井震數據聯合驅動下砂體疊置模式構建技術及應用
——以WX油田東北部姚家組葡萄花油層為例

徐世東 ，陳書平*，薛佳雯，孔令華

(1.中國石油大學(北京)油氣資源與探測國家重點實驗室，北京 102249； 2.中國石油大學(北京)地球科學學院，北京 102249；3.北京布瑞知識產權代理有限公司，北京 102200； 4.中國石油新疆油田分公司，新疆克拉瑪依 834000)

0 引言

淺水三角洲主要發育于水體較淺、構造相對穩定的臺地、陸表?；虻匦纹骄?、整體沉降緩慢的拗陷湖盆[1-5]。其分流河道頻繁側向遷移和改道[6]，一方面導致分流河道砂體廣泛發育，其他類型砂體被普遍侵蝕[7]；另一方面使分流河道砂體疊置關系復雜化[8-9]。當砂體橫向延伸復雜、斷續分布時，將嚴重影響儲層評價、剩余油挖潛和井位部署。葡萄花油層是松遼盆地WX油田重要的含油層系之一，該油層砂體屬于淺水三角洲沉積，層數多、厚度小(1～2 m)，河道沿南北向變化頻繁；局部井間距較大[10-14]，井間沉積相變快，砂體展布規律復雜。以往的技術或方法[15]難以精細刻畫油層段各小層沉積微相特征，目前砂體疊置模式尚未建立，這給油田開發帶來一定難度。

為此，本文將機器學習技術[16-20]應用于砂體疊置關系的研究中，以測井、錄井和三維地震資料為基礎，采用井震聯合驅動下優化的隨機森林算法和數據挖掘技術建立沉積微相概率預測模型；再通過機器學習和模糊判別方法分別識別出WX油田東北部姚家組葡萄花油層段各小層的沉積微相類型；最終建立該區四種砂體疊置模式。該方法可提高沉積微相的垂向及平面形態表征能力，明顯提高了薄砂儲層的描述精度。

1 研究區概況

WX油田位于松遼盆地大慶長垣東翼構造緩坡區。研究區位于WX油田的東北部，東西寬約8.1 km，南北長約7.9 km，葡萄花油層為主要開發層系之一。葡萄花油層屬于上白堊統姚家組一段，發育一套典型的河流—湖盆淺水三角洲沉積體系[21-22]。WX油田位于近湖端側緣，受控于北部強物源供給，主體發育淺水三角洲前緣亞相等沉積相類型[21]。葡萄花油層分為PI1～PI9(PI1、PI2、PI4、PI5均又進一步細分為1和2兩個小層，分別用下標1、2表示)共13個小層，其中PI1～PI4小層為上砂組，PI5～PI9為下砂組(圖1)。油層平均厚度為60.0 m，單層砂巖平均厚度為1.7 m，砂體厚度在平面上變化較大。

圖1 研究區葡萄花油層巖電關系

2 砂體疊置模式構建技術流程

從“機器學習”的角度，采用井震數據驅動和多學科知識聯合約束的思想，構建砂體疊置模式。技術流程如圖2所示，主要步驟如下：

圖2 砂體疊置模式構建技術路線

(1)在充分調研區域構造、沉積背景的基礎上，根據研究區內279口井的測井沉積微相解釋結論，確定單井各沉積微相的測井響應特征；

(2)利用三維地震數據體，共提取各小層72種地震屬性，通過敏感性分析[23]，選取21種屬性作為輸入；

(3)通過時深轉換，拾取有效樣本點構建樣本集，建立沉積微相—測井響應—地震屬性的一一對應關系；

(4)對線性判別[24-26]、決策樹[27]、單隱層神經網絡[28-30]、高斯徑向基核C-SVM(支持向量機)[31-33]和隨機森林[34-38]等不同機器學習算法進行十折交叉驗證[39]，測試各算法的準確性，最終選擇隨機森林算法對構建的樣本集進行學習，建立井資料約束下地震屬性驅動的沉積微相概率預測模型；

(5)將各小層地震屬性切片作為預測模型的輸入進行機器學習，計算各小層對應沉積微相概率，再進行模糊判別分析，預測各小層沉積微相；

(6)根據預測的各小層沉積微相，結合測井響應特征，構建葡萄花油層砂體疊置模式。

3 小層沉積微相預測

3.1 單井微相測井響應特征

通過分析測井微相解釋結論(圖3)，可知研究區內單井沉積微相總體特征為：PI1～PI2為淺水三角洲前緣亞相，主要分為水下分流河道、三角洲前緣席狀砂、水下分流間灣等沉積微相；PI3～PI6為三角洲平原亞相，主要分為分流河道、決口扇、分流間灣等沉積微相；PI7～PI9為三角洲前緣亞相，與PI1～PI2沉積特征相似。

水下分流河道微相(圖3a)巖性主要為泥質粉砂巖、粉砂巖，砂體普遍較厚，SP、GR曲線多以中幅度箱形、鐘形為主。

席狀砂微相(圖3b)巖性主要為粉砂巖與泥巖互層，砂體厚度中等，SP、GR曲線呈指狀或鋸齒狀，一般是中等幅度差。

水下分流間灣微相(圖3c)巖性主要為泥巖，僅發育極薄的砂層，測井響應上為較高GR值，SP曲線特征呈微鋸齒狀，基本沒有幅度差。

分流河道微相(圖3d)巖性主要為粉砂巖，測井響應特征與水下分支河道相似，SP、GR曲線為鐘形或箱形，高幅度差。

決口扇微相(圖3e)巖性主要為泥質粉砂巖，SP、GR曲線呈指形或塔松狀，中等幅度差，頂部漸變，底部突變。

分流間灣微相(圖3f)巖性及測井響應特征與水下分流間灣微相相似。

3.2 地震屬性提取與優選

由于葡萄花油層較薄，13個小層在地震剖面上僅顯示為兩個相位(圖4)，無法有效識別各沉積微相。為了更好地發揮三維地震資料表征儲層沉積相的作用，增加機器學習的樣本數量，本文對地震資料進行分頻濾波處理(間隔為10 Hz)，得到了0～10、10～20、20～30、30～40、40～50、50～60、60～70和70～80 Hz共8個頻段波形屬性；然后分頻段計算出瞬時振幅(InsAmp)、瞬時頻率(InsFreq)、瞬時相位正弦(SinPhase)、瞬時相位余弦(CosPhase)和相對波阻抗(Rankimp)共5類地震屬性。

圖4 W1-8-13—W1-8-12—W1-8-11連井地震剖面

首先初步篩選出24種常規地震屬性(如Seismic，即疊后地震屬性體等)和48種分頻地震屬性(如8個頻段的InsAmp、InsFreq、SinPhase等5類地震屬性和波形屬性)。為提高機器學習預測的精度、減少預測結果的多解性和降低計算誤差，利用隨機森林平均不純度減少(Mean Decrease Impurity，MDI)分析、評估上述72種地震屬性的特征重要性，最終優選出21種敏感屬性，如Seismic、Hilbert(希爾伯特變換)、RankImp、InsAmp、InsFreq、Cos-Phase、SinPhase等(表1)，分別制作13個小層(PI11～PI9)的地層切片，以21種屬性切片作為沉積微相概率預測模型的輸入，有效拓展了地震資料表征沉積相的屬性空間。

表1 PI21小層沉積微相地震屬性特征

3.3 井震聯合選取樣本點，構建樣本集

機器學習樣本點的提取主要通過井震聯合方法，以地震屬性平面切片為主、剖面為輔的方式進行。在前述選取的21種地震屬性的基礎上，根據井網密度大的區域各井的測井響應特征和單井沉積微相解釋結論(樣本井)，通過時深轉換，按照小層將目標井段沉積微相分別轉換到各地震屬性時間切片上對應的井點位置，提取該井過沉積微相點的21種敏感地震屬性，建立測井響應特征、沉積微相與地震屬性的一一對應關系，標記為有效樣本點(圖5)。由于斷層附近的井震響應特征與其他地區明顯不同，故斷層附近標記為無效樣本點。以PI21為例，共選取154口樣本井；以樣本井為中心，以平面屬性切片為約束，選取一個適當范圍作為樣本點窗口，該窗口內像素點(該小層平均為46個像素點)所代表的沉積微相類型與樣本井所標定的沉積微相一致；然后在每個像素點提取21種地震屬性。因此，可以得到該小層機器學習樣本總數，即151998(154×47×21)個樣本點，其中河道砂樣本有71064個，河道間樣本有39480個，席狀砂樣本有41454個。最后通過研究區井震聯合拾取的有效樣本點構建出機器學習的樣本集(表2)。

圖5 研究區葡萄花油層PI21振幅屬性切片(左)與W1-9-4井沉積微相樣本點拾取(右)

表2 機器學習樣本集(部分)

3.4 沉積微相概率預測模型構建

利用隨機森林算法對構建的樣本集進行學習，建立各小層沉積微相概率預測模型。將各小層地震屬性切片作為預測模型的輸入，通過模糊判別分析，制作各小層沉積微相模糊概率預測圖。以淺水三角洲前緣沉積PI21為例，棕色代表屬于水下分流間灣微相的概率，橙色代表屬于水下分流河道微相的概率，黃色代表屬于席狀砂微相的概率，顏色越深代表屬于該沉積微相的概率越大(圖6a)。模糊判別的標準是：①若某點屬于某一沉積微相概率較大，而屬于其他沉積微相概率較小時，則該點判別為概率較大的沉積微相；②若某點兩種沉積微相的概率大致相同，則說明該點在兩種沉積微相的邊界處，此時判別結果具有一定誤差；③若某點三種沉積微相的概率大致相同，則說明該點可能并不屬于樣本集中的沉積微相類型。在此基礎上，根據各小層沉積微相模糊概率預測圖，可以制作各小層的沉積微相圖(圖6b)。

圖6 研究區PI21沉積微相模糊概率預測結果(a)和沉積微相(b)

3.5 小層沉積微相預測與分析

根據葡萄花油層13個小層沉積微相的沉積演化特征(圖7)，可以認為研究區物源來自于北方，物源供給能力的變化導致河道縱向疊置，平面連片發育，分叉、改道明顯。該區域主要發育由北向南流向的河道，河道平面展布主要為NS、NNW和NW向。由老到新的沉積演化特征如下。

圖7 研究區葡萄花油層各小層沉積微相垂向演化特征示意圖

(1)葡萄花油層下砂組形成于水進→水退的升降旋回序列，主要發育三角洲前緣和平原亞相。前緣亞相的沉積微相主要為水下分流河道、席狀砂、水下分流間灣，偶見河口壩；平原亞相的沉積微相多為分流河道、分流間灣和決口扇等。該沉積期的河道以南北向延伸為主，東西向延伸較短，常見分叉、合并現象，整體呈樹杈、條帶狀，末端多呈鳥足狀。河道南北向延伸長度為7.0～12.5 km，寬度為0.2～0.7 km，東西向延伸長度為0.2～1.2 km。

(2)葡萄花油層上砂組形成于水退→水進的降升旋回序列，仍以三角洲前緣和平原亞相為主，其沉積微相類型與下砂組一致。其中，PI11屬于三角洲外前緣沉積，僅發育席狀砂。該沉積期的河道以南北向延伸為主，常見分叉、合并現象，整體呈樹杈、條帶狀，延伸長度為4.0～12.0 km，寬度為0.12～0.53 km。

3.6 沉積微相預測結果檢驗

將154口樣本井各小層沉積微相解釋結論與機器學習預測的各小層沉積微相進行對比，分析預測效果；將剩下125口井作為檢驗井，檢驗應用效果。從表3可以看出，總體上機器學習方法的樣本井準確率平均值可以達0.803，檢驗井預測準確率平均值可以達0.692。對于河道沉積微相，樣本井的準確率平均值可以達0.888；除PI12、PI3、PI6外，檢驗井預測準確率均可達到0.800以上。

表3 沉積微相預測準確率統計

以檢驗井W1-30-7井為例(圖8)，從PI11到PI9，各小層沉積微相解釋結論與機器學習預測的平面沉積微相均一致。這體現了該方法較高的預測精度。

圖8 研究區樣本井和檢驗井平面分布(左)及W1-30-7井驗證結果(右)

4 砂體疊置模式構建

砂體疊置模式的構建，在垂向上主要依據井點處的錄井巖性資料和單井砂體測井響應特征；在平面上井間或無井區主要基于前述機器學習方法識別出的13個小層平面沉積微相及垂向沉積演化特征。將平面預測結果與剖面刻畫緊密結合(圖9)，可進一步查明砂體展布和連通關系，并得出研究區內葡萄花油層砂體的四種疊置模式，即垂向分離式、平面分隔式、平面連接式和垂向接觸式(表4)。

表4 WX油田東北部姚家組葡萄花油層砂體疊置模式及地震波阻抗反演響應

圖9 WX油田東北部葡萄花油層沉積微相連井對比剖面及其相應的不同小層沉積微相局部(平面)預測結果

(1)垂向分離式。河道多發育于三角洲平原亞相，發育于不同沉積時期，單砂體厚度小，相變快，單河道堆積時間短或橫向改道快，導致垂向上呈分離式沉積。該模式在研究區各小層中均發育，其中在PI3～PI6垂直物源剖面上較為常見。在地震波阻抗反演剖面上，河道砂體的波阻抗值高；垂向上，河道間反演波阻抗值低。

(2)平面分隔式。河道多發育于三角洲平原亞相或三角洲前緣亞相，是河流分叉、改道或是不同分支河流沉積的結果，導致單個砂體在平面分布上不連通，剖面上近平行排列。該模式在研究區各小層均有發育(除PI11外)，尤其在PI3～PI8發育明顯。河道間反演波阻抗值低。

(3)平面連接式。河道多發育于三角洲前緣亞相，雖然同期形成的河道橫向不直接連通，但期間因為河流作用形成的片狀分布的席狀砂將同期河道連接起來，因而形成河道—席狀砂—河道的結構特征[40]。該模式在研究區內主要發育于PI12～PI22和PI7～PI8，隨著水動力由強到弱及由弱到強的轉變，席狀砂與河道的連通方式主要表現為席狀砂單期、多期兩種情況。且河道處反演波阻抗值高，席狀砂及其與河道連接處反演波阻抗值略低于河道。

(4)垂向接觸式。河道多發育于三角洲前緣和平原亞相，是由于水動力的強弱交替變化導致后期的細—粉砂巖沉積在前期的粉砂巖之上，形成相鄰多期不同河道垂向上加積疊置[41]，砂體厚度大約為5～6 m。該模式在研究區內主要發育于PI12～PI9，縱向上擴大了砂體連通性。測井曲線表現為單層響應較不明顯，但整體呈現明顯的箱型，并且幅度較大，巖性呈現明顯的由細變粗的韻律特征。在波阻抗反演剖面上河道砂體彼此之間相互接觸、連通，使多期加積河道反演波阻抗值較高。

5 結論

(1)以井震數據聯合驅動為基礎，利用優化的隨機森林算法和數據挖掘技術先建立沉積微相概率預測模型，然后通過機器學習和模糊判別方法較準確地預測出各小層單元的沉積微相類型，最后構建砂體疊置模式的方法、流程是一種比較實用且值得在相似沉積背景的油田進一步推廣的技術。

(2)本文方法的應用深化了對研究區淺水三角洲沉積特征、物源方向、沉積微相與沉積演化的認識，明顯提升了對垂向各小層單元沉積微相的甄別與劃分、河道砂平面形態及分布延伸特點的空間雕刻能力；同時，該區葡萄花油層四種砂體疊置模式的構建，以及三角洲前緣、平原亞相與不同的砂體疊置結構類型、砂體橫向連通性之間的匹配、組合關系可為后期儲層綜合評價、開發方案優化和井位合理部署等提供依據。