页岩气地震勘探技术：储层厚度预测

作为页岩气生成和赋存的主体，一定的含气页岩厚度是形成页岩气富集区的基本条件，也是页岩气资源丰度高低的重要影响因素。美国进入大规模商业开发的五大含气页岩系统毛厚度为31～579 m（页岩净厚度为9～91 m），其中目前页岩气单井产量和年产量较高的福特沃斯盆地Barnett页岩系统毛厚度为61～300 m（页岩净厚度为15～60 m）。因此参考国外标准，为了保证一定规模的页岩气资源量和压裂改造的需要，进行资源评价时应将含气页岩的厚度及最大单层厚度作为重要指标进行考虑。

页岩分布范围求取方法与普通砂岩基本一致，主要有3种方法，即顶底相减法、波阻抗反演法和地震振幅拟合法。当页岩厚度大于（λ为波长）时，页岩顶、底在地震剖面有单独反射，可以识别追踪，在准确落实顶底构造之后，采用底、顶深度直接相减的方法求取页岩平面分布。当页岩厚度小于时，需要将波阻抗反演得到的页岩段波阻抗值与钻井厚度拟合，得到相关关系式，利用该关系式把波阻抗平面图转换成页岩平面分布图。也可以通过地震属性，一般是地震振幅属性，与钻井揭示页岩厚度来拟合振幅与厚度函数关系式，利用该关系式把地震属性图转换成页岩平面分布图。

1.利用地震资料解释储层厚度的方法

主要适用于储层厚度大于的厚层。在精细地震层位解释基础上，可计算页岩厚度图（如图5—7所示）。厚度公式如下：

式中，H代表页岩厚度，代表层速度，T1代表底界面双程旅行时，T2代表顶界面双程旅行时。

图5—7　侏罗系东岳庙段页岩厚度

2.基于波阻抗反演的储层厚度预测

运用波阻抗信息进行厚度预测主要是通过地震反演获得分辨率较高的反映层信息的波阻抗或速度剖面，则可在具有较高分辨率的地层波阻抗或层速度剖面上，直接拾取储层的顶、底界面反射时间，进而由时差和层速度求取储层的厚度。也可以通过钻井岩性剖面与测井曲线的对比分析，建立岩性与阻抗的对应关系，确定岩性阻抗值的变化范围，然后分析各口钻井同一层段砂层厚度与其他岩性的波形特征，再利用反演的波阻抗剖面，建立不同级别储层识别模式，为拾取主要储层特征，寻找有利储层类型建立依据。不同岩性取不同门槛值，即可计算出目的层厚度。这种方法简单易行而且精度较高。(www.xing528.com)

3.基于地震属性的储层厚度预测方法

储层参数的变化会引起相应的反射波特征的变化，这样可以利用波形特征参数去预测储层参数，而单个反射特征往往对应着多种地质现象，利用单参数去预测储层不具有普遍意义，所以使用多种参数进行储层预测是合理的应用方法。但地震响应中所包含的地震属性种类很多，针对某一个问题如何选取合理的地震属性组合是问题的关键所在。通常使用神经网络模式识别的方法，来确定预测储层厚度的参数，一般采用的地震属性有：正振幅能量、中心频率、最大振幅、阻抗值、均方根振幅、求和振幅、弧长及自相关函数极小值与极大值之比等。

利用神经网络和专家优化法优选地震响应中所包含的地震属性信息，然后利用优选后的地震属性预测储层厚度。其目的在于选用多个地震属性，借助于神经网络的局部模式识别功能和专家优化法，建立地震属性与储层厚度之间的函数关系，达到计算储层厚度及提高储层厚度计算精度的目的。其基本思想是：先用井中储层厚度与井旁地震属性形成样本集，利用该样本集对神经网络进行学习，网络学习好后，再进一步利用专家优化法优选地震属性并输入给该网络，最后计算储层厚度。

储层厚度计算的流程为：① 目的层段的层位标定、追踪与属性提取；② 神经网络学习训练及模式识别；③ 专家优化法优选地震属性；④ 储层厚度预测及输出。

神经网络法不仅能够考虑到多种地震属性，同时也可从若干属性中通过模式识别判断出对储层厚度敏感的地震属性参数。具体操作过程中需注意以下几点。

（1）时窗选择要根据储层在时间剖面上的厚度确定。储层精细解释后要沿层开时窗提取特征参数，不能按时间段开时窗。另外时窗在储层相位上的纵向位置（波峰还是波谷），将直接影响储层预测精度，因此在做储层解释之前要弄清砂层的界面对应的是波峰还是波谷。

（2）一般砂岩储层的厚度较小，尤其是我国陆相沉积砂岩储层的厚度较小，在确定薄砂岩储层的厚度时，由于砂岩顶底反射互相叠加在一起形成复合波，这时不能利用顶、底面的反射波的时间间隔计算砂岩的厚度，而只能利用复合波的振幅按不同厚度叠加的规律来确定其厚度，利用神经网络技术可以较合理地给出振幅值，进而可能较准确地确定薄砂层储层厚度。

（3）图前数据网格的选择比较重要。网格过大，参数作图的数据量减少，虽然等值线圆滑好看，但是对预测的细节情况反映不出来；网格过小，会出现等值线形态沿测网跑的情况。网格的大小要通过试验确定，以能比较真实反映研究区已知井的储层厚度和等值线形态比较自然为准。

（4）另外，在网络的学习训练中对地震响应的噪声分析也十分重要。