海200030）

页岩的总有机碳 （TOC）含量 （以下称TOC质量分数）是评价页岩生烃能力最重要的指标参数。页岩是一种有机质丰度很高的烃源岩，因而对页岩TOC质量分数的预测可参照烃源岩的评价方法来进行。现阶段，除实验室检测方法外，对烃源岩TOC质量分数的评价主要以测井资料为主，且评价方法很多，其中采用电阻率－孔隙度重叠法进行单井TOC质量分数评价[1，2]最为广泛。对于页岩TOC质量分数的横向分布预测，研究发现其可通过地震多属性反演方法来实现。笔者以建南地区下侏罗统东岳庙段的页岩TOC质量分数的分布预测为例，在已知TOC质量分数单井评价结果的基础上，对该方法进行了应用和分析。

图1 地震多属性反演的流程图

1 方法基础

地震多属性反演就是在三维地震资料和钻井、录井、测井等资料解释的储层物性、含气性和岩石地化指标等目标参数的基础上，经过构造解释拾取层位，提取和优化地震属性，建立地震属性或组合与已知目标参数之间的统计关系来反演目标参数分布的技术。其核心思想就是用已知资料数据建立对应关系来预测未知资料数据，之后再用已知资料数据来验证所预测的未知资料数据的可靠性[3]。具体工作主要包括地震属性的提取、优化和目标参数的反演 （图1）。

1.1 地震属性的提取

地震属性是指通过对地震数据进行数学变换而提取的有关地震波几何形态、运动学、动力学和统计学特征的参数，主要包括振幅、波形、频率、能量、相位和相关分析等属性类型[4]。实际操作中，可从原始地震剖面井旁道上提取地震属性，即内部属性；也可从其他经过处理得到的数据体中提取外部属性，比如波阻抗反演属性、相干属性等。在此之前，目标参数与地震属性间需要建立起对应的时－深转换关系，并将时窗聚焦在目的层处。

1.2 地震属性的优化训练

地震属性的优化选取主要是按地震属性与目标参数的相关性以及属性的贡献值大小来确定。在井点位置处，首先可进行单属性相关分析，筛选出与目标参数相关值高的属性，在这个过程中可以对单井进行时移优化和非线性转换来提高属性间的相关值。再将各种地震属性进行相关分析，选出与以上属性不太相关的属性。将两部分属性进行多属性分析，通过多元逐步回归分析[4]确定最优化的属性顺序，通过交互验证分析确定最优化的属性个数，优化选取最佳属性组合。在此基础上，还可应用神经网络分析[5，6]来进一步优化训练，建立属性组合与目标参数的数学关系。

1.3 目标参数的反演

将所建立的数学关系运用到地震数据体中进行目标参数的反演。多属性反演不假定任何特定模型，只是通过多元逐步回归分析或神经网络确定属性与目标参数的数学关系及所选属性在其中所占权重来达到参数预测的目的。而该方法需要足够的井控制，控制井至少在6口以上。

2 应用实例

2.1 工区概况

建南地区位于鄂西渝东地区的石柱复向斜构造带上。该区下侏罗统发育有多套岩层，包括纯泥岩、纯页岩、粉砂质泥岩等，内部自流井组东岳庙段 （J1zdy）、大安寨段 （J1zda）、凉高山段 （J1zl）都发育有页岩。多口井均有油气显示，其中J1zdy油气显示强烈。J1zdy顶部以黑色、灰黑色页岩为主，大部分为页岩夹介壳灰岩，以半深湖沉积为主，泥页岩十分发育，暗色泥岩厚度50～120m，分布稳定连续；底部为泥质粉砂岩。泥页岩丰度较高，黑色页岩的TOC质量分数普遍在0.44%～2.11%之间，形成页岩气藏的潜力较大。这些都为J1zdy页岩的资源评价和预测提供了充足的依据。

2.2 地震多属性反演TOC质量分数

对页岩TOC质量分数的评价和预测可大致分为两大步：单井评价和横向预测。通过单井TOC质量分数评价最终可以得到一条拟TOC质量分数曲线，这里它不是通过实际测量得到的，而是经过前述电阻率－孔隙度重叠法计算而来的。

在单井TOC质量分数评价基础上，应用地震多属性反演方法对其进行横向预测。首先，加载TOC质量分数目标曲线、原始地震道和外部属性 （笔者采用模型反演的波阻抗值）。笔者总共使用了13口井的相关资料，经过试验分析，其中有8口井可以用于地震多属性反演分析，因而采用了这8口井的单井TOC质量分数曲线数据来进行操作 （图2）；然后，进行地震属性的提取和优化选择，建立目标属性TOC质量分数与地震内部属性和外部属性之间的数学关系。通过多元逐步回归分析提取和优化训练地震属性来确定多属性组合 （见表1）。从表1中可看到，参与的地震属性为7个，而属性训练中所采用的褶积因子长度为9，其训练误差在0.44%～0.50%之间，验证误差在0.50%～0.52%之间。

表1 TOC质量分数与地震属性之间的优化组合表

图2 地震多属性反演TOC质量分数基本数据示意图

有效的交互验证误差分析可帮助正确选取最优属性组合。所谓交互验证误差分析就是本井不参与计算，而是用其他井来作预测，然后用预测值和本井原始值进行验证，而其他井依此交互进行，最终求取平均误差。图3为平均误差随属性个数变化分析图。从图3中可看出，平均误差随属性个数变化趋势非常明显，即属性组合的训练误差和验证误差都随参与属性个数的增加而减小，符合属性优化组合的误差控制原则。此外，参与训练的属性个数不是越多越好，而是有一个最佳值，从图3中就可看出，当第7个属性参与训练时，属性组合的验证误差会开始增大，因而最终确定多属性优化组合的属性个数为6个。

从属性列表 （见表1）中可看出这6个属性分别为：波阻抗道振幅包络积分、视极性、5/10～15/20滤波切片、瞬时相位余弦、波阻抗道积分、道积分。其后，再将这6个属性进行神经网络分析，建立起最优化的数学关系。图4为属性组合所预测的TOC质量分数与实测TOC质量分数的相关关系图。图4中二者的相关系数为0.832，说明属性优化训练效果较好。

图3 平均误差随属性个数变化分析图

图4 属性组合TOC质量分数预测值与实际值的相关关系

最后，利用最优化属性组合建立的数学关系反演TOC质量分数数据体。将其应用到实际地震剖面上，经过反演迭代就可计算得到TOC质量分数横向预测剖面。图5为JP1井的TOC质量分数预测剖面。由图5可以看出，随深度的增加，页岩TOC质量分数会逐步变大，而在东岳庙段下部 （J1zdLy）整

图5 JP1井的TOC质量分数预测剖面

2.3 TOC质量分数平面分布预测及效果分析

在地震多属性反演得到TOC质量分数横向预测剖面后，提取层间属性切片进行成图，最终就能获得TOC质量分数的平面分布图，做到对TOC质量分数平面分布的预测。图6为某区块J1zLdy的TOC质量分数平面分布预测图，该区块TOC质量分数范围在0.75%～2.25%之间，说明该区块页岩的丰度较高。

应用地震多属性反演方法对TOC质量分数分布进行横向预测是否可行，还需要考察该方法预测结果的准确性，一般可用井震对比来进行验证。该次研究中笔者使用了13口井的相关资料，包括参与了地震多属性反演的8口井，通过对这13口井目的层井段的实测TOC质量分数和地震预测TOC质量分数进行对比 （见图7），得出二者的相关系数为0.858，即二者的相关性较好，说明采用地震多属性反演TOC质量分数平面分布是可行的。

图6 某区块J1zdL y的TOC质量分数平面分布预测图

图7 各井点处的TOC质量分数实测值和预测值对比图

3 结 论

1）通过地震多属性反演对页岩TOC质量分数进行横向预测，可以将单井TOC质量分数预测扩展到对TOC质量分数平面分布的预测，实现了页岩TOC质量分数评价由线到面的可能，为页岩气的分布预测提供了进一步的有利依据。

2）地震属性的提取和优化训练采用了多元逐步回归分析和神经网络相结合的方法来进行，即通过多元逐步回归分析优化选取最佳属性组合，再应用神经网络分析来进一步优化训练，建立属性组合和目标参数的数学关系，提高对目标属性TOC质量分数的预测精度。此外，将波阻抗作为外部属性来参与训练，可以大大增加TOC质量分数预测的精度。

3）该方法相较于利用井点值在邻近区域里进行手工勾绘来实现对TOC质量分数平面分布的预测，更具有依据性和合理性。但是，地震多属性反演存在固有的多解性，这也是该方法在TOC质量分数预测应用上的问题所在，因此，还需要在预测过程和结果的准确性上做进一步的探讨和改进。

[1]许晓宏，黄海平，卢松年 .测井资料与烃源岩有机碳含量的定量关系研究 [J].江汉石油学院学报，1998，20（3）：8～12.

[2]Passey Q R，许春艳，吴红文 .用测井孔隙度和电阻率求取有机质丰度的模型 [J].国外测井技术，2002，17（5）：43～46.

[3]王玉英 .地震多属性反演技术及应用 [A].CPS/SEG北京2004国际地球物理会议论文集 [C].北京，2004－03－31～2004－04－03.

[4]印兴耀，韩文功，李振春，等 .地震技术新进展 （下）[M].东营：中国石油大学出版社，2006.

[5]焦李成 .神经网络的理论和实践 [M].西安：西安电子科技大学出版社，1995.218～259.

[6]刘金平，王允清，杨懋新，等 .基于PNN神经网络的多属性反演技术 [A].CPS/SEG北京2009国际地球物理会议论文集 [C].北京，2009－4－24～27.