作者简介: 何丽娟,女,工程师,2006年毕业于长江大学地球物理学院,2009年获中国地质大学(武汉)地球探测与信息技术专业硕士学位,现主要从事琼东南盆地深水区油气勘探研究工作。E-mail:helj@cnooc.com.cn
琼东南盆地深水区钻井少,影响了储层预测的准确度。为了解决这个问题,采用虚拟井技术对琼东南盆地深水区陵水凹陷南部已证实的A-1含气构造进行储层预测,验证了该方法的合理性;并总结出了A研究区内储层发育区的波阻抗经验值,据此预测相邻待钻A-2构造的储层厚度。A-2构造的预测结果与实钻结果相吻合,证实了虚拟井技术在琼东南盆地深水区勘探目标储层预测方面具有较高的可行性。
There were few drill wells in Qiongdongnan basin,which affected the accuracy of reservoir prediction.In order to solve this problem,the authors applied virtual-well technique to reservoir prediction of drilled A-1 gas bearing structure in the southern part of Lingshui sag in the deep-water area of Qiongdongnan basin,which verified that the virtual-well technique is reasonable.The authors also summarized experience values of wave impedance of the reservoir in A study area.The experience values were used to predict the reservoir of A-2 structure to be drilled.The prediction of A-2 structure coincides with the drilling result,which confirmed that the virtual-well technique is of high feasibility in predicting the exploration targets in the deep-water area of Qiongdongnan basin.
虚拟井构建技术兴起于20世纪90年代, 前人先后采用反距离平方加权法、残差分析法、克里金法、分数布朗运动和地质统计学方法、遗传算法等方法构建虚拟井曲线[1, 2, 3], 在勘探和开发领域目标储层预测和时深转换分析中取得了一定的应用效果[4, 5, 6, 7, 8]。该方法以遗传算法为理论基础, 采用叠前地震角道集和初始速度场数据, 在所选控制点处进行叠前地震波型反演[9, 10, 11], 获取控制点处的虚拟纵波速度曲线、虚拟横波速度曲线和虚拟密度曲线, 构建出虚拟井作为后续储层预测中地震反演的硬约束条件。琼东南盆地深水区面积广, 领域多, 是我国南海北部深水区油气勘探的重要领域之一[12]。由于钻井资料匮乏, 在进行储层预测时先验信息较少, 严重影响了储层预测的准确度, 亟需探索少井条件下储层预测的新技术来降低深水区油气勘探风险。虚拟井技术可以解决这类问题。为此, 笔者采用虚拟井技术对琼东南深水区中央峡谷陵水凹陷南部待钻A-2构造进行了储层预测, 预测的储层厚度与实钻结果相吻合, 证实了虚拟井技术在琼东南盆地深水区勘探目标储层预测方面的可行性。
遗传算法(genetic algorithm, GA)最早由美国的的J.Holland教授[13]于1975年提出, 是一种基于自然选择和基因遗传学原理的随机搜索优化算法。遗传算法的基本原理是对问题的可行解进行编码, 随机生成一定规模的初代种群, 按照适者生存和优胜劣汰的原理, 逐代进化。在每一代进化中, 根据问题域中个体的适应度大小择优选择个体, 并按照一定的概率进行基因交叉和基因变异操作, 生成新一代的种群。像自然界进化一样, 遗传算法的后代种群会比前代种群具有更大的适应度, 更加接近问题的最优解。最后, 对末代种群中的最优个体进行解码, 即可作为问题的近似最优解。遗传算法的基本步骤如下:
1) 选择编码方式, 把实际问题的参数集合x转化为位串结构空间s;
2) 定义适应度函数F(x);
3) 确定遗传操作方式, 包括选择种群的大小, 选择、交叉及变异操作, 以及确定交叉、变异概率等遗传参数;
4) 随即初始化生成种群P;
5) 计算群体中个体位串解码后的适应值 F(x);
6) 按照遗传操作方式, 使用选择、交叉和变异算子作用于群体, 形成下一代群体;
7) 判断群体性能是否满足停止准则, 或者已经完成预定迭代次数, 不满足则返回步骤6), 或者修改遗传操作方式后再返回步骤6)。
虚拟井曲线的获取主要基于遗传算法理论, 采用叠前地震角道集和初始速度场数据, 在一些具有代表性的控制点处进行精细的叠前地震波形反演, 从保幅叠前地震道集中提取出高精度的速度信息, 得到控制点处的虚拟纵波、横波和虚拟密度曲线。其基本流程主要分为以下几个步骤:
1)准备初始地质模型、保幅地震角道集S1等。由高精度速度分析获取纵波速度(Vp)、横波速度(Vs)和密度(ρ), 构建各向同性弹性地质模型;
2)优选收敛函数, 确定地质模型参数及参数搜索间隔和范围;
3)模型参数编码。避免对所有参数进行整数编码, 根据搜索间隔及搜索范围, 确定各个参数可能取得的不同值的个数;
4)生成拟合模型的初始随机总体M0。对参数Vp、Vs和ρ的n个采样点用随机生成的方式得到整数码, 生成其要求的样本量;
5)Zoepprite方程计算各模型的合成地震角道集S2;
6)比较S2与S1之间的匹配程度, 计算并保存目标函数值。匹配程度良好, 认为随机模型便接近实际地质情况, 相反, 则与实际情况不符;
7)根据目标函数值对M0作相应处理, 更新M0生成新的随机总体;
虚拟井约束反演是一种基于低频模型相控约束的宽带约束叠后反演[16, 17, 18], 该方法基于遗传算法在选取的控制点处构建虚拟井的纵波速度、横波速度和密度曲线, 由虚拟井的速度曲线可以得到纵波时差和横波时差。其基本思想是要寻找一个最佳的地球物理模型, 使得该模型的响应与观测数据(地震道)的残差在最小二乘意义下达到最小; 其次, 采用相控协同非线性建模技术建立初始低频模型开展宽带约束叠后反演; 最后, 得到纵波阻抗。具体流程如图1所示。
相控协同非线性建模技术是一种基于地震相的分形插值方法[19]。充分考虑目的层段岩性横向和纵向的变化, 建立的初始模型不仅克服了过于线性化的问题, 而且具有地质意义, 使得反演结果符合储层实际的地质特征, 结果真实可信。
琼东南盆地位于南海海域西北部, 夹持在海南隆起区和永乐隆起区之间, 以1号断层与莺歌海盆地相隔, 主要包括中央坳陷和南部隆起2个一级构造单元, 其中, 中央坳陷深水区部分主要由乐东凹陷、陵水凹陷、北礁凹陷、松南凹陷、宝岛凹陷、长昌凹陷、陵南低凸起和松南低凸起组成(图2)[20, 21]。中央峡谷陵南段位于琼东南盆地深水区中央坳陷带陵水凹陷南部(图2), 水深1 500~2 100 m, 海底较为平缓。A研究区位于中央峡谷陵南段东部, 是陵水凹陷与陵南低凸起之间发育的过渡带, 处于陵水凹陷向东北延伸的洼槽内。研究区下方发育底辟、断裂和裂隙, 是流体垂向运移的有利通道, 具有近源垂向供烃的特点。到目前为止, 在研究区内发现并落实了A-1、A-2、A-3和A-4等多个有利目标, 主要目的层为上中新统黄流组的浊积水道砂体和上新统莺歌海组二段的海底扇砂体。其中, A-1构造已钻1口探井A-1-1, 在主要目的层黄流组钻遇三套浊积水道砂:Ⅰ砂体、Ⅱ砂体和Ⅲ砂体, 砂体上下相互叠置, 厚度分别为71、81、3.5 m。
研究区内钻井少, 在进行储层预测时先验信息匮乏, 严重影响了储层预测的准确度。为了增强测井约束力度, 提高储层预测的精度, 在研究区内选取了8个虚拟井位置, 即X0、X1、X2、X3、X4、X5、X6和X7(图3), 并构建虚拟井曲线, 其中, X0点与已钻A-1-1井点重合。图3中等值线为研究区海底时间等值线, A-1、A-2和A-4构造北面及A-3构造南面边界与水道边界相重合。
虚拟井点的选取直接影响反演过程中控制作用的有效性, 为此, 选择合理的虚拟井点至关重要。在确保叠前地震资料保幅的情况下, 虚拟井点的选取要满足以下三个条件:①虚拟井点要在不同地质体上具有一定的控制作用; ② 虚拟井点处的地震资料品质相对较好; ③ 考虑水深影响。经过多次试验与筛选, 在研究区内共选择8个虚拟井点, 其中, 虚拟井X0、X2、X5、X6和X7位于水道砂体之上, X0、X5、X6和X7分别位于A-1、A-3、A-2和A-4砂体的构造高部位, X2位于A-2砂体的构造低部位, 在后续的反演中对这些砂体具有控制作用; 虚拟井X3在水道内非砂层, 虚拟井X1和 X4在水道外, X1位于水深相对浅的位置, X3位于水深变化的过渡区, X4位于水深相对深的位置, 这三个虚拟井点能控制水深变化对后续反演的影响。由此可知, 选取的8个虚拟井点均满足以上三个条件, 证明这些虚拟井点的选取是合理的。
为保证虚拟井曲线的可靠性, 采用已知井点验证、井震标定和单井沉积微相等三种方法对虚拟曲线进行质量控制:①已知井点验证, 在已钻井A-1-1处构建虚拟井X0, 得到虚拟纵波速度、横波速度及密度曲线, 从虚拟井X0与实钻A-1-1井的曲线对比图(图4)中可以看出, 虚拟曲线与钻井实测曲线低频趋势基本一致, 吻合度较高; ② 井震标定, 图5为已钻井A-1-1与虚拟井X0标定后的对比图, 图中显示两口井合成记录变化趋势基本相同, 与实际地震资料波形变化相匹配, 其中, 虚拟井的井震标定效果良好, 特征明显, 相关系数高; ③ 单井沉积微相, 通过对比已钻A-1-1井与具有相同沉积环境的虚拟井X5的单井沉积微相(图6), 发现研究区内砂岩呈低阻抗特征, 且纵波阻抗能较好地区分岩性, 虚拟井X5在黄流组主要发育四套砂岩, 其中, 黄流组中上部发育两套厚层砂岩, 下部发育两套薄层砂岩, 这与实钻A-1-1井的单井沉积微相特征相似。以上分析表明, 采用虚拟井叠后反演获取虚拟井曲线的方法是合理的, 构建的8口虚拟井曲线是可靠的。
采用虚拟井技术对已证实A-1含气构造进行储层预测, 对比预测结果与实钻录井岩性数据, 证明虚拟井技术的有效性和可行性, 并总结出划分储层发育区的波阻抗经验值, 以此预测A-2构造的储层厚度。
为验证虚拟井技术在研究区内应用效果的合理性, 采用实钻A-1-1井与虚拟井作为约束条件进行初始模型建立及宽带约束反演。在建立初始模型和进行反演之前, 对实钻A-1-1井进行了岩石物理分析(图7)。图7中显示砂岩具有低速、低阻抗特征, 大部分砂岩波阻抗值在6 450 g·cm-3·m·s-1以下, 可以作为划分砂岩和泥岩的分界值。图8a为利用实钻A-1-1井作为约束的波阻抗剖面, 图8b为实钻A-1-1井和7口虚拟井共同作为约束条件的波阻抗剖面。通过对比分析, 发现有虚拟井参与的联合反演结果比只有实钻井约束的结果在纵向具有更高的分辨率, 且在有实钻井处预测结果与实测数据吻合较好, 储层边界刻画清晰, 效果较明显。
利用构建的8口虚拟井作为初始模型和后续反演的约束条件进行地震反演, 更好地预测储层纵横向展布特征。图9为过A-1构造反演波阻抗剖面和实测录井岩性叠合图。从图9中可以看出, A-1构造储层低阻抗特征明显, 与围岩之间的边界清晰, 且该构造埋深浅, 推测A-1构造在黄流组发育三套物性良好的砂岩储层, 与实钻A-1-1井录井岩性数据相吻合。
以6 450 g·cm-3·m·s-1作为划分储层的分界点, 提取I砂组的时间厚度(图10), 得出井点处I砂体的时间厚度为47 ms。钻探表明, A-1-1井点处I砂组砂岩厚度为71 m, 基于地层速度3 000 m/s, 换算成双程时约为47 ms, 与预测结果相一致。
综上所述, 在研究区内, 总结出了储层发育区的波阻抗经验值为6 450 g·cm-3·m·s-1, 且进一步证明了虚拟井技术在已证实A-1含气构造的储层预测中具有较高的准确度。
研究区内已发现的A-1、A-2、A-3和A-4构造均为峡谷和岩性边界封堵形成的构造—岩性圈闭, 并且具有相同的目的层系和储盖组合。其中, A-1构造已证实为气藏, 由此推测A-2、A-3和A-4构造成藏可能性较大。文中以A-2构造储层预测效果分析为例。
以8口虚拟井作为约束条件, 采用虚拟井技术对A-2构造进行储层预测。从过A-2构造的反演剖面中可以看出(图11), 该构造低阻抗特征明显, 与围岩之间的边界清晰, 纵向上分辨率较高。鉴于A-2构造与A-1构造沉积环境和沉积背景相似, 且相隔较近, 推测两者物性相似, 以波阻抗值6 450 g·cm-3·m·s-1为岩性分界点提取I砂组的时间厚度(图12), 并结合图11优选出探井A-2-1井(图12), 预测井点处的双程时间约为9 ms。
钻探结果表明, A-2构造是被水道切割的构造—岩性复合圈闭, A-2-1井在上中新世黄流组钻遇五套浊积水道砂体, 井点处I砂组砂岩厚度约为12.5 m, 取地层速度为3 000 m/s, 得到双程时间约为 9 ms, 与虚拟井技术预测结果吻合较好。由此表明, 基于遗传算法的虚拟井技术在A-2构造的储层预测中具有可行性和有效性。
1) 虚拟井技术在琼东南盆地深水区陵水凹陷南部已证实的A-1含气构造储层预测中的应用, 验证了该方法在A研究区内应用效果的合理性, 并总结出了该区内储层发育区的波阻抗经验值。
2) 虚拟井技术对研究区内A-2构造储层的成功预测, 证明了虚拟井技术在琼东南盆地深水区勘探目标储层预测方面具有较高的可行性。
3) 虚拟曲线质量的好坏直接影响后续宽带约束反演的效果, 在构建过程中应注意要保证虚拟曲线的可靠性; 其次, 虚拟井技术在琼东南盆地深水区的应用为初步探讨, 在其他区域、不同沉积环境的可行性有待进一步的研究。
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
|
[21] |
|