天然气勘探

神经网络特征属性反演在煤系地层致密储层预测中的应用——以鄂尔多斯盆地东缘神府木瓜区为例

  • 史浩 , 1 ,
  • 刘小波 , 2 ,
  • 杨桂茹 3 ,
  • 林利明 1 ,
  • 刘玉梅 3 ,
  • 张发强 2 ,
  • 王振国 1 ,
  • 郭俊超 1
展开
  • 1. 中联煤层气有限责任公司,北京 100015
  • 2. 东北石油大学,黑龙江 大庆 163318
  • 3. 中国石油勘探开发研究院,北京 100083
刘小波(1982-),男,内蒙古克什克腾旗人,副教授,主要从事成藏动力学研究. E-mail: .

史浩(1977-),男,甘肃庆阳人,硕士,高级工程师,主要从事非常规油气物探技术研究. E-mail:.

收稿日期: 2023-11-22

  修回日期: 2024-03-06

  网络出版日期: 2024-05-21

Application of neural network feature attribute inversion in the prediction of tight reservoirs in coal-bearing strata: A case study in the Shenfu Mugua area on the eastern margin of the Ordos Basin

  • Hao SHI , 1 ,
  • Xiaobo LIU , 2 ,
  • Guiru YANG 3 ,
  • Liming LIN 1 ,
  • Yumei LIU 3 ,
  • Faqiang ZHANG 2 ,
  • Zhenguo WANG 1 ,
  • Junchao GUO 1
Expand
  • 1. Zhonglian Coalbed Methane Company Limited,Beijing 100015 China
  • 2. Northeast Petroleum University,Daqing 163318 China
  • 3. PetroChina Research Institute of Petroleum Exploration and Development,Beijing 100083 China

Received date: 2023-11-22

  Revised date: 2024-03-06

  Online published: 2024-05-21

Supported by

The Major Science and Technology Project of CNOOC China Limited(CNOOC-KJ135ZDXM40)

摘要

煤系地层致密储层叠后地震预测技术备受关注。由于致密储层的地震分辨率低、地球物理特征微弱导致其难以识别等特点,因此,煤系地层致密储层地震预测的精确性较低。以鄂尔多斯盆地东缘神府木瓜区太原组煤系地层为研究对象,利用神经网络的多源数据融合分析学习能力,采用叠后波阻抗反演及叠前弹性参数反演等多源数据融合消除煤层干扰,建立了基于神经网络特征属性的煤系地层致密储层逐级预测方法。该方法对木瓜区太原组煤系地层致密储层弹性参数、孔隙度和含气量等进行了成功预测,验证井符合度均达到80%以上,能充分利用各类型地震资料的敏感优势,对储层多种地质属性进行感知预测,以实现煤系地层致密储层的精准刻画,为致密储层天然气勘探开发提供技术支持。

本文引用格式

史浩 , 刘小波 , 杨桂茹 , 林利明 , 刘玉梅 , 张发强 , 王振国 , 郭俊超 . 神经网络特征属性反演在煤系地层致密储层预测中的应用——以鄂尔多斯盆地东缘神府木瓜区为例[J]. 天然气地球科学, 2024 , 35(10) : 1886 -1896 . DOI: 10.11764/j.issn.1672-1926.2024.03.002

Abstract

The post-stack seismic prediction technology of coal-bearing strata reservoirs has attracted widespread attention. However, due to the low seismic resolution and the difficulty in identifying weak geophysical features in tight reservoirs, the accuracy of seismic prediction of coal-bearing strata reservoirs is relatively low. This study focuses on the Taiyuan Formation coal-bearing strata in the Shengfu Mugua area on the eastern margin of the Ordos Basin. Utilizing the multi-source data fusion analysis and learning capabilities of neural networks, and employing the fusion of post-stack wave impedance inversion and pre-stack elastic parameter inversion to eliminate coal seam interference, a step-by-step prediction method for tight reservoirs in coal-bearing strata based on neural network feature attributes has been established. This method successfully predicted the elastic parameters, porosity, and gas content of the tight reservoirs in the Taiyuan Formation coal-bearing strata in the Mugua area, with well logging matching rates all exceeding 80%. The method can fully leverage the sensitive advantages of various types of seismic data to perceptively predict multiple geological properties of reservoirs, achieving accurate characterization of tight reservoirs in coal-bearing strata. This approach can provide technical support for the exploration and development of natural gas in tight reservoirs in China.

0 引言

煤系地层致密储层是目前国内非常规天然气勘探开发中可靠的目标,业已成为天然气增储上产的重要支撑1。近年来,煤系地层储层叠后地震预测技术受到广泛关注2-6。例如,秦雪霏等4利用基于时频分析的多子波分解重构技术消除了煤层强反射干扰,利用平均反射强度等地震属性预测了砂体的主要分布范围。齐宇等5利用分频反演等技术开展了太原组储层预测,取得了较好效果。李国斌等6利用约束稀疏脉冲波阻抗反演及子波衰减梯度属性等技术,逐级预测刻画了主要河道砂体分布及含气储层识别。然而,煤系地层致密储层地震预测的精确性仍然不高,主要面临2个方面的难点:一是由于煤层地震强反射屏蔽作用导致的储层地震分辨率降低;二是致密砂岩储层地球物理特征异常微弱而且难以识别6。因此,迫切需要建立一种精准性比较高的煤系地层致密储层特征地震预测方法。
近年来基于电脑计算能力及AI技术的发展,多数据融合分析神经网络技术在石油和天然气勘探开发领域取得重大成效。已经形成了基于概率神经网络7-8、卷积神经网络9、前馈式神经网络10等多种神经网络储层预测方法,大量研究已经表明基于神经网络建立储层特征地震预测方法的可行性。因此,本文以鄂尔多斯盆地东缘神府木瓜区煤系地层为研究对象,系统分析研究区煤系地层特征,基于地震数据和神经网络技术,建立了多级神经网络属性反演技术体系,并在研究区进行了应用,以期有效指导煤系地层致密储层天然气的勘探和开发。

1 研究区概况

鄂尔多斯盆地面积约为25×104 km2, 是一个长期接受不均匀沉降活动的多旋回克拉通盆地,拥有丰富的油气资源。受古地理环境控制,鄂尔多斯盆地石炭纪—早二叠世沉积环境以潮坪、潟湖和潮控三角洲为主,形成了优越的聚煤环境,山西组、太原组和本溪组内发育多套煤层,属于煤系地层111-12
太原组自上而下可划分为太1段和太2段,太1段为砂岩、泥岩、薄煤线互层,太2段主要为砂岩和泥岩、夹薄层煤线,整体上属于浅水三角洲沉积,分流河道砂体是研究区有利的储层发育微相类型。通过多井钻遇情况分析,木瓜区太原组单期分流河道砂体厚度一般小于10 m,呈高幅箱形或钟形,多期叠加河道呈多个箱形或钟形的叠合,河道砂体横向变化大,非均质性强,分流河道主体发育层段储层有效性较高;从煤层发育情况统计,本溪组煤层(8#—9#煤层)主要发育在顶部,煤层发育厚度为15~25 m;太原组中部6#—7#煤层发育不稳定,煤层厚度在2~5 m之间,太原组上部的4#—5#煤层较薄,一般发育1~2 m(图1)。通过近年来的勘探,相继在盒8段、太原组、本溪组钻遇致密砂岩气藏,其中太原组是研究区的重点勘探层系之一。
图1 太原组煤系地层储层组合特征对比

Fig.1 Comparison diagram of reservoir assemblage characteristics of coal measure strata in Taiyuan Formation

2 神经网络特征属性反演方法

致密砂岩气藏主要表现为储层致密,气、水分布复杂,储层地震响应与围岩差异小,基于地震信息的储层预测和综合评价难度大13,因此,煤系地层致密砂岩有效储层预测遵循由大到小、逐级控制、层层递进的原则,即沉积相带岩性预测、物性、含油气性预测层层递进,多属性综合评价落实气藏甜点区。
针对太原组泥岩、砂岩、煤层等多岩相复合沉积特征,要达到煤系地层致密砂岩储层精细预测,必须综合叠前、叠后以及去煤层强轴等多地震资料信息5,利用致密气层砂岩不同气藏响应对应的岩石物理特征及敏感弹性参数,开展多源数据、多级次储层预测。本文构建了以神经网络技术为纽带,多数据体联合质控,叠前—叠后一体化,岩性—物性—含气性逐级递进的煤系地层精细储层预测技术系列。首先利用叠前、叠后资料开展弹性参数反演,然后根据木瓜区太原组煤系地层致密砂岩储层敏感属性优选,以阻抗反演为相控体,结合去煤层地震资料分层段开展砂岩敏感属性神经网络预测,落实砂体平面展布规律;进而以高分辨岩性数据体、前期弹性参数预测数据体联合应用,结合神经网络算法开展物性(孔隙度)反演预测,进一步结合AVO流体定性检测结果,开展深度学习实现含气性定量表征,以此达到相控约束的岩性—物性—含气性逐级递进的煤系地层精细储层预测效果。

2.1 煤系地层地震响应特征

木瓜区上古生界主要发育砂岩、泥岩及煤层等,其中煤层是地震波的低速介质,与围岩的波阻抗差异大,因此在地震上表现为低频、连续强反射的特征。太原组砂岩储层夹持在煤层之间,具有下伏厚煤层和层间夹薄煤线发育特征,因此太原组反射特征受多重煤层影响。为了研究太原组储层临近煤层对反射特征的影响,本文建立了3组与太原组岩性组合近似的等效模型进行正演模拟。煤层速度设定为2 700 m/s,密度为1.5 g/cm3;砂岩的速度为5 000 m/s,密度为2.65 g/cm3;泥岩的速度为4 800 m/s,密度为2.6 g/cm3。正演模拟中选用了30 Hz的Ricker子波,与本区地震资料近似。
第一组模型用于比较含煤地层对地震响应的影响。设置无煤层及下伏20 m煤层对上覆15 m砂岩地震响应特征对比。从正演结果看,地层含煤后对振幅影响极大,砂岩反射基本被淹没在煤层反射内,同时还受下伏厚煤层反射旁瓣影响,砂岩顶面相位也发生显著变化[图2①]。
图2 反射特征对比图

①为砂岩地层含煤; ②为厚煤层上覆砂岩且厚度变化; ③为煤层—砂岩互层组合

Fig.2 Comparison of reflection features

第二组模型用于对比厚煤层上覆砂岩厚度变化对地震响应的影响。设置下伏煤层和上覆砂岩厚度分别为20 m和5 m、20 m和10 m、20 m和15 m 3种组合。从正演结果来看,厚煤层顶面对应波谷反射。在下伏煤层厚度不变的情况下,随着上覆砂岩厚度增大,振幅呈现出轻微增加的趋势[图2②]。
第三组模型是用于模拟煤层—砂岩—煤层交互发育模式。该区太2段砂岩储层的岩相组合特征与这种模式相近。按照该砂岩储层发育情况,设置下伏煤层厚度为20 m,上覆砂岩厚10 m,砂岩之上设置4 m厚的薄煤层。从正演结果来看,上覆薄煤层的发育进一步增加了下伏砂岩的振幅响应,特别是临近砂岩顶面的波峰反射。这导致振幅明显增大,同时叠加了上下煤层反射的旁瓣影响[图2③]。
综上所述,煤层是造成木瓜区地震强反射的主要因素,其强度远远大于砂岩厚度及流体变化对地震波反射的影响,因此通过对地震资料的去煤预处理,可以提高煤系地层砂岩储层的地震响应,为致密砂岩储层识别刻画打下基础。

2.2 子波分解与重构去煤层

基于上述煤层影响的正演研究结果,强反射同相轴主要是由煤层形成的,因此本文采用了匹配追踪去除强反射技术开展去煤层处理9。通过对井点地震道煤层段进行时频分析,可以较好地定位强反射的位置,建立超完备原子字典,实现强反射背景的匹配追踪与识别,将强反射地震记录从原始地震记录中剥离,削弱其对临近地层造成的振幅“假亮点”以及砂体连续分布的假象,提高煤系地层的储层识别精度(图3)。
图3 井震时频分析—原子字典分析

Fig.3 Time-frequency analysis of well seismic-atomic dictionary analysis

通过去除煤层强反射后,不仅能保持原地震资料的信噪比,而且大幅降低了煤层强反射的影响,目的层段被煤层屏蔽的储层有效信息得到了恢复,
为后续储层预测提供可靠的数据基础(图4)。
图4 太原组子波分解重构去煤前后地震剖面对比

Fig.4 Comparison of seismic profiles before and after sub-wave decomposition and reconstruction of Taiyuan Formation

2.3 神经网络反演方法

DNN神经网络的结构通常包括输入层、隐藏层、输出层,各层之间通过全连接方式相连,而同层神经元之间则相互独立。由输入层输入特征向量,通过隐层提取特征、激活函数的选择、超参数的调试及损失函数的定义和优化器的选择来输出属性的预测值14图5)。
图5 DNN神经网络拓扑结构

Fig.5 Topology diagram of DNN neural network

DNN算法通常是由局部到全局,局部统计得到的特征之间存在一定关联,利用若干权重系数矩阵、偏置向量和输入向量进行线性和激活运算,直到运算至输出层输出14,其运算过程如下:
z i l = j = 1 N l - 1 w i j l × a j l - 1 + b i l,
a i l = σ z i l = σ w i j l × a j l - 1 + b i l
式中: z i ll层第i个神经元的输入; w i j l a j l - 1连接到 z i l的权重; a i ll层第i个神经元的输出; b i l为第l层第i个神经元的输入对应偏置; σ z i l为激活函数。
地震反演是一个典型的非线性逆问题,即根据地表获得的地震信息,推断地下介质的物性参数的过程。神经网络反演从已钻井出发,利用已知井点的实际数据,分析测井曲线和地震数据,通过使用与曲线属性最相关的属性来预测和估算整个地震数据体的曲线特征,从而实现对储层特征数据体的预测13。该技术的优势主要体现在多数据体的联合应用上。通过利用不同的地震信息,可以提供不同的“视角”,并在深度学习框架下实现有效互补。这种方法能够建立地震响应与地质特征之间的高度非线性映射关系,原则上可以同时输入叠后数据体、叠前道集等多种原始地震资料。利用神经网络强大的特征提取能力,可以学习训练各种地震信息与地质特征之间的非线性关系,从而直接对含气砂体进行预测。具体算法如下:
以3种属性预测某测井属性为例(如por):
f ( t ) = w 0 + w 1 I ( t ) + w 2 E ( t ) +   w 3 F ( t )
此处 f ( t )=porosity(孔隙度)
I ( t )=impedance(阻抗)
E ( t )=amplitude envelope(瞬时振幅)
F ( t )=instantaneous frequency(瞬时频率)
上述方程可以写成一系列线性方程:
f 1 = w 0 + w 1 I 1 + w 2 E 1 + w 3 F 1
f 2 = w 0 + w 1 I 2 + w 2 E 2 + w 3 F N
N = w 0 + w 1 I N + w 2 E N + w 3 F N
写成矩阵方程。
基于逐步回归方法,利用多种属性的结合预测目标曲线:
(1)第一步:通过训练和误差计算在所有属性中找到最相关的属性 :
Amplitude Weighted Phase(振幅加权相位)
Average Frequency(平均频率)
Amplitude Envelope(瞬时振幅)
计算预测误差最低的属性为最相关的属性,暂时称为attribute1。
(2)第二步:寻找最相关的属性并在所有属性之间建立属性对:
(attribute1, Amplitude Weighted Phase)
(attribute1, Average Frequency)
最相关的属性对具有最低预测误差,称与attribute1成对的最低预测误差的属性为attribute2。
(3)第三步:找到最相关的第三类属性,假设前两个属性为attribute1 和attribute2:
(attribute1,attribute2,Amplitude Weighted Phase)
(attribute1, attribute2, Average Frequency)
最相关的第三类属性预测误差最小,称之为attribute3。继续这个过程直到所有的属性。
预测误差递减:对于N种属性的预测误差EN,无论使用几种属性,总小于或等于N-1种属性的误差。并通过合理性校验检验属性的合理性:
(1) 将整个数据体分为2组:
训练数据组
校验数据体
(2) 用训练数据组确定回归系数
(3) 用校验数据组检验预测误差
假设有5口井{Well1, Well2, Well3, Well4, Well5},并且有3种属性{Impedance, Envelope, Frequency}
按照该方式完成校验:
(1)保留Well1,用{Well2,Well3,Well4,Well5}解回归系数。这意味着解该系统方程,不包括Well1的数据:
f 1 = w 0 + w 1 I 1 + w 2 E 1 + w 3 F 1
f 2 = w 0 + w 1 I 2 + w 2 E 2 + w 3 F N
f N = w 0 + w 1 I N + w 2 E N + w 3 F N
(2)要计算相关系数,计算Well1的预测误差
这里只使用Well1的数据点,给出了Well1的合理性误差 E 1
(3)对Well2, Well3, 等井重复该过程,每次保留所选的井不参加回归系数的计算,并且只计算该井的误差。
(4)对所有井计算平均合理性误差:
E A = ( E 1 + E 2 + E 3 + E 4 + E 5 ) / 5
该方法将统计信息和网络结合起来,具有很强的容错性15-16
在实际的储层预测过程中,由于物性、含气性等曲线属性在测井解释过程中已对非渗透性岩性段(泥岩、泥质砂岩以及煤层等)进行归一化过滤,因此这些曲线具有一定的离散型数据特征,这使得它们与连续性地震数据体难以形成良好的映射关系。同时,地震属性参数非常多,每种地震属性都从不同侧面反映储层的特征,地震属性存在较大的多解性。甚至同一种属性在不同的工区和储层中,对所预测对象的敏感性(或有效性)是不完全相同的16。随着输入地震属性的增加,模型训练所需的时间也会增加,同时也可能出现拟合过度(即训练过度)的现象。因此,面对叠前、叠后等种类繁多的地震属性,减少地震属性的冗余度及干扰提高属性预测计算效率的主要途径,也是地震属性分析的关键13-16
本文基于对研究区致密储层发育特征的研究和神经网络技术,我们将叠后去煤层数据、叠前道集数据、AVO参数数据以及常规反演弹性阻抗数据等多源数据进行融合。通过充分利用各数据体对岩性、物性和含气性的各自优势,分级次地开展深度神经网络反演,可实现对煤系地层岩性、物性和含气性的精细储层预测,具体流程如图6所示。
图6 逐级递进深度神经网络储层预测流程

Fig.6 Step-by-step deep neural network reservoir prediction flowchart

3 基于神经网络逐级递进特征属性的储层参数刻画

3.1 叠前—叠后储层弹性参数反演

基于前期工作,对木瓜区原始地震资料进行了去煤层及拓频预处理。随后,基于波形指示反演技术,完成了叠后波阻抗反演及叠前弹性参数反演。通过波阻抗、V p/V s以及泊松比波形指示反演,得到了研究区弹性参数数据体。结果显示,波阻抗反演纵向分辨率较低,但对纵向及横向阻抗变化趋势具有较好的约束作用。特别是对薄煤层、断层具有较好的分辨能力[图7(a)]。
图7 形指示反演剖面

(a)波阻抗;(b)V p/V s;(c)泊松比

Fig.7 Waveform indicates the inversion profile

通过波形指示反演方法,获得了V p/V s、泊松比等弹性参数数据体[图7(b),图7(c)]。然而,数据体波形指示反演结果显示出较低的纵向分辨率,这可能是由于木瓜区太原组煤系地层的横向非均质性较强所致。因此,本文研究中获得的数据体波形指示反演减少了井的高频信息的应用,而中高频信息主要参考波形变化,从而保证了地震数据的横向分辨率信息。

3.2 储层岩性敏感属性预测

木瓜区太原组地层发育泥岩、砂岩、煤层等多种岩性。常规波阻抗反演对煤层具有较好的分辨能力,但由于砂泥岩阻抗差异较小及煤层屏蔽作用,因此难以直接利用波阻抗反演对砂岩储层进行有效识别,而去煤地震数据大幅降低了煤层强反射的影响,煤系地层的储层有效信息得到了一定恢复,因此利用神经网络技术,通过多源数据融合应用,可以提高储层定量预测精度。基于多井对比交会分析发现,木瓜区太原组煤系地层致密砂岩整体呈低自然伽马、低中子特征;煤层呈低自然伽马、高中子、低速度、低密度特征;泥岩呈高自然伽马、高中子特征。综合来看,砂泥岩的波阻抗响应差异较小、分辨率低(图8)。对于自然伽马测井,煤层与致密砂岩存在同方向异常干扰,而对于中子测井,煤层与致密砂岩表现相异。因此,中子测井属性可有效区分木瓜区太原组砂岩(储层)与煤层、泥岩(非储层),从而提高致密砂岩储层识别精度。
图8 木瓜区太原组岩电特征交会图

Fig.8 Intersection of rock and electricity characteristics of Taiyuan Formation in Mugua area

将中子测井属性与拓频地震数据体、去煤层地震数据及波阻抗反演数据体联合输入到神经网络训练模型中,通过误差合理性校验优选了波阻抗信息、地震积分振幅、地震瞬时振幅、不同频段的分频以及相位类等10种地震属性。
训练结果表明木瓜区太原组目标曲线(中子)与预测值相关性达到了85%[图9(a)],有效提高了太原组的砂体识别精度及纵向分辨率,SM-54井太原组钻遇的6 m及7.5 m砂岩层均预测准确,通过多井对比,厚度5 m以上的砂体在反演剖面上均有所响应,同时较好地保持了地震的横向分辨信息,预测效果良好[图9(b)]。
图9 太原组中子属性神经网络地震属性优选训练图(a)及中子反演剖面(b)

Fig.9 Optimization training diagram of seismic attributes of neutron attribute neural network (a) and neutron inversion profile (b) of Taiyuan Formation

通过对未参与训练的校验井实测中子曲线与反演预测中子曲线对比,预测曲线与实测曲线具有较好的相似性,统计15口后验井曲线相关性达到85%,达到了储层预测精度(图10)。
图10 验证井曲线对比及相关性统计

Fig.10 Comparison of well curves and correlation statistics

3.3 储层孔隙度预测

通过对木瓜区各井岩石物理分析发现,虽然储层孔隙度与泊松比、V p/V s以及中子、自然伽马有一定的相关性,但这种相关程度达不到量化表征孔隙的精度要求。本文在充分利用叠前资料开展多弹性参数同步反演的基础上,结合高分辨叠后岩性特征属性反演成果,叠前叠后一体化开展孔隙度定量预测。孔隙度神经网络训练显示相关性达到84%,进而完成了该区孔隙度定量预测[图11(a)]。结果表明,叠前叠后融合反演能充分利用叠后反演的高分辨率岩性预测优势,同时融合了弹性参数的物性相对敏感性,有效提高储层孔隙度的预测精度[图11(b)]。
图11 太原组孔隙度神经网络地震属性优选训练图(a)及孔隙度预测剖面(b)

Fig.11 Training diagram (a) and porosity prediction profile (b) of the porosity neural network of the Taiyuan Formation

3.4 储层含气性预测

储层的含气性检测一直是地球物理难解决的一大问题,如何将地震资料中反映储层流体的信息表现出来,是进行含气性检测的关键。目前,油气领域通常利用AVO技术进行储层含气性预测。然而,储层含气性受砂体微相、厚度、储层物性等多重因素控制,单纯利用AVO属性难以达到区分有效气层预测效果。
本文研究以AVO属性分析与含气性较为敏感的AVO梯度属性为基本数据体,融合孔隙度、AVO截距等数据体构建多源数据神经网络,通过多属性分析,优选孔隙度、AVO梯度的绝对积分振幅、AVO截距的绝对积分振幅等10种属性开展神经网络训练,训练目标曲线与实测S w曲线相关性达到76%[图12(a)]。结果表明,与单纯AVO属性烃类检测相比,通过多源数据深度神经网络训练,气层预测符合率得到有效提高[图12(b),图12(c)]。
图12 太原组含水饱和度神经网络地震属性优选训练图(a)及含气性预测剖面(b)

Fig.12 Seismic attribute optimization training diagram (a) and gas content prediction profile (b) of water saturation neural network of Taiyuan Formation

3.5 结果验证

依据神经网络反演结果,落实了木瓜区太原组各段气层发育分布范围,并在有利储层发育区相继部署了15口评价井和开发井,经实钻结果验证(图13),太原组煤系地层的砂岩预测及气层预测效果较好,高分辨率砂体预测较好地反映多期河道砂体的叠合关系,储层含气性预测也反映出致密砂岩含气性受岩相及物性多重控制的特点。
图13 SM-63井区新完钻验证井剖面

Fig.13 Newly completed verification well profile of SM-63 well area

通过对15口后验井统计,神经网络反演有效提高了煤系地层致密砂岩储层预测精度,5 m以上砂岩储层预测符合率均达到80%以上,有效指导了木瓜区太原组煤系地层致密砂岩气藏的勘探开发(表1)。
表1 木瓜区验证井储层预测误差统计

Table 1 Statistical table of reservoir prediction error of validation wells in Mugua area

序号 井号 太1段 太2段 盒8段

砂岩厚度

/m

预测厚度

/m

误差

/m

相对误差

/%

砂岩厚度

/m

预测厚度

/m

误差

/m

相对误差

/%

砂岩厚度

/m

预测厚度

/m

误差

/m

相对误差

/%

小计 18.1 17.7 13.8
1 SM-63-1D 11.8 9.8 2.0 16.9 4.8 8.0 -3.2 17.1 19.5 -2.4 14.0
2 SM-63-6D 18.4 14.5 3.9 21.2 2.3 5.6 -3.3 21.7 23.5 -1.8 8.1
3 SM-63-7D 17.2 15.4 1.8 10.5 18.2 15.3 2.9 15.9 18.9 21.5 -2.6 13.8
4 SM-63-8D 18.2 15.6 2.6 14.3 6.2 7.0 -0.8 12.9 18.2 19.8 -1.6 8.8
5 SM-74-2D 12.6 13.5 -0.9 7.1 8.5 7.2 1.3 15.3 18.1 20.2 -2.1 11.6
6 SM-74-5D 10.6 11.6 -1.0 9.4 6.8 7.2 -0.4 5.9 19.7 18.5 1.2 6.1
7 FG1-11-8D 18.2 14.6 3.6 19.8 20.2 16.8 3.4 16.8 17.4 16.0 1.4 8.0
8 FG1-12-C01 16.3 12.1 4.2 25.8 27.4 18.9 8.5 31.0 21.1 22.8 -1.7 8.1
9 FG-T43-2D 19.5 14.8 4.7 24.1 20.1 16.9 3.2 15.9 17.2 20.8 -3.6 21.0
10 FG-T43-4D 20.9 16.5 4.4 21.1 12.5 15.1 -2.6 20.8 25.6 19.4 6.2 24.2
11 FG-T43-5D 9.8 12.1 -2.3 23.5 13.6 16.1 -2.5 18.4 28.6 20.3 8.3 29.0
12 FG-T43-6D 21.2 17.6 3.6 17.0 17.4 17.5 -0.1 0.6 32.3 24.5 7.8 24.1
13 FG-T45-1D 14.3 11.5 2.8 19.6 15.5 20.1 -4.6 29.7 23.5 21.8 1.7 7.2
14 FG-T49-6D 25.2 19.9 5.3 21.0 18.9 13.8 5.1 27.0 28.4 25.1 3.3 11.6
15 FG-T49 13.8 16.5 -2.7 19.6 10.4 8.3 2.1 20.2 21.6 23.9 -2.3 10.6

4 结论

(1)鄂尔多斯盆地木瓜区太原组煤系地层泥岩、砂岩、煤层等多岩相复合沉积,致密砂岩储层的厚度变化快,地震反射受煤层干扰影响严重,因此仅依靠地震数据难以对储层进行精准刻画。
(2)针对煤系地层致密储层地震表征精度低的特点,利用地震子波分解与重构等技术,提出了一套行之有效的神经网络特征属性反演煤系地层储层预测方法。通过这一方法,成功刻画了木瓜区太原组煤系地层致密砂岩储层,提高了储层地震预测精度。
(3)通过这一方法指导部署的勘探开发目标实钻结果良好,砂岩预测符合率达到80%以上,证明这一方法可以有效克服致密储层地震分辨率低、地球物理特征异常微弱而难以识别等问题,对鄂尔多斯盆地乃至全国致密储层的勘探和开发有积极的借鉴作用。
1
李新虎,马天录,郭杰,等. 鄂尔多斯盆地东部本溪组煤系致密砂岩储层脆性评价[J]. 煤炭技术,2023,42(3):111-116.

LI X H,MA T L,GUO J, et al. Brittleness evaluation of tight sandstone reservoirs in Benxi Formation coal measures in eastern part of Ordos Basin[J]. Coal Technology,2023,42(3):111-116.

2
ZHANG K, LIN N T, TIAN G P, et al. Unsupervised-learning based self-organizing neural network using multi-component seismic data:Application to Xujiahe tight-sand gas reservoir in China[J].Journal of Petroleum and Science and Engineering, 2022, 209:109964.

3
SANG K H, YIN X Y, ZHANG F C. Machine learning seismic reservoir prediction method based on virtual sample generation[J]. Petroleum Science, 2021, 18(6):1662-1674.

4
秦雪霏,李巍. 大牛地气田煤系地层去煤影响储层预测技术[J]. 吉林大学学报(地球科学版),2014,44(3):1048-1054.

QIN X F, LI W. Research of identification and trimming of coal-bed interference in Daniudi Gas Field[J].Journal of Jilin University(Earth Science Edition),2014,44(3):1048-1054.

5
齐宇,梁建设,柳迎红,等. 煤系地层地震储层预测技术研究和应用:以鄂尔多斯盆地临兴气田太2段为例[J]. 地质科技情报,2018,37(1):252-257.

QI Y,LIANG J S,LIU Y H,et al. Research and application of seismic reservoir prediction technology in coal measure strata: A case study of Tai2 member of Linxing Gas Field,Ordos Basin[J].Geological Science and Technology Information,2018,37 (1):252-257.

6
李国斌,张亚军,谢天峰,等.煤系地层致密砂岩气甜点区地震逐级预测——以鄂尔多斯盆地东南缘下二叠统山西组23亚段为例[J].天然气工业,2020,40(5):34-42.

LI G B, ZHANG Y J, XIE T F, et al.Step by step earthquake prediction in the sweet spot area of tight sandstone gas in coal-measure strata:A case study of Submember 23 of Shanxi Formation of Lower Permian Series in the southeastern margin of Ordos Basin[J]. Natural Gas Industry, 2020,40(5):34-42.

7
吴俊林,曾江辉.PNN神经网络在地震反演中的应用[J].内蒙古石油化工,2011(1):25-27.

WU J L, ZENG J H. Application of PNN neural network in seismic inversion[J]. Inner Mongolia Petrochemical Industry,2011(1):25-27.

8
程国建,周冠武,王潇潇.概率神经网络方法在岩性识别中的应用[J].微计算机信息,2007,23(6-1):288-289.

CHENG G J, ZHOU G W, WANG X X. Application of probabilistic neural network method in lithology identification[J]. Microcomputer Information,2007,23(6-1):288-289.

9
CHEN Y Y, ZHAO L X. Deep carbonate reservoir characterisation using multi-seismic attributes via machine learning with physical constraints[J].Journal of Geophysics and Engineering,2021,18:761-775.

10
徐宝荣,石楠,郭翔,等.基于多曲线拟合的深度前馈神经网络薄储层反演技术在吐哈盆地的应用[C].中国石油学会物探技术研讨会论文集,2021:817-819.

XU B R, SHI N, GUO X, et al. Application of Thin Reservoir Inversion Technique Based on Depth Feedforward Neural Network Based on Multiple Curve Fitting in Tuha Basin[C]. Proceedings of the Symposium on Geophysical Exploration Technology of the Chinese Petroleum Society,2021:817-819.

11
王继远.鄂尔多斯盆地榆林地区太原组—山西组页岩储层精细表征[D].北京:中国地质大学(北京), 2021:16-19.

WANG J Y. Fine Characterization of Shale Reservoir of Taiyuan and Shanxi Formations in Yulin Area,Ordos Basin[D].Bei-jing:China University of Geosciences(Beijing),2021:16-19.

12
李国永,姚艳斌,王辉,等.鄂尔多斯盆地神木—佳县区块深部煤层气地质特征及勘探开发潜力[J].煤田地质与勘探.2024,2,52(2):70-80.

LI G Y,YAO Y B,WANG H,et al. Deep coalbed methane resources in the Shenmu-Jiaxian block,Ordos Basin,China:Geological characteristics and potential for exploration and exploitation[J].Coal Geology & Exploration,2024.2,52(2):70-80.

13
汪关妹,张万福,张宏伟,等. 致密砂岩气地震预测关键技术及效果[J]. 石油地球物理勘探,2020,55(Z1):72-73.

WANG G M,ZHANG W F,ZHANG H W,et al. Key techniques and effects of seismic prediction of tight sandstone gas[J]. Oil Geophysical Prospecting,2020,55(Z1):72-73.

14
杨柳青,查蓓,陈伟,等.基于深度神经网络的砂岩储层孔隙度预测方法[J].中国科技论文,2020,15(1):73-80.

YANG L Q, ZHA B, CHEN W, et al. Prediction method of reservoir porosity based on deep neural network[J].China Sciencepaper,2020,15(1):73-80.

15
吴海瑞. 海坨子地区超低渗透油藏富集区优选技术研究[D]. 大庆:东北石油大学,2013.

WU H R. Study on the Ultra-low Permeability Reservior Enrichment Area Optimization in Haituozi Area[D].Daqing:Nor-theast Petroleum University,2013.

16
明君.多属性神经网络地震反演方法研究[D].北京:中国石油勘探开发研究院.2003.

MING J. Research on Multi-attribute Neural Network Seismic Inversion Method[D]Beijing:Petrochina Research Institute of Petroleum Exploration and Development, 2003.

文章导航

/