北部湾盆地涠西南凹陷古近系流沙港组储层预测

2022-10-31曾晓华许月明骆逸婷

西安科技大学学报 2022年5期

曾晓华，姜丽，张宇，李茂，许月明，骆逸婷

(1.中海石油(中国)有限公司海南分公司，海南海口 570100；2.山东科技大学地球科学与工程学院，山东青岛 266590；3.青岛海洋科学与技术试点国家实验室，山东青岛 266237；4.中海石油(中国)有限公司湛江分公司，广东湛江 524057)

0 引言

中国南海北部和西北部深水区具良好的油气资源前景，勘探潜力巨大。南海西北部北部湾盆地涠西南凹陷已被钻探证实为富烃凹陷，也是近年来在陆相盆地中发现的典型复式油气区，表现为“断裂沟源、断脊运移、纵向叠置、横向连片、满凹含油”特征[1-2]，储层段为流沙港组和涠洲组，流沙港组自上而下分为流一段、流二段和流三段[3-6]。流沙港组岩性圈闭规模较大且紧邻烃源岩，地质条件十分适合油气成藏，有利于大型油气田形成。流沙港组一段主要发育断块和岩性圈闭[7-9]，以断块油藏为主，砂体平面和纵向分布复杂[10-12]。

许多学者对涠西南凹陷流一段储层开展了研究，对流一段油藏进行了储层精细描述，并对成藏条件和控制因素进行了分析[13-22]，流一段扇三角洲储层砂体横向变化快，储层展布不清，缺乏储层预测方面的研究，为更好地研究砂体分布及连通性，厘清砂体平面展布及发育特征，利用地震相分析和储层反演预测刻画储层纵向和横向变化规律，落实有利储层区域。

1 地质概况

北部湾盆地是南海大陆架西北部一个以新生代沉积为主的盆地(图1(a))，介于海南褶皱带和粤桂古生代褶皱带之间。早侏罗世起至古近纪，北部湾盆地处于长期隆起状态、遭受剥蚀；古近纪始受南海扩张及周围边界断裂活动的影响，开始发生张裂断陷，逐渐演化成北部湾盆地现今的构造格局。北部湾盆地被沿盆地中部NE-SW走向的企西隆起分隔形成北部和南部2个坳陷，涠西南凹陷处于北部坳陷的北部位置，经历了3次张裂和裂后沉降，古近系沉积流沙港组和涠洲组，流沙港组按岩性变化分为流三段、流二段和流一段，涠洲组分为涠四段、涠三段、涠二段和涠一段。研究区位于涠西南凹陷的东北部，处于2号和3号断裂带之间，含油层段有流三段、流一段和涠三段，目的层段为流一段，为滨浅湖-半深湖环境下的缓坡型扇三角洲沉积。

流一段具相对清晰的沉积旋回和稳定的泥岩标志层，属水进体系，可划分出4个中旋回(MSC1～MSC4)和10个短旋回(SSC1～SSC10)，MSC1为向上的不对称半中期旋回，MSC2和MSC3为对称型中期旋回，MSC4为向上的不对称型半中期旋回。在中期和短期旋回划分基础上，根据岩性组合、含油性、油水分布、电性对比特征等将流一段划分为5个油组，其中L1Ⅰ，L1Ⅲ，L1Ⅴ油组储层最为发育(图1(b))。L1Ⅰ油组相当于MSC1，在三级层序中为水进体系域；L1Ⅲ油组相当于MSC2的下降半旋回(SSC5，SSC6)和MSC3上升半旋回后期，顶界为三级层序的初始湖泛面；L1Ⅴ油组相当于MSC4(SSC9～SSC10)。

2 地震相分析

地震相分析采用层位尖灭识别、主组分分析、统计聚类分级分类、人工神经网络分析等技术方法提取属性，对各种地震属性所呈现出的地质特征进行研究，实现了地震道、多属性数据体的地震相自动识别划分。

利用地震道变化研究地震相，主要有3种方法，即地震道波形形状变化、图层数据(属性)和多地震数据体分类[23]，主要模式有神经网络模式和神经分级模式。神经网络模式是采用神经网络技术把地震波形或属性图作为内部组合地震相分类寻找重复的道模式，组建一个能代表输入数组的典型模式；分类中参考每个道位置或者和相邻道的关联属性后，所获得的地震相就具有地质规律。神经分级模式则采用聚类分析将地震数据样点中的多项数组进行分类，应用分级分类方法将相同点进行分类，并将数据归纳到群，神经分级模式重点区别地震相分类的顺序，使相带变化清晰。

L1Ⅴ油组呈扇三角洲状由南向北展布(图2(a))。水下分流河道发育，主河道在5井-1井-6井方向附近，水下分流河道大致可以分为2支，5井-3井方向由南向北逐渐散开，3井北呈朵叶状水下扇沉积，3井区和6井区为不同沉积相带，与钻井揭示的3井比6井岩性细的特征吻合；5井-2井方向河道，沉积变化快，具条带状特征。

L1Ⅲ油组沉积与L1Ⅴ油组类似，呈扇三角洲相向北展布，水下分流河道发育，主河道在6井附近(图2(b))。扇三角洲规模小于L1Ⅴ油组，为间歇性河道沉积，北部扇缘上有朵状次生扇体发育。

L1Ⅰ油组扇三角洲相沉积比L1Ⅲ油组规模略大，水下分流河道发育，主河道在3井和6井之间(图2(c))。

3 储层反演预测

分析钻井、地震和测井等多种资料，运用了神经网络和常规反演技术，对流一段L1Ⅰ，L1Ⅲ，L1Ⅴ油组进行了综合储层预测。

神经网络多属性预测是利用已知实际井位的测井与地震等多种数据，研究测井曲线与井道多种地震属性关系，得出最大相关度属性，并用以估算和预测地震数据体属性特征和测井数据体[24-26]，在算法上采用非线性神经网络算法，克服了以往用单属性进行线性预测的局限性，增加了预测精度[27-29]。

自然伽玛测井曲线对储层的分辨较为敏感，且曲线质量较好，可作为岩相划分的测井标志曲线，有利于储层预测。

3.1 井约束波阻抗反演

从井旁道提取单井和多井子波分析表明，子波为零相位正态子波，主、旁瓣特征明显，每个子波有3～4个旁瓣，有利于提高储层预测的分辨率。应用多井综合子波制作合成记录，流一段的相关性为77.0%。对比提取的地震统计和多井综合子波发现，地震统计子波效果更优，作为本次反演子波。

从井约束波阻抗反演结果可以看出(图3)，L1Ⅴ的阻抗高值区位于中部，又可细分为西、中、东3个条带，即5井-3井条带、1井-6井之西条带和1井-6井条带，中、东2个条带的阻抗高于西条带。L1Ⅲ的阻抗高值区位于2井以西，和L1Ⅴ类似，也可细分为西、中、东3个条带，即5井-3井条带、1井-6井之西条带和1井-6井条带，其中，中条带延伸距离最远。L1Ⅰ段的阻抗异常区具3分条带的格局，和L1Ⅲ，L1Ⅴ相比，L1Ⅰ段的阻抗值相对较低。

3.2 储层参数体反演预测

把井约束波阻抗反演体和属性一起进行单属性估算和误差统计分析，优选较好的地震属性进一步进行多种属性误差的统计分析。对流一段自然伽玛曲线与优选的5类地震属性，采用概率神经网络方法进行学习和训练，使拟合曲线与实际曲线相关性、互相关校验分别达到87%和75%，对地震三维数据体进行分析和概率性计算，形成基于自然伽玛属性的三维数据体。

对预测的储层参数体进行分析，储层变化特征清晰、自然，分辨率高，变化有规律可寻，并且与实钻情况和测井资料相吻合。预测的储层属性参数体能很好的反映出流一段的储层和沉积特征，达到了储层精细描述(图4(a)、(b))。

预测的渗透率与重构和标准化处理的渗透率曲线标准(流一段有效含油储层标准下限为孔隙度≥14.0%、渗透率≥1.0 mD，含油饱和度≥44.0%)一致，根据国家储层物性分类标准，Ⅰ类储层的渗透率>500.0 mD，为高渗储层；Ⅱ类储层的渗透率介于50.0～500.0 mD，为中渗储层；Ⅲ类储层的渗透率介于1.0～50.0 mD，为低渗储层；无效层渗透率<1.0 mD。重构并标准化的孔隙度曲线与预测的孔隙度采用的标准一致，孔隙度大于16.0%为Ⅰ类和Ⅱ类储层；孔隙度介于14.0%～16.0%为Ⅲ类储层；孔隙度为0的为泥岩。Ⅰ类油层含油饱和度≥50.0%；Ⅱ，Ⅲ类油层含油饱和度介于44.0%～50.0%；水层或无效层含油饱和度<44.0%。

L1Ⅴ油组砂体连续分布，从南向北呈扇状展布，岩性由粗到细。1井-6井方向砂体由南向北呈朵叶状展布，砂体规模大、河道延伸远，为水下分流河道沉积；5井-3井方向砂体呈朵叶状由南向北展布，延伸较远；3井、6井之间的砂体由南向北呈条带状分布，砂体规模小、河道延伸短，为不同的分支河道，2井区不发育砂体，为水下分流河道间沉积(图5(a))。与岩性预测反映的砂体平面分布特征类似，孔隙度预测结果也分为西、中、东3个高孔隙度条带，平均孔隙度为15%，渗透率介于2.0～100 000.0 mD(图5(b))。L1Ⅴ油组中部为主河道沉积为Ⅰ类储层；西部为水下分流河道沉积为Ⅱ类储层；东部为Ⅱ～Ⅲ类储层。3个朵体连通性差，含油饱和度属性体预测结果表明L1Ⅴ油组3支朵叶状砂体均具有含油气响应特征。

L1Ⅲ油组有利砂体区呈朵叶状由南向北展布。1井-6井连井方向西部储层规模大，砂体延伸远；5井-3井连井方向储层砂体呈朵叶状展布，砂体规模小；4井-6井连井方向的储层砂体中等；L1Ⅲ油组砂体分布特征反映出主河道向西迁移(图6(a))。

L1Ⅲ油组孔隙度以中-高孔为主。与岩性预测反映的砂体平面分布特征类似，L1Ⅲ油组砂体高孔隙度带呈朵叶状由南向北展布，介于10.0%～20.0%之间，平均孔隙度约为14.0%(图6(b))；L1Ⅲ油组的渗透率>50.0 mD，属中渗储层。渗透率预测结果与孔隙度、岩性预测结果类似，有利区带由南向北呈朵叶状展布。L1Ⅲ油组的储层为Ⅱ～Ⅲ类储层。

L1Ⅰ油组岩性预测结果显示为泥质粉砂岩和粉砂岩，1井南侧区域和6井区岩性较好。相对于L1Ⅲ，L1Ⅴ油组，L1Ⅰ油组储层发育规模较小、河道延伸近(图7(a))。

储层属性与岩性预测结果得出的砂体分布规律一致，L1Ⅰ油组以低孔、低渗为特征，孔隙度介于2.0%～16.0%，渗透率介于2.0～50.0 mD(图7(b))为Ⅲ类储层。L1Ⅰ油组储层含油饱和度预测分析3井区附近含油饱和度介于40.0%～45.0%之间，具油水同层响应特征。