时变分频与多属性相融“二元耦合”在西湖凹陷储层描述中的应用

张年念，王 伟，李爽爽，张 兰

（中海石油（中国）有限上海分公司，上海 200335）

随着勘探开发的深入，西湖凹陷的油气勘探与开发方向逐渐由构造圈闭转变为构造岩性圈闭[1]。对于构造岩性圈闭的落实，储层的精细刻画至关重要。近年来西湖凹陷勘探开发过程中发现诸多以河道砂体为背景[2]的构造-岩性油气藏，这为下一步挖潜指明了方向。因此，河道类储层的精细解剖，对后续勘探开发具有重要的意义。

海上仅靠单井去预测砂体分布难度大，而地震资料能够研究储层横向的分布和变化，预测储层平面展布具有较大优势。地震资料的分辨率对比储层精细刻画至关重要，提高地震分辨率的措施有压缩地震子波，或者拓宽地震频带范围，尤其是准确地拓宽与砂体频率对应的高频成分。常见的地震处理方法有广义谱分解、谱蓝化技术、反褶积、小波变换等。研究气田区常规地震资料在单砂体的刻画上不能满足开发生产的需要，因此寄希望于在地震资料分辨率提高的情况下，能有效地进行单期河道的识别。同时储层厚度的预测也具有至关重要，目前主要依据目的层的地震属性与砂厚的相关性来预测砂厚，包括多属性拟合、神经网络等。但是受到围岩的影响，目的层的属性往往不能准确反映砂体的真实厚度。

研究区B 气田内地震资料分辨率较低，不能有效刻画单砂体的形态和范围，有效储层的范围难以确定，影响气田下步挖潜决策。本文通过时变分频反褶积提高地震的分辨率，在此基础上，通过多属性智能融合[3]综合预测了目的层砂厚及其平面展布范围。结合两种技术方法达到了较好的储层预测效果，对B 气田剩余油气挖潜提供了有利技术支撑。

1 研究区地质概况

研究工区B 气田整体位于东海陆架盆地西湖凹陷西南方向西次凹内，为北东向的低幅向背斜构造[4]（图1）。目的层为花港组H3-H5 层，发育浅水三角洲前缘砂体，且砂体横向变化快[5]，H4 层已钻井揭示目前砂体欠发育，整体表现为“泥包砂”特征，单层砂体厚度基本小于10 m，厚度不等（图2）。目前地质认识为平面上砂体分布规律不清，气田开发前期效果未达预期，潜力方向不明，急需开展储层精细研究。本研究重点针对B 气田H 4 层开展储层精细描述，在此基础上对目的层储层定量表征，寻找有利的储层发育潜力区，为气田滚动挖潜提供技术支持。

图1 研究区构造位置示意图Fig.1 Schematic diagram of the structural location of the research area

图2 研究区主要目的层砂体对比图Fig.2 Comparison of main target sand bodies in the study area

2 储层描述关键技术

2.1 时变分频反褶积

提高地震分辨率的常规措施有反褶积处理，然而由于真实地下介质是非均匀性，地震子波在地层传导时是实时变化的，常规基于时不变提取的地震子波，致使反褶积后的地震剖面结果失真。考虑到地震信号在地下传播时的衰减作用及地下非均质性影响，对待不同地震时窗，分别用差异频率子波针对各个时窗地震资料来进行分频反褶积处理[6-7]（图3），时变子波的求取是关键。

图3 时变子波的提取过程Fig.3 Comparison of sand bodies in the target layer

地震记录与地震子波和反射系数序列三者之间的关系为：

将wφ赋为0，然后对w( )ω做逆傅立叶变换，获得井旁道的零相位子波w0(t) 。

复赛谱提取多个时窗的不同子波，对各个时窗内对应地震子波进行反褶积处理求获得反射系数，再对全段时窗反射系数运用高频率子波进行褶积，从而提高地震分辨率。

2.2 多属性智能融合

多属性融合技术[7-10]的目的是为了解决单一属性预测结果的多解性问题，力求使预测结果吻合井点与井间实际储层厚度。为了满足精细油藏描述的需要，目前工作中大多采用线性回归法、神经网络法、支持向量机等方法拟合多种地震属性与砂体厚度之间的关系。而与线性回归法和神经网络法相比，支持向量机[11-12]是一种专门针对小样本的统计学习方法，主要用来处理回归问题，同时避免神经网络算法可能陷入局部最优的困境。支持向量机的重点考虑的是砂体预测结果是否与优化属性变化趋势相吻合，基于此精准预测目的层砂体厚度。利用该项技术关键是优选反映储层厚度的属性，以井上砂体厚度作为监督数据，实际井井旁道地震属性作为训练数据，采用机器学习方法进行多属性智能融合[6-8]，实现了少井条件下的单河道厚度定量预测（图4）。具体步骤可以描述为：①多属性分析及优选；②地震属性与砂厚标准化处理；③选择SVR 的模型参数；④通过训练数据集与监督数据集，确定回归预测函数；⑤运用最优地震属性组合预测砂体厚度。

3 储层描述技术应用效果

3.1 地震资料提频处理

研究区地震资料品质较差，目的层段地震资料主频较低为28 Hz,有效频宽约为10～60 Hz，范围较窄。目的层H4 层有效厚度整体较薄，基本小于10 m，常规地震资料达不到精细识别储层的程度，因而有必要开展了针对地震资料的时变分频反褶积处理。

地震数据目的层段时间范围为2 000～2 800 ms，采样间隔为2 ms，分10 个时窗提取地震记录频谱，提取对应的时域子波，应用此方法对地震记录做处理，可以得到各时窗时间域子波（图5），通过分析可以看出时间越大子波主频越低，可以反映子波在传播中的衰减现象。

图5 不同时窗提取的地震子波Fig.5 Time-varying wavelet extraction

在此基础上求取对应目的层段时窗的反射系数，最后褶积35 Hz 宽频子波得到处理后的地震资料。处理后主频和带宽为35 Hz、50 Hz（图6），较处理前的主频24 Hz 和带宽40 Hz 有了明显提高，对比处理前后的地震剖面（图7），处理前后整体上振幅相对关系差异不大，但处理后目的层地震同向轴明显增多，细节特征明显，河道期次的接触关系更加清晰。

图6 处理前后的地震频谱图（左图为处理前，右图为处理后）Fig.6 Comparison of average normalized amplitude spectra of images shown

图7 处理前后的地震剖面图（上图为处理前，下图为处理后）Fig.7 Seismic profile before and after processing (top shows before processing, bottom shows after processing)

结合本区地质和地震特征综合响应规律，针对水道砂体在高分辨率处理的地震数据体上具有波形横向变化的特点，通过标定后的追踪解释，可清晰地识别出H4 三期河道砂体（图8）。H4d 层第一期曲流型河道砂体沉积，河道自北向南展布，在构造南部大量沉积，随后向西南方向流入；H4c 层砂体为该区第二期河道砂体，河道展布近南北方向，井点钻井岩性显示有自下而上为正韵律特征，反映井点位于河道边部，储层泥质含量高，物性较差；H4b 层砂体为近东西向河道砂体，河道弯曲度低，近顺直型，向西南方向河道宽度及规模存在变好的趋势。H4c层河道与H4b 河道在主井区交叉，平面呈X 型。

图8 H4 层三期砂体平面图（从左至右:H4d、H4c、H4b，平面图属性为波谷振幅之和属性）Fig.8 III phases of sand bodies in Layer H4 (From left to right:H4d, H4c, H4b)

3.2 河道砂体定量表征

在定性表征河道的基础上开展河道厚度描述，首先优选反映储层厚度的多属性为砂体趋势面，以井上砂体厚度作为监督数据，实际井的井旁道地震属性作为训练数据，采用机器学习方法进行多属性智能融合，最终实现了少井条件下的单河道厚度定量预测。

以H4d 层为例，研究区内已钻该目的层共有钻井10口，提取不同类型的地震属性，统计出与井上砂体厚度相关性大于0.65 的属性后，通过聚类分析优选三种属性，即最大谷值振幅、平均振幅及最大能量，对四种地震属性和砂厚做标准化处理，通过SRV 算法计算出多属性与砂厚关系，通过支持向量机的算法得到多属性与砂厚的非线性映射关系，进而得到反映H4d 小层砂体厚度的目标属性（图9、图10）。

图9 研究区B 气田H4d 属性优选Fig.9 Optimization of H4d attributes in B gas field

图10 基于支持向量机预测的厚度属性Fig.10 Thickness attribute prediction based on support vector machine

根据储层描述H4d河道砂体，得到砂体厚度平面图（图11），显示河道主体部位主要于B3 井南侧，砂体厚度约15～35 m，具有较大潜力。基于本次储层描述的认识，有效推动了气田南部多口调整井的上钻。调整井B11HP、B12HP、B13HP、B16 实钻结果显示（图12），其中三口井在H4d 层钻探结果成功，均钻遇较厚的油气层，厚度在25～35 m。通过气田区5 口开发井与储层预测结果对比，发现实钻砂体厚度与储层描述结果基本一致，误差基本在5 m 之内（图13）。此外，其他主力层H4b、H4c 层砂体展布和实钻井也有较好的吻合，验证了时变分频反褶积与多属性智能融合两种技术手段的“二元耦合”在河道类储层描述中有较高的可信度。

图11 基于支持向量机预测的厚度等值线图Figure 11 Thickness contour map based on support vector machine prediction

图12 典型井砂体对比图Fig.12 Sand bodies comparison of typical well

图13 厚度预测统计分析柱状图Fig.13 Histogram of statistical analysis for thickness prediction

4 结论

（1）基于时变子波在反褶积中的运用，提高了地震资料的分辨率，实现了B 气田多期河道期次的刻画。

（2）通过多属性智能融合，实现了少井条件下的单河道厚度定量预测，有效地预测气田砂体有利发育区，支撑了后期开发调整井钻探成功。

（3）基于时变子波的反褶积与多属性智能相融方法适合于西湖凹陷B 气田目的层的精细储层描述，效果显著，为后续决策提供了坚实技术支持。本文提出了一套河道砂体的精细解剖及砂厚预测的方法，为海上中深层储层描述提供有效的借鉴意义。