珠江口盆地X油田是南海东部海域面积及储量规模最大的中浅层高泥质砂岩油田，储层主要发育在韩江组四-六段（距今16.5~13.8 Ma层序段），是一套以三角洲前缘水下分流河道-河口坝为主的沉积。岩心及录井资料显示，目的层沉积时期水动力相对较弱，沉积物粒度细，泥质含量高，油田主要发育构造-岩性复合油藏^[1]。油田开发方案（ODP）实施后，油藏地质研究表明其储层特征复杂，与南海东部常规的典型海相砂岩有明显区别：①埋深浅、砂岩疏松、井眼垮塌扩径严重，测井曲线质量差；②砂岩中泥质含量高，砂、泥岩岩性区分难度大；③储层发育及分布规律复杂，储层层数多，单层薄（砂体厚度一般在5 m以下，多数为3 m左右），砂、泥岩互层严重，储层非均质性强。为了更好地完成储量接替，并实现油田的高效开发，在注水收效、调整井优化实施和开发调整方案井网设计等方面都需要储层预测对象精确到小层或单砂体^[2-3]。因此，储层表征技术的精度成为该油田高效开发的关键。

结构复杂的薄储层具有厚度小，横向变化快，分布规律复杂的特征，其高精度预测至今都是储层反演的难题^[4-7]，而传统反演方法在储层预测实际应用中存在如下4个问题，很难实现高泥质疏松砂岩薄储层预测：①受地震分辨率和带限子波限制，分辨率低^[8-10]；②对先验模型依赖严重，人为因素较强；③横向上模型化严重，随机性强；④要求井数多且井位均匀分布^[11-15]。

针对珠江口盆地X油田储层预测的难点，利用260 km²的三维地震和钻井资料，采用“三步法”储层预测方法对韩江组高泥质疏松砂岩的薄储层进行有效识别，以期解决X油田3~5 m薄储层精细预测的难题，并助推油田的合理高效开发。

人工神经网络技术具有自组织、自学习、较好容错性和优良非线性逼近能力等特点，张亚斌等^[16]已经成功利用该方法在测井曲线校正上取得了较好效果，而遗传算法可以把优化结构问题转为生物进化过程以此获得结构优化最优解^[17]。以X油田X-1 A井为例，受韩江组高泥质疏松砂岩影响，井眼垮塌严重，引起井径扩径，导致目的层测井曲线（声波和密度）失真（图 1），影响合成地震记录的效果，进而影响到储层预测的可靠性^[16]。

图 1

Fig. 1

下载eps/tif图 图 1 X-1A井原始测井曲线 Fig. 1 Original logging curves of well X-1A

针对上述问题，利用受井筒环境影响小且与声波、密度测井曲线相关性好的矿物岩石及流体参数进行遗传化神经网络技术重构得到声波和密度曲线，遗传化神经网络校正的输入数据用到多种测井数据，包括自然伽马、中子、深电阻率、孔隙度、温压曲线和岩性体积分数等多种参数，以保证遗传化神经网络校正的稳定性和可靠性^[18-19]。受井眼垮塌影响的X-1 A井遗传化神经网络技术校正的声波和密度曲线结果如图 2所示，在扩径段，实测声波和密度测井值出现异常，比如，在低自然伽马值区段的砂岩本应该对应低密度值和高声波时差值，但由于高泥质疏松砂岩段存在扩径的影响，导致在实测自然伽马低值区段的砂岩对应密度值高和声波时差值低这一矛盾现象，而遗传化神经网络技术校正的声波和密度曲线很好地解决了这个问题（图 2黑框圈定部分）；在不受测井扩径影响的正常区段，遗传化神经网络校正的声波和密度曲线与实测结果具有良好的一致性。

图 2

Fig. 2

下载eps/tif图 图 2 X-1 A井实测曲线与遗传化神经网络校正曲线对比 Fig. 2 Comparison of the measured curve of well X-1 A with the predictive curve of genetic neural network

为了进一步验证遗传化神经网络校正结果的合理性，将受高泥质疏松砂岩扩径影响的声波和密度曲线与遗传化神经网络校正的声波和密度曲线进行合成地震记录计算相关系数对比（图 3），对比结果表明：受扩径影响的声波、密度原始测井曲线经过遗传化神经网络校正后计算得到的相关系数从0.53提高到0.81，相关系数明显提高，井-震匹配性更好，这也进一步证明了遗传化神经网络校正结果的可靠性。最终利用遗传化神经网络技术校正测井曲线取得了较好效果。

图 3

Fig. 3

下载eps/tif图 图 3 合成地震记录 Fig. 3 Synthetic seismic records

利用X油田内所有井目的层段测井数据进行岩石物理分析，其结果表明：波阻抗属性区分不开砂、泥岩[图 4（a）]，因此须要构建一个新的储层指示参数DVT（流体骨架孔隙度），期望能从岩石物理上区分砂、泥岩，其表达式如下

图 4

Fig. 4

下载eps/tif图 图 4 岩石物理交会图 Fig. 4 Petrophysical crossplot

式中：DVT为密度孔隙度与声波孔隙度之比；C_p为压缩系数；ρ_ma为骨架密度，g/cm³；ρ_f为流体密度，g/cm³；DT_ma为骨架声波时差，us/m；DT_f为流体声波时差，us/m；ρ为密度，g/cm³；DT为声波时差，us/m。

由X油田内所有井目的层段测井数据进行岩石物理分析，其结果表明：新储层指示参数DVT能够较好地区分出储层和非储层，划分储层和非储层的参数界线为DVT = 1[图 4（b）]。因此，可以采用储层敏感特征参数DVT进行储层反演，以有效预测砂岩储层。

进一步对比波阻抗和DVT曲线对砂岩储层的敏感性，发现波阻抗属性对储层反映不敏感，而DVT属性对储层反映敏感（图 5）。因此，可以采用储层敏感特征参数DVT进行储层反演，以有效预测砂岩储层。

图 5

Fig. 5

下载eps/tif图 图 5 X-1 A井波阻抗和DVT曲线指示储层对比 Fig. 5 Sensitivity comparison of impedance and DVT curves to reservoir of well X-1 A

三维地震是分布密集的空间结构化数据，能反映沉积环境和岩性组合的空间变化，波形指示反演就是在地震波形特征指导下（相控）对反射系数组合寻优的过程^[20]。波形指示反演采用“相控随机模拟”思想，利用“SMCMC”算法^[20]，有效提高了储层预测的精度及可靠性，特别适用于高精度预测非均质性强的薄层。其公式为

式中：Z(x₀)为待估点的值；Z(x_i)为波形优选出的样本点值；λ_i为第i个样本点的权重值；n为优选样本点的个数。

波形指示反演在统计样本时既考虑了地震波形的相似性，又参考了空间距离，在保证样本结构特征一致性的基础上，遵循分布距离对样本进行排序，以此优选出与预测点关联度高的井建立初始模型，反演时有相控约束，其结果更符合地质沉积规律^[21-23]。

波形指示反演的特点如下：①按照波形的结构和形态特征将已知的样本井进行分类，优选出与待预测点波形相似的测井样本作为计算样本^[21]，并统计井样本计算得到先验信息。这种方法利用波形空间变化代替变差函数表征变异程度，考虑了波形特征和距离等多重因素。由于符合沉积学规律，规避了变差函数只考虑距离单因素（非相控）选取井样本引起模型化严重且随机性强的问题^[21]。②利用初始模型和地震进行匹配滤波，由此算出似然函数。假设2个样本井点处地震波形空间特征相似，说明其区域沉积类型相似，虽然样本井高频成分反映不同沉积微相类型，但是样本井的低频段是有共性的，而且样本井的共性频带范围超过地震的有效频带，采用这一特性可以增加反演低频部分的确定性，也能对高频部分的取值范围有一定约束，进而减小反演结果的不确定性。③采用贝叶斯理论，结合似然函数和后验概率分布，利用模型扰动，当后验概率分布函数取得最大值时就得到一个有效反演结果^[21]。

反演结果的质量很大程度上依赖于初始模型的准确性^[24-25]，分析波形指示反演的初始模型结果（图 6）发现：①平面上，波形指示反演的初始模型平面属性规律[图 6（b）]与地震切片平面属性[图 6（a）]的趋势大体一致。②剖面上，波形指示反演初始模型产状和地震同相轴产状一致，符合地质规律（图 7中红框内）。

图 6

Fig. 6

下载eps/tif图 图 6 平面属性图 Fig. 6 Attribute diagram

图 7

Fig. 7

下载eps/tif图 图 7 波形指示反演初始模型与地震波形叠合图 Fig. 7 Initial model of waveform indication inversion and overlap map of seismic waveform

H1储层为X油田重要的开采油层，测井上揭示的储层厚度小于5 m，该层沉积稳定且断层少，地震资料的信噪比高，测井资料丰富，但钻遇该储层的井点分布相对集中，且不均匀。反演结果显示H1薄储层在盲井X1井处有发育，在盲井X2井处不发育。实钻井揭示盲井X1井钻遇3.7 m H1砂岩储层，而盲井X2井在相同层位处钻遇了泥岩。这表明反演结果与实钻结果吻合。根据反演属性，砂岩的尖灭点可以较好地反映储层边界的特征，综合反演属性平面与剖面尖灭特征能刻画出H1薄储层空间展布范围（图 8），预测H1油层平面分布为图 8（b）中粉红色线圈定的范围。根据反演结果预测在H1储层设计了一口开发井K1，预测H1储层厚度为3.8 m，后续证实K1开发井实钻的砂岩厚度为3.9 m，物性好，产量高，反演预测结果为H1储层的开发和后期开发调整井的方案设计提供了有效的技术支持。

图 8

Fig. 8

下载eps/tif图 图 8 X油田H1薄储层反演结果 Fig. 8 Inversion results of H1 thin reservoir in X oilfield

X油田HJa储层为主力开采层，测井上揭示该层可以细分为上薄砂体（厚度 < 3 m）、下薄砂体（厚度 < 4 m），对储层空间展布精细认识直接影响该主力储层的高效开发。此油田X-A3 H井开发生产过程中存在地层能量供给不足的问题，后期依据该项研究成果布设了注水井X-A14井，注水后，XA3 H明显收效，产油指数增加3.5倍。反演结果显示：X-A3 H井钻遇的HJa储层下薄砂体与X-A14井处下薄砂体连通，因而X-A14井注水后X-A3 H井收效明显，反演预测结果与后续油藏动态相吻合（图 9）。

图 9

Fig. 9

下载eps/tif图 图 9 X-A3 H井注水收效显著分析 Fig. 9 Significant analysis of water injection effect of well X-A3 H

前期对X油田主力产层HJa储层空间展布的规律认识不清，在构造高部位布设的2口水平井A2 H井和A3 H井生产效果不佳，其产油指数低，分别为31 n m³/d/Mpa和39 n m³/d/Mpa（n指代某数值）。通过对反演属性平面图[图 10（a）红框内]的分析，认为A2 H井和A3 H井布设在差储层部位。后期根据反演属性平面图和剖面图[图 10（a），（b）]在好储层部位布设了调整井A17 H井，其产油指数较高，为99 n m³/d/Mpa，实际生产动态好。并且长期保持在低含水期稳定状态[图 10（c）]，利用该技术精细刻画了优质储层分布，并优化了调整井的实施。

图 10

Fig. 10

下载eps/tif图 图 10 储层预测指导调整井优化实施效果 Fig. 10 Adjustment well optimization implementation by reservoir prediction

（1）波形指示反演方法充分利用波形空间特征变化反映储层相变规律，更好地体现了相控的思想，预测结果更符合地质规律，突破了常规基于空间域插值算法的限制，对井数和井位分布的均匀性没有严格要求，明显地提高了储层反演的适用性，实现了井-震协同的高分辨率储层预测。

（2）针对高泥质疏松砂岩薄储层预测形成了一套完整的技术流程，并成功应用于珠江口盆地X油田，解决了该油田韩江组3~5 m薄层疏松砂岩油藏精细描述的难题，储层精细预测结果与油藏动态吻合，有效地指导了油田的高效开发生产。