疊前afi反演定量預測含氣概率的方法
2023-06-07 16:56:26 3
專利名稱：疊前afi反演定量預測含氣概率的方法
技術領域：
本發明涉及一種疊前AFI反演定量預測含氣概率的方法，屬於地震勘探資料儲層預測領域。
背景技術：
AVO(Amplitude versus Offset)研究的是地震縱波振幅隨偏移距的變化關係，其理論基礎是描述平面縱波在阻抗界面處產生的各種反射波、透射波能量關係的heppritz 方程。由於^^ppritz方程過於複雜，難以直接看清對反射係數有直接影響的參數。 多年來，諸多學者推導了其近似表達式(Wang，1999)，先後有Bortfeld (1961)、Aki & Richards (1980)、Shuey (1985) ,Hilterman (1990)和 Mallick (1993)等簡化關係式，其中最有影響的當Siuey的^^ppritz方程兩項近似，這一簡化極大地推動了 AVO技術的研究和應用。AVO技術的特點是利用疊前CMP道集數據，分析振幅隨偏移距變化的規律，通過一系列AVO屬性(截距P和梯度G、縱波反射係數Rp和橫波反射係數Rs等)來預測地層的巖性及含油氣狀況。例如，《江漢石油科技》2006年02期公開的AVO技術在⑶N地區TTB構造含氣預測中的應用。AVO已經成為油氣勘探開發中常用的油氣檢測技術，但所有AVO屬性都存在很大的「不確定性」，即存在一個大範圍的巖性和流體組合，不同組合可以產生類似的AVO響應。導致AVO技術在油氣檢測中存在極大不確定性，影響了流體識別效果。為了解決上述問題，2009年第12期的《內蒙古石油化工》中公開了 AFI技術原理及應用，其實現原理及過程如下=AFI假設一個「中間砂巖、上下泥巖」的三層模型，泥巖層通過Vp、Ns、Density三個參數來表徵，砂巖層通過彈性模量、含水飽和度、孔隙度、密度等更多的油層物理參數來表徵。理論上，模型中的每一個參數都有一個概率分布圖，而實際應用中由於無法獲取足夠多的樣點，大部分參數在研究區內假設為常數，如骨架的彈性模量和密度、不同流體的彈性模量和密度；泥質含量、含水飽和度、厚度認為是均勻分布的；Vp、 Vs、泥巖密度、砂巖孔隙度通過對測井的趨勢分析來確定其概率分布。趨勢分析的目的是確定不同深度位置的地層表徵參數的概率分布狀況，而一組特定參數的組合就構成了一個隨機模型。這樣通過不同參數的隨機組合即可獲得不同深度位置的隨機模型。但採用此方法還存在如下問題預測結果與實際數據和模型數據間的校正結果有關，實際地震數據所得到的截距和梯度與模型所產生的截距和梯度存在較大差異，如何確定權係數將已知實際數據擬合到模型數據中，檢索到的文章方法不清楚。
發明內容
本發明的目的在於克服現有油氣檢測技術存在的上述問題，提供一種疊前AFI反演定量預測含氣概率的方法，本發明解決了 AVO在油氣檢測中存在的不確定性問題，將AVO 分析中不確定性轉變為含氣概率分布的確定性分析方法，通過含氣概率定量反演，得到較準確的含氣概率分布。為實現上述目的，本發明採用的技術方案如下一種疊前AFI反演定量預測含氣概率的方法，其特徵在於，包括如下步驟a、利用測井資料進行趨勢分析，在趨勢面分析的基礎上，根據儲層的深度範圍，對目標層段的η個深度的層地表徵參數的概率分布狀況進行隨機模擬，通過不同參數的隨機組合即可獲得不同深度位置的隨機地質模型；b、對每一個隨機地質模型進行流體替換，得到各種流體組合狀態砂巖模型對應的響應，形成三種不同的深度模板圖；C、對實際CMP道集數據體計算的AVO屬性點(截距，梯度)進行校正，將校正後的實際數據點結果投影到對應的深度模板圖上，對比分析便獲得含氣概率定量預測的概率分布。所述a步驟中，利用Vp、Vs或/和Density測井資料進行趨勢分析。所述a步驟中，建立隨機地質模型時確定的砂巖和泥巖的速度、密度隨深度變化進行的趨勢面結果來自於測井資料趨勢分析。所述b步驟中，利用Biot-Gassman方法對每一個隨機地質模型進行流體替換，在截距I-梯度G交匯圖上形成三種不同的深度模板圖。本發明中，多次重複b步驟，得到油、氣、鹽水三種砂巖流體的每種可能性分布圖。所述c步驟中，對實際CMP道集數據體計算的AVO屬性點(截距，梯度)進行加權校正，使得實際數據體與模型匹配。所述c步驟中，用多個振幅值差異較大的區域擬合到模型數據中，採用神經網絡多屬性的方式對校正結果進行對比分析，當相關性相對最大時為校正完成。採用本發明的優點在於一、本發明解決了 AVO在油氣檢測中存在的不確定性問題，將AVO分析中不確定性轉變為含氣概率分布的確定性分析方法，通過含氣概率定量反演，得到較準確的含氣概率分布。二、本發明在預測含氣性的同時，可在一定程度上檢測結論的可信度，將地震信息轉化為表達可用自然伽馬、密度等表達的流體信息數據，然後將此結果與井上的表達此類信息的參數相匹配，對比分析，最終獲得含氣概率定量預測的概率分布圖，大地提高了鑽探成功率。三、本發明能夠定量預測出含氣概率高值區，較以往定性預測精度明顯提高，通過含氣概率定量反演方法，從而得到較準確的含氣概率分布圖，查明研究區須二段上部有大面積(> 25% )含氣概率> 80%儲層分布，具有廣闊的勘探成果。四、本發明與現有技術相比，具有如下優點1、與現有技術相比，本申請可較準確地提取用戶需要的含氣概率大於百分比 (90% 60% )的預測圖，含氣概率越高，越是鑽探最有利的部位。2、與現有技術相比，本申請可預測含水概率分析結果，對開發方案的制定能提供重要依據。3、本申請在對實際數據點進行「校正」時，採用神經網絡多屬性的方式對「校正」結果進行對比分析，尋找相關性相對最大時「校正」結果，與現有技術中僅靠「人為判斷」相比更為精確可行。
圖1為本發明AFI含氣概率定量反演技術流程2為本發明建立正演隨機Avo模型3為本發明不同深度油、氣、水層的截距-梯度的概率分布4為本發明實際數據體與模型進行匹配5是最終獲得的須二段含氣概率分布圖
具體實施例方式實施例1一種疊前AFI反演定量預測含氣概率的方法，包括如下步驟a、利用Vp、Vs、Density等測井資料進行趨勢分析，在趨勢面分析的基礎上，根據儲層的深度範圍，對目標層段的η個深度的層地表徵參數的概率分布狀況進行隨機模擬， 通過不同參數的隨機組合即可獲得不同深度位置的隨機地質模型。進行隨機建模時確定的砂巖和泥巖的速度、密度隨深度變化進行的趨勢面結果就來自於測井資料趨勢分析。b、利用Biot-Gassman方法對每一個隨機地質模型進行流體替換，得到各種流體組合狀態砂巖模型對應的響應，在截距I-梯度G交匯圖上形成三種不同的深度模板圖。利用Monte Carlo方法對以上過程進行多次重複，得到油、氣、鹽水三種砂巖流體的每種可能性分布圖。從模擬結果分析，在截距一梯度交匯圖中如果氣、水和油分布在離原點坐標不同的地方，該區則可利用儲層流體反Bayes理論計算出不同深度這些點為油、氣或鹽水的概率有多大。C、由於地震振幅與實際測井模型存在差異，地震資料與測井計算的截距和梯度存在差異，因此在對實際CMP道集數據體計算的AVO屬性點(截距，梯度)應用Bayes理論時我們需要對實際數據點進行「校正」。對地震資料進行加權校正，使得實際數據體與模型的匹配，將校正後的實際數據點結果投影到對應的深度模板上，對比分析便可獲得含氣概率定量預測的概率分布。一般儘可能用多個振幅值差異較大的區域擬合到模型數據中，採用神經網絡多屬性的方式對「校正」結果進行對比分析，當相關性相對最大時為「校正」完成。實施例2—種疊前AFI反演定量預測含氣概率的方法，包括如下步驟a、在威東三維區塊，利用4 口井測井資料進行趨勢分析。進行趨勢面分析的前提是假定所分析的巖石參數為正態高斯分布，利用曲線的標準偏差和平均值確定不同深度位置的地層表徵參數的概率分布狀況。根據概率進行隨機建模時確定的砂巖和泥巖的速度、 密度隨深度變化進行的趨勢面結果。從該區趨勢圖可以看到，砂巖速度隨深度的增加逐漸增加的趨勢，但在2000 2200m之間，也就是目的層附近砂巖速度、密度為減少的趨勢，砂巖孔隙度隨深度為增大趨勢，泥巖的變化趨勢基本與砂巖一致。b、在趨勢面分析的基礎上，根據儲層的深度範圍，對深度分別是1900m，2000， 2100，2200m的4個目標層段進行隨機模擬。利用Biot-Gassman方法對每一個隨機地質模型進行流體替換，得到各種流體組合狀態砂巖模型對應的響應。分析隨機模擬的截距和梯
5度的結果，形成不同的深度模板，從模板上明顯看出，氣(綠色)分布在離原點坐標最遠的地方，而含水和油的截距和梯度差距較小，但也分布在離原點坐標不同的地方。因此在本區利用儲層流體反演可以在平面上預測和描述含氣、油、水的分布規律。C、由於地震振幅與實際測井模型存在差異，地震資料與測井計算的截距和梯度存在差異，因此在對實際CMP道集數據體計算的AVO屬性點(截距，梯度)應用Bayes理論時我們需要對實際數據點進行「校正」。「校正」的過程就是將實際數據體的振幅值進行加權以便使之匹配於模型數據體的振幅值。定義兩個加權係數Sglobal和Sgradient Iscaled = SglobalXIrealGscaled = Sglobal X Sgradient X Greal兩個權係數的確定方法本申請採用神經網絡多屬性的方式對比分析法對地震資料進行加權校正，將實際數據體與模型的匹配，將校正結果投影到對應的深度模板上，獲得含氣概率定量預測的概率分布。AFI流體反演得出的流體可能性分布預測圖中，代表含氣概率大於70%和代表水 /油概率大於70%都能準確的顯示。圖中含氣概率大於70%區主要分布在威東2井以以西。預測結果與已知井的測試情況吻合效果很好，分析認為，AFI流體反演結果較為可靠， 可以作為全區含氣有利區評價的一個主要依據之一。實施例3根據預測結果，在研究區提出了 5 口建議井位，經鑽探嶽001-X12在須二段產氣 92X 104m3/d,日產油102m3是該區產能情況最好的井，威東12井在須二段產氣8. 15X104m3/ d，日產油9. 2m3，取得巨大經濟效益，預計效益達30億元。利用該成果鑽探的成功極大地提高了該區須家河組的儲量。極大地提高了鑽探成功率。實施例4本發明對於疊前含氣概率定量反演等流體識別技術的研究工作起到指導與推進作用，形成的碎屑巖儲層流體識別配套技術在大川得到很好的推廣應用。研究形成的碎屑巖儲層流體識別地震預測技術應用到大川中區塊，須二段36 口工業氣井中觀口位於預測高、中含氣概率區內，預測符合率達到78%，預測出大川中區塊須二段含氣概率高值區總面積達2517. Skm2 ；須四段含氣概率檢測符合率達80%，含氣概率高值區總面積達 4415. 02km2，展示了該區廣闊的勘探前景。推動了大川中須家河組勘探進程。
權利要求
1.一種疊前AFI反演定量預測含氣概率的方法，其特徵在於，包括如下步驟a、利用測井資料進行趨勢分析，在趨勢面分析的基礎上，根據儲層的深度範圍，對目標層段的η個深度的層地表徵參數的概率分布狀況進行隨機模擬，通過不同參數的隨機組合獲得不同深度位置的隨機地質模型；b、對每一個隨機地質模型進行流體替換，得到各種流體組合狀態砂巖模型對應的響應，形成三種不同的深度模板圖；C、對實際CMP道集數據體計算的AVO屬性點(截距，梯度)進行校正，將校正後的實際數據點結果投影到對應的深度模板圖上，對比分析獲得含氣概率定量預測的概率分布。
2.根據權利要求1所述的疊前AFI反演定量預測含氣概率的方法，其特徵在於所述a 步驟中，利用VP、Vs或/和Density測井資料進行趨勢分析。
3.根據權利要求1或2所述的疊前AFI反演定量預測含氣概率的方法，其特徵在於 所述a步驟中，建立隨機地質模型時確定的砂巖和泥巖的速度、密度隨深度變化進行的趨勢面結果來自於測井資料趨勢分析。
4.根據權利要求1或2所述的疊前AFI反演定量預測含氣概率的方法，其特徵在於 所述b步驟中，利用Biot-Gassman方法對每一個隨機地質模型進行流體替換，在截距I-梯度G交匯圖上形成三種不同的深度模板圖。
5.根據權利要求4所述的疊前AFI反演定量預測含氣概率的方法，其特徵在於多次重複b步驟，得到油、氣、鹽水三種砂巖流體的每種可能性分布圖。
6.根據權利要求1、2或5所述的疊前AFI反演定量預測含氣概率的方法，其特徵在於 所述c步驟中，對實際CMP道集數據體計算的AVO屬性點(截距，梯度)進行加權校正，使得實際數據體與模型匹配。
7.根據權利要求6所述的疊前AFI反演定量預測含氣概率的方法，其特徵在於所述 c步驟中，用多個振幅值差異較大的區域擬合到模型數據中，採用神經網絡多屬性的方式對校正結果進行對比分析，當相關性相對最大時為校正完成。
全文摘要
本發明公開了一種疊前AFI反演定量預測含氣概率的方法，包括利用測井資料進行趨勢分析，對目標層段的n個深度的層地表徵參數的概率分布狀況進行隨機模擬，通過不同參數的隨機組合獲得不同深度位置的隨機地質模型；對每一個隨機地質模型進行流體替換，得到各種流體組合狀態砂巖模型對應的響應，形成三種不同的深度模板圖；對實際CMP道集數據體計算的AVO屬性點進行校正，將校正後的實際數據點結果投影到對應的深度模板圖上，獲得含氣概率定量預測的概率分布。本發明解決了AVO在油氣檢測中存在的不確定性問題，將AVO分析中不確定性轉變為含氣概率分布的確定性分析方法，通過含氣概率定量反演，得到較準確的含氣概率分布。
文檔編號G01V1/30GK102288996SQ201110198570
公開日2011年12月21日 申請日期2011年7月15日 優先權日2011年7月15日
發明者劉春 , 司陽濤, 孫建庫, 巫芙蓉, 文中平, 楊冬梅, 梁虹, 秦俐, 陳春蘭, 黃花香 申請人:中國石油天然氣集團公司, 中國石油集團川慶鑽探工程有限公司