CN102455438A - 碳酸盐岩缝洞型储层体积预测方法 - Google Patents

Abstract

本发明涉及一种碳酸盐岩缝洞型储层体积预测方法，包括：通过地震波获取测试缝洞体的地震属性体体积；根据所述地震属性体体积乘校正系数预测所述测试缝洞体体积。这种体积预测方法，投入工业应用，碳酸盐岩油藏采收率提高，实现了产量快速增长。

Description

碳酸盐岩缝洞型储层体积预测方法

技术领域

本发明涉及石油地质开发，具体涉及一种碳酸盐岩缝洞型储层体积预测方法。

背景技术

塔河油田的主体为奥陶系碳酸盐岩缝洞型油藏，主要储层类型为缝洞型储层，储集体受岩溶、裂缝控制，形态复杂，纵横向非均质性强，埋藏深，地震反射信号分辨率低，且受诸多因素的影响，其储层预测难度很大。随着塔河油田的发现和扩大，储层识别和预测技术也经过了由早的简单、单一方法，到后期复杂、多学科的储层技术方法系列。主要的储层预测方法有：振幅变化率技术、精细相干技术、波阻抗反演技术、波形分析技术、模型正演技术等，其它一些方法如：三维多尺度分析技术、古地貌古水系分析技术、分频技术、多参数聚类分析技术等等，在奥陶系碳酸盐岩缝洞型油藏得到了较好的应用。但是这一系列的技术主要是基于平面定性的储层预测，而只是对碳酸盐岩缝洞型储层发育区域的预测，而缺乏缝洞体大小规模定量的概念。

另一方面，目前对于碳酸盐岩缝洞型油藏的储量计算，国内外还没有一个非常准确有效的方法，目前基本上还是采用有效储层碾平的容积法进行计算，这本身不符合非均质性碳酸盐岩缝洞型油藏的特点。

发明内容

本发明需要解决的技术问题是，如何提供一种碳酸盐岩缝洞型储层体积预测方法，能定量预测缝洞型储层体积，为石油地质储量的计算提供了一个量的依据。

本发明的技术问题这样解决：构建一种碳酸盐岩缝洞型储层体积预测方法，包括以下步骤：

1.1)通过地震波获取测试缝洞体的地震属性体体积；

1.2)根据所述地震属性体体积乘以校正系数来预测所述测试缝洞体体积。

按照本发明提供的体积预测方法，所述校正系数等于宽度校正系数Ccw和高度校正系数Cch之积。

按照本发明提供的体积预测方法，所述校正系数可以是相对一类地震属性不变的常校正系数。

按照本发明提供的体积预测方法，所述校正系数这样获取：

2.1)通过大量的缝洞模型设计和波动方程的数值模拟正演放炮对正演资料进行叠加处理，对叠加资料进行属性提取；

2.2)通过大量缝洞体模型的体积与地震属性体体积的统计，得到地震属性体体积与缝洞体体积之间的较正系数。

按照本发明提供的体积预测方法，所述校正系数可以是随地震属性异常视体积变化的变校正系数，并设定：所述变校正系数与所述视体积成线形关系(用线性函数拟合)或非线形关系(用非线性函数拟合)。

本发明提供的碳酸盐岩缝洞型储层体积预测方法，应用于塔河油田的主力区块2～8区，取得了较好的效果。对2～8区137个缝洞单元进行了三维可视化的反射强度体雕刻，通过“碳酸盐岩缝洞型储层模型正演及体积校正技术”得到的较正系数，对反射强度体进行校正，得到2～8区137个缝洞单元的有效储集体的体积，为后期储量计算提供了储集体的体积参数。

附图说明

图1是本发明地震属性异常视体积校正系数的确定流程示意图；

图2是用线性函数拟合校正系数示意图；

图3是概率神经网络获得的校正系数量板曲线示意图。

具体实施方式

首先，说明本发明基本原理：

由于塔河油田奥陶系主力产层埋深大(大于5000m)，地震波到达目的层后，频率变低，地震波的分辨能力较低，塔河油田钻井揭示洞穴高度一般在1-10m之间，小于地震波可分辨的50m；从现代岩溶考察来看从一般小于可地震波分辨96m的宽度。因此无法在时间及道数上分辨缝洞体，而在分辨率以内，反射能量与缝洞体的大小近似成正比，因此采用地震属性异常视体积校正系数的计算，地震属性异常是指从地震属性体上确定(预测)的缝洞单元异常体，地震属性体可以是从实际地震记录上提取的属性体或对理论模型进行地震正演模拟得到的合成记录上提取的属性体。

根据定义，地震属性异常宽度校正系数(Ccw)它是指对地震属性上异常体的等效宽度进行校正的系数，对于理论缝洞模型的合成地震记录对应的地震属性而言，是指理论缝洞模型的宽度与对应的合成地震记录的地震属性的异常体的宽度之比。同理，地震属性异常高度校正系数(Cch)它是指对地震属性上异常体的等效高度进行校正的系数，对于理论缝洞模型的合成地震记录对应的地震属性而言，是指理论缝洞模型的高度与对应的合成地震记录的地震属性的异常体的高度之比。不同的地震属性类型有不同的宽度和高度校正系数，不同体积和不同形状的缝洞模型对应不同的地震属性异常空间体积，也即有不同的校正系数，因此，必须设计一系列缝洞理论模型，计算得到大量的校正系数，从中统计求得与不同的地震属性异常对应的校正系数量板，即高度和宽度校正系数量板。校正系数等于宽度校正系数和高度校正系数之积。

第二步，详细说明本发明关键：

如图1所示，通过大量的缝洞模型的设计，通过波动方程的数值模拟地震波场正演放炮，对正演资料进行叠加处理，对叠加资料进行地震属性提取，通过大量缝洞体模型的体积与地震属性体体积的统计，得到地震属性与缝洞体体积之间的校正关系，将这种校正关系，应用到实际地震资料中，就可计算实际地震资料缝洞体的有效体积，为储量计算提供基础数据。

第三步，说明本发明具体实施：

1.基于缝洞模型的建立方法以及模型设计的目的采用人机交互的方法建立地震地质模型(理想溶洞模型和根据过井地震剖面建立缝洞储层模型两类)，对所设计的缝洞模型进行网格离散化，然后采用接近实际野外采集的观测***和采集参数进行波动方程正演模拟，最后对炮集记录进行常规处理和叠前时间偏移得到偏移剖面。

2.提取地震反射信息不相干性、振幅变化率、时频信息、瞬时振幅、波阻抗等地震属性

3.采用模式识别方法进行地震属性储层预测，通过地震属性优化，从中提取与缝洞量化敏感的四个地震属性：反射强度、波阻抗、均方根振幅、振幅变化率。

4.对于一个形状规则的缝洞单元，对应的合成地震记录上的属性体的空间展布形状不是一个规则体，而是一个边界模糊且形态变化较大的一个不规则体。在缝洞单元中心位置确定后，必须确定缝洞单元的等效高度(时间方向)和等效宽度(道或线方向)，采用边界搜索方法确定缝洞单元的边界，进而确定缝洞单元的等效高度和等效宽度，具体步骤如下。

(1)以缝洞单元中心对应的时间和道(t_m，x_m)为中心，在[x_m-ΔX，x_m+ΔX]道窗口范围内，在[t_m-ΔT，t_m+ΔT]时窗范围内，对新属性值进行二维中值滤波，消除由于随机干扰引起的属性值的抖动；

(2)基于中值滤波的结果，以缝洞单元中心对应的时间和道(t_m，x_m)为中心，在[t_m-ΔT，x_m-ΔX]～[t_m+ΔT，x_m+ΔX]二维窗口范围内，以时间视倾角步长Δp递增，其单位是毫秒/米，在用户设定的倾角范围内进行直线搜索的方式计算对应该倾角时p_j的边界点，也即沿该倾角方向从中心点开始，向两则逐道判断属性值大于属性阈值的道，计算大于属性阈值的道数

以及对应的样点数

对所有的倾角，计算最大的道数和时间样点数，则等效宽度和高度分别为：

$\begin{array}{c}{w}_a=\underset{j}{\max }\left\{{\stackrel{\‾}{x}}_j\right\}\×\mathrm{dx}-\mathrm{dx}\\ h_a=\left[\underset{j}{\max \left\{{\stackrel{\‾}{t}}_j\right\}-1}\right]\×\mathrm{dt}\×V\×0.5\end{array}$

其中，V为缝洞单元的速度，dx为道间距，dt为时间采样间隔。

5.对于某类地震属性而言，通过上述统计分析方法可以得到最优地震属性阈值，基于该地震属性阈值，可以得到与某一模型对应的地震属性异常视体积的校正系数；对于多个地震属性，可以得到多个最优地震属性阈值，基于这些地震属性阈值，就可以得到一系列对应地震属性阈值下的地震属性异常视体积的校正系数。如何综合这些校正系数，提高缝洞量化的精度，是最优视体积校正系数确定的主要任务。为此，我们采用三种方法来计算最优校正系数，也即采用常校正系数(校正系数均值)、变校正系数(校正系数与对应的地震属性异常体积的拟合关系)和非线性映射方法确定的校正系数来对地震属性异常体积进行校正，从而达到利用地震属性进行缝洞量化的结果。

(1)常校正系数校正

常校正系数是指对所有的某类地震属性的异常体积采用同一个校正系数进行校正，这个校正系数应该是利用前面所述的统计分析方法得到的每一类地震属性对应的最优地震属性阈值以及与该地震属性阈值对应的校正系数均值，不同的地震属性，就有不同的校正系数均值。首先我们利用某一地震属性的校正系数均值对该地震属性异常视体积进行校正获得接近真实模型的视体积Scij，其中i表示所设计的第i个理论模型，j表示第j个地震属性；对优选出的所有地震属性对应的属性异常体积进行同样的处理，得到与某一理论模型对应的m个接近真实模型的视体积，其中m为属性个数；将各属性所计算出的视体积进行加权相加得到接近真实模型的综合视体积Scai，即

${\mathrm{Sca}}_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_j\×{\mathrm{Sc}}_{\mathrm{ij}}$

式中，w_j为地震属性权值系数，且有

后面章节将介绍该权值的计算；对所有模型对应的地震属性进行上述同样的处理，得到n个接近各自真实模型的综合视体积，其中n为模型个数；与各自的真实模型的体积进行比较，计算所有模型的视体积相对误差，基于该误差进行精度评价分析，为实际缝洞量化提供置信区间。

采用常校正系数对实际地震三维数据体对应的地震属性异常进行校正可以得到对应于优先出的所有地震属性相应的属性异常体积经校正后的视体积，将各属性所计算出的视体积进行加权相加得到校正后的综合视体积，该体积即为缝洞量化描述的结果。

(2)变校正系数校正

常系数校正方法简单，但由于常校正系数是通过统计得到的，只能保证大部分地震属性异常结果校正后，其体积接近于真实模型的体积，一部分地震属性经校正后，其误差可能较大。因此，采用随地震属性异常视体积变化的变系数校正方法。

变校正系数是指对某类地震属性的异常体积采用随该体积变化的校正系数进行校正，利用前面所述的统计分析方法可以得到一系列模型对应的每一类地震属性异常确定的最优地震属性阈值，对于某个模型而言，就可以得到该地震属性阈值下的地震属性异常校正系数，也即一个对应该地震属性异常体积的校正系数Ccij，其中i表示所设计的第i个理论模型，j表示第j个地震属性；对所有模型(n个)对应的地震属性进行上述同样的处理，得到n个对应不同地震属性异常体积的校正系数Ccij，也即得到n个地震属性异常体积和对应的校正系数数据对；采用最小二乘拟合方法，获得最佳拟合这些数据对应的某一函数(如线性函数)，图2显示出用线性函数拟合波阻抗地震属性异常校正系数所得到的线性函数表达式Y＝5.88E-006*X+0.073。

基于拟合函数，可以对一系列所设计的缝洞理论模型进行校正体积测试，计算所有模型的视体积相对误差，用来评价缝洞量化精度，为实际缝洞量化提供置信区间；同时，可以获得最优校正后的各地震属性异常体积加权因子。首先对某一个理论模型的合成地震记录的相应的地震属性异常视体积计算，基于拟合函数，得到该视体积对应的校正系数，进而得到接近真实模型的视体积Scij，其中i表示所设计的第i个理论模型，j表示第j个地震属性；对优先出的所有地震属性对应的属性异常体积进行同样的处理，得到与某一理论模型对应的m个接近真实模型的视体积，其中m为属性个数；将各属性所计算出的视体积进行加权相加得到接近真实模型的综合视体积Scai；对所有模型对应的地震属性进行上述同样的处理，得到n个接近各自真实模型的综合视体积，其中n为模型个数；与各自的真实模型的体积进行比较，计算所有模型的视体积相对误差，进行误差分析。

再采用拟合函数对实际地震三维数据体对应的地震属性异常进行校正可以得到对应于优先出的所有地震属性相应的属性异常体积经校正后的视体积，将各属性所计算出的视体积进行加权相加得到校正后的综合视体积，该体积即为缝洞量化描述的结果。

(3)视体积校正系数的非线性确定

由缝洞或孔洞组成的储层模型的地震响应及实际钻遇缝洞或孔洞型储层对应的井旁地震记录可知，在岩性相对较单一的奥陶系内幕存在的缝洞储层在三维地震记录上表现的波场特征受储集体的高度、宽度、形态、内部孔洞的分散程度、孔内充填物性质及储层的空间展布特征等因素影响，因此，地震属性异常与缝洞体积的对应关系比较复杂，难以用一个数学函数来表示，因此，我们可以基于人工神经网络技术，利用理论模型的体积对其合成地震数据的地震属性异常的视体积进行“训练”，获得地震属性异常的视体积与理论模型的体积的非线性映射关系，也即地震属性异常的视体积与对应的校正系数的非线性映射关系；然后利用该关系，对实际地震三维数据体对应的地震属性异常进行校正，达到利用地震属性进行缝洞量化描述的目的，其中地震属性类型是经过优化后的也即是对缝洞体积或缝洞空间形态敏感的地震属性。

本项目将采用非线性概率神经网络结构从优选出的地震属性体的异常体积和对应理论模型的体积预测地震属性异常体积校正系数。

概率神经网络(The Probabilistic Neural Network，简写成PNN)实际上是一种数学插值手段，其实现恰好用到了神经网络的结构。这是一种潜在的优势，因为通过研究数学公式，我们可以比多层前馈神经网络(Multi-LayerFeedforward Neural Network，简写成MLFN)更好地理解该方法。

概率神经网络训练用的数据跟多层前馈神经网络训练的数据是一样的。它包括了一系列的训练“样本集”，每个样本对应所有模型的合成地震记录的地震属性异常视体积，可以写成如下向量形式：

(A₁₁，A₂₁，…A_m1，Cc₁)、(A₁₂，A₁₂，…A_m2，Cc₂)、...、(A_1n，A_1n，…A_mn，Cc_n)

这里有n个样本和m个地震属性。Cc_i的值可以通过每个训练样本值与对应的理论模型的视体积获得的校正系数。

给定训练数据，概率神经网络假设每一个输出校正系数值可以写成训练数据中地震属性异常视体积的一个线性组合。对于一个新样本(序号为j)的地震属性集可以写成向量

$\stackrel{\→}{x}=(A_{1j},A_{2j},\·\·\·A_{\mathrm{mj}})$

则新的校正系数值可以估计为：

$\begin{array}{c}\hat{C}c\left(x\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{Cc}}_i\exp (-D(x,x_i))}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\exp (-D(x,x_i))}\\ D(x,x_i)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\left(\frac{x_j-x_{\mathrm{ij}}}{{\mathrm{\σ}}_j}\right)}^2\end{array}$ 其中：

未知量D(x，x_i)为输入点和每一个训练样点x_i之间的“距离”。这个距离是地震属性占据的多维空间中测量的，是通过未知量σ_j来标定的，它可能跟每一个地震属性值有所不同。

从上述概率神经网络的公式可以看出，网络训练包括确定平滑参数σ_j最优集。确定这些参数的规则是使之具有最低的检验误差。

定义第j个目标样点的检验结果如下：

$\hat{C}{c}_j\left(x_j\right)=\frac{\underset{i\≠j}{\overset{n}{\mathrm{\Σ}}}{\mathrm{Cc}}_i\exp (-D(x_j,x_i))}{\underset{i\≠j}{\overset{n}{\mathrm{\Σ}}}\exp (-D(x_j,x_i))}$

当样点不在训练数据之内时，它就是第j个目标样点的预测值。因为我们已知样点的值，就可以计算样点的预测误差。对每个训练样集本重复这一过程，我们就可以定义训练数据的总的预测误差：

$E_V({\mathrm{\σ}}_1,{\mathrm{\σ}}_2,{\mathrm{\σ}}_3)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{Cc}}_i-\hat{C}{c}_i)}^2$

注意预测误差取决于参数σ_j的选择。这个未知量是通过应用非线性共轭梯度算法来最小化的。训练好以后的网络就已经具有检验误差最小的特性了。

图3为概率神经网络获得的校正系数量板曲线示意图。该图表示了校正系数值跟单个地震属性的交会图。常规线性回归法是用直线拟合来使均方预测误差计算最小来计算的，也可以用高阶曲线来拟合，而这里是使用神经网络来获取变量之间的关系。从该图可以看出概率神经网络具有拟合数据良好的特点，这跟多层前馈神经网络是一样的。但是它在地震属性范围内更具有稳定性。概率神经网络最大的问题是因为它在所有训练数据的周围内执行，每个输出样本跟每个训练样本进行比较，所以计算时间比较慢。

6.地震属性异常体积校正方法实现

在求得与不规则的地震属性异常体积等效的规则形状的三维空间，也即求得与不规则形状的地震属性体的空间展布的等效的长、宽、高后，我们就可以分别对地震属性异常的高度和宽度分别按照不同的比例因子进行校正，从而实现了对一个形态不规则边界不连续的一个三维空间的地震属性异常体进行体积校正。

假定Wc为横向校正系数，Hc为时间方向上的校正系数，也即纵向校正系数。Wa为沿CDP方向的地震属性剖面上的属性异常的等效宽度，Ha是纵向上的属性异常的高度，也即串珠状地震反射属性体的空间范围。

在纵横向上的校正系数得到后，我们考虑对地震属性异常体的空间形态按照纵横向校正系数进行自动扫描及压缩，使得地震属性异常真正能够反映缝洞的位置、大小及形态，以实现由串珠状反射到缝洞单元的量化。

最后，说明本发明的发明实用范围和应用前景：

该方法对于非均质性碳酸盐岩缝洞型油藏具有广泛的实用性，目前对于碳酸盐岩缝洞型油藏的储量计算，国内外还没有一个非常准确有效的方法，目前基本上还是采用有效储层碾平的容积法进行计算，这本身不符合非均质性碳酸盐岩缝洞型油藏的特点，而碳酸盐岩缝洞型储层模型正演及体积校正技术则考虑了碳酸盐岩缝洞型油藏非均质性，因此具有广泛的应用前景并可以进一步完善。

Claims (7)

1.一种碳酸盐岩缝洞型储层体积预测方法，其特征在于，包括以下步骤：

1.1)通过地震波获取测试缝洞体的地震属性体体积；

1.2)根据所述地震属性体体积乘以校正系数来预测所述测试缝洞体体积。

2.根据权利要求1所述体积预测方法，其特征在于，所述校正系数等于宽度校正系数和高度校正系数之积。

3.根据权利要求2所述体积预测方法，其特征在于，所述宽度校正系数和高度校正系数是相对一类地震属性不变的常校正系数。

4.根据权利要求3所述体积预测方法，其特征在于，所述常校正系数通过统计分析获取，具体包括：

2.1)通过大量的缝洞模型设计和波动方程的数值模拟正演放炮对正演资料进行叠加处理，对叠加资料进行地震属性提取；

2.2)通过大量缝洞体模型的体积与地震属性体体积的统计，得到地震属性体体积与缝洞体体积之间的校正系数。

5.根据权利要求2所述体积预测方法，其特征在于，所述宽度校正系数和高度校正系数是随地震属性异常视体积变化的变校正系数。

6.根据权利要求5所述体积预测方法，其特征在于，所述变校正系数在统计分析基础上用线性函数拟合获取。

7.根据权利要求5所述体积预测方法，其特征在于，所述变校正系数在统计分析基础上用概率神经网络拟合获取。

Images