基于电阻率约束的分频属性反演在油气检测中的应用—以渤海B构造为例

邓少清， 孙佳林， 张京思

(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)

0 引言

随着渤海海域油气资源的不断开发和勘探技术的不断进步，油气成藏类型由构造向岩性隐蔽成藏圈闭转移，对油气检测的要求越来越高。在进行反演工作之前，通常会根据研究工区内具备的条件来选择合适的反演方法[1]。每一种反演方法都有其具备的优势和局限性，比如叠前反演较叠后反演预测精度较高，但检测流程复杂，工作周期长。常规地震反演中的约束稀疏脉冲反演和模型反演也都有各自的缺陷：模型反演适用多井工区，其关键是建立合适的初始模型，工作人员对地质目标的认识不同造成建立模型的差别，从而导致反演结果的多解性；稀疏脉冲反演一般井较少时使用，但其受地震子波的影响较大，不能充分利用地震资料有效频带中的相对高频和低频成分。分频属性反演是最近发展的一种全新反演方法，是一种无须子波提取、无须建立模型的非线性属性反演，其充分依靠地震和测井资料信息，利用人工智能数学方法研究不同探测频率下的振幅响应变化(AVF)，并将其作为独立信息引入反演中，更加精细地刻画实际地层之间的接触关系，不仅可以反演孔隙度，地层压力和岩性等多种物性参数，还可以提高流体检测的预测精度。

1 分频属性反演的原理

地震分频属性反演是一种全频带约束反演，通过基于小波变换的分频算法能合理、有效的利用地震信息中相对高频和低频成分。

1.1 AVF关系

地震记录实际上是波阻抗(AI)和时间厚度(H)的函数，对于一个楔状模型，用不同主频的雷克子波与其褶积，得到一系列合成地震剖面，从而得到不同频率下振幅与厚度的调谐曲线(图1(a))；对其进行转换，就可以得到在不同时间厚度下振幅随频率变化的关系[2](图1(b))。

从AVF关系中我们可以得到一个重大启示：即相同地层在不同主频的地震子波下表现出不同的振幅特征。这个关系很难用一个显性函数表达出来，但可以用BP神经网络技术在测井和地震分解剖面上找到这种关系，利用AVF关系反演得到目标数据。

1.2 BP神经网络算法

神经网络有很多种模型，油气勘探中经常采用的BP神经网络是一种多层前馈神经网络模型，它采用误差反向传播算法。一般由输入层，隐含层和输出层组成的，隐含层可以有一层或多层。同层神经元间无关联, 异层神经元间向前连接。根据对象的复杂程度, 选择适当的网络结构, 就可以实现从输入空间到输出空间的任意非线性函数的映射。

图2 BP神经网络算法数学模型Fig.2 The math model in BP neural network arithmetic

如图2所示，BP算法在正向传播过程中，输入样本函数从输入层输入网络中，通过节点链接情况经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望输出，则计算实际与期望误差变化值，然后转回到反向传播，重复上述步骤，直至训练误差结果达到预期的目标[3]。学习算法一般采用误差向后(Back Propagation)传播方法，误差可以由预测值与输入值之间的均方根误差erms表示公式(1)为：

(1)

(2)

这是一个随机自由的训练学习过程，对于输入地震属性范围很广，可以有效利用多种相关属性，直到得到最优化结果，即可终止训练。

2 分频属性反演的技术思路

图3 分频属性反演技术流程Fig.3 The technique process of frequency-divided attribute inversion

分频属性反演进行烃类检测的技术思路：①首先要对地震资料进行频谱特征分析，确定数据的有效频带范围，并根据有效频带范围设计合适的尺度进行分频，利用小波分频技术设计滤波器：低频8 Hz、中频30 Hz、高频55 Hz;②对每个频段的数据体分别提取分频地震道和分频道积分属性，同时优选出对油气敏感的低频异常体(LFR)、高频衰减梯度(HFG)及甜点体属性参与计算；③利用人工智能BP神经网络算法计算出不同厚度振幅与频率的变化关系，并将此关系引入反演，建立起电阻率测井曲线与分频地震波形间的非线性映射关系[4]，最后将优选的分频地震属性作为外部输入，用神经网络建立已经学习好的分频体与反演体之间的映射关系，合成最终反演体，得到类似于电阻率反演的数据体。

3 渤海B构造烃检预测应用效果

3.1 研究区概况

渤海B构造位于黄河口凹陷中洼东北半环，区域浅层构造-岩性圈闭发育，规模较大，整体为受边界断层控制下的复杂断块群。围区已钻井在浅层明化镇下段II-V油组均有不错的油气发现，钻井结果表明，研究区明下段主要发育极浅水三角洲沉积环境，为厚层泥岩夹砂岩的储盖组合，目的层剖面特征清晰、连续性较好，主力油层段砂岩百分含量在25%～35%之间，II油组和III油组砂地比低，整体呈“泥包砂”的结构特征，横向上呈片状分布特点，IV-V油组砂体纵向上为砂泥岩薄互层的反射结构，储层水平分布稳定。地震资料保幅性好，信噪比较高，层间反射信息丰富，主频约 30 Hz左右，频带宽度8 Hz～55 Hz，满足反演要求。

3.2 反演成果分析

分频属性反演内部提供分频地震道和分频道积分两种地震属性参与运算，参照地震资料频谱特征，利用小波分频技术得到低、中、高不同频率地震属性，同时引入研究区已钻四口井的电阻率测井曲线参与BP神经网络的学习训练[5]，利用BP神经网络算法建立分频属性与目标曲线的非线性关系，通过多次学习得到学习井的目标曲线和原始曲线相关系数不高，为提高反演的精度，又加入对油气水区分比较有效的高频衰减梯度属性、低频异常属性以及甜点体属性参与练习，通过这五种属性组合优化，不断的调整反演参数，改变各地震属性成分对反演的贡献度[6]，最终选用如表1所示的参数设置，使训练集相关系数达到0.976 6，测试集相关系数为0.735 1，误差为0.002 92。

图5是原始电阻率曲线与学习曲线的拟合结果，从图5中发现二者相关程度较高。图6为分频反演结果，可以看出：在明下段II油组和V油组之间每套厚油层(大于5 m)在反演剖面上都有明显响应特征，与测井解释结果相吻合，薄油层除个别几套外也都有一定强度的异常响应，对于水层则起到明显的压制效果。

表1 BP神经网络参数设置及学习结果

图4 渤海B构造目的层地震资料频谱分析Fig.4 Spectrum analysis of seismic data in B area(a)地震剖面；(b)频谱分析

图5 目标曲线与学习曲线的拟合结果Fig.5 The matching results of target curves and learning curves

表2 学习井烃类预测结果统计表

通过对参与反演学习的四口已钻井含油气砂体进行统计见表2，发现与反演含油气砂体有着较高的吻合率，达到80%左右。这一预测结果证明了该技术方法的有效性和实用性[7]。由于选取的是地震资料的不同频率信息，对比单一利用原始地震道反演，更加具有针对性，得到的反演结果也具有更好的稳定性和可靠性。这种技术是利用前述BP神经网络的映射方法，得到各控制井点目标曲线的学习结果, 并进而计算得到整个工区反演数据体，因此参与运算的钻井曲线越多，得到的结果越精确。另外，外部属性组合的选择也影响反演的结果，不同的属性个数和不同的属性组合会有不同的结果。

3.3 利用分频反演对目标区进行含油气检测

运用上述方法[8]对目标区5井进行含油气检测，如图7所示，在明下段III油组钻遇一套差油层，在对应的反演剖面上响应不明显，检测属性值为弱值，而在IV油组钻遇一套较厚油层在剖面上有明显的响应特征，同时钻井结果显示在V油组解释基本都是水层，在水层处反演属性没有显示，说明水层被明显地压制。在对有油气显示的大套厚油层提取平面振幅属性，图8显示其油气分布结果与砂体构造等值线特征相吻合，烃检的异常值位于构造高部位，这进一步说明了该方法在平面上油气预测也具有不错的效果。

4 结束语

分频属性反演[9]从标定到反演都十分方便快捷，在渤海B构造浅层明化镇组油气检测中取得了不错的应用效果。通过对油水反映敏感的电阻率曲线和有效地震属性的引入，采用BP神经网络这种非线性反演算法[10]，大大提高了油气检测的精度，在计算过程中也要注意几点问题：首先，在进行反演工作前不同类型电阻率测井曲线要进行归一化处理，保持门槛值域上的统一，同时地震有效频带范围的确定也很关键，引入测井信息的低，高频信息可以更好的提高地震资料的分辨能力。另外，外部油气检测类地震属性的选择要谨慎，优选出训练相似程度最高的属性组合参与运算。

图6 学习井分频属性反演剖面Fig.6 The frequency-divided attribute inversion section of learning wells

图7 目标区5井明下段反演结果剖面Fig.7 The frequency-divided inversion section of well 5 of lower Minghuazhen formation in target zone

图8 目标砂体分频反演振幅切片及构造图Fig.8 The amplitude slice of frequency-divided and structural map in target sand(a)振幅切片；(b)构造图

当然该方法也存在一定的局限性，作为目标学习的控制曲线必须对油气层有较好的突出能力，对于埋深大，砂岩百分含量较高的IV和V油组地层，砂泥阻抗差异更小，储层上覆地层干扰因素较多，得到的烃检反演效果较差，同时通过不断演练，我们发现工区内钻井的数量也会影响反演结果的好坏，参与学习井越多反演效果越好，可以更有效降低油气预测风险，因此该方法适用于钻井较多的区块。