© 2024 Petroportal.ru
Задачу сейсмической интерпретации можно сформулировать так – построение согласованной сейсмогеологической модели объекта исследования. В отечественной литературе принято различать интерпретацию сейсмических данных на два этапа: обратную кинематическую задачу (интерпретация положения сейсмических границ по времени прихода полезных волн) и обратную динамическую задачу (определение упругих свойств среды по амплитудам полезных волн). В зависимости от поставленных задач и качества сейсмических данных процесс интерпретации на современном программном обеспечении может содержать несколько стадий:
Структурная интерпретация – корреляция разломов и горизонтов для построения структурных карт и 3Д структурного каркаса месторождения. Осуществляется на первом этапе, даже если данные не самого лучшего качества. Основной целью этого этапа является определение глубин и геометрии отражающего горизонта.
Интерпретация на качественном уровне – выделение аномальных зон по различным сейсмическим атрибутам (амплитуда, частотам, фазам, их производным и скоростным данным). Данная технология основана на том предположении, что вследствие ряда физических предпосылок залежи углеводородов могут проявляться на сейсмической записи в виде некоторых эффектов изменения формы отражённых волн и их интенсивности (локальное изменение амплитуд и частот, обращение фаз, появление горизонтальных отражающих поверхностей, уменьшение интервальных скоростей). Данная интерпретация проводится на поисковом этапе, при этом, значение придаётся изучению относительного изменения динамических характеристик волнового поля для выявления и оконтуривания перспективных областей.
Атрибутный анализ – прогнозирование геологического разреза на основе рассчитанных сейсмических атрибутов. В своё время огромной популярностью у интерпретаторов пользовались методики, основанные на регрессионном анализе атрибутов и коллекторских свойств по скважинам. Рассчитывается набор сейсмических атрибутов, затем строятся графики зависимости каждого сейсмического атрибута от петрофизического параметра, например пористости, выбирается атрибут, который обеспечивает наилучшую корреляционную зависимость с этим свойством, определяется уравнение регрессии и с помощью найденной зависимости рассчитывается пористость для всего разреза или объёма.
При этом возникает пара вопросов, с которыми должен определиться интерпретатор – количество скважин, необходимое для анализа, и значение коэффициента корреляции, которое будем считать существенным. При атрибутном анализе чаще всего анализируются осреднённые пластовые параметры, то есть фактически каждая скважина представлена всего одним значением, поэтому следует помнить о размере выборки, то есть количестве скважин для анализа. Если опираться на теорию математической статистики, то мы можем применять корреляционно-регрессионный анализ при количестве скважин 25 и более. При меньшем количестве скважин выборка становится нерепрезентативной и прогноз ФЕС по сейсмическим атрибутам становится недостоверным.
Тем не менее, некоторые интерпретаторы при очень малом количестве скважин применяют так называемую методику Blind Test. Методика заключается в том, что анализ осуществляется несколько раз, при этом каждый раз из выборки убирается одна из скважин, которая используется для контроля изменчивости результата анализа. Ещё один из вариантов, как можно обойти ограничения по количеству скважин, это использование малого количества скважин (обычно на разведочном этапе) для атрибутного анализа при наличии представительной статистики по аналогичным месторождениям. Второй вопрос, какой коэффициент корреляции считать приемлемым, чтобы полученную зависимость применять для прогноза свойства резервуара. Здесь также нет однозначного ответа, зависимость может быть как положительной, так и отрицательной. На практике коэффициент корреляции со значениями в диапазоне (0,7-0,9) считается хорошим.
Нахождение зависимости между атрибутом и скважинным параметром (13 скважин)
Определённую трудность представляет индивидуальный характер связи между конкретным атрибутом и коллекторским свойством на разных месторождениях. На практике атрибуты, которые дали хороший результат на одном месторождении, могут не дать результата на соседнем месторождении. Поэтому выбор атрибутов для анализа осуществляется методом перебора большого количества атрибутов.
Ещё один фактор, осложняющий использование атрибутного анализа, это скважины, которые нарушают общую закономерность. Если использовать эти скважины, уменьшается коэффициент корреляции и может измениться форма зависимости. Если попросту убрать эти скважины из анализа, то мы можем потерять полезную информацию о реальном изменении свойств среды. Поэтому подготовка данных для анализа также требует внимания со стороны интерпретатора, любые операции с данными, в том числе их отбраковка, требуют обоснования.
Относительно новые технологии искусственных нейронных сетей позволяют анализировать сложные зависимости экспериментальных данных. Отличием от регрессионного анализа является то, что нейронные сети не вычисляют корреляционные зависимости, а выявляют и обобщают сложные нелинейные зависимости на обучающих данных (сейсмические атрибуты и коллекторские свойства на скважинах) и рассчитывают значения, которые отсутствовали в обучающей выборке (коллекторские свойства в межскважинном пространстве).
Хорошие результаты нейронные сети дают при относительно однородном строении исследуемого интервала. Здесь также есть определённые требования к подготовке данных для анализа, во-первых, это качественная увязка сейсмической и скважинной информации, во-вторых, выбор данных для оценки качества результата, в-третьих, подбор набора атрибутов для анализа. На сегодняшний день количество сейсмических атрибутов исчисляется многими десятками, при этом, многие из них являются производными друг от друга, они имеют высокий коэффициент корреляции между собой, но не несут принципиально новую информацию о среде (например, несколько вариантов расчёта частотной характеристики волнового поля). Желательно использовать сейсмические атрибуты, имеющие разную смысловую нагрузку (амплитуды, частоты, фазы, скорости).
Фациально-стратиграфическая интерпретация – воссоздание тектонической истории и условий образования осадочных пород с целью изучения их фациально-литологического состава и поисковых перспектив по волновой картине. Объектами изучения здесь являются геометрия отражающих границ, их прослеживаемость и форма сейсмической записи исследуемого интервала. По геометрии отражающих границ мы реконструируем тектоническую историю развития региона, по скважинной привязке идентифицируем возраст основных границ, по характеру прослеживаемости осей синфазности устанавливаем тип несогласия, форма сейсмической записи отображает условия образования отложений и фациальный состав.
Одним из популярных методов стратиграфической интерпретации является палеореконструкция сейсмического разреза. Если предположить, что осадконакопление происходило на горизонтальной поверхности морского дна, то все отклонения отражающего горизонта от горизонтали вызваны последующими тектоническими воздействиями. Выравнивая отражающий горизонт, мы как бы восстанавливаем волновое поле на момент осадконакопления по этому горизонту. При этом мы исключаем влияние тектоники на данный исторический момент. Последовательное выравнивание от вышележащих горизонтов к нижележащим воссоздаёт тектоническую историю развития района исследования.
Выделение фаций по форме сейсмической записи проводят либо на основе визуального анализа данных либо с помощью различных технологий, одна из которых – классификация по форме сейсмической записи. Мы исходим из того, что различные комплексы пород, различающиеся условиями образования и фациальным составом, характеризуются разной конфигурацией и амплитудой записи. Если будет установлена связь между этими комплексами и интерпретацией скважинных данных, то это позволит найти соответствие между сейсмическими комплексами и типом породы.
Сейсмическая инверсия – восстановление упругих свойств горных пород по сейсмическим данным. Многочисленные инверсионные алгоритмы позволяют определить по сейсмическим данным физические свойства породы. Данная процедура требует хорошего качества данных, специального подхода к обработке сейсмической информации, так называемая обработка с восстановлением истинных амплитуд, и имеет смысл при наличии скважинной информации. При этом требуется качественная привязка сейсмических отражений и геологических границ.
Сейсмогеологическое моделирование – моделирование параметров ФЕС с непосредственным участием сейсмической информации, а также характеристик, рассчитанных по сейсмическим данным (импеданс, плотность, соотношение продольных и поперечных скоростей) для прогнозирования геологических характеристик изучаемого разреза. Этот раздел находится на стыке сейсмической интерпретации и петрофизического моделирования. При наличии связи между сейсмическими характеристиками и скважинными данными, рассчитанные сейсмические характеристики можно использовать непосредственно при петрофизическом моделировании для получения более геологичного результата и уменьшении неоднозначности решения данной задачи.
Станьте первым!