CN105863628A - 一种油田开发阶段储层精细预测方法 - Google Patents

Abstract

本发明涉及一种油田开发阶段储层精细预测方法，其步骤：基础数据收集、质控和处理：针对单井曲线问题和多井一致性问题，对存在问题的测井曲线采用岩石物理方法进行校正；利用岩石物理分析方法获得对储层的岩性、物性或含油气性具有区分性的测井曲线参数，确定储层反演目标参数；进行精细井震标定，获得准确的时深关系；采用常规波阻抗反演方法获得波阻抗数据体，作为多属性反演的外部属性输入；针对多属性反演方法的特点，采用带通滤波手段滤除测井曲线的高低频信息，即进行井震资料的频率匹配；将获得的波阻抗数据体作为外部属性输入，采用多属性反演方法得到最终反演结果。本发明能有效提高预测精度，适用范围较广，满足了油田开发阶段对于储层预测精度的需求。

Description

一种油田开发阶段储层精细预测方法

技术领域

本发明涉及一种油田开发阶段的储层研究领域，特别是关于一种基于两步法反演的油田开发阶段储层精细预测方法。

背景技术

油田开发阶段对储层描述精度的要求明显提高，对地震技术提出了更高的要求。开发地震技术是勘探地震技术向油气田开发阶段的延伸，它直接面向油气藏开发开采需求，以地震技术为主导，充分利用地震资料空间密集采样的优势，并综合测井、地质、油藏工程等多学科信息，以实现油气藏特征的精细描述及动态监测。

开发阶段的地震技术主要用于提高分辨率、提高储层描述和烃类检测精度、建立精细三维油气藏模型。其难点则是目前的地震分辨率难以满足开发需要，利用常规地震资料进行流体预测的精度较低。在油田开发阶段，影响储层预测精度的因素主要包括油田地震资料解释通常以满足勘探阶段需求为目标，地质数据在油田开发阶段因滞后性而精度下降；随着油田不断开发，测井资料不断增多，但多种测井系列结果缺乏统一规范的处理和解释；储层研究大量引入新的反演软件和算法，但精度和适用性较低，无法满足中国复杂地质条件下油田开发阶段精细储层预测的实际需求。因此，如何在勘探地震方法与技术流程上进行合理改进，使其满足油田开发阶段对于储层预测精度的需求，创新形成适用于油田开发阶段的高精度储层预测方法，具有非常重要的研究意义。

发明内容

针对上述问题，本发明的目的是提供一种油田开发阶段储层精细预测方法，该方法能有效提高预测精度，适用范围较广，满足了油田开发阶段对于储层预测精度的需求。

为实现上述目的，本发明采取以下技术方案：一种油田开发阶段储层精细预测方法，其特征在于，该方法包括以下步骤：1)基础数据收集、质控和处理，重点进行测井曲线质控：针对单井曲线问题和多井一致性问题，对存在问题的测井曲线采用岩石物理方法进行校正；2)利用岩石物理分析方法获得对储层的岩性、物性或含油气性具有区分性的测井曲线参数，确定储层反演目标参数；3)进行精细井震标定，获得准确的时深关系；4)采用常规波阻抗反演方法获得波阻抗数据体，作为多属性反演的外部属性输入；5)针对多属性反演方法的特点，采用带通滤波手段滤除测井曲线的高低频信息，即进行井震资料的频率匹配；6)将步骤4)获得的波阻抗数据体作为外部属性输入，采用多属性反演方法得到最终反演结果。

所述步骤6)中，具体方法如下：①单属性相关分析：计算外部属性和从地震数据中提取的内部属性与储层反演目标参数之间的线性相关系数，根据相关系数大小对各个属性进行排序，根据排序的先后剔除相关性较差的属性，实现属性的初步优选；②多属性相关分析：根据单属性相关分析结果，采用“步聪法”寻找全局最优的多个属性组合，最终得到的最优敏感属性组合必须满足校验误差为最小的条件；③褶积算子长度优选：褶积算子长度即参与预测某一深度储层反演目标参数的时间域地震属性的个数，比较不同褶积算子的校验误差，当校验误差最小时对应的褶积算子长度即为最优的褶积算子长度；④神经网络非线性分析：在选定地震属性组合和褶积算子长度的基础上，采用概率神经网络方法对井点处的测井曲线进行训练学习，建立储层反演目标参数和优选的地震属性组合之间的非线性关系，然后将建立的关系推广到整个反演工区范围，实现非线性的多属性反演。

所述步骤②中，采用“步聪法”寻找全局最优的多个属性组合步骤如下：(ⅰ)寻找全局最优单个属性：在单属性相关分析过程中，对整个属性列表A₁,A₂,A₃,…,A_m分别计算单个属性在井点处和目标储层参数的相关系数和均方根误差；根据误差分析结果，选取预测误差最小的属性为全局最优单个属性，记为B₁；(ⅱ)寻找全局最优两个属性组合：将全局最优单个属性B₁与属性列表中各个属性形成一系列两个属性组合(B₁,A_i)，对每个属性组合求取加权因子，计算各属性组合在井点处和目标储层参数的相关系数和均方根误差，选取预测误差最小的属性组合为最优的两个属性组合，称最优两个属性组合中的另一个属性为全局次优属性，记为B₂，则全局最优两个属性组合为(B₁,B₂)；(ⅲ)寻找全局最优三个属性组合：将全局最优两个属性组合(B₁,B₂)与属性列表中各个属性形成一系列三个属性组合(B₁,B₂,A_i)，对每个属性组合求取加权因子，计算各属性组合在井点处和目标储层参数的相关系数和均方根误差，选取预测误差最小的属性组合为最优的三个属性组合，称最优三个属性组合中的另一个属性为全局再次优属性，记为B₃，则全局最优三个属性组合为(B₁,B₂,B₃)；(ⅳ)重复上述步骤，依次类推，直至结束。

本发明由于采取以上技术方案，其具有以下优点：1、本发明采用两步法反演的技术路线，在常规波阻抗反演成果基础上进一步提高反演分辨率。2、本发明不仅可以对波阻抗、速度和密度等常规储层参数进行预测，还可预测伽马、电阻率等测井曲线参数。3、本发明采用了非线性反演方法，相比线性方法具有更高的预测精度。

附图说明

图1是本发明的整体流程示意图；

图2是本发明针对测井曲线进行多井一致性处理前后的频率直方图对比示意图；

图3是本发明采用岩石物理图版方式对测井曲线进行质控的示意图；

图4是本发明采用岩石物理方法对存在问题的井段的密度测井曲线进行校正前后的对比结果；

图5是本发明用于确定反演目标参数的岩石物理交会图；

图6是本发明进行精细井震标定的合成记录与井旁地震道对比图；

图7是本发明采用不同品质的波阻抗反演结果作为外部属性输入得到的密度反演结果差异；

图8是本发明进行井震资料的频率匹配前后的测井曲线对比；

图9是本发明采用“步聪法”进行多属性优选的流程图；

图10是本发明对不同褶积算子长度及属性个数进行优选的示意图；

图11是本发明最终得到的密度反演剖面与常规方法得到的波阻抗反演剖面效果对比，箭头指示的位置反演分辨率明显得到提高。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提供一种油田开发阶段储层精细预测方法，该方法采用两步法反演，即首先进行常规波阻抗反演，然后将反演得到的波阻抗数据体作为多属性地震反演的外部输入属性，具体包括以下步骤：

1)基础数据收集、质控和处理，重点进行测井曲线质控：针对单井曲线问题和多井一致性问题，对存在问题的测井曲线采用岩石物理方法进行校正。

如图2所示，通过采用频率直方图对多口井的测井曲线的分布趋势进行质控，测井曲线值分布范围和趋势不同可能是由于测井时间、仪器等不同导致，需要采用归一化等处理方法进行一致性校正，从图中可见经过校正后，多井的测井曲线的值域范围及分布趋势基本一致。

如图3所示，通过岩石物理图版结合各种岩石物理极限边界(如Voigt上极限与Reuss下极限)对测井曲线中存在的异常值进行质控，岩石物理图版中圈出的散点即为异常点。

如图4所示，通过图3的岩石物理图版找出异常值在测井曲线中的分布，利用岩石物理建模等方法对异常值进行校正。

2)利用岩石物理分析方法获得对储层的岩性、物性或含油气性具有区分性的测井曲线参数，确定储层反演目标参数。

如图5所示，对泥质含量和纵波阻抗及密度分别进行交会分析发现，波阻抗对于岩性具有一定的区分性，但密度对岩性的区分效果更好，通过对比可以确定将密度作为储层反演目标参数。

3)进行精细井震标定，获得准确的时深关系。

多属性反演需要在时间域的地震数据和深度域的测井资料之间建立对应关系，因此时深关系曲线的精确程度会直接影响反演结果的好坏，精细的井震标定非常重要。

如图6所示，通过精细的井震标定，合成地震记录和过井地震剖面的波组特征相似，各个标志层的地震响应特征具有很好的对应关系，合成记录与井旁地震道的相关系数达到0.6以上，这样的标定结果可以满足后续反演的需求。

4)采用常规波阻抗反演方法获得波阻抗数据体，作为多属性反演的外部属性输入。

多属性反演方法对于外部属性的依赖性较强，最终结果是在外部属性的基础上进行改善，因此，导入一个较好的外部属性可以得到更好的多属性反演成果，反之多属性反演的结果不能得到改善甚至会变得更糟。

如图7所示，当输入一个分辨率较低、信噪比较低的波阻抗反演结果作为外部属性时，密度反演的结果也很不理想，反之则有很大程度改善。

5)针对多属性反演方法的特点，采用带通滤波手段滤除测井曲线的高低频信息，即进行井震资料的频率匹配。

测井曲线的频率通常比地震数据的频率高很多，在建立测井曲线与地震资料对应关系时，高出地震数据频率的这一部分信息属于无用信息，在反演过程中将不会起到任何有益作用，因此可以滤除高频信息，使得井震资料的高频匹配，使得反演问题简化。在滤除测井曲线高频信息的同时，由于地震资料中低频成分的缺失，测井资料还多出一部分低频信息，这部分低频信息反映到密度、声波等测井曲线上，表现为深度由浅至深变化时的压实趋势。经过试验发现，采用对测井曲线滤除低频压实趋势的方法可以对提高反演分辨率起到一定作用。

如图8所示，滤除高频后曲线的变化变得不那么剧烈，滤除低频后压实趋势消失，纵向上相邻深度的差异更加明显。

6)将步骤4)获得的波阻抗数据体作为外部属性输入，采用多属性反演方法得到最终反演结果。其具体步骤如下：

①单属性相关分析：计算外部属性和从地震数据中提取的内部属性与储层反演目标参数之间的线性相关系数，根据相关系数大小对各个属性进行排序，根据排序的先后剔除相关性较差的属性，实现属性的初步优选；

②多属性相关分析：根据单属性相关分析结果，采用“步聪法”寻找全局最优的多个属性组合，最终得到的最优敏感属性组合必须满足校验误差为最小的条件；

其中，如图9所示，采用“步聪法”寻找全局最优的多个属性组合步骤如下：

(ⅰ)寻找全局最优单个属性：在单属性相关分析过程中，对整个属性列表A₁,A₂,A₃,…,A_m分别计算单个属性在井点处和目标储层参数的相关系数和均方根误差。根据误差分析结果，选取预测误差最小的属性为全局最优单个属性，记为B₁；

(ⅱ)寻找全局最优两个属性组合：将全局最优单个属性B₁与属性列表中各个属性形成一系列两个属性组合(B₁,A_i)，对每个属性组合求取加权因子，计算各属性组合在井点处和目标储层参数的相关系数和均方根误差，选取预测误差最小的属性组合为最优的两个属性组合，称最优两个属性组合中的另一个属性为全局次优属性，记为B₂，则全局最优两个属性组合为(B₁,B₂)；

(ⅲ)寻找全局最优三个属性组合：将全局最优两个属性组合(B₁,B₂)与属性列表中各个属性形成一系列三个属性组合(B₁,B₂,A_i)，对每个属性组合求取加权因子，计算各属性组合在井点处和目标储层参数的相关系数和均方根误差，选取预测误差最小的属性组合为最优的三个属性组合，称最优三个属性组合中的另一个属性为全局再次优属性，记为B₃，则全局最优三个属性组合为(B₁,B₂,B₃)；

(ⅳ)重复上述步骤，依次类推，直至结束。

③褶积算子长度优选：褶积算子长度即参与预测某一深度储层反演目标参数的时间域地震属性的个数，比较不同褶积算子的校验误差，当校验误差最小时对应的褶积算子长度即为最优的褶积算子长度；如图10所示，当褶积算子长度为1，属性个数为5时，校验误差达到最小；

④神经网络非线性分析：在选定地震属性组合和褶积算子长度的基础上，采用概率神经网络方法对井点处的测井曲线进行训练学习，建立储层反演目标参数和优选的地震属性组合之间的非线性关系，然后将建立的关系推广到整个反演工区范围，实现非线性的多属性反演(如图11所示)。

上述各实施例仅用于说明本发明，各部件的结构、尺寸、设置位置及形状都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别部件进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (3)

1.一种油田开发阶段储层精细预测方法，其特征在于，该方法包括以下步骤：

1)基础数据收集、质控和处理，重点进行测井曲线质控：针对单井曲线问题和多井一致性问题，对存在问题的测井曲线采用岩石物理方法进行校正；

2)利用岩石物理分析方法获得对储层的岩性、物性或含油气性具有区分性的测井曲线参数，确定储层反演目标参数；

3)进行精细井震标定，获得准确的时深关系；

4)采用常规波阻抗反演方法获得波阻抗数据体，作为多属性反演的外部属性输入；

5)针对多属性反演方法的特点，采用带通滤波手段滤除测井曲线的高低频信息，即进行井震资料的频率匹配；

6)将步骤4)获得的波阻抗数据体作为外部属性输入，采用多属性反演方法得到最终反演结果。

2.如权利要求1所述的一种油田开发阶段储层精细预测方法，其特征在于：

所述步骤6)中，具体方法如下：

①单属性相关分析：计算外部属性和从地震数据中提取的内部属性与储层反演目标参数之间的线性相关系数，根据相关系数大小对各个属性进行排序，根据排序的先后剔除相关性较差的属性，实现属性的初步优选；

②多属性相关分析：根据单属性相关分析结果，采用“步聪法”寻找全局最优的多个属性组合，最终得到的最优敏感属性组合必须满足校验误差为最小的条件；

③褶积算子长度优选：褶积算子长度即参与预测某一深度储层反演目标参数的时间域地震属性的个数，比较不同褶积算子的校验误差，当校验误差最小时对应的褶积算子长度即为最优的褶积算子长度；

④神经网络非线性分析：在选定地震属性组合和褶积算子长度的基础上，采用概率神经网络方法对井点处的测井曲线进行训练学习，建立储层反演目标参数和优选的地震属性组合之间的非线性关系，然后将建立的关系推广到整个反演工区范围，实现非线性的多属性反演。

3.如权利要求2所述的一种油田开发阶段储层精细预测方法，其特征在于：

所述步骤②中，采用“步聪法”寻找全局最优的多个属性组合步骤如下：

(ⅰ)寻找全局最优单个属性：在单属性相关分析过程中，对整个属性列表A₁,A_2,A₃,…,A_m分别计算单个属性在井点处和目标储层参数的相关系数和均方根误差；根据误差分析结果，选取预测误差最小的属性为全局最优单个属性，记为B₁；

(ⅱ)寻找全局最优两个属性组合：将全局最优单个属性B₁与属性列表中各个属性形成一系列两个属性组合(B₁,A_i)，对每个属性组合求取加权因子，计算各属性组合在井点处和目标储层参数的相关系数和均方根误差，选取预测误差最小的属性组合为最优的两个属性组合，称最优两个属性组合中的另一个属性为全局次优属性，记为B₂，则全局最优两个属性组合为(B₁,B₂)；

(ⅲ)寻找全局最优三个属性组合：将全局最优两个属性组合(B₁,B₂)与属性列表中各个属性形成一系列三个属性组合(B₁,B₂,A_i)，对每个属性组合求取加权因子，计算各属性组合在井点处和目标储层参数的相关系数和均方根误差，选取预测误差最小的属性组合为最优的三个属性组合，称最优三个属性组合中的另一个属性为全局再次优属性，记为B₃，则全局最优三个属性组合为(B₁,B₂,B₃)；

(ⅳ)重复上述步骤，依次类推，直至结束。