RỖNG ĐÁ CHỨA MIOXEN DƯỚI KHU VỰC ĐễNG BẮC BỂ MÃ LAI THỔ CHU
GS TSKH MAI THANH TÂN
Đi hc M0 Đa cht Hà Ni
ThS. LƯƠNG THỊ THANH HUYỀN
T!ng cụng ty Thăm dũ Khai thỏc Du khớ
thăm dò - khai thác
Bắc của bể Mó Lai - Thổ Chu (Hỡnh 1), nơi cú tài liệu khảo sỏt địa chấn 3D phự hợp cho nghiờn cứu cỏc tầng chứa.
KHAI THÁC CÁC THễNG TIN THUỘC TÍNH ĐỊA CHẤN
Thuộc tớnh địa chấn là cỏc đặc điểm của trường súng địa chấn như biờn độ, tần số, tốc độ, sự suy giảm năng lượng... Chỳng cú mối quan hệ chặt chẽ với cỏc đặc điểm của mụi trường trầm tớch, trong đú cú cỏc đặc điểm của tầng chứa như bề dày, độ rỗng, độ thấm, độ bóo hũa... Việc xỏc định đặc điểm cỏc thuộc tớnh địa chấn và mối quan hệ với đặc điểm tầng chứa cho phộp sử dụng tài liệu địa chấn để dự bỏo và xỏc định tầng chứa trong quỏ trỡnh tỡm kiếm thăm dũ.
Với sự phỏt triển mạnh mẽ của khoa học, cụng nghệ, việc khai thỏc cỏc thụng tin về thuộc tớnh địa chấn, cỏc thụng số địa vật lý giếng khoan nhằm trực tiếp xỏc định cỏc chỉ tiờu của tầng chứa đó và đang được cỏc cụng ty dầu khớ thế giới quan tõm. Một loạt cỏc thụng tin mới trong phõn tớch cỏc thuộc tớnh địa chấn, nghiờn cứu sự biến đổi biờn độ theo khoảng cỏch thu nổ (AVO), sử dụng đồng thời súng dọc và súng ngang (4C seismic), nghiờn cứu sự biến đổi mụi trường qua quỏ trỡnh khai thỏc (4D seismic), phục hồi lỏt cắt trở súng từ tài liệu địa chấn (seismic inversion), sử dụng mạng trớ tuệ nhõn tạo trong địa chấn và địa vật lý giếng khoan (GDI)… cho phộp hỡnh thành một lĩnh vực nghiờn cứu mới là địa vật lý tầng chứa (reservoir geophysics). Cỏc kết quả đạt được trong lĩnh vực này trong thời gian qua đó tạo nờn bước phỏt triển đột phỏ trong thăm dũ, khai thỏc dầu khớ, đặc biệt là cỏc vựng cú cấu trỳc địa chất phức tạp.
Tại Việt Nam, cỏc cụng ty như BP, UNO- CAL… đó ỏp dụng phương phỏp AVO trong phỏt hiện khớ ở bể Nam Cụn Sơn và Mó Lai - Thổ Chu. Một loạt cỏc phõn tớch dị thường biờn độ đó được ỏp dụng, việc sử dụng phõn tớch mạng trớ tuệ trong địa vật lý giếng khoan bước đầu được ỏp dụng. Năm 2000-2001, phương phỏp giải thớch tổng hợp cú định hướng địa chất- GDI (Geological driven inte- gration) được ỏp dụng lần đầu tiờn trong một nghiờn cứu chung giữa Viện Dầu khớ Việt Nam và Viện Địa chất Nhật Bản trờn một số tuyến địa chấn 2D phục vụ đỏnh giỏ tiềm năng dầu khớ của bể Phỳ Khỏnh. Do điều kiện thời gian, kinh phớ, cũng như phạm vi
ỏp dụng cũn hạn hẹp, nờn nghiờn cứu này mới chỉ dừng lại ở mức độ thử nghiệm phương phỏp. PHƯƠNG PHÁP PHÂN TÍCH NGƯỢC ĐỊA CHẤN
Cỏc lỏt cắt địa chấn được sử dụng rộng rói để phõn tớch cỏc đặc điểm cấu kiến tạo, địa tầng trầm tớch… Tuy nhiờn, lỏt cắt súng phản xạ được liờn kết chủ yếu phản ỏnh đặc điểm cỏc mặt ranh giới. Để làm sỏng tỏ bản chất mụi trường giữa cỏc mặt ranh giới đú cần sử dụng phương phỏp phõn tớch ngược địa chấn. Trở khỏng õm học (tớch của mật độ đất đỏ và tốc độ truyền súng) cú mối quan hệ chặt chẽ với mụi trường địa chất vỡ mật độ và tốc độ đất đỏ phụ thuộc vào một loạt cỏc thụng số như thành phần thạch học, nhiệt độ và ỏp suất vỉa, chất lỏng chứa trong vỉa, độ rỗng... Trờn cơ sở như vậy cú thể sử dụng trở khỏng õm học để chớnh xỏc hoỏ cỏc thụng số của đỏ chứa như độ rỗng, độ thấm, tỷ lệ cỏt sột... Bản chất của quỏ trỡnh phõn tớch ngược địa chấn là xỏc định trở khỏng của mụi trường đất đỏ.
Cụng nghệ phõn tớch ngược địa chấn đó được đề xuất trong xử lý số liệu địa chấn từ những năm 80. Tuy nhiờn, chỉ từ sau những năm 90, với sự phỏt triển mạnh mẽ của cụng nghệ mỏy tớnh và những tiến bộ mới trong xử lý số liệu, việc ỏp dụng phõn tớch ngược địa chấn mới thực sự cú hiệu quả cao. Tại Việt Nam đó cú một số tỏc giả đề cập đến phõn tớch ngược địa chấn trong một số bài bỏo gần đõy như Nguyễn Huy Ngọc, Mai Thanh Tõn, Nguyễn Anh Đức, Nguyễn Trung Hiếu. Trong bài bỏo này chỳng tụi khụng đi sõu giới thiệu về phương phỏp phõn tớch ngược địa chấn.
PHƯƠNG PHÁP BIẾN ĐỔI NHIỀU THUỘC TÍNH í tưởng sử dụng tổng hợp nhiều thuộc tớnh địa chấn lần đầu tiờn được Schultz, Ronen, Hattori và Corbett đưa ra trong một loạt cỏc bài bỏo được in trong tạp chớ “Leading Edge”. Trong cỏc bài bỏo này, cỏc tỏc giả đó chỉ ra cỏc phương phỏp sử dụng tài liệu địa chấn để xỏc định cỏc tớnh chất của tầng chứa đều tỡm kiếm quan hệ giữa tớnh chất của tầng chứa với một số thuộc tớnh của tài liệu địa chấn, sau đú sử dụng cỏc thuộc tớnh địa chấn của một tuyến 2D hay một khối 3D để dự đoỏn đặc điểm tầng chứa. Cỏch tiếp cận này, được Schultz gọi là phương phỏp tài liệu định hướng (datadriven met- hodology), cú thể được túm tắt trong Hỡnh 2.
Hỡnh 2. Phương phỏp tài liệu định hướng (theo Schultz)
Sử dụng tổng hợp cỏc tài liệu địa vật lý giếng khoan và địa chấn là một mục tiờu cơ bản của cỏc nhà địa chất và địa vật lý. Điều này ngày càng quan trọng và thành cụng trong những năm gần đõy, đặc biệt là trong giai đoạn chuyển từ thăm dũ sang phỏt triển mỏ với nhiều giếng được khoan.
Trong phương phỏp biến đổi nhiều thuộc tớnh (multiattribute transform) để dự đoỏn cỏc tớnh chất vật lý của đỏ, nhiều thuộc tớnh địa chấn đồng thời được sử dụng. Cỏc thuộc tớnh địa chấn thay đổi khụng tuyến tớnh, vỡ vậy chỳng làm tăng khả năng dự bỏo và tăng khả năng nhận dạng của phương phỏp. Cú thể coi một thuộc tớnh địa chấn là một biến đổi toỏn học bất kỳ của tài liệu địa chấn. Cỏc thuộc tớnh địa chấn cú thể được chia làm hai loại: 1) Cỏc thuộc tớnh lấy mặt phản xạ làm cơ sở (horizon-based), cỏc tớnh chất trung bỡnh của mạch địa chấn giữa hai ranh giới thường được xỏc định bằng cỏc mặt phản xạ đó được minh giải; 2) Cỏc thuộc tớnh lấy mẫu số liệu làm cơ sở (sample-based), cỏc biến đổi của mạch dữ liệu đầu vào theo cỏch để tạo ra mạch dữ liệu đầu ra khỏc cú cựng một số mẫu số liệu như mạch dữ liệu đầu vào.
Theo Russel, một số thuộc tớnh quan trọng để dự đoỏn cỏc tớnh chất vật lý của đất đỏ là mạch tổng hợp (integrated trace), biờn độ tuyệt đối tổng hợp của mạch (integrated absolute amplitude of the trace), cỏc mạch ở gần (near-angle stack), giao điểm và gra-
dient AVO (AVO intercept/gradient), tần số và hấp thụ tần số (frequency and absorption estimates) và tốc độ địa chấn (seismic velocity).
Cỏch đơn giản nhất để xỏc định quan hệ giữa dữ liệu quan tõm và thuộc tớnh địa chấn là vẽ đồ thị hai tập dữ liệu này (Hỡnh 3). Một đường thẳng hồi quy
y = a + bxsẽ được xỏc định biểu diễn quan hệ tuyến tớnh giữa tớnh chất quan tõm và thuộc tớnh địa chấn. Cỏc hệ số a và b trong phương trỡnh này cú thể được xỏc định bằng phương phỏp tối thiểu húa sai số dự bỏo bỡnh phương trung bỡnh. Quan hệ tuyến tớnh cũng cú thể được thay thế bằng một biến đổi phi tuyến tớnh lờn dữ liệu quan tõm hoặc thuộc tớnh đầu vào hoặc cả hai loại như Hỡnh 4.
Trong phương phỏp hồi quy tuyến tớnh, đường thẳng hồi quy được xỏc định bằng cỏch tối thiểu húa sai số bỡnh phương trung bỡnh (Hỡnh 3). Nhưng trong nhiều trường hợp, đường hồi quy cú bậc cao hơn mới cho kết quả phự hợp nhất. Cú một cỏch khỏc là ỏp dụng mạng trớ tuệ (neural network) để xỏc định quan hệ. Thực chất mạng trớ tuệ là một thuật toỏn toỏn học mó húa quan hệ giữa hai tập dữ liệu. Quan hệ này cú thể là phi tuyến tớnh và khụng nhất thiết là phải xỏc định xem cụ thể là quan hệ nào. Cỏc mạng trớ tuệ đó được sử dụng để dự đoỏn trực tiếp cỏc tớnh chất địa vật lý giếng khoan từ tài liệu địa chấn trong những năm gần đõy. Cỏc kiểu mạng trớ tuệ quan trọng là mạng trớ tuệ nhiều lớp (Multilayer feedforward neural network - MLFN) Thuộc tớnh địa chấn Cỏc quan hệ thống kờ Kiểm tra kết quả Hiệu chỉnh Minh giải kết quả Tài liệu giếng khoan Tớnh chất ĐVLGK Tài liệu địa chấn Hệ số liờn kết chộo = -0.298478 Sai số = 0.0687896 Độ rỗng theo mật độ Trở khỏng
Hỡnh 3. Đồ thị biểu diễn quan hệ giữa độ rỗng (theo mật độ) và trở khỏng
Hệ số liờn kết chộo = 0.323669 Sai số =0.0688302
Sqrt (Độ rỗng theo mật độ)
1/Trở khỏng
Hỡnh 4. Áp dụng biến đổi phi tuyến cho cả độ rỗng và thuộc tớnh địa chấn để nõng cao hệ số liờn kết giữa chỳng
và mạng trớ tuệ xỏc suất (Probabilistic neu- ral network - PNN). Vớ dụ về mạng MLFN đơn giản được thể hiện ở Hỡnh 5. Mạng bao gồm một lớp dữ liệu đầu vào (input layer), một lớp dữ liệu đầu ra (output layer) và một hay nhiều lớp ẩn (hidden layers). Mỗi lớp bao gồm nhiều nỳt (nodes) liờn kết với nhau theo cỏc trọng số. Cỏc trọng số quyết định kết quả đầu ra, cỏc nỳt đầu vào là cỏc thuộc tớnh.
Quỏ trỡnh huấn luyện (training process) tỡm ra cỏc giỏ trị trọng số tối ưu giữa cỏc nỳt. Bài toỏn ước lượng cỏc trọng số cú thể được coi là vấn đề tối ưu phi tuyến tớnh, mà mục tiờu là giảm thiểu sai số bỡnh phương trung bỡnh giữa cỏc giỏ trị đường cong giếng khoan thực tế và đường cong dự đoỏn. Bài toỏn này thường được giải bằng phương phỏp lan truyền ngược (back-
propagation). Cỏc phương phỏp hiện đại ngày nay sử dụng gradient liờn hợp và mụ phỏng để tăng tốc độ hội tụ và trỏnh được cỏc tối thiểu địa phương.
Minh họa cho hoạt động của MLFN, Hỡnh 6 thể hiện đường cong dự đoỏn cho cựng một tập tài liệu như ở Hỡnh 4 sử dụng MLFN gồm 5 nỳt trong lớp ẩn. Hỡnh 6 thể hiện hai mặt hoạt động của MFLN. Mặt tớch cực là cỏc giỏ trị dữ liệu trờn hầu hết cỏc khoảng thuộc tớnh được mụ hỡnh chớnh xỏc hơn so với trường hợp hồi quy tuyến tớnh. Mặt tiờu cực là sự khụng ổn định tại cỏc giỏ trị thấp của thuộc tớnh do mạng cố gắng mụ hỡnh cỏc dữ liệu quỏ gần nhau. Đõy chớnh là vớ dụ của huấn luyện quỏ kỹ (overtraining).
Một dạng khỏc của mạng trớ tuệ là mạng trớ tuệ xỏc suất (Probabilistic neural network- PNN). PNN thực chất là một phộp Đầu vào Lớp ẩn Lớp ra Đầu ra
Hỡnh 5. Sơ đồ cấu trỳc mạng lưới MLFN đơn giản
Trở khỏng
nội suy toỏn học cú sử dụng một cấu trỳc mạng trớ tuệ. Dữ liệu mà PNN sử dụng cũng giống như dữ liệu MLFN huấn luyện. Chỳng bao gồm hàng loạt cỏc mẫu huấn luyện, mỗi mẫu chớnh là một dữ liệu địa chấn trong cỏc cửa số phõn tớch từ tất cả cỏc giếng khoan.
Hoạt động của PNN trờn tập dữ liệu đơn giản được thể hiện trờn Hỡnh 7. Cú thể thấy rằng PNN cho kết quả dự đoỏn sỏt như của MLFN, nhưng lại cú tớnh ổn định hơn ở cỏc khoảng biờn của cỏc giỏ trị thuộc tớnh. Vấn đề lớn nhất của PNN là thời gian tớnh toỏn tương đối lõu hơn.
Vấn đề quan trọng trong việc dự bỏo là xỏc định số lượng cần thiết cỏc thuộc tớnh để sử dụng trong dự đoỏn. Một biến đổi nhiều thuộc tớnh (multiat- tribute transform) với N+1 thuộc tớnh thường cho kết quả với sai số ớt hơn trường hợp sử dụng N thuộc tớnh. Thụng thường, càng nhiều thuộc tớnh được sử dụng thỡ sai số dự đoỏn càng giảm như ở Hỡnh 8.
Trong khi cỏc thuộc tớnh bổ sung thường làm tăng mức độ phự hợp với tập dữ liệu huấn luyện, chỳng cú thể trở nờn khụng phự hợp khi ỏp dụng với cỏc dữ liệu mới khụng cú trong tập dữ liệu huấn luyện. Điều này đụi khi cũn được gọi là huấn luyện quỏ kỹ (overtraining). Việc sử dụng số lượng thuộc tớnh nhiều hơn cũng tương tự như làm trựng với đa
thức bậc cao hơn.
Cú một số kỹ thuật thống kờ được sử dụng để đo mức độ tin tưởng của việc làm trựng. Tuy nhiờn, hầu hết cỏc kỹ thuật này đều ỏp dụng hồi quy tuyến tớnh và chưa thể ỏp dụng ngay cho dự đoỏn phi tuyến tớnh sử dụng mạng trớ tuệ. Vỡ vậy, kỹ thuật kiểm tra chộo (cross-validation) thường được ỏp dụng cho bất kỳ kiểu dự đoỏn nào. Tập dữ liệu được phõn chia thành hai tập nhỏ: Tập huấn luyện và tập kiểm tra. Tập huấn luyện được sử dụng để xỏc định phộp biến đổi, trong khi tập kiểm tra được sử dụng để đo sai số dự đoỏn cuối cựng.
Trờn Hỡnh 9 thể hiện hai đường cong dự bỏo: Đường đậm là đa thức bậc thấp, đường gạch là đa thức bậc cao. Đường gạch cho kết quả sỏt với dữ liệu huấn luyện hơn nhưng lại ớt khớp với dữ liệu kiểm tra. Tập dữ liệu huấn luyện bao gồm cỏc mẫu huấn luyện từ cỏc giếng khoan, trừ một số giếng khoan ẩn. Tập dữ liệu kiểm tra bao gồm cỏc mẫu từ giếng khoan ẩn. Trong quỏ trỡnh kiểm tra chộo, cỏc phõn tớch được lặp đi lặp lại với cỏc giếng khoan. Sai số kiểm tra tổng là giỏ trị trung bỡnh bỡnh phương của cỏc sai số riờng lẻ.
Hỡnh 10 tương tự như Hỡnh 8, ngoại trừ sai số kiểm tra tổng được thờm vào (biểu thị bằng đường màu đỏ). Thuộc tớnh thứ ba trở đi đúng gúp ớt
Trở khỏng
Hỡnh 7. Đường cong dự đoỏn sử dụng PNN (tài liệu sử dụng giống như Hỡnh 6)
Sai số trung bỡnh (m/s)
Số lượng thuộc tớnh
Thuộc tớnh địa chấn
Đường cong dự bỏo
Tập dữ liệu “huấn luyện” Tập dữ liệu kiểm tra
Hỡnh 9. Hỡnh minh họa kiểm tra chộo (crossvalidation)
Số lượng thuộc tớnh
Sai số trung bỡnh (m/s)
Hỡnh 10. Đồ thị biểu diễn quan hệ giữa sai số trung bỡnh, sai số kiểm tra với số thuộc tớnh sử dụng trong biến đổi
Hỡnh 8. Đồ thị biểu diễn quan hệ giữa sai số trung bỡnh với số thuộc tớnh sử dụng trong biến đổi
vào tổng sai số kiểm tra, làm cho sai số trung bỡnh giảm dần. Sai số kiểm tra cho bất kỳ một số lượng thuộc tớnh nào đú thường luụn cao hơn sai số huấn luyện. Điều này là do loại trừ một giếng khoan ra khỏi tập dữ liệu huấn luyện sẽ luụn làm giảm khả năng dự đoỏn. Cũng lưu ý rằng đường cong sai số kiểm tra cũng khụng giảm đơn điệu. Thực tế, nú thể hiện cỏc cực tiểu địa phương xung quanh bốn thuộc tớnh, rồi sau đú tăng từ từ. Điều này cú thể được giải thớch là cỏc thuộc tớnh bổ sung thờm sau thuộc tớnh thứ tư đang ở trạng thỏi huấn luyện quỏ kỹ (overtrai- ning). Thụng thường, nếu một đường cong sai số kiểm tra đạt cực tiểu, ta cú thể giả định rằng số lượng thuộc tớnh sử dụng tại thời điểm đú được coi là tối ưu. Nếu đường cong sai số kiểm tra thể hiện một cực tiểu rộng rói như ở Hỡnh 10 hay cú một loạt cỏc cực tiểu, ta chọn điểm mà tại đú đường cong chấm dứt việc giảm rừ ràng. Trờn Hỡnh 10 điểm đú tương ứng với hai thuộc tớnh đầu tiờn. Sai số ngoại suy (extrapolation) được xỏc định qua việc quan sỏt dự đoỏn địa chấn giữa cỏc giếng khoan và so sỏnh với cỏc tài liệu địa chấn thực.
XÁC ĐỊNH ĐỘ RỖNG ĐÁ CHỨA MIOXEN DƯỚI KHU VỰC ĐễNG BẮC BỂ MÃ LAI -THỔ CHU
Cơ sở dữ liệu dựng cho nghiờn cứu này bao gồm cỏc tài liệu địa chấn, địa vật lý giếng khoan, cỏc tài liệu địa chất, địa vật lý khỏc. Tài liệu khảo sỏt địa chấn 3D khu vực Đụng Bắc thu nổ năm 1998 với diện tớch 1.264 km2, mật độ khảo sỏt là 12,5 x 12,5m. Chất lượng tài liệu địa chấn khỏ tốt, tuy nhiờn ở một vài nơi tớn hiệu phản xạ từ múng chưa rừ, cỏc khu vực cú nhiều đứt góy gần sỏt nhau súng địa chấn bị biến dạng nhiều gõy khú khăn cho việc minh giải tài liệu. Trờn diện tớch khu