基于储层预测数据分布式处理的质控平台研发

刘胜 李徯徯 蒋震 万鑫

摘  要：随着我国企业信息化建设的不断发展与石油勘探工作的持续深入，石油石化企业在生产管理智能化和勘测场景多样化等方面面临着更为严峻的挑战。为应对这些问题，塔里木油田企业将储层预测工作划分成岩石物理、正演模拟、特殊处理及属性分析、叠后反演、叠前反演5个工序，通过工作流程的分布式优化推动全局最优，在降低解释工作复杂度的同时，缩短项目的处理周期。在此基础上，针对各质控點制定详细的处理工艺和精度要求，结合GeoEast-iEco数据解释系统，研发一套智能质控平台，实现储层预测的高效率和高质量质控。

关键词：储层预测; 分布式处理; 智能质控；精度；质控效率

中图分类号：P618.1      文献标志码：A          文章编号：2095-2945（2024）08-0024-05

Abstract： With the continuous development of enterprise information construction in China and the continuous deepening of oil exploration， petroleum and petrochemical enterprises are facing more severe challenges in the aspects of intelligent production management and diversification of survey scenes. In order to deal with these problems， the Tarim Oilfield Company divided the reservoir prediction work into five processes： petrophysics， forward simulation， special treatment and attribute analysis， post-stack inversion， and prestack inversion， and promoted the global optimization through the distributed optimization of workflow， while reducing the complexity of interpretation and shortening the processing cycle of the project. On this basis， this study made detailed processing technology and posed precision requirements for each quality control point and， combined with GeoEast-iEco data interpretation system， developed a set of intelligent quality control platform， in order to achieve high efficiency and high quality quality control of reservoir prediction.

Keywords： reservoir prediction; distributed processing; intelligent quality control; accuracy; quality control efficiency

近年来，随着我国的石油勘探工作向复杂油气藏[1]发展，对地下地质体速度求取精度的要求越来越高，储层预测的需求也日益增加。塔里木油田自2021年以来，平均每年负责近20多个储层预测数据的质控工作，每个储层预测项目包括15个以上过程成果数据体需要质控，工作量巨大。传统的人工质控方式存在质控过程繁琐化、质控结果主观化、质控效率低等问题。为此，本文提出了一种基于分布式处理的储层预测质控系统。本系统在确保数据在传输过程中的安全性和完整性的同时，提高处理效率和保证结果质量。

传统的储层预测项目通常由单独的承包商来闭环处理其对应的储层预测全流程工作，包括岩石物理、正演模拟以及特殊处理及属性分析等其他过程[2]。其中，特殊处理主要用于储层预测数据增强，而其他过程则用于信息分析和解释。工区闭环的处理模式能满足一般的石油勘探工作，但其存在“木桶效应”，在探索成熟区域邻近区及新区时，面临着解释周期不可控以及结果质量低等问题[3]。

储层预测数据的安全传输方面，由于储层预测数据[4]的保密性，确保项目双方网络通畅的同时，需要保障数据在传输过程中的安全性和完整性。虚拟专用网络（Virtual Private Network，VPN）是一种通过在客户机与网关之间建立加密的点对点连接的虚拟技术，可以确保数据在经过网络传输时的安全性。然而，对于非页面端的数据访问，传统的质控平台通常依赖额外的应用软件进行转换，无法实现端到端的安全传输。

针对以上原因，本文基于储层预测数据分布式处理新模式，结合GeoEast-iEco[5]数据解释和处理平台，构建了网页端一体化智能质控平台。该平台实现了储层预测数据处理的在线质控功能，能够一键生成质检表和质量控制报告，并支持质控项目的在线作业。同时，平台建立了三级质检在线管理等功能，实现了储层预测质控流程的一体化和智能化。此外，通过建立项目专用的内部网络部署，远程用户可以获得安全接入地址，确保数据访问的安全性和保密性。

1  储层预测数据质控新模式

随着勘探工作的持续进行，所面临的工作环境日益复杂，其难度也在不断增加[6]。为了更有效地质控这些数据，本文提出了一种基于分布式处理平台的储层预测质控系统。这种系统通过将储层预测全流程划分为5个工序、15个质控任务，实现了储层预测质控流程的一体化和智能化。

1.1  储层预测数据分布式处理

在本系统中，储层预测包括5个主要步骤：岩石物理、正演模拟、特殊处理及属性分析、叠后反演和叠前反演。在岩石物理阶段，采用先进的数据清洗和校正技术，以确保数据的质量和准确性。在正演模拟、特殊处理及属性分析阶段，利用大数据技术和分布式计算框架，处理储层预测数据。在其他解释阶段，对数据进行深入学习和复杂的数据分析，以更准确地获取层速度等信息。最后，在质控阶段，使用基于分布式处理平台的储层预测质控系统，监控和控制数据处理的质量和效率。

1.2  储层预测质控系统处理技术与精度要求

储层预测质控系统基于分布式处理平台，实现了储层预测的全流程质控。系统在每个处理阶段设置质控点，并通过质控任务对数据解释进行监控和优化。通过这种方式，保证数据解释质量的同时，提高项目周转的效率。

根据多年的储层预测项目经验[7]，针对塔里木盆地的实际勘探场景，本文在储层预测数据分布式处理的基础上，制定了总体处理技术要求和过程质控要求，并从定性和定量2方面对工作精度要求制定了具体的质控标准。针对塔里木盆地的实际场景需求，结合以往的储层预测经验[8]，制定了适用于该地区的储层预测质控流程，并梳理了重点试验参数。此外，还统一规定了相应的测试范围和区域的基准参数[9]。表1展示了储层预测技术的部分要求，从而保障储层预测的高质量，对各个质控模块的实现进行具体化和模块化。

1.3  过程质控要求

对于储层预测数据，以往质控方式人为主观判断的因素较多，对质控结果存在一定程度干扰。通过三级质检的方式，可以极大降低人为因素所带来的影响，以改善抽检的质量[10]。为了确保储层预测的高质量，针对每个项目采用三级质检的方式完成项目检验，明确规定各个任务的关键步骤的检验点，制定合格标准以及不同级别的抽检率标准，具体质检流程如下。

一级质检：由项目承包商自行进行自检，确保自检率达到100%。

二级质检：由项目监督方进行抽检，抽检率不低于工序中定义的抽检率要求。

三级质检：由专业化小组进行抽检，抽检率不低于工序中定义的抽检率要求。

同时，对每个质控点赋予不同的权重，以便根据各個质控点的考核情况进行综合量化评价。按照从上到下逐级抽检的方式，最终的合格率将根据三级质检的合格率相乘得出。

2  智能质控平台建设

基于储层预测数据分布式处理的组织模式，在降低勘探工作难度的同时，缩短了整体工作周期。然而，在质控方面，传统的质控工作由于没有统一的处理软件，数据需要在不同平台软件之间进行传输[11]，造成资源浪费的同时，也大大影响了工作人员的质控效率以及项目的进度。同时，现有的质检方式大都采用线下的方式进行，这导致了质控流程冗长、数据迁移困难等问题。为了解决以上问题，本文基于储层预测数据分布式处理的组织模式搭建一体化智能质控平台，以实现储层预测数据处理项目的在线远程质控，保障整个质控流程的质量和效率。

2.1  总体设计

一体化智能质控平台的搭建从数据载入、功能构建、用户定制以及应用效果四个方面进行考虑。在数据载入方面，对于GeoEast-iEco平台所处理的数据进行在线载入，而其他处理软件则需要离线载入；在功能构建方面，实现质检进度管理、质控报告及质检记录等功能；在用户定制方面，实现项目承包商、监督方以及监督用户联合保障质检；在应用效果方面，实现在线远程质控、质控结果展示和定量评价。

2.2  技术框架

为了提高储层预测数据质控的效率，本文基于GeoEast-iEco平台搭建了一个并行计算结构，该结构包括存储层、资源管理与作业调度层、并行框架层、质检算法层以及交互层。

在存储层方面，采用了多维度动态道头索引机制、缓存机制以及分布式读写机制，以实现高速数据读取的能力。资源管理与作业调度层利用集群资源管理技术，确保算法能够快速执行。并行框架层负责批量计算各类质检模块。质检算法层则负责进行质检的定量计算。最后，交互层采用GeoToolkit组件[12]为用户提供各类地震成像展示、质检报告生成等交互功能。

通过这样的并行计算结构，能够提高储层预测数据处理的效率，使得储层预测数据的质检工作更加高效准确。

为确保储层预测数据的安全性和完整性，采取了一系列安全措施。首先，部署了一个专用的内部网络，使甲方员工能够安全地访问乙方公司的内部质控平台服务器和Geoeast服务器，同时满足甲方质检员异地访问的需求。

在实现这一目标时，乙方公司在公网IP上部署一个VPN路由器[13]，以便快速、便捷地实现异地用户对乙方公司内网的访问。不论用户是在手机终端还是其他区域局域网用户，都可以通过PPTP/L2TP协议进行访问，并且访问数据会进行加密，直接进入公司内网的质控平台服务器，从而实现协同工作。

通过这样的安全措施，能够确保储层预测数据在项目双方网络中的畅通无阻，同时保证数据的安全性和完整性。用户可以安心地进行远程访问，并参与质控工作。

2.3  质控作业批处理

对于质控作业的批处理，基于MapReduce框架[14]Map阶段负责对数据进行分块处理，而Reduce阶段负责数据的归并处理。通过这种方式，可以有效地完成质控作业的批处理。

用户可以通过前端界面监管作业参数和状态，查看储层预测数据和质控项目的展示等功能。通过这个前端网页，用户可以方便地管理和监控质控作业的进度，并且查看相关数据和项目的展示。

3  实现效果

3.1  全量质控

根据质控指标以及定量检测质控要求，从点、线、面及切片4个维度对储层预测数据进行效果的对比分析。图1的左侧展示了执行波场分离后的Z分量在去噪前后时的对比，图的右侧展示了Z分量[15]在去噪前后的单炮信噪比，从图中可以看出，Z分量的噪声在去噪后从53.88%降低为44.07%，而信号占比从45.61%提高到55.32%。基于批处理算法模块和内置信噪比计算模块，实现储层预测数据的快速信噪比分析计算；同时在Web前端页面，实现分布式远程信噪比分析计算功能，满足了储层预测数据处理解释过程质量控制对信噪比分析计算的需求。

在测井时获得的曲线，可反映出不同岩性、层位特征，相同区域测井曲线反映了本区域的地质特征，具有一定的规律性，通过定性展示特定区域的联井曲线可以对测井曲线质量进行定性质控。图2展示了岩石物理质控中的测井曲线[16]图，其中，数据源为纵波层速度、横波层速度、密度曲线等，可以定性分析测井曲线特征与岩性的吻合程度，为后续处理解释工作提供了质量参考。

3.2  三级质检在线管理

经由本平台创建的质控项目支持三级质检的线上管理，质控项目信息包括油田质检人员、项目承包人员以及专业监督人员，由甲方提供质检需求，乙方进行质控意见的在线反馈，数据经由内部专用网络进行存储和转发，并通过质控平台查看相关质控数据报告以进行在线审核。

3.3  质控报告在线生成

传统的质控记录工作通常是线下进行的，工作人员需要依赖专业软件来记录质检数据，例如质检数量、合格率等，并且需要进行线下的人工签字。为了解决这个问题，智能质控平台构建了一个网页端的系统，可以在线生成质检记录和质控报告。

针对质检过程的在线记录，系统能够自动获取质检用户的信息以及所有的操作，并生成质检记录表。在这个过程中，系统会完成定量质控，而质检人员则负责定性判断。质檢表中的关键字段由平台根据相应的数据自动生成，这不仅提高了质控处理的效率，也避免了人为主观因素的影响。

另外，针对质控报告的在线生成，平台会将质控点的处理数据进行存储，并按照指定的模板生成相应的质控报告文档。报告中会说明检验标准以及质控结果是否合格，从而简化了工作人员的报告流程。

4  结束语

通过对储层预测数据分布式处理组织模式的探索，成功地制定了质控处理技术体系，并在此基础上搭建了一体化智能质控平台。平台实现了在线质控、远程质控、三级质检在线管理、质控报告和质检记录的在线生成等功能，大大提高了质量和效率。研究结果表明，智能质控平台对于改善质控流程、提升效率和质量具有重大价值。后续将进一步探索这个领域，包括利用深度学习技术如ResNet和GAN等深度神经网络，来提高质控处理结果的精度。

参考文献：

[1] 滕吉文，司芗，王玉辰.我国化石能源勘探，开发潜能与未来[J].石油物探，2021，60（1）：1-12.

[2] 李虹，蔡希玲，王学军，等.海量地震数据处理方案与技术发展趋势[J].中国石油勘探，2014，19（4）：48-55.

[3] 李铁柱，韩文娜，王铁成.VSP数据管理质量控制方法探讨[J].中国信息界，2012（10）：41-43.

[4] HORNBY B E， YU J， SHARP J A， et al. VSP： Beyond time-to-depth[J]. The Leading Edge， 2006，25（4）：446-452.

[5] 王子兰，王仕俭，李素闪，等.GeoEast处理解释一体化应用[J].天然气工业，2007（S1）：222-224.

[6] WANG X-W， QIN G-S， ZHAO W-F， et al. The application of forward modeling technique in seismic acquisition de-sign[J]. Progress in Geophysics， 2012，27（2）：642-650.

[7] WANG H， LI M， SHANG X. Current developments on micro-seismic data processing[J]. Journal of Natural Gas Science and Engineering， 2016（32）：521-537.

[8] 王喜双，赵邦六，董世泰，等.油气工业地震勘探大数据面临的挑战及对策[J].中国石油勘探，2014，19（4）：43.

[9] LONGDE S， CHAOLIANG F， LIMING S， et al. Innovation and prospect of geophysical technology in the exploration of deep oil and gas[J]. Petroleum Exploration and Development， 2015，42（4）：454-465.

[10] 郭树祥，王立歆，韩文功.叠前地震数据优化处理技术分析[J].石油物探，2006，45（5）：497-502.

[11] 冷广升.地震数据采集质量控制方法研究与应用[J].中国煤炭地质，2010，22（S1）：67-72，76.

[12] BALOVNEV O， BODE T， BREUNIG M， et al. The story of the GeoToolKit-an object-oriented geodatabase kernel system[J]. GeoInformatica， 2004，8（1）：5-47.

[13] SINGH K K V， GUPTA H. A New Approach for the Se-curity of VPN[C]//Proceedings of the Second International conference on Information and Communication Technology for Competitive Strategies， 2016：1-5.

[14] DEAN J， GHEMAWAT S. MapReduce： simplified data processing on large clusters[J]. Communications of the ACM， 2008，51（1）：107-113.

[15] LU J， WANG Y， CHEN J， et al. P-and S-mode separation of three-componentdata[J]. Exploration Geophysics， 2019，50（4）：430-448.

[16] MATEEVA A， ZWARTJES P. Depth calibration of DAS channels： A new data-driven method[C]//79th EAGE Conference and Exhibition 2017，2017：1-5.