李 苗，耿 懿，李 璇

(1.长庆油田分公司 第五采油厂，陕西 西安 710200； 2.中国科学院 兰州文献情报中心，甘肃 兰州 730030； 3.长庆油田分公司 第二采油厂，甘肃 庆阳 735101)



地震约束降低储层建模中的不确定性

——以委内瑞拉MPE3区块超重油油藏O-11a为目标层研究

李 苗1，耿 懿2，李 璇3

(1.长庆油田分公司 第五采油厂，陕西 西安 710200； 2.中国科学院 兰州文献情报中心，甘肃 兰州 730030； 3.长庆油田分公司 第二采油厂，甘肃 庆阳 735101)

委内瑞拉奥里诺科重油带，地下砂体展布复杂，非均质性强，传统两步建模法难以取得可靠结果。结合地震数据通过刻画训练图像及生成砂体概率曲线，对研究区的沉积微相模拟结果进行了不确定性分析；利用多点地质统计法分别建立无地震数据约束及有地震数据约束的2组沉积微相模型。对比结果表明：有地震约束的模型，砂体展布与地震数据基本一致，模型不确定性明显降低。该地震数据约束储层地质建模的正确和可靠，对研究区后续水平井的分布及邻区的勘探开发有很好的借鉴作用。

地质建模；地震数据约束；训练图像；不确定性

李 苗，耿 懿，李 璇.地震约束降低储层建模中的不确定性:以委内瑞拉MPE3区块超重油油藏O-11a为目标层研究[J].西安石油大学学报(自然科学版)，2016，31(3):39-47,56.

LI Miao,GENG Yi,LI Xuan.Reducing uncertainty of reservoir modeling by seismic constraints:taking O-11a super-heavy oil reservoir in MPE3 block of Venezuela as an example[J].Journal of Xi'an Shiyou University(Natural Science Edition),2016,31(3):39-47,56.

引　言

近年来，储层建模技术从起初的确定性建模、随机建模，到测井资料与地震资料共同约束的建模[1]，再到地震反演波阻抗等约束的建模[2]，有了较大的发展。

传统建模方法即为两步法：首先由测井数据建立起研究区的沉积相模型，再由沉积相模型建立出研究区储层的物性模型。这种方法产生的结果不确定性很大。目前国内对于不确定性的研究主要是针对不确定性的评价，对于不确定性建模方法的研究较少[3]。相对于传统建模方法不能反映复杂地质体等缺点，Bortoli等[4]在20世纪90年代提出的基于多点地质统计学的建模方法在模拟过程中的优势明显[5-7]。2001年由于搜索树的提出，多点地质统计学进入实质应用阶段[7-8]。这种方法可以利用训练图像代替目标体，也可以克服必须要对目标体有精准认识的不足[9]。训练图像是结合了多种数据的综合体，作为地质体的一种数字化表示[10]。三维训练图像可以描述物性在空间上的变化，可以反映出储层在横向及纵向上的变化。在已有基础资料的前提下，可以通过多种方法刻画用于建模的训练图像。这使得复杂的地质形态可以得到较为正确的描述。根据砂体厚度和地震信息获得训练图像就是其中的2种方法。

委内瑞拉奥里诺科重油带MPE3区块砂体看似均匀，但内部具有非常复杂的非均质性，采用传统两步建模方法难以取得较为可信的结果，基于此，本文通过尝试针对MPE3区块刻画训练图像，对比不同训练图像下有无地震约束建立模型的精度，确定有地震约束的储层建模中不确定性大为降低，为研究区后期整体开发方案的确定提供较为准确的依据。

1　训练图像的刻画

1.1研究区概况

MPE3区块位于委内瑞拉奥里诺科重油带东部，南北约16 km，东西约10 km，总计面积约150 km2。区内共有24口探井。Morichal段是本区最主要的含油层段，是以辫状河河道为主要沉积体的沉积[11]。本文主要目的层为位于Morichal的顶层的O-11a。

前期研究表明，24口直井探井中共有19口探井具有完整的岩相数据，能够用来参与建模。由于这19口直井在工区内分布较为均匀，井距比较接近，因此建模结果对该区具有参考意义。图1为研究区三维井位分布。

图1　研究区三维井位分布Fig.1　3D well distribution of the study area

1.2地震约束建模原理

Journel等[12]提出了一种多数据结合的建模方法。原理如下：假设有3种数据A、B、C，A表示将要被模拟的数据，B表示精确的数据(比如测井数据)，C作为A的同位协同数据(本文中为地震数据)。利用数据C约束，通过数据B建立模型。

根据贝叶斯公式，数据A、B、C存在数理关系：

(1)

(2)

(3)

其中

利用参数τ1和τ2，可以定义：

(4)

多点地质统计学的建模流程是通过基础地质研究(包括地质认识、测井资料和地震数据)综合建立训练图像，由地震反演数据处理得到砂体概率数据，再由测井数据得到垂向砂体概率。多点统计建模中的地震数据约束可以通过生成砂体概率曲线的方法实现[13]。砂体概率曲线可以将波阻抗数据转化为3种微相的砂体空间分布概率。在多点统计建模中，利用软数据约束。砂体空间分布概率是由波阻抗得出，所以建模实质依然是利用波阻抗数据进行的。

1.3垂向比例曲线分析

为了更好的研究目标层位，可以将目标层位进行细分。本文将目的层细分为10个小层。垂向比例曲线可以在垂向上确定每个小层中各微相的含量。垂向比例曲线可以直接通过测井数据计算得到，图2即为O-11a层通过测井数据得到的垂向比比例曲线。

图2　O-11a层垂向比例叠加曲线Fig.2　Vertical proportion curve of O-11a layer

图2中，泛滥平原微相代码0，用shale表示，灰色。河道微相代码1，用Sand表示，黄色。心滩微相代码2，用Sand2表示，橘黄色。从图2可以看出，O-11a层泛滥平原微相最多，河道和心滩较少，发育程度较低。泛滥平原微相在该层顶部和底部较多，在该层中部变化较为平缓。心滩在O-11a层的变化比较平稳。

垂向比例曲线可以很好地指导训练图像的绘制。目标层在垂向共分为10片，那么相对应的训练图像也为10片。训练图像中每小片上3种沉积微相的含量应该同垂向比例曲线中对应的相同。

1.4O-11a层训练图像

训练图像中的模式是目标储层中反复出现的特征。在决定将一个训练图像作为先验模型用于多点统计时，要判断其是否满足平稳性的要求。作为训练图像的另一个特点就是必须相对简单，也就是训练图像的构型不能太复杂。

本文利用砂体厚度(图3)和地震反演波阻抗数据(图4)做出建模所需的2种训练图像。由于主观认识，这2组训练图像会有一定的不同。这为研究不同方法造成的不确定性提供了帮助。

图3　O-11a层砂体厚度Fig.3　Sand-body thickness of O-11a layer

1.4.1第1种训练图像根据19口直井在O-11a层的砂体数据，做出O-11a层的砂体厚度(图3)。在辫状河中，河道厚度一般小于心滩的厚度，这为绘制训练图像提供了依据。从图3可以看出，研究区内有几处砂体最厚的地方(图3中黄色区域)，这几处对应了辫状河道中的心滩。区内砂体较厚的地方(图3中浅绿色区域)对应了河道微相，同时河道砂体具有很好的连续性。在研究区西北部砂岩较薄(图3中深蓝色、蓝色区域)，该处对应了泛滥平原。这符合辫状河沉积特点，可以根据砂体厚度绘制训练图像。因此，在根据砂体厚度做训练图像时，可将砂体厚度最大的地方划为心滩，厚度小的地方划为泛滥平原，中间部分划为河道。

图4　地震反演波阻抗分布Fig.4　Distribution of seismic inversion wave impedance

图5　O-11a层训练图像Fig.5　Training images of O-11a layer

从图5(a)的10片训练图像可以看出，区内3种沉积微相的分布较稳定，在横向和垂向仅有很小的变化。3种微相在平面上位置的变化，反映了3种微相在横向上的迁移，在垂向具有很好的连续性，反应了沉积微相的垂向加积。训练图像很明显地反映了辫状河沉积特征，心滩发育在河道中，同时也反映了该区的地质特征：河道、心滩发育较差，泛滥平原微相较为发育。因此是一组合理的训练图像。1.4.2第2种训练图像地震资料具有横向分辨率高的特点，在横向上可以连续追踪地层信息，可以在较大尺度上反映地层构造。通过地震资料反演的波阻抗数据，可以转换为训练图像。本文利用地震反演波阻抗分布(图4)绘制了第2种训练图像，由于篇幅原因，现选取地震波阻抗分布图第1、4、7、10片。

从图5中各图对比可以看出，O-11a层波阻抗分布差别很小。

波阻抗数据与岩性的关系具有很强的区域特性[14]。为了利用地震波阻抗资料绘制训练图像，需建立波阻抗数据与沉积微相的关系[15]。通常，泥岩表现出的波阻抗值较低，而砂岩则较高。通过波阻抗值数据与沉积微相的对应关系，可以为训练图像的绘制提供依据。

从波阻抗分布图可以看出，在靠近研究区边界的地方波阻抗值较低，在中央出现高值。低值与高值之间的连续性较好，它们之间也出现了明显的过度区域(图4中灰色部分)。

观察图4可以看出，心滩和河道微相对应较高的波阻抗值(灰色、红色和黄色指示区域)，泛滥平原对应较低的波阻抗值(浅蓝色区域)，且3种微相在波阻抗数据上的分布较明显。因此，在绘制训练图像可以将波阻抗值低的区域划为泛滥平原微相(浅蓝色区域)，阻抗值最高的区域(黄色、红色区域)划为心滩微相，介于两者之间的区域(灰色区域)划为河道微相。从波阻抗分布图也可以看出河道为北西南东向，同时考虑河道的连续性，作出图5(b)所示的第2种训练图像。

为了研究波阻抗值与沉积微相的对应关系，选取连井剖面观察波阻抗值与井上微相的对应关系(图6)。图6中的测井曲线为自然伽马曲线。

图6　波阻抗数据剖面Fig.6　Wave impedance data section

2　地震约束的储层建模

近年来，地震检测水平有了很大的提高。目前地震资料在储层横向展布预测及油藏精细描述中占有非常重要的地位，对确定剩余油的分布也极其重要[16]。

为获得砂体概率曲线，需要对研究区微相与波阻抗数据的关系进行分析[17]。统计沉积微相在自然伽马-波阻抗交汇图上的分布[18-19]，可分析波阻抗与沉积微相之间的关系，如图7所示。

图7　沉积微相在自然伽马-波阻抗交汇图上的分布Fig.7　Distribution of sedimentary microfacies in natural gamma-wave impedance intersection diagram

3种微相在波阻抗数据上的分布具有很大的不同。泛滥平原—河道—心滩的波阻抗值由低到高分布。

从波阻抗数据的分布可以看出，波阻抗值主要分布在(3 300～7 800)×106g/(m2·s)之间，高阻抗值主要集中在(4 000～5 200)×106g/(m2·s)。通过分析对比确定了泛滥平原与河道的波阻抗分界值为4 650×106g/(m2·s)，河道与心滩的波阻抗分界值为5 650×106g/(m2·s)。因此，得到了3种微相的砂体概率生成曲线，如图8所示。

砂体概率生成曲线的含义是指在某一个指定波阻抗值条件下单一微相出现的概率。砂体概率曲线的意义就是3种微相在空间上的概率分布。需要指出的是，砂体概率生成曲线必须满足数学定义，因此3种微相的砂体概率生成曲线在同一个波阻抗值的和必须为1。根据3种微相的概率生成曲线可以得到3种微相的空间概率分布，得到3种微相的空间概率分布即可作为软数据用来约束建模。图9即为3种沉积微相空间概率分布图。

仅用测井数据建模，使用2种训练图像得到的模拟结果差异很大，说明仅在测井数据控制下，模拟结果具有较大的不确定性[20]。为了减少建模过程中的不确定性，采用地震数据约束建模。

在地震数据约束下，利用2种训练图像建模。选用井震比为1:1(即建模过程中测井数据和地震数据的权重比相等)，随机种子为211175，建模结果对比如图10、图11所示。

从图10和图11可以看出，在没有地震约束的情况下，由于2组训练图像不同，其模拟结果中各沉积微相在横向上的分布具有较大的差异。在地震数据约束下，模拟结果的分布和形态除小部分有差异外基本一致，同时泛滥平原、河道和心滩微相的分布形态比较稳定。

图8　3种沉积微相概率生成曲线Fig.8　Sandbody probability generating curves of three kinds of microfacies

图9　各沉积微相空间概率分布Fig.9　Spatial probability distribution of every sedimentary microfacies

图10　有无地震约束的模拟结果对比(第1种训练图像)Fig.10　Simulation results of seismic constraints and non-seismic constraints(1st training images)

图11　有无地震约束的模拟结果对比(第2种训练图像)Fig.11　Simulation results of seismic constraints and non-seismic constraints (2nd training images)

对比结果表明，地震数据约束下可以降低建模中训练图像对结果的影响，不确定性明显降低。这说明地震数据约束建模的重要性。

另外分析了地震约束后，两组训练图像模拟结果中各微相的含量，如图12所示。

图12　地震约束下两组训练图像微相含量对比Fig.12　Comparison of the microseries content of two groups of training images under seismic constraints

图中泛滥平原微相用Shale表示，河道微相用Sand表示，心滩微相用Sand2表示。蓝色表示模拟结果中3种沉积微相的比例、红色为原始数据中各沉积微相的比例。

从图12可知，在地震数据的约束下，2组训练图像的模拟结果与原始数据(红色)非常接近，这说明利用地震数据约束建模的结果是合理可信的。

本文选取2组训练图像分别在地震数据约束前后的连井剖面进行对比和分析。这种分析和对比，是以地震波阻抗剖面图为依据的。剖面上3口井从左至右依次是CN-42井—CN-41井—CJS-1-0井。图13中的测井曲线为自然伽马曲线。

从图13的4组剖面对比可以看出，在地震数据约束前，2组训练图像模拟结果的CN-42井和CN-41井井间区域出现较多的心滩和河道微相，尤其是第2种训练图像模拟结果中，河道微相大量出现，同时连续性很好。在CN-41井和CJS-1-0井井间区域出现大量泛滥平原微相，仅有少量河道和心滩微相出现。

地震数据约束后，2组训练图像模拟结果的CN-42井和CN-41井井间区域出现大量泛滥平原微相，仅有很少的河道微相。在CN-41井和CJS-1-0井井间区域出现大量河道和心滩微相，同时都发育在该层的底部。

从波阻抗数据剖面可以看出，由于地震资料横向上具有较高的分辨率，在CN-42井和CN-41井井间区域并没有河道和心滩发育。在CN-41井和CJS-1-0井井间区域，该层有河道和心滩发育，并出现在该层底部。在地震数据约束后，就出现了上面这种现象。

从图13中4组剖面也可以看出，井上数据与井附近模拟结果对应较好。但在地震数据约束下得到两组的剖面中，CJS-1-0井上数据与井附近对应较差，主要原因是由于地震在垂向上分辨率很低造成的。

图13　有无地震约束的模拟剖面对比Fig.13　Simulation sections of seismic constraints and non-seismic constraints

3　地震约束对模拟结果的影响

对比可知，是否有地震数据的约束，会造成模拟结果的差异，同时造成的这种差异也是不同的。不同的随机种子导致的模拟结果也有较大的差异，河道形态、分布变化较大。各模拟实现之间缺少相似性。在地震数据约束下，不同随机种子得到的结果具有较高的相似度。在不同模拟实现的同一片上，各微相在横向上仅有很小的变化，这说明地震数据在横向上发挥了很强的控制作用，极大降低了不确定性。

利用2组训练图像，在地震数据约束和没有约束的情况下，计算得到了网格中微相一致的总网格数与模型总网格数比值分别为0.542 955、0.529 230、0.807 925、0.806 715。图14为4个平均值的直方图。

图14　平均值直方图Fig.14　Mean value histogram

图14中，第1种代表仅用测井数据，利用第1种训练图像得到的40组模拟结果，两两比较后，网格中微相一致的总网格数与模型总网格数比值的平均值。第2种代表仅用测井数据，利用第2种训练图像得到的40组模拟结果，两两比较后，网格中微相一致的总网格数与模型总网格数比值的平均值。第1种(约束)代表在地震约束下，利用第1种训练图像得到的40组模拟结果，两两比较后，网格中微相一致的总网格数与模型总网格数比值的平均值。第2种(约束)代表在地震约束下，利用第2种训练图像得到的40组模拟结果，两两比较后，网格中微相一致的总网格数与模型总网格数比值的平均值。

从图14可以看出，仅用测井数据建模，模拟结果之间具有较大的差异，说明模拟实现具有较大的不确定性。在地震约束下，模拟结果之间具有较小的差异，说明模拟实现的不确定性较小。

4　结　论

(1)仅依靠测井曲线约束的传统建模方法所得到的结果不准确，不确定性很大。

(2)训练图像主要依赖人的主观意识。由于主观认识的差异，针对同一区域，不同的人会做出不同的训练图像，这就会导致模拟结果具有较大差别，引起较大的不确定性。

(3)在地震数据的约束下，不论是依靠砂体厚度建立的训练图像或者是依靠波阻抗数据建立的训练图像，模拟结果与实际情况接近，说明地震数据能有效降低储层建模中的不确定性。这为建模方法的选择及储层的后续开发提供了很好的借鉴。

[1]ARAKTINGI U G,BASHORE W M .Effects of properties in seismic data on reservoir characterization and consequent fluid-flow predictions when integrated with well logs[C].SPE 24752,1992:913-926 .

[2]YANG C T,CHOPRA A K,CHU J,et al.Integrated geostatistical reservoir description using petrophysical,geological,and seismic data for Yacheng 13-1 Gasfield[C].SPE 30566,1995:357-372 .

[3]戴危艳，李少华，谯嘉翼，等.储层不确定性建模研究进展[J].岩性油气藏，2015,27(4)：127-133.

DAI Weiyan,LI Shaohua,QIAO Jiayi,et al.Progress of reservoir uncertainty modeling[J].Lithologic Reservoir,2015,27(4):127-133.

[4]BORTOLI L J，ALABERT F，HAAS A，et al.Constraining Stochastic Images to Seismic Data[M].Troia:International Geostatistics Congress，1992:1-50.

[5]JOURNEL A G.Geostatistics:roadblocks and challenges[C]//Soares A .Geostatistics-Troia.Dordrecht:Kluwer Academic，1992:475-489.

[6]GUARDIANO F，SRIVASTAVA R M.Multivariate geostatistics:beyond bivariate moments[C]// Soares A.Geostatistics-Troia.Dordrecht:Kluwer Academic，1993:133-144.

[7]STREBELLE S.Conditional simulation of complex geological structures using multiple-point statistics[C].Mathmatical Geology，2001，34(1):1-21

[8]STREBELLE S，JOURNEL A G.Reservoir modeling using multiple-point statistics[C].SPE 71324，2001.

[9]刘超，谢传礼，Yannick Tepinhi，等.多点地质统计学在储层相建模中的应用[J].断块油气田，2015,22(6)：760-764.

LIU Chao,XIE Chuanli,Yannick Tepinhi,et al.Application of multiple-point geostatistics in reservoir facies modeling[J].Fault-Block Oil & Gas Field,2015,22(6):760-764.

[10] 吴小军，李晓梅，谢丹，等.多点地质统计学方法在冲积扇构型建模中的应用[J].岩性油气藏，2015,27(5)：87-91.

WU Xiaojun,LI Xiaomei,XIE Dan,et al.Application of multiple-point geostatistics method to structure modeling of alluvial fan[J].Lithologic Reservoirs,2015,27(5):87-91.

[11] 侯君，戴国汗，危杰，等.委内瑞拉奥利诺科重油带油藏特征及开发潜力[J].石油实验地质，2014,36(6)：725-730.

HOU Jun,DAI Guohan,WEI Jie,et al.Reservoir characterization and exploitation potential in Orinoco heavy oil belt in Venezuela[J].Petroleum Geology Experiment,2014,36(6):725-730.

[12] JOURNEL A G.Combining knowledge from diverse sources：An alternative to traditional data independence hypotheses[J].Mathematical Geology，2002,34(5)：573-596.

[13] 刘玲.大庆宋芳屯油田芳2区块地震与地质资料综合储层地质建模研究[D].北京：中国地质大学，2006.

LIU ling.A study on reservoir geological modeling with seismic and well-log data in Fang 2 area of Daqing Songfangtun Oilfield[D].Beijing:China University of Geosciences,2006.

[14] 周丽清，赵丽敏，赵国梁，等.高分辨率地震约束相建模[J].石油勘探与开发，2002，29(3)：56-58.

ZHOU Liqing,ZHAO Limin,ZHAO Guoliang,et al.Stochastic facies modeling constrained by high-resolution seismic data[J].Petroleum Exploration and Development,2015,29(3):56-58.

[15] TJOLSEN C B，JOHNSEN Gyrid,HALVORSEN Gunnar，et al.Seismic data can improve the stochastic facies modeling[J].SPE Formation Evaluation,1996,11(3):141-146.

[16] 李桂亮.基于地质统计学的地震约束建模方法研究[D].西安：西安石油大学，2010.

LI Guiliang.Reasearch of Method on Seismic Contained Modeling Based on Geostatistics[D].Xi'an:Xi'an Shiyou University,2010.

[17] 刘文岭.地震约束储层地质建模技术[J].石油学报，2008，29(1)：64-68,74.

LIU Wenling.Geological modeling technique for reservoir constrained by seismic data[J].Acta Petrolei Sinica,2008,29(1):64-68,74.

[18] AVSETH P，TAPAN Mukerji.Seismic lithofacies classification from well logs using statistical rock physics[J].Petrophysics，2002，21：70-81.

[19] SRIVASTARA R M.Reservoir characterization with probability field simulation[C].SPE 24753,1992.

[20] 陈更新，赵凡，曹正林，等.地震反演、地质协同约束储层精细建模研究[J].天然气地球科学，2014，25(11)：1839-1846.

CHEN Gengxin,ZHAO Fan,CAO Zhenglin,et al.Integrated reservoir modeling based on seismic inverdion and geological data[J].Natural Gas Geoscience,2014,25(11):1839-1846.

责任编辑：张新宝

Reducing Uncertainty of Reservoir Modeling by Seismic Constraints:Taking O-11a Super-heavy Oil Reservoir in MPE3 Block of Venezuela as an Example

LI Miao1,GENG Yi2,LI Xuan3

(1.The 5th Oil Production Plant,Changqing Oilfield Company,Xi'an 710200,Shaanxi,China;2.Lanzhou Documentation and Information Centre,Chinese Academy of Sciences,Lanzhou 730030,Gansu,China;3.The 2nd Oil Production Plant,Changqing Oilfield Company,Qingyang 735101,Gansu,China)

The sand-body distribution in Venezuela's Orinoco heavy oil belt is complex and the reservoir heterogeneity in this area is strong,and therefore the traditional two-step modeling method is difficult to obtain reliable results.The uncertainty of the simulation results of the sedimentary microfacies in the study area is analyzed by using the characterization of training images and the probability curves of the sand-bodies based on the seismic data;two groups of sedimentary microfacies models with and without the constraint of seismic data were established using multi-point geological statistics,and the comparison of their results shows that the sand-body distribution obtained by the sedimentary microfacies model with the constraint of seismic data is consistent with seismic data,and the uncertainty of the sedimentary microfacies model is obviously reduced.The correct and reliable result of reservoir geological modeling with the constraint of seismic data has a good reference to the distribution of the follow-up horizontal wells and the exploration and development of the adjacent areas in the study area.

geological modeling;seismic data constraint;training image;uncertainty

2015-12-29

国家科技重大专项(编号：2011ZX05032-006)

李苗(1989-)，女，助理工程师，硕士，主要从事石油地质及油气田开发研究.E-mail:miaolinda@foxmail.com

10.3969/j.issn.1673-064X.2016.03.006

P618.130.2

1673-064X(2016)03-0039-09

A