鄂尔多斯盆地作为中国第二大沉积盆地,天然气资源丰富。盆地晚古生代海陆过渡环境形成的煤系地层,成藏条件极佳,其中本溪组8#煤为主力煤层,煤岩含气量高,资源量约13×10
12m
3,是盆地天然气现实接替领域。随着勘探开发程度的不断加深,煤岩气勘探开发在储层断裂预测方面面临诸多难题。一方面,断裂作为气藏运移通道,可改善储层渗透性,提升气井产量;另一方面,微断裂的发育显著加剧了储层非均质性,导致气水分布复杂化,部分微断裂甚至会造成水平井垮塌,工程风险大,因此识别断层是煤岩气勘探开发工作中不可缺少的重要环节
[1-2]。为满足深层煤岩气水平井“一趟钻”快优钻进需求,如何准确识别煤系地层附近微尺度断裂给常规地震断裂预测带来挑战
[3],目前常规的地震断裂预测主要是通过方差、相干、曲率、蚂蚁体等几何类属性的提取及多属性融合分析技术来实现断层的识别与刻画
[4-8]。这种常规地震断裂预测方法对大尺度断裂刻画效果较好,但对煤系地层附近隐蔽型断裂的刻画存在分辨率低、识别不精确的问题
[9-11]。因此,探索并建立一套高效的针对煤岩气隐蔽型断裂预测流程,对煤岩气的高效开发具有重要意义。
近年来,随着科技飞速发展,人工智能(artificial intelligence,AI)取得了显著的突破,AI技术已广泛渗透到各个领域,应用场景日益丰富。紧随时代发展,面对海量的地震数据及越来越快的勘探节奏,地震断裂预测方面也被引入了人工智能(AI),不仅使断裂预测方法多样化,还提高了数据处理的效率及断裂解释的准确性。目前,人工智能断裂预测主要使用卷积神经网络(convolutional neural network,CNN)算法,该算法计算集中在局部感受野,需要堆叠多层卷积层才能捕获长距离依赖,效率比较低,深层可能丢失细节或梯度消失
[12-15]。为改善这种状况,提高断裂预测准确性,现采用Transformer算法进行断裂预测。该算法可计算所有元素之间的关联权重,动态聚焦于最重要部分,捕获全局依赖,从而提高断层预测的准确性。面对复杂的地下环境(微断裂),需再结合其他地震属性(曲率、蚂蚁体等),建立符合研究区特征的标签及模型,最终实现煤系地层附近断裂系统的精细刻画。该系列方法适用于鄂尔多斯盆地中东部煤系地层附近断裂预测,目前在煤岩气水平井的勘探开发中已取得较好的应用效果,并为后续煤岩气增储建产奠定坚实的基础。
1 煤岩储层断裂特征概况
鄂尔多斯盆地石炭—二叠系发育多套煤系地层,主要煤层包括本溪组8#煤层、太原组6#煤层、山西组5#煤层和3#煤层。其中主力8#煤层主要分布在盆地的中东部区域,聚煤中心位于鄂尔多斯与榆林之间,形成一个面积较大的富煤单元,厚度6~16 m,物性好,含气量高,吸附气与游离气共存,具有较好的勘探潜力。8#煤层顶部整体地层产状为由东向西倾的宽缓大斜坡,东西两侧构造更为发育,中部地区构造平缓,整体呈现出“构造缓而不平、小微断裂发育、层段波不断” 特点(
图1)。受区域构造运动和沉积改造作用的影响,8#煤层附近主要发育加里东-海西期断裂。区域构造应力研究表明,加里东晚期-海西早期鄂尔多斯盆地主要受到南北向的挤压,在盆地北部蒙古板块和盆地南部秦岭板块的碰撞挤压作用下,盆地中部发生NE和NW向走滑剪切运动,进而发育大量的剪切走滑断裂,断裂延伸较短,垂向断距较小,同时,断裂受到古地貌影响和沉积压实作用改造,多分布在沟槽部位,方向杂乱,难以预测。
低速的厚煤层及其上覆的高速地层,两者之间形成了清楚的速度界面。故在地震剖面上,8#煤层往往呈现出强波峰反射特征,其波阻特征明显,反射能量强,连续性好。但当断层或裂缝发育时则会出现地震同相轴扭曲、形变、波组杂乱等地震反射现象,断层隐蔽性强,不易识别。故以断距小、隐蔽性强的8#煤层附近微小断裂为例,对其进行人工智能预测,以提高该类型断裂预测的精度及时效,为煤岩气的高效开发奠定基础。
2 基本原理及思路
2.1 实现思路
首先通过地层斜率及平面度估算、似然属性计算、断层约束的构造导向平滑滤波对叠前深度偏移地震成果数据进行处理,提高分辨率,突出断裂特征;在此基础上同步开展常规属性提取(如相干属性、构造曲率属性),并结合已有的3D模型进行AI断裂预测。若预测结果满足研究需求,则直接进行平剖联合解释;若不满足,则以此预测结果为引导,构建基于本地化断裂特征的标签库,训练AI断裂预测模型,开展基于本地化标签的AI断裂预测。最终,综合多种属性预测结果,通过平剖结合的综合解释,实现煤系地层附近隐蔽型断裂的精细刻画(
图2)。
2.2 地震模型正演
模型正演技术作为波长分析的有力工具,在识别干扰波、论证构造解释合理性方面发挥着极为重要的作用。开展正演工作时,需精准复刻地震资料采集处理的各个环节,如采集观测系统设计、静动校正及偏移等,尽可能使模拟过程与实际采集处理流程高度契合。完成模拟后,将正演模拟所得的结果剖面与实际剖面进行仔细对比,以此识别有效波场,并对构造解释的合理性加以论证。借助正演模型,能够精确呈现复杂的地下地质构造,包括逆断层、侵入体,以及地层截断、尖灭等特殊地质现象。
为识别煤系地层附近的隐蔽型断裂,建立不同断距断层的地质模型,利用不同主频频率的理论子波进行模型正演,获得相应的地震反射记录(
图3),以研究不同断距的断层在地震剖面中的反射特征。由于地下介质的各向异性,在构建初始模型时,在纵向和横向均采用速度的梯度变化,以此让模型与地下实际状况更加符合。此次设计的断层模型,断距为5~25 m,子波对比频率分别为35、45、60 Hz的Rick子波,模型正演结果表明:在35 Hz主频地震剖面中,断距15 m左右的断层表现为同相轴扭曲;断距10 m以下断层地震响应不明显。
本溪组顶部8#煤层的波峰反射同相轴存在大量的扭曲、形变特征,根据模型正演结果表明本溪组顶部8#煤层中存在大量断距小于15 m的断层。该类断层地震响应特征不明显,在剖面上通常具有“层段波不断”的特征,为此要识别该类断层,首先需提高断层的识别精度,降低断层的多解性。
2.3 断层约束的构造导向平滑滤波
当地震数据信噪比比较低时,原始地震数据断裂预测结果通常会出现许多“假”断层,对后期的断层解释带来困扰。为此,在提取几何类属性前,需先对地震资料进行简单处理,以提高地震资料信噪比,进而为后续断裂识别及刻画奠定基础。目前,地震资料预处理大多通过构造导向滤波完成。构造导向滤波作为一种有效的地震数据预处理工具,能够提升地震数据的信噪比,强化地震数据同相轴的连续及间断特征,它规避了因滤波而导致的地震图像边缘模糊问题,能够清晰地展现地层的几何形态与展布特征,同时还能较好地保留原始地震数据的有效频率成分以及地震纵向分辨率。然而当地震数据出现“层段波不断”等构造复杂问题时,其数据处理效果不能满足断裂预测需求。
断层约束的构造导向平滑滤波是一种基于断层似然性约束的构造导向平滑滤波,其是在地层构造信息(包括断层和地层信息)的约束下对地震资料进行自适应平滑。该算法主要沿地层倾角和走向平滑,遇到断层构造平滑终止。滤波后的地震数据可准确地突出主干断裂信息,增加断裂在垂向和横向的延展程度,提升断裂预测效果,可作为几何类属性预测的输入,断层预测效果更好
[16]。
该项技术的关键步骤主要如下。
(1)地层斜率及平面度估算,主要用于估计局部反射面的不连续性,可以用于了解工区范围内主要断裂的发育情况。
(2)似然属性计算,是一种基于样点处理的断裂成像算法,较基于波形相似性计算的传统地震裂缝预测属性精度明显提升,不易漏失小尺度断裂。
(3)断层约束的构造导向平滑滤波是在倾角和方位角控制下,通过处理得到符合实际需求的似然属性,进而更加准确地识别断裂信息。
与利用构造导向滤波处理的地震数据预测结果相比,该技术预测结果纵向上连通性增强,剖面上信噪比低导致预测的假断裂也明显减少。通过研究表明,该技术针对煤系地层附近的隐蔽型断裂,具有一定的应用效果,可提高断裂识别能力,降低断层的多解性。
2.4 人工智能(AI)断裂预测
深度学习算法是新一代人工智能(AI)断裂预测技术的核心。其利用多层卷积、池化、归一化、回馈以及全连接等操作,构建输入与输出之间复杂的非线性关系
[17]。目前,在地震资料解释过程中,基于深度学习网络自动识别断层已成为人工智能预测断层的主要方法。实际应用过程中,人工智能断裂预测方法主要分为两种,一种是基于已存在的3D模型直接预测,另一种是基于自定义标签的断层预测。
2.4.1 基于已存在的3D模型直接预测
基于已存在3D模型直接预测,是在提前完成了大数据三维模型训练,并获得了比较好的深度神经网络模型的基础上进行的三维数据体的断层预测,在应用过程中没有训练过程,计算效率较高。其基本原理是,构建一系列三维体模型,通过构建深度学习网络训练获得断裂预测模型。用户在输入三维叠后地震数据后,选择相应的模型即可直接预测形成对应的断层属性数据。目前,该模块的核心算法已从卷积神经网络(CNN)升级到Transformer,深度学习能力更强,人工智能断层预测效果进一步提升。
卷积神经网络(CNN)算法是通过多层结构的设计来自动学习不同层次的特征,提升模型分类能力及泛化能力,通过卷积核的局部感知和权值共享降低网络模型复杂化,进而将数据量庞大的数据体不断降维,提高训练效率
[18]。
图4为该方法用于地震断裂预测的CNN具体拓扑结构,首先输入16个特征映射,经过卷积操作后获取256个特征映射,然后将特征数据的加权和输入激活层的激活函数ReLU,用于去除地震数据中的冗余,尽可能保留数据特征,最终得到1个特征映射,即为网络的输出层。
Transformer算法所采用的神经网络模型如
图5、
图6所示,该网络大体上是一个三维U形的编码器——解码器结构,这种结构在节省计算量的同时,能够学习到不同尺度的非线性特征。编码器和解码器是由高效成对注意力机制块(efficient paired-attention block,EPA)组成,它们之间通过跳跃连接来融合浅层和深层特征。高效成对注意力机制使用一对空间注意力和通道注意力来有效地学习空间和通道方面的判别特征。通过共享查询和密钥映射函数的权重,提供互补优势,并且减少网络参数,提高计算效率。该三维EPA块能够很好地捕捉空间和通道上的全局特征,能够提高网络的泛化能力,进而提升断层预测的精度和准确性。但这种算法只停留在单一尺度上断裂预测,未实现对地震数据所具有的多尺度信息进行充分预测。故在利用Transformer算法预测断裂之前,对其增加一步多级小波变换,来实现不同尺度断裂特征提取,进而提高断层预测精度。
多级小波转换主要分为两部分,分别为哈尔小波特征分解和多尺度特征提取网络。哈尔小波变换是一种常用的基于分解和重构的图像处理方法,通过对图像经过一系列的滤波器分解,获取不同频率图像成分,再进行重构,进而实现特征的提取与压缩。利用哈尔小波变换可将地震数据分解为多个不同分辨率的数据,每个数据代表不同尺度的地质特征,不同数据之间的信息可以进行相互补充,进而减少噪声对预测结果的影响。多尺度特征提取网络则是对哈尔小波变换所提取的多级特征进行进一步的特征提取,并对提取的各特征进行交互融合,进而将得到的交互特征连接起来,用于后续断裂预测。
2.4.2 基于自定义标签的断层预测
基于已存在的3D模型直接预测断层方便快捷高效,但由于地质条件复杂、采集观测系统的差异等原因,往往相同的合成理论标签也会产生不同的预测结果,已存在的3D模型并不能完美地适应每个工区。为此,当基于已存在的3D模型预测的断裂结果不满足研究需求时,可采用基于专家经验的个性化标签拾取、模型训练及断层预测功能,很大程度上规避了理论 3D 模型无法有效适应实际工区断层发育模式、断层的交切关系、地震数据线道间距及纵向采样率等问题。
该预测方法主要步骤如下。
(1)地震剖面断层解释,根据剖面浏览及几何类属性分析,对工区内有代表性的测线(具有不同形态或交切的断层)进行断层解释。
(2)创建断层属性体。
(3)标签拾取,拾取的单个标签中断裂的特征尽量丰富,断裂在单框的不同位置均有分布。
(4)智能断层模型训练,随着迭代训练次数的增加损失函数和学习率逐渐下降,达到一定的收敛程度即可完成训练。
(5)智能断层预测,利用上步所得到的深度神经网络模型,对研究区断裂进行预测。
3 应用效果
3.1 研究区概况
研究区位于伊陕斜坡中部,地理位置属陕西省榆林市,区域断裂欠发育,构造平缓、煤岩广覆式发育(
图7)。在古生代,其地质环境经历了显著变化,从晚石炭世至早二叠世早期,区域为陆表海盆地,其中发育着泻湖、障壁、潮坪以及三角洲等多种沉积环境;到早二叠世晚期,地质环境发生转变,开始演变成内陆湖盆地,河流-三角洲体系逐渐发育起来,形成了良好的储集体系。故研究区的主要勘探目的层是深层源内气(本溪组8#煤、太原组灰岩)、上古致密气(盒8、山1)、下古风化壳、下古奥陶系盐下。
本文研究针对本溪组8#煤岩展开。研究区8#煤层厚度主要为4~14 m,整体呈东厚西薄、北厚南薄的分布趋势。宏观煤岩类型以光亮型[
图8(a)]和半亮型[
图8(b)]为主,煤体结构良好,多呈均一柱状、块状的原生结构煤。煤岩孔隙以有机孔为主(占比90%以上),其次为无机孔。有机孔包括原生植物组织孔[
图8(c)]、次生气泡孔[
图8(d)]及割理裂隙;无机孔主要为矿物晶间孔。宏观割理发育密度一般为3~33条/5 cm,平均7~10条/5 cm,割理多呈线状、网状分布,储渗条件良好[
图8(e)、
图8(f)]。
受区域构造影响,研究区构造活动较弱,断层断距较小,延伸距离较短,在地震剖面上多为微小错断或挠曲现象,断层隐蔽性强,断裂特征不清晰。为提高研究区目的层断裂预测精度及时效,开展了基于断层约束的构造导向平滑滤波的AI断裂预测。
3.2 断裂识别与刻画
3.2.1 基于断层约束的构造导向平滑滤波优化处理地震数据
由于地下构造错综复杂,采集的地震数据中混入了大量噪声干扰,致使其分辨率和信噪比普遍偏低,资料品质整体较差。为实现对断层的精准预测及解释,需对原始地震数据进行初步处理,提升其信噪比,以便更清晰地刻画地层的几何形态和展布特征。
图9(a)为原始地震剖面,
图9(b)为经过构造导向滤波后的地震剖面,
图9(c)为经过断层约束的构造导向平滑滤波剖面,经过对比发现,经过构造导向滤波处理的地震剖面,对断裂特征的刻画效果仍不理想;而采用断层约束的构造导向平滑滤波处理的地震剖面,地震数据的信噪比和分辨率显著提升,断点显示更为清晰、干脆,断层连续性也有所增强。总体而言,经过断层约束的构造导向平滑滤波剖面,改善了地震资料品质,断层更易识别,对后续各类属性的提取及智能断裂预测奠定了坚实基础。
3.2.2 相干及曲率属性提取
使用经过基于断层约束的构造导向平滑滤波优化处理后的地震数据,进行相干属性与曲率属性的提取。应用时,先合理地选取地震数据范围,去除异常数据的干扰,在此基础上再进行属性提取及断裂预测。地震相干属性是确定那些具有明显同相轴错段地震响应特征断层的关键手段,其主要是通过分析以目标点为中心的时窗内的相邻地震道波形的相似性来实现对断层的描述。研究区目的层附近相干属性平面提取结果显示石炭系本溪组8#煤岩顶界(T
P)反射层附近相干性较好(
图10),说明对应层段中地震同相轴没有明显错断、横向连续性较好,不发育较大型断层。地震曲率属性是依据数学几何领域里用于描述曲线上任意一点弯曲程度的原理,对地层所产生的弯曲形变程度进行刻画,借以识别断距小于15 m,地震同相轴形成扭曲、形变响应特征的断层。研究区目的层附近最负曲率属性平面提取结果表明研究区目的层附近发育大量小型断裂,普遍横向延伸较短,规律性差,受噪声等因素影响较大,断裂预测效果不理想(
图11)。
构造导向平滑滤波剖面,经过对比发现,经过构造导向滤波处理的地震剖面,对断裂特征的刻画效果仍不理想;而采用断层约束的构造导向平滑滤波处理的地震剖面,地震数据的信噪比和分辨率显著提升,断点显示更为清晰、干脆,断层连续性也有所增强。总体而言,经过断层约束的构造导向平滑滤波剖面,改善了地震资料品质,断层更易识别,对后续各类属性的提取及智能断裂预测奠定了坚实基础。
在对研究区断裂结果进行定性分析的同时,也需进行定量分析。主要采用F1分数及交并比来对不同属性断裂预测结果进行定量分析。F1分数主要是综合衡量“找得准不准”。在断裂预测中,断裂像素通常只占图像的很小一部分(比如5%),而背景像素占95%,如果采用一个总是预测“不是断裂”的问题模型,预测结果“准确率”也可达到95%,但显然该模型为无用的模型。F1分数则是精确率和召回率的调和平均数,它要求模型既不能有太多误报(精确率高),也不能漏掉太多真实的断裂(召回率高)。故在断裂预测中,可利用F1参数评估断裂预测结果是否存在过多虚假断裂及是否错失许多断裂线索。
交并比则是衡量“断裂形状的匹配度”,是图像分割任务中最常用的指标,可直接比较“预测的断裂区域”和“真实的断裂区域”之间的重叠程度。交并比越高,说明模型预测出的断裂在形状、位置上与真实断裂吻合得越好。在精细构造分析或钻井轨迹设计中,该参数是衡量断裂形状、位置和连续性的重要指标。
通过对相干及曲率属性的断裂预测结果进行
F1分数与交并比的定量分析,发现两种属性在该区目的层中的预测性能均不理想,
F1分数与交并比普遍偏低(
表1)。具体而言,相干属性预测结果较为“纯净”,可靠性较高,但漏检较多真实断裂;而曲率属性虽对断裂响应更敏感,却产生了大量错误预测区域,导致其预测轮廓与真实断裂重合度较低。综合分析表明,相干与曲率属性在该区目的层的断裂预测中适用性有限。
3.2.3 基于人工智能(AI)断裂预测
综合分析前面几何类属性提取结果可知,针对煤系地层附近隐蔽型断裂,常规的曲率、相干属性断裂预测效果并不理想,故采用人工智能(AI)断裂预测方法来进行研究区8#煤层附近断裂预测。
1)基于已存在的3D模型直接预测
首先,使用已存在的3D模型直接对研究区8#煤层附近断层进行预测。基于已存在的3D模型直接预测技术在参数选取时,最重要的两个参数分别是插值参考速度及计算尺寸。当计算尺寸不变时,插值参考速度增大,断裂预测的数量会增多,连续性变好,然而当速度过大,则会出现许多无效信息且断层数量也会减少。当插值参考速度固定时,计算尺度越小,小微断裂越多,断裂连续性差;计算尺度越大,小微断裂减少,断裂连续性增强。基于研究区目的层地质认识及常规属性预测结果,对基于已存在的3D模型直接预测断裂技术进行了大量插值参考速度及计算尺寸参数试验,最终选取出最优及最合适断裂预测结果。对其预测结果的平面(
图12)及剖面(
图14)分析可知,平面上断层分布较曲率、相干等预测结果有所提高,但仍存在规律性较差、普遍延伸较短的问题;剖面上,断层预测数量过多,部分断层预测线过于粗化。
将基于已有3D模型AI断裂预测结果与相干、曲率属性进行对比,发现基于已有3D模型AI断裂预测在
F1分数和交并比上均有显著提升(
表1)。然而,尽管优于传统属性方法,但其剖面与平面预测效果及定量指标仍未达到预期目标,预测误差依然较大。
总体而言,预测效果较传统曲率、相干属性断裂预测结果有所提高,但仍不理想。
2)基于自定义模型的三维人工智能断裂预测
通过调研分析可知,当标签库建立不完整时,会导致最终断裂预测结果缺失部分类型断层;当缺乏模型训练时,由于模型不够准确,会使剖面上断层预测出现数量过多或过少问题。而基于已存在的3D模型直接预测断裂结果不符合预期目标的主要原因是:其断裂标签及模型并不适用于研究区煤系地层附近隐蔽型断裂,为此要想提高断层预测精度,需建立适合研究区目的层系的标签及预测模型。故,将使用基于自定义模型的三维人工智能断裂预测方法来继续进行研究区8#煤层附近断裂预测。首先,根据相干、曲率及基于已存在的3D模型预测结果,解释目的层附近断层骨架剖面,获取本地化标签库,然后通过大量软件训练获得预测模型及预测断层属性,进而实现本地化解释,满足研究区目的层断裂刻画需求。最后,基于完整的本地化标签库及最优模型,选取最佳参数,对研究区8#煤层附近断裂进行人工智能预测。
图13~
图15分别为断裂预测结果平面及剖面展示,平面上与传统的相干、曲率属性预测结果相比,背景噪声小,断层规律性强,效果更明显;剖面上与曲率及基于已存在的3D模型预测结果相比,断面位置聚焦,断点位置清晰,且垂向具有一定连续性。
将基于自定义标签的AI预测结果与相干、曲率及基于已有3D模型的AI预测结果进行综合对比。结果表明,基于自定义标签的AI方法在
F1分数和交并比上均表现最佳(
表1),其剖面与平面预测结果与实际断裂分布基本吻合,定量指标也进一步验证了该方法在该区断裂识别中的有效性与优越性。
总体而言,利用基于自定义标签的AI方法可更准确、清晰、快速地实现煤系地层附近断裂预测,极大地减少人工解释工作量,满足研究需求,同时为后续断裂展布特征的研究提供强有力的参考。
3.3 断裂预测效果
在区域地质认识的基础上,通过相干、曲率及人工智能断裂预测结果,结合地震剖面精细解释,最终落实研究区目的层系断层展布规律。研究区目的层附近共发育22条断层(
图16),以近直立的正断层为主,呈近北西—南东向和南西—北东向展布,最大延伸长度7.4 km,是加里东期断层持续活动的产物。
利用断层预测结果,在研究区共支撑水平井8口,均未发生井漏失情况,可见利用该技术方法可准确地预测煤系地层附近隐蔽型断裂,为后续煤岩气水平井的部署与导向提供有力支撑,为煤岩气开发奠定坚实基础。
4 结论
(1)煤系地层附近普遍发育规模小、断距小、延伸短的隐蔽型断裂,在地震剖面主要表现为同相轴扭曲、形变,该类断层多解性强且难以识别,严重影响煤岩气开发。
(2)常规相干、曲率等属性断层预测结果抗噪能力差,对碎片化的预测结果不能进行筛选,对微小尺度断裂预测效果不明显,不能满足煤系地层附近隐蔽型断裂精准预测需求。基于已存在3D模型直接预测断裂,可高效快速地完成断裂预测,同时避免运用相干、曲率等属性预测断裂所呈现出杂乱、连续性、规律性差的问题。但由于地下条件的复杂以及不同工区具有不同的线道间距与纵向采样率等问题,基于已存在3D模型直接预测断裂并不能适应所有工区的研究需求。故当基于已存在3D模型直接预测断裂不能满足研究需求时,可利用基于自定义模型断层预测方法进行断裂预测,该方法可根据用户需求,实现对不同类型断裂的精准预测,但与基于已存在3D模型直接预测断裂相比,其耗时较长。
(3)在研究区地震地质认识的基础上,结合人工智能断裂预测结果,实现了8#煤系地层附近隐蔽型断裂的精细刻画,经过新完钻水平井验证,断裂预测符合率高,证明基于人工智能的隐蔽型断裂识别技术可以应用于煤系地层附近隐蔽型断裂预测,可靠性高,具有一定的应用推广价值。
中国石油东方地球物理勘探有限责任公司油气勘探新领域综合研究项目(2023YQX10111)
PDF
(27373KB)
