[發明專利]疊前AFI反演定量預測含氣概率的方法

有效

• 申請號: 201110198570.2
• 申請日: 2011-07-15
• 公開（公告）號: CN102288996A
• 公開（公告）日: 2011-12-21
• 發明（設計）人: 梁虹;巫芙蓉;孫建庫;秦俐;黃花香;司陽濤;文中平;楊冬梅;陳春蘭;劉春
• 申請（專利權）人: 中國石油天然氣集團公司;中國石油集團川慶鉆探工程有限公司
• 主分類號: G01V1/30
• 分類號: G01V1/30
• 代理公司: 北京市中實友知識產權代理有限責任公司 11013
• 代理人: 李曉林

技術領域

本發明涉及一種疊前AFI反演定量預測含氣概率的方法，屬于地震勘探資料儲層預測領域。?

背景技術

AVO(Amplitude?versus?Offset)研究的是地震縱波振幅隨偏移距的變化關系，其理論基礎是描述平面縱波在阻抗界面處產生的各種反射波、透射波能量關系的Zoeppritz方程。?

由于Zoeppritz方程過于復雜，難以直接看清對反射系數有直接影響的參數。多年來，諸多學者推導了其近似表達式(Wang，1999)，先后有Bortfeld(1961)、Aki?&?Richards(1980)、Shuey(1985)、Hilterman(1990)和Mallick(1993)等簡化關系式，其中最有影響的當Shuey的Zoeppritz方程兩項近似，這一簡化極大地推動了AVO技術的研究和應用。?

AVO技術的特點是利用疊前CMP道集數據，分析振幅隨偏移距變化的規律，通過一系列AVO屬性(截距P和梯度G、縱波反射系數Rp和橫波反射系數Rs等)來預測地層的巖性及含油氣狀況。例如，《江漢石油科技》2006年02期公開的AVO技術在CDN地區TTB構造含氣預測中的應用。AVO已經成為油氣勘探開發中常用的油氣檢測技術，但所有AVO屬性都存在很大的“不確定性”，即存在一個大范圍的巖性和流體組合，不同組合可以產生類似的AVO響應。導致AVO技術在油氣檢測中存在極大不確定性，影響了流體識別效果。?

為了解決上述問題，2009年第12期的《內蒙古石油化工》中公開了AFI技術原理及應用，其實現原理及過程如下：AFI假設一個“中間砂巖、上下泥巖”的三層模型，泥巖層通過Vp、Vs、Density三個參數來表征，砂巖層通過彈性模量、含水飽和度、孔隙度、密度等更多的油層物理參數來表征。理論上，模型中的每一個參數都有一個概率分布圖，而實際應用中由于無法獲取足夠多的樣點，大部分參數在研究區內假設為常數，如骨架的彈性模量和密度、不同流體的彈性模量和密度；泥質含量、含水飽和度、厚度認為是均勻分布的；Vp、Vs、泥巖密度、砂巖孔隙度通過對測井的趨勢分析來確定其概率分布。趨勢分析的目的是確定不同深度位置的地層表征參數的概率分布狀況，而一組特定參數的組合就構成了一個隨機模型。這樣通過不同參數的隨機組合即可獲得不同深度位置的隨機模型。但采用此方法還存在如下問題：預測結果與實際數據和模型數據間的校正結果有關，實際地震數據所得到的截距和梯度與模型所產生的截距和梯度存?在較大差異，如何確定權系數將已知實際數據擬合到模型數據中，檢索到的文章方法不清楚。?

發明內容

本發明的目的在于克服現有油氣檢測技術存在的上述問題，提供一種疊前AFI反演定量預測含氣概率的方法，本發明解決了AVO在油氣檢測中存在的不確定性問題，將AVO分析中不確定性轉變為含氣概率分布的確定性分析方法，通過含氣概率定量反演，得到較準確的含氣概率分布。?

為實現上述目的，本發明采用的技術方案如下：?

一種疊前AFI反演定量預測含氣概率的方法，其特征在于，包括如下步驟：?

a、利用測井資料進行趨勢分析，在趨勢面分析的基礎上，根據儲層的深度范圍，對目標層段的n個深度的層地表征參數的概率分布狀況進行隨機模擬，通過不同參數的隨機組合即可獲得不同深度位置的隨機地質模型；?

b、對每一個隨機地質模型進行流體替換，得到各種流體組合狀態砂巖模型對應的響應，形成三種不同的深度模板圖；?

c、對實際CMP道集數據體計算的AVO屬性點(截距，梯度)進行校正，將校正后的實際數據點結果投影到對應的深度模板圖上，對比分析便獲得含氣概率定量預測的概率分布。?

所述a步驟中，利用Vp、Vs或/和Density測井資料進行趨勢分析。?

所述a步驟中，建立隨機地質模型時確定的砂巖和泥巖的速度、密度隨深度變化進行的趨勢面結果來自于測井資料趨勢分析。?

所述b步驟中，利用Biot-Gassman方法對每一個隨機地質模型進行流體替換，在截距I-梯度G交匯圖上形成三種不同的深度模板圖。?

本發明中，多次重復b步驟，得到油、氣、鹽水三種砂巖流體的每種可能性分布圖。?

所述c步驟中，對實際CMP道集數據體計算的AVO屬性點(截距，梯度)進行加權校正，使得實際數據體與模型匹配。?

所述c步驟中，用多個振幅值差異較大的區域擬合到模型數據中，采用神經網絡多屬性的方式對校正結果進行對比分析，當相關性相對最大時為校正完成。?

采用本發明的優點在于：?