基于FCM算法的多属性分析技术在河道砂体精细刻画中的应用以西湖凹陷T气田为例

王凯, 刘东成, 刘华峰, 黄德榕, 储飞跃

王凯,刘东成,刘华峰,等. 基于FCM算法的多属性分析技术在河道砂体精细刻画中的应用——以西湖凹陷T气田为例[J]. 海洋地质前沿,2023,39(9):55-67. DOI: 10.16028/j.1009-2722.2022.103
引用本文: 王凯,刘东成,刘华峰,等. 基于FCM算法的多属性分析技术在河道砂体精细刻画中的应用——以西湖凹陷T气田为例[J]. 海洋地质前沿,2023,39(9):55-67. DOI: 10.16028/j.1009-2722.2022.103
WANG Kai, LIU Dongcheng, LIU Huafeng, et al. Application of multi-attribute analysis technology based on FCM algorithm in fine characterization of sedimentary microfacies: take T Gas Field in Xihu Sag as an example[J]. Marine Geology Frontiers, 2023, 39(9): 55-67. DOI: 10.16028/j.1009-2722.2022.103
Citation: WANG Kai, LIU Dongcheng, LIU Huafeng, et al. Application of multi-attribute analysis technology based on FCM algorithm in fine characterization of sedimentary microfacies: take T Gas Field in Xihu Sag as an example[J]. Marine Geology Frontiers, 2023, 39(9): 55-67. DOI: 10.16028/j.1009-2722.2022.103

基于FCM算法的多属性分析技术在河道砂体精细刻画中的应用——以西湖凹陷T气田为例

基金项目: 校企合作项目“西湖凹陷中南部区域地震沉积学研究”(CCL2020SHPS022RSI);国家自然科学基金“河流辫-曲转换机制、沉积响应及其地震反射模式”(42172144)
详细信息
    作者简介:

    王凯(1998—),男,硕士,主要从事油气田开发方面的研究工作. E-mail:1023536066@qq.com

  • 中图分类号: P744.4;P736

Application of multi-attribute analysis technology based on FCM algorithm in fine characterization of sedimentary microfacies: take T Gas Field in Xihu Sag as an example

  • 摘要: 西湖凹陷T气田经过十多年的勘探与开发,亟需在主力层花港组内寻找潜力目标。该区为浅水三角洲沉积体系,岩性组合在空间上变化快,为了精确识别河道砂体及其边界,在海上少井条件下利用三维地震资料识别并刻画河道砂体。在等时地层划分的基础上,对目的层段进行岩石物理性质分析,通过地震沉积学的技术方法结合岩芯及测井等资料,对沉积微相做出初步判断,在此基础上提取6类48种地震属性,与砂厚及各属性之间进行相关性分析,对地震属性进行优选,将优选出的3种反映地质体边界、岩性较好的地震属性采用基于模糊C-均值(FCM)算法的多属性聚类分析,以达到数据降维、减少冗余的效果,研究分流河道沉积体系的整体展布规律。再进行多属性RGB融合显示,增强河道砂体边界的刻画,结合构造特征以及预测的砂体厚度综合分析,提出有利目标区,为后续油田滚动开发及井位部署提供依据。
    Abstract: After 10+ years of exploration and development of the T Gas Field in the Xihu Sag in East China Sea, it is urgent to find potential targets in the Oligocene Huagang Formation. To identify channel sand body and its boundary accurately, 3D seismic data were used based on data of several offshore wells. The petrophysical properties of the target stratum were analyzed based on isochronous stratigraphic division, and the sedimentary microfacies were preliminarily specified by seismic sedimentology and logging data. In total, 48 seismic attributes were extracted in six categories. Correlation analysis was conducted on sand thickness and each attribute, from which three most meaningful seismic attributes were determined and selected. The three seismic attributes could well reflect the geological body boundaries and ideal lithology. In addition, multi-attribute clustering analysis based on the FCM (Fuzzy C-Means clustering) algorithm was performed, by which the effect of data dimension and redundancy were reduced. In addition, the distribution of distributary channel depositional system was studied, and RGB fusion display was carried out to highlight channel sand body boundaries. By combining the comprehensive analysis on geological structure and predicted sand body thickness, the favorable target area was proposed, which provides a basis for the subsequent rolling development of oilfield and the well location deployment.
  • 东海陆架盆地位于中国大陆东部海域,是中国海域油气勘探的重点地区,西湖凹陷属于该盆地内最富烃的凹陷,随着勘探开发的不断深入,测井及地震资料的不断补充完善,目前研究的精细程度已不能满足油田后续开发的需求。且海上油气田受到环境制约,井网密度小且井间距大,如何在少井区充分利用地震资料对沉积微相进行精细刻画是当前开发面临的难点。

    目前,海上少井区高精度的地震资料较钻井资料在平面上更具有优势,可获取更多的地质信息。提取地震属性能够将地震资料的地质信息以平面效果展现出来,提高沉积相识别的精度。发展至今,地震属性提取逐渐成熟,种类日益丰富,而单一属性通常只反映沉积相的部分特征,不能反映整体变化特征,综合多种地震属性分析,将各信息综合来反映沉积体的变化特征。前人在研究井间砂体的平面展布特征时,主要以地震属性分析[1-3]及地震反演等技术[4-6]为主,但采用多属性聚类分析对沉积相进行识别刻画研究较少,对砂体边界进行精细刻画时,以地震属性融合[7]及边缘检测等图像处理技术方法为主,对平面图像识别时没有综合地质信息,缺少完善的研究思路,精度也仍需提高。

    本次研究以岩芯测井资料为基础,结合地震沉积学的方法技术[8-10]进行综合研究,应用基于模糊C-均值(FCM)算法[11-12]的多属性分析技术,并结合多属性RGB融合,凸显该区河道展布的整体特征,增强河道砂体边界的刻画,对研究区花港组H5层内部2个小层的河道砂体进行精细刻画,寻找潜力目标,建立一套简洁直观、适用于少井区的沉积微相精细刻画的研究思路。

    T气田位于东海陆架盆地浙东坳陷西湖凹陷中央反转构造带的西南部(图1),发育一系列多期断层,在挤压应力背景下形成NE—SW走向的宽缓背斜,断层活动及构造特征共同控制了沉积体系的展布特征[13-15]。主要含油气层为花港组,研究区面积为143 km2,沉积中心位于中央反转带的中北部。

    图  1  研究区位置
    Figure  1.  Location of the study area

    结合前人对西湖凹陷花港组的沉积相特征研究的认识,笔者认为该区花港组沉积时期是一套河流-浅水三角洲沉积体系[16],以T-R旋回[9]为划分标准,自下而上发育2套水进水退的过程,将其划分为2个三级层序SQ2和SQ1,将花港组划分为上下2段,进一步识别出5个四级层序界面,划分为5个四级层序。

    选取位于研究区地层发育较全的T-1井,制作了合成地震记录(图2)。在进行地震反射层位标定时,首先需要选择合适的子波,子波的选取尽量参考井旁道地震道的频谱特征,经过反复对比,选取28 Hz的地震子波,利用该井的声波、密度曲线,通过褶积运算计算出合成地震道,与井点实际的井旁地震道进行对比,选取花港组上段顶界、花港组下段底界、花港组上段与下段交界作为标准层。其中,花港组上段顶界与下段顶界为连续性较好的中频强振幅波谷反射,花港组上段与下段交界在井点处为弱连续中频中强振幅的波峰反射。井震标定结果显示,各个层序界面与地震剖面上的地震反射同相轴对应关系良好(图3)。

    图  2  井震标定结果
    Figure  2.  Results of well vibration calibration
    图  3  等时地层格架
    Figure  3.  Isochronous stratigraphic framework

    在此基础上结合工区实际需求,根据研究区16口钻井(其中有4口井未钻遇花港组下段)地层的沉积旋回特征以及标志层特征,将其细分为12个砂层组。根据开发生产的需求,由大到小逐级细分的划分对比原则,以稳定的标志层为控制,结合流体性质、沉积旋回及岩电关系,对砂层组进行细分划分至小层级别,建立该区块的高精度等时地层格架(图4),本文研究的目的层段为H5砂层组,将其划分为H5a和H5b 2个小层。

    图  4  小层对比划分结果
    Figure  4.  Comparison and division of sub layers

    不同沉积环境形成不同的沉积微相类型,通过对岩芯、测井等资料研究认为,研究区内岩性主要发育黄色含灰细砂岩,黄白色含灰粉砂岩,黄白色泥质粉砂岩,灰色粉砂质泥岩(图5e),灰色泥岩及黑色薄煤层。其中,砂岩底部易发育氧化色泥砾,表明河道冲刷现象明显,水浅且水动力强,主要发育了槽状交错层理(图5d)、块状层理、平行层理(图5a)等,表明该时期水动力较强,薄煤层的发育(图5b)指示一种水浅且湖平面升降频繁的环境,即浅水三角洲平原沉积环境。细砂岩中夹杂炭质条带且含植物碎屑(图5c),指示该区水体频繁动荡,多发育在浅水三角洲分流河道中。泥岩颜色多为棕褐色、棕红色(图5b5f),反映水体相对较浅、水体高能动荡且处于氧化环境,多发育于浅水三角洲平原分流河道间沉积环境中。

    图  5  T气田花港组岩芯照片
    Figure  5.  Core photos of Huagang Formation in the T Gas Field

    综上分析认为,该区整体为浅水三角洲平原亚相沉积,主要发育分流河道、分流河道间、决口扇和天然堤4种沉积微相类型。通过岩芯及钻录井等资料对T1井进行单井相分析(图6),结果表明,分流河道测井曲线形态以复合箱形和上钟-下箱形为主,分流河道间测井曲线形态以稳定的泥岩基线为主,天然堤测井曲线以中低幅漏斗形为主,呈明显的反韵律特征,决口扇测井曲线形态以低幅指状为主。单井相分析为后续沉积微相精细刻画提供依据。

    图  6  T气田花港组T-1井单井相分析
    Figure  6.  Logging of single well T-1 of Huagang Formation in the T Gas Field

    主要研究思路流程:首先对岩石物理性质进行分析,在波阻抗存在差异的情况下,利用90°相位转换完成岩性体转换,将地震反射同相轴赋予岩性的意义,选择适合该层最优频率下的地震数据体。在此基础上通过提取大量地震属性并对其进行优选,采用基于FCM算法的多属性融合分析,对H5砂层组内的2个小层进行沉积微相精细刻画。

    作为地震沉积学的基础工作,一般地质工作者用到的地震数据体都是叠加偏移处理后的,选择叠后地震数据体进行解释的前提是不同岩性的岩石物理性质即声波阻抗存在差异,这里所说的差异是指不同岩性声波阻抗的峰值存在差异便认为是可区分的。

    对目的层段的岩石物理性质进行统计分析(图7),该研究区主要存在砂岩和泥岩2种岩性,其阻抗虽存在叠置区但峰值是可以区分的,故采用叠后地震数据体进行地震沉积学分析是可行的,其中,砂岩表现为低阻抗特征,泥岩为高阻抗特征。

    图  7  砂泥岩百分比-波阻抗直方图
    Figure  7.  Histogram of sand shale percentage vs. wave impedance

    一般情况下,地震上可识别的垂向分辨率为1/4λ,也有学者认为在特殊条件下可以识别出更小的尺度[14]。研究区H5层段主频为28 Hz,有效带宽为10~50 Hz,地震平均纵波速度为3 600 m/s,在不考虑极限分辨率的情况下,垂向分辨率约为32 m,结合对目的层段砂体厚度分析(图8),较高频数下的砂体厚度为20~30 m,小于垂向分辨率,故有必要进行相位转换。

    图  8  花港组砂岩厚度统计
    Figure  8.  Statistics of sand thickness in the Huagang Formation

    90°相位转换不是简单的将原始地震相位进行90°旋转,先要估算原始地震数据体相位,再通过软件计算出相应的子波,通过褶积运算转换为新的地震数据体。因此,相位转换时可划分为2步:①估算原始地震数据体相位;②依据原始地震数据体相位,选择相应的子波,使地震数据体相位变为 90°。

    该研究区地震数据经过相位估算得出相位在3.6°左右,波峰和波谷对应的界面是岩石物理性质发生变化的界面,当地震反射来自于<1/4λ的砂体时,砂体的反射特征会受到临层干涉的影响,干涉效应使得其反射特征不明确,则无法进行岩性解释。采用90°相位转换,将地震反射的波峰位置与砂体的中心位置相对应,使得地震同相轴与砂体建立关系,这样地震反射同相轴便有了岩性意义。

    对研究区地震数据体进行90°相位转换后(图9),通过前面的岩石物理性质分析可以得出该目的层段的砂岩属于低阻抗砂岩,进行90°相位转换后与砂体与波谷对应较好,即波峰对应泥岩,波谷对应砂岩。

    图  9  90°相移前后地震剖面对比
    Figure  9.  Comparison of seismic profiles before and after 90° phase shift

    从三维地震资料中可以提取出大量岩性、流体及构造等地质信息,采用地震属性对沉积微相平面展布进行分析是主要手段,但单一属性只能反映一部分信息不能充分反映总体的变化特征,故对多属性进行聚类分析,采用基于模糊C-均值(FCM)聚类算法的多属性聚类充分从多角度凸显其地质特征,提高解释精度及准确度[16-17],思路流程如图10所示。

    图  10  地震多属性分析思路流程图
    Figure  10.  Flow chart of seismic multi-attribute analysis idea

    地震属性是通过对三维地震数据体提取有关地层岩性、流体性质及储层物性特征的度量值。地震属性提取的方式主要包括层间、沿层及沿深度面3种,本研究的2个目的层尺度较小且厚度变化较小,故采用层间的方法提取属性。分别提取H5a—H5b和H5b—H6a的层间属性,在提取层间属性时,在层位解释的基础上,通过插值并进行适当的平滑后,再进行地震属性的提取,可以适当提高解释的准确性,减少误差。

    由于提取地震属性时,各属性计算方法和提取方式不同,使其量纲数据范围不同,故在进行相关性分析之前进行归一化处理,以降低系统误差。因研究区地震数据分布范围变化较大,采用归一化的标准差标准化处理方法,如公式(1)所示。

    $$ {X_{{\text{norm}}}} = \frac{{X - {X_{\min }}}}{{{X_{\max }} - {X_{\min }}}} $$ (1)

    式中:$ {X_{{\text{norm}}}} $为归一化后的数据;

    $ X $为原始数据;

    $ {X_{\max }} $$ {X_{\min }} $分别为原始数据集的最大值和最小值。

    在地震属性优选的时候,主要考虑2方面:①各属性之间的相关性,若2种属性相关性高表明两者反映的地质信息相关度高;②地震属性与预测地质信息参数之间的敏感程度,地质信息参数主要为砂体厚度值或砂地比值。结合这2方面对地震属性进行优选,找出地震属性之间相关性较低且对地质信息参数敏感度高的地震属性进行多属性聚类分析。

    利用Geoscope、VVA及Geosed等软件提取目的层的地震属性,并对其进行筛选。按照提取方式及物理意义分为振幅类、复数道类、频谱类、层序统计类、瞬时类、频率衰减类、其他类等7大类48种属性。参考专家经验,认为振幅类及复数道类反映砂体信息较好,优选出12种较敏感属性对其进行相关性分析;以便筛选出能够用来表征砂体不同信息且与砂体信息相关性高的地震属性,采用多属性聚类反映整体展布特征,再将表征砂体厚度最优的3种属性进行多属性融合,以增强对河道边界的刻画。

    通过地震解释软件提取井旁道地震属性,并求取各井点目的层段的砂体厚度值,将井旁道地震属性值与砂厚值进行相关性分析,从而选出对砂岩较敏感的地震属性。再对优选出的地震属性进行交汇分析,去除相似信息的地震属性,选出最优的且包含不同地质信息的地震属性,相关性分析结果如表1所示。

    表  1  地震属性及砂厚相关系数矩阵
    Table  1.  Correlation coefficient matrix of seismic attribute and sand thickness
    砂厚RMSATAAEAIFARSEBIFIFBMINEHTRAISWEET
    砂厚1
    RMS0.5911
    ATA0.5160.6231
    AE0.3210.6870.8271
    AIF0.4770.2580.7570.7951
    ARS0.5420.3470.7320.8250.9141
    EB0.2540.0240.3350.4520.4260.3871
    IF0.3760.2760.7120.4580.6540.4680.7451
    IFB0.4210.1270.6650.5210.6980.4980.7190.9321
    MIN0.6120.4890.5870.5290.4550.3250.6890.5520.5481
    EHT0.2010.2870.4730.4920.5120.5850.5520.3670.4190.6521
    RAI0.3780.1280.2690.3250.1860.3920.6550.4250.6910.2250.3621
    SWEET0.3180.1650.2850.4870.2870.3480.3180.1890.2540.3470.3950.5161
    注:RMS_Amplitude-均方根振幅,ATA-平均波谷振幅,AE-平均能量,AIF-平均反射频率,ARS-平均反射强度,EB-有效带宽,IF-瞬时频率,IFB-瞬时频宽,MIN-最小振幅值,EHT-能量半衰时,SWEET-甜点,RAI-相对声波阻抗。
    下载: 导出CSV 
    | 显示表格

    综合相关性分析统计结果得出,当2种属性之间的相关系数>0.7时,这2种属性为相似属性,故选择与砂厚相关性好的属性作为待选属性,减少冗余;当相关系数<0.3时,两者之间基本没有关联,不适宜进行聚类分析。通过该原则对12种属性进行优选。根据相关系数统计结果及谱系图结果综合分析,将各类属性中相关性最高的属性作为该类中最优属性,最终选择出3种(均方根振幅属性、平均反射强度属性、最小振幅值)反映地质体边界、岩性较好的地震属性作为聚类样本(图11)。

    图  11  单一地震属性平面图
    Figure  11.  The plane map of single seismic attribute

    模糊C-均值聚类算法即FCM算法是由BEADEK提出的,用隶属度这一概念计算各数据与特定聚类中心的距离,确定样本中各数据点属于某个聚类中心程度的一种聚类算法。FCM是无监督模式识别的重要分支,通过对目标函数的迭代优化来实现对给定数据集合的划分。

    FCM聚类充分体现了模糊理论的精华,较k-means聚类更加灵活,大部分情况下不能将数据对象指派一个对象到一个特定的簇,该算法通过隶属度反映每个对象到每个聚类中心之间的程度,该算法是对聚类中心和隶属度矩阵反复优化迭代的过程,对于具有非概率特性的数据采用FCM算法是较好的选择。

    人为给定模糊聚类数目$ c $$ c $满足$ 2 < c < n $,其中$ n $为样本点个数,规定迭代阈值为$ \delta $及初始化模糊指标$ {\textit{z}} $,初始值随机在训练数据集选择,求取各组的初始化聚类中心$ {q_j} $ $ \left( {j = 1,2,3, \cdots ,Q} \right) $$ t = 0 $

    $$ {J_Q} = \sum\limits_{j = 1}^Q {\sum\limits_{i = 1}^n {{\mu _{ij}}^{\textit{z}}} } \left\| {{x_i}} \right. - {\left. {{q_i}} \right\|^2},1 \leqslant {\textit{z}} \leqslant \infty $$ (2)
    $$ \begin{split} &{\mu _{ij}} = \frac{1}{{\displaystyle\sum\limits_{j = 1}^Q {{{\left( {{{{\left\| {{x_i} - {q_j}} \right\|}^2} / {{\left\| {{x_i} - {q_k}} \right\|}^2}}} \right)}^{{2 / {\delta - 1}}}}} }},\\ &i = 1,2, \cdots ,n,j = 1,2, \cdots ,Q \end{split} $$ (3)
    $$ \sum\limits_{j = 1}^Q {{\mu _{ij}}} = 1,\forall i = 1,2,3, \cdots ,n $$ (4)

    步骤一:根据式(3)计算各样本点的初始模糊隶属度,且隶属度$ {\mu _{ij}} $满足式(4);

    步骤二:根据式(5)计算并更新聚类中心$ {q_j} $,通过目标矩阵$ {J_Q} $迭代进行模糊聚类;

    $$ {q_j} = \frac{{\displaystyle\sum\limits_{i = 1}^n {\mu _{ij}^\delta {x_i}} }}{{\displaystyle\sum\limits_{i = 1}^n {\mu _{ij}^\delta } }} $$ (5)

    步骤三:用式(2)更新聚类目标矩阵$ {J_Q} $,如果$ \left\| {J_Q^{i,j = n} - J_Q^{i,j = n - 1}} \right\| < \delta $则运算结束,否则进入步骤二继续;

    步骤四:运算结束后,输出聚类目标矩阵$ {J_Q} $及模糊隶属度$ \;{\mu _{ij}} $,其中$ \;{\mu _{ij}} $通过公式(6)进行标准化处理。

    $$ {\mu _{ij}} = \frac{{{\mu _{ij}}}}{{\displaystyle\sum\limits_{j = 1}^Q {{\mu _{ij}}} }} $$ (6)

    该算法中,迭代阀值和模糊聚类数目需要根据人为经验进行预设,整个计算流程是对聚类中心及隶属度不断进行迭代完善的过程,通过反复优化计算各样本点的中心隶属度,从而达到对数据集进行自动分类的目的,增强地震属性解释的效果。

    将优选出3种地震属性,采用基于FCM算法的多属性聚类分析,研究其整体展布特征。结合沉积微相类型分析,目的层存在4种沉积微相类型,聚类数目$ c $选择$ 4 < c < 8 $,否则将无法解释。经过人为调试后,设置模糊聚类数目为5效果最佳,H5砂层组的2个小层中,属性聚类分布图中红色区为分流河道沉积环境,其边缘黄色区与绿色区则指示砂泥过度沉积环境,紫色区与蓝色区则表示分流河道间沉积环境(图12)。H5a小层红色区主要分布在凹陷低部位,受断层构造控制作用分流河道呈NE—SW流向分布,对应中—强振幅区,地震相呈亚平行状。H5b小层红色区分布在凹陷次低部位,河道流向与H5a小层基本一致,其分河道宽度明显加宽,对应强振幅区,地震相呈平行-亚平行状。

    图  12  聚类效果
    Figure  12.  The clustering effect

    在多属性聚类分析的基础上,通过多属性融合技术,弥补了单一属性效果不佳及反映信息少的缺点,将多种属性融合显示,融合各属性的不同地质信息,综合各属性优点降低多解性。其中,均方根振幅属性会凸显出数值较大的振幅值,在地层的砂地比、砂厚分析和区分岩性时有很好的效果。平均反射强度属性是计算平均值得到输入地震道的平均反射强度,突出异常振幅,可识别三角洲内分流河道以及冲积扇等沉积体系。最小振幅值是计算层间时窗范围内的反射率,突出了地震微相的变化,多用于识别“亮点”。对优选出的3种地震属性进行RGB融合显示,增强分流河道砂体边界的刻画。

    图13所示,RGB融合显示的平面效果较单一属性突出了分流河道的砂体分布信息,对分流河道边缘处的刻画更加清晰。

    图  13  RGB融合效果
    Figure  13.  RGB fusion rendering

    H5砂层组沉积时期整体处于湖侵体系域,属于浅水三角洲平原沉积环境。H5b物源供应较H5a更充足,水动力作用较H5a更强,多发育叠置厚层砂或厚砂被多层薄层泥岩所分隔,多期河道垂向叠置形成复合厚砂体,砂体厚度主要分布在15~43 m,厚砂区集中在T-1、T-4及A10井附近发育叠置充填型分流河道,分流河道呈NE—SW向展布,发育3条主河道,呈宽条状分布。而H5a沉积时期在T-1及A10井砂体较发育,厚度为28~32 m,其余井位砂体厚度较薄为7~12 m,发育侧向迁移型分流河道,由H5b宽条状分布过渡为窄条状分布,且河道分叉交汇增多(图14)。

    图  14  H5a及H5b沉积相
    Figure  14.  Sedimentary facies of sub-layers H5a and H5b

    采用二维卷积神经网络进行机器学习预测H5a小层的砂体累计厚度, 如图15所示,预测砂厚结果与实际钻井得到的砂厚结果相差无几。根据砂体厚度预测发现分流河道内主河道区砂体厚度约为15~34 m(图16b),将该小层地震属性与构造等值线相叠合(图16a),将构造与岩性相结合共同寻找有利目标区,发现A10井南部为分流河道砂体叠置区侧缘,砂体厚度较发育且分布范围集中,且位于构造高部位,河道上倾尖灭易形成有利岩性-构造目标,右翼被断层封堵,有良好的储集空间,故将其作为后续开发的主要评价区域。

    图  15  预测砂厚结果分析
    Figure  15.  Analysis of predicted sand thickness
    图  16  构造属性叠合及预测砂厚
    Figure  16.  Structural attribute superposition and predicted sand thickness

    通过地震剖面落实储层的空间展布(图17),为提取潜力目标提供有利证据。目标井位所处位置平面上强振幅占整个层的比例高,指示振幅属性高,地震体上呈现强波谷反射,与已钻的T-1及T-10井附近的振幅值相当,在剖面上以孤立透镜状存在,向两侧方向逐渐减薄尖灭,强振幅属性区平面形态呈条带状,走向呈近NS向展布,且从地震剖面来看其两侧被断层所封挡,形成岩性-构造复合圈闭封堵油气并有利于油气储存,潜力目标区位于构造西南翼,与构造高部位叠合一致,与水层不连通,预测河道砂体厚度在28 m左右,皆指示目标区域含气潜力大。

    图  17  有利目标地震剖面
    Figure  17.  Seismic profile of favorable targets

    (1)针对海上少井地区的沉积微相精细刻画,通过岩芯与测井等资料明确该区发育4种沉积微相类型,采用地震沉积学的技术方法,在岩石物理性质分析的基础上,明确H5层段砂泥岩的阻抗关系为低阻砂岩高阻泥岩,采用90°相位转换进行岩性体构建,使地震同相轴与岩性建立关系。

    (2)提取井旁道地震属性,与砂体厚度及各地震属性进行相关性分析,优选反映地质体信息较好的3个属性(均方根振幅属性、平均反射强度属性和最小振幅值属性),采用基于FCM算法的多属性聚类分析,结合多属性RGB融合显示,能够准确的识别河道砂体及刻画河道边界。

    (3)通过机器学习对西湖凹陷T气田H5a小层砂体厚度进行预测,综合研究区内构造特征等对有利区进行综合评价,认为在T-10井南部形成岩性-构造复合圈闭,与水层不连通,将寻找到的有利区作为后续潜力目标,为下一步井位部署提供依据。

  • 图  1   研究区位置

    Figure  1.   Location of the study area

    图  2   井震标定结果

    Figure  2.   Results of well vibration calibration

    图  3   等时地层格架

    Figure  3.   Isochronous stratigraphic framework

    图  4   小层对比划分结果

    Figure  4.   Comparison and division of sub layers

    图  5   T气田花港组岩芯照片

    Figure  5.   Core photos of Huagang Formation in the T Gas Field

    图  6   T气田花港组T-1井单井相分析

    Figure  6.   Logging of single well T-1 of Huagang Formation in the T Gas Field

    图  7   砂泥岩百分比-波阻抗直方图

    Figure  7.   Histogram of sand shale percentage vs. wave impedance

    图  8   花港组砂岩厚度统计

    Figure  8.   Statistics of sand thickness in the Huagang Formation

    图  9   90°相移前后地震剖面对比

    Figure  9.   Comparison of seismic profiles before and after 90° phase shift

    图  10   地震多属性分析思路流程图

    Figure  10.   Flow chart of seismic multi-attribute analysis idea

    图  11   单一地震属性平面图

    Figure  11.   The plane map of single seismic attribute

    图  12   聚类效果

    Figure  12.   The clustering effect

    图  13   RGB融合效果

    Figure  13.   RGB fusion rendering

    图  14   H5a及H5b沉积相

    Figure  14.   Sedimentary facies of sub-layers H5a and H5b

    图  15   预测砂厚结果分析

    Figure  15.   Analysis of predicted sand thickness

    图  16   构造属性叠合及预测砂厚

    Figure  16.   Structural attribute superposition and predicted sand thickness

    图  17   有利目标地震剖面

    Figure  17.   Seismic profile of favorable targets

    表  1   地震属性及砂厚相关系数矩阵

    Table  1   Correlation coefficient matrix of seismic attribute and sand thickness

    砂厚RMSATAAEAIFARSEBIFIFBMINEHTRAISWEET
    砂厚1
    RMS0.5911
    ATA0.5160.6231
    AE0.3210.6870.8271
    AIF0.4770.2580.7570.7951
    ARS0.5420.3470.7320.8250.9141
    EB0.2540.0240.3350.4520.4260.3871
    IF0.3760.2760.7120.4580.6540.4680.7451
    IFB0.4210.1270.6650.5210.6980.4980.7190.9321
    MIN0.6120.4890.5870.5290.4550.3250.6890.5520.5481
    EHT0.2010.2870.4730.4920.5120.5850.5520.3670.4190.6521
    RAI0.3780.1280.2690.3250.1860.3920.6550.4250.6910.2250.3621
    SWEET0.3180.1650.2850.4870.2870.3480.3180.1890.2540.3470.3950.5161
    注:RMS_Amplitude-均方根振幅,ATA-平均波谷振幅,AE-平均能量,AIF-平均反射频率,ARS-平均反射强度,EB-有效带宽,IF-瞬时频率,IFB-瞬时频宽,MIN-最小振幅值,EHT-能量半衰时,SWEET-甜点,RAI-相对声波阻抗。
    下载: 导出CSV
  • [1] 蔡义峰,熊婷,姚卫江,等. 地震多属性分析技术在薄层砂体预测中的应用[J]. 石油地球物理勘探,2017,52(2):140-145.
    [2] 张宪国,吴啸啸,黄德榕,等. 极限学习机驱动的地震多属性融合识别曲流带单一点坝[J]. 石油地球物理勘探,2021,56(6):1340-1350.
    [3] 刘豪,郭奕杉,赵春晨,等. 浅水三角洲砂体预测的地震属性方法探讨[J]. 西南石油大学学报(自然科学版),2016,38(4):71-81.
    [4] 刘英宪, 甘立琴, 徐中波, 等. 海上油田大井距条件下薄互储层刻画方法: 以渤海湾盆地P油田3井区馆陶组为例[J]. 大庆石油地质与开发, 2022, 41(5): 130-136.
    [5] 刘化清,苏明军,倪长宽,等. 薄砂体预测的地震沉积学研究方法[J]. 岩性油气藏,2018,30(2):1-11.
    [6] 徐立恒,马耀军,朱遂珲,等. 油田开发后期井间砂体识别[J]. 石油地球物理勘探,2019,54(2):390-397.
    [7] 常少英,刘玲利,崔钰瑶,等. 浅水三角洲薄砂层地震沉积表征技术:以准噶尔盆地芳草湖地区清水河组为例[J]. 岩性油气藏,2022,34(1):139-147.
    [8] 张晶玉,范廷恩,王海峰,等. 海相薄砂岩储层精细描述及地震沉积学认识:以南海珠江口盆地H油田为例[J]. 油气藏评价与开发,2021,11(5):680-687.
    [9] 曾洪流,赵贤正,朱筱敏,等. 隐性前积浅水曲流河三角洲地震沉积学特征:以渤海湾盆地冀中坳陷饶阳凹陷肃宁地区为例[J]. 石油勘探与开发,2015,42(5):566-576.
    [10] 齐淼,张化祥. 改进的模糊C-均值聚类算法研究[J]. 计算机工程与应用,2009,45(20):133-135.
    [11] 张阳,邱隆伟,李际,等. 基于模糊C均值地震属性聚类的沉积相分析[J]. 中国石油大学学报(自然科学版),2015,39(4):53-61.
    [12] 徐彬,李建明,张永庶,等. T-R旋回层序在陆相盐湖盆地中的应用:以柴西南英西地区下干柴沟组上段为例[J]. 断块油气田,2020,27(4):412-417.
    [13] 董春梅,赵仲祥,张宪国,等. 西湖凹陷中北部花港组物源及沉积相分析[J]. 东北石油大学学报,2018,42(5):25-34.
    [14] 宋小勇,储呈林,芮志峰. 东海盆地西湖凹陷构造样式及其演化[J]. 高校地质学报,2010,16(1):86-93.
    [15] 徐艳霞,胡明毅,梁建设,等. 东海盆地西湖凹陷渐新统花港组物源分析[J]. 石油天然气学报,2010,32(5):176-179.
    [16] 武法东, 周平. 东海陆架盆地西湖凹陷第三系层序地层与沉积体系分析[M]. 北京: 地质出版社, 2000.
    [17] 王天云,韩小锋,许海红,等. 无监督神经网络地震属性聚类方法在沉积相研究中的应用[J]. 石油地球物理勘探,2021,56(2):372-379.
  • 期刊类型引用(0)

    其他类型引用(1)

图(17)  /  表(1)
计量
  • 文章访问数:  88
  • HTML全文浏览量:  9
  • PDF下载量:  14
  • 被引次数: 1
出版历程
  • 收稿日期:  2022-04-05
  • 网络出版日期:  2023-07-12
  • 刊出日期:  2023-09-03

目录

/

返回文章
返回