2. 国家能源页岩油研发中心, 北京 100083;
3. 中国石油化工股份有限公司页岩油气勘探开发重点实验室, 北京 100083;
4. 中国石油化工股份有限公司石油勘探开发研究院, 北京 100083
2. National energy R & D center of shale oil, Beijing 100083, China;
3. Sinopec Key Laboratory of Shale Oil/Gas Exploration and Production, Beijing 100083, China;
4. Sinopec Petroleum Exploration and Production Research Institute, Beijing 100083, China
页岩油气资源是指在粘土类烃源岩层系中由滞留烃类形成的非圈闭连续型含油气系统中的油气, 既可以是烃源岩层系中富有机质泥页岩自生自储, 也可以是富有机质泥页岩生成的油气在叠置贫有机质连续层段内聚集成藏。页岩储层分为3种情况[1]:以弥合裂缝为主的富有机质泥页岩(致密页岩); 含开启裂缝的富有机质泥页岩(裂缝页岩); 贫有机质层段与富有机质层段叠置的复合系统(高孔隙夹层)[2]。在页岩层系中, 这3种类型往往是耦合存在的, 其裂缝类型、性质、地球物理响应特征、地震预测技术等都需进一步研究。
目前, 对页岩裂缝的一些关键属性, 如最大裂缝高度、裂缝大小分布以及张开或聚集模式知之甚少甚至未知, 页岩中常见的水平裂缝, 可能会成为影响水力裂缝成长的局部因素。这些特性导致页岩层系强各向异性, 表现为HTI各向异性、VTI各向异性、正交各向异性, 而关于页岩层系复杂各向异性地震反演和裂缝预测技术的研究尚处于探索阶段。
本文针对断层和大尺度高角度裂缝, 采用高精度曲率计算方法进行预测, 明显提高了裂缝预测的精度; 针对纹层发育和顺层层理缝, 基于复杂页岩的岩石物理模型建立了一种水平层理缝地震预测方法; 针对正交各向异性介质, 推导得到了界面反射系数简化公式, 并通过反演振幅随偏移距和方位角变化(amplitude versus incident angle and azimuth, AVAZ)的属性, 提高了正交各向异性介质中裂缝预测精度; 在此基础上, 建立了一套基于人工智能方法的裂缝性质综合预测技术, 并初步建立了适应页岩层系特点的天然裂缝地震预测技术体系, 为裂缝参数的定量预测奠定了基础。
1 页岩层系中的天然裂缝根据岩心和露头的观测结果, 页岩中的天然裂缝包括了3种常见的张开裂缝结构[3]:与层理呈高角度相交的裂缝(主要为近垂直裂缝)、顺层裂缝和压实裂缝, 其中近垂直裂缝最为常见, 顺层裂缝次之, 压实裂缝相对较少。近垂直裂缝最有可能影响产量, 这主要是因为在许多页岩中近垂直裂缝的裂缝类型最丰富, 裂缝孔隙度也相对发育。顺层裂缝通常是闭合的, 没有储存空间, 也不能提高渗透率, 虽然静岩压力有利于易于保存低角度、闭合的顺层裂缝, 尤其在生产期间流体压力下降时, 但这些裂缝在水力压裂增产处理期间可能起到弱化层面联结的作用, 导致水平裂缝再活化。
1.1 与层理呈高角度相交的裂缝与层理呈高角度相交的裂缝大多垂直于层理和页岩压实组构, 但也有不少裂缝与层理呈高角度相交(约70°~80°), 见图 1。这类裂缝的主要特性包括:①丰度, 它反映了裂缝发育程度; ②组合及样式, 页岩中的近垂直裂缝通常排列成近平行阵列式结构或组合, 而且至少发育两组区域规模的裂缝; ③相交、连通性及相对年代; ④裂缝开度; ⑤裂缝高度、地层控制趋势及裂缝长度; ⑥成岩作用; ⑦空间结构, 裂缝既可能均匀分布, 也可能聚集成群。
页岩中断层的几何形态能够反映构造应力场特征。断层类型、方位及发育程度的变化主要取决于该区域的构造背景和构造史, 而不是页岩的内在属性。地震技术通常能检测断层是由张开裂缝、剪切张开裂缝以及变形带构成的断裂带, 还是孤立或分散的张开裂缝。
1.3 顺层裂缝顺层裂缝(层理缝)在页岩中十分常见, 页岩中的顺层裂缝比砂岩或碳酸盐岩更加普遍, 反映了页岩的各向异性强度较高。顺层裂缝可能是简单的板状或透镜状, 或以多段透镜复合体的形式出现, 通常底壁上凹, 上壁平坦。深层热解作用、裂解以及差异压实再加上收缩或抬升引起的超压, 能够打开顺层裂缝。在裂缝富集的地方, 顺层裂缝与深层热解作用有关。
1.4 压实裂缝压实裂缝具有不规则的裂缝壁[4], 且裂缝易变形, 水力压裂过程中简单的扩张不太可能再活化该裂缝。压实裂缝一定程度上能提高存储空间和渗透率。虽然这类裂缝大多已堵塞, 但在压实裂缝的一些胶结物中发现的油包裹体表明:在生烃期间, 这类裂缝可能受到流体流动的影响。
1.5 与结核伴生的裂缝页岩中的碳酸盐结核直径从数厘米至一米不等, 形状可能是椭圆形或不规则。这种结核内部通常有不规则形态的裂缝, 且裂缝中有复杂的胶结填充物。裂缝胶结物通常为方解石、石英、白云石、硫酸盐矿物以及黄铁矿。虽然这种裂缝保存了孔隙度, 但因为缺乏有利于生烃的横向连续性, 在体积上没有意义。
1.6 微裂缝页岩中偶见闭合的微裂缝。微裂缝的大小介于微米级与纳米级之间, 由于裂缝排列稀疏, 故在小体积的岩石分析中难以观测到。因群集的微裂缝会导致地震各向异性, 故可以利用采集得到的地震数据预测微裂缝发育情况。
2 断层及高角度、大尺度裂缝高精度曲率预测技术前人对采用叠后地震资料曲率方法进行断层和大尺度裂缝预测展开了大量研究, 商业化软件也有断层和大尺度裂缝预测功能。曲率反映断裂、地质体的位置信息, 同时对于断层的相对断距以及产状等有一定雕刻能力。通常曲率计算存在两方面问题:第一, 断层及地层的横向非均匀性会引起直接对地震数据进行倾角计算的精度不足;第二, 计算振幅的偏导数会放大噪声的影响[5-6], 从而影响曲率提取的精度。因此, 我们提出一种考虑振幅横向变化的高精度振幅曲率计算方法, 该方法能够明显提高页岩层系中高角度、大尺度裂缝的预测精度。
本文使用了基于主分量分析的高精度振幅曲率计算方法, 基于相位梯度结构张量、多窗估计主分量分析, 降低断层位置引起的倾角模糊现象, 提高倾角的估计精度, 利用多尺度拟合一阶空间偏导数, 获得了高精度稳定多尺度地层曲率属性。首先, 利用Hilbert变换或者小波变换获得复地震道, 提取瞬时相位和瞬时振幅。其次, 根据瞬时相位的梯度结构张量计算倾角, 可以减少地层横向非均质性引起的倾角计算精度不足的问题;在分析点邻域内选取相似度度量最大的计算窗口, 即多窗分析可以减少断层等不连续性结构对倾角估计的影响。最后, 沿倾角方向, 采用主分量分析求取瞬时振幅的一阶、二阶导数, 从而降低噪声干扰。振幅的一阶偏导数有两个方向, 而二阶偏导数有4个方向, 振幅曲率属性可通过二阶偏导数获得, 见公式(1), 刻画振幅横向的微小变化, 振幅曲率的多尺度特性可以通过主分量分析中的分析窗大小来控制。
$ \left\{ \begin{align} &{{k}_{\text{pos}}}=\left( a+b \right)+{{[{{\left( a-b \right)}^{2}}+{{c}^{2}}]}^{\frac{1}{2}}} \\ &{{k}_{\text{neg}}}=\left( a+b \right)-{{[{{\left( a-b \right)}^{2}}+{{c}^{2}}]}^{\frac{1}{2}}} \\ \end{align} \right. $ | (1) |
式中:kpos为正曲率, kneg为负曲率。其中, 中间参数a, b, c分别为:
$ \left\{ \begin{align} &a=\frac{1}{2}\frac{{{\partial }^{2}}\bar{A}\left( x, y \right)}{\partial {{x}^{2}}} \\ &b=\frac{1}{2}\frac{{{\partial }^{2}}\bar{A}\left( x, y \right)}{\partial {{y}^{2}}} \\ &c=\frac{1}{2}\left[ \frac{{{\partial }^{2}}\bar{A}\left( x, y \right)}{\partial y\partial x}+\frac{{{\partial }^{2}}\bar{A}\left( x, y \right)}{\partial x\partial y} \right] \\ \end{align} \right. $ | (2) |
式中: A(x, y)为振幅。
高精度曲率计算流程主要包括3个步骤:①基于各向异性拉普拉斯滤波器保边缘去噪; ②连续小波变换域频谱自适应拓展; ③高精度稳定多尺度地层曲率属性提取。图 2a为某页岩层系主力层顶面采用本方法进行高精度曲率属性计算的结果。与传统商业软件计算结果(图 2b)对比, 高精度曲率成像结果精度更高, 对不同尺度断层和裂缝的刻画更为清晰。
页岩层系水平层理缝密度地震预测方法, 包括5个步骤:①构建含油气页岩层水平层理缝密度各向异性岩石物理模型; ②根据测井声波曲线和矿物组分解释成果进行岩石物理反演, 获得水平层理缝密度及各向异性参数; ③对水平层理缝密度与各向异性参数进行统计交会分析, 获得水平层理缝密度与各向异性参数之间的关系; ④利用含油气页岩层VTI介质底界面AVO属性估算含油气页岩层纵波各向异性参数的数值; ⑤以步骤③得到的裂缝密度与各向异性参数拟合关系为基础, 将步骤④中估算的纵波各向异性强度ε转换为水平层理缝密度, 得到水平层理缝地震预测结果。
3.1 含油气页岩层水平层理缝密度各向异性岩石物理模型建立含油气页岩层岩石物理等效模型需考虑以下关键问题[7-9]。①多尺度各向异性:微观尺度矿物分布各向异性描述、微观尺度基质孔隙与中观尺度裂缝各向异性描述、正交各向异性宏观尺度地震各向异性等效。②频变与流体动态相互作用:不同频带范围、流体流动引起的速度频散与衰减的相互作用。③流体填充问题:水平缝引起的VTI各向异性、以及与流体流动性有关的频散与衰减。本文给出了图 3所示的复杂页岩岩石物理模型, 并给出如下解决方案:①多尺度各向异性问题, 分别考虑微观尺度矿物的定向排列中观尺度裂缝的定向排列以及垂直裂缝定向排列引起的宏观尺度地震各向异性; ②全频带问题, 岩石物理建模考虑了地震、测井、实验室超声波测量等不同频带范围, 可描述孔-缝系统中流体流动引起的频散与衰减; ③流体填充问题, 针对低孔低渗页岩的复杂孔-缝系统, 应用Chapman岩石物理理论进行流体填充并考虑水平缝引起的VTI各向异性。
基于所述岩石物理模型, 根据测井曲线进行岩石物理反演, 获得水平层理缝密度以及各向异性参数; 对水平层理缝密度与各向异性参数进行统计交会分析, 获得水平层理缝密度与各向异性参数之间的关系, 并建立预测模型。公式(3)为某页岩气储层水平层理缝密度εH与各向异性参数ε的统计关系:
$ {{\varepsilon }_{\text{H}}}=a{{\varepsilon }^{2}}+b\varepsilon +c $ | (3) |
VTI介质各向异性参数地震叠前反演需求解如下方程:
$ \begin{align} &R_{\text{P}}^{^{\text{VTI}}}\left( \theta \right)=\frac{1}{2}\frac{\Delta Z}{{\bar{Z}}}+\frac{1}{2}\left\{ \frac{\Delta {{v}_{\text{P0}}}}{{{{\bar{v}}}_{\text{P0}}}}-{{\left( \frac{2{{{\bar{v}}}_{\text{S0}}}}{{{{\bar{v}}}_{\text{P0}}}} \right)}^{2}}\frac{\Delta G}{{\bar{G}}}+\Delta \delta \right\}\cdot \\ &\ \ \ \ \ \ \ \ \ \ \ \ \ \ \text{si}{{\text{n}}^{2}}\theta +\frac{1}{2}\left\{ \frac{\Delta {{v}_{\text{P0}}}}{{{{\bar{v}}}_{\text{P0}}}}+\Delta \varepsilon \right\}\text{si}{{\text{n}}^{2}}\theta \text{ta}{{\text{n}}^{2}}\theta \\ &\ \ \ \ \ \ \ \ \ \ \ \ =P+G\text{si}{{\text{n}}^{2}}\theta +A\text{si}{{\text{n}}^{2}}\theta \text{ta}{{\text{n}}^{2}}\theta \\ \end{align} $ | (4) |
式中:RPVTI为纵波反射系数; θ为入射角; ΔZ为入射界面两侧垂向纵波阻抗的差; Z为入射界面两侧垂向纵波阻抗的平均值; ΔG为入射界面两侧横波切向模量的差; G为入射界面两侧横波切向模量的平均值; ΔvP0为入射界面两侧纵波速度的差; vP0为入射界面两侧纵波速度的平均值; Δε和Δδ为入射界面两侧VTI介质各向异性参数的差。其中, 中间参数P, G, A分别为:
$ P=\frac{1}{2}\frac{\Delta Z}{{\bar{Z}}} $ | (5a) |
$ G=\frac{1}{2}\left\{ \frac{\Delta {{v}_{\text{P0}}}}{{{{\bar{v}}}_{\text{P0}}}}-2{{\left( \frac{{{{\bar{v}}}_{\text{S0}}}}{{{{\bar{v}}}_{\text{P0}}}} \right)}^{2}}\frac{\Delta G}{{\bar{G}}}+\Delta \delta \right\} $ | (5b) |
$ A=\frac{1}{2}\left\{ \frac{\Delta {{{{v}}}_{\text{P0}}}}{{{{\bar{v}}}_{\text{P0}}}}+\Delta \varepsilon \right\} $ | (5c) |
利用AVO系数计算各向异性参数ε:
$ \varepsilon \approx 2\left( A-P \right) $ | (6) |
图 4为某页岩气区目标层水平层理缝密度预测结果, 与钻井结果较为吻合。
在纹层结构和夹层背景下, 页岩层系中高角度垂直缝、顺层层理缝和微裂缝均发育, 采用正交各向异性介质描述比使用HTI介质和VTI介质描述更符合实际情况[10]。正交各向异性介质的理论和反射系数方程[11-13], 前人著述颇多, 但由于各向异性参数多, 很难逐一反演。我们推导并简化正交各向异介质界面反射系数公式如下:
$ {{R}_{\text{PP}}}\approx {{A}_{\text{ani}}}+{{B}_{\text{ani}}}\text{si}{{\text{n}}^{2}}\varphi $ | (7) |
式中:φ是方位角。反射系数随方位变化,其中Aani为其各向异性截距项; Bani为其各向异性梯度项。
$ \begin{align} &{{A}_{\text{ani}}}=I+{{b}_{1}}\text{si}{{\text{n}}^{2}}\theta +{{b}_{2}}\text{si}{{\text{n}}^{2}}\theta \text{ta}{{\text{n}}^{2}}\theta + \\ &\ \ \ \ \ \ \ \ \ {{b}_{3}}\text{si}{{\text{n}}^{2}}\theta +{{b}_{5}}\text{si}{{\text{n}}^{2}}\theta \text{ta}{{\text{n}}^{2}}\theta \\ \end{align} $ | (8) |
$ {{B}_{\text{ani}}}=[({{b}_{4}}-{{b}_{3}})\text{si}{{\text{n}}^{2}}\theta +({{b}_{7}}-2{{b}_{5}})\text{si}{{\text{n}}^{2}}\theta \text{ta}{{\text{n}}^{2}}\theta ] $ | (9) |
式中:θ是入射角; I=1/2(ΔIP/IP)是纵波相对阻抗; bi(i=1, 2, 3, 4, 5, 7)是相应的系数。
AVAZ属性能够较好地反映裂缝发育强度。图 5为正演模拟的AVAZ属性, 其中, 图 5a为常规椭圆拟合的椭圆比, 图 5b和图 5c分别为正交拟合的Aani属性和Bani属性, 这3种属性均随垂直裂缝的发育呈现递增趋势, 但椭圆比和Bani属性均因水平缝的增加反而减弱, 故提取的Aani属性能够很好反映裂缝密度的变化情况。
利用叠前分方位角的部分叠加数据进行属性提取, 先沿层位提取分方位分入射角度的反射振幅, 再计算自然坐标系下的方位角, 最后拟合计算Aani和Bani属性。图 6显示了某页岩气区目的层顶界面AVAZ各向异性属性拟合的结果, 色标色调越暖, 代表垂直裂缝越发育, 成像测井结果显示JY7井裂缝发育, JY8井裂缝不发育, 采用椭圆拟合计算的裂缝密度如图 6a所示, JY7和JY8均在裂缝不发育区, 本文方法计算的裂缝密度如图 6b所示, JY7在裂缝发育区, JY8在裂缝不发育区, 与实际情况吻合。因此, 正交各向异性介质裂缝强度反演方法提高了高角度裂缝预测精度。
叠前、叠后地震属性反映了不同尺度裂缝的不同性质, 如何利用多种属性实现裂缝的综合预测和评价值得探讨, 人工智能提供了一种新的手段[14], 我们探索建立一套基于人工智能的裂缝性质综合预测技术。首先利用岩心和测井数据, 得到裂缝密度测井评价结果; 再将描述裂缝密度的各种地震属性作为输入, 应用交汇分析方法去掉相似度较高的冗余属性, 并利用模糊数学筛选出可靠性和贡献度最好的几个属性; 然后应用支持向量机器学习与概率密度约束相结合的算法, 将输入的预测目标评价指示曲线与优选地震属性组合, 开展机器学习模型训练, 建立合理的机器学习裂缝密度预测模型; 最后利用优选地震属性得到计算目标区裂缝密度综合预测结果。如图 7所示, 该结果是岩心、测井和多种地震属性人工智能融合得到的, 反映了裂缝密度发育情况, 预测结果与岩心采样和测井曲线吻合得很好。受限于井点的样本数量和不同断块地质情况的差异, 地质条件差异较大的工区最好分块实施裂缝性质的人工智能综合预测。
1) 页岩层系在纹层结构和夹层背景下, 高角度垂直缝、顺层层理缝和微裂缝均发育, 各向异性特征明显。
2) 利用叠后高精度曲率预测技术预测高角度垂直大尺度裂缝是比较理想的方法。
3) 基于岩石物理正反演的VTI介质各向异性参数反演是预测水平层理缝的有益探索。
4) 正交各向异性介质反射系数公式简化及其相应属性的提取可以提高页岩层系高角度裂缝预测的精度。
5) 基于人工智能的裂缝多属性综合预测与评价是多信息多尺度融合提高裂缝预测精度的有效途径。
[1] |
BERRY J A. Shale reservoirs:giant resources for 21st century[M]. Long Beach: The American Association of Petroleum Geologists, 2012: 23-24.
|
[2] |
苏朝光, 刘传虎, 高秋菊. 胜利油田罗家地区泥岩裂缝油气藏地震识别与描述技术[J]. 石油地球物理勘探, 2001, 36(3): 371-377. SU C G, LIU C H, GAO Q J. Seismic identification and description technique for shale-fractured reservoir in Luojia area of Shengli oilfield[J]. Oil Geophysical Prospecting, 2001, 36(3): 371-377. |
[3] |
GALE J F. 页岩中的天然裂缝: 综述及新认识[J]. 杨桢, 译. 世界石油工业, 2016, 24(4): 56-61 GALE J F. Natural fractures in shale: roundup and new knowledge[J]. YANG Z, translator. World Petroleum Industry, 2016, 24(4): 56-61 |
[4] |
丁文龙, 许长春, 久凯, 等. 泥页岩裂缝研究进展[J]. 地球科学进展, 2011, 26(2): 135-144. DING W L, XU C C, JIU K, et al. The research progress of shale fractures[J]. Advances in Earth Science, 2011, 26(2): 135-144. |
[5] |
苏强. 裂缝预测的构造曲率计算方法比较[J]. 西部探矿工程, 2010, 22(5): 47-48, 50. SU Q. Comparison of structure culture calculation method for fracture prediction[J]. West-China Exploration Engineering, 2010, 22(5): 47-48, 50. |
[6] |
孙尚如. 预测储层裂缝的两种曲率方法应用比较[J]. 地质科技情报, 2003, 22(4): 71-74. Su S R. Application comparison of two curvature methods for predicating reservoir fractures[J]. Geological Science and Technology Information, 2003, 22(4): 71-74. |
[7] |
LIU X W, DONG N, GUO Z Q. Rock physics and seismic modeling of shale reservoir with horizontal fracture[J]. Global Geology, 2016, 19(2): 85-94. |
[8] |
GUO Z Q, LIU C, LIU X W, et al. Research on anisotropy of shale oil reservoir based on rock physics model[J]. Applied Geophysics, 2016, 13(2): 382-392. DOI:10.1007/s11770-016-0554-0 |
[9] |
LIU X W, GUO Z Q, LIU C, et al. Anisotropy rock physics model for the Longmaxi shale gas reservoir, Sichuan Basin, China[J]. Applied Geophysics, 2017, 14(1): 21-30. DOI:10.1007/s11770-017-0609-x |
[10] |
刘宇巍, 董宁, 吴晓明, 等. 频变AVAZ响应特征分析及裂缝性质反演方法研究[J]. 地球物理学进展, 2016, 31(2): 732-740. LIU Y W, DONG N, WU X M, et al. Analysis of frequency-dependent AVAZ response attributes and research of fracture properties inversion method[J]. Progress in Geophysics, 2016, 31(2): 732-740. |
[11] |
SCHOENBERG M, PROTÁZIO J. "Zoeppritz" rationalized and generalized to anisotropy[J]. Seismic Exploration, 1992, 1(2): 125-144. |
[12] |
SCHOENBERG M, HELBIG K. Orthorhombic media:Modeling elastic wave behavior in a vertically fractured earth[J]. Geophysics, 1997, 62(6): 1954-1974. DOI:10.1190/1.1444297 |
[13] |
胡起, 陈小宏, 李景叶. 基于各向异性岩石物理模型的页岩气储层横波速度预测[J]. 石油物探, 2014, 53(3): 254-261. HU Q, CHEN X H, LI J Y. Shear wave velocity prediction for shale gas reservoirs based on anisotropic rock physics model[J]. Geophysical Prospecting for Petroleum, 2014, 53(3): 254-261. |
[14] |
陈国辉. RBF神经网络法在泥页岩有机非均质性测井评价中的应用[J]. 甘肃科学学报, 2014, 26(1): 104-108. CHEN G H. Application of RBF neural network to logging evaluation of clay shale organic heterogeneity[J]. Journal of Gansu Sciences, 2014, 26(1): 104-108. |