第25卷 第3期 2003年8月 物探化探计算技术 V ol 125N o .3 A ug .2003COM PU T I N G T ECHN I Q U ES FOR GEO PH YS I CAL AND GEOCH E M I CAL EXPLORA T I O N 收稿日期:2002-09-02文章编号:1001—1749(2003)03—0197—04利用地震资料进行沉积相分析黄 锋,李志荣,廖 玲,王玉雪,陈燕辉(四川石油管理局地质调查处成都物探研究中心,成都 华阳 610212)摘 要:沉积相揭示了目的层段的沉积环境、储集岩成因及其分布规律。
通过沉积相研究,可以帮助油藏工程师建立油藏地质概念模型,为地震资料的数字处理解释奠定了基础。
从在地质、测井分析的基础上,分析了地震属性与沉积相的关系,选取了敏感的属性,利用反射强度平面图,清晰地展现了分流河道、曲流河道等相特征,采用神经网络的方法对沉积相作精细划分,使井与井之间的结果更为客观,克服了以往人为推断划分的随意性。
关键词:沉积相;神经网络;地震属性;反射强度中图分类号:T P 183 文献标识码:ASE D I M ENTARY FAC I ES ANALY SI S USI NG SE I S M I C DATAHUAN G Feng ,L I Zh i 2rong ,L I A O L ing ,WAN G Yu 2xue ,CH EN Yan 2hui(Cheng d u Geop hy sical R esearch Center of S ichuan P etroleum A dm inistration ,Cheng d u 610021,Ch ina )Abstract :Sedi m en t facies reveal the sedi m en t environm en t of the in terest in terval ,the o rigin and distributi on rule of the reservo ir .T he reservo ir engineers can build geo l ogical model of the reservo ir acco rding to the re 2search of the sedi m en t facies ,and m ake a basis fo r the p rocessing and in terp retati on of the seis m ic data .O n the basis of geo l ogical and l ogging analysis ,w e study the relati on sh i p of the seis m ic attributes and sedi m en t facies and select the sen sitive attributes to lay out the facies characteristic of distributary channel and m eander using reflect strength m ap .W e use neural net w o rk finely to s o rt the sedi m en t facies w h ich m akes the in ter 2p retati on bet w een w ells be mo re objective and overcom es the artificial haphazard in the conven ti onal in terp re 2tati on .Key words :sedi m en t facies ;neural net w o rk ;seis m ic attribute ;reflect strength0 引言沉积相是指沉积环境的“古代产物”,也专指环境的“物质表现”。
一定的沉积环境有其特定的物质表现,沉积相揭示了目的层段的沉积环境、储集岩成因及其分布规律。
通过沉积相的研究,揭示了沉积相和微相对储集岩及其物性的控制关系,进而帮助油藏工程师建立油藏地质概念模型,为地震资料的数字处理解释奠定基础。
因此,沉积相的研究对油气勘探具有重要意义。
对沉积环境的分析最令人信服的做法是首先对大量岩心进行细致全面的观察描述,包括对岩性、沉积构造、古生物标志、地球化学标志等方面的全面描述。
然后综合以上描述成果,运用沉积学原理,对古沉积环境作出正确的解释。
然而,对于勘探阶段或开发早期阶段来说,由于测井、钻井取芯资料的限制,岩心资料的地质分析虽然能够正确地解决沉积相及微相,但也只是“一孔之见”,对于广大没有井资料的地方,其说服力是苍白的。
与测井相比,地震资料则提供了高分辨率的横向采样数据,地震资料蕴涵了丰富的地下信息,其中主要包括岩性、孔隙度等储层特征,另一方面,储层的这些物性特征会在地震上反映出来,这种差别是存在的,而且肉眼不易觉察。
作者在实际工作中,利用地震资料对沉积相的研究进行了一些尝试,并取得了一些较好的效果。
1 方法原理利用地震资料进行沉积相分析的思路是:在区域沉积环境的控制下,利用测井资料进行测井相分析,并在测井相分析的基础上,利用地震资料数字处理成果进行沉积微相研究。
其中,测井相分析是基础,而选用合理的数学方法是关键。
111 沉积相与储层的关系及其在地震资料上的响应以川东m yx 构造为例,地质和测井研究表明:咸化浅滩亚相在成岩后生变化过程中,白云岩化强,溶蚀作用明显,孔隙度较高,一般在6～17.6%之间,平均为7.23%,储集条件最好,TD 26、TD 29等气井均分布于咸化浅滩上;泻湖亚相以较细的泥晶沉积物为主,溶蚀作用不明显,孔隙度较低,一般在1.5～6%之间,平均为2.41%,储集性能较差。
从以上分析可以看出:沉积相和储层的发育程度密切相关,不同的相环境,其物性存在着明显的差别,而地震资料则较好地反映了岩性、孔隙度等物性特征。
随着地震勘探技术的发展,地震资料对储层物性特征的反映也越来越明显。
实践证明,只要选取合适的地震属性,利用地震资料识别沉积相是可行的。
112 利用神经网络划分地震相神经网络识别地震相是以地震道间的振幅和波形作为判别依据,将不同的波形组合特征分类,形成微地震相。
神经网络系统由大量的神经元广泛连接而成,每一个神经元将从其它众多神经元中接收到的信息,经过非线性计算后,输出给另一神经元。
目前,较为流行的算法为误差反向传播算法(BP 算法)。
BP 网络中,第一层为输入层,第Q 层为输出层,中间为一层或多层隐层。
设第q 层(q =1,2,...,Q )的神经元个数为n q ,输入到第q 层的第I 个神经元的连接权系数为W ij (q )(i =1,2,...,n q ,j =1,2,...,n q -1)。
B P 网络的学习算法如下 W ij (q )(k +1)=Wij (q )(k )+ΓD ij (q )(k +1)+Α∃W ij (q )(k -1)(1) D ij (q )=6p p =1∆p i (q )X p i (q -1)(2) ∆p i (q )=(6N q +1k =1∆p k (q +1)W ki (q +1))ΛX p i (q )(1-Xp i (q ))(3) ∆p i (Q )=(d p i -X p i (Q ))ΛX p i (Q )(1-X p i (q ))(4) q =Q ,Q -1,…,1;i =1,2,…,n q ;j =1,2,…,n q -1式中 Γ为学习率;Α为动量因子;Α∃W ij (q )(k -1)为动量项。
BP 算法过程分为特征提取和分类决策二步。
首先,从已知井附近的地震道相应时窗中提取特征以构成网络学习样本。
在网络训练完成后,依次逐道判别,最终输出判别结果。
1.3 利用反射强度(A (t ))划分地震相定义为复地震道振幅的绝对值A (t )=[f 2(t )+q 2(t )]0.5,通常也称为瞬时振幅或振幅包络,常用来确定储层中流体成分、岩性、地层变异等。
特定的沉积环境决定了特点岩性特征,高能量的砂岩和低能量的页岩往往能形成强振幅特征。
可以认为,对于特定的沉积环境,其地震反射特征是一致的,在地震反射强度平面图上相似的地方可以认为是具有相似的沉积环境。
・891・物探化探计算技术25卷2 应用实例2.1 M YX 构造M YX 构造带石炭系储层为一套咸化泻湖相的白云岩,孔隙度相对较高。
咸化泻湖相又细分为浅滩亚相和泻湖亚相。
其中浅滩亚相孔隙度较发育,是油气聚集的有利区;泻湖亚相则以致密云岩为主,为泥粉晶,自形程度差,在白云化时未形成晶间孔,孔隙不发育,为非有利区。
2.1.1 地震属性的选取神经网络计算结果的好坏,关键在于样本及其参数的选取。
地震属性参数很多,但也并不是越多越好,如果把一些不敏感的参数选作样本,就会造成样本之间差异过小,不能很好的分类。
因此,应以测井资料为基础,综合分析参数与沉积相的关系来选取合适的参数。
表1是M YX 构造内部分测井的特征与沉积相的关系统计表。
从该表看出,工业性气井均分布在浅滩亚相上,储层厚度大,平均孔隙度高;而干井和水井则分布于泻湖亚相上,储层薄,平均孔隙度低。
以上特征告诉我们,在选取参数时应重点考虑对厚度和孔隙度敏感的参数。
表1 测井特征与沉积相的关系统计表Tab .1 Statistic chart of the relati on betw een l og character and sedi m entary facies井名储层厚度平均孔隙度沉积相测试结果TD 3034.37.16浅滩55.06×104 d Td 2647.05.95浅滩22.40×104 d Td 33.02.81泻湖干层Y 43.83.84泻湖干层2.1.2 效果分析针对石炭系的储层特征,我们选取了对厚度和孔隙度较为敏感的速度、振幅、频率等地震属性,以已知井旁道为学习样本,通过网络学习,最终输出计算结果。
并依据已知井的地质解释,对明月峡构造带作了沉积相精细划分。
图1右中深色区域为浅滩亚相,浅色区域为泻湖亚相。
图上TD 26-TD 29-YD 1-1区域呈带状连片图1 M YX 构造石炭系沉积相平面分布图(左图为根据测井划分,右图为根据地震划分)F ig .1 The p lane m ap of sedi m entary facies of Carboniferous syste m of M YX structure(left :according w ell data ,right :according seis m ic data )分布,解释为浅滩相,这正好证实了测井和地质上的这一设想。