随机反演在储层表征中的应用 中文翻译

随机反演在储层表征中的应用

Sérgio Sacani Sancevero1, Armando Zaupa Remacre1, Evaldo Cesário Mundim2

摘要：为了有效的进行储层表征，必须将所有能够得到的现场资料进行整合。在实际生产中完成这种整合并不容易，所以有必要运用如地震反演等特殊方法。地震反演是融合测井数据和地震资料的有效方法，可以得到一个模型，该模型在预测过程中可用于流体数字模拟。地震反演可以通过很多种方法做到，主要可以分为两大类：一类是确定性方法（其代表是回归反演和约束稀疏脉冲反演），另一类是随机方法（其代表是地质统计学反演）。在本次研究中，通过随机反演结果和确定性反演结果的对比展示了随机反演是如何改进油藏描述过程的。随机反演可以运用较高的采样率（和储层模型的网格大小相接近），来产生一个更可靠的模型。随机反演方法还可以生成一些基本统计测量结果来改进解释结果的精确度。正因为在随机反演的过程中可以实现大量数据，所以使得储层模型的不确定性研究成为可能。

关键词：随机反演；井震结合数据；储层表征

1 介绍

为了更有效的研究储层非均质性，需要建立一个融合所有即得数据的定量模型。然而在实际应用中要将所有信息整合为一个协调的统一模型并非易事。在各种现有的模型中，主要是运用地震数据来生成储层的地质模型，而波阻抗的地震数据反演由于其在解释各种数据方面的精确性已经成为石油工业的储层表征过程中的非常出色的工具。

由于波阻抗是通过密度和纵波速度的乘法运算获得，它可以确定地层性质而不是层面性质。通过地震反演的方法，可以将波阻抗与其他重要的定量数据如孔隙度、岩性、产层有效厚度和渗透率等直接结合，从而建立储层性质的基础模型。这些模型起到很大的作用，因为它们可以直接用于流体模拟输出，这可以使井位确定和生产层开发以更有效的方式进行。

现在有很多方法都能完成地震反演，继而获得波阻抗。可以将这些方法分为两大类：一类是确定性方法，即生成一个单一的波阻抗模型；另一类是随机性方法，即生成复合的等概率模型。据Rowbatham等（2003），确定性方法在计算时间和磁盘空间方面总体来讲要便宜的多，其输出结果的垂向清晰度受地震带宽限制。当确定性反演的结果用于储层性质评价时，会产生均一性的影响，减少孔隙度的变化，

而这可能对储层表征很重要。因此，确定性反演方法适合在勘探阶段分析储层大致的变化趋势和大规模的特征，而在具有精细规模非均质性储层的沉积环境中，随机反演方法提供了更高的分辨率。在随机反演中，波阻抗模型受测井数据和地质概念的约束。这些模型很适合应用在储层中，因为其垂向分辨率与仿真模型能够很好的对应。随机方法还可以通过大量等概率模型的统计分析，对结果的不确定性/不唯一性作出评估。

因此，这项研究的目的就在于说明随机反演能改善储层表征过程（将其结果与约束稀疏脉冲反演结果进行比较），通过使用合成的基准模型来更有效的进行解释和论证。这项比较是根据储层规模来进行的，这样可以看到两种方法之间的差异。

2 方法

为了对随机方法和确定方法进行比较，我们用一个单一地质基准模型生成了一个合成地震数据组，将其作为地震解释过程的输入部分，之后就是反演。基准模型是由三个主要部分生成：（1）几何概念；（2）岩石物理性质；（3）地震数据的生成。

模型的几何部分由布尔目标模拟实现。这项技术是在确定的网格中插入预先定义的几何模型，模拟所期望得到的特征。这里研究的模型是由典型砂岩体插入泥岩背景下得到的。从研究者那里得到了按比例的形成模型的大小和形状。由布尔模拟生成的模型具有典型的浊积岩储层的性质，比如砂岩体的混杂堆积和地震厚度变化。模型的主要目的就是研究在有限的地震分辨率的条件下地震数据的行为和反演过程。

岩性模型建立之后，下一步就是将岩石物理性质填充到模型中去。因此，要通过连续的高斯模拟（SGS）获得岩石的孔隙度、密度和纵波速度等特性，以确保期望值的模拟和各特性之间必要的联系。将岩石密度和纵波速度模型相乘，就得到波阻抗模型，这是研究工作开展的基础。

生成基准模型的最后一步就是获取合成地震数据。合成地震数据是将波阻抗模型和主频为25Hz的小波进行结合式模拟得到的，这是典型的现实地震勘探。当参考数据都已使用并且结论，所有模型中的井位也就提取出来了。因此，一套测井数据的获得与真实的储层表征研究是很相似的。

在模型完成之后，我们进行地震反演试验。开始，我们用约束稀疏脉冲算法进行确定性反演。假设使用的地震数据代表了在波阻抗模型中观察到的地质特征，而

且受一系列先前已有的地质模型和井数据的控制。这些限制有效的约束了潜在的解释，减少了非唯一性响应并具有更深的地质和地球物理意义。像所有的确定性方法一样，约束稀疏脉冲反演（CSSI）建立在解决最优化问题的算法基础之上。

因此，用CSSI方法获取波阻抗包括以下几个阶段：

（1）建立波阻抗模型要使用地质模型，这是建立在解释水平、构造资料和井数据基础上的。该模型被理解为“地球模型”。接着将这些数据进行内插值替换，得到在反演过程中使用的约束模型和趋势模型。这种阻抗模型是用来生成在地震数据中缺失的低频数据的。（2）用地震和井资料进行小波估算。（3）用约束模型和趋势模型进行反演。（4）过程的最后，低频模型和结果合并。

接着，我们运用地质统计反演方法，该方法最初是由Bortoli 在1993年介绍的，Hass和Dubrule在1994年也有论述。随机反演的主要优点之一就是可以在非唯一性问题使用。地震反演问题被称为非唯一性问题，这是因为由波阻抗模型会产生多种解释和反射，当于小波分析结合就可以产生与地震数据相适应的结果。在地质统计反演中，不唯一性被适当的控制，因为虽然问题的最优解并没有找到，但会得到复合随机模型，这样就可以用统计研究的方法分析储层模拟中的不确定性。

如最初定义的那样，这种方法的目的是对井数据进行连续高斯模拟，从而对地震数据的每一轨迹获得波阻抗拟井位。通过这些拟井位生成合成地震轨迹，然后将其与每一位置上的原始轨迹相比较。模拟在合成轨迹和原始轨迹之间调整到最佳，这就是测定点的反演解释。该算法将调节的最好的轨迹合并并将其移动到另一个轨迹。如果该轨迹没有被接受，那么在相同的轨迹就会进行再一次模拟，直到轨迹被接受为止。垂向分辨率数据是在模拟的过程中由垂向网格大小的筛选而不是地震数据包含的频率来确定的。

在这种方法中，地质统计反演结果是复合三维体，与地震数据有相同的水平分辨率，与井数据有相似的垂向分辨率。由于地质统计反演不仅受波阻抗特征、变差图和直方图控制，还受地震数据的控制，所以许多可能的解释都被去掉了，从而降低了解释的不唯一性。

现在的地质统计反演算法与最初的发展不同了，主要是在原始轨迹与合成轨迹比较和校正计算方面存在差异，其他校正的目的是最大限度的减少这种方法的最大局限，即计算时间。

该研究中用到的算法用JASON地球科学工作站程序包运行，这种算法中合成轨迹和原始轨迹的校正是用了一种叫模拟退火的最优化过程，其中一些已经降级的