CN110618450B - 基于岩石物理建模的致密储层智能化含气性预测方法 - Google Patents

Abstract

本发明提出了一种基于岩石物理建模的致密储层智能化含气性预测方法，包括：步骤1、根据斑块饱和理论对储层物性与弹性参数之间的关系建立岩石物理模型；步骤2、正演模拟建立岩石物理模板；步骤3、利用粒子群算法反演，获得不同频率下的速度体；步骤4、针对不同储层段提取速度频散曲线，与岩石物理模板对比，分析该储层段的含气性特征。本发明的基于岩石物理建模的致密储层智能化含气性预测方法，能够充分利用粒子群体的记忆性和信息共享特征，快速地在整个搜索空间内搜寻最优解，并能够对地下储层的纵波速度频散特征做出较为准确的描述，克服了传统的储层预测技术更多是依赖人为操作，费时费力的缺陷。

Description

基于岩石物理建模的致密储层智能化含气性预测方法

技术领域

本发明涉及勘探地球物理处理、解释领域，尤其涉及一种基于岩石物理建模的致密储层智能化含气性预测方法。

背景技术

随着油气勘探对象逐渐面向构造复杂、介质复杂、地表复杂、深层的非常规油气藏，勘探难度越来越大，取得的油气勘探“亮点”越来越少，在深层和非常规油气藏中寻找油气已经成为现阶段石油工业保持稳产或提高产量的主要研究方向之一，也对保障我国石油工业可持续发展和能源安全具有重要的现实意义。非常规油气储层强非均质性、各向异性使得储层地质与测井响应及地震预测结果呈现更加复杂的非线性关系，与常规油气预测相比其多解性更强。虽然近几年来，国内外学者提出了大量的油气预测技术，如，

张世鑫等人对了纵波速度频散属性反演方法做了研究(“纵波速度频散属性反演方法研究”，张世鑫等，石油物探，第50卷第3期，第219-287页，2011年5月)，指出了含烃类储层会造成地震波的衰减和速度频散，通过研究纵波法向入射时反射振幅随频率的变化规律，推导了包含表征纵波速度频散程度属性的反射系数近似公式，构建了反演方程，通过小波域分频和贝叶斯三参数反演分别得到分频地震数据和密度相对变化量，最终得到频散属性数据体。

但是该研究虽然提出了反演频散属性的方法，却仅仅只针对法向入射的情况，没有利用上叠前地震记录的丰富信息，尤其是对流体敏感的大角度、大偏移距信息，并且反演使用的是线性化的反演方法，对初始解要求很高，非常容易陷入局部极值且无法跳出。

郭智奇等人基于斑状饱和模型的储层渗透率地震响应特征做了分析(“基于斑块饱和模型的储层渗透率地震响应特征分析”，郭智奇等，APPLIED GEOPHYSIC，第12卷第2期，第187-198页，2015年6月)，该分析基于斑状饱和模型计算渗透率变化的地震反射特征，为流体流动性的地震描述提供了依据。基于传播矩阵理论设计反射系数与合成地震记录算法，实现了频率域岩石物理模型与地震响应计算的无缝衔接。

该分析虽然揭示了流体性质和渗透率对地震频散特征的影响，但并未给出分析流体饱和度的思想，仅仅只是做地震响应随流体和渗透率的敏感性分析。

所以，目前现有的技术远不能达到实际的要求，由于常规的线性化反演方法十分依赖初始模型，非常容易陷入局部极值且无法跳出，而在实际应用中我们很难保证给出的初始模型一定很好，传统的储层预测技术由于没有完全利用原始数据中蕴含的信息以及多解性强的影响，得到的含气性预测结果往往会给研究人员造成种种的怀疑，并且预测过程更多是依赖人为操作，费时费力，因此有必要发明一种适用于非常规深层致密砂岩的智能化含气性检测技术。

发明内容

为了解决上述技术问题，本发明提出了一种基于岩石物理建模的致密储层智能化含气性预测方法，包括：

步骤1，根据斑块饱和理论对储层物性与弹性参数之间的关系建立岩石物理模型；

步骤2，正演模拟建立岩石物理模板；

步骤3，利用粒子群算法反演，获得不同频率下的速度体；

步骤4，针对不同储层段提取速度频散曲线，与岩石物理模板对比，分析该储层段的含气性特征。

优选的，所述步骤1中，记斑块饱和模型对应的岩石物理模型为F，得到纵波速度的的函数，

V_p＝F(K_m,K_s,K_f,μ_m,ρ_s,ρ_f,p₁,p₂,f)

其中，V_p为通过斑块饱和模型计算出的纵波速度，K_m为干岩石骨架的体积模量，K_s为固体基质的体积模量，K_f为流体的体积模量，μ_m为干岩石骨架的剪切模量，ρ_s和ρ_f分别为固体基质和流体的密度，p₁和p₂分别为气和水的含量，用于描述储层的含气性，f为频率。

在固定储层物性的情况下，通过输入不同的频率，可以得到对应的纵波速度V_p，从而对纵波的速度频散特征进行表征。

进一步的，所述步骤2中，对于P波入射，反射、透射系数向量r由下式求解：

r＝-[A₁-BA₂]^-1i_p

其中，A₁、A₂分别为与上下层介质的弹性模量有关的传播矩阵，B为中间层的传播矩阵，i_p是一个复数向量，与介质的弹性参数和角频率有关。

进一步的，上层介质的传播矩阵：

下层介质的传播矩阵：

其中，下标1表示上层介质参数，下标2表示上层介质参数，没有下标的表示中间层参数，

中间层介质的传播矩阵：B＝T(0)T^-1(h)，

其中，

其中，h为中间层厚度，ω为角频率(ω＝2πf，f为频率)，i表示复数单位(-1的平方根)，

W_Pj＝2μ_js_PjsV_Pj,W_Sj＝μ_j(s_Sj ²-s²)V_Sj,

Z_Pj＝(λ_js²+E_js_Pj ²)V_Pj,Z_Sj＝-2μ_js_SjsV_Sj,

s＝sinθ/V_P1,s_Pj＝cosθ/V_Pj,s_Sj＝cosθ/V_Sj,

E_j＝ρ_jV_Pj ²,μ_j＝ρ_jV_Sj ²,λ_j＝E_j-2μ_j,j＝1,2，

其中，ρ为介质密度，V_P为介质纵波速度，V_S为介质横波速度，θ为入射角度。

进一步的，所述步骤2中根据纵波速度V_p，得到频率f下的反射系数向量R_pp，

R_pp＝G(V_p,V_s,ρ,θ,f,h)，

其中，G为传播矩阵***，V_p为各层介质的纵波速度组成的向量，V_s为各层介质的横波速度组成的向量，ρ为各层介质的密度，θ为反演的角度向量，f为频率，h为中间的储层厚度；R_pp为频率f下的反射系数向量，向量的每个分量与角度θ一一对应。

进一步的，所述步骤2中还包括，

计算完所有频率的反射系数之后，求得子波频谱，子波频谱与反射系数谱相乘，再经过反傅里叶变换得到时间域的地震记录。

进一步的，所述步骤3中，设置目标函数为

其中，N_θ和N_ω为反演的角度数目和频率数目，而d的表达式为d^obs＝[Re(R_pp ^obs),Im(R_pp ^obs)]^T,d^syn＝[Re(R_pp ^syn),Im(R_pp ^syn)]^T上标obs表示由实际观测到的地震记录求得，上标syn表示由粒子群中的解正演得到的地震记录求得，其中，反射系数的实部和虚部都被运用到，意味着反射系数谱的振幅和相位都被考虑到反演的过程中，从而减小反演结果的不确定性。

将目标函数的倒数作为适应度函数，以此来评价粒子群中每个粒子的优劣程度，越大说明该粒子的位置越接近真实解。

进一步的，所述步骤4中，具体包括，从所有反演参数的反演结果中选出纵波的速度频散，通过对纵波的速度频散曲线进行分析，判断储层的含气情况。

进一步的，所述将目标函数的倒数作为适应度，以此来评价粒子群中每个粒子的优劣程度，还包括，按照粒子群中的每个个体的适应度和经验更新个体的位置和速度，直到达到最大的迭代次数或全局最优位置满足最小界限。

进一步的，反演过程具体包括：

对叠前地震数据进行预处理，从地震记录中提取低、中、高三个角度范围对应的地震子波；

计算地震记录和地震子波的频谱，并以此求得反射系数谱；

设置粒子群的规模和最大迭代次数k_max，在指定搜索空间中生成初始粒子群，另迭代次数k＝1；

然后利用适应度函数，评价初始粒子群，寻找粒子的个体最优位置和全体最优位置；

令k＝k+1，按迭代公式更新粒子的速度和位置，对越限变量进行限制，重新利用适应度函数评价粒子群，择优更改每个粒子的状态并更新此时的个体最优位置和全体最优位置，若k＝k_max或J<阈值，则输出反演结果，取出中间储层的纵波速度频散，若得到结果不是k＝k_max或J<阈值，则返回重新寻找粒子的个体最优位置和全体最优位置。

与现有技术相比，本发明的基于岩石物理建模的致密储层智能化含气性预测方法，能够充分利用粒子群体的记忆性和信息共享特征，快速地在整个搜索空间内搜寻最优解，相比模拟退火和遗传算法而言，速度大大地提高，经过测试，要达到相同的精度，粒子群优化算法的速度提高了15倍以上，并能够对地下储层的纵波速度频散特征做出较为准确的描述，然后利用纵波速度的频散特征进行含气性预测，其预测结果与实际情况能够较好地吻合，这对于实施油气勘探、布设井位是相当重要的。本发明克服了传统的储层预测技术更多是依赖人为操作，费时费力的缺陷，用最短的时间给出了可信度较高的含气性预测结果。

上述技术特征可以各种适合的方式组合或由等效的技术特征来替代，只要能达到本发明的目的。

附图说明

在下文中将基于仅为非限定性的实施例并参考附图来对本发明进行更详细的描述。其中：

图1是本发明的基于岩石物理建模的致密储层智能化含气性预测方法流程图；

图2是本发明实施例中三层介质的理论模型；

图3是本发明实施例中反射系数随角度和频率的变化图；

图4是本发明实施例中储层中含不同流体情况下的合成地震记录；

图5是本发明实施例中对合成地震记录进行反演得到的结果；

图6是本发明实施例中利用反演结果正演得到的地震记录与原始合成地震记录的残差；

图7是本发明实施例中某气田叠前数据体的两个CDP道集；

图8是本发明实施例中利用汉明窗截取原始地震记录得到的反演使用数据；

图9是本发明实施例中粒子群优化算法反演得到的储层纵波速度频散曲线。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

本发明的基于岩石物理建模的致密储层智能化含气性预测方法，其流程图如图1所示，主要包括：

步骤1，根据斑块饱和理论对储层物性与弹性参数之间的关系建立岩石物理模型。

记斑块饱和模型对应的数学模型为F，则有

V_p＝F(K_m,K_s,K_f,μ_m,ρ_s,ρ_f,p₁,p₂,f)

其中V_p为通过斑块饱和模型计算出的纵波速度，K_m为干岩石骨架的体积模量，K_s为固体基质的体积模量，K_f为流体的体积模量，μ_m为干岩石骨架的剪切模量，ρ_s和ρ_f分别为固体基质和流体的密度；p₁和p₂分别为气和水的含量，用于描述储层的含气性；f为频率。在固定储层物性的情况下，通过输入不同的频率，可以得到对应的纵波速度V_p，从而对纵波的速度频散特征进行表征。

步骤2，正演模拟建立岩石物理模板。

考虑三层介质的情况，渗透性的砂岩储层上下均为非渗透性的围岩。对于P波入射，反射、透射系数向量r由下式求解：

r＝-[A₁-BA₂]^-1i_p

其中A₁、A₂分别为与上下层介质的弹性模量有关的传播矩阵，B为中间层的传播矩阵，i_p是一个复数向量，与介质的弹性参数和角频率有关。记传播矩阵***为G，则有：

R_pp＝G(V_p,V_s,ρ,θ,f,h)

其中：V_p为各层介质的纵波速度组成的向量，V_s为各层介质的横波速度组成的向量，ρ为各层介质的密度，θ为反演的角度向量，f为频率，h为中间的储层厚度；R_pp为频率f下的反射系数向量，向量的每个分量与角度θ一一对应。计算完所有频率的反射系数(即反射系数谱)之后，求得子波频谱，与反射系数谱相乘，再经过反傅里叶变换就能够得到时间域的地震记录。

步骤3，利用粒子群算法反演，获得不同频率下的速度体。

设置目标函数为：

其中：N_θ和N_ω为反演的角度数目和频率数目，而d的表达式为d^obs＝[Re(R_pp ^obs),Im(R_pp ^obs)]^T,d^syn＝[Re(R_pp ^syn),Im(R_pp ^syn)]^T，上标obs表示由实际观测到的地震记录求得，上标syn表示由粒子群中的解正演得到的地震记录求得，反射系数的实部和虚部都被运用到，意味着反射系数谱的振幅和相位都被考虑到反演的过程中，从而减小反演结果的不确定性。

将目标函数的倒数作为适应度函数，以此来评价粒子群中每个粒子的优劣程度，越大说明该粒子的位置越接近真实解，根据粒子群算法的性质，所有的解都会收敛到真实解或一个非常好的解，但此处只需要有一个粒子到达这个位置即可。

按照粒子群中的每个个体的适应度和经验更新个体的位置和速度，直到达到最大的迭代次数或全局最优位置满足最小界限。

如图1所示，其反演过程具体包括：

对叠前地震数据进行预处理，从地震记录中提取低、中、高三个角度范围对应的地震子波；

计算地震记录和地震子波的频谱，并以此求得反射系数谱；

设置粒子群的规模和最大迭代次数k_max，在指定搜索空间中生成初始粒子群，另迭代次数k＝1；

然后利用适应度函数，评价初始粒子群，寻找粒子的个体最优位置和全体最优位置；

令k＝k+1，按迭代公式更新粒子的速度和位置，对越限变量进行限制，重新利用适应度函数评价粒子群，择优更改每个粒子的状态并更新此时的个体最优位置和全体最优位置，若k＝k_max或J<阈值，则输出反演结果，取出中间储层的纵波速度频散，若得到结果不是k＝k_max或J<阈值，则返回重新寻找粒子的个体最优位置和全体最优位置。

所谓粒子群算法(PSO)具有很多优良特性，它没有像遗传算法(GA)中繁杂的交叉和变异运算，仅依靠粒子速度完成搜索，并且在迭代进化过程中只有最优的粒子把位置信息传递给其他粒子，使得整个***具有记忆性和群体信息共享特征，相对于遗传算法和模拟退火算法(SA)搜索速度极快；PSO算法需要调整的参数较少，结构简单，易于工程实现；不同于遗传算法有时候要使用二进制编码，PSO算法采用实数编码，直接由问题的解决定，问题解的变量数直接作为粒子的维数；因此PSO算法能够高效地找到反演的储层参数最优解，从而以最快的速度为致密砂岩气及页岩气等非常规油气藏储层的油气预测等提供分析预测依据。

步骤4，针对不同储层段提取速度频散曲线，与岩石物理模板对比，分析该储层段的含气性特征。

从所有反演参数的反演结果中选出纵波的速度频散，通过对纵波的速度频散曲线进行分析，就能够判断储层的含气情况。

按照本发明的基于岩石物理建模的致密储层智能化含气性预测方法，利用三层介质的理论模型和某气田非常规致密砂岩储层的叠前数据体进行了现场试验，由于5Hz至30Hz这个频带范围内的地震数据更加可靠，所以在5Hz至30Hz的频带范围内以5Hz为间隔，只反演6个频率下的纵波速度。

图2为本实施例中所用的理论层状介质模型；图3为根据低孔低渗物性参数经过岩石物理建模和传播矩阵正演计算得到的不同含流体情况的反射系数随角度和频率的变化，其中，图3中的(a)是储层为气层的情况；图3中的(b)是储层为水层的情况。图4为与图3相对应的合成地震记录，其中图4中的(a)是储层为气层的情况；图4中的(b)是储层为水层的情况。图5为理论模型的反演结果，其中，两条曲线分别为含水和含气情况下真实的速度频散曲线，散点为反演的6个频率的纵波速度，图5中的(a)是储层为气层的情况；图5中的(b)是储层为水层的情况。图6为利用反演结果正演得到的地震记录与原始合成地震记录的残差，其中，图6中的(a)是储层为气层的情况；图6中的(b)是储层为水层的情况。

通过对图5反演结果图进行分析可以发现，反演的6个频率的纵波速度基本都在真实的速度频散曲线上，在储层含气的情况下，纵波速度具有明显的频散现象，即在地震频带内，尤其是低频段，随着频率的变化，纵波速度有着明显的改变；而在储层含水的情况下，纵波的速度频散很不明显，即反演结果与真实模型的储层含流体情况十分吻合，可以利用纵波的速度频散来识别储层中所含的流体性质。

图7为某气田实际数据的两个CDP道集，其中，图7中的(a)为CDP1；图7中的(b)为CDP2，从野外记录的数据中可以知道储层的位置大约在时间轴4.5s到4.6s的位置，为了近似三层模型的假设，利用Hamming时窗函数对两个道集的目标位置进行时窗截取，同时注意到时间轴4.9s左右处也有一个明显的同相轴，为了作为比较，该处也被截取下来。用于反演的数据如图8所示；图9为对实际数据反演的结果。

分析图8和图9可知，对地震记录中的气层进行反演所得到的纵波速度频散现象非常明显，而对非目标层进行反演所得到的纵波速度几乎没有什么频散现象，纵波随频率变化缓慢。因此，粒子群全局优化算法的反演结果与储层的实际含气情况有较好的吻合，预测结果具有较高的可信度。

在本发明的基于岩石物理建模的致密储层智能化含气性预测方法中，包括粒子群体***的构建、算法改进方法以及与含气性检测结合的算法。利用本发明给出的方法对理论模型和某气田的实际地震数据进行反演和含气性识别，能够得到较为准确的结果，该方法具有较好的泛化性。

至此，本领域技术人员应该认识到，虽然本文已详尽示出和描述了了本发明的多个示例性，但是在不脱离本发明的精神和范围的情况下，仍可根据发明公开的内容直接或推导出符合本发明原理的许多其他变型或修改，因此，本发明的范围应该被理解和认定为覆盖了所有这些其他变型或修改。

此外，尽管在附图中以特定顺序描述了本发明实时操作，但是，这并非要去或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。可以省略某些步骤，将多个步骤合并为一个步骤或者将一个步骤分成多个步骤执行。

虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (4)

1.一种基于岩石物理建模的致密储层智能化含气性预测方法，其特征在于，包括：

步骤1，根据斑块饱和理论对储层物性与弹性参数之间的关系建立岩石物理模型；记斑块饱和模型对应的岩石物理模型为F，得到纵波速度的的函数，

V_p＝F(K_m,K_s,K_f,μ_m,ρ_s,ρ_f,p₁,p₂,f)

其中，V_p为通过斑块饱和模型计算出的纵波速度，K_m为干岩石骨架的体积模量，K_s为固体基质的体积模量，K_f为流体的体积模量，μ_m为干岩石骨架的剪切模量，ρ_s和ρ_f分别为固体基质密度和流体的密度，p₁和p₂分别为气和水的含量，f为频率；

步骤2，正演模拟建立岩石物理模板；

对于P波入射，反射、透射系数向量r由下式求解：

r＝-[A₁-BA₂]^-1i_p

其中，A₁、A₂分别为与上下层介质的弹性模量有关的传播矩阵，B为中间层的传播矩阵，i_p是一个复数向量，与介质的弹性参数和角频率有关；

根据纵波速度V_p，得到频率f下的反射系数向量R_pp，

R_pp＝G(V_p,V_s,ρ,θ,f,h)

其中，G为传播矩阵***，V_p为各层介质的纵波速度组成的向量，V_s为各层介质的横波速度组成的向量，ρ为各层介质的密度，θ为反演的角度向量，f为频率，h为中间的储层厚度，R_pp为频率f下的反射系数向量，向量的每个分量与角度θ一一对应；

根据频率的反射系数向量R_pp，求得子波频谱，子波频谱与反射系数谱相乘，再经过反傅里叶变换得到时间域的地震记录

步骤3，利用粒子群算法反演，获得不同频率下的速度体；

设置目标函数为，

其中，N_θ和N_ω为反演的角度数目和频率数目，而d的表达式为d^obs＝[Re(R_pp ^obs),Im(R_pp ^obs)]^T,d^syn＝[Re(R_pp ^syn),Im(R_pp ^syn)]^T，上标obs表示由实际观测到的地震记录求得，上标syn表示由粒子群中的解正演得到的地震记录求得，

将目标函数的倒数作为适应度函数，以此来评价粒子群中每个粒子的优劣程度，适应度函数越大说明该粒子的位置越接近真实解；

步骤4，针对不同储层段提取速度频散曲线，与步骤2中的岩石物理模板对比，分析该储层段的含气性特征。

2.根据权利要求1所述的基于岩石物理建模的致密储层智能化含气性预测方法，其特征在于，所述步骤4中，具体包括，从所有反演参数的反演结果中选出纵波的速度频散，通过对纵波的速度频散曲线进行分析，判断储层的含气情况。

3.根据权利要求1所述的基于岩石物理建模的致密储层智能化含气性预测方法，其特征在于，所述步骤3中，将目标函数的倒数作为适应度，以此来评价粒子群中每个粒子的优劣程度，还包括，按照粒子群中的每个个体的适应度和经验更新个体的位置和速度，直到达到最大的迭代次数或全局最优位置满足最小界限。

4.根据权利要求1或权利要求3所述的基于岩石物理建模的致密储层智能化含气性预测方法，其特征在于，所述步骤3中，反演过程具体包括：

对叠前地震数据进行预处理，从地震记录中提取低、中、高三个角度范围对应的地震子波；

计算地震记录和地震子波的频谱，并以此求得反射系数谱；

设置粒子群的规模和最大迭代次数k_max，在指定搜索空间中生成初始粒子群，另迭代次数k＝1；

利用适应度函数，评价初始粒子群，寻找粒子的个体最优位置和全体最优位置；

令k＝k+1，按迭代公式更新粒子的速度和位置，对越限变量进行限制，重新利用适应度函数评价粒子群，择优更改每个粒子的状态并更新此时的个体最优位置和全体最优位置，

若k＝k_max或J<阈值，则输出反演结果，取出中间储层的纵波速度频散；

若得到结果不是k＝k_max或J<阈值，则返回重新寻找粒子的个体最优位置和全体最优位置。

Images