基于波动方程的砂泥岩储层特征及分形特征研究

基于波动方程的砂泥岩储层特征及分形特征研究

东方地区地震勘探存在的问题胜海地区位于鹿岛油田以北，也称为鹿岛油田北部。自成立以来，该地区一直专注于对关陶组上半部分的研究，并非常重视对东里岛油田的研究。东营组的含油构造具有“小而肥”的特点,将是今后一段时期内埕岛油田增储上产的重要阵地,在埕岛油田的勘探开发中具有十分重要的地位,但是目前存在以下主要问题:(1)海上钻井费用高,风险大,因此,不可能完全依靠钻井手段达到探明东营组油气富集分布情况的目的。(2)地震剖面上东营组呈空白杂乱,或断续、振幅中强、叠瓦状的反射结构,用常规的地球物理研究方法和手段难以对储层进行解释和评价。(3)在埕岛油田的馆陶组上段各种新技术、新方法已经取得了很好的应用效果,但是由于东营组储集层的特殊性,需要适用于东营组储集层特点的新技术和方法。(4)随着勘探程度的提高,储集层预测研究日益显得重要,而且探井的钻探也为目标处理提供了精确标定的可能性。为此需要研究主要针对东营组进行处理的地震资料反演和油藏描述软件。东缘砂组岩相特征埕岛地区东营组的沉积处于盆地演化的第三裂陷期的后期,经历了从断陷沉降到逐渐抬升、并遭受剥蚀的演化过程。东营组分布的总体特征是底部逐渐向潜山主体超覆,顶部遭受剥蚀,从凸起向凹陷剥蚀程度减弱。纵向上,地层发育具明显的阶段性,沉积环境从湖泊环境经三角洲逐渐演变为河流环境,沉积相类型非常丰富,储集层十分发育。依据沉积发育的阶段性,结合油水系统及勘探工作的需要,综合钻井、测井、地震资料,可将东营组划分为6个砂层组。Ⅵ砂组(Ed6)此砂组发育在东营组初期,埋深3250～5000m,主要分布于东部凹陷内,北部低凸起出露水面,为剥蚀岛。岩性为暗色泥岩夹砂岩,沉积相类型主要发育近岸湖底扇和滨浅湖滩坝。Ⅴ砂组(Ed5)此砂组沉积范围较Ⅵ砂组有所扩大,这一时期沉积环境为浅湖环境,岩性和砂体类型与Ⅵ砂组类似,埋深3150～3950m。Ⅳ砂组(Ed4)此砂组沉积与Ⅴ、Ⅵ砂组明显不同,全区覆盖“胖砂岩”,大量发育近源辫状河三角洲沉积,地震剖面反射以楔形为主,埋深3000～3850m,分布凹陷内,并向翼部超覆,甚至在潜山的主体部位形成披覆沉积。Ⅲ砂组(Ed3)此砂组在全区发育,埋深2300～3400m,以中粗砂岩、含砾砂岩为主,纵向上发育辫状河道和低弯度曲流河交互沉积以及扇三角洲前缘河口坝、远砂坝沉积。Ⅰ+Ⅱ砂组(Ed1+2)此砂组以河流相为主,埋深2200～3100m,纵向上越往上则氧化作用越强烈、粒度越粗。东营组储层物性与沉积环境和沉积微相关系密切,纵向上又与深度密切相关,Ⅰ、Ⅱ、Ⅲ砂组以较粗砂岩为主,而Ⅳ、Ⅴ、Ⅵ三个砂组以粉砂岩为主。其储层主要有四种类型,即湖底扇、辫状河三角洲、河道砂体及滨浅湖滩坝。其中,辫状河三角洲、河道砂体和滑塌湖底扇的储集性能较好,为中、高孔渗储层,而近岸湖底扇和滨浅湖滩坝的储集性能偏差。反射系数序列的求解众所周知,地下地质体是由不同的岩性介质组成的,岩性的不连续性造成地震波奇性传播,如反射、透射、绕射等。岩性的奇性反演有助于识别不同的岩性,提高地震资料的分辨率。针对埕岛油田东营组特定砂泥岩互层的组合特点,根据地层岩性的不连续性造成的波动奇性传播,利用波动方程对地震资料进行奇性反演以识别不同的地层,从而达到对储层进行描述的目的。以奇性反演为基础的储集层描述方法流程见图1。神经网络反褶积考虑如下地震记录Zk的离散褶积模型式中:Vk是系统子波(或称基本子波),根据其物理可实现性,当k<0时,Vk=0;ui是地层反射系数序列;nk是观测噪声;ND是数据采样点个数。反褶积的目标函数定义为将式(2)影射成神经网络,然后利用神经优化来实现反褶积。该反褶积方法对子波、反射系数序列和观测噪声都没有提出前提条件。这也就是说子波可以是非最小相位;反射系数序列的分布可以是随机分布的,也可以是确定性分布的;观测噪声可以是任意分布的,即可以是高斯分布也可以是非高斯分布的,可以是有色也可以是白色的。把反射系数序列投影到一个两维空间来考虑问题,这个空间的一维用于标定反射系数序列在时间(或深度)方向所在位置,另一维则用于标定其幅值的代数大小。即反射系数序列可以表示为其中:q,是取值为0或1的序列,代表反射系数在时间(或深度)方向所在的位置,即反射系数出现的位置qi=1,否则qi=0;ri是表示反射系数大小的序列。利用离散神经网络(DHNN)和连续神经网络(TH)分别求取qi和ri序列,基本思路如下。(1)令式(3)中ri为a(a为一足够大的常数),把它代入式(3)中,求出DHNN的相应权值和偏置值。利用DHNN求出对应ri大小为a时反射系数序列的位置序列qi。(2)把qi代入式(3),把式(3)代入式(2)中利用约束优化神经网络TH求出ri序列。(3)从地震记录Zk中减掉相应值a的反射系数序列与子波的褶积结果,这样得到一个更新之后的地震记录Zk。通过进一步优化a的大小,可以得到较准确的反射系数序列的位置及大小,从而最终实现地震资料的反褶积。求解确定性反褶积的基本步骤为:(1)已知原始数据Zt和初始子波Wt,给定一个足够大的正数a(一般取反射系数序列中幅值最大值的2～3倍,本文取3倍)、一个足够小的正数amm(一般取反射系数序列中幅值最小的值)和一个足够小的正数ε0。(2)计算离散Hopfield网络的权值和偏置值,并置Ripeat=1。(3)通过模拟退火法求取反射系数序列的位置序列qi。(4)若qi=0,置Ripeat=-1,转到步骤(6);若qi≠0,则把qi代入式(3),求得对应a参数的序列,ri。(5)由ri与初始子波Wt褶积运算,将褶积结果从地震记录Zt中减去,得到修改后的地震记录Zt。(6)若Ripeat<0,则转到步骤(7);若Ripeat≥0,则取a=-a,转到步骤(2)。(7)更新a,令a=丨a丨-ε0,若a<amm,则结束运算;反之,转到步骤(2)。奇性分析岩性的奇性反演有助于识别不同的岩层,提高地震资料的分辨率。地震波在非均匀介质中的一维传播过程可描述为记,作时—深转换,并记f(z,t)=u(G1(z))=u(x,t),q(z)=B(x),则式(4)等价于式(5)已有多种求解方法,但存在不稳定性和不适定性,将其化为积分方程,该方程不需要爆炸震源,在应用中可以避免震源的不确定性以及由介质的塑性形变带来的影响,因而无需对震源作各种近似处理。波场反演积分方程为式中:Cf(n,θ,Φ)为空间点n介质的综合岩性参数,该参数描述了介质的不连续性,是q(z)的函数。θ为岩性奇性函数自变量,Φ(ξ,τ)是与震源有关的函数,表达式为Φ(ξ,τ)=exp(-ξ2τ2/σ)(σ为常数);n,τ,μ为离散变量,ξ和θ是连续变量,积分区间是(-∞,∞);函数f(x)是介质振动的位移函数,受波动方程制约。将Φ(ξ,τ)代入式(6)得到离散奇性分析表达式式中a为常量。用神经网络实现奇性分类自组织特性映射网络用作联想最邻近分类器,能将任意连续值模式(k=1,2,…,m)分成p个类。网络用竞争学习规则离线学习,按离散时间方式运行。自组织特性映射网络通过寻找最优参考矢量集合对输入模式集合进行分类,每个参考矢量为一个输出单元对应的连接权向量。输出层单元对输入模式响应的权力的竞争是通过侧抑制来实现的。网络的学习过程描述如下:(1)首先将LA层单元到LB层单元的所有连接权随机地赋区间的值;(2)令LB层单元j对应的连接权向量为Wj。对于每一输入模式Sk(k=1,2,…,p),进行如下操作:1)求Wj(j=1,2,…,p)中与Ak距离最小的连接权向量Wg,有2)定义单元g(胜者)及其邻域为Ng(t),将Ng(t)中各单元对应的连接权向量往Ak靠拢,其学习方程为上式中:j∈Ng(t);i=1,2…,n;a(t)是时刻t的学习率,其随时间降低。一般定义a(t)=1/t或a(t)=0.2(1-t/10000),如果LB单元排列成二维阵列,则Ng(t)一般为圆或矩形,也随时间变小。(3)对于不同的t=1,2,…,z(500≤z≤10000),重复步骤(2)。奇性分形描述奇性分析算法描述了地震道中某一时刻的复杂奇性特征,该奇性特征对应着地质体构造特征和岩性特征。分形维数是度量不规则性的有力工具。利用分形维数来描述奇性特征,将有利于岩性解释。描述中应用的维数是合维数。合维数定义如下:若F(X)表示度量空间X上的全体紧子集的集类,令A属于F(X),(X,P)为一度量空间,对每一个δ>0,用Nδ(A)表示覆盖A的半径为δ>0的闭球的个数,如果lim(lgNδ(A)/-lgδ)存在,则称这个极限值为集A的合维数。奇性分形剖面的优点从原始地震剖面上看,东营组的反射结构呈空白杂乱,在斜坡带由于受到深部高角度地层的影响,反射同相轴连续性更差,无法进行储层形态描述,为此对原始数据进行神经网络反褶积处理,然后再进行奇性反演分析。利用奇性分形技术进行储层形态描述,主要步骤为:①从三维数据体中抽取所要处理的测线,由SEQ-Y格式转换成奇性分析的输入格式,然后进行神经网络反褶积处理;②在反褶积的基础上进行奇性分析处理和分形分维描述;③从井资料出发,与测井、沉积相资料结合起来,对处理结果做出解释并建立储层描述模型。神经网络反褶积通过神经网络反褶积处理,剖面质量得到明显改善,主要表现在:(1)剖面分辨率得到提高。原始剖面由于分辨率低,宽相位、复相位多处出现,是多个薄层综合信息的反映,处理后同相轴明显增多,连续性也得到改善(图2)。(2)剖面信噪比大大提高。胜海三维资料频率成分少而低,但同相轴连续性却很差,这说明信噪比低,反褶积处理后改善明显。东营组内部由于深部斜层影响造成的干扰得到压制,反射连续性变好。奇性分析地震波的奇性特征反映地质体的构造特征和岩性特征,用分形维数加以描述,地震道中某一时刻岩性的变化反映为分形维数的变化。根据地震资料,经波动方程反演提取奇性特征数据,用分形维数加以描述,从而得到奇性分形剖面。本文分别用原始地震数据和神经网络反褶积剖面进行了奇性分形描述(图3),通过对比可见,后者同相轴连续性明显变好,分辨能力得到提高。分形维数值反映了地质体的岩性信息,为了进一步建立分形维数值与地层岩性的定量关系,对东营组钻入CB271井的实测情况进行了统计分析(见表1)。根据理论计算以及CB27、CB271井标定的结果,在奇性分形剖面上,当分形维数值<1.3时对应的岩性为砂岩,对东营组来说,可能是含砾砂岩、粒状砂岩、中砂岩、粉砂岩等,并且不同的砂岩其分形维数值亦不同;当分形维数值为1.3～1.5时,对应的是砂泥岩过渡带或是砂泥岩互层;当分形维数值>1.5时对应泥岩。这样,对整个工区(可控制测网密度)进行奇性分析反演,根据这一原则对奇性分形剖面进行解释,就可以比较准确地确定砂岩储层的发育和分布范围,选择有利勘探方向和目标。效果分析通过CB271井录井岩性资料和分形预测情况的统计对比,发现奇性分形反演在没有用井资料约束的情况下,反演结果与实际井资料吻合仍很好。根据反演预测结果,SH8井处在储集层发育的有利部位,由SH8井钻遇的东营组油气显示井段与分形反演剖面基本吻合;在它的上倾部位仍是预测有利位置,经钻探的SH801井亦证实了该预测的正确性。利用奇性分形技术进行储层形态描述是在未用钻、测井资料的情况下应用地震资料反演进行的,对原始资料也未提出要求,从储集层预测的结果来看,符合程度较高,基本上达到了90%以上。同时,它实现了空间任意点、任意时刻的四维计算。三维空间储层形态描述,是一项非常有潜力的技术。奇性分形技术所带来的地质意义和启示利用分形技术解