基于地震属性技术的储层预测研究——以胜利油田单56区块为例

汪 勇，阳和华

桂志先 （油气资源与勘探技术教育部重点实验室（长江大学），湖北荆州434023）

基于地震属性技术的储层预测研究
——以胜利油田单56区块为例

汪 勇，阳和华

桂志先 （油气资源与勘探技术教育部重点实验室（长江大学），湖北荆州434023）

目前地震属性分析技术已成为油气勘探和开发工作中必不可少的常规方法，但地震属性的种类不断增多，对储层预测精度的要求也越来越高，这使得地震属性的提取、优化及应用成为了关键。以胜利油田单56区块馆陶组下段砂体储层为目标，首先在岩石物理统计及属性敏感性分析的基础上提取合适的地震属性，然后采用K－L变换对多种地震属性进行降维处理，最后基于人工神经网络的识别技术对目标层的含油饱和度等储层参数进行了预测，预测的效果较好，为该工区的剩余油开发提供了依据。

地震属性；K－L变换；神经网络；储层预测

众所周知，地震属性分析技术已成为储层预测工作中一个常规手段，许多地球物理工作者在这方面进行了很多有意义的研究，其中陈遵德［1］及印兴耀等［2］对如何提取并优化地震属性进行了详细的论述；韩忠义［3］、吴雨花等［4］利用属性分析技术在不同油田的储层预测中均取得了较好的应用效果；王晓阳等［5］利用K－L变换对多维地震属性进行了降维处理，既去除了属性中的相关性又保证了储层预测的精度。

胜利油田经过40多年的勘探开发，开采对象日益复杂，开发难度不断加大，剩余油的勘探对油田的开发起着举足轻重的作用。笔者借鉴前人的研究经验，以胜利油田单家寺油田单56区块馆陶组下段砂体储层为主要目标，结合井资料提取并优化敏感地震属性，采用人工神经网络的方法对含油饱和度等油气藏勘探开发的动态参数进行预测，为剩余油的勘探开发提供依据。

1 地震属性的K－L变换

前人的研究结果［1］表明，K－L变换能够从多种地震属性中挑选出最好的地震属性，用以构成地震属性子集，以降低多解性，去除相关属性。K－L变化可用矩阵表示为［1］：

式中，Y为X的K－L变换；A为正交特征向量；X是原始的地震属性集合；X＊是经K－L变换且压缩后的地震属性子集；A＊是压缩后的特征向量；Y＊是压缩后的特征集合。

在K－L变换过程中，假设原始地震属性X的维数为n，其目标是选择一个由Y的m（m＜n）个分量组成的子集来恢复信号X（不存在明显的误差），在此目标下的最优变换即为K－L变换。K－L变换中，矩阵T是要由变换的向量X推算出来的，其元素由X的协方差矩阵构成。K－L变换步骤［5］如图1所示。

2 研究区的地震属性分析

单56区块在单家寺油田西区单6断块的东部，主要含油层系为馆陶组下段（Ng1）砂体，含油面积3.2km2，油藏埋深1080～1150m，平均油层有效厚度20.6m，平均孔隙度33%，其油藏类型为受断层控制的地层构造超稠油油藏。

该区岩石物理分析的结果表明：①含流体层速度约为2370～3318m／s，随含油饱和度的增加，岩石的纵波速度减小；②含流体层密度为2.12～2.45g／cm3，且岩石密度随着含油饱和度的增加而减小；③含流体层孔隙度范围为11.7%～41%，随着孔隙度的增大，地层速度呈下降趋势，且下降梯度很大。

根据以上工区资料、地震属性特征强度并结合油藏资料，沿目的层开时窗提取了21种比较敏感的属性，包括均方根振幅、总绝对振幅等13种振幅类属性；平均反射强度、反射强度斜率等3种瞬时类属性；弧长等3种频谱类属性；还有能量半衰期及平均信噪比属性。笔者以均方根振幅属性为例进行敏感性分析。图2（a）是根据测井解释结果得出Ng1平均含水饱和度分布图，其中A区域含水饱和度较低，B区域含水饱和度较高。图2（b）是沿目的层顶面提取的均方根振幅属性，从图2（b）中可以看出，均方根振幅值高的B区域（灰黑色）与图2（a）中的高含水B区域（灰黑色）对应，均方根振幅值低的A区域（灰白色）与图2（a）中的低含水A区域（灰白色）对应。根据前述的岩石物理分析结果可以看出，这主要是由于含水饱和度增加，岩石纵波波速和岩石密度也增加，导致了该层段与围岩的阻抗差异增大，造成了反射波振幅增大，所以均方根振幅属性是能够反映该层段储层物性的敏感性属性之一。

图1 K－L变换主要步骤

图2 地震属性分析

对于以上沿层提取的21种地震属性，采用K－L方法，将21维属性值压缩到4维，结果如图3所示，简便了后续的储层预测工作。由于属性变换后得到的属性只能是数学意义上的结果，所以不能给出具体的物理名称，故用K－L＿1～K－L＿4表示。

图3 K－L属性压缩结果

3 应用神经网络通过地震属性进行储层预测

利用所提取并优化的地震属性进行储层预测的方法主要有模式识别、多元统计、模糊数学等，其中最典型的是用神经网络识别技术进行预测。笔者采用人工神经网络预测技术，对单56区块目的层的含油气性进行了预测。

在该次研究中，使用的神经网络是多层感知器。多层感知器是一种层状结构的神经网络，它由输入层、输出层，一个或多个隐蔽层组成，其使用的激活函数是S型函数，训练方法采用误差反传播算法。

以神经网络为手段，重点考虑K－L变换后的地震属性，充分利用测井、钻井、地质等资料作为约束条件，对该区的砂岩孔隙度、泥质含量及含油饱和度进行了预测。含油饱和度预测结果如图4所示。

从图4可以看出，工区目前含油饱和度相对高值区位于西北和西南部，即工区剩余油所在位置，而上述结果与工区实际累计产量资料也是一致的。根据各井的生产情况，知道在中部SJ56－11－15井区附近，累计产量大，这说明在累计产量高的地方，随着油气的开采和水的注入使得含油饱和度明显减小；而在储量动用程度低的地区，含油饱和度较高，是潜在的剩余油分布区，是目前有利的油气开采区域。

4 结 论

1）在属性提取前需要进行岩石物理分析，这样才能提取敏感的且具有代表性的地震属性。

2）用K－L变换来压缩地震属性，既能减小相关性，又能较合理地反映原来对象的特征，但需要合理选择原始地震属性，并对变换后的属性进行分析。

3）应用人工神经网络方法，以地震属性的优化为基础，同时将测井等资料作为约束条件，能够较好地对储层的含油饱和度等油气藏勘探开发的动态参数进行预测，可以最终达到寻找剩余油的目的。

图4 预测的含油饱和度平面图

［1］陈遵德.储层地震属性优化方法［M］.北京：石油工业出版社，1998.

［2］印兴耀，周静毅.地震属性优化方法综述［J］.石油地球物理勘探，2005，40（4）：482～488.

［3］韩忠义.属性分析技术在郝家油田储层预测中的应用［J］.石油天然气学报，2008，30（5）：237～239.

［4］吴雨花，桂志先.地震属性分析技术在西南庄－柏各庄地区储层预测中的应用［J］.石油天然气学报，2007，29（3）：391～393.

［5］王晓阳，桂志先，高刚，等.K－L变换地震属性优化及其在储层预测中的应用［J］.石油天然气学报，2008，30（3）：96～98.

［编辑］ 龙 舟

68 Reservoir Prediction Based on Technology of Seismic Attributes——By Taking Wellblock Shan 56of Shengli Oilfield for Example

WANG Yong，YANG He－hua，GUI Zhi－xian

（First Authors Address：Key Laboratory of Exploration Technologies for Oil and Gas Resources （Yangtze University），Ministry of Education，Jingzhou434023，Hubei，China）

At present，seismic attribute analysis technology has become an indispensable method in oil and gas exploration and development.Because of the growing variety of seismic attributes and the increasingly high demands for reservoir prediction accuracy，the seismic attribute extraction，optimization and application became the key factors.First by taking the sandbody reservoir in Guantao Formation of Wellblock Shan 56in Shengli Oilfield as an object of study，the suitable attributes were attracted on the basis of the rock physical statistics and attributes sensitivity analysis，and then the K－L transform was used for the dimension reduction of multiple seismic attributes.Finally the target zone oil saturation parameters are predicted based on artificial neural network identification technology.The effect of prediction is good，and it provides a basis for remaining oil development in the operation area.

seismic attribute；K－L transform；neural networks；reservoir prediction

book=239,ebook=239

P631.44

A

1000－9752（2012）07－0068－04

2012－03－23

国家“十一五”科技重大专项（2008ZX050000230401）。

汪勇（1979－），男，2001年大学毕业，博士，讲师，现主要从事地震资料处理研究。