基于地震分頻調諧體和Wheeler轉換技術的薄儲層預測方法

殷 文 朱劍兵 李 援 郭加樹 李長紅

(①中國石油大學(北京)克拉瑪依校區石油學院，新疆克拉瑪依 834000； ②中國石化勝利油田有限公司物探研究院，山東東營 257022； ③山東省東營市人力資源和社會保障局信息中心，山東東營 257091；④中國石油大學(華東)計算機與通信工程學院，山東青島 266580)

1 概況

中國陸相含油氣盆地具有多物源、高頻率的水進水退、水動能變化較大、多期次沉積體系等特點，因此砂、泥巖薄互層較為常見。如今，中國大部分盆地的顯形構造圈閉已被發現，小斷塊、低幅度構造圈閉已難以滿足勘探、開發的需要，巖性油氣藏、隱蔽油氣藏等復雜地質異常體已成為勘探、開發的主要目標[1]。

砂、泥巖薄互層的識別和預測，尤其是米級薄層含油砂體識別一直是地震勘探的熱點和難點，傳統的地震勘探技術難以有效描述薄層含油砂體。因此，利用地震資料識別薄儲層以及提高薄儲層預測精度是亟待解決的難題。

現今的大部分儲層預測方法主要在深度域和時間域進行，由于受構造趨勢影響，在層序劃分、沉積相識別、沉積演化分析等方面存在較嚴重的多解性。以層序地層學和地震沉積學等理論為指導，構建地層對比和地層圖的年代地層框架，利用Wheeler域轉換技術將層序地層學和地震沉積學更好地結合[2,3]，采用三維高精度地震資料分析層序地層和沉積期次，通過識別砂體展布和地層沉積演化過程減少多解性，便于認識和理解沉積組合間的空間關系(包括沉積、侵蝕和沉積時間等)，最終在年代地層域中提取時間切片[4]。

常規地震調諧體分析是在全頻段進行的，受地震主頻的影響，高頻信息被壓制，弱化了地震資料高頻分量的貢獻。沉積過程具有周期循環的特點，其巖性、粒度成分、層理厚度也具有隨方向變化的特征。這種薄層構造特征的方向性變化導致在地震響應中出現不同頻率成分。根據地震波調諧原理可知，與有效頻帶內某一頻率產生調諧效應的地層厚度在調諧體上存在對應的地震響應，其中較高頻率的調諧效應對應薄層[5]。可見，如何提取分頻段的調諧效應對薄儲層預測至關重要。

解釋、分析Wheeler域轉換結果，有助于認識儲層展布范圍和方向、分析沉積遷移作用、分析沉積演化過程及研究目的層段的年代地層學。體系域剖面利用時頻分析方法提取地震分頻調諧體，有助于精確確定儲層厚度。因此，將Wheeler域轉換技術和地震調諧體技術有機結合，既能發揮地震數據的高縱向分辨率的優勢，又能在Wheeler域發揮等時切片的橫向分辨率的優勢，突破常規的地震研究手段，實現多尺度的綜合研究，有效降低儲層解釋的多解性，提高預測精度，實現薄儲層識別(圖1)。

圖1 技術思路

2 地震分頻調諧體提取

在地震勘探中，時頻譜分解技術研究信號的頻率隨時間的變化規律[6]。Gabor提出的短時傅里葉變換是早期地震信號譜分解的有力工具，但其分析時窗固定，無法兼顧高頻和低頻信息。小波變換和廣義S變換克服了短時傅里葉變換分析時窗固定的缺陷，具有多分辨率的能力，且計算效率高，如今已經廣泛用于三維地震資料的頻譜分析。但小波變換和廣義S變換均采用“加窗”的思想，由于受“測不準準則”的制約，難以同時獲得高時間分辨率和高頻率分辨率[6,7]。

希爾伯特—黃變換徹底擺脫了線性和平穩性束縛，適用于分析非線性、非平穩地震信號，局部性好，自適應性強，具有良好的時頻域刻畫能力，能夠精細刻畫地震信號的時頻能量分布，有助于提取地震分頻調諧體，在處理復雜地震信號時較傳統的時頻分析方法更有效[8-10]。但傳統的希爾伯特—黃變換存在模態混疊和端點效應等問題，導致信號的處理精度下降。因此，文中采用改進的希爾伯特—黃變換方法[8,9]。

首先，利用自回歸模型預測地震信號。設x(n)之前的m個數據x(n-m),x(n-m+1),…,x(n-1)為已知，預測值為x′(n)，則

y=E{[x(n)-x′(n)]}

(1)

y在預測誤差序列與原始序列正交時取得最小值ymin，也就是

E{x(n-k)[x(n)-x′(n)]}=0

(2)

式中：k=1，2，…，m；ak為系數。由式(2)可以導出線性預測方程，其矩陣形式為

(3)

式(3)為m階自回歸模型的正則方程，求得系數ak后，即可求出n+1時刻的預測值。同理，可以推出后續任意時刻的預測值。

采用自回歸模型在原始地震信號兩側分別計算兩個附加的極大值點和極小值點，再加入k組正/負成對的輔助白噪聲，可以得到兩組固有模態函數集合，即

(4)

式中：S1和S2分別為加入正、負成對噪聲之后的信號；M為原始地震信號；N為輔助噪聲。由此得到的信號的個數為2k。

然后對集合中的每個信號做經驗模態分解。在對合成信號進行樣條插值擬合前，要先采用自回歸模型在信號兩端分別預測附加的極小值點和極大值點，將預測極值點與信號的極值點相連組成信號的上、下包絡線。設bij為得到的第i個信號的第j個固有模態函數分量，通過對所有信號的相應固有模態函數分量求取均值，就可以得到實際信號的第j個固有模態函數分量bj

(5)

最后，選擇合適的固有模態函數分量做希爾伯特變換并忽略分解余項即可求得其瞬時參數。

3 年代地層模型的構建

基于層序地層學理論劃分沉積期次，根據沉積時間重新排序，然后對某一地質層位進行層拉平，恢復到沉積時的形態及其組合。為了保證從時間域到Wheeler域轉換過程的等時性，需要建立適合常規沉積模式的地震數據轉換方法。對于地層垂向變化不大、地層發育較齊全的沉積模式，采用地層平分的方式實現地震數據從時間域到Wheeler域的轉換；對于地層垂向變化較大、剝蝕和超覆等發育較復雜的沉積模式，采用數據驅動方式精細刻畫地質體的三維內部結構和幾何形態，實現地震數據從時間域到Wheeler域的轉換。主要包括以下步驟。

3.1 地震層位的識別與自動追蹤

傳統的線性插值和二值化層位追蹤算法簡單，但效果不理想；基于隱Markov模型和Bresenham算法的層位拾取技術則存在數學模型復雜、檢測速度較慢的問題。常規的地震層位追蹤更多地考慮地震波的運動學和動力學特征，即將地震振幅、同相軸連續性和波形相似性等信息作為控制參數，存在準確性差、效率低，需要人為指定種子點、訓練追蹤時間長等問題[11,12]。地震層序分析及沉積體系域解釋都需要更精確的地震層位信息，現有追蹤算法也缺少小層追蹤和層位加密技術支撐[13-16]。為此，采用改進的蟻群追蹤算法自動識別地震層位，其包括以下主要環節。

(1)數據預處理。由于直接加載的地震數據中往往存在一些奇異值點，同時，為進一步增強層位數據平滑度和連續性，需要對地震數據做增益處理并濾波，以增強同相軸的連續性。

(2)基于蟻群算法的地震層位追蹤。基于蟻群算法的基本思想，實現地震層位的自動追蹤。具體包括螞蟻追蹤初始化、支持向量機(SVM)回歸預測、螞蟻層位追蹤和層位數據提取四個階段。與傳統的追蹤算法不同，該算法不需要人為指定層位種子點，蟻群追蹤在初始化后即可在整個剖面上自動追蹤，并在振幅極值處留下高濃度的信息素。最后提取這些剖面上出現高濃度信息素的連續節點，從而得到地震層位。

(3)層位追蹤后處理。由層位追蹤獲得地震層位數據后，還需要進一步細分已得到層位。因此層位追蹤的后處理就是基于追蹤得到的層位對地震數據區域分割，并按照一定的層位細分策略在區域內進行小層加密。

(4)追蹤結果輸出。整理層位追蹤和小層加密結果，按照地震層位標準建立文件輸出接口。

3.1.1 數據預處理

地震資料在采集、處理過程中，不可避免地存在各種噪聲，影響地震資料的信噪比，導致原始資料幅值變化較大，在層位追蹤過程中容易出現中斷、層位不連續的情況。因此，利用增強算法對數據平滑處理，降低噪聲影響，有效提高層位追蹤效果[17-19]。傳統的標準中值濾波算法難以兼顧去噪處理和地震資料的細節。

為此，進行算法的改進和優化。首先，通過定義增益參數進行帶通濾波，過濾數據中的奇異值；其次，為提高地震層位的連續性，使用快速加權中值濾波器對地震數據濾波，以增強地震數據的平滑度和同相軸的連續性。經過上述處理，最大限度地消除了地震資料中的噪聲，保留了地震數據中的細節信息和邊緣信息。

在地震數據預處理中，常用的濾波窗口具有不同形狀，如線狀、十字形、矩形、圓形、圓環形等，尺寸包括5×5、9×9等。為了增強地震同相軸的連續性，一般選擇較大的濾波窗口，由此往往造成窗口取值和數據排序的時間效率較低。為了提高中值濾波效率，改進濾波算法，使用最接近的均值代替中值進行處理，將算法的時間復雜度由O(nlgn)降為O(n)(其中n為計算時間)，有效提高了算法計算效率。圖2為原始地震數據及中值濾波后數據。由圖可見，濾波后有效抑制了地震數據的噪聲，層位的連續性增強，提高了數據的平滑度和同相軸的連續性(圖2右)。

圖2 原始地震數據(左)及中值濾波后數據(右)濾波窗口為5×5

3.1.2 建立控制層位

在地震數據上建立上、下兩個控制層位(圖3)，控制層位需要選擇具有較強振幅和同相軸連續性的層位。由于不同的控制層位會有不同的Wheeler轉換結果，因此控制層位的建立是構建年代地層模型的關鍵。

基于層序地層學和地震沉積學的理論，在Wheeler域可以清晰地刻畫層序地層的垂向沉積期次，根據地質時間重新排序，然后通過對每個年代地層層位進行層拉平，恢復到沉積時的形態及其組合。

圖3 地震控制層位模型

3.1.3 層位識別與自動追蹤

在層控的范圍內，首先采用非線性SVM回歸分析對地震數據分類，產生層位點與其他節點的分類集。采用改進的蟻群算法，首先在地震剖面上隨機散布螞蟻，螞蟻從不同位置、在有限搜索半徑內按照搜索算法，對自己能夠感知到的層位進行追蹤并在信息素矩陣中標記，經多輪追蹤后在剖面圖信息素矩陣層位點處便會留下較高的信息素濃度。最終，通過提取這些高信息素濃度點得到地震層位。包括SVM回歸分類、螞蟻追蹤初始化、螞蟻層位追蹤和層位數據拾取與加密四個階段。整個過程無需人為指定層位種子點，實現了地震層位的自動追蹤。

(1)非線性SVM回歸分類

SVM通過引入核函數將最優化分類問題轉化到高維度解空間中，降低了計算復雜性，在高維模式識別及分類、非線性問題方面具有獨特的優勢。對層位點和非層位點分類能顯著降低追蹤過程的復雜度，提高追蹤效率。利用SVM分類能給出對應點屬于該類概率的回歸分析值，從而以定量方式確定點與層位的相似關系，并為選擇需要處理的可能層位點建立定量基礎。

1)分類參數的選擇

地震地層學理論表明，不同年代地層在巖性特征、沉積厚度和構造上往往具有不同的性質，在地震波形中表現為不同的振幅、相位和頻率(三瞬)屬性等，對地震層位劃分具有指征意義。因此，首先選擇三瞬屬性對地震數據點初步分類。

2)SVM訓練

在確定地震剖面點的分類參數后，可以利用SVM對節點分類[20]。首先對SVM進行訓練以建立回歸分類模型，SVM訓練數據取自待分類的地層剖面，其樣本點選擇應具備以下條件：①正、負類樣本點數量應當相近；②用于訓練的樣本點應在剖面上分布均勻，以保證訓練結果對整個剖面分類的有效性；③為了保證SVM的分類效果，必須有足夠的樣本數量，但又不易過多，以避免對SVM訓練效率產生影響。基于以上原則，訓練樣本應從地震剖面上選擇層位點和非層位點作為訓練數據輸入SVM。為此，對每個剖面按比例選擇螞蟻對應的層位點和非層位點分類訓練，同時對產生樣本的螞蟻按照位置進行循環選擇，保證訓練層位點在剖面上均勻分布。其中層位點選擇是在搜索初始范圍最小值點后，通過螞蟻追蹤完成。

樣本類型的數量是影響SVM構造的主要因素，為增加非層位點類型[21]，使用以下原則選擇非層位點：①在初始層位追蹤時在螞蟻搜索步長窗口中找到的幅值最小點；②在追蹤過程中小于螞蟻搜索步長窗口中的幅值均值的任一點。通過上述方式拓展了非層位點的訓練數據類型，有效提升了SVM數據分類的準確度。

3)交叉驗證

通過訓練自動匹配SVM，但此時的分類效果并非最優，訓練完成后一般應通過交叉驗證調整相關參數，以保證分類效果最優。交叉驗證的目的是通過調整參數優化分類效果。因此，交叉驗證是使用SVM的一個重要環節。

4)回歸分類和優化

對剖面上的節點進行多分類，多分類具有高準確性。為了便于蟻群追蹤對節點選擇的評價，在使用SVM分類的同時進行回歸分析，以取得節點落入相應類別的概率(圖4)。

圖4 非線性SVM回歸分類示意圖x、y分別是系統的輸入與輸出，T是非線性函數，n是SVM的個數，ciyi為Lagrange乘子，f(x)是回歸決策函數

在SVM將搜索的節點做基本劃分的基礎上，蟻群在被劃分后的節點集合中搜索。

(2)螞蟻追蹤初始化

首先，設定螞蟻的初始活動范圍，由縱橫向追蹤步長、初始信息素濃度、信息素濃度參數、信息素更新參數、幅值閾值、追蹤角度閾值、失敗終止閾值、失敗恢復閾值等參數決定(圖5)，按照初始追蹤半徑在整個剖面上隨機散布螞蟻(圖6)。

(3)螞蟻層位追蹤

完成螞蟻初始化以及基于SVM的地震數據分類后，便可在地震剖面中散布螞蟻實施層位追蹤。在層位追蹤中，節點的評價函數決定螞蟻如何選擇下一節點。為此，定義節點評價函數

圖5 追蹤參數圖

圖6 螞蟻散布

p(a,a′,d,d′,dist,ph)

(6)

式中：a為節點的幅值；a′為最近追蹤層位樣本點的均值；d為節點傾角；d′為層位當前傾向，即從上一拐點開始層位的斜率； dist為選擇節點的距離； ph為選擇節點的信息素值；w為權值；r1和r2分別為幅值閾值參數和追蹤角度閾值參數，在追蹤前可以根據層位特征和經驗值進行設置，如對于層位光滑、連續性較好的剖面可以降低參數r2，以進一步提高追蹤的精度和效率。

每輪蟻群追蹤完成后都需要更新信息素矩陣，更新策略直接影響層位提取。信息素矩陣更新策略為

ph′=ph×ffade+fupd

(7)

式中：ffade為信息素衰減因子，在每輪迭代后，信息素會按照此因子降低；fupd為信息素更新因子，對于未被螞蟻追蹤的節點，此值為0，該值反映了信息素更新的大小以及層位追蹤的特點。

按照ffade與fupd處理信息素，但對于地震剖面上連續性好的層位，由于經過的螞蟻數量多，最終在層位上留下的信息素濃度大；反之，對于連續性不好的層位，由于經過的螞蟻數量有限而被舍棄。因此在層位間進行蟻群追蹤，平衡成為信息素矩陣更新中的重要問題。

圖7 不同層位初始螞蟻數量

圖7為不同層位初始螞蟻數量。由圖可見，由于上部層位較短，僅有2只初始化螞蟻，下部層位較長，初始螞蟻數量則超過了10只。因此，如果未對不同層位上的信息素更新進行平衡，短小層位在追蹤后必然會被忽略。另一方面，在自然界中，螞蟻爬過區域的信息素濃度并不隨螞蟻爬行次數的增加而線性增長，在高濃度信息素區域中爬過的螞蟻并不能明顯增加該區域信息素的濃度。因此，本算法記錄每只螞蟻追蹤點的更新次數，將更新濃度設置為關于信息素增長速度k與更新次數x的泊松函數，即

(8)

上式使每次更新的信息素得到規律增長，同時抑制了由于大量螞蟻爬過較長層位導致的信息素濃度過大的情況，避免了求解向少數極大信息素濃度點的過分偏移，體現了蟻群追蹤的基本思想。螞蟻在長層位追蹤后，對于信息素的更新按照更新次數降低，并最終達到峰值。始于不同位置的螞蟻按照選擇規律在地震剖面上生成高信息素濃度的層位線，經過多輪爬行后，層位線上的信息素將明顯高于環境信息素濃度，為下一步地震層位提取建立了基礎。通常將蟻群追蹤迭代次數設置為30～50，隨后按照地震剖面各點信息素與最大信息素濃度比值得到信息素矩陣和信息素圖。圖8為迭代30次后螞蟻追蹤生成的信息素圖。由圖可見，經過螞蟻追蹤，高濃度信息素曲線與剖面中的層位吻合較好。

(4)層位拾取與加密

圖8 迭代30次后螞蟻追蹤生成的信息素示意圖紅色為信息素濃度最大值的80%，綠色為信息素濃度最大值的60%

雖然螞蟻追蹤在多輪迭代后能得到與地震層位對應的信息素矩陣圖，但信息素矩陣圖是基于單點繪制的，不能體現層位信息。因此，需要掃描信息素矩陣進而得到地震層位數據，且在層位掃描時需要考慮層位之間的相對關系。由于地下地質構造的復雜性，地震層位之間可能存在超覆、尖滅、削截等現象，但是層位不能互相穿越；另外，由于存在斷層等構造現象，兩個相鄰層位并不能直接相連(圖9)，需要使用相干性判別準則對斷層附近的追蹤層位連接。層位提取掃描算法按照從上向下、從左到右的順序進行，在道集方向上尋找、標記長層位，在處理短小層位時使用掩碼矩陣判定層位穿層。對于相鄰層的連接，則采用C1相干性算法進行判定，根據在計算層位線結束側鄰近范圍內找到的層位起始點及其相干值，通過選擇連接相干性大于指定閾值的層位或者中斷當前層[22]。通過相干性連接判定，避免了因斷層存在而引起的層位不連續。

層位合并是將相鄰的高信息素節點合并為一層，同時，通過延長節點提高層位線方向的連續性。

穿層處理是在追蹤過程中，對將出現穿層的節點進行尖滅(圖9)。

完成層位拾取后，采用OpendTect層位加密策略加密地震數據體內的小層[23]，實現精細層序地層劃分，并得到4種年代地層計算模型(圖10)。

圖9 層位拾取中的層位尖滅

圖10 年代地層計算模型(a)線性插值； (b)平行于頂； (c)平行于底； (d)數據驅動

3.2 Wheeler域轉換

3.2.1 基本原理

基于層序地層學和地震沉積學的理論，通過自動追蹤地震層位，建立等時地層格架，劃分沉積期次，按照地質時間重新排序，然后結合地質層位進行層拉平，恢復到沉積時的形態及其組合。

圖11為時間域與Wheeler域轉換對比圖。由圖可見，通過對每個年代地層層位進行拉平實現Wheeler轉換。因此，在Wheeler域可以清晰地刻畫層序地層的垂向沉積期次。

圖11 時間域(a)與Wheeler域(b)轉換對比圖

Wheeler域中的空白區代表該時期無沉積發生或沉積地層遭受剝蝕，近物源空白區可能是由于沉積地層被剝蝕形成的，遠物源空白區是無沉積作用形成的

3.2.2 實現方法

在等時地層格架約束下實現層控下的地震層位自動追蹤和加密，建立不同沉積模式的等時地層切片，實現把追蹤到的層位拉平到對應的相對地質年代域，即通過拉平每個地質年代同相軸進行Whee-ler變換[24]。基于地震相，通過Wheeler轉換研究沉積相，并可以在Wheeler域研究沉積體的空間演化規律，進行儲層演化分析，描述有利儲層的分布。

為了保證從時間域到Wheeler域轉換過程的等時性，需要建立適合常規沉積模式的地震數據轉換方法。對于地層垂向變化不大，地層發育較齊全的沉積模式，采用地層平分的方式進行Wheeler轉換；對于地層垂向變化較大，剝蝕、超覆等沉積現象較復雜的情況，可以采用數據驅動精細刻畫地質體的三維內部結構和幾何形態，然后進行Wheeler轉換，實現地震數據從時間域到Wheeler域的轉換。Wheeler轉換主要包括以下三個步驟。

(1)建立控制層位。在地震剖面上建立上、下兩個控制層位(圖11a)，要求層位有較強的連續性和振幅。建立控制層位是Wheeler轉換的關鍵，因為不同的控制層位有不同的Wheeler轉換結果。

(2)層控范圍內層位自動追蹤。采用非線性SVM回歸分析對地震數據分類，基于蟻群算法的基本思想，首先隨機散布螞蟻，螞蟻從剖面不同位置開始對自己能夠感知到的層位進行追蹤并在信息素矩陣中標記，經多輪追蹤后剖面圖信息素矩陣層位點處便會留下較高的信息素濃度，最終，通過提取這些高信息素濃度點得到地震層位。包括螞蟻追蹤初始化、SVM回歸預測、螞蟻層位追蹤和層位數據提取四個階段。整個過程無需人為指定層位種子點，實現了地震層位的自動追蹤。

由于地下地質狀況的多樣性，如存在斷層等構造現象，需要使用相干性判別準則對斷層附近的追蹤層位連接，并借助掩碼矩陣判定層位穿層。當完成層位拾取后，采用層位加密策略對地震數據體內的小層加密，從而實現精細的層序地層劃分，其中小層加密采用線性插值、平行于頂、平行于底和數據驅動等4種加密策略(圖10)。

(3)拉平追蹤層位。對地震地層格架內部層位追蹤即可獲得層序內部的層位，把追蹤到的層位拉平到對應的相對地質年代域，即通過拉平每個地質年代同相軸進行Wheeler變換，由此構建與之相對應的等時年代地層框架模型，能夠明顯地識別地層缺失和沉積間斷，并檢驗層序地層劃分結果的合理性，為開展層控薄儲層預測提供可靠的層位數據。

根據圖像映射原理轉換映射時間域地震數據和Wheeler域年代地層數據，即

(9)

式中：T′為地震資料對應的時間；t′為Wheeler域數據對應的時間；T1為層位1地震數據對應的時間；T2為層位2地震數據對應的時間，t1為層位1 Wheeler域數據對應的時間；t2為層位2 Wheeler域數據對應的時間。由此，實現將時間域的兩個地震層位轉換到Wheeler域的年代地層時間。

4 實際資料應用

研究對象為中國W油田Y9井區的高精度地震數據及Y91、Y92、Y93井的測井數據，地震資料的主頻為28Hz，在縱向上無法分辨10m的薄儲層。研究區在沙三中前三角洲發育大量濁積砂體，為有利的含油氣儲集體，是油田重要的勘探目標。由于砂體厚度小于10m，薄儲層的預測難度較大。首先，對原始地震數據進行改進的加權中值濾波，不難看出，原始地震資料(圖12左)經中值濾波后同相軸的連續性明顯增強，信噪比顯著提高，有利于同相軸追蹤(圖12右)。

然后，在等時地層格架下選擇T4和T6標準層作為上、下控制層，基于SVM回歸分析對地震數據分類，進而采用改進的蟻群算法在層控范圍內實現地震數據的層位自動追蹤(圖13)。在沉積體系域解釋之前，結合單井層序劃分結果進行分析(圖14)，按照層序由大到小的順序，在沙三中內識別出SB1、SB2、SB3等3個大的層序界面，將沙三中劃分為SQ1、SQ2、SQ3、SQ4等4個中級旋回。從連井層序對比來看，SB1、SB2、SB3等層序界面分別對應三角洲Es3z3、Es3z4和Es3z6砂組的頂界面，通過Y91井精細合成記錄標定結果(圖15)得到濁積巖(砂體)的范圍。在單井層序分析的基礎上，通過小層自動追蹤建立精細地層層序格架，然后對過Y91井地震剖面進行Wheeler轉換，并在時間域和Wheeler域開展沉積體系域同步解釋。圖16為過Y91井地震剖面的Wheeler轉換后的年代地層及體系域劃分結果。

圖17為CrosseLine 23剖面時間域和Wheeler域的沉積體系域同步解釋結果交互顯示，能夠直觀地展示各個層次在地震剖面上的分布情況，進一步驗證了層序劃分結果。

圖12 原始地震資料(左)及其中值濾波結果(右)采用9×9圓形時窗

圖13 中值濾波結果的地震層位自動追蹤(左)及其層位加密前(中)、后(右)鏤空結果

圖14 Y91井單井層序分析

圖15 Y91井精細合成記錄標定結果

圖16 過Y91井地震剖面的Wheeler轉換后的年代地層(左)及體系域劃分結果(右)

利用鉆井資料統計出沙三中不同巖性的平均速度及厚度，根據調諧厚度λ/4(λ為波長)分辨原理可知，儲層的最佳響應頻率約為65Hz，因此選擇50～70Hz的高頻調諧體突出儲層反射(圖18)，結合單井綜合錄井圖，通過合成記錄精細標定濁積巖(砂體)的發育位置。圖19為原始地震資料與調諧體的時間切片、沿層切片對比。由圖可見：高頻調諧體更加精細地反映了井周圍的砂體展布特征，很好地展示了同一期次沉積體的地震響應特征，提高了薄儲層的預測精度；與原始資料相比，高頻調諧體的分辨率更高，與井上儲層對應關系更好，能夠精細地刻畫薄層砂體。將高頻調諧體與實際鉆井數據結合，能夠進一步圈定濁積巖儲層的分布范圍。

將高頻調諧數據體與由Wheeler域分析得到的等時層位相結合，對該區沙三中濁積巖薄互層進行預測。圖20為原始地震數據、高頻調諧體及井資料的薄互層預測結果。由圖可見：Y93井位于濁積巖砂體中部，單砂體厚度約為5m(圖20c)，高頻調諧體的儲層預測結果呈紅色(圖20b)，原始地震數據的儲層預測結果呈淡黃色(圖20a)；Y91井位于濁積巖砂體的邊緣位置，單砂體厚度小于5m(圖20c)，高頻調諧體的儲層預測結果呈紅、黃色(圖20b)，原始地震數據的儲層預測結果呈藍色(沒有鉆遇濁積巖)(圖20a)；Y92井基本沒有鉆遇濁積砂體(圖20c)，原始地震數據(圖20a)與高頻調諧體(圖20b)的預測結果都位于藍色區域，代表砂體不發育，結果基本一致。綜上所述，高頻調諧體的儲層預測效果要好于原始地震數據。

圖18 原始地震剖面(左)及50～70Hz高頻調諧剖面(右)泥巖平均速度為2600m/s，砂巖平均速度為2800m/s，砂、泥巖平均速度為2700m/s，目的層砂、泥巖薄互層厚度為20m，單砂體厚度小于10m

圖19 原始地震資料與高頻調諧體的時間切片(左)、沿層切片(右)對比

5 結論

以層序地層學和地震沉積學等理論為指導，首先，采用分頻技術提取不同頻段地震數據調諧體。然后，在等時地層格架約束的地震層位自動追蹤和拾取的基礎上，在時間域結合沉積旋回特性將層位追蹤結果進行Wheeler域轉換，構建地層對比和年代地層格架，實現年代地層和沉積體系域的同步解釋，有效揭示了沉積組合間的空間關系，進而提取高頻調諧體地層切片，實現層控薄儲層預測，通過等時界面有效提高了薄砂體的橫向預測精度。上述方法既能發揮地震數據的高縱向分辨率的優勢，又能在Wheeler域發揮等時切片的橫向分辨率的優勢，減小了儲層解釋的多解性，提高了儲層預測精度，為薄儲層的識別提供了新的技術思路。