储层地震属性优化及属性体解释

地震属性与所预测对象之间的关系十分复杂。不同工区和不同储层有不同的敏感地震属性;同一工区、同一储层不同预测对象对应的敏感地震属性也有差异。为此,引入了地震属性优化及属性体解释方法。文章论述了地震属性优化的基本原理,简要介绍了其优化方法,给出了两个地区、两种预测对象、4种优化属性体解释的实例。     

地震属性优化在储层预测中的应用

地震属性与所预测对象之间的关系复杂,不同工区和不同储层对所预测对象敏感的地震属性是不完全相同的。即使在同一工区、同一储层,预测对象不同对应的敏感地震属性也是有差异的,地震属性优化技术是解决此问题的有效途径。运用降维映射、属性选择和聚类、交会分析等地震属性优化方法,优化出了预测储层的地震属性,并运用正演模型技术,对优选出的地震属性之一波峰数进行了验证,说明了优化方法的可靠性。在此基础上,对CB331井区进行了储层预测,新描述砂体30多个,预测石油地质储量4000×10⁴t。     

地震属性的GA—BP优化方法

在进行储层预测和评价时，通常使用与储层预测有关的各种地震属性，以各种方法提取的一系列地震属性包含着丰富的地质信息，但有些属性可能彼此相关，这就造成信息的重复和冗余，由此可见，属性的无限增加也会给储层预测带来不利的影响，针对具体问题，从全体地震属性中挑选出最佳的地震属性子集是非常必要的，此即地震属性优化问题，其目的就是从众多地震属性中挑选出与研究目标关系最密切，反应最敏感的少数属性，再利用优化后的地震属性进行目标层储层参数（如孔隙率，泥质含量和储层厚度等）反演，本文主要讨论地震属性优化的遗传算法（GA）与BP神经网络相结合的GA－BP方法，通过对大港探区LJF区块三维地震资料的实际应用，取得了良好的地质效果。     

物理模型的地震属性预测效果分析

地震属性是由地震数据经数学变换导出的，地震数据的变化可能会影响地震属性预测的结果。同一地震数据体经不同处理后得到的不同类型地震剖面，其地震属性预测效果也会有很大差异。以Z地区实际地层结构为原型，设计了含有岩性（砂岩、砾岩、煤）和物性（干砂、含油砂岩、层厚度、层速度）变化的6个地层物理模型，利用物理模型实验的数据，对3种类型的地震剖面进行了敏感属性预测效果分析。结果表明：由不同类型地震剖面提出的同一敏感属性的预测效果各不相同，往往各有所长，为了改善预测效果，需根据地层实际情况确定应用何种地震剖面。图6参11     

基于聚类分析的地震属性优化及储层预测——以敖包塔油田敖9工区为例

应用常规地震属性分析技术进行储层预测已受到普遍重视并得到广泛应用,然而由于地震属性与所预测对象之间关系复杂,应用单一地震属性预测储层精度不高,且地震属性种类繁多不能同时参与预测,而地震属性优化技术恰能较好地解决这个问题。为此,采用基于聚类分析的地震属性优化方法,通过计算属性间的相关系数,确定相关程度,优选属性组合进行储层预测。在松辽盆地大庆长垣南部敖包塔油田葡萄花油层储层预测中,单一地震属性预测储层砂体砂岩厚度和有效厚度的相关系数分别为0.7317和0.6734,而采用聚类分析的地震属性优化方法优选属性组合后预测储层砂体相关系数可达到0.8515和0.7704,预测精度明显提高。     

地震多属性综合分析的应用研究

由于地震属性与储层特征对应关系复杂，利用地震单一属性进行储层预测往往存在多解性。然而随着地震属性研究的深入，地震属性的数量和分类也更为细化，因此地震多属性的优化组合与综合分析成为必然。为此总结了多属性综合分析的技术流程并将其应用于实际数据分析。其主要步骤为：①不同种类的属性提取和分析；②属性的预处理，即剔除异常值并进行滤波等处理；③结合钻井、采油资料寻找和筛选敏感属性；④利用K—L变换来对优选出的地震属性进行降维处理；⑤利用线性、非线性等综合分析技术进行储层预测。将该分析技术应用于CN工区某一储层的含油气性预测中，然后利用波阻抗反演结果对研究成果进行相互验证，发现综合分析结果有效地减少了预测目标的多解性，取得了较为理想的预测效果。     

基于灰关联和遗传算法的地震属性优化方法

 利用地震属性进行储层物性参数（孔隙度）的预测研究,其精度和准确性一直是油气田勘探开发期间所关注的问题,而属性优化方法是其中的关键环节。本文从优化方法入手,将灰关联、遗传算法和BP网络有机结合,以提高储层物性参数（孔隙度）的预测能力。首先依据反演成果开展精细储层解释,并进行沿层相关属性提取和灰关联分析,寻找较敏感的属性;然后利用遗传算法和BP网络进行属性组合优化,获取最优属性组合,最终达到预测储层物性参数（孔隙度）的目的。应用实例表明,此法的储层预测精度较高。     

基于独立分量分析的地震属性优化

随着储层预测要求精度的提高，从众多地震属性集中挑选对所预测对象最敏感的地震属性，进行地震属性优化的工作相当重要。K-L变换通过一正交变换优选出一些不相关的地震属性，而不能优选出一些更高阶的相互独立的地震属性，即K-L变换仅利用了属性的二阶统计特性。独立分量分析（ICA）作为分解观测数据中独立信息的有力工具，不仅利用了信号的二阶统计特性，而且还利用了信号的高阶统计特性。将ICA引入到地震多属性优化中，利用它对地震属性进行高阶统计特征分析，从而能优选出最敏感的、相互独立的地震属性。另外，ICA属性优化方法不需要测井数据、井旁储层段的参数、钻井数据等，也不受勘探、开发阶段测井资料的数量限制。实际资料的应用分析表明，应用独立分量分析优化后的地震属性作储层预测具有较高的精度和可靠性，是一种新的属性优化方法。     

井聚类地震属性优化方法在古708区块的应用

讨论了利用地震属性优化方法在齐家北地古708区块进行储层预测的过程，针对单纯地震属性优化方法储层预测符合率低的实际，运用井资料聚类联合地震属性优化进行储层预测的方法．取得了较好效果，该方法对提高外围油田扶余油层储层预测精度具有一定意义。     

地震数据油气预测中的属性优化方法

本文简单介绍了智能信息处理中新出现的RoughSet（RS）理论及属性选择方法，从双相介质地震波传播理论角度，探讨了地震数据油气预测属性优化原理，提出了基于RS理论的地震数据油气预测属性优化方法。实际应用表明；本方法速度快、易实现，而且在优选属性、最大程度地减少提取地震属性种数、提高分类正确率等方面，明显优于其它方法。本方法将成为地震数据油气预测的一种有效手段。     

单孔洞缝模型超声波实验测试与分析

对储层（特别是碳酸岩储层）中大量发育的孔洞缝，提出了孔洞缝储层研究的物理模型模拟方法。根据物理模型相似性原则从缝洞系统中抽取制作了单孔洞缝物理模型，目的是探讨在缝洞系统中单个缝洞的大小、形状与地震属性参数之间的关系和变化规律以及与孔洞缝密度之间的关系。通过室内超声波实验，观测不同缝、洞密度物理模型的地震波特征响应，分析了缝、洞密度的变化及孔洞的尺寸、形状对地震波属性参数的影响，重点讨论了裂缝、孔洞密度与纵波属性的关系。实验表明，在受孔洞缝密度影响的地震波属性参数中，地震波振幅、主频率、品质因子Q的变化幅度普遍比速度高2个数量级，说明地震波的动力学参数比运动学参数对孔洞缝密度的变化更为敏感。这为利用地震波的动力学参数来检测地下岩层中孔洞缝的分布和发育带提供了实验依据。模型孔洞尺寸大小最大相差42倍，但地震波各属性参数在相同数量级中变化，同时体积相同形状不同的洞对地震波各属性参数的影响不明显，说明地震波各属性参数对孔洞缝密度敏感，而对孔洞缝的实际尺寸大小及形状不敏感。     

地震属性优选在油田开发中的应用

在应用地震属性进行储层预测时,如何从众多地震属性中优选出适用于本区特征的地震属性是关键。特别是在油田开发阶段,优选储层的地震属性更加重要。本文提出以地质、测井和岩石物理资料为基础,利用数学模型和正演模拟进行属性优选,再用留一交替法选出适于工区地质情况的最佳属性组合。这套方法充分利用工区内已有资料,发挥地质、测井及岩石物理方法的各自优势,减少了属性优选的多解性,提高了储层预测的准确性。该方法简便实用,可操作性强。     

井间地震资料属性分析与储层参数转换

考虑到井间地震资料以深度域表示的特殊性,现今提取的地震属性主要包括幅度、波形和相关函数等特征量参数,以及井间地震资料的“三瞬”剖面等。在对井间地震属性的标准化和地震属性间的相关性进行分析的基础上,使用常规的聚类分析方法实现地震属性的优化处理。选用神经网络分析方法和非参数回归分析方法,实现了由主要目标层段的优化地震属性向储层参数剖面的转换。实际资料应用表明,在考虑了井间地震资料的特殊性后,适用于地面地震资料的有关方法技术也可应用于井间地震剖面,其精度和效果都要比地面地震优越得多。     

基于深度学习的多属性盐丘自动识别方法

三维地震数据的盐丘解释存在难度大且效率低的问题。为此,以深度学习技术为基础,以少量的二维地震数据为样本训练和测试模型,利用不同地震属性实现盐丘自动识别。流程主要包括三部分：首先,基于盐丘的地震反射特征提取了杂乱、均方根振幅以及方差等3种敏感属性,每一种属性分别选取少量主测线数据及时间切片作为训练样本进行预处理,并利用数据增强方法自动生成大量数据作为网络的训练样本;然后,搭建基于编码—解码器结构的卷积神经网络,分别输入不同属性的两类样本进行模型训练和测试以得到多个独立的模型;最后,为了综合考虑各属性特征,减少预测误差并得到更全面、准确的预测结果,利用集成学习方法融合多个模型并得到优化后的分类结果。结果表明,所提方法能高效、准确地在三维数据体实现盐丘自动分割,盐丘边界清晰,分类错误点明显减少,进一步提高了模型预测能力。     

Integration of seismic attributes and production data for infill drilling strategies — A virtual intelligence approach

Field development strategies are at the forefront of common engineering practices in the oil and gas industry. Reservoir simulation is the most commonly applied methodology to generate an optimum field development plan. However, reservoir simulation can be an energy and cost intensive method that often relies on rather subjective assumption of input parameters, due to lack of accurate field data. In this paper, a new approach using Artificial Neural Network (ANN) technology is proposed to predict individual well performances and accordingly develop infill drilling strategies. Due to its predictive capabilities, ANN is used as a tool to construct a correlation for production prediction. Seismic attributes, which capture heterogeneity of the reservoir geology, and completion information are used as network inputs. In calculating the interference effects, the geometry of the flow system under consideration was used together with the geometric location and the starting production schedule of each well within the system. The method was successfully implemented on a case study of the 19N 94W Township of the Wamsutter field in Wyoming using actual seismic attributes, completion information, well configuration, and production data. Production predictions were generated by the network for all locations at which seismic attributes were available. More promising locations were then selected for infill drilling purposes based on predicted productions at these locations. The predicted initial rate and 10-yr cumulative production were considered in the selection of infill drilling locations with high productivity potential. Results from this work show that the ANN was able to map the relationship between production, completion information, interference effects, and reservoir characteristics captured in seismic attributes. The proposed methodology allowed the construction of spatial maps of gas production, revealing new sweet spots which could not be identified from the existing production history alone. The production maps derived from the ANN predictions contain important heterogeneous features associated with reservoir properties reflected in seismic data. Even though well interference was initially thought to have a limited effect on well performance for the case study presented, the incorporation of well interference parameters in the network design improved production predictions, suggesting that well interference has a more significant impact on well performance than originally anticipated.     

The effective seismic attributes in porosity prediction for different rock types: Some implications from four case studies

The present study evaluates the performance of PNN models for porosity prediction using seismic attributes. Four seismic datasets and more than 20 wells from different sedimentary basins located in Libya, Iraq, Egypt and USA are employed to characterize the effective attributes for porosity prediction. Verification and testing error analysis is adopted for evaluating the prediction performance. Results indicated that the porosity prediction models are primarily dependent to the propagation related attributes with frequency attributes as the most effective parameters in porosity prediction. In addition, the data quality and processing history strongly control the prediction model performance with relatively limited effects to dataset dimensionality (2D versus 3D) and the number of wells utilized in model construction. Such results are important to better understand and evaluate the performance of PNN porosity prediction models using various seismic attributes.     

利用小波参数检测砂体分布

由于砂体储层对地震反射信号产生时间和频率的影响，而小波变换正好能反映信号的时间及频率成分，所以本文利用小波变换分析了地震记录的时频特征。鉴于小波变换对信号具有局部分析能力，并能提供多尺度的小波系数，因而小波变换能更精细地用于储层预测。通过理论模型试验进一步论述了小波系数可以作为信号时频特征的量度，提出了将地震信号的小波参数作为一类新的地震属性即小波属性。在实践中可得到目的层小波属性图，了解目的层反射特征的横向变化，检测储层分布。本文认为，小波属性可以像其他地震属性参数一样，用于多属性分析。     

基于灰关联分析与K-L变换的双重属性优化方法

将灰关联分析和K-L变换有机地结合起来可以实现属性的双重优化。利用灰关联分析实现了地震属性的敏感性分析，并建立了储层参数与属性之间的灰色关联。在此基础上，通过K-L变换将属性空间的高维属性映射为低维属性，且去除了属性之间的相关性，从而有效地解决了属性组合的优化问题。采用BP神经网络对目标进行预测表明，灰关联分析和K-L变换相结合的属性双重优化方法能充分发挥单个方法各自的优点，有助于属性分析、关联以及组合优化问题的解决，从而提高了地震储层预测的运算速度和精度。