董洪超，范洪军，刘向南，王宗俊，高云峰

（中海油研究总院有限责任公司，北京 100028）

油田从勘探成功，转入开发，面临的关键问题也随着发生变化，勘探阶段关注发掘更多的储量，开发阶段则需考虑如何优化部署井位，确保油田高效开发及降本增效。浅水三角洲河道砂体窄小，非均质性严重，传统陆上利用加密井网，多井点资料进行储层展布的刻画，依然存在井网难控制住的问题[1]，而海上油田钻井资料少，更需要结合地震数据对储层进行精细预测。目前一些学者对三角洲河道砂体储层开展了较为深入的研究，邓庆杰等[2]、任双坡等[3]采用高分辨率层序地层学方法分析三角洲前缘河道砂体的发育特征及单砂体叠置模式；熊兆川等[4]对水下分流河道的宽厚比进行了定量分析；毕俊凤等[5]通过正演模拟，分析河道砂体反射振幅强弱的影响因素，对河道砂体追踪和井位优选提出指导；刁新东等[6]采用层序格架约束下多种属性提取，结合地层切片等方法，刻画了河道边界形态。在前人研究的基础上，本次通过正演模拟分析，优选了90°相移体开展储层预测研究，通过平面导航对储层顶底进行了空间展布精细追踪，在此基础上提取能够反映储层展布及油水分布的敏感地震属性，并通过多属性无监督聚类分析划分优质储层带，从而为油田开发井网优化部署提供依据。

1 模糊自组织神经网络技术

模糊自组织神经网络算法（Fuzzy self-organizing neural network）通过神经元之间的相互竞争与学习来完成，在整个学习的过程中只需存在学习样本，而不用去提供目标与输出。该算法由输入层、距离层和隶属层（输出层）构成的三层网络，通过输入样本的特征，该网络会自组织地进行映射，同时对训练的样本进行自动分类，可以自动实现无监督聚类和分类过程[7，8]。

输入层是一维或多维的，接受信号输入；距离层与输入层的节点广泛互连，它们之间用权值W 连接，主要计算与输入节点的欧式距离；隶属层（输出层）可以是一维或多维的，并且输出节点与距离层的节点广泛互连，计算每组输入数据的隶属度（隶属度指的是每个样本属于某类的隶属程度），输出层各神经元在学习中进行竞争选择，最后得出获胜神经元，其输出结果可以是输入数据隶属于某一类的隶属度，也可以是属于某类的分类数（见图1）。

图1 模糊自组织神经网络算法示意图Fig.1 Schematic diagram of fuzzy self organizing neural network algorithm

算法步骤：

（1）确定训练样本x；

（2）随机初始化权值Wij，0＜Wij＜1，i=0，1，…，N-1；j=0，1，…，K-1；

（3）输入所有样本点，计算每个样本对所有子集的隶属度：

（4）调整网络权值：

（5）网络稳定的判定条件：

满足学习结束，否则转入步骤（3）继续学习。

2 实际应用

M 油田位于渤海南部海域莱北低凸起北部断阶带和凸起区，目标储层位于明化镇组下部，处于浅水三角洲平原和前缘环境，由东北和西北方向流入的多条分流河道和水下分流河道于研究区中部汇合后向西南和东南方向进积延伸。分流河道进积和侧向迁移的砂质沉积充填作用活跃，侧向迁移频繁。由于多期砂体发育叠置，主力砂体整体上呈中间厚、东、西两侧相对较薄的连片席状分布。其中主河道平均宽度300 m 左右，主力砂体中分流河道和水下分流河道砂体平均厚度10～15 m，是储集砂体最发育的位置，粒度相对较粗，以粉、细砂岩为主；分流河道间和分流间湾区域漫流沉积的砂体厚度往往不足3 m，粒度相对变细，以泥、粉砂岩为主。

目标区地震主频为35 Hz，地震四分之一波长为15 m，目标区砂体平均毛厚度集中分布于地震分辨率之下，同时，由于河道纵向上多期叠置，易形成薄互层沉积，以及分流河道间和分流间湾区域漫流沉积厚度往往不足3 m，油水关系复杂，基于地震单一属性进行开发井网部署，存在较大风险。

依据研究区典型井实际砂体分布、沉积特征及横向切叠关系，构建研究区浅水三角洲河道砂体正演模型，包含孤立型、接触型、侧叠型、切叠型等不同砂体叠置模式，其中油层密度：2.06 g/cm3，速度：2 412 m/s；水层密度：2.08 g/cm3，速度：2 469 m/s；泥岩密度：2.28 g/cm3，速度：2 700 m/s。分别利用35 Hz 零相位和负90°相位子波进行正演模拟。通过正演模拟可以发现，薄层、砂泥互层等储层较差区域振幅均明显减弱，较薄单砂层振幅与较厚的互层振幅大小接近，同时，仅从振幅能量上难以对油层、水层进行识别，从地震振幅属性上划分油、水存在较大不确定性（见图2）。

图2 研究区浅水三角洲河道砂体正演模拟Fig.2 Forward modeling of shallow water delta channel sand body

相对零相位子波正演响应，可以发现90°相位子波的正演响应，更易于储层的识别和空间刻画，储层段与其正演响应的波谷对应良好，虽然难以从波形中精确反映砂体厚度，但可以看到砂体对应于波谷的中心位置，同时，相移响应保持了不同砂体叠置关系在原始地震上的波形变化特征。通过在相移体中解释波谷响应的顶底包络面，并在此基础上提取储层敏感属性，可以更加精确的反映储层空间展布。研究区90°相移连井剖面（见图3），其中测井曲线为伽马，可以看到井上的3 期砂体由于厚度较薄，在相移体上对应一套反射，难以对每期砂体进行区分，但砂体顶底与反射的顶底对应良好。

图3 研究区90°相移连井剖面Fig.3 Study area 90° phase shift profile

M 油田B 砂体共2 口井钻遇，其中，7 井砂体钻遇油层，厚度分别为8.3 m，7Sa 井钻遇1.9 m 薄油层和9.1 m 的含油水层，中间有4 m 夹层，且由于测井资料不全，7Sa 井流体解释结果存在较大不确定性，有变为水层的可能。在对其储层顶底精细解释的基础上基于相移体进行敏感地震属性提取，包括最小振幅、总负振幅、平均瞬时频率、弧长、分频属性等5 种反映储层展布及油水关系的敏感地震属性[9-12]。其中，最小振幅（见图4（a））、总负振幅（见图4（b））：反映了储层对应相移数据的能量强弱，可以用于地层岩性相变分析，反映砂岩厚度等；平均瞬时频率（见图4（c））：检测频率吸收情况，可以反映薄互层与厚储层以及流体检测；弧长（见图4（d））：用于区分强振幅高频和低频、弱振幅高频和低频反射，可以用来反映砂泥岩及砂地比；分频属性（见图4（e））：地层吸收特性对介质内流体性质具有明显反映，油气层相对水层表现出高频衰减，低频增加的趋势。分别提取50 Hz 及20 Hz 分频数据均方根振幅能量，对两者相除，高值反映水层，低值反映油层，可一定程度反映油水分布。利用以上5 种属性对B 砂体进行FSOM 无监督聚类分析。

图4 储层敏感属性Fig.4 Reservoir sensitive attributes

聚类分析结果（见图5），其中一类储层为图中橙色区域，主要集中在北部高部位，为河道主体，二类储层为图中黄色区域，主要分布在北侧及南侧高部位，为河道纵向叠置区，砂体厚度相对较厚，其他区域的三类及四类储层为水层或是厚度较薄的分流间湾区漫流沉积。基于聚类分析结果可以看出，虽然B 砂体储层广泛分布，但是优质储层较少，中部大片区域布井存在较高风险，基于以上研究，建议一类储层部署水平井进行开发并兼顾二类储层，三类及四类储层建议暂缓开发，待评价井进一步落实。

图5 B 砂体多属性无监督聚类平面分布Fig.5 B sand body multi-attribute unsupervised clustering plane distribution

3 结论和建议

渤海M 油田明下段目的层浅水三角洲沉积，窄河道多期叠置，平面“枝蔓式”分布，储层内部连通性及油水关系复杂，油田高效开发井网部署存在较大风险。通过正演模拟分析，基于90°相移对储层顶底进行了空间展布追踪，并对反映储层及流体的敏感地震属性进行提取及解读，最终基于FSOM 多属性无监督聚类分析实现了研究区优质储层带划分，为合理编制开发方案奠定了基础，对浅水三角洲窄河道储层高效开发具有一定借鉴作用。