《Journal of Applied Geophysics》:Quantitative saturation prediction driven by Fluid Mobility Variation with Angle
编辑推荐:
•利用 SISD 和 AVO 从叠前数据推导出了一个新的流体敏感属性 MVA。•与叠后流体流动度相比,MVA 对含气饱和度表现出更高的敏感性。•RVR 实现了含饱和度的定量预测,相关系数为 0.898。•该工作流支持井位部署和油气藏开发决策。引言饱和度是油气藏评估的关键参数,
- •
利用 SISD 和 AVO 从叠前数据推导出了一个新的流体敏感属性 MVA。
- •
与叠后流体流动度相比,MVA 对含气饱和度表现出更高的敏感性。
- •
RVR 实现了含饱和度的定量预测,相关系数为 0.898。
- •
该工作流支持井位部署和油气藏开发决策。
引言
饱和度是油气藏评估的关键参数,其精确预测是油气勘探与开发的基石。尽管地震数据包含丰富的流体信息,但如何有效提取这些信息并实现饱和度的定量预测仍是地球物理学家面临的长期挑战。先前的研究表明,时频分析方法可以有效用于流体识别 (Li et al., 2011; Gholami, 2013; Guo et al., 2023)。这一研究方向由低频阴影现象开创 (Taner et al., 1979),随后进行了大量研究,利用低频吸收、高频衰减和色散进行流体检测 (Quan and Harris, 1997; Dan, 2004; Hu et al., 2025)。流体流动度是渗透率和流体粘度的函数,可用于流体检测,因为其变化会导致速度色散 (Chen et al., 2012; Zeng et al., 2020)。在理论方面,Silin 等人 (2006),Silin 和 Goloshubin (2010) 推导了流体饱和介质中低频反射系数的线性渐近方程,建立了反射系数与流体流动度之间的定量联系。Goloshubin 等人,2006, Goloshubin 等人,2008 随后提出了低频成像属性的概念,并将其应用于预测渗透率和产油量。该理论框架的一个关键推论是,在低频渐近条件下,反射系数的频率依赖分量与频率和流体流动度乘积的平方根成正比 (Silin et al., 2006; Silin and Goloshubin, 2010; Goloshubin et al., 2006, Goloshubin et al., 2008)。换句话说,更高频率会产生对流体流动度更强的反射响应,因此携带更多关于油气藏流体流动能力的信息。然而,该理论也意味着流体流动度信息并非均匀分布在整个频谱中,而是主要集中在低频域内的频率依赖响应中。受此理论见解的启发,Chen 等人 (2012) 开发了一种方法,利用地震频谱低频域内的最优频率瞬时谱来计算油气藏流体流动度,并通过合成数据和野外数据验证了其可行性。Xue 等人 (2018) 提出了一种基于同步压缩小波变换的流体流动度估计方法,该方法提高了时频分辨率,改善了油气藏预测的准确性。Zhang 等人 (2020) 引入了一种结合同步压缩广义 S 变换与 Lucy-Richardson 算法的高分辨率油气藏流体流动度计算方法,显著提高了时频分辨率,实现了对薄互层优质油气藏的更准确识别。随后,Liu 等人 (2023) 开发了一种改进的窗口参数优化 S 变换 (IWPOST) 用于流体流动度计算,该变换自适应地优化窗口函数以提高时频分辨率和能量集中度,实现了更优的油气藏划分。最近,Wang 等人 (2025) 提出了一种优化的二阶同步提取小波变换用于流体流动度提取,通过优化尺度参数和提取阈值,该方法显著提高了时频分辨率和计算效率。尽管在野外数据中具有广阔的应用前景,但传统的流体流动度属性是从叠后地震数据中提取的,其准确性高度依赖于所采用的时频分析方法。为了克服这些局限性,本研究利用叠前地震数据,提出了一种新的流体敏感属性,称为流体流动度随角度变化 (MVA),该属性源自稀疏反演频谱分解 (SISD)。
饱和度敏感属性的推导在饱和度预测中起着关键作用,尽管这些属性传统上仅局限于定性表征。随着人工智能的到来,机器学习方法越来越多地被应用于实现饱和度的定量预测。Hampson 等人 (2001) 利用概率神经网络从地震数据预测油气藏参数。Wang 等人 (2020) 利用 GRU 网络对时间序列数据进行建模,以预测孔隙度、渗透率和饱和度。为了解决数据分布不均的问题,Zhang 等人 (2021) 引入了一种受砂岩含量约束的混合深度学习模型,取得了令人满意的结果。Vashisth 和 Mukerji (2022) 使用一种基于岩石物理学和波物理学的神经网络,直接从地震数据估计孔隙度,该网络整合了物理约束以增强在有限井控条件下的预测可靠性。此外,Xu 等人 (2023) 开发了一种多任务学习框架 PSP-Net,以联合估计多个油气藏参数,提高了泛化能力并减少了过拟合。Feng 等人 (2025) 提出了一种基于多任务学习的地震多油气藏参数预测网络 (SeisMRMTNet),该网络纳入了联合数据分布约束和物理约束,与单任务学习相比,实现了更高的预测精度和地质一致性。尽管神经网络在捕捉非线性关系方面表现熟练,但其性能高度依赖于参数选择 (例如,网络拓扑结构和初始权重),次优配置会导致过拟合和泛化能力受损。相比之下,作为贝叶斯概率框架的相关向量回归 (RVR),已通过有效地建模高维复杂非线性关系并具备稀疏解和鲁棒的泛化能力,在油气藏预测中展现了效力 (Tipping, 2001; Pilikos, 2020; Dai et al., 2023)。为此,我们采用 RVR 进行饱和度定量预测。
总之,本研究首先比较了各种时频分析方法,并利用 SISD 提取高分辨率流体流动度。然后,基于流体流动度如何随入射角变化的研究,提出了新的 MVA 属性。最后,应用 RVR 算法建立 MVA 与饱和度之间的映射关系。
章节片段
稀疏反演频谱分解 (SISD)
为了克服传统卷积模型固有的平稳性假设,本研究采用了一种非平稳卷积模型 (Portniaguine and Castagna, 2004; Bonar and Sacchi, 2010)。地震信号可数学表示为,其中, 表示地震信号, 表示频率为 的子波, 表示子波系数,N 是子波的数量, 是随机噪声。
公式 (1) 可以重写为矩阵 - 向量形式
合成数据应用
为了定量评估所提出的 MVA 属性对饱和度变化的敏感性,建立了一个三层理论模型,如图 3 所示。该模型由顶部和底部的两个页岩层以及中间一个弹性参数随饱和度变化而变化的砂岩层组成,砂岩层厚度为 15 米。完整的模型参数列于表 1 中。
我们选择 40 Hz 雷克子波,并基于佐普里茨方程进行正演建模 (
野外数据示例
我们以中国西部一个含气砂岩油气藏为例,验证并评估所提出方法的有效性。研究区的油气藏特征为超低孔隙度、低渗透率、强非均质性以及复杂的气水分布。因此,传统方法的预测精度有限。
井 A1 是水井(含气量极少,初始日产气量为 0.4*104m3/d,无开采价值),井 A2 是
讨论
已知流体饱和介质中地震波的频率依赖性色散携带流体信息 (Quan and Harris, 1997; Dan, 2004; Hu et al., 2025);较少被认可的是其随入射角的变化。MVA 属性旨在捕捉此响应的这两个维度,从而从叠前数据中提取更丰富的流体信息。与传统时频变换相比,SISD 方法显著提高了时频分辨率和能量
结论
本研究提出并验证了一种新的流体敏感属性,称为流体流动度随角度变化 (MVA),并将其与相关向量回归 (RVR) 算法结合,以实现饱和度定量预测。主要结论如下:
- (1)
在所评估的时频分析方法中,稀疏反演频谱分解 (SISD) 方法与传统变换 (S 变换、连续 相比表现出更高的分辨率和更集中的能量
作者贡献声明
Shi-Ming Dai:撰写 – 初稿、可视化、方法学、形式分析、数据管理。 Yong Chen:撰写 – 初稿、监督、数据管理。 Hua-Feng Hu:监督、方法学、资金获取。 Ke-Fei Zhang:可视化、形式分析、数据管理。 Jing-Nan Li:撰写 – 初稿。 Tong Zhu:数据管理。
利益冲突声明
作者声明,他们不存在已知的竞争性经济利益或个人关系,这些利益或关系可能影响到本文报道的工作。
致谢
本工作得到国家自然科学基金 (批准号 U23B6010 和 U24B6001) 和中国石化科技项目 (P25011) 的资助。
Shi-Ming Dai|Yong Chen|Hua-Feng Hu|Ke-Fei Zhang|Jing-Nan Li|Tong Zhu