地震储层厚度预测

LPM 储层预测技术LPM 是斯伦贝谢公司GeoFrame 地震解释系统中最新推出的储层预测软件，利用地震属性体来指导储层参数（如砂岩厚度）在平面的展布，以此来实现储层参数的准确预测。

LPM 预测储层砂体可分两步进行：首先，它是将提取的地震属性特征参数与井孔处的砂岩厚度、有效厚度进行数据分析，将对储层预测起关键作用的地震属性特征参数优选出来，根据线性相关程度的大小，建立线性或非线性方程。

线性方程的建立主要采用多元线性回归方法；非线性方程的建立主要采用神经网络方法；其次，根据建立的方程，利用网格化的地震属性体来指导储层参数（如砂岩厚度）在平面的成图。

4.1.1多元线性回归基本原理设因变量y 与自变量x 1， x 2 ，…，x m 有线性关系，那么建立y 的ｍ元线性回归模型：ξβββ++++=m m x x y 110其中β0，β1，…，βm 为回归系数；ξ是遵从正态分布N(0，σ2)的随机误差。

在实际问题中，对y 与x 1， x 2 ，…，x m 作n 次观测，即x 1t ， x 2t ，…，x mt ，即有：t mt m t t x x y ξβββ++++= 110建立多元回归方程的基本方法是：(1)由观测值确定回归系数β0，β1，…，βm 的估计b 0，b 1， …，b m 得到y t 对x 1t ，x 2t ，…，x mt ；的线性回归方程：t mt m t t e x x y ++++=βββ 110其中t y 表示t y 的估计；t e 是误差估计或称为残差。

(2)对回归效果进行统计检验。

(3)利用回归方程进行预报。

回归系数的最小二乘法估计根据最小二乘法，要选择这样的回归系数b 0，b 1， …，b m 使∑∑∑===----=-==nt n t mt m t t t t n t tx b x b b y y y e Q 11211012)()( 达到极小。

为此，将Q 分别对b 0，b 1， …，b m 求偏导数，并令0=∂∂bQ ，经化简整理可以得到b 0，b 1， …，b m ，必须满足下列正规方程组：⎪⎪⎩⎪⎪⎨⎧=+++=+++=+++my m mm m m y m m y m m S b S b S b S S b S b S b S S b S b S b S22112222212111212111 m m x b x b x b y b ----= 22110其中∑==nt t y n y 11 m i x n x nt it i ,,2,111==∑= ),,2,1())((1))((1111m i x x n x x x x x x S S nt n t jt it jt n t it j jt i n t it ji ij =-=--==∑∑∑∑==== ),,2,1())((1))((1111m i y x n y x y y x x S nt n t t it n t t it t i n t it iy =-=--=∑∑∑∑====解线性方程组，即可求得回归系数i b ，将i b 代入式可求出常数项0b 。

石 油 地 质 与 工 程2022年1月 PETROLEUM GEOLOGY AND ENGINEERING 第36卷 第1期文章编号：1673–8217（2022）01–0008–06地震相控约束下的储层高精度定量预测方法——以曲塘次凹阜三上亚段为例王东坤，谢英刚，张军林，逄建东，葛 岩（中海油能源发展股份有限公司工程技术分公司，天津 300457）摘要：滩坝砂体空间分布非均质性较强、厚度薄，常规储层预测方法无法精细刻画其特征。

针对该问题，采用主成分分析的地震相分析技术获取滩坝砂体空间展布变程、方向、规模等表征参数，将沉积模式和地震相引入地质统计学反演中进行变差函数的分析，在提高垂向分辨率的同时弱化随机反演井间结果的不确定性，最终实现对滩坝薄砂体的高精度定量预测。

关键词：滩坝砂岩；地震相；地质统计学反演；地震相控反演 中图分类号：P631.4 文献标识码：AHigh precision quantitative reservoir prediction method controlled by seismic facies constraints--by taking the upper 3thFuning formation in Qutang sub-sagWANG Dongkun, XIE Yinggang, ZHANG Junlin, PANG Jiandong, GE Yan(Engineering Technology Company of CNOOC Energy Development Co., Ltd., Tianjin 300457, China)Abstract: As the beach bar sand body has strong heterogeneity and thin thickness, conventional reservoirprediction methods cannot accurately characterize its characteristics. Aiming at the problem, the seismicfacies technology based on principal component analysis was used to obtain the parameters such as the space range, direction and scale of beach bar sand body. The sedimentary model and seismic facies are introduced into the analysis of variogram in geostatistical inversion. The research can improve the vertical resolution and weaken the uncertainty of the results between wells caused by stochastic inversion. Finally, the high-precision quantitative prediction of beach bar sand body is realized.Key words: beach bar sand body; seismic facies; geostatistical inversion; seismic facies-controlled inversion曲塘次凹位于苏北盆地东台坳陷中的海安凹陷西南部（图1），南北部分别与泰州低凸起、通扬隆起相邻，整体呈北东向展布，内部地层沉积构造呈北深南浅、北断南超、北厚南薄的特点[1]。

地震波形指示反演在薄储层预测中的应用钱银磊;胡清雄;王晓辉;王科朋;史全党【摘要】DX5井区梧桐沟组储层具有储层较薄、单砂体厚度小、砂体横向连续性差的特点,运用常规波阻抗反演很难对其完成精确刻画.地震波形指示反演充分利用了地震波形的横向变化,可代替传统变差函数进行高频成分模拟,对井况的要求低,比传统阻抗反演和地质统计学反演方法的确定性更强.高频结构受波形变化控制,更好地体现了沉积特征的约束.在提供储层纵向分辨率的同时,横向连续性得到了有效保证.%DX5 well area has the characteristics of thin reservoir,small thickness of single sand body and the poor continuity of sand body. Conventional wave impedance inversion is limited by earthquake-band,which results in low vertical resolution and difficulty in accurate description of thin reservoir. Seismic modeling inversion can re-place traditional variation function to simulate the high frequency components,because it can make full use of the change of lateral seismic waveform information. It is stronger than the traditional wave impedance inversion and geostatistical inversion in certainty,and has lower requirements of well distribution. The high-frequency structure is controlled by waveform changes,so it can better reflect the constraints of sedimentary characteristics. While pro-viding vertical resolution of reservoir,lateral continuity has been effectively guaranteed.【期刊名称】《重庆科技学院学报（自然科学版）》【年(卷),期】2017(019)006【总页数】4页(P17-20)【关键词】薄储层预测;测井参数模拟;地震波形指示反演;相控反演【作者】钱银磊;胡清雄;王晓辉;王科朋;史全党【作者单位】中国石油集团东方地球物理勘探有限责任公司研究院乌鲁木齐分院,乌鲁木齐830016;中国石油新疆油田公司采气一厂,新疆克拉玛依834007;中国石油集团东方地球物理勘探有限责任公司研究院乌鲁木齐分院,乌鲁木齐830016;中国石油集团东方地球物理勘探有限责任公司研究院乌鲁木齐分院,乌鲁木齐830016;中国石油新疆油田公司采气一厂,新疆克拉玛依834007【正文语种】中文【中图分类】P618三角洲前缘水下分流河道砂一直是薄储层预测的重点和难点，储层具有“砂体厚度薄、砂泥互层”的特点。

储层预测综述一、序言储层是储集层的简称，在油气勘探生产中特指地下可供油气聚集、赋存的岩层。

通常从储层的岩性、形态、物性和含油气性四大方面对储层进行表征。

储层岩性是用来描述储层构成成分的要素，它直接或间接地反映了岩层的储集性能和储层特征，一般从储层的岩性、所处相带等方面描述，对于碎屑岩储层还常用砂地比(或砂泥岩百分比)来描述其储集性能;储层形态是对储层的几何形态进行描述的重要参数，常用的描述参数主要有储层的分布范围、储层顶界面构造形态、储层厚度等;描述储层物性参数主要是孔隙度和渗透率;储层含油气性描述主要包括储层是否含有流体、储层含流体的类型和含油气饱和度。

储层地震预测技术是以地震信息为主要依据，综合利用其他资料(地质、测井、岩石物理等)作为约束，对油气储层的几何特征、地质特性、油藏物理特性等进行预测的一门专项技术。

储层地震预测主要是通过分析地震波的速度、振幅、相位、频率、波形等参数的变化来预测储集岩层的分布范围、储层特征等。

岩性、储层物性和充填在其中的流体性质的空间变化，造成了地震反射波速度、振幅、相位、频率、波形等的相应变化。

这些变化是目前储层地震预测的主要依据。

在特定的地震地质条件下，只有这些储层特征参数变化达到一定程度时，才能在地震剖面上反映出来。

随着地震资料采集和处理技术的发展、地震资料品质的不断提高，这些特征参数的变化在地震剖面上的清晰度越来越明显，可信度也越来越高。

运用地震波的运动学特征确定地震波传播时间和传播速度，可以确定地层上下起伏变化的几何形态;而研究岩性时就必须运用波的动力学特征，结合运动学特征确定各种物性参数，来判断地层的岩性成分，以便寻找油气。

在储层预测中，储层的空间追踪和描述借助于提取出的储层的各种参数，包括纵波、横波速度、频率、相位、振幅、阻抗、密度、弹性系数、吸收系数及薪滞系数等。

根据这些参数的差异来分辨、识别、预测岩性，甚至油气层。

二、储层预测技术储层地震预测技术是一门方法繁多、综合性强、相互交叉的技术系列，单项技术不下数十种。

4.1 LPM 储层预测技术LPM 是斯伦贝谢公司GeoFrame 地震解释系统中最新推出的储层预测软件，利用地震属性体来指导储层参数（如砂岩厚度）在平面的展布，以此来实现储层参数的准确预测。

LPM 预测储层砂体可分两步进行：首先，它是将提取的地震属性特征参数与井孔处的砂岩厚度、有效厚度进行数据分析，将对储层预测起关键作用的地震属性特征参数优选出来，根据线性相关程度的大小，建立线性或非线性方程。

线性方程的建立主要采用多元线性回归方法；非线性方程的建立主要采用神经网络方法；其次，根据建立的方程，利用网格化的地震属性体来指导储层参数（如砂岩厚度）在平面的成图。

设因变量y 与自变量x 1， x 2 ，…，x m 有线性关系，那么建立y 的ｍ元线性回归模型：ξβββ++++=m m x x y 110 (4.1)其中β0，β1，…，βm 为回归系数；ξ是遵从正态分布N(0，σ2)的随机误差。

在实际问题中，对y 与x 1， x 2 ，…，x m 作n 次观测，即x 1t ， x 2t ，…，x mt ，即有：t mt m t t x x y ξβββ++++= 110 (4.2)建立多元回归方程的基本方法是：(1)由观测值确定回归系数β0，β1，…，βm 的估计b 0，b 1， …，b m 得到y t 对x 1t ，x 2t ，…，x mt ；的线性回归方程：t mt m t t e x x y ++++=βββ 110 (4.3)其中t y 表示t y 的估计；t e 是误差估计或称为残差。

(2)对回归效果进行统计检验。

(3)利用回归方程进行预报。

回归系数的最小二乘法估计根据最小二乘法，要选择这样的回归系数b 0，b 1， …，b m 使∑∑∑===----=-==nt n t mt m t t t t n t tx b x b b y y y e Q 11211012)()( (4.4) 达到极小。

储层厚度预测流程
储层厚度预测是石油勘探和开发中的重要环节，其流程主要包括以下步骤：
数据收集：收集地震数据、测井数据、地质数据等相关资料，为后续的预测提供基础数据。

数据预处理：对收集到的数据进行清洗、格式转换、坐标匹配等处理，确保数据的质量和一致性。

特征提取：从地震数据、测井数据、地质数据中提取与储层厚度相关的特征，如地震波形特征、岩性特征、地层结构特征等。

模型训练：利用已知的储层厚度数据和提取的特征，训练预测模型。

常用的模型包括神经网络、支持向量机、决策树等机器学习模型，以及基于统计的方法、地质统计学方法等。

模型验证与优化：对训练好的模型进行验证，评估其预测精度和稳定性。

根据验证结果对模型进行优化调整，提高预测精度。

储层厚度预测：将训练好的模型应用于未知区域，根据输入的特征进行预测，得到储层厚度的分布情况。

结果分析：对预测结果进行分析，了解储层的分布规律和变化趋势。

结合实际的地质情况和开发需求，制定相应的开发方案和调整措施。

反馈与更新：将预测结果与实际开发情况进行对比，根据实际情况对预测模型进行调整和更新，不断完善预测方法和精度。