目前世界剩余油气资源的60%以上位于碳酸盐岩储层中, 巨大的勘探开发潜力使其备受关注。多年来国内外地球物理学家在碳酸盐岩储层预测方面做了诸多探索, 形成了多项碳酸盐岩储层预测技术, 如AVO分析、波形分类技术、地球物理反演技术、频率差异分析(FDA)技术、三维相干体技术等^[1-4]。碳酸盐岩储层除受原始沉积环境与地震相控制外, 还受后期成岩作用控制, 多元成因使其内部储层物性结构复杂, 单一属性或储层预测方法存在局限性^[5], 因此, 地震多属性预测技术在碳酸盐岩储层研究中得到广泛应用^[6-7]。杨子川^[8]通过模型正演建立了碳酸盐岩储层地震识别模式, 提出了适用于塔河油田缝洞型储层预测的方法。刘殊等^[9]以普光气田飞仙关组台地边缘鲕滩为研究对象, 分别从地震相、地震属性及地震正反演等方面对台地边缘鲕滩储层的预测技术进行了探讨。杨晓利等^[10]提出了相控地震多属性预测技术, 结合古地貌确定储层有利分布相带, 综合多属性预测了裂缝型碳酸盐岩的储层发育区。不同碳酸盐岩地区由于沉积与成岩作用差异, 其有利储层发育的主控因素不同, 储层预测需针对其地质特点制定相关技术对策。

位于伊拉克南部的M油田, 构造上隶属扎格罗斯山脉隆起带和N-S向的阿拉伯构造带东部边缘的过渡带, 其主要生产层为白垩系Mishrif组碳酸盐岩储层, 发育缓坡碳酸盐岩台地相, 取心井岩心及镜下薄片分析结果表明, 储层段以颗粒灰岩为主, 其次为泥晶灰岩^[11]。储层孔隙类型多样, 孔隙结构复杂, 因而具有相同孔隙度的储层其渗透率存在明显差异, 而这些差异在传统的声波、密度以及中子测井资料上无明显变化, 因此, 采用传统的储层预测技术刻画该油田有利储层的分布面临技术瓶颈, 有必要分析储层孔隙结构敏感弹性参数, 开展地震多属性反演预测有利储层的空间展布规律。

本次研究首先基于简化的岩石孔隙结构模型分析了孔隙结构对渗透率的影响, 进一步通过研究区的核磁共振测井与岩心、薄片等资料的岩石物理分析, 确定对储层孔隙结构敏感的孔隙因子参数, 提出“三步法”地震多属性孔隙因子参数反演方法, 最后对伊拉克M油田进行有利储层预测与应用效果分析。

1 储层孔隙结构敏感参数分析

与碎屑岩储层相比, 碳酸盐岩储层受构造、沉积、成岩等多元因素的影响, 孔隙类型多样, 存在粒内孔、粒间孔、溶蚀孔和铸模孔等, 储层沉积环境与成岩作用强度的差异, 严重影响岩石中孔隙和喉道的几何形态、分布特征和连通情况等, 使孔隙结构存在较大的差异。对于孔隙度相似的储层, 由于孔隙结构不同, 使得渗透率和饱和度等储层参数可能存在较大差异^[12]。

基于研究区基础资料, 对碳酸盐岩储层孔隙度岩石物理交会分析, 结果如图 1所示, 可以看出, 致密的灰岩基质表现为高速度、高密度特征, 当灰岩孔隙发育时, 储层的速度与密度减小, 表现为低阻抗的地震响应特征。因此, 利用波阻抗参数能够有效识别储层与基质。

为了进行储层孔隙结构敏感参数研究, 对研究区B-22井测井进行了综合分析, 结果如图 2所示, 可以看出, 不同深度声波、密度、中子曲线值差别较小, 而岩心核磁T₂均值以及薄片分析指示储层纵向孔隙结构存在较大差异, 使得岩样测试的储层渗透率纵向上存在几百到上千毫达西的变化。因此, 储层孔隙结构刻画是该区有利储层预测的关键。

前人研究表明, 深、浅侧向电阻率差异大小与泥浆滤液的侵入程度有关, 可间接表征储层的微观孔隙结构^[13]。图 3为研究区B-24井测井综合分析结果, 可以看出, 深、浅侧向电阻率纵向存在差异, 与核磁共振测井T₂均值刻画的储层孔隙结构变化一致, 其差异较大的部位储层物性较好, 该规律在其它井中也得到证实, 因此, 构建对储层孔隙结构敏感的孔隙因子R_var:

$ {R_{{\rm{var}}}} = \frac{{{R_{\rm{D}}} - {R_{\rm{S}}}}}{{{R_{\rm{D}}}}}\varphi $

(1)

式中:R_D与R_S分别为深、浅侧向电阻率; φ为有效孔隙度。

2 地震多属性孔隙因子反演

对于方程(1)中构建的储层孔隙因子, 地震多属性孔隙因子反演算法实现包括波阻抗反演、敏感地震属性优选和地震多属性反演3个步骤, 具体如下。

1) 波阻抗反演识别储层与基质。

假设地层由一系列稀疏的强反射系数与高斯分布的弱反射系数叠加组成, 约束稀疏脉冲反演是一种基于地震道的反演, 算法实现过程中可以加入井数据和地质信息等约束条件, 反演结果稳定且与地震数据相关。

约束稀疏脉冲反演的最小误差函数为^[14]：

$ J = \sum {{{\left| {{r_i}} \right|}^p} + {\lambda ^p}\sum {{{\left( {{x_i} - {s_i}} \right)}^q} + {a^2}\sum {{{\left( {{t_i} - {z_i}} \right)}^2}} } } $

(2)

式中:J为误差函数; r_i为反射系数; i是地震道采样点序号; λ为数据不匹配权重因子; x_i为地震道样点; s_i为合成道样点; α为趋势不匹配权重因子; t_i为井波阻抗约束趋势; z_i为声阻抗数据; p, q为优化因子。

反演过程算法的实现包括反射系数序列计算、带宽波阻抗求取以及全频带绝对波阻抗道合并3个过程, 通过波阻抗反演实现储层与基质的识别。

2) 专家优选与自动优化组合优选孔隙因子敏感地震属性。

地震属性优选主要包括专家经验法和数学理论法, 专家经验法属性优选地质意义明确但存在一定的主观性, 而数学理论法相对客观但优选的地震属性有时缺少明确的地质意义。由于M油田为已开发多年的老油田, 地质研究工作较为深入, 因此, 本次研究采用专家优选与自动优化组合的方法, 实现孔隙因子敏感地震属性优选。

基于研究区的地质分析与岩石物理研究, 储层的孔隙结构决定了有利储层的发育与展布, 其变化影响地震反射的能量变化、波形差异及吸收衰减等特征。结合由模型理论分析和实际经验所建立的基础储层特征的地震属性分类表和属性贡献率计算方法^[15], 计算每类地震属性的孔隙因子贡献率, 计算公式为:

$ \begin{array}{l} {A_i} = \frac{{{c_i} \times {d_i}}}{{{D^2}}} \times 100\% \\ \;\;\;i = 1, 2, \cdots , n \end{array} $

(3)

式中:A_i为第i个属性对马氏距离D²的贡献率。马氏距离D为:

$ {D^2} = {c_1}{d_1} + {c_2}{d_2} + \cdots + {c_n}{d_n} $

(4)

式中:c₁, c₂, …, c_n为线性函数的判别系数; d₁, d₂, …, d_n分别为n个属性x₁, x₂, …, x_n对应两类属性组合的均值差。

基于方程(3)计算经由专家优选的地震属性对孔隙因子的贡献率进行分析, 结果如图 4所示。图 4a为振幅类地震属性贡献率, 可以看出, 反演波阻抗、均方根振幅和分频能量3个参数对孔隙因子变化更为敏感。同理对其它类型地震属性进行贡献率分析, 最后确定用于孔隙因子反演的4类共8种属性。①振幅类:反演波阻抗、均方根振幅、35Hz分频能量; ②相干类:相干、曲率; ③波形类:波形聚类; ④频率类:主频、吸收衰减。针对专家优选的部分地震属性进行属性贡献率分析, 结果如图 4b所示, 可以看出, 反演波阻抗和波形聚类属性对孔隙因子的贡献率最大, 反映波形变化的相干类属性对孔隙因子的贡献率相对最小。由于相同类属性之间存在冗余度及干扰, 因此, 需要优选上述4类属性进行自动优化以进一步寻优。

3) 概率神经网络地震多属性孔隙因子反演。

基于专家优选的8种属性, 首先构建孔隙因子参数反演的目标函数。由于测井和地震之间存在频率差异, 利用褶积因子将井参数与地震属性邻近采样点相关, 多属性反演的目标函数为^[16]:

$ \begin{array}{l} {R_{{\rm{var}}}}\left( t \right) = {C_0} + {C_1} * {A_1}\left( t \right) + {C_2} * {A_2}\left( t \right) + \cdots + \\ \;\;\;\;\;\;\;\;\;\;\;\;\;{C_M} * {A_M}\left( t \right) \end{array} $

(5)

式中:R_var(t)为储层孔隙因子; A_i(t)(i=1, 2, …, M)为专家优选的M(M=8)个地震属性; “*”表示褶积; C₀为常数; C_i为权系数。通过求解预测误差的最小化得到:

$ \begin{array}{l} {E^2} = \frac{1}{N}\sum\limits_{i = 1}^N {\left( {{R_i} - {C_0} - {C_1} * {A_1} - {C_2} * {A_2} - \cdots - } \right.} \\ {\left. {\;\;\;\;\;\;\;{C_M} * {A_{Mi}}} \right)^2} \end{array} $

(6)

式中:N为进行多属性分析时窗的样点数。

为了进一步降低孔隙因子反演的属性冗余度, 利用步聪算法^[16]对8种属性进行属性集合优选:①首先计算属性集合中的每个属性的最优系数和误差函数, 预测误差最小的属性即为最优属性A₁; ②构建属性A₁与集合中的其它属性A_j(j=1, 2, …, M-1)组成属性子集(A₁, A_j), 计算它们的最优系数与预测误差, 预测误差最小的子集构成了最优属性集(A₁, A₂); ③以此类推, 最后构建属性集(A₁, A₂, …, ${A_{\hat P - 1}}$)与集合中的其它属性A_j(j=1, 2, …, M-${\hat P}$+1)组成属性子集(A₁, A₂, …, ${A_{\hat P - 1}}$, A_j), 计算它们的最优系数和预测误差, 预测误差最小的子集构成了最优属性集(A₁, A₂, …, ${A_{\hat P}}$), 其中, ${\hat P}$为最终优选的属性数。

基于上述的步聪算法, 最终确定对孔隙因子敏感的6个地震属性组成的属性集合, 包括:反演波阻抗、均方根振幅、35Hz分频能量、相干、波形聚类和吸收衰减。对于方程(5)的孔隙因子反演, 利用概率神经网络算法优化训练^[17], 建立井点处目标参数和属性组合的数学关系, 应用于三维地震数据实现地震多属性孔隙因子反演。

3 实际应用

伊拉克M油田现有生产井10余口, 后续井位部署以水平井为主, 对有利储层空间分布规律的认知制约了油田的开发生产。首先应用波阻抗反演识别储层与基质。图 5为MB储层某地震剖面和波阻抗反演剖面, 可以看出, MB储层分为上、下两套储层。由于储层孔隙发育, 波阻抗反演表现为低波阻抗特征, 因此, 对图 5所示波阻抗反演的两套储层提取最小振幅平面属性如图 6所示, 其中, 图 6a为MB上部MB_Ⅰ储层平面展布, 图 6b为下部储层MB_Ⅱ平面展布。地质研究结果表明, MB储层为海退的沉积过程, MB_Ⅱ储层具有可容纳空间, 储层连片分布, MB_Ⅰ储层由于受沉积环境和可容纳空间的限制, 储层局部发育, 存在较强的非均质性, 波阻抗反演储层空间分布特征与地质认识及沉积背景吻合。

基于前文优选的6种敏感地震属性开展地震多属性孔隙因子反演, 基于B43, B51和B52三口井的反演算法置信度分析如图 7所示, 其中图 7a为训练误差, 图 7b为盲井交叉检验误差, 图 7c为实测与预测孔隙因子参数的交会分析结果, 多井训练误差相关系数为94.2%, 盲井检验相关系数达到90%, 实测与预测孔隙因子具有较好的相关性, 因此, 多属性反演算法具有较高的可信度。

MB储层地震多属性孔隙因子反演的剖面与平面分布结果分别如图 8和图 9所示, 其中, 图 9a与图 9b分别为MB_Ⅰ与MB_Ⅱ储层孔隙因子反演的最小振幅属性平面分布。对比图 6和图 9可以看出, 有利储层主要发育在MB的上部MB_Ⅰ储层, 以粒间孔为主, 局部发育且具有较强的非均质性, MB的下部储层MB_Ⅱ以粒内孔和晶间孔为主, 储层物性较差。储层预测结果与B57和B60两口新井的钻后资料一致。

4 结论

碳酸盐岩储层物性受沉积和成岩作用控制, 多元成因使其内部储层物性结构复杂, 不同类型碳酸盐岩储层特征与预测方法不尽相同。伊拉克M油田为孔隙型碳酸盐岩储层, 本文研究明确了储层孔隙结构是影响研究区有利储层发育的主要因素, 基于深、浅侧向电阻率与孔隙度参数构建了反映储层孔隙结构变化的孔隙因子, 提出了地震多属性孔隙因子反演方法, 在利用波阻抗反演进行储层与基质识别的基础上, 实现了有利储层分布范围的预测。结果表明优质滩相储层发育在海退的沉积过程中的晚期, 以粒间孔为主, 局部发育且具有较强的非均质性, 储层预测结果符合储层沉积规律且得到了两口新井的钻后证实。

由于本文研究区为孔隙型碳酸盐岩储层, 裂缝不发育, 如果将该技术应用于孔隙-裂缝型碳酸盐岩储层预测时, 还需考虑裂缝的空间展布规律。