针对南海东部A油田钻井资料少，储层预测不确定性大的难题，探索了神经网络曲线模拟方法，模拟生产井的声波曲线，增加地震反演的井控程度，提升储层预测准确性。同时针对油田3～5m的薄层数量多、储量占比大、非均质强的问题，讨论了一种地震波形相控模拟方法，该方法在提高储层预测纵向分辨率的同时，也有较为可靠的横向分辨率，体现了地震波形特征，符合地层的地质沉积规律，有效的减少了反演的随机性，为海上油田薄层油藏的增产挖潜提供了有力支持。
Aiming at the problem of less drilling data and large uncertainty of reservoir prediction in A oilfield in the eastern South China Sea，this paper explores the use of neural network learning method to simulate the acoustic curve of production wells，and increase the well control of seismic inversion and improve the accuracy of reservoir prediction. At the same time， for the problems of large number of thin layers， large proportion of reserves and strong heterogeneity during 3-5 m of A oilfield in the east of the South China Sea，a seismic waveform controlled inversion method is discussed. This method not only improves the vertical resolution of reservoir prediction， but also has a more reliable horizontal resolution，which reflects the characteristics of seismic wave shape，conforms to the geological sedimentary law of the formation，effectively reduces the randomness of inversion，and provides strong support for increasing production and tapping potential of thin reservoir in offshore oilfield.
引言
地震反演是从采集到的地震数据提取储层信息的直接手段，地震反演技术发展至今，具有地质意义的相控高分辨率反演方法在勘探和开发领域应用越来越广泛。目前石油工业常用的地震反演主要包括3大类：基于褶积模型的地球物理反演，基于模型的测井属性反演和地质统计学反演[1] 。基于褶积模型的地球物理反演是从地震数据进行波阻抗反演，该方法忠于地震数据，反映储层的横向变化，但无法分辨薄层[2] ；基于模型的测井属性反演纵向分辨率较高，但受初始模型影响严重，存在多解性；地质统计学可以模拟测井属性和岩性属性，具有较高的分辨率，但要求工区井位分布合理，沉积相认识准确[3] 。
本文采用了地震波形相控模拟的方法，在地震资料的有限频带范围内采用谱模拟反演[4-7] ，高频部分采用地震波形指示的反演方法。该方法不需要外部输入相约束，而是利用地震波形的横向变化代替变差函数表征储层的空间变异程度，在提高地震分辨率的同时，更符合沉积地质规律。此外，针对海上油田钻井数量少，能用于地球物理反演的井更少的问题，本文采用了神经网络曲线模拟的方法[8-9] ，寻找伽马、阻抗和中子等测井曲线与弹性曲线的关系，模拟生产井的声波和密度曲线，让生产井参与反演，大大提升了反演的可靠性。
1 神经网络模拟声波曲线
南海东部A油田位于珠江口盆地恩平凹陷，储量计算显示薄层占比达40%以上，为挖潜油田薄层潜力，有必要开展高分辨的储层预测攻关。A油田地震资料的主频为25 Hz，纵向分辨率较低，采用测井约束的地震反演可以在提高地震纵向分辨率的情况下，提升地震资料的可靠性，鉴于油田钻井数量较少，具有声波和密度测井的钻井仅两口，本文采用了神经网络算法模拟了生产井的声波曲线，让生产井参与反演。
图1 南海东部A油田区域位置示意图Fig.1 Regional location of A oilfield in the east of South China Sea
1.1遗传算法的神经网络原理
曲线模拟的方法较多，常用的方法有岩石物理正演模拟和多曲线拟合，其中岩石物理正演模拟需要含油饱和度、砂岩含量和孔隙度等多条测井曲线解释信息，还要温压曲线等参数，使用门槛较高。多曲线模拟随着人工智能技术进步发展迅速，该方法使用简单，准确率高。遗传算法的BP神经网络是典型的的多层前馈型网络，公式如下。
式（1）中wj , i 节点连接权值， η为网络学习参数， op , j 为节点输出，δp,j 为误差修正值。
其模拟过程为（图2 ）：
（1）输入训练样本到网络，计算实际输出；
（2）计算输出和理想输出的差，根据极小化误差法调节权矩阵，若误差满足设计值，则停止，否则重复训练，直到达到设计值。
图2 遗传算法神经网络训练流程Fig.2 Genetic algorithm neural network training process
1.2曲线模拟
海上油田钻井数据相对陆地油田较少，且钻井过程中缺少声波数据，为提高曲线模拟的相关性，首先分析声波曲线与伽马，电阻率、密度、中子和自然电位等测井曲线的相关性（图3 ），分析表明伽马和密度曲线与声波曲线的相关性高，可以作为输入样本。
输入训练数据，运行网络模型得到相关性高的学习结果，并通过盲井检测，模拟结果（图4 蓝线）与实测曲线（图4 黑线）基本一致，该模型可靠程度较高（图4 ），以此模型模拟油田生产井的声波曲线。
神经网络曲线模拟技术具有自组织、自学习和很好的非线性拟合逼近特点[16-17] ，利用该技术同样可以重构质量较差的声波测井曲线。经过模拟参与反演的井数增多，由2口井提高到15口井约束，反演的井控数量越多，反演结果在井点和井周围的准确性越高，从而大大提高了反演的平面准确性（图5 ）。
图3 测井曲线相关性分析Fig.3 Correlation analysis of logging curves
图4 A井机器学习模型与盲井B检测结果Fig.4 Machine learning model of well A and detection results of blind well B
图5 神经网络曲线模拟的应用效果Fig.5 Application effect of neural network curve simulation
1.3 敏感参数重构
根据油田内参与反演井目的层段的阻抗数据来进行岩石物理分析，常规波阻抗交汇显示砂岩和泥岩混叠严重（图6 a），为此，将伽马曲线的高频成分融合到声波曲线，岩性敏感曲线作为高频曲线，频带界限相当于地震最大有限频带，在频率域并成特征曲线（图6 ）。
构建了能区分储层岩性的参数DT（GR），保留了声波曲线的低频成分，在地震子波的滤波效应下，井震相关性得到了较好保持。结果表明，重构后的参数可以很好的区分储层和非储层（图6 b），采用该参数开展储层反演。
2 地震波形相控反演
2.1 理论基础
地震的分辨率分为纵向分辨率和横向分辨率。纵向分辨率的概念最早由Rayleigh[10] 提出，受地震调谐作用的影响，地震信号的垂向分辨率在1/4λ，为解决薄层识别问题，很多学者开展了大量研究。Widess[11] 提出在理想情况下，根据振幅横向变化能够识别任意厚度的薄层；曾洪流[12] 提出了“横向检测率”的概念，利用地层切片可以检测厚度小于1/4波长的地质体横向变化。
图6 重构后阻抗与伽马交会图Fig.6 Reconstructed impedance and gamma crossplot
图7 频率域敏感曲线重构Fig.7 Frequency domain sensitivity curve reconstruction
正演验证地震数据能够反映沉积环境和岩性组合的空间变化，薄层虽然在地震上无法分辨，但会对地震波在横向上的波形产生影响。如下图，均匀泥岩介质内部发育薄砂体，薄砂岩的纵波速度是3000 m/s，密度2.25 g/cm3 ，厚度在1～3 m，均质泥岩的纵波速度3500 m/s，密度2.65 g/cm3 。褶积后的地震记录可以看到，地震波形在横向上有明显的变化（图8 ）。
上述正演模拟表明，地震波形包含了薄层信息，纵向上地震振幅无法“分辨”薄层，但可以利用横向波形变化“识别”薄层。波形的横向变化受沉积环境的影响，同时反应了储层组合结构的变化。
图8 薄层砂体的地震响应Fig.8 Seismic response of thin sand body
在贝叶斯框架下对初始模型的高频成分进行马尔科夫链-蒙特卡洛模拟，利用地震波形的横向变化代替变差函数来表征储层的空间变异性，优选与预测点关联度高的井作为初始模型，对高频成分进行无偏最优估计，使模拟结果符合地震中频阻抗和井曲线结构特征[13-15] 。公式为
式（2）中， Z（ x0 ）为未知点的值， Z（ xi ）为波形优选的已知样本点的值，λi 为第i个已知样本点对未知样点的权重，n为优选样本点的个数．
该方法是基于井震协同的高频模拟，纵向和横向分辨率同时提高，反演的结果根据地震记录的相特征，体现了相控思想，同时适用于非均匀井位分布的油田，适用性强，流程如图9 所示。
2.2 应用实例
珠江口盆地南海东部A油田储量分散，厚度小于5m的薄层储量占比较大，储层横向变化快，分布规律复杂，实际油田开发中薄层表现出很好的开发效果。为了满足油田开发中后期精细储层研究的需要，急需一套高分辨率的地震反演结果。
传统反演方法受地震分辨率和带限子波限制分辨率低，对先验模型依赖性强，认为因素较大。针对南海东部A油田的储层特点，采用分频的地震波形约束反演方法精细预测3~5m的薄层，为油田的高效开发提供了良好的基础数据。
图9 地震波形约束反演流程Fig.9 Seismic waveform constraint inversion process
图 10 常规地震剖面Fig.10 Conventional seismic profile
图 11 地震波形相控反演剖面Fig.11 Seismic waveform phase controlled inversion section
图 12 反演平面图Fig.12 Plane map of inversion
通过测井数据优化、岩石物理分析、敏感参数构建、精细井震标定和反演参数优选等工作，最终获得油田高分辨率的波形相控反演成果。
图 10 为常规地震剖面，从图上可以看出，常规地震剖面的分辨率较低。反演后得到纵向上分辨率较高的储层展布，井上的阻抗与反演结果的相关度高，且横向上具有较高的连续性（图 11 ）。
H1储层为该油田的主要油藏（图 12 ），该层的储层厚度3~5 m，反演平面结果显示砂岩物性较好的区域主要分布于北部的A-1井附近，受地层沉积演化的影响，该层的物源主要来自于东部，向西逐渐减薄。若将油田井位部署于油田东部效果要好。油田实际开发过程中，同样是东部生产井的产能较高。该成果同时为油田注水井设计提供了良好的依据。
3 总结
波形相控反演方法充分利用波形空间特征变化反映储层相变规律，突破了常规基于空间域插值算法的限制，对井数和井位分布的均匀性没有严格要求，明显地提高了储层反演的适用性，实现了井-震协同的高分辨率储层预测，相对于传统的高分辨率反演更好的体现了相控的思想，预测结果更符合地质规律。
本文针对南海东部薄储层预测形成了一套完整的技术流程，并成功应用于南海东部A油田，采用神经网络曲线模拟方法提高油田井控程度，采用地震相控波形模拟提升储层预测精度，解决了该油田3~5m薄砂岩油藏精细描述的难题，储层精细预测结果与油藏动态吻合，有效地指导了油田的高效开发生产。
图1 南海东部A油田区域位置示意图Fig.1 Regional location of A oilfield in the east of South China Sea 图2 遗传算法神经网络训练流程Fig.2 Genetic algorithm neural network training process 图3 测井曲线相关性分析Fig.3 Correlation analysis of logging curves 图4 A井机器学习模型与盲井B检测结果Fig.4 Machine learning model of well A and detection results of blind well B 图5 神经网络曲线模拟的应用效果Fig.5 Application effect of neural network curve simulation 图6 重构后阻抗与伽马交会图Fig.6 Reconstructed impedance and gamma crossplot 图7 频率域敏感曲线重构Fig.7 Frequency domain sensitivity curve reconstruction 图8 薄层砂体的地震响应Fig.8 Seismic response of thin sand body 图9 地震波形约束反演流程Fig.9 Seismic waveform constraint inversion process 图10 常规地震剖面Fig.10 Conventional seismic profile 图11 地震波形相控反演剖面Fig.11 Seismic waveform phase controlled inversion section 图12 反演平面图Fig.12 Plane map of inversion
