Содержание к диссертации
Введение
Глава 1. Теоретические основы метода спектральной декомпозиции, алгоритмы расчёта и методики использования 9
1.1 Место спектральной декомпозиции в рамках динамического анализа сейсмической записи 10
1.2 Теоретические основы метода спектральной декомпозиции 12
1.3 Методы спектрального разложения 17
1.3.1 Преобразование Фурье в коротком окне (STFT) 19
1.3.2 Непрерывное вейвлет преобразование (CWT) 21
1.3.3 Согласованное преследование, Orthogonal matching pursuit (OMP) 24
Выводы по главе 28
Глава 2. Методика и анализ результатов интерпретации стандартных методов спектральной декомпозиции 29
2.1 Количественный прогноз эффективных толщин 29
2.2 Качественная интерпретация 35
Выводы по главе 39
Глава 3. Разработка и обоснование эффективности использования новой методики спектральной декомпозиции 40
3.1 Описание методики 41
3.2 Выбор алгоритма кластеризации 47
3.3 Разработка метода сортировки спектральных кривых 55
3.4 Реализация методики кластеризации спектральных кривых на языке Python 60
Выводы по главе 64
Глава 4. Применение методики кластеризации спектральных кривых при детальном изучении русловых систем . 65
4.1 Теория и классификация речных систем 66
4.2 Практическое применение методики кластеризации спектральных кривых для детального изучения меандрирующих систем 73
4.3 Применение методики кластеризации спектральных кривых для изучения других обстановок осадконакопления. 80
Выводы по главе 90
5.1 Количественный прогноз на примере месторождения Волго-Уральской нефтегазоносной провинции 91
5.2 Количественный прогноз на примере месторождений Западно-Сибирской нефтегазоносной провинции 94
Выводы по главе 103
Заключение 107
Список использованной литературы 109
Приложения 119
Приложение А 119
- Теоретические основы метода спектральной декомпозиции
- Описание методики
- Практическое применение методики кластеризации спектральных кривых для детального изучения меандрирующих систем
- Количественный прогноз на примере месторождений Западно-Сибирской нефтегазоносной провинции
Теоретические основы метода спектральной декомпозиции
Концепция спектральной декомпозиции основывается на явлении, когда отражение от тонкого пласта, отображается характерно на амплитудно-частотном спектре. Однородный, акустически контрастный пласт будет отображаться последовательностью максимумов и минимумов на амплитудно-частотном спектре. Сейсмический импульс, однако, охватывает несколько акустически жестких поверхностей, а не просто один пласт. Такая многопластовая система образует сложную систему отражений, которая имеет уникальную картину в частотной области (Рисунок 1.1). На рисунках 1.2 и 1.3 показана разница между амплитудными спектрами, рассчитанными в коротком и длинном окне. Преобразование в большом окне характеризуется спектром близким к импульсу (Рисунок 1.2), в то время как преобразование в коротком включает в себя только модель локальной интерференционной системы отражений от кровли и подошвы одного пласта, тем самым показывая реальное распределение акустических свойств и мощности геологического слоя (Рисунок 1.3).
За исключением нескольких случаев, большое окно анализа включает в себя множество изменений геологической среды, которые статистически придают случайный характер интерференционным моделям от тонких слоев.
Результирующий спектр в широком окне является "плоским", повторяющим спектр сигнала. Свертка исходного импульса с коэффициентами отражения множества границ создает амплитудный спектр, который имеет сходство со спектром импульса[82,83]. Отклик в узком окне зависит от акустических свойств и мощности слоев, входящих в это окно. Чем короче окно, тем проще выявить особенности строения пласта. В таком коротком окне акустические характеристики горной породы влияют на отраженный импульс, трансформируя его в периодичную систему максимумов спектра в области Фурье. Результирующий амплитудно-частотный спектр показывает геологическую картину в пределах выбранного окна.
Фазовый спектр в коротком окне также полезен для картирования локальных характеристик породы. Так как фаза чувствительна к неявным изменениям сейсмоакустических свойств, это идеальный инструмент для определения латеральных нарушений. Если порода в пределах окна латерально стабильна, ее фаза так же будет стабильна. Если латеральные неоднородности проявляются, фаза становится нестабильной в крест нарушению. Когда литология пласта стабилизируется, то и фаза, как правило, тоже [82,83].
Спектральная декомпозиция позволяет интерпретатору выявить в сейсмическом волновом поле хорошо известные из теории эффекты зависимости пиковой частоты сейсмического сигнала от временной мощности тонкого пласта и контролировать таким образом поведение тонких пластов-коллекторов мощностью менее 1/4 длины сейсмической волны. Данное явление, в западной литературе, называется тюнинг эффект (tuning effect), а временная мощность пласта, на которой наблюдается данный эффект – тюнинг толщина (tuning thickness) [100]. Основная идея спектральной декомпозиции, а также свойства наложения отражений от тонких пластов может быть проиллюстрирована с помощью простой модели клина (Рисунок 1.4). Временное отражение состоит из двух пиков одинаковой, но противоположной амплитуды. Кровля клина отмечена отрицательным коэффициентом отражения, а подошва положительным. Мощность клина изменяется от 0 до 50 метров. При свертке геологической модели с импульсом (8-10-40-50 Гц) происходит эффект наложения, вызванный изменением в мощности. Отражения от кровли и подошвы разделяются при большой мощности и накладываются в одно отражение при истончении клина [45]. Таким образом, анализируя сейсмику на различных частотах, можно увидеть геологические объекты различной мощности, например, палеорусла (разные части русла, в зависимости от мощности песчаника, выделяются лучше на разных частотных компонентах). То есть мощные пласты будут иметь максимальную интерференцию (tuning effect) на низких частотах, а тонкие пласты на высоких. При этом в отличие от обычного анализа атрибутов или инверсии, детальность полученных результатов будет значительно выше, так как анализируется не суммарные данные, а данные на индивидуальных частотах. Модель клина демонстрирует применение этого подхода к очень простой модели с двумя отражающими границами. Усложнение модели отражения приведет к более сложной интерференционной модели
Описание методики
Первым этапом при кластеризации спектральных кривых, является, разложения исходного сейсмического куба на частотные компоненты [82,83]. Среди всех методов разложения волнового поля на частотные компоненты, выбран метод вейвлет преобразования (CWT) [64]. Данный метод лишен недостатков преобразования Фурье (FFT), а именно постоянного окна анализа, а так же имеет повышенную частотно-временную разрешенность по сравнению с FFT [62,86].
Далее был выбран исходный импульс, в данном случае это Morlet wavelet. Согласно исследованиям [46] данный импульс, обеспечивает улучшенную разрешенность и отображение мелких и трудноразличимых объектов в сейсмическом поле, по сравнению с другими синтетическими и извлеченными импульсами.
На следующем этапе рассчитываются энергии для частот с заданным шагом. Согласно проведенным исследованиям шаг между частотами 2-5Гц является оптимальным. Во-первых, будет достигнута детальность отображения всех особенностей спектра, а во-вторых количество значений на результирующем амплитудном спектре не будет слишком большим, тем самым осложняя интерпретацию результатов кластеризации. Кроме того, выбор слишком маленького шага по частоте приводит к увеличению времени алгоритма, что уменьшает практическую значимость методики. Следующий шаг – это непосредственно формирование куба спектральных кривых. Рассчитанные на предыдущем шаге амплитудные характеристики различных частот формируют куб, в котором по оси Z откладываются частоты, а каждая трасса такого куба представляет спектральную кривую в точке или интервале отражающего горизонта (Рисунок 3.1). Данная процедура выполнялась на базе программного комплекса OpendTect.
Следующим важным этапом является непосредственно интерпретация полученных на предыдущих шагах материалов. Выбран метод кластеризации трасс по форме с использованием технологии нейронных сетей. Применительно к стандартной сейсмике, данная технология известна как сейсмофациальный или кластерный анализ и реализована в программном комплексе Paradigm Stratimagic [28]. При использовании данной технологии кластеризация спектральных кривых осуществляется в 3 этапа.
На 1 этапе спектральные кривые систематизируются по форме. Форма определяется как функция скорости изменения кривой от одного её отсчета к другому, т.е. наклонами отрезков кривой между соседними отсчетами. В связи с этим абсолютные значения амплитуды кривой менее значимы, чем её форма. На 2 этапе определяются формы модельных спектральных кривых. Их количество фиксируется пользователем и рассматривается как число различных кластеров кривых. Используя метод проб и ошибок, система изменяет модельные трассы при каждой итерации для подбора окончательных форм, которые бы наиболее полно описывали весь диапазон изменения волновой картины по площади.
На 3 этапе модельные кривые последовательно сравниваются с всеми трассами частотного псевдокуба (трасса за трассой). Каждой трассе частотного куба присваивается номер того модельного кластера, к которому данная трасса наиболее близка по «критерию идентичности». Окончательный результат представляет собой карту кластеризации спектральных кривых (Рисунок 3.2) и набор модельных трасс (Рисунок 3.3), которые совместно описывают разнообразие форм сигналов по всей площади в заданном интервале.
Полная схема получения карты кластеризации спектральных кривых представлена на рисунке 3.4
Однако, несмотря на достаточно простой алгоритм действий, представленный граф использования методики имеет ряд недостатков:
Наличие операций ввода и вывода. Алгоритм базируется на инструментах, которые присутствуют в той или иной мере в различных программных комплексах. В данном исследовании использовано 2 программных комплекса. Экспорт и импорт файлов из одного программного комплекса в другой, значительно увеличивает время работы с алгоритмом.
Отсутствие инструмента создание куба спектральных кривых. На данный момент, ни в одном сейсмическом ПО не существует однокнопочной реализации создания амплитудного куба. Как правило, создание происходит, вручную, через калькулятор. Это не дает итеративно подбирать частоты, которые будут включаться в куб и шаг по частоте.
Алгоритмы кластеризации. В таких пакетах как Stratimagic, Petrel, Landmark алгоритмы кластеризации не являются оптимальными с точки зрения производительности и соответственно затрачиваемого времени на выполнения кластеризации. Этот недостаток становится критичным, когда идет итеративный подбор гиперпараметров кластеризации и амплитудного куба.
Алгоритм сортировки. В существующих программных комплексах алгоритмы сортировки центров кластеров не полностью подходит для сортировки спектральных кривых.
Решение всех вышеперечисленных недостатков будет описываться в последующих разделах данной главы.
Практическое применение методики кластеризации спектральных кривых для детального изучения меандрирующих систем
В осадочном чехле Западной Сибири присутствует несколько стратиграфических уровней накопления континентальных осадков речного генезиса. К данным отложениям в различных структурно-фациальных зонах приурочены месторождения УВ преимущественно с литологическими залежами.
Первый пример иллюстрирует концептуальную модель свободного меандрирования. Объектом изучения является пласт АС112 черкашинской свиты неокомского комплекса на Верхнесалымском месторождении в регионе ХМАО [11]. Основные залежи нефти приурочены к фации песчаных отложений меандровых кос (аккреционный комплекс), выделенным по результатам литофациального анализа керна. Формирование дельт речного (флювиального) типа происходило в конце каждого регрессивного цикла седиментации с последующим захоронением в период трансгрессии. Распределительные дельтовые каналы верхней дельтовой равнины мало чем отличаются от речных меандрирующих русел: тот же тип меандрирования - аналогичная извилистость, морфология и морфометрические зависимости. Частая смена режимов седиментации не позволяет формировать широкие и мощные русловые пояса, что приводит к захоронению меандровых кос среди пойменных отложений под мелководно-морскими более глинистыми фациями. В пределах нижней дельтовой равнины? каналы спрямляются, теряя при делении водность и глубину.
В литологическом отношении отложения меандровых кос представляют собой массивные мелко-среднезернистые песчаники местами со следами оползания, сменяющиеся вверх по разрезу косоволнистыми песчаниками, которые постепенно переходят в песчаные аргиллиты, иногда в угленосные слои. По всему разрезу наблюдаются углисто-глинистые намывы, обломки углефицированной растительности, древесины. Встречаются захороненные интракласты размываемых отложений дельтового комплекса. Размеры ритмов в отложении кос изменяются от 10-50 см в приподошвенной части до 40-120 см в кровельной.
С целью детального картирования объекта применена методика кластеризации спектральных кривых. Рассчитан куб спектральных кривых от 10 Гц до 90 Гц. Далее итеративно, с контролем получаемого на каждой итерации изображения русловой системы, производился подбор верхней и нижней граничной частоты. Нижняя граница частоты определена - 14 Гц, что является начальной частотой полезного сигнала в этом случае. А верхняя граница - 72 Гц, тем самым удалось обрезать зашумленную часть записи, которая несет малую энергию полезного сигнала. Далее подбирались параметры кластеризации: количество кластеров, коэффициент сортировки, и внутренние параметры алгоритма Kmeans. Благодаря оптимизированному алгоритму расчёта всех вышеперечисленных шагов, весь процесс подбора оптимальных параметров для площади в 450 м2 занял 15минут. Для сравнения, такое же количество итераций в программном пакете Stratimagic занимает порядка 1 часа. Финальная карта представлена на рисунке 4.5. В соответствии с полученным детальным изображением, можно оконтурить незрелый пояс меандрирования и спрогнозировать местоположение аккреционных линз. Непосредственно сам палеоканал, в полном соответствии с концептуальной моделью, в данном случае выступает в качестве барьера, что подтверждается результатами бурения. Возможно, он представляет отмершее русло – старицу, заполненную алевритоглинистыми осадками. Применение методики, основанной на декомпозиции волнового поля позволило не только выделить аккреционный комплекс, но также почеркнуть, неоднородность его строения. Так на пример в аккреционных комплексах наблюдается участки, которые относится к «плохим» кластерам. Согласно схеме строения аккреционного комплекса, свободно меандрирующего русла, данная часть представлена глинистым материалом и обладает плохими коллекторскими свойствами.
Параметризация объекта позволила оценить его извилистость, которая рассчитывается через отношение длины русла к длине долины, как правило, в пределах локального участка. Коэффициент извилистости составил 1.8, что соответствует пределам извилистости для свободного меандрирования (от 1.5 до 3.0). Общий объем прируслового бара, при допущении, что высота (амплитуда) излучины близка радиусу меандры, составит около 150 х 106 м3. Учитывая морфологию излучин канала, где радиус излучины меньше ее высоты (амплитуды), это верхнее (максимальное) значение предполагаемого объема.
В первом примере залежь приурочена к аккреционному комплексу, ее латеральное распространение контролируется русловым поясом свободного меандрирования, а вертикальное обусловлено развитием глинистых покрышек на этапе трансгрессии. Благодаря цикличному процессу седиментации, захоронились аккреционные линзы небольшой мощности, соответствующие определенным этапам развития дельтовых систем, а не единый плащеобразный пояс аллювиальных отложений. Это и позволило выделить отдельные тела и уверенно определить тип меандрирования.
Второй пример может служить иллюстрацией концептуальной модели вынужденного меандрирования. Объект расположен в Томском регионе. Месторождение открыто поисково-разведочной скважиной в пределах структуры, выявленной по результатам сейсмических исследований МОГТ 2D. Залежь нефти приурочена к пласту Ю1-1. В литологическом отношении отложения представляют собой массивные мелкозернистые песчаники, зернистость которых уменьшается вверх по разрезу. По результатам анализа керна формирование отложений пласта происходило в обстановке верхней предфронтальной зоны пляжа.
Эффективная мощность коллектора составила 12.5 м. По испытаниям получен приток 20.8 м3/сут. На основе модели «массивной залежи» бурение было продолжено по стандартной сетке 500 х 500 м. Однако следующая скважина, пробуренная на 500 м южнее, оказалось с отсутствием коллектора. В процессе перебура ствола на 500 м севернее первой скважины также были получены нулевые значения эффективных толщин. В связи со сложившейся ситуацией третий ствол было решено пробурить в 150 м восточнее первой продуктивной скважины. Третий ствол вскрыл приемлемую эффективную толщину в 10 м. Еще одна скважина, пробуренная 500 м западнее, так же вскрыла коллектор, но меньший по мощности - 4,4 м. Для уточнения концептуальной модели на месторождении были проведены сейсмические исследования МОГТ 3D. Интерпретация полученных материалов, по динамическим характеристикам волнового поля, позволила выделить палеоканал в центральной части площади, который вскрыла скважина первооткрыватель. Однако наличие палеоканала и предположение о существовании аккреционного комплекса, характерного для свободно меандрирующего русла, не объясняло причин столь резкого изменения коллекторских свойств по скважинам, поэтому авторы обратились к концептуальной модели вынужденного меандрирования.
Для обоснования концептуальной модели вынужденного меандрирования использована методика кластеризации спектральных кривых.
На рисунке 4.6 представлена карта, рассчитанная с использованием предложенной методики. Для получения наилучшего изображения канала было выполнено 40 итераций подбора параметров алгоритма. В итоге мы имеем четкое отображение русла в центральной части площади.
Количественный прогноз на примере месторождений Западно-Сибирской нефтегазоносной провинции
Как было продемонстрировано в главе 4, методика кластеризации спектральных кривых дала хорошие результаты при качественной интерпретации пласта АС112 черкашинской свиты неокомского комплекса на Верхнесалымском месторождения. Однако помимо качественной характеризации объектов данного пласта, геолого-геофизические данные позволяют сделать количественный прогноз эффективных толщин в межскважинном пространстве с применением методики кластеризации спектральных кривых. В пределах изучаемой территории пробуренно 79 скважин, что является представительной выборкой для статистического анализа. Скважины вскрыли широкий диапазон эффективных толщин от 0 до 24м.
Первые итерации расчета карты центров кластеров спектральных кривых дали коэффициент корреляции - 0,56, для такого количества скважин это приемлимый результат. Однако, быстрая скорость кластеризации в разработанной программе позволила выполнить тюнинг параметров кластеризации и исходных данных за короткий промежуток времени. За 15 минут выполнено 60 итераций с различными параметрами и выбраны, те, которые дают наиболее точный прогноз. Коэффициент корреляции с эффективными толщинами поднялся до 0,71 (Рисунок 5.2). Такое же количество итераций в программном комплексе Stratimagic может быть выполнено за 4 часа. Таким образом разработанный программный продукт позволяет кратно сократить время расчётов, и увеличить количество итераций необходимых для получения наилучшего результата. Эффективность методики сравнивалась с атрибутным анализом. Как видно на рисунке 5.3 коэффициенты корреляции с эффективными толщинами не превышают 0,46, в том числе и по результатам спектральной декомпозиции.
Следующим кейсом для проверки работоспособности предложенной автором методики стал песчаный пласт Ю11 отложений васюганской свиты верхнеюрского горизонта Южно-Шингинского месторождения Западной Сибири.
Пласт Ю11 приурочен к верхам васюганской свиты, формировался в результате трансгрессивно-регрессивного цикла осадконакопления. Особенности вертикальных последовательностей выделенных слоев позволяет сделать вывод, что его формирование связано с этапами выдвижения и миграции дельтовых лопастей в изменчивой, но преимущественно низкодинамичной мелководной акватории (в лагуне) [32]. Литологически породы-коллекторы представлены песчаниками светло-серыми, с бурым и буроватым оттенком, средне мелкозернистыми и мелкозернистыми, алевритистыми и алевритовыми, с глинистым цементом, а также алевролитами светло-серыми, со слабым буроватым оттенком, мелко-крупнозернистыми, песчаными, с глинистым цементом.
Характерным для пласта Ю11 является наличие прослоев песчаников с карбонатным цементом (песчано-карбонатные линзы), толщиной до 1,5-2 м. Концептуальная схема осадконакопления представлена на рисунке 5.4. Проведенный анализ динамических и кинематических параметров сейсмической записи выявил невозможность прогноза ФЕС по данным сейсмораведки с использованием стандартных методик. Анализ сходимости сейсмических атрибутов, а также результатов инверсии показал низкие коэффициенты корреляции от 0 до 0,5 (Рисунок 5.5). Отсутствие возможности прогноза по перечисленным выше методикам подтверждалось на протяжении нескольких отчетов выполненных разными компаниями. Еще одним фактором, подтверждающим невозможность прогноза геологического разреза с применением стандартных методик, стал анализ упругих параметров по данным ГИС.
Анализ акустического импеданса по ряду скважин месторождения показал практически полное перекрытие литотипов коллектор/не коллектор и невозможность их разделения (Рисунок 5.6). Рассчитаны зависимости между отдельными частотными компонентами и эффективными толщинами пласта Ю11. Как можно увидеть в Таблице 5.1. ни одна из отдельных частотных характеристик, полученных методом CWT, не дает уверенного прогноза эффективных толщин (Рисунок 5.7).
Учитывая все вышеперечисленные сейсмогеологические факторы данный пласт можно охарактеризовать, как сложнопрогнозируемый по данным СРР. Именно по этой причине проверка методики кластеризации спектральных кривых крайне актуальна.
Согласно толщине пласта, взято окно 15мс от отражающего горизонта, приуроченного к кровле Ю11. Результат кластеризации спектральных кривых представлен на рисунке 5.8. Анализ центров кластеров показал, что зоны увеличенных толщин пласта Ю1-1 характеризуются смещением максимума спектральной кривой в сторону низких частот.
Зоны увеличенных толщин пласта Ю1-1 характеризуются смещением максимума спектральной кривой в сторону низких частот. Зоны пониженных толщин характеризуются преобладанием высоких частот в спектре.
Корреляционный анализ между результатом кластеризации и значениями эффективных толщин в скважинах показал устойчивую связь и высокий коэффициент корреляции равный 0,79 (Рисунок 5.9). С учетом того, что в анализе учувствовало 62 скважины, данный коэффициент корреляции является очень хорошим показателем и имеет высокую прогностическую силу.
На рисунке 5.9 представлены результаты корреляционного анализа между картой кластеров спектральных кривых и значениями эффективных толщин в скважинах. Как видно из кроссплота коэффициент кореляции составил 0,79, а 10 скважин, пробуренных после проведенного исследования, подтвердили прогнозную силу результатов методики. Так же оценена устойчивость прогноза при удалении из решения 10 скважин. Рассчитано 1000 различных комбинаций исключения скважин и расчёт статистических параметров (Рисунок 5.10). Даже при исключении 10 (15%) скважин из решения коэффициент корреляции в среднем уменьшается на 0,15. Величина std увеличивается в среднем всего на 0,7м. Что характеризует прогноз с использованием данной методики для пласта Ю11 как устойчивый.
Для оценки экономического эффекта, от применения предложенной автором методики, посчитаны экономические показатели по вновь пробуренным скважинам. Увеличение накопленного экономического эффекта (NPV), в следствии применения методики кластеризации спектральных кривых, составило 99 565 217 руб., по результатам бурения 10 скважин. Накопленная добыча нефти 300.7 тыс. т.