在含重油区利用地震属性预测井间的页岩夹层

第1页共6页在含重油砂岩区利用地震属性预测井间的页岩夹层F.DavidGray,PaulF.Anderson,andJayA.Gunderson摘要：用蒸汽辅助重力驱油(SAGD)技术在阿尔伯达北部的麦克玛瑞(McMurray)地层中进行重油开发的一个主要地质难题是确定页岩在储层中的位置，它会影响汽化和回收处理。岩石物理分析认为指示页岩存在的一个关键的声学指标是体积密度。理论上，密度可以从对常规或多组分地震资料的振幅—炮检距关系(AVO)分析中获得，但这在实际应用中不能被广泛接受。然而，随着对SAGD开发越来越多的资金投入，这项技术将会用于后续勘探。此外，如神经网络等现代工具的使用提供了更多的地震属性。因此，利用AVO从地震资料中提取的密度可以与更多的传统属性相比较和与之结合起来解决这个难题。密度AVO属性是从测井获取的“密度合成器”中提取出来的并与其相关，如同地震叠加与传统的合成相关联。然而，多属性检测显示不仅密度可以很好的预测页岩体积(Vsh)，常规PP获取的地震属性、多组分PS地震、AVO和在神经网络中对辅助的SAGD井任意测线进行反演也可以预测页岩体积。但是，密度预测Vsh与通过岩心估算的Vsh显示出很好的相关性，这就促进了此方法在全三维中的应用。关键字：AVO，实例，解释，反演，多组分引言加拿大阿尔伯达北部的地层中具有含高级别优质天然合成沥青的砂层。McMurray储层位于深度180-250米的白垩系McMurray地层中，包含沥青砂和页岩。McMurray下部地层是河流冲刷作用形成的低水位期体系区域，河谷下切形成古喀斯碳酸盐地形。网状河道砂在这些河谷中沉积，当沉积过多或被废弃的通道被填满时便产生侧向不连续的泥岩和“页岩夹层”沉积。上部McMurray地层是海侵体系区域，由河口水道和滨岸环境中形成的点沙坝复合体组成（Hein,Cotterill,andRottenfusser,2001）。整个McMurray地区的砂层被沥青充满，同时SAGD技术（Edmunds,Cordell,andHaston,1992）已被用于有效地提取沥青。SAGD方法使用两口水平井，在另一口井上方约5米处的水平井是用来抽取石油，通过上部的井向的地层中注入蒸汽，这些蒸汽便在上方井周围形成一个蒸汽囊，在此处石油因被加热而降低粘度。随着蒸汽的冷凝，少部分的稠油排到蒸汽囊的底部，而被下部水平井所采集（图.1）。SAGD方法应用于高净毛比砂岩层中的效果很好。然而，当井遇到厚而连续的页岩时使用SAGD技术便会出现问题：如果上面的井遇到相对厚的页岩时，蒸汽囊的形成可能会受阻；如果下面的井遇到页岩，从此井才有也可能受阻。因此，在这个储层中先于钻井之前的地质问题是确定页岩的存在，并对其定位。一个储层初期的开发将会用到65个平均1000米长的SAGD井对，每对井预期开采出1000-1500吨/天的沥青。预计全部开采沥青储层总共需要多于300个这样的SAGD井对（LongLakeProject,2004）。这样一个工程总共资金费用达到3.4亿美元（Nexen,2004）。因此，确定页岩位置这一地质问题的一个适度的成本低且有效的解决方法是在全区范围使用3D地震。为此，在2002年，对实验的SAGD区域进行了3D地震勘探以验证这一概念。那次勘探所要检验的利用地震资料能够预测Vsh的观点在这篇论文中已得到了检验。后来，在工区的剩余其它地区也完成了第二次的3D-3C勘探。第2页共6页图1.标准SAGD双水平井井周围蒸汽囊示意图（EnCana,2004）Gray，Anderson,，andGunderson（2004）提出一种应用神经网络确定页岩存在的一种方法（Russell等，1997），来研究各种不同的属性，在McMurray地层中页岩存在处这些属性显示出某些相关性（Dumitrescu等,2003;Gray,2003)。Dumitrescu等（2003）指出此处储层中多组分PSAVO属性与Vsh相关，我们的测验包括，利用先前在应用神经网络预测Vsh工作中获得的各种常规，AVO和多组分属性。岩石物理分析显示与泥质含量联系最紧密的地震属性是密度（图.2）。所以，从地震资料中提取密度的方法是必要的。密度估测利用3项AVO，它来自于Gidlow,Smith,andVail(1992)的AVO方程和Gray(2003)的多组分PS转换波AVO。Gidlow的方程还可以估算出P波(纵波)的标准发生率和S波(横波)的声阻抗反射率。Gray的转换波AVO方程也可以估算出S波的声阻抗反射率。用于检验SAGD技术应用于这里储层有效性的试点研究所使用的三水平井，神经网络测试就是在沿这三水平井的路径进行3D勘探的任意测线上进行的。在这个区域进行了大范围的分析测验，包括可以验证Vsh预测真实性的岩心研究。对地震资料进行AVO处理后计算密度（例如.Roberts,2000;KellyandSkidmore,2001;DowntonandUrsenbach,2005），但它仍不被广泛认可。密度预测要测量的储层地震反射要具备很大的入射角（300），此次研究所用的地震资料拥有足够大的入射角（500），因为这里的储层很浅。典型的PS多组分地震资料具备足够大的角度来提取密度，因为地震发出的S波比P波更不容易发生垂直入射。通过把测井获得的密度与神经网络获取的密度进行对比，密度预测的真实性得以验证。后者也是为神经网路的查对服务，因为密度的预测应该是线性的，其利用神经网络更容易得到。这种利用神经网络获得的密度和其它属性一起又被应用于下一神经网络系统以预测Vsh。第3页共6页图2.GR与密度(RHO,Kg/m3)交会图显示出很强的相关性(相关系数0.83).色标代表采样频率方法储层中密度与页岩的存在具有相关性，我们的方法是利用储层的地震资料确定能直接或间接计算出密度（例如声阻抗）的属性。利用AVO从常规和多组分地震资料中提取密度这一做法，目前还没被地球物理群体很好的接受，因此把提取的密度与测井所得密度对比以确保它的有效性。在其它可能的区块，所提取的值也与相应测井值进行了对比。这些属性结合更多的常规属性，例如叠加属性一起被用于储层中泥质含量的预测；这样，Vsh曲线就被岩石物理学家预测出来。在测试线上有的几口井的位置，对预测Vsh曲线的地震属性的效率利用分级算法做了定量地评估（Russell等,1997），结果显示井间Vsh和泥质含量的预测是非常好的。结论经过三个试验SAGD井对区域进行3D勘探，把原始3D地震勘探资料中的随机测线用于测试。首先，从地震资料中提取属性。对叠前P波数据进行最小二乘处理，然后输入Gidlow,Smith,和Vail(1992)的三项AVO方程，最后可以估测出P波声阻抗、S波声阻抗和密度的反射率；对叠前PS转换波数据进行最小二乘处理可以估算出S波声阻抗和密度的反射率。这些属性与由测井得到的相应属性比较，在侧线上有8口垂直井被用来进行了对比。他们的Vsh测井曲线后来也被用为神经网络的期望输出。一些属性典型相关属性的例子如图3所示。利用AVO方法提取的P波声阻抗和密度的反射率第4页共6页应用于Gidlow,Smith,和Vail(1992)的方程，与控制井显示出很好的相关性，在特定储层范围（260-320ms）二者也显示出相互联系。这是在预期之内的，因为在McMurray地层区域内声波速度的变化很小，因此在McMurray区域密度控制了声阻抗差异。在这个区域之外，仍与预期的岩石物理特性成相关性这两种属性存在很大差异，这就说明三项AVO提取技术效果好坏要看地质条件。Dumitrescu等（2003）指出多组分AVO属性和页岩的横向展布横向相关。由多组分PS叠前数据获得的密度反射率在储层中有很强的反应，再一次与岩石物理分析相一致。这些属性与钻井信息在垂向上的相关显得很弱，这可能是由低频含量的PS数据所导致。从三项AVO得到的密度的反演如图4.C所示，它比别的任何属性都能显示出更多的特征（Gray,Anderson,andGunderson,2004），这主要是因为密度与Vsh的相关性，储层的岩石物理特性变化显著。图4D是出基于不同地震属性利用神经网络所估计的Vsh。Vsh预测所用到的属性有密度反演、P波声阻抗反演和Goodway,Chen,和Downton的(1997)λ密度，从岩石物理方面分析，它们都与Vsh相关（Gray,Anderson,和Gunderson,2004）。这种Vsh估计与本区域岩心研究所得显示相关，有效的页岩体被发现、储层中从顶到底砂岩的质量越来越清晰。我们有意撤掉一口井做一个未知检验，结果表明在这个位置Vsh预测与岩心研究很匹配（CMP113）。讨论基于此次测验，Gray（2003）对沥青储层应用神经网络确定Vsh的方法看来可以指示井中以及井间页岩体的存在。在8井位置通过岩心观察到的页岩被很好的再现，并且当井被有意撤销后圣经网络可以预测页岩存在。从地质学的立场来看，通过神经网络预测的页岩体和砂岩大小是有意义的。在McMurray地层上部，页岩与海水侵蚀有关，相比水道充填的McMurray深层显得更连续。一个有趣的观测是神经网络Vsh预测显示这些水道充填页岩在横向上的延伸范围比由先前工作预期的小，这就是说在这个区域的沥青砂要比预测要多。从3D任意地震测线测验的成功表明此方法应当应用于全3D。在McMurray地层沉积过程中，从3D估算Vsh需要有与沉积体系一致的几何学，这就是说，McMurray地层由早期的水道充填转变为后期的海相环境。3D勘探中的这种几何学观测将会增加利用神经网络预测的Vsh的准确度。图3.P结合井和利用三项AVO从P波中得到的相关属性提取的波声阻抗反射率(左)和密度反射率(右)典型相关示意图。相关从上方的Wab-Dev层段测得。第5页共6页图4.A，利用三项PP计算的密度反射率；B，代替密度的密度反射率的振幅反演；C，神经网络估算的密度剖面；D，神经网络估算的Vsh，黄色代表砂和绿色的页岩。负值区超出了研究区域，与储层基底的碳酸盐岩呈不整合接触可以忽略。图5.A，上部McMurray储层的Vsh估测；B，下部McMurray储层的Vsh估测，神经网络输出3D工作已经完成，并且产生出其有价值的结果。30口井用于3D分析对比早期测试的8口井。第一批传动装置保持一样，密度由三项AVO估算出。第二批用于预测Vsh的传动装置稍微做了些调整，用PSAVO的平均频率属性估计二次S波反射率。传动装置的改变是因为，与测试区相比，包括3D分析中储层小井眼部分。利用神经网络预测的储层中砂岩三维分布显示，当水道被填充满时，原本在McMurray基底部位的页岩充填水道在三维区北和东部优先沉积砂岩。从McMurray上部到下部泥质含量由38%（图.5A）渐变到21%（图.5B）。在McMurray下部，成块的页岩在井间被预测出来，这样现在我们的水平井就可以避开它；在McMurray上部是成块的砂岩，这是潜在的储层。这些结论对此区域McMurray地层第6页共6页的沉积模式是有十分有意义的。致谢感谢准许展示这些成果的资料和方案的所有者，同时也感谢出版本论文的挪威船级社。参考文献Downton,J.E.,andUrsenbach,C.,2005,LinearizedAVOin-versionwithsupercriticalangles,75thAnnualInternat.Mtg.,Soc.Expl.Geophys.,ExpandedAbstracts,p.238.Dumitrescu,C.,Gray,D,Bellman,L.,andWilliams,A.,2003,PSandPPAVOAnalysis:AMulti-componentSeismicCaseStudyfortheLongLakeOilSandsProject,2003CSEG/CSPGJointConferenceAbstracts.Edmunds,N.R.,Cordell,G.M.,andHas