山东埕岛东部东营组三角洲砂体地震预测技术

陈　妍， 张明振， 罗　霞， 石晓光

(中石化胜利油田物探研究院，东营　257000)



山东埕岛东部东营组三角洲砂体地震预测技术

陈妍， 张明振， 罗霞， 石晓光

(中石化胜利油田物探研究院，东营257000)

摘要：山东埕岛地区东营组是胜利油田近年来的一个勘探热点地区，资源潜力巨大。其主要发育河流和三角洲沉积体系，但砂体地震反射特征复杂，横向变化快，储层识别描述难度较大。通过建立全区高分辨率层序地层格架，在等时层序格架的基础上，开展储层描述。湖相沉积与三角洲相沉积在沉积物特征和地震响应上都具有较大差异，通过对已钻井的岩心、测井和录井等资料的分析，结合地震属性和地震相等宏观描述方法，在湖相沉积的背景之下刻画出三角洲的整体展布形态。在此基础上，针对三角洲主体区地震反射较弱、砂泥岩速度差异较小的特点，利用地震波形识别技术，采用6种参数对波形进行描述，得出12种波形分类，分别对应4种主要沉积微相。最终利用神经网络方法在平面上进行沉积微相的识别和刻画，取得了较好的效果。

关键词：埕岛地区； 三角洲砂体预测； 属性融合； 波形分类

0引言

山东埕岛潜山披覆构造带东部为一北东倾的单斜构造，是一个典型的构造缓坡带。该带紧邻渤中富油坳陷，具有形成大中型油气藏的物质基础。但在前期勘探中，发现油气主要集中在馆陶组河流相砂体中。随着勘探的深入，勘探的重点正转向更深部的东营组地层，并在近几年的勘探中取得突破。截至2014年，东营组有超过15口井获得高产工业油流，三级地质储量5 000多万t，勘探潜力巨大。前期研究认为，该地区东营组主要产层为三角洲沉积，但砂体地震反射特征复杂，横向变化快，储层识别描述难度较大，致使前期钻探的多口井因储层描述不准而落空。因此，寻求适合该地区古近系三角洲砂体预测的技术和方法，进行有利砂体的准确预测就显得尤为重要。

通过地震属性和地震相分析进行沉积体识别和储层预测是一项较为常见的技术，形成了一系列技术方法，并在一些地区的应用中取得了较好的效果，但同时也存在一定的局限性[1-3]。近年来，也有学者尝试通过地震波形的自动识别来减少地震相人工分析造成的主观性和多解性，提高地震相分析精度，取得了较好的应用效果[4-5]。本文在前人研究基础上，尝试采用波形定量分析和自动识别技术进行沉积体系划分和储层预测。

1研究区地质背景

1.1基本构造特征和地层发育情况

如图1所示，埕岛油田位于埕北凹陷和沙南凹陷之间的埕北低凸起的东部，主体位于海上浅水区，属于中石化胜利油田作业区块。埕岛东部地区是埕岛油田的一部分，位于埕岛潜山披覆构造的东翼，其基底为埕北低凸起的一部分。受郯庐走滑断裂的控制，形成NNE向的断裂体系，受古地貌影响，形成东断西超、向东北倾没的地层沉积样式。东营组地层沉积最深处可达4 500 m，最厚处可达2 000 m，发育了较完整的沉积序列，早期沉积了一套以泥岩为主夹薄层砂岩的沉积，中后期沉积了砂质为主夹泥岩的沉积组合。东营组为一完整的长期沉积旋回时期，经历了深湖、半深湖→三角洲充填→河流相的沉积演化过程。

图1　埕岛油田区域构造位置Fig.1　Tectonic location of Chengdao Oilfield

1.2层序地层格架

根据地震上层序界面标志和测井、录井旋回的识别，将东营组一个完整的长期旋回划分为4个中期基准面旋回(即四级层序)，自下而上命名为MS1、MS2、MS3、MS4，每个中期旋回代表了一次湖盆发育—湖盆扩张—湖盆收缩—湖盆填平的过程，内部可划分为湖进和湖退体系域(图2)。层序界面上下在地震剖面上可见典型的同相轴削蚀、上超或下超特征，钻井对应岩性上多表现为岩性的突变，代表了沉积环境和沉积阶段的改变。总体看，该地区早期东营组MS2—MS4主要发育三角洲沉积，晚期MS1主要发育辫状河沉积。目前,主要发现集中在早期的三角洲沉积地层，尤其是MS2—MS3是主力产层。由于篇幅所限，本文主要针对MS3发育的三角洲沉积体进行重点研究。

图2　埕岛东部东营组层序地层格架连井对比Fig.2　Well section of sequence framework of Dongying Formation in Eastern Chengdao

1.3沉积相类型与分布

根据对已钻井岩心、测井和录井特征的分析，认为在MS2—MS4沉积旋回主要发育三角洲沉积，包含三角洲前缘和前三角洲亚相，内部可进一步识别出三角洲前缘水下分流河道、河口坝和席状砂等，砂体物性较好，可作为良好的储层； 分流间湾内泥质含量较高。前三角洲以泥质沉积为主，夹少量薄层浊积扇砂体，粉细砂岩为主，变形构造发育。同样在地震剖面上可以见到典型前积标志，代表着三角洲的快速堆积阶段。对于无井区的储层预测是当前研究的重点和难点。

2地震属性融合技术识别三角洲沉积

MS3时期，仍处于水体加深的湖侵期，深湖相泥岩和低位浊积扇储层相接触，速度差异大，对应地震剖面特征为中等或强振幅。MS2上升半旋回和下降半旋回下部，三角洲沉积大范围推进，砂岩储层与半深湖相泥岩的速度差异较小，对应地震剖面特征为地震反射弱或层次性差。因此，针对不同砂层组进行振幅类和频率类属性的适用性分析，优选地震属性来指导研究区砂体的预测工作。

2.1单井地震属性分析

以CB326井和CB805井为例，从图3和图4可以看出，利用能量属性和频率属性等对井上砂体进行敏感性分析，结果表明，只有能量比属性(低值)能够比较好地对应MS4和MS3砂层组内的砂体，其他属性在纵向上识别分辨率较低。

以CB326井和CB328井为例，通过井上瞬时属性分析，瞬时频率属性能够比较好地与井上砂体顶底边界相吻合。

图3　CB326井和CB805井频率属性单井分析Fig.3　Analysis of frequency attribution of Well CB326 and CB805

图4　CB326井和CB328井瞬时属性单井分析Fig.4　Analysis of seismic instantaneous attribution of Well CB326 and CB328

因此，通过对单井属性实验结果综合分析得出，能量比属性和瞬时频率属性能够比较好地反映目的砂层组储集体的分布，指示了利用该属性来预测砂体分布的适用性。

此外，针对其他地震属性，也进行了细致的分析，通过各砂层组属性与井上砂体吻合对比得出： ①能量比和瞬时频率属性吻合度相对较高； ②振幅类属性普遍吻合度较低。因此，综合得出MS3旋回三角洲砂体预测以频率类属性为主。

2.2属性平面图分析

从图5(a)中可以看出，该时期坡折带规模变小，20～40 Hz频率对应的浊积体分布受古地貌控制作用减弱。SH801井以及CB803—CB84井一带东侧属性特征较连续，反映低位扇厚度较厚。瞬时频率揭示的储层分布与该时期的沉积相带图较一致，也定性地给出了MS3水进体系域的三角洲朵叶体的分布边界。

图5　MS3水进和水退体系域瞬时频率属性平面分布图Fig.5　Distribution map of instantaneous frequency of transgressive system tract and regressive system tract in MS3

从图5(b)中可以看出，该时期坡折带规模继续变小，三角洲大范围推进，20～40 Hz频率对应的滑塌扇分布范围有限，主要集中在CB812—SH8—SH801一带。瞬时频率揭示的储层分布与该时期的沉积相带分布比较一致，定性地给出了MS3水退体系域时期的三角洲和滑塌扇的分布边界。

3地震波形分析技术刻画沉积微相

埕岛东部东三段砂体单层厚度从几米到几十米，砂岩速度一般在3 800～4 100 m/s，泥岩速度在3 600～4 000 m/s之间，地震剖面在该层段主频在35～40 Hz，波长在120 m，砂泥岩差异速度无法形成明显的地层界面和岩性界面，常规属性预测储层方法受制约。

3.1方法原理

图6　波形分析主要参数Fig.6　Key parameter of wave analysis

多年来，地震波形特征分析识别靠的是肉眼判断，仅凭经验确定地震波形之间细微的差异，显然不能满足油田开发砂岩预测的要求，对工作质量、工作效率也有较大影响。因此，地震波形特征分析的定量描述成为应用地球物理工作者多年来急需解决的技术难题。此外，由于沉积岩石学粒度分析参数——正峰面积、正峰值、跨时、峰值、偏度和尖度等可用来描述各粒级百分含量频率曲线的形态(图6)，所以将其引入应用地球物理学领域来定义地震波形的偏度和尖度并加以应用，能够很好地解决地震波形特征分析定量描述这项技术难题。

与传统地震相分析相比，该方法具有以下3个特点[6]： ①在地震相分类时只用地震资料就可以完成波形及地震相分类，将地震相转变为沉积相时需要已知点的沉积相对地震相进行地质含义的标定； ②可以快速地对不同时窗进行分析，快速扫描整个数据，快速确定目标区，并对其进行更详细的地震相分析研究； ③具有定量性和客观性。

3.2地震资料分析

地震数据是地震道的有序排列，地震道波形变化特征反映地震反射波特征。由波形变化分类得到的地震相与测井相对比，可明确地震反射波的地质意义。

统计分析表明，埕岛东部东三段为砂泥岩沉积序列，地震反射波形变化主要是砂、泥组合形成的地震反射变化。不同的沉积组合在地震剖面上表现出不同的地震波形特征，利用钻、测井资料构建水进型湖相扇三角洲模型道，分析典型组合样式的波形特征，建立地震识别模式(图7)。

图7　埕岛东三段储层钻井、测井、合成记录及地震特征剖面Fig.7　Characteristics comparison of well log, synthetic seismogram and seismic profile

3.2.1水下分流河道沉积微相波形特征

CB326井早期砂体为水下分流河道微相，构成泥—厚砂—泥岩性剖面，速度为低速—高速—低速结构特征，合成记录模型道为高幅单峰波形，地震剖面为高幅短轴波形，为复波或弱波在反射中轴的上部具有上旋反射特征，反映了储层底面与下伏围岩的突变接触关系。与邻井对比可看出地震反射波有随砂层厚度变化宽度、幅度及能量变小的特征。与地震反射中轴有较好的对应关系。与低频宽幅对应，为砂岩厚层、测井钟形-箱形组合、地震剖面复波或弱波在反射中轴的上部具有上旋反射特征。

3.2.2河口坝沉积微相波形特征

CB323井钻井剖面河口坝砂体为三组含砾砂岩，速度曲线只在砂泥岩变化处有极小的速度差异，与上、下围岩速度差异也不大。合成记录模型道为多峰中弱波形，地震剖面为中、弱多峰短轴波形，早期砂组为泥—砂—泥结构，砂组对应反射轴； 后期两砂组为砂—泥—砂结构，两砂组对应反射轴的上旋波、下旋波。

3.2.3分流间湾和席状砂沉积微相波形特征

CB804井中晚期砂层数多，但单层厚度薄，钻井岩性为砂泥互层。正演模型道以中高频中幅对应，为砂、泥中厚互层、电测曲线为漏斗、钟形特征，地震反射样式中弱连续中、高频反射。

砂泥薄互层结构，形成向上变细的正韵律旋回。速度向下为从低到高，速度差较小，合成记录模型道多峰中幅波形，地震剖面为双峰中强反射，上部泥岩含量多为长轴连续反射、下部砂岩含量多为短轴、中连续反射，模型道较地震剖面反射轴多，但波形趋势相似。以高频低幅为特征，为砂、泥薄互层、电测曲线多为舌形、指形特征、地震剖面表现为中弱不连续反射。

3.2.4前三角洲沉积亚相波形特征

CB322井东三段钻井显示为泥岩、页岩厚层，夹少量薄层砂岩，速度曲线表现为齿化低速特征。有向深层速度降低的台阶状结构，地震剖面双峰长轴反射，为速度界面形成的反射波特征。以低频低幅为特征，对应泥岩厚层、电测曲线以低值直线为特征、地震剖面为高连续反射轴。

通过全区地震反射波形特征的井震对比，共得出12种波形形态，分别对应4种主要沉积微相类型和砂体(图8)。

图8　波形形态及所对应沉积微相类型Fig.8　Morphologic study of wave and correlated classification of sedimentary facies

3.3分析步骤

在实施过程中，时窗选取、模型道创建及地震相成图中的数据量选择、分类数确定、迭代次数选择等，是地震波形分类技术能获得最佳效果的关键。

3.3.1时窗选取

利用波形特征进行波形分类时需要选用比较稳定的层段，层段的选取最好是大于半个相位并小于150 ms，太大的层段会包含太多的模型，给解释带来困难，物理意义也不明确。而对于非等厚时窗的选择，可以选取主要目的层段或顶底界面建立Interval层段。

3.3.2创建模型道

在创建模型道过程中，起初会划分出几种典型的形状，然后每一实际道会被赋予一个基于相似性的典型形状。神经网络在地震层段内对实际地震道进行训练，通过几次迭代之后，神经网络构造合成地震道，然后与实际地震数据进行对比，通过自适应试验和误差处理，合成道在每次迭代后被改变，在模型道和实际地震道之间寻找更好的相关[6]。

3.3.3地震相成图

进行地震相分类参数的处理： 在选择用于训练神经网络采样的数据量时，对于一个小的三维测区(如小于300道×300道)可以使用每一道数据，而对于一个较大的测区(如1 000道×1 000道)最好抽稀道以减少计算时间，建议每4道抽1道进行处理，这样程序就每隔4道抽出1道去建立网络培训数据。如果间隔选的太大(比如超过10道×10道)，那么一些重要的特征就会被忽略掉。由于研究区的范围较大，则采用每4道抽1道处理。

迭代次数是神经网络方法中的一个重要参数。通常情况下，神经网络大约在10次迭代后就收敛到实际结果的80%，这对于快速浏览一下很方便有效。在实际应用中，10～20次迭代已确保较好的分类，但对于最终解释最好选用25～35次迭代，以保证网络收敛最佳[7-8]。

图9　波形分析结果及相应沉积微相展布Fig.9　Results of wave analysis and the sedimentary system prediction

3.4分析结果

本文选取了东营组MS3中期旋回为例进行了波形分析，沿最大湖泛面上下各开30 ms时窗，得出了平面分析结果，据此可以刻画出该时期平面沉积微相展布(图9)。可以看出，物源主要来自西侧缓坡，分别由约4条水下分流河道注入湖盆，河道间为泥质含量较高的分流间湾沉积，分流河道延伸较远，河口坝砂体大量发育，呈连片分布，前端出现席状砂分布区，砂岩厚度减薄，泥质含量增加，继续往前推进形成前三角洲，泥质沉积为主，夹少量薄层浊积扇砂体。

4结论

(1)针对不同沉积时期岩性组合特征的不同，选取不同类型的属性和属性融合，可以较好地刻画沉积体的分布范围。

(2)对属性不易识别的沉积体内部特征，可以采用波形分析的方法，进行沉积微相和砂体分布的预测。

(3)埕岛东部地区东营组，共识别出12种不同的波形形态，分别对应4种典型的沉积微相，通过神经网络的识别可以很好地对沉积微相展布进行刻画，进而预测有利砂体。

参考文献:

[1]印兴耀,韩文功,李振春,等.地震技术新进展[M].东营:中国石油大学出版社,2006:90-95.

[2]贺振华,蒲勇,熊晓军,等.川东北长兴—飞仙关组礁滩储层的三维地震识别[J].物探化探计算技术,2009,31(1):1-5.

[3]刘云,贺振华,汪瑞良,等.基于地震相分析的孔隙度预测[J].物探化探计算技术,2010,32(4):359-364.

[4]于红枫,王英民,李雪.Stratimagic波形地震相分析在层序地层岩性分析中的应用[J].煤田地质与勘探,2006,34(1):64-66.

[5]李雷涛,肖秋红.地震波形分类技术在地震相分析中的应用——以清溪场地区为例[J].天然气技术,2010,4(5):4-7.

[6]刘文岭,李刚,夏海英.地震波形特征分析定量描述方法[J].大庆石油地质与开发,1999,18(2):44-45.

[7]王玉学,丛玉梅,黄见,等.地震波形分类技术在河道预测中的应用[J].资源与产业,2006,8(2):71-74.

[8]李治,邓国振,罗凤芝.地震道波形分类方法在储层预测中的应用——以二连盆地白音查干凹陷为例[J].中国海上油气地质,2002,16(5):358-360.

(责任编辑： 刘永权)

Application of seismic technology to predicting the delta sand body of Dongying Formation in Chengdao Eastern Slope of Shandong Province

CHEN Yan， ZHANG Mingzhen， LUO Xia， SHI Xiaoguang

(ShengliGeophysicalResearchInstitute,Dongying257000,China)

Abstract:In recent years, more attentions have been paid to the Dongying Formation of Chengdao area for its tremendous exploration potential in Shengli oilfield. The sediments are dominated by fluvial and delta sedimentary system, but the seismic reflection characteristics of sand bodies are complex; the lateral variation is large; and it is difficult to identify and evaluate the reservoir. To descript the reservoirs more effective, the high resolution sequence stratigraphic framework is established according to the isochronous formation framework. There are distinct differences between the lacustrine deposition and delta deposition in sediment characteristics and seismic response. Based on the cores, geological and geophysical logging data, and combined with the macroscopic characteristics of seismic attribution and seismic facies, the general range of delta deposition could be separated approximately from lacustrine deposition. The seismic reflection is relatively weak in delta area and the difference value of seismic velocity between sandstone and mudstone is small. The technology of waveform analysis integrated with 6 parameters is used to distinguish and describe the type of waveform, and twelve kinds of seismic waveform which corresponding to 4 primary sedimentary micro-facies are determined. At last, the method of neural network is used successfully to identify the sedimentary micro-facies.

Key words:Chengdao area; prediction of delta sand body; attribute fusion; seismic waveform classification

中图分类号：P631.4; TE132.1

文献标志码：A

文章编号：2095-8706(2016)02-0051-07

第一作者简介：陈妍(1981—)，女，硕士，工程师，主要从事地震综合解释工作。Email： chyx2005@163.com。

收稿日期：2015-05-19；

修订日期：2015-11-16。

引用格式： 陈妍，张明振，罗霞，等.山东埕岛东部东营组三角洲砂体地震预测技术[J].中国地质调查,2016,3(1): 51-57.