《Frontiers in Earth Science》：The assessment of model-based inversion and petrophysical analysis for calculating porosity using PNN in the early cretaceous B-sand reservoir
编辑推荐：
能源需求的快速增长促使碳氢化合物勘探领域引入新技术以降低不确定性。利用地震和测井数据评估储层碳氢化合物潜力并估算孔隙度始终是一个持续的挑战。地震叠后反演（post-stack inversion）是一种稳健的储层精细表征方法，相较于传统地震分析，其能生成更精确
能源需求的快速增长促使碳氢化合物勘探领域引入新技术以降低不确定性。利用地震和测井数据评估储层碳氢化合物潜力并估算孔隙度始终是一个持续的挑战。地震叠后反演（post-stack inversion）是一种稳健的储层精细表征方法，相较于传统地震分析，其能生成更精确且全面的地下图像。本研究以巴基斯坦下印度河盆地（Lower Indus Basin）早白垩世B砂层（B-sand）储层为例，通过集成三维地震与测井数据，辅助识别和理解含碳氢化合物层段，从而推动勘探与开发工作。为通过叠后地震反演估算储层孔隙度，研究人员依次开展了岩石物理分析（petrophysical analysis）、静态子波（static wavelet）估计、低频模型（low-frequency model）构建以及基于模型的反演（model-based inversion, MBI）。本研究的目的是通过将地震反射数据转换为声阻抗（acoustic impedance）值，预测B砂层储层的孔隙度并绘制孔隙度分布图。通过构建孔隙度与P波阻抗（P-impedance）的交会图，并整合地震解释与基于模型的反演（MBI）以提高准确性与确定性，上述目标得以实现。为获得理想的MBI结果，需选取适合特定条件的代表性子波。根据MBI结果，低声阻抗值表明存在良好的碳氢化合物储层质量。在下Goru组（Lower Goru）B砂层中，P波阻抗与孔隙度之间存在经验关系（88%），估算孔隙度范围为15%–20%。在井位处由MBI导出的孔隙度值与通过多属性分析（multi-attribute analysis）和概率神经网络（probabilistic neural network, PNN）获得的预测孔隙度（17%–18%）吻合良好，相关系数达97.5%。反演结果以横向和纵向高分辨率数据形式呈现。因此，本研究阐明了基于模型的反演技术可有效用于B砂层孔隙度估算，并可在全球类似地质条件下的复杂储层中推广应用，从而辅助储层表征以降低未来勘探风险。
论文解读文章
**研究背景与问题**
全球能源需求持续增长，推动了碳氢化合物勘探技术的创新，以应对传统方法中的不确定性。准确估算储层孔隙度及碳氢化合物潜力是当前面临的主要挑战，尤其当地震和测井数据有限时。传统地震分析难以提供地下结构的精细图像，而叠后地震反演（post-stack seismic inversion）作为一种稳健的储层表征方法，能够将反射数据转换为定量岩石属性（如声阻抗），从而提升储层描述的精度。然而，由于反演问题的非唯一性以及地震数据本身的分辨率限制，将地震属性转换为准确的孔隙度分布仍是一个复杂的不适定问题。巴基斯坦下印度河盆地（Lower Indus Basin）的早白垩世B砂层（B-sand）储层是重要的天然气储集单元，但其孔隙度空间变化大，亟需结合岩石物理分析、基于模型的反演（model-based inversion, MBI）和概率神经网络（probabilistic neural network, PNN）等技术进行系统性研究，以降低勘探风险。本研究旨在评估并整合这些方法，实现B砂层储层孔隙度的精确预测与分布制图。论文发表在《Frontiers in Earth Science》。
**关键技术与方法**
研究人员主要采用以下关键技术：1. **岩石物理分析**：利用Techlog软件处理Tay-01和Tay-03两口井的测井数据，计算泥质含量、总孔隙度及有效孔隙度、含水饱和度等参数，识别储层砂层段。2. **叠后地震反演流程**：包括统计子波提取（从三维地震数据中提取振幅谱，并旋转零相位子波以获得最佳井震标定）、井震标定（通过生成合成地震记录与井旁地震道对比，建立时深关系）、低频初始模型构建（利用测井声波时差和密度数据补充地震缺失的低频成分，频率范围0–15 Hz）、以及模型基反演（迭代优化低频模型直至合成数据与实际地震数据达到最佳匹配，质量控制相关系数为97%）。3. **孔隙度预测**：基于P波阻抗与孔隙度的线性回归关系（相关系数为0.88），将反演获得的阻抗体转换为孔隙度体；同时采用多属性分析结合概率神经网络（PNN），以地震属性为输入、测井孔隙度为目标，训练非线性映射模型，预测高分辨率孔隙度分布（相关系数达97.5%）。数据来源为巴基斯坦Tando Allah Yar气田的三维地震数据（覆盖面积15平方公里，共117条Inline和122条Crossline）以及两口井的测井资料。
**研究结果**
- **岩石物理分析**：Tay-01和Tay-03井的B砂层净产层厚度分别为59 m和72 m，有效孔隙度15%–17%，含水饱和度23%–24%，表明储层品质优良，具备开发价值。
- **子波生成（4.1）**：从叠后地震数据中统计提取子波，通过相位旋转使合成地震记录与实际地震数据相关性最佳。为避免子波长度影响，采用200 ms时间窗，最终提取的组合子波用于反演，孔隙度预测均方根误差为0.1。
- **井震标定（4.2）**：利用Tay-01和Tay-03井的声波密度测井生成反射系数序列，与提取的子波褶积获得合成地震记录，并与井旁Inline 1459地震道对比，标定效果良好。
- **低频模型构建（4.3）**：整合测井声波时差、密度及层位解释数据，建立低频初始模型（0–15 Hz），为反演提供绝对声阻抗的初始估计。生成的模型在Tay-03井地震剖面上显示合理。
- **模型基反演（4.4）**：在井点处执行模型基反演，反演阻抗与原始测井阻抗相关系数达97%。通过质量控制窗口确认子波、低频模型和反演参数的可靠性。反演后合成地震记录与实际地震道匹配良好，均方根误差为0.3。
- **P波阻抗（4.5）**：反演获得的P波阻抗体（P-impedance）显示，砂层储集相表现为低阻抗（7,000–9,500 m/s·g/cm3），非储层泥岩相表现为高阻抗（可达12,054 m/s·g/cm3）。在B砂层深度提取的阻抗切片清晰识别出低阻抗通道，指示碳氢化合物聚集区。
- **孔隙度预测（4.6）**：通过P波阻抗与孔隙度的线性回归（相关系数0.88）将阻抗体转换为孔隙度体。反演孔隙度范围为15%–20%，与岩石物理分析的15%–17%吻合。该方法限于标定的B砂层区间内应用，避免异常值。
- **概率神经网络分析（4.7）**：采用多属性分析（包括振幅、相位、频率、声阻抗）与概率神经网络（PNN）结合，训练非线性孔隙度预测模型。PNN预测的孔隙度剖面对比显示其优于单一线性回归，能更好捕捉非线性关系。
- **孔隙度对比（4.8）**：PNN预测的孔隙度（17%–18%）与测井实际孔隙度相关系数达97.5%，而线性回归公式的相关系数较低。交叉验证表明PNN方法在储层尺度上提供更精确的孔隙度评估。
**讨论与结论**
讨论部分指出，基于模型的反演技术通过引入地质先验信息，比稀疏脉冲反演更稳定，能减少地震噪声和频率限制带来的不确定性。本研究结论显示，将概率神经网络（PNN）与基于模型的反演（MBI）相结合，为孔隙度预测提供了可靠框架。研究人员利用测井数据、地震解释和模型基反演实现了高精度预测。关键输入包括精确提取的子波、稳定的低频模型以及准确的阻抗-孔隙度关系。PNN有效将阻抗转换为孔隙度并描述其非线性关系，预测孔隙度17%–18%，与实测孔隙度相关系数约97.5%；岩石物理计算的有效孔隙度为15%–17%。低声阻抗值指示优质储层和含气砂岩的存在。岩石物理分析、MBI反演和PNN技术结果高度一致。本研究填补了研究区（Tando Allah Yar气田）未开展过详细集成地震解释与反演研究的空白。通过利用P波阻抗和孔隙度估算提升储层建模精度，反演结果作为输入特征提高了预测性能。该集成方法为复杂地下环境中的孔隙度估算提供了有效精确的手段，增强了对储层的认识，降低了岩石属性评估的不确定性，并为下Goru组B砂层储层及全球类似地质区域的后续勘探开发提供了指导。
