盐间页岩油储层岩石物理机制与地震预测方法与流程

本发明属于石油勘探技术领域，具体涉及一种盐间页岩油储层岩石物理机制与地震预测方法。

背景技术：

页岩的岩石物理机制不同于常规砂岩或碳酸盐岩。页岩中矿物与有机质之间的微观层状结构、页理与纹层结构、水平缝等物性特征使得页岩呈现固有vti(transverselyisotropywithaverticalsymmetryaxis)各向异性。在页岩各向异性岩石物理方面，较早期的研究包括vernik和liu在1997年在geophysics上发表的文章“velocityanisotropyinshales:apetrophysicalstudy”中针对富有机质页岩的各向异性实验室岩心测量，在此基础上开展的岩石物理建模通过各向异性backus理论考虑粘土与有机质干酪根的微观层状交互结构。其它经典的建模方式还包括1994年hornbybe等发表在geophysics的文章“anisotropiceffective-mediummodelingoftheelasticpropertiesofshales”中应用各向异性自相容近似(sca:self-consistentapproximation)及差分等效介质(dem:differentialeffectivemedium)理论的岩石物理方法，在模型中考虑了矿物与微孔隙等的统计分布。此外，sayers等在2018年发表在journalofgeophysicalresearch:solidearth的文章“theelasticpropertiesofclayinshales”中主要针对粘土等引起的页岩弹性各向异性也进行了一系列岩石物理的理论与应用研究。郭智奇等在2016年发表在appliedgeophysics上的文章“researchonanisotropyofshaleoilreservoirbasedonrockphysicsmode”针对包括盐间页岩油储层在内的页岩地震岩石物理也进行了系统性的研究并形成了相应的技术系列。

但是，目前已发表的关于盐间页岩油储层地震岩石物理预测的研究较少，且研究主要集中在地震弹性反演的基础上进行的定性或半定量的解释。因此，急需开展盐间页岩油储层岩石物理机制的相关研究，针对对盐间页岩油储层地震问题能够进行描述，为有利储层的识别与预测提供方法和技术。

技术实现要素：

本发明的目的在于提供一种针对江汉盆地盐间页岩油储层的岩石物理机制与地震预测方法，针对盐间页岩油储层地震描述问题，明确盐间页岩油层系的岩石物理机制，建立各向异性岩石物理模型，在此基础上开发页的岩油储层的纹层结构、水平缝等物性参数的井中岩石物理反演与地震预测方法。

本发明的目的是通过以下技术方案实现的：

一种盐间页岩油储层岩石物理机制与地震预测方法，包括如下步骤：

a、在地质、岩心和地球物理测井分析的基础上，应用等效介质理论构建盐间页岩油储层各向异性岩石物理模型，建立页岩中微观组构的性质与粘土混合物、固体基质及页岩整体弹性各向异性的岩石物理关系；其中，岩石物理的关键技术包括hashin-shtrikman界限理论、各向异性backus理论、各向异性等效场理论、chapman裂缝介质理论；

b、基于步骤a中的模型开发井中岩石物理反演方法；将粘土混合物垂直方向的纵、横波速度vp_clay和vs_clay，以及水平缝纵横比αh作为待反演参数，通过寻找岩石物理模型计算的速度与井中实测速度的最佳拟合来预测这些待定参数；

c、以步骤b中得到的粘土混合物纵、横波速度vp_clay和vs_clay作为目标函数的拟合参数，预测粘土混合物中的伊利石比例f-illite以及粒间软物质含量f-soft等参数；

d、以步骤b、步骤c中得到的页岩微观结构和物性参数的预测结果，基于岩石物理模型计算从微观到宏观各尺度上，页岩各结构的弹性各向异性参数；

e、应用bp神经网络技术，在井中岩石物理反演的基础上建立步骤b、步骤c及步骤d中得到的储层物性参数与步骤a中的地震属性的定量关系；

f、利用步骤e建立的神经网络，由地震反演数据预测盐间页岩油目标储层的各微观组构的物性参数、各向异性及水平缝密度等的空间分布；

更进一步，步骤a，所述粘土混合物加入粘土矿物颗粒之间广泛存在体积模量接近水而剪切模量不为零的“软”物质，用于描述束缚水的存在状态。

更进一步，步骤b，所述目标函数的求解过程应用粒子群粒子滤波方法实现多参数寻优。

与现有技术相比，本发明的有益效果在于：本发明在现有技术的基础上，岩石物理模型中考虑了粘土混合物中伊利石和蒙脱石比例，粘土粒间软物质性质，其中软物质体积模量接近于水，剪切模量不为零，解释了页岩纵横波速度比vp/vs存在高异常值问题；开发基于岩石物理模型反演方法，反演伊利石、蒙脱石、粒间软物质比例，进一步计算粘土混合物、页岩基质以及页岩各向异性参数，为储层力学性质评价提供依据，为地震正反演提供各向异性速度模型；基于岩石物理反演结果，通过神经网络算法建立物性参数与地震属性的非线性定量关系，以此为基础对地震弹性反演结果进行定量解释，得到页岩油储层关键物性参数的空间分布，为有利储层的识别与预测提供方法和技术。

附图说明

图1是选取的工区内a井裂缝及粘土混合物参数的岩石物理反演结果；

图2是a井粘土混合物微观物性特征的岩石物理反演结果；

图3是a井伊利石/蒙脱石、页岩固体基质、粘土混合物、页岩整体各向异性参数反演结果；

图4是bp神经网络测试图；

图5是盐间页岩油储层孔隙度参数预测结果图；

图6是页岩固体基质纵波各向异性参数ε预测结果图；

图7是页岩固体基质横波各向异性参数γ预测结果图；

图8是盐间页岩油储层岩石物理正反演与地震预测技术路线图。

具体实施方式

本发明盐间页岩油储层岩石物理机制与地震预测方法，首先，明确页岩油储层的岩石物理机制，建立各向异性岩石物理模型，开发岩石物理反演方法，预测页岩油储层井中纹层结构、水平缝等物性以及各向异性参数，在此基础上通过神经网络方法对地震反演结果进行定量解释，预测储层的物性及各向异性的空间分布。

本发明实现上述目的的具体实施方案如下：

a、在地质、岩心和地球物理测井分析的基础上，应用等效介质理论构建盐间页岩油储层各向异性岩石物理模型，建立页岩中微观组构的性质与粘土混合物、固体基质、页岩整体弹性各向异性的岩石物理关系。其中，岩石物理的关键技术包括hashin-shtrikman界限理论、各向异性backus理论、各向异性等效场理论、chapman裂缝介质理论。

建模流程如下：首先，应用岩石物理hs(hashin-shtrikman)界限理论计算石英、白云石及钙芒硝等非粘土类矿物的体积模量和剪切模量，并应用改进的各向异性backus理论计算粘土混合物与非粘土类矿物组成固体基质的vti各向异性，公式如下：

式中：k1和k2分别为各组成成分的体积模量；μ1和μ2分别为各组成成分的剪切模量；f1和f2分别为各组成成分的体积含量(体积分数)。

式中：cij为backus平均前的等效介质的弹性刚度系数；cij^e为经过backus平均后的等效介质的弹性刚度系数；式中，vp、vs和ρ分别表示水平互层模型中每层的纵波速度、横波速度和密度；在应用backus平均理论进行尺度粗化时，式中<>该尖括号表示计算测井资料中深度窗内范围内多个薄层的弹性参数的加权平均，系数为层厚。在应用backus平均理论进行岩石物理建模时，式中<>该尖括号表示对其中指定窗口长度的参数进行加权平均，系数为体积比。

之后，应用各向异性等效场理论，将有机质干酪根填充到vti固体基质中：

为基质的弹性刚度张量，为基质弹性刚度张量与包含物弹性刚度张量之间的差，p为包含物的体积分数，pijkl为表示ti基质的张量。具体地，等效弹性刚度张量可通过sevostianov等(2005)提出的张量原理表示为：

最后，利用chapman裂缝介质理论，计算固体基质背景中发育水平裂缝引起的附加vti各向异性。基于裂缝性岩石的喷射流动机制，chapman(2003)提出多尺度裂缝模型，该模型假设岩石的孔隙系统包括扁球状微裂隙、球形孔隙以及定向排列的椭球状裂缝，其中微裂隙和孔隙有共同的半径a并且远小于裂缝的半径af，微裂隙和裂缝有共同的纵横比r，则孔隙、微裂隙和裂缝的体积分别为：

由于裂缝的尺寸远大于孔隙和微裂隙，因此假设一个裂缝与多个微裂隙和孔隙相连接，并且孔隙之间及微裂隙之间均是连通的，但裂缝之间并相通。基于上述假设，chapman给出该模型的有效刚度张量表达式：

c＝c⁰-φpc¹-εcc²-εfc³

其中，c⁰表示基质各向同性弹性张量，c¹、c²、c³分别表示孔隙、微裂隙和裂缝的扰动项,其中c¹和c²是拉梅常数和流体的函数，c³是拉梅常数、流体、频率以及与喷射流动相关的弛豫时间的函数。且均为拉梅常数、流体、φp、εc、εf分别为孔隙度、微裂隙密度以及裂缝密度的函数。

b、基于步骤a中的模型开发井中岩石物理反演方法，将粘土混合物垂直方向的纵、横波速度vp_clay和vs_clay，以及水平缝纵横比αh作为待反演参数，通过寻找岩石物理模型计算的速度与井中实测速度的最佳拟合来预测这些待定参数。

反演过程中将对页岩弹性参数影响最明显的参数粘土混合物纵横波速度以及水平裂缝纵横比作为拟合参数，利用声波测井的纵横波速度作为约束条件。可以看到该反演过程中涉及到三个拟合参数，但是约束条件只有纵横波速度两个，如果直接用粒子群算法进行搜索最优解，可能会造成反演结果的多解性。因此在本次反演中引入贝叶斯理论框架利用声波测井的纵横波速度进行约束，并引入模拟退火粒子群算法进行最优解搜索。

贝叶斯理论后验概率分布为：

p(b/a)∝p(a/b)p(b)

其中，事件a为测井纵横波速度，事件b为待反演参数，p(b)为事件b发生的先验概率，p(a|b)为似然函数，p(b|a)为后验概率。假设粘土混合物纵横波速度以及水平裂缝纵横比均满足高斯分布，则反演参数的三元高斯分布如下：

其中，x代表粘土混合物总横波速度以及水平裂缝纵横比组成的向量，μ1代表上述三个变量的期望值，由于待反演参数多达3个，需要计算各个维度之间的协方差，因此给出一个3×3的协方差矩阵∑1：

其中，对角元素分别表示纵横波速度以及水平裂缝纵横比的方差，粘土混合物的总横波速度有一定的正相关，选取两者的协方差为0.15，没有研究表明粘土纵横波速度与水平裂缝纵横比有必然的相关性，因此选取纵横波速度与水平裂缝纵横比的协方差均为0。

在反演目标函数建立的过程中，假设似然函数同样满足高斯分布：

其中，y和μ2分别表示岩石物理模型的纵横波速度和声波测井的纵横波速度，∑2表示描述岩石物理模型与声波测井值之间误差的容忍度。则后验概率分布为：

后验概率密度最大时对应待反演参数的最优解，则目标函数为：

当目标函数值最小时获得最优解。式中jⁱ表示第i个测井点目标函数，yⁱ、xⁱ及分别为第i个测井点的声波测井纵横波速度、岩石物理模型纵横波速度、粘土混合物纵横波速度和水平裂缝纵横比以及粘土混合物纵横波速度和水平裂缝纵横比的期望的向量。

c、以步骤b中得到的粘土混合物纵、横波速度vp_clay和vs_clay作为目标函数的拟合参数，预测粘土混合物中的伊利石比例f-illite以及粒间软物质含量f-soft等参数。

假设页岩储层中粘土混合物中仅有伊利石和蒙脱石，改变步骤b中岩石物理反演流程中的输入(伊利石、蒙脱石、粒间软物质的矿物弹性参数)以及未知元素(待求参数伊利石比例f-illite以及粒间软物质含量f-soft)，通过求取计算得到的粘土混合物垂直方向纵横波速度与步骤2中得到的粘土混合物纵、横波速度vp_clay和vs_clay的最佳拟合，得到粘土混合物中的伊利石比例f-illite以及粒间软物质含量f-soft等参数。最后并通过基于岩石物理模型的横波速度预测结果来验证假设的合理性。

d、以步骤b、c中得到的页岩微观结构和物性参数的预测结果，基于岩石物理模型计算从微观到宏观各尺度上，页岩各结构的弹性各向异性参数。在步骤c粘土混合物中伊利石和粘土矿物粒间物软物质的体积分数已经得到，利用步骤a中的chapman裂缝介质理论，计算固体基质背景中发育水平裂缝引起的附加vti各向异性。

e、应用bp神经网络技术，建立目标层vp、vs、ρ与页岩微观物性、各向异性参数的非线性映射关系。

bp神经网络技术，bp(backpropagation)神经网络是一种具有多层前馈网络的反向传播算法，简称bp神经网络算法(rumelhart和mccleland,1986)，该算法在模拟非线性函数方面具有广泛的应用，因此，基于岩石物理及bp神经网络算法的盐间页岩油储层物性参数预测方法可以应用到实际数据中进行储层物性参数预测及分析。

bp神经网络具有一个输入层、一个隐含层(深度学习算法中具有多个隐含层)和一个输出层，层与层之间连接，同层之间无连接。bp神经网络的误差反向传播算法属于有导师学习的学习规则(训练算法)，其基本思想是提供一系列输入、输出对作为训练样本，将输出的预测值与相对应的期望值进行比较，将该误差归结为权值和阈值的偏差，从输出层反向传播该误差并调整权值和阈值，使输出与期望输出之间的误差逐步减小直到满足精度要求。

输入层、隐含层和输出层神经元/数据可以进行以下表示。输入层和输出层数据对作为样本对(x,y)，其中，x＝(x1,x2,…,xi,…,xd)’，表示输入层含有d个神经元；y＝(y1,y2,…,yj,…,yl)’，表示输出层含有l个神经元，其中输出层神经元的阈值可表示为θ＝(θ1,θ2,…,θj,…,θl)’；隐含层含有q个神经元，可表示为b＝(b1,b2,…,bh,…,bq)，其中隐含层神经元的阈值可表示为γ＝(γ1,γ2,…,γh,…,γq)’；矩阵v表示输入层与隐含层之间的权值，矩阵w表示隐含层与输出层之间的权值：

bp神经网络中隐含层和输出层神经元的输入可以由权值和上一层神经元求得，第h个隐含层神经元的输入αh，第j个输出层神经元的输入βj可由公式计算得到：

其中，xi为输入层第i个神经元，bh为隐含层第h个神经元，vih为第i个输入层神经元的权值，whj为第j个隐含层神经元的权值。

bp神经网络的输出与期望输出之间的误差可以写作：

其中，yj是输出层第j个神经元，zj是输出层第j个神经元的输出，可写作：

zj＝f(βj-θj)＝f(netj)

式中，netj＝(βj-θj)；j＝1,2,…,l；函数f(net)为输出层的传递函数。

隐含层第h个神经元的输出可写作：

bh＝g(αh-γh)＝g(neth)

式中，neth＝(αh-γh)；h＝1,2,…,q；函数g(net)为输出层的传递函数。

在神经网络学习的过程中，如果神经网络的输出与期望输出之间的误差未达到精度要求，则需要对网络的权值和阈值进行调整。调整网络权值的公式为：

式中，vih为第i个输入层神经元的权值，whj为第j个隐含层神经元的权值，η1和η2分别为隐含层和输出层的学习步长，εj和δh可通过误差e对对权值的偏导数求得。误差e对权值whj和vih的偏导数分别可写作公式(5.9)和公式(5.10)的形式：

其中，

εj＝(yj-zj)f'(netj)

调整bp神经网络阈值的公式为：

其中，γh为第h个隐含层神经元的阈值，θj为第j个输出层神经元的阈值，误差e对阈值θj和γh的偏导数分别可写作公式(5.14)和公式(5.15)的形式：

bp神经网络技术中以目标层段及部分上覆岩层和下伏岩层段数据作为训练数据，以地震波阻抗反演得到的vp、vs和ρ数据作为输入层数据，以粘土混合物纵横波速vp-clay，vs-clay，页岩基质裂缝纵横比αh，粘土混合物中伊利石比例f-illite，页岩固体基质纵波各向异性参数ε和横波各向异性参数γ作为输出层数据，建立训练得到的神经网络。

f、利用步骤e建立的神经网络，建立目标层vp、vs、ρ与页岩微观物性、各向异性参数的非线性映射关系，应用于地震弹性反演结果的定量解释，由地震反演数据预测盐间页岩油目标储层的各微观组构的物性参数、各向异性及水平缝密度等的空间分布。

步骤a-步骤c，盐间页岩油储层岩石物理模型对复杂岩相背景下页岩的纹层与水平缝等关键物性特征进行量化表征，建立页岩物性与弹性的定量关系。以此为基础的岩石物理反演技术利用常规测井数据计算页岩中各组构的物性参数、反映纹层结构的各向异性参数、以及水平缝等参数，为盐间页岩油储层的评价提供多元信息。

步骤d，基于神经网络算法利用井中岩石物理反演结果，建立物性参数与地震属性的非线性定量关系，并以此为基础对地震弹性反演结果进行定量解释，得到页岩油储层关键物性参数的空间分布，可以为有利储层的识别与预测提供依据。

本发明的适用范围如下：针对盐间页岩油储层地震预测问题，在地质、岩心及地球物理测井分析与地震弹性反演的基础上进行的定性或半定量的解释。

实施例1

图1是选取的工区内a井裂缝及粘土混合物参数的岩石物理反演结果。图1a和图1b中实际纵、横波速度测井数据(黑色曲线)与反演过程得到的拟合值(红色曲线)拟合较好，表明岩石物理模型与反演方法对该研究区页岩具有适用性。

图1c为页岩中水平缝纵横比αh，其数值趋近0表明裂缝越狭长，趋近1表明裂缝越接近于球形，该参数可用于表征水平裂缝的几何形态。如图1c所示，各页岩层段水平缝纵横比数值呈现较大的变化范围。研究表明，该参数可反映储层裂缝系统的连通性，因此可为裂缝网络的发育情况及储层渗透率评估提供参考(guoetal.,2016)。

图1d为预测得到的页岩层段粘土混合物的纵波速度(黑色)及横波速度(灰色)，可以观察到，粘土混合物的横波速度较低，使得如图1e所示的粘土混合物纵、横波速度比的数值一般高于2，远大于页岩中固体矿物颗粒的纵、横波速度比的数值范围。对上述现象可能的解释，是粘土混合物中，在伊利石、蒙脱石等固体颗粒之间存在体积模量接近于水、剪切模量很小但不为零的粒间软物质(sayersanddoer,2018)。

图2是a井粘土混合物微观物性特征的岩石物理反演结果。图2b和图2c中，岩石物理反演过程计算的粘土混合物的速度(红色曲线)与图1d得到的预测值(黑色曲线)具有较高的拟合程度，说明了粘土混合物岩石物理模型的适用性。预测得到的伊利石比例f-illite如图2d所示，粒间软物质比例f-soft如图2e所示。与前述反演方法相似，反演过程应用粒子群粒子滤波方法实现目标函数多参数寻优过程。

图3a和图3b为伊利石/蒙脱石矿物颗粒纵、横波各向异性参数(黑色曲线)，以及向其中加入粒间软物质组成粘土混合物的纵、横波各向异性参数(红色曲线)。可以观察到该测井层段的各页岩韵律中，粘土混合物的各向异性一般高于伊利石/蒙脱石固体颗粒。根据backus理论，由于粒间软物质具有体积模量接近于水、剪切模量不为零的弹性性质，使得其与固体颗粒的弹性性质存在显著差异，进而使得粘土混合物表现出更高的弹性各向异性。

图3c和图3d所示为页岩固体基质(黑色曲线)及页岩整体(红色曲线)的纵、横波各向异性曲线。可以观察到，图中各层段页岩整体的纵波各向异性参数(红色曲线)高于固体基质(黑色曲线)，这是由于固体基质背景下发育的水平裂缝能够增强页岩的vti各向异性。然而，页岩整体和固体基质的横波各向异性很接近，说明横波各向异性受水平裂缝的影响较小。原因在于流体填充的水平缝其剪切模量为零、体积模量不为零，因此能够影响纵波的传播规律而对横波的影响较小。

图4是bp神经网络测试结果图。基于图1、图2、图3所示的井中岩石物理反演结果，以a井中目标层潜34段及部分上覆岩层和下伏岩层段数据作为训练数据。在如图4所示的bp神经网络算法中，训练过程以地震波阻抗反演得到的vp、vs和ρ数据作为输入层数据，以粘土混合物纵横波速vp-clay，vs-clay，页岩基质裂缝纵横比αh，粘土混合物中伊利石比例f-illite，页岩固体基质纵波各向异性参数ε和横波各向异性参数γ作为输出层数据。

针对a井的训练结果如图4所示，其中黑色曲线为井中岩石物理反演的实际数据，红色曲线为训练数据的预测结果，应用bp神经网络计算得到的预测曲线与实际数据具有较好的一致性

图5是应用bp神经网络技术建立目标层vp、vs、ρ与页岩微观物性、各向异性参数的非线性映射关系，得到的盐间页岩油储层孔隙度参数预测结果图。

图6是应用bp神经网络技术建立目标层vp、vs、ρ与页岩微观物性、各向异性参数的非线性映射关系，得到的页岩固体基质纵波各向异性参数ε预测结果图。

图7是应用bp神经网络技术建立目标层vp、vs、ρ与页岩微观物性、各向异性参数的非线性映射关系，得到的页岩固体基质横波各向异性参数γ预测结果图，基质各向异性参数的分布，可用于储层纹层结构的评估。

本发明在现有技术的基础上，岩石物理模型中考虑了粘土混合物中伊利石和蒙脱石比例，粘土粒间软物质性质，解释了页岩纵横波速度比vp/vs存在高异常值问题。将该技术应用于盐间页岩油储层实际数据，预测得到了页岩中与粘土和裂缝有关的微观组构的物性特征，以及粘土混合物、固体基质、页岩整体的弹性各向异性；用于地震弹性反演结果的定量解释，预测得到了储层层理、裂缝等物性及各向异性参数的空间展布。这些页岩油储层关键物性参数的空间分布，可以用于有利储层的识别与预测。