裂缝建模软件ReFract

地震主导的综合裂缝预测与描述
ReFract
Prism Seismic, Inc.

ReFract: 地震主导的综合裂缝预测与描述
近年来，在油气勘探领域，对裂缝油藏的研 究变的越来越重要。但目前市场上的裂缝分析软 件主要是针对解决油气开发问题的，而缺乏针对 裂缝油藏勘探的裂缝预测与描述软件。 为了满足石油业界对裂缝油藏勘探的需求， 美国 Prism Seismic 公司经过近 10 年的研发，于 2004 年正式推出了能满足勘探阶段裂缝油藏预测 与描述软件－ReFract。 ReFract 以地震数据为主导，测井数据和其它 地质数据为辅，对裂缝油藏进行多学科综合分析 与描述，使我们大幅度提高对裂缝分布的认识， 减低裂缝油藏的勘探风险。 目前对裂缝的分析手段主要有以下三种： z
ReFract 具有非常友好的用户界面
z
z
地质力学模拟（Geomechanical Modeling）－通过古构造恢复手段，模拟地层的变形史，推算地层的应变 以及相应的裂缝发育和分布。这种方法的模拟过程极为复杂，而且过分简化了裂缝成因，只考虑构造变 化对裂缝发育的影响，而忽略了岩性分布、岩石物性、和其他复杂地质现象对裂缝发育的影响。 离散裂缝网络（Discrete Fracture Network，DFN）－主要依据井数据，尤其是井中成像数据，结合地震属 性的面分布数据，用地质统计模拟的方法计算裂缝的分布。这种方法对井数据要求较高，需要相对较多 的井数据，更适合开发阶段的裂缝分析工作。 连续裂缝分布模型（ Continuous Fracture Models，CFM）－代表着裂缝分析领域的最新成就，以地震数 据为主导，井数据和其它地质数据为辅，用多学科综合分析手段，在整个三维空间建立裂缝的连续分布 模型。这种方法的主要依据是各种三维地震属性，对井数据要求不高，因此比较适合井数据相对较少的 勘探阶段裂缝预测与描述工作。ReFract 就是应用的这种方法。
裂缝的成因和控制因素是及其复杂的，包括： 裂缝的成因地质要素： z 构造形变（褶皱、断层等） z 上伏地层的快速风化和剥蚀，使下部地 层发生膨胀和上浮 z 由于火成岩冷却、页岩脱水等因素引起 的体积收缩 z 溶岩作用和塌陷 z 高压地层中的孔隙压力释放 和裂缝的控制地质要素： z 岩性（相） z 孔隙度 z 地层厚度 z 距断层的距离 z 孔隙压力等 所以， 除了在井位可以利用井中成象、 岩芯、 测井等数据直接了解裂缝的特征外， 在井间， 我 们所能利用的唯一数据就是地震数据。所幸的 ReFract 一维显示窗，显示了井中裂缝密度数据 是，以上所提到的这些裂缝成因和控制因素中， 许多都可使用地震属性约束的随机建模技术得出；例如利用地质建模软件（Gocad，Petrel，RMS，RC2 等）可以 应用地震属性约束的随机建模技术计算构造形变（构造模型） 、岩性模型、孔隙度模型等。因此，地震数据中富含 裂缝信息，有些信息是间接的，例如构造信息，而有些信息可以是直接的，例如高精度地震分频属性，很多情况

下都与裂缝和其所含的流体有关。我们将地震数据（地震属性）称为裂缝的地震要素。 常用的裂缝地震要素有： z 高精度叠后地震反演－波阻抗 z 高精度叠前地震反演－Lame 系数 z 高精度地震分频分析－与裂缝和其所含液体相关的地震属性 z 相干属性 z 倾角与倾向属性 z 能量属性 z 地层曲率（Curvature） 我们将裂缝成因地质要素、控制地质要素、和裂缝地震要素统称为“裂缝要素” 。 我们将描述裂缝的参数称为裂缝指示参数，例如裂缝密度、裂缝引起的孔隙度、裂缝引起的渗透率等。至于 用哪个参数作为裂缝指示参数，则取决于所要描述的裂缝类型、井中数据类型等。 ReFract 使用 4 种类型的裂缝要素来生成综合裂缝模型： z z z z 高分辨率地震属性，包含有裂缝信息或与裂缝有关的地质因素信息。高分辨率地震属性可从叠前或叠后 地震中提取。 地质属性，包含有岩性、矿物颗粒度、矿物成分、岩相、孔隙度、以及孔隙压力。一般来说，这些地质 属性用地质统计学的方法得到，并用地震数据对其进行约束。 地质力学属性，用地质力学模拟工具得到，反映现代应力场和古应力场分布。 构造信息，包括断层、层面、地层 厚度、构造斜度、构造变形度（曲 率） 、断距、伪应变等，在 ReFract 中将直接应用这些数据。
这种灵活应用多学科综合数据的能力 使我们对裂缝油藏的预测和描述能力大为 提高。ReFract 对诸如地震属性等裂缝要素 的应用是三维空间全方位的，而不是仅仅应 用二维属性分布图。 在裂缝的研究中，我们面临的第一个难 题就是面对众多的裂缝要素，包括大量的地 震属性，哪些要素才真正与裂缝有关呢？筛 选有用的属性是至关重要的，直接关系到后续工作的成败。ReFract 应用模糊逻辑技术，对大量的裂缝要素（包括 地震属性）进行相关性判别，并对其与裂缝指示参数的关联度进行分级（Ranking） ，去伪存真，为后续的裂缝预 测和描述打下坚实的基础。 裂缝要素分级是 ReFract 的独特功能，具有重要的地位和意义，它使我们真正避免了无用信息，大大提高后 续裂缝预测和描述工作的精度与可靠性，也大幅度的提高了工作效率。 一旦裂缝要素筛选分级完成后，我们就可以开始用筛选出的裂缝要素来预测和描述裂缝分布。我们所面临的 问题是要用多属性（裂缝要素）预测裂缝指示参数（例如裂缝密度、裂缝渗透率等）的分布。由于这些裂缝要素 与裂缝指示参数之间的关系是非线性的， ReFract 采用了人工智能非线性神经网络技术在三维空间中进行裂缝分布 模拟。 在非线性神经网络技术的应用中，对神经网络的训练学习是很关键的一环。在神经网络的训练学习中，训练 样本的大小是很重要的，直接影响到神经网络的质量。训练样本取自井数据，但在勘探阶段井数据是相对比较少 的。由于 ReFract 采用的是三维空间的模拟，每口井在三维空间中可以提供许多数据采样点，因此，纵然只有寥 寥几口井，我们仍然可以得到足够大的训练样本，保证了神经网络的质量。对神经网络的试验样本也是同样的情 况。 神经网络的训练学习完成后，我们就可以将裂缝要素（地质、地震属性）输入神经网络，模拟出裂缝指示参