复杂断裂系统浊积储层自相控反演技术研究

王宗俊 ，田 楠，范廷恩，高云峰

1.海洋石油高效开发国家重点实验室，北京 朝阳100028 2.中海油研究总院有限责任公司，北京 朝阳100028

引言

近几年，深水浊流沉积油田已成为当今世界石油储量和产量的增长来源。E 油田为一个被断层复杂化的深水重力流浊积砂岩油田，水深约1 450∼1 600 m。目的层段断裂系统十分发育，多期断层相互切割，组合关系复杂；储层为深水水道、朵叶沉积，纵向多期叠置、横向迁移摆动，且油田发育多套超限厚储层（较厚储层达60∼70 m）。油田进入开发阶段（开发阶段动用储层已经过钻井证实）后，采用水平井网开发。该油田水平井均穿过断层开发，断层附近储层产状及展布特征直接影响开发井井轨迹设计与实施，对开发过程中的风险规避意义重大（该类深水储层水平井平均钻完井费用1 亿美元，钻完井费用昂贵）；此外，油气田开发过程中，储层内部结构特征的合理预测也直接影响了开发井实施效果。如何对这种复杂断裂系统下的深水浊积砂岩储层进行精细描述是保证后续油田开发生产的关键。

重力流沉积的突发性及与此相伴生的盐底辟、泥底辟、逆冲背斜等构造，造成这类储集体的空间展布、岩性、物性及含油气性等特征较为复杂，叠后反演往往难以准确刻画此类储层展布特征。生产实践中，叠前反演已逐步成为储层精细描述的关键技术[1]。目前，有部分学者开展了针对深水浊积储层的叠前反演研究。例如，闵小刚等[2]基于AVO 正演模型对近道多次波进行压制，进而提取PG 属性，结合岩石物理分析，对储层的含油性、横向连通性、厚度及孔渗等特征取得了较好的认识；黄饶等[3]首先应用叠前AVA 同时反演技术提取纵横波阻抗、纵波速度比等弹性参数，再利用属性转换技术求取泊松比和烃类指示属性等转换参数，较好地预测了储层岩性及含油气性分布规律；解吉高等[4-5]用纵横波速度比属性预测具有浊积水道展布形态的地震异常体的岩性，在砂岩储集体刻画基础上，用叠前重构的泊松阻抗技术有效识别砂岩孔隙内的流体类型等；张英德等[6]利用叠前弹性波阻抗反演提取纵横波阻抗、纵横波速度比很好地预测了赤道几内亚区块内高孔隙浊积砂岩的空间展布特征；王惠勇等[7]基于砂岩纵横波速度比小于灰质泥岩的特征，利用叠前纵横波速度比较好地区分灰质泥岩与浊积砂岩储层；Huang 等[8]通过多轮迭代更新沉积相的相控约束反演方法消除了沉积相不准对储层预测的影响。但上述常规储层预测方法，对断层附近产状及储层展布特征研究关注较少，稀疏井网（海上深水开发井网井距基本都在几公里以上）条件下储层结构特征研究也较少。

E 油田内部断层发育，影响目的层的断层达330 余条，人工解释耗时长、效率低，如何对油田内发育断层进行准确、高效地刻画是叠前反演中构建高精度地层格架及准确表征断层附近储层特征的关键。深度学习是解决上述难题的重要手段之一。近年来，深度学习被许多国内外学者所关注。Hinton等提出的深度学习是指基于样本数据，通过一定的训练方法得到包含多个层级的深度网络结构的机器学习过程[9-10]。目前，深度学习已广泛应用于油田的勘探和开发，如，基于深度学习开展复杂构造特征分析[11-16]、地震速度模型构建[17]、地质-地震多信息融合的储层特征分析[18-25]、孔隙压力、地质应力预测[26]、地震反演[27-30]及岩相分类[31]等领域，取得较好的效果。

针对E 油田这类复杂断裂系统控制下的深水浊流砂岩储层预测需求，本文提出一种复杂断裂系统下自相控叠前反演方法。该方法在解决复杂断裂系统条件下断层附近储层产状及展布特征描述的同时，对储层空间结构特征的刻画也有很好的效果。首先，在断层精细解释的基础上，构建断层空间接触关系图版库，利用深度学习算法，构建复杂断裂系统模型，进而构建高精度地震地层格架；其次，以构建的地震地层格架为约束，采用自相控低频模型构建法构建自相控低频模型；最后，利用高精度地层格架和自相控低频模型约束实现自相控叠前反演，以实现提高断层附近砂体预测精度、超限厚储层的反演及储层边界的识别精度的目的。

1 自相控叠前反演关键技术

1.1 技术流程

图1 为复杂断裂系统下自相控叠前反演技术流程，这一流程中解决E 油田反演难题的关键技术为3D 地震地层格架的构建和自相控低频模型的建立。

图1 自相控叠前反演技术流程Fig.1 Self-facies-control pre-stack inversion technology workflow

1）利用断层解释数据，构建断层接触关系图版库，并利用卷积神经网络深度学习算法定义所有断层空间接触关系，实现3D 断层模型建立，同时结合建立的3D 层位模型，实现3D 高精度地震可识别尺度地震地层格架模型构建。

2）筛选储层岩性和流体敏感地震属性体，并利用对应的速度、密度等井信息（无井区域，可在先验地质信息约束下，添加虚拟井）修正地震体属性对储层岩性、流体认识不吻合区域，得到参与反演的初始自相控低频模型。再利用初次叠前反演结果得到砂体展布趋势后，将初始低频模型和砂体展布趋势融合，得到最终参与反演的自相控低频模型。

3）判断反演精度是否满足需求，若不满足，根据反演结果迭代修正输入速度、密度及地震体属性信息，进而更新自相控低频模型，直到满足要求并输出反演结果；否则，直接输出反演结果。

1.2 基于深度学习算法的高精度地震地层格架构建技术

在常规地震反演过程中，由于反演软件中断层建模过程繁琐、建模精度较低以及主流断层建模软件与反演软件不兼容等问题，在反演时通常简化地层格架模型，在建立地质框架模型时一般不考虑断层的存在，并在断点处进行简单的拉平处理，使得在断层较发育地区的储层反演结果与实际相差较大。而E 油田断裂系统复杂，且该油田开发井以水平井为主，这就对断层附近砂体刻画精度提出更高要求。因此，本次研究选取影响目的层的330 条断层参与地层格架构建，对断层与断层、断层与层位进行削截关系定义，通过准确定义不同发育期次断层切割关系以及断层与层位之间的关系，使断层上、下盘地层的过渡符合实际地质情况，进而利用地层层序格架模型约束叠前同时反演。

E 油田范围内主要发育正断层，如图2、图3 所示，其中，图2 中不同颜色代表不同的断层；图3 中不同颜色代表不同目的层的断层多边形。断层组合样式多样，包括平行、亚平行、Y 字形、反Y 字形、入字形及共轭断层，其中，共轭断层削截关系定义困难。

图2 E 油田剖面断层解释成果剖面Fig.2 Fault interpretation profile of E Oilfield

图3 E 油田目的层段断层平面展布图Fig.3 Plane distribution of fault interpretation in target layers of E Oilfield

断层空间接触关系，采用如下方式实现：

1）简单断层接触关系图版库（标记为S1）定义。主要定义平行、亚平行、Y 字形、反Y 字形及入字形断层，选定早期发育断层为被切割断层，晚期发育断层为切割断层，根据接触关系定义断层空间接触关系。通过定义两条典型断层面间的空间接触关系（是否相交、相交程度、相交角度及相交样式等）、相对产状特征，构建平行、亚平行、Y 字形、反Y 字形及入字形断层间的接触关系图版，形成典型断层接触关系图版库。

2）共轭断层接触关系图版库（标记为S2）定义。以图4 所示断层为例，采用以下方式定义空间接触关系：首先，根据共轭断层的接触范围及空间接触关系，选定晚期发育断层F1为切割断层，早期发育断层F2为被切割断层；其次，将被切割断层F2拆分为3 个断层，即被切割断层F2与切割断层F1完全未接触部分定义为断层F2–UC，切割断层F1与被切割断层F2接触部分定义为两条断层F2–C1和F2–C2（相同断层数据，不同断层名称标记）；然后，3 条新的被切割断层F2–UC、F2–C1和F2–C2分别与切割断层F1按照简单断层接触关系图版库S1的样式，利用不同的切割方向定义空间接触关系；最后，将定义好空间接触关系的断层F2–UC、F2–C1和F2–C2重新融合为晚期发育断层F2–AC，完成共轭断层空间切割关系的定义。

图4 共轭断层削截关系图版库构建流程图Fig.4 Flow chart of constructing conjugate fault truncation relation map library

所有类型共轭关系图版库S2按照如下方式构建：首先，判断切割断层与被切割断层的空间接触关系（被切割断层与切割断层完全共轭接触、部分共轭接触）；然后，通过定义共轭部分相交程度、相交角度、样式及产状特征，构建共轭部分接触关系图版，结合非共轭部分断层与共轭部分断层组合关系，构建共轭断层特征图版，形成共轭断层图版库S2。

3）标记简单和共轭断层接触关系图版库为SM，利用卷积神经网络深度学习算法f(x)定义空间所有断层空间接触关系，定义后的断层集记为FM，FM=f(SM)。

图5 为应用深度学习定义空间断层接触关系的流程。

图5 基于深度学习算法的断层空间接触关系定义流程图Fig.5 Flow chart of fault contact relationship definition based on deep learning algorithm

将断层空间接触关系定义转变为断层分类问题，简单接触关系用1 表示，共轭接触关系用0 表示，将330 条断层样本x作为卷积神经网络的输入，输出则为不同接触关系的概率，当简单接触概率大于共轭接触概率时，则认为是简单接触关系，否则是共轭接触关系。

用y 表示x的标签值（0 和1），则（x，y）表示训练集中的样本，P{Y=y|x}表示x的标签为y 的概率。对每次从训练集中输入网络的n个样本，假设预测的结果的期望概率为，根据全连接神经网络算法计算交叉熵函数可表达为

H(P,P′)min为交叉熵函数最小期望表达。交叉熵的值越小，预测效果就越好。在只需要预测结果为0 或1 时，对于每个类别预测得到的概率为P{Y=y|x}或1 −P{Y=y|x}，其损失函数为

4）利用步骤3 建立的断层和解释层位，建立了图6 所示的地震可识别精度地震地层格架，用于后续反演。图6a 为定义削截关系后的断层模型，不同颜色代表不同的断层；图6b 为构建的3D 层位模型，不同颜色代表不同的沉积层，层位与断层接触部位清晰，形态合理；图6c 为构建的三维地震地层格架，用于后续反演；图6d 为三维地震地层格架的典型剖面。该地震地层格架很好地解决了复杂断裂系统下地震地层格架构建难题。

图6 3D 精细地震地层格架Fig.6 3D fine seismic stratigraphic framework

将该精细地震地层格架用于约束叠前反演，原始地震资料（图7a）断层附近砂体形态在叠前纵横波速度比反演结果（图7b）中得到了准确刻画，反演剖面与原始地震资料对应关系较好，为后续断层附近水平开发井的实施提供了数据支持。

图7 E 油田精细地震地层格架约束的反演效果图Fig.7 Inversion effect profile of fine seismic stratigraphic framework constraints of E Oilfield

1.3 自相控低频模型构建技术

地震反演中采用的低频模型是井属性在层位和断层框架内，应用数学算法插值得到的井属性体，在基于地震的反演方法中约束反演过程，控制反演结果的值域范围，同时补充地震缺失的低频成分，低频模型建立的合理与否将直接影响反演的可靠性。

从各国法律规定看，商业银行破产的法律标准主要有三种。一是资产负债比率标准。多数国家都将此作为判断问题银行是否应该破产的标准之一。如美国《联邦存款保险改进法案》规定，当商业银行净资产等于或小于总资产的2%时，应任命财产看护人、接管人。二是流动性标准。如英国申请银行破产清算的条件就是银行不能清偿其债务或有可能丧失清偿能力。三是监管性标准。由监管机构根据银行业稳健发展和审慎经营的要求，为银行设定破产标准，并对银行破产具有决定权。总体来看，定性判断与客观量化的指标相结合，以此来决定一家银行是否符合破产条件，是大势所趋。

E 油田目标油藏属深水浊积水道复合体。储层纵向叠置、侧向迁移，空间关系异常复杂，储层边界突变（图8a），而目前油田可用的5 口评价井资料均在目的层段钻遇了储层，仅采用井插值的方式建立的纵横波速度比低频模型（图8b）无法反映深水浊积水道复杂的空间变化，基于该低频模型得到的反演结果（图8c）无法准确反映储层边界，井间非储层部位出现了假象储层响应。

图8 E 油田基于井插值低频模型的反演效果图Fig.8 Inversion effect profile based on the well interpolation low-frequency model of E Oilfield

为实现储层边界识别和超限厚层刻画，采用地震自相控低频模型构建方法建立参与反演的低频模型。研究表明，地震属性信息能较好地反映浊积砂岩水道的平面展布特征（图9），是低频模型重要的输入参数之一。对于超限厚储层的刻画，井的低频成分至关重要。地震自相控低频模型构建方法是一种井约束的地震自相控建模方法。具体实现步骤如下：

图9 E 油田目的层段均方根振幅属性图Fig.9 RMS amplitude attribute of the target layer of E Oilfield

1）筛选对储层岩性和流体敏感的地震体属性，并利用对应的井信息（无井区域，可在先验地质信息约束下，添加虚拟井）修正地震体属性对储层岩性、流体认识不吻合区域，得到参与反演的初始自相控低频模型。具体修正过程为：通过地震岩石物理研究，建立敏感地震属性与岩性、流体相关的敏感弹性参数（已钻井信息）间的关系。如果地震属性与已钻井信息不一致，利用井点信息和最小二乘法校正地震属性。对于地震属性局部区域不符合沉积规律的现象，通过虚拟井信息的加入，实现敏感地震属性的合理校正。

2）利用初次叠前反演结果得到砂体展布趋势后，将初始低频模型和砂体展布趋势融合，得到最终参与反演的自相控低频模型。

记初始低频模型为L1，砂体展布趋势为L2，自相控低频模型为Ls，则有

式中：

Ls—最终的低频模型，低频模型不代表频率，是反演参数（如纵波阻抗、纵横波速度比等）的低频成分；C—融合算子，为构建的自相控低频模型与输入地震体信息最相关时的相关系数矩阵。

式中：ρ—密度，kg/m3；k—纵向采样点；Z—纵向采样点总数；cov—卷积；S—地震数据；p，j—主测线和联络测线；E—数学期望。

图10 为构建的自相控低频模型。该低频模型很好地刻画了浊积水道的空间形态，水道边界清晰，符合研究区浊积沉积地质认识。

图10 E 油田自相控低频模型图（纵横波速度比）Fig.10 Self-facies-control low frequency model of E Oilfield（vp/vs）

图11 为E 油田基于自相控低频模型的反演结果。对比图8a 与图11 表明，图11 的反演结果很好地刻画了浊积储层边界信息，储层与非储层刻画清晰，较常规反演技术（图8c），储层空间展布及结构信息预测精度显著提高。新钻16 口井（开发评价井）非水平段共钻遇23 期储层，按厚度吻合率=[1-（预测储层厚度-实钻储层厚度）/实钻储层厚度]×100%计算，其厚度吻合率达92.3%以上。

图11 E 油田基于自相控低频模型的反演效果图Fig.11 The inversion effect profile based on the self-facies-control low-frequency model of E Oilfield

图12 为E 油田R1180 层储层预测平面属性图。图12 表明该方法在合理刻画储层边界特征的同时，对储层厚度刻画精度也有所提升。E-7 井、E-8井、E-9 井及E-10 井均在R1180 层东朵叶钻遇了超限厚储层（27.9，44.2，35.8 及29.8 m），而由于缺乏低频信息，原始地震资料最大谷值振幅属性并未揭示该区域储层发育（图12a），而自相控反演结果的最小振幅属性由于合理补充了低频信息，超限厚储层在反演结果上得到较好反映（图12b）。E-6 井与E-10 井钻遇储层厚度接近，为32.1 m，两口井钻遇流体特征相似，均为高孔高渗凝析油藏，因此，两口井地震响应特征相似性较高。原地震属性E-6井为强地震反射特征，E-9 井为弱反射特征，两者不一致。图12b 的自相控地震反演结果中E-6 井和E-9 井具有相似地震响应特征，提示E-9 井及周边井（E–7 井、E–8 井及E–10 井）储层发育。

图12 基于自相控低频模型的超限厚储层反演效果图Fig.12 Inversion effect profile of over-limit thick reservoirs based on self-facies-control low-frequency model

2 油田应用

E 油田目前已进入开发生产阶段，储层精细描述结果在指导该区井位优化调整与开发井实施过程中发挥了重要作用。

图13a 为E 油田西水道A–P03 井原设计井过井自相控叠前反演剖面，图13b 为该单元反演纵横波速度比最小振幅属性。

从图13a 可以看出，断块A 区域储层岩性变差，厚度变薄，开发井存在断块A 段产能不达预期的风险。根据图13b 反演属性图，并综合考虑钻井工程，可实现地震地质优势产能区，建议将A–P03 井原井轨迹（粉色）往左侧适当移动（青蓝色），确保断块A段和断块B 段区产能。

图13b 中注水井A–W03 井（粉色，优化后井轨迹）左侧属性蓝色区域存在泥质水道，为开发储层单元边界，具有遮挡作用，原设计A–W03 井过该泥质水道边部，注水存在注水效果受限风险，建议A–W03 井定向井加深评价，若钻遇泥质水道，注水井按照优化后轨迹（粉色）钻探。

图13 A–P03 井、A–W03 井自相控叠前反演应用案例Fig.13 Application of self-facies-control pre-stack inversion to Well A–P03 and Well A–W03

实钻结果表明，A–W03 井左侧钻遇泥质水道，水道具有封堵作用，注水井按照优化轨迹钻探，储层发育特征与钻前设计一致，厚度吻合率为93.5%。油田投产后，A–W03 井和A–P03 井注采效果好，A–P03 井日产量较原设计方案提高30%，当前已稳产2.5 a，含水率28%。

自相控叠前反演结果除对储层边界刻画精度有较大提升外，对储层厚度及连续性刻画也有所改善。图14 所示侧钻井E8G1.T1 井为一口根据自相控反演结果设计主力储层段（复合朵叶体）的生产井。

图14 自相控叠前反演在开发井E–8G1.T1 实施中的应用Fig.14 Application of self-facies-control pre-stack inversion in the implementation of Well E–8G1.T1

根据自相控反演结果的认识，该井在目的层R1180 层预计钻遇物性较好的储层约585.0 m。而常规叠前反演结果则揭示该位置储层连续性差。实钻结果表明，该井在R1180 层实钻储层累积厚度为579.0 m（测深），油层厚度为579.0 m，油层物性较好，与自相控反演结果吻合程度较高（图15）。图14b展示的常规叠前反演结果表明E–8G1.T1 井储层不发育，与图15 实钻储层情况吻合率较低。

图15 E–8G1.T1 井钻后结果Fig.15 Post-drilled results of Well E–8G1.T1

同样，根据自相控反演结果设计目的层段生产井E–9 井（图16a），钻前基于反演结果预测E–9 井水平段钻遇物性较好砂岩厚度为469.0 m，实际钻遇物性较好储层厚度为484.6 m（测深），钻遇油层厚度484.6 m（图17），实钻结果与自相控反演结果相吻合，而与常规叠前反演结果吻合程度差（图16b）。

图16 自相控叠前反演在开发井E–9 实施中的应用Fig.16 Application of self-facies-control pre-stack inversion in the implementation of Well E–9

图17 E–9 井钻后结果Fig.17 Post-drilled results of Well E–9

如图18 所示，E 油田新钻开发井16 口，钻遇水平段16 个，水平段钻遇砂体与钻前预测具有较高一致性，按平均储层吻合率=[1–（预测水平段砂体长度–实钻水平段砂体长度）/实钻水平段砂体长度]×100%计算，平均储层吻合率达91%以上，结果表明，本文研究的方法可有效提高储层预测精度。

图18 新钻开发井水平段钻遇砂体与钻前预测砂体厚度吻合率图Fig.18 The sand body thickness coincidence rate between the pre-drilled and post-drilled horizontal length of the newly drilled development wells

3 结论

1）基于深度学习算法的断层空间接触关系定义减少了人工定义主观认识的影响，很好地解决了复杂断裂系统下地震地层格架构建难题。

2）在相同反演方法及条件参数背景下，低频初始模型描述的靶区宏观地质信息决定了反演结果质量高低。因此，注重反演方法的同时需要注重初始模型的构建方法研究。

3）提出的复杂断裂系统自相控叠前反演方法对复杂断裂条件下横向突变超限储层高精度预测具有理想的应用效果和适用性。该方法通过基于断层接触关系图版库的复杂断裂系统模型构建和自相控低频模型构建技术的引入，有效地提高了断层附近砂体预测、超限厚储层刻画及储层横向边界的识别精度。