渤海西南部地区地震多参数综合含油气性检测

时间：2024-09-03

（中海石油（中国）有限公司天津分公司渤海石油研究院天津 300459）

20世纪70年代，“亮点”技术风靡一时，标志着地震油气检测技术的诞生，引入我国后，实践表明中国东部陆相断陷盆地地层中的油气地震反射特征多为暗点。1986年，梁遗贵给出了判断暗点的详细步骤[1]。1982年，Ostrander提出利用反射系数随入射角的变化来判识含气砂岩，标志着实用AVO技术的出现。1985年，Shuey提出两项Shuey近似公式，AVO属性分析技术成为含油气检测的主流方法[2]。1987年，Smith＆Gidlow提出流体因子的概念，用来判别含烃异常，在此基础上发展了泊松阻抗和LMR技术等[3]。近年来，含油气检测方法应用进展快速，主要基于叠后地震蕴含的特殊属性，如：能量衰减梯度、低频增强、高频衰减梯度、能量比值、强振幅累加油气指示因子、高频亮点加权、极值能量、时频相位、流体流度等属性[4]。亮点技术、AVO技术各自存在局限性，各类参数与属性含油气检测方法对地质条件要求高，皆表明单一方法与属性适应性较差且多解性较强。因此本文建立了地震多参数综合含油气检测的技术流程，并在渤海西南部地区进行了成功应用，助推了该地区获得重大油气发现。

1 地震多参数综合含油气性检测技术流程的建立

针对研究区面临难点，充分剖析其形成原因，从叠前CRP道集资料出发，多方位挖掘地震资料隐含的流体信息，提取叠前AVO属性，获取地震弹性参数，计算与流体信息相关的岩石物理参数，综合分析所获得的各类参数，预测研究区目的层段含油气性。

1.1 叠前地震AVO属性分析

AVO技术的核心是从弹性波理论出发研究地震反射振幅随入射角变化的规律以及与地层岩性、含流体性质的关系。1955年Koefoed在简化了Zoeppritz方程的基础上，设定界面两边泊松比不同，所得纵波反射系数随入射角的改变而变化的范围大大增加，有利地促进了AVO技术的向前发展[5-6]。Aki和Richards在前人研究的基础上进一步研究了泊松比对反射系数的影响，给出了反射系数随纵波、横波及入射角变化的公式。最具代表性和应用性的是1985年Shuey等人的简化近似公式，即Shuey二项式（1）[7-8]

式（1）中：P为垂直入射反射系数；G为该方程的斜率或梯度；θ为入射角。该方程表明反射振幅与sin2θ近似呈直线关系，并赋予了各参数明确的物理意义。

在作AVO正演模型时，反射系数是根据Zoeppritz方程或其简化式计算出来的，包含了射线入射角的影响，所以我们在处理时，近似认为振幅的计算仅与反射系数有关。根据Shuey公式，在已知角度θ和对应反射系数R（θ）的情况下，可用最小二乘法拟合或其他准则求出截距P和斜率G，把P和G进行组合运算，就可得到具有不同意义的AVO属性剖面。本文主要计算了5种AVO属性参数剖面，包括：①P剖面（垂直入射P波反射系数，截距剖面）；②G剖面（梯度剖面）；③S剖面（P-G剖面，垂直入射S波反射系数）；④RP/RS剖面（P+G剖面，P波和S波反射系数差异剖面）；⑤P×G剖面或P×|G|剖面（AVO异常指示因子）。

1.2 叠前地震弹性参数获取

本次利用叠前地震同时反演方法获得了纵波阻抗、横波阻抗、纵波速度、横波速度、纵横波速度比、拉梅常数等。叠前地震资料同时反演是目前叠前反演的一项重要技术，它能够同时得到纵、横波速度、密度数据体，在此基础上可以推出纵横波速度比、泊松比等有用的岩石弹性参数与含流体参数信息。

叠前地震资料同时反演的原理基于Fatti对Zoeppritz方程的如下简化[9]：

其中

对于垂直入射的纵波反射系数，可以写成

定义：

同理：

地震记录T是地震子波W和反射系数RP的褶积，Fatti方程可以写成：

式（4）中：W（θ）为不同角度道集的子波。

利用测井数据，可以得到纵横波波阻抗和密度，进行交汇可以得到如下关系：

式（5）、（6）中：k和m是斜率；kc和mc是直线截距；ΔLS和ΔLD是油气散点的偏离距离。

为便于实际应用，Fatti方程进一步写成：

其中

最后可以得到解[10]

叠前地震同时反演计算步骤如下：

1）给定一组角度道集和对应每个角度道集的地震子波；

2）利用测井数据最优拟合出k和m值；

3）给定初始解：[LPΔLSΔLD]T=[LP0 0]T；

4）利用共扼梯度法求解方程；

5）反演得到ZP、ZS和ρ。

1.3 电阻率与含水饱和度体计算

电阻率与含水饱和度可以直接判别地层含油气性，通过建立地震资料与二者的联系，获得这两种参数数据体。考虑叠前中角度道集数据既避免了多次波，又具有较高信噪比，因此基于叠前中角度部分道集叠加数据，采用基于模型的反演方法反演出电阻率数据体。联合多元线性相关与RBF神经网络，建立了与流体息息相关的地震内部属性、外部属性及转换属性等上百类数据与含水饱和度的复杂关系，计算了含水饱和度体。

1.3.1 基于模型的电阻率反演

基于模型的反演方法的基本思路是：先建立一个初始地层波阻抗模型，然后由此模型进行地震正演，求得合成地震记录；将合成地震记录与实际地震记录相比较，根据比较结果，修改地层波阻抗模型的速度、密度、深度值及子波；再正演求取合成地震记录，与实际地震记录比较后，继续修改波阻抗模型。如此多次反复，从而不断地通过迭代修改，直至合成地震记录与实际地震记录最接近，最终得到地下的波阻抗模型。基于模型的电阻率反演即通过井的电阻率曲线建立电阻率模型，建立电阻率与波阻抗的关系，通过不断修改电阻率模型，实现上述过程最终输出电阻率反演结果。

1.3.2 含水饱和度求取

我们已经得到了所需的内部属性与外部属性（本文内部属性指地震振幅、频率、相位等来源于地震数据的直接属性，外部属性指通过地震反演或复杂计算得到的密度、速度、阻抗等间接属性），通过单属性分析建立目标属性与这些属性的关系，优选出相关度较高的属性；通过多属性分析建立目标属性与优选属性组合之间的关系，优选出相关度较高的属性组合，联合多元线性相关与基于径向基函数神经网络（RBFN），建立含水饱和度与地震内部属性、外部属性及转换属性等上百类数据的复杂关系，预测含水饱和度体（图1）。

图1 含水饱和度计算流程Fig.1 Water saturation calculation process

单属性分析用于建立目标属性与样本属性之间点对点的关系，多属性分析用于建立目标属性与样本属性组合之间的关系，RBFN则是在上述属性分析后进一步优化样本属性组合，进行迭代运算。RBFN与概率性神经网络（PNN）非常相似，每个训练点也有一个加权系数，并且这些加权系数都要乘以一个属性点间距离的高斯函数，这个函数是由σ参数控制的。RBFN与PNN不同之处是，RBFN的加权系数是提前计算出来后被采用的，而PNN的加权系数是计算目标值时同时计算的，也就是说RBFN的σ参数是固定值，PNN的参数是变化的，这样使得RBFN的迭代运算更加高效。

RBFN的拟合方程为

其中

σ值的确定对RBFN运算起到了决定性作用，使用交互验证来确定正确的σ值，即遗留已知的值并对它进行预测。如：抽取5个样本点，其中3个用作训练（实心），2个用作验证（空心），所得到的曲线与验证样本点误差最小时对应的σ值即为最合适的，显然σ=1时最合适（图2）。

图2 RBFN验证结果Fig.2 RBFN validation results

RBFN加权系数求取可以通过如下矩阵方程来实现：

其中

1.4 技术流程

以实际井资料为基础，结合前人研究成果[11-16]，开展大量岩石物理分析与正演模拟，对方法适用性进行了论证。结合实际井资料研究成果，从叠前道集资料出发，充分挖掘了地震反射中隐含的流体敏感信息，包括振幅、频率、相位、地震AVO属性、弹性参数、电阻率等，联合多元线性相关与RBFN神经网络，建立与流体息息相关的地震内部属性、外部属性及转换属性等数据与含水饱和度的复杂关系，预测含水饱和度体，最终优选出流体高敏感参数进行研究区含油气性检测（图3）。

图3 地震多参数综合含油气性检测技术流程Fig.3 Flow for seismic multi-parameter detection technology of oil and gas

2 在渤海西南部地区中的应用

2.1 研究区概况

渤海西南部A构造夹持在渤中凹陷主洼和西南次洼之间，成藏条件优越。由于钻前含油气性指示不明，影响井位部署，导致该区勘探进展缓慢。目的层段原油密度为900 kg/m3，黏度为70 mPa·s，整体密度与黏度较低；平均孔隙度为30%，平均渗透率为843.2 mD，储层以高孔、高渗储层为主，有利于开展含油气检测工作。

2.2 岩石物理分析

测井资料不仅影响了各类参数求取的准确性，还决定了含油气检测技术应用的可行性，测井曲线校正与岩石物理分析显得尤为重要。研究区部分井井壁垮塌严重，影响了密度数据实测质量，因此进行了密度曲线的校正，校正后岩石物理特征更加明显、可靠，砂岩表现为低阻抗、低密度，声波差异不明显，整体区分性较好。在此基础上，进行了各参数流体敏感性分析，优选出了对含油气性较为敏感的参数，按敏感性由高至低排序为：电阻率、λρ、密度、纵波阻抗、纵波速度（图4）。

图4 渤海西南部A构造测井计算弹性参数的含油气性敏感分析Fig.4 Oil and gas sensitivity analysis of logging calculation elastic parameters in A structure，southwestern Bohai sea

2.3 含油气性检测效果

在叠前道集资料基础上进行了AVO属性分析，分析结果表明AVO属性对油气响应较为敏感。w3井位于构造相对低部位，该井未钻遇油气，AVO截距与梯度属性皆无异常响应；w2井位于构造高部位，该井在馆陶组钻遇多套油层，这些油层在AVO截距与梯度剖面上表现为低振幅异常，总体吻合率达到了80%（图5）。依据岩石物理分析结果，密度、阻抗等属性对油气较为敏感，采用叠前同时反演方法获得了密度、阻抗、λρ地震数据体。然而储层厚度、物性及含油气性等都会导致这3类属性低振幅响应，难以把含油气响应信息单独剥离出来，因此不能通过这些属性来直接进行含油气性检测，但储层含油气后会加剧这三类属性的低振幅特性，于是可以借用这三类属性振幅分布规律初步筛选含油气储层的范围，同时为后续进一步开展储层含油气性检测提供基础参数。剖面上，三类属性反演结果与已钻井吻合较好；提取馆陶组内部一套储层平面属性，3口井均处于三类属性低振幅区，其中w2井钻遇油层，w1、w3井钻遇水层，初步认为含油气储层分布于三类属性低振幅区（图6）。电阻率通常作为测井判别储层含油气的重要参数，此次采用基于模型的地震反演方法求取了电阻率地震数据体，反演结果与已钻井吻合较好，其中w2井为约束井，w3井为盲井，井震吻合良好（图7）。

图5 渤海西南部A构造叠前AVO截距与梯度属性井震吻合度分析Fig.5 Analysis of coincidence degree between pre-stack AVO intercept and gradient attribute in A structure，southwestern Bohai sea

图6 渤海西南部A构造敏感性弹性参数平面与对应剖面展布特征Fig.6 Sensitivity elastic parameter plane and section spread characteristics in A structure，southwestern Bohai sea

为了直接获得储层含油气性信息，以地震外部属性（密度、阻抗、λρ、电阻率等）、地震内部属性（振幅、频率、相位等）以及由这些属性计算的地震转换属性为输入，采用基于径向基函数神经网络的方法对大量属性进行综合运算，获得了含水饱和度数据体，该属性进一步降低了单一属性带来的多解性，其预测结果与实钻具有更好的吻合效果，吻合率高达90%，w2井多套含油储层对应于含水饱和度剖面的低振幅响应，w3井未钻遇油气，含水饱和度对应高振幅值（图8）。

AVO属性分析结果仅来源于地震资料，没有井的参与，能更为客观地对储层含油气性进行预测，含水饱和度与电阻率属性来源于井震结合的结果，具有更高的精度，综合分析优选出的这三类属性，降低了储层含油气性预测的多解性。通过提取研究区馆陶组三油组顶面这三类参数的平面属性，总体井震吻合率较高，其中w2、w4井该层含油，处在三类属性异常区内，w1井含水，处在三类属性异常区外，w3井含水，处在三类属性异常区边部，而且钻后含油面积范围与平面属性分布范围一致（图9）。

图8 渤海西南部A构造含水饱和度预测效果分析Fig.8 Analysis of water saturation prediction effect in A structure，southwestern Bohai sea

图9 渤海西南部A构造地震多参数综合含油气性检测效果分析Fig.9 Analysis of seismic multi-parameter comprehensive hydrocarbon detection in A structure，southwestern Bohai sea