利用先驗信息約束的深度學習方法定量預測致密砂巖“甜點”

王迪,張益明，張繁昌，丁繼才，牛聰

(1.中海油研究總院有限責任公司，北京 100028； 2.海洋油氣勘探國家工程研究中心，北京 100028；3.中國石油大學(華東)地球科學與技術學院，山東青島 266580)

0 引言

隨著石油工業的不斷發展，非常規油氣已成為當今世界油氣勘探的新熱點。鄂爾多斯盆地致密砂巖氣資源豐富，先后發現了蘇里格、米脂、烏審旗、大牛地、神木等5個大氣田，勘探、開發潛力巨大[1-2]。由于致密砂巖儲層具有低孔、低滲、非均質性強的特征，因此尋找局部發育的高孔、高滲、高飽和度的“甜點”區是取得產能突破的關鍵。為此，人們研究了“甜點”識別，主要以定性預測為主，其基本思想是通過分析“甜點”儲層與非“甜點”儲層的巖石物理或地震響應特征的差異，利用反演、屬性分析等手段刻畫“甜點”展布。張林清等[3]綜合應用疊前同時反演、分頻屬性及屬性融合手段，預測西湖凹陷G區致密氣儲層“甜點”；李岳桐等[4]通過優選敏感特征曲線反演預測細粒沉積巖致密油“甜點”區；李久娣等[5]采用疊前AVO敏感屬性技術有效刻畫了東海海域深層低滲儲層的“甜點”分布；孫文舉等[6]依據在三維地震數據體中提取的“甜點”屬性與疊前反演得到的泊松比屬性，在平面上有效預測天然氣“甜點”富集區；韓剛等[7]認為密度參數是識別花港組致密砂巖儲層“甜點”的敏感屬性，利用疊前AVO三參數反演預測“甜點”；韓飛鵬等[8]優選了表征地質“甜點”區和工程“甜點”區發育特征的5個屬性參數，通過融合得到“甜點”分布。此外，有人還定量預測了致密砂巖“甜點”。朱永才等[9]通過多屬性優選和非線性回歸的方法定量預測致密油孔隙度，刻畫了吉木薩爾凹陷蘆草溝組“甜點”分布；王迪等[10]構建了適用于致密儲層的AVO解釋模板，半定量地預測孔隙度和厚度；汪關妹等[11]依據純砂巖縱波阻抗與孔隙度的數學關系，采用兩步法預測致密砂巖孔隙度，進而預測“甜點”儲層分布規律；Jaiswal 等[12]利用縱、橫波速度建立巖石物理模型，預測了美國俄克拉荷馬州脆性“甜點”區；Sreedurga等[13]利用縱波阻抗變化率等多屬性分析預測印度巴默盆地致密火山巖儲層的孔隙度。目前，針對致密砂巖“甜點”定量預測的研究主要集中在孔隙度方面，有關滲透率、含氣飽和度等參數的預測研究很少。

從巖石物理學角度來看，由于儲層參數(孔隙度、滲透率、含氣飽和度)與地震數據之間并不存在直接的解析關系，無法用顯性方程予以描述，導致常規反演等方法無法準確地定量預測“甜點”。深度學習的優勢在于通過構建適用的網絡模型，能夠充分挖掘地震數據與儲層參數之間的復雜非線性關系，提高儲層參數預測精度[14-17]。丁燕等[18]建立了利用深度信念網絡預測潛山碳酸鹽巖儲層裂縫的方法；楊柳青等[19]利用深度神經網絡模型預測儲層孔隙度；陳康等[20]基于改進U-Net卷積神經網絡預測儲層巖性及“甜點”；閆星宇等[21]提出一種用于地震相分類識別的深度學習方法；王俊等[22]基于門控循環單元神經網絡預測儲層孔、滲、飽參數。深度學習是一種數據驅動的方法，充分的數據和良好的分布是保證預測精度的必要條件。因此，與常規反演方法相比，深度學習對井的數量、質量和分布要求更苛刻。當井數量較少時，由于學習不充分會導致預測結果不可靠[23-24]。LX區塊目前已進入開發階段，鉆井數量多且分布較均勻，為開展深度學習奠定了良好的數據基礎。實踐證明，該區利用深度學習預測儲層參數的困難在于地震數據與測井曲線不存在一一對應關系，存在大量矛盾樣本，導致常規卷積神經網絡難以直接用于井震聯合致密儲層“甜點”識別。

針對上述問題，本文引入地層格架、地震相等先驗約束信息，構建了適用于致密儲層的深度學習網絡模型，形成了地質導向的樣本井優選方法，實現了儲層參數高精度定量預測。

1 LX區塊概況

LX區塊位于鄂爾多斯盆地東緣晉西撓褶帶，地理位置橫跨山西省臨縣和興縣(圖1)。二疊系石盒子組是主要勘探目的層，發育三角洲平原和前緣分流河道砂體。儲層孔隙度為2%～16%、滲透率為0.01～10 mD、含氣飽和度為35%～75%。參照GB/T 26979-2011氣藏分類標準，該區儲層絕大部分屬于低孔、低滲儲層，少量屬于中孔、中滲(孔隙度大于10%，滲透率大于5 mD)[25]儲層。

圖1 LX區塊位置示意圖

LX區塊鉆井結果揭示，優選高孔隙度、高滲透率、高含氣飽和度的“甜點”是取得產能突破的關鍵。通過分析將測試產能數據劃分為兩組：一組為測試產能大于1萬m3/d的井數據，定義為高產井數據；另一組為測試產能小于1萬m3/d的井數據，定義為低產井數據。通過對比兩者的儲層參數(圖2)，可知高產井和低產井數據在孔隙度、滲透率、含氣飽和度指標上存在明顯差異，其中高產井數據具有孔隙度大于12%、滲透率大于1 mD、含氣飽和度大于50%的特征。因此，如何準確預測上述三個參數是識別高產“甜點”的關鍵。

圖2 高產井(紅色線)和低產井(藍色線)的地層參數對比

2 技術原理

2.1 矛盾樣本問題

樣本矛盾是指地震數據與測井數據不是一一對應關系，如地震波形相似、伽馬曲線差異很大(圖3a)，或伽馬曲線均為低值、地震波形差異很大(圖3b)。當前流行的深度學習模型無法直接利用井震聯合預測致密儲層參數。經過進一步分析認為，相互矛盾的樣本位于不同的時間和空間位置，即處于不同的層段和地震(沉積)相帶內(圖4)。因此，可以引入線(道)號、層序格架、地震相等先驗信息作為約束，結合地震數據參與網絡訓練。由于考慮了時間位置、空間位置、波形特征等，樣本不再互相矛盾，能夠使地震數據與測井數據在相同層段、類似相帶內學習與訓練，從而提高儲層參數預測精度。

圖4 樣本矛盾解決思路示意圖

2.2 網絡模型結構

基于上述思想，在常規卷積神經網絡模型的基礎上增加一個全連接網絡結構(圖5)。地震數據與測井數據之間通過托布里茲局部網絡結構連接，用于解決儲層參數與地震數據不直接相關問題。全連接網絡結構通過引入線(道)號、層位、地震相等先驗信息，可以解決矛盾樣本問題。

圖5 適用于致密儲層的深度學習網絡模型結構

基于先驗信息約束的深度學習網絡模型運算步驟如下。

(1)建立全局連接網絡作為深度學習網絡的支網一。支網一以地震空間格架信息和其他先驗信息作為輸入，該結構的每一節點都與上一層的所有節點相連，將地層格架高維特征映射到樣本標記空間，層間運算關系為

Yi+1=Wi·Yi

(1)

式中：Yi和Yi+1分別為第i層和第i+1層的輸入；Wi為第i層到第i+1層的連接權重矩陣。

(2)建立局部連接的卷積神經網絡作為深度學習網絡的支網二。支網二以地震數據作為輸入，層間運算關系為

(2)

(3)將步驟(1)和步驟(2)的支網運算結果求和，得到總網輸出。

網絡模型內部結構如圖6所示?；谏疃葘W習網絡預測致密儲層參數的過程如下:

(1)根據LX區塊的地質情況，對測井、地震數據進行時深標定；

(2)利用地震層位信息搭建時間域地層格架；

(3)對地震數據進行波形聚類，以劃分地震相；

(4)將儲層參數訓練樣本集作為期望輸出，井旁地震數據、相應空間格架、地震相信息作為輸入，以訓練網絡；

(5)將靶區地震數據及空間格架信息輸入到訓練好的網絡，得到整個靶區儲層參數數據體。

3 樣本井篩選

深度學習方法依賴于數據，充分的數據和良好的分布是保證訓練精度的必要條件。由于LX區塊處于開發階段，鉆井數量多，同一井臺上鉆探了不同數量的定向井，優選最佳的測井學習樣本十分關鍵。為此，結合LX區塊的地質認識，制定了樣本井篩選的三個基本原則：①空間分布均勻；②井震標定關系好；③涵蓋多種沉積樣式和巖性組合。LX區塊主要發育河道心灘(圖7a)、復合河道(圖7b)、河道側緣(圖7c)和分流間灣(圖7d)共4種沉積微相及巖性組合，在選擇樣本井時應盡可能兼顧所有模式。根據上述原則，共篩選26口樣本井進行第一輪訓練和效果測試。通過測試發現，當同一井臺的多口井的鉆探結果差異較大時，僅選擇其中一口井數據進行學習會引起預測結果的偏差。深度學習效果測試結果表明(圖8)：三口井均鉆遇中強振幅層位，A-2井鉆遇氣層(孔隙度高)，A-1和A-3井鉆遇干層(孔隙度低，圖8a)；只選擇A-2井數據參與學習，導致A-1井和A-3井孔隙度預測結果偏高，與鉆探結果不符(圖8b)；增加A-1井作為樣本井，A-3井孔隙度預測結果與實鉆結果更吻合(圖8c)。因此，在第一輪井位篩選的基礎上，補充了16口學習井，以進一步豐富樣本的多樣性，利用42口井數據訓練深度學習網絡，從而定量預測儲層參數。

圖7 LX區塊沉積微相及巖性組合模式

圖8 深度學習效果測試

4 應用效果

4.1 儲層參數定量預測

圖9為不同方法預測的孔隙度剖面。由圖可見，與疊前反演間接預測的孔隙度剖面(圖9c)相比，本文的深度學習網絡預測的孔隙度剖面(圖9b)的分辨率更高、連續性更好且與鉆井數據吻合度更高，并識別了高孔隙度儲層(圖中紅色橢圓位置)，與測井有效孔隙度曲線更匹配。

圖9 不同方法預測的孔隙度剖面

本次深度學習選取42口井數據參與訓練，10口井作為驗證井分析預測結果的精度。圖10為深度學習儲層參數預測連井剖面。由圖可見，無論訓練井還是驗證井，預測結果與測井曲線的匹配關系良好，孔隙度(圖10a)、滲透率(圖10b)和含氣飽和度(圖10c)剖面的橫向變化規律一致。為進一步印證深度學習儲層參數預測結果的可靠性，以圖10c的四套典型砂體(①～④)為例，對比儲層參數預測值與測井實際值(表1)?？梢?，孔隙度預測相對誤差小于10%，滲透率預測相對誤差小于18%，含氣飽和度預測相對誤差小于15%，預測精度較高。

表1 孔隙度、滲透率和含氣飽和度預測值與實際值對比

圖10 深度學習儲層參數預測連井剖面

4.2 高產甜點分布預測

根據深度學習儲層參數定量預測結果，考慮到“甜點”(產能大于1萬m3/d)對應的參數門檻值(孔隙度大于12%、滲透率大于1 mD、含氣飽和度大于50%)，綜合孔隙度、滲透率、含氣飽和度數據體，刻畫了盒四段高產“甜點”平面展布(圖11)?？梢?，疊前反演方法預測的盒四段高產“甜點”呈塊狀分布(圖11a)，與三角洲平原分流河道的地質規律不符。深度學習方法預測的盒四段高產“甜點”具有典型的三角洲分流河道沉積特征，優質砂體呈條帶狀由北向南展布(圖11b)，與沉積規律相符。鉆井數據表明：圖11a的黑色橢圓區域的“甜點”為異常假象，實際鉆井在該區域并未鉆遇高產氣層；圖11b的黑色橢圓區域基本不發育“甜點”，預測結果與鉆井數據更吻合。42口井的數據統計結果表明，常規反演方法預測的“甜點”符合率為68%，深度學習方法預測的“甜點”符合率為82%，后者明顯提升了預測精度。

圖11 盒四段高產“甜點”展布規律預測結果

根據深度學習高產“甜點”預測結果和LX區塊內鉆井分布，部署了SJ-1～SJ-5共5個有利井位目標，鉆探結果如表2所示。由表可見，5口井均鉆遇優質氣層，實際砂巖的孔隙度、滲透率、含氣飽和度數值基本都達到高產“甜點”的儲層參數門檻值。其中，SJ-2井的滲透率值(0.89 mD)、SJ-5井的孔隙度值(11.6%)稍低于對應的參數門檻值，存在預測誤差。圖12為S-4井、S-3井深度學習儲層參數預測連井剖面。由圖可見，孔隙度(圖12b)、含氣飽和度(圖12c)預測值和實際值吻合度較高。測試結果表明，5口井射孔無阻流量均超過1萬m3/d，取得了良好的應用效果，推動了致密氣高效開發。

表2 新井鉆探結果統計表

圖12 S-4井、S-3井深度學習儲層參數預測連井剖面

5 結論

針對現有深度學習模型無法直接預測致密儲層的問題，提出了基于先驗信息約束的深度學習網絡模型，定量預測了儲層參數，刻畫了高產“甜點”平面展布，指導了開發井位部署，取得了良好的應用效果。該技術主要有以下優勢：

(1)將地層格架、地震相等信息作為約束條件加入深度學習網絡模型中，解決了矛盾樣本的問題，提高了儲層參數預測結果的穩定性以及與測井曲線的吻合度；

(2)提出了基于地質導向的樣本井篩選方法，能夠兼顧各種沉積微相和巖性組合模式，豐富了樣本的多樣性；

(3)充分發揮測井曲線垂向分辨率高的優勢，由井震聯合深度學習預測的儲層參數結果的垂向分辨率高于地震數據，較好地刻畫了致密砂巖儲層。