本发明属于三维地震储层预测技术领域,具体涉及一种定量化评价三维地震属性预测储层参数有效性的方法。
背景技术:
在油气勘探开发过程中,通常需要借助钻井,以及目的层段地震反射波振幅、频率、相位等信息明确储层空间展布特征及有利目标区分布。目前,在利用地震属性进行储层预测时,通常的做法是根据钻井与三维地震进行合成记录标定,明确储层所对应的地震时间范围(时窗),然后在时窗内提取多种地震属性,分别形成地震属性平面分布图,再根据已完钻井与不同地震属性的符合程度,人为选择能够反映储层物性的地震属性。
上述地震数据分析过程中,主要是通过人为判定符合率的形式对地震属性进行定性评价,该评价过程主观因素强,不能对多属性起到定量评价的效果,储层预测参数难以达到最优化。
技术实现要素:
本发明的目的在于提供一种定量化评价三维地震属性预测储层参数有效性的方法,从而解决现有地震属性的选取过多依赖人为主观经验,不能对储层预测参数定量化评价的问题。
为实现上述目的,本发明所采用的技术方案是:
一种定量化评价三维地震属性预测储层参数有效性的方法,包括以下步骤:
1)在测井曲线完成标准化处理后,建立井震时深标定关系,确定目的层所对应的三维地震数据时窗范围;
2)根据步骤1)确定的三维地震数据时窗范围,提取同一算法的基本类型地震属性,并分别提取完钻井坐标处的相应属性值,形成同一算法不同类型属性数据集;
3)根据目标区储层识别标准,确定目标区内已完钻井目的层段储层参数;
根据目的层段储层参数与步骤2)所确定的同一算法不同类型属性数据集,分别建立交汇图版并开展线性拟合,明确相关系数,确定相关系数最高的地震属性及储层参数组合,将组合中地震属性的类型作为反映相应储层参数的敏感属性类型;
4)在步骤1)确定的三维地震数据时窗范围内,提取所确定的敏感属性类型下不同算法的地震属性,并分别提取完钻井坐标处的相应属性值,形成同类型不同算法属性数据集;
5)依据步骤4)得到的同类型不同算法属性数据集以及步骤3)所述组合中的储层参数,分别开展线性拟合,明确相关系数,根据相关系数的大小作为地震属性对储层参数预测有效性的定量化评价依据。
本发明提供的方法,通过两次交汇拟合,明确最优属性类型及相应的最优计算方法,作为三维地震属性预测有效性的定量化评价依据,避免了钻井验证过程中人为判定储层预测成果有效性的主观评价,对于优选有效的地震属性及后期新井部署均具有重要的指导意义。
步骤2)中,所述基本类型地震属性包括振幅类、频率类、相位类三种类型。选取相同算法(例如瞬时振幅属性、瞬时频率属性、瞬时相位属性)的目的在于突出不同类型属性对储层参数的敏感度,避免算法差异造成的影响。
步骤2)中,同一算法不同类型属性数据集为完钻井坐标处,采用相同计算方法得到的三类属性数据集。
步骤3)中,储层识别标准由实际目标区完钻井钻遇、油气产量等因素决定,不同目标区具有不同标准,本领域技术人员可利用公知技术确定相关储层参数。所述目的层段储层参数包括储层厚度、自然伽马、电阻率、孔隙度、含油气饱和度等能够用于描述储层情况的测录井特征,可根据实际目标区情况进行筛选。
步骤3)和步骤5)中,所述相关系数为一元线性拟合的斜率值。
步骤4)中,所述不同算法的地震属性包括地震属性的平均值、均方根值、最大值、最小值、方差。不同算法的振幅类地震属性包括平均振幅、均方根振幅、最大波峰振幅、平均波峰振幅、最大波谷振幅、平均波谷振幅。
步骤5)中,对于相关系数小于0.5的地震属性与储层参数,可以判定地震属性对该储层参数并不敏感,即该三维地震属性不能作为该储层参数的预测依据。该步骤中,选取相关系数最高值对应的地震属性作为储层参数预测及其平面分布的依据。
本发明的定量化评价三维地震属性预测储层参数有效性的方法,可以对不同属性与储层参数之间形成定量化评价,明确最有效的属性类型及计算方法,降低因人为判定预测成果准确性而造成的新钻井风险。
附图说明
图1为本发明的实施流程图;
图2为本发明实施例中最大波谷振幅值与实钻井有效砂体厚度参数交汇及相关度值;
图3为本发明实施例中最大波谷振幅值与实钻井平均有效孔隙度参数交汇及相关度值。
具体实施方式
下面结合具体实施例对本发明的实施方式作进一步说明。
实施例
本实施例的定量化评价三维地震属性预测储层参数有效性的方法,实施流程图如图1所示,以某地区为例,该地区已有三维地震面积约500平方公里,以冲积扇和辫状河沉积的砂岩储层为主,已有完钻井42口,均钻穿目的层段,该方法具体包括以下步骤:
1)对区内完钻井分别开展标准化处理,并开展井震时深标定,分别统计42口井目的层段储层所对应的地震时间刻度范围,确定属性提取的时窗;
2)根据步骤1)确定的时窗,提取该时窗范围内的三维地震瞬时振幅、瞬时频率及瞬时相位属性,并分别提取42口完钻井坐标处三种类型属性的属性值,形成同一算法不同类型属性数据集;
3)根据研究区目的层段所建立的储层识别标准,分别统计42口钻井目的层段砂体厚度、有效砂体厚度、平均有效孔隙度、平均含气饱和度及储层平均电阻率五种典型储层参数,形成储层参数表;
4)分别建立步骤2)中三种类型属性数据集与步骤3)中五种典型储层参数的交汇图版,共计15个数据组;针对15个数据组分别开展线性拟合,并分别求取线性拟合斜率值,即相关系数;
5)将15个数据组根据相关系数大小进行排列,相关系数小于0.5的数据组合予以剔除,说明该储层参数的变化对该地震属性影响偏弱,即不敏感;本实施例中相关系数最大的为瞬时振幅属性与有效砂体厚度、有效平均孔隙度两个数据组,均为0.58;
6)根据步骤1)确定的时窗,分别提取平均振幅、均方根振幅、最大波峰振幅、平均波峰振幅、最大波谷振幅、平均波谷振幅6种振幅类属性,并根据42口完钻井坐标,分别提取井点坐标处的6种振幅类属性值,形成同类型不同算法属性数据集;
7)分别建立步骤5)中42口井有效砂体厚度、有效平均孔隙度两个储层参数与步骤6)中6种振幅类属性值的交汇图版,共计12个数据组合;针对12个数据组合分别开展线性拟合,并分别求取线性拟合斜率值;
8)根据步骤7)中所得到的12个数据组合根据相关系数大小进行排列,其中最大波谷振幅对有效砂体厚度、平均有效孔隙度的相关性最高,分别达到0.61和0.69(如图2和图3所示),由此可以确定最大波谷振幅属性能够有效预测目的层段储层平均有效孔隙度。
根据分析结果,说明三维地震振幅类的最大波谷算法对储层平均有效孔隙度更加敏感,在后续新部署及设计过程中,可以以该属性作为首选的储层预测依据,钻井风险相对较低。