稀疏井網地震分辨率以下復合砂體構型地震檢測方法及應用

張棟，黃旭日*,2，范廷恩，尹成，丁峰

1 西南石油大學地球科學與技術學院，成都 610500 2 油氣藏地質及開發工程國家重點實驗室，西南石油大學，成都 610500 3 中海油研究總院有限責任公司，北京 100028

0 引言

地震沉積學是地震地層學和層序地層學在小尺度研究中的延續，自Zeng等（1998a,b）首次提出地震沉積學的概念后便得到學術界和工業界的高度關注.地震地層學和層序地層學認為海平面升降變化是形成沉積層序的根本原因，同時認為地震反射產生于巖石中的物性界面，因此地震反射同相軸大體反映地質等時界面（Khazaradze et al.,2002）.地震沉積學則認為地震反射同相軸不是嚴格等時的，其地質意義與地震資料的頻率有關，當巖性界面與等時沉積界面相交時會發生地震反射同相軸穿時的現象（林承焰等，2007）.當地層厚度小于一個同相軸厚度時，傳統地震相分析方法不再適用于沉積學研究（曾洪流，2011）.地震沉積學利用90°相位轉換技術可將地震數據轉換為地層巖性數據體，繼而利用地層切片和分頻段解釋技術可將物理意義的地震屬性參數轉換為沉積相平面圖（曾洪流等，2012）.主要的關鍵技術包括三維地震數據90°相位化、地層切片技術、分頻解釋技術、層面屬性優選和RGB融合等（朱筱敏等，2020；婁敏等，2021）.

地震沉積學應用于油藏開發地質研究則還在不斷地探索中.以往的研究主要是根據地層切片識別某些特征獨特的沉積儲層構型單元，如曲流河點壩、分流河道砂壩、河口壩等，在應用上仍受到地震垂向分辨率的限制（朱筱敏等，2020）.而面向開發尺度的儲層內部結構，識別地震資料分辨率之下的沉積單元和沉積界面是地震解釋的難點（張濤等，2012；楊宏偉等，2020；劉傳奇等，2022）.近些年，在相對稀疏井網條件下，利用地震信息的橫向分辨率優勢能有效的預測和表征薄層砂體.一方面，通過分頻融合地震屬性來高精度刻畫儲層分布，結合巖心、測井綜合解釋分析，已經可以識別數米厚度范圍內的沉積構型單元（Zeng，2017；Yue et al.,2019）.另一方面，通過人工智能機器學習方法將測井解釋與地震屬性聯系起來，定量預測砂體厚度和沉積相（Li et al.,2019）.

20世紀90年代初，“Reservoir architecture”的概念引入國內，譯為“儲層建筑結構”或“儲層構型”，是指不同級次儲集單元與隔夾層的形態、規模、方向及其空間疊置關系（吳勝和等，2008）.儲層構型研究與傳統沉積相研究存在較大區別，沉積相研究注重沉積環境及其產物的“面貌”特征，且不同級次的面貌特征之間往往沒有物理界面，而儲層構型研究的構型單元之間由不同級次的物理界面所限定（吳勝和等，2013）.儲層構型在傳統沉積學研究的基礎上，進一步揭示了小尺度下的構型差異分布和沉積演化規律，對指導復雜地質條件下的油氣精細勘探與開發具有重要的理論和實際意義（吳勝和等，2021）.

前人以野外露頭及陸上密井網油田資料為基礎，對河流儲層研究的精細程度達到了單一點壩級次（何文祥等，2005；岳大力等，2007，2008；吳勝和等，2013；束青林等，2014）.然而，在稀疏井網條件下，井距往往大于構型規模.如海上油田，即使在開發中后期的密井網條件下，井距一般也為350～400 m（劉超等，2014；陳飛等，2015）.這個井網井距尺度相對于以“內幕結構復雜、相變快”為特征的河流相儲層規模而言，無法滿足儲層內部構型的精細解剖要求，井間預測存在不確定性.對于相對稀疏井網條件下，充分發揮地震資料的橫向分辨率優勢可以降低井間預測的不確定性.然而，當儲層構型厚度小于地震資料的調諧厚度，如渤海河流相單期沉積的砂體厚度約4～5 m，泥巖隔夾層僅1～2 m（胡光義等，2014；陳飛等，2015），即使海上高品質地震資料的主頻約為50 Hz，當波速為2350 m·s-1時，理論可分辨的地層厚度（λ/4）僅為11.75 m.地震資料垂向分辨率以下沉積單元的地震可識別構型及識別方法是儲層構型研究的重點.

面向開發小尺度的地震沉積學解釋不僅需要對沉積構型單元（沉積相）進行刻畫，同樣重要的是識別次一級構型單元的邊界，對井間砂體接觸關系進行預測.以往基于地震資料道間波形相似性提出了一系列橫向不連續性檢測方法，如相干體、局部結構熵、曲率體等（Bahorich and Farmer,1995;Marfurt et al.,1998;Gersztenkorn and Marfurt,1999;Cohen and Coifman,2002;Marfurt,2006;Gao,2013;Mandal and Srivastava,2018），因相干加強和道間均衡僅能預測大尺度斷層等不連續性，難以解決薄層不連續性預測.因此，本文利用地震沉積學在薄層解釋的優勢，對地震垂向分辨率以下的次級沉積構型單元邊界進行預測，結合人工智能神經網絡方法對沉積構型單元的預測，用地質規律、模式來約束地震屬性分析，降低井間預測多解性，實現次級單元內部結構的刻畫.

1 復合砂體構型及地震可識別尺度

1.1 構型級次及內部構型

在河流與三角洲等的沉積演化中，由于沉積基準面、地形坡度、水動力條件等控制因素的不斷變化，導致成因相聯系、不同期次的單砂體在空間中頻繁遷移擺動，相互侵蝕疊置形成復合砂體.其中，成因相聯系的單砂體是指同一沉積微相內具有單一期次的、巖性及物性具有相似或漸變特征的單期沉積砂體.復合砂體構型針對儲層厚度小于地震資料調諧厚度的現實情況，通過強調同一等時地層內單砂體之間的復合關系，來解釋單期成因小層（或儲量單元）內的注采滲流差異等層內非均質性（范廷恩等，2018）.前人根據以渤海為代表的海上油田開發經驗，在Miall河流相儲層構型研究的基礎上，通過引入“復合點壩、復合河道帶”級次，豐富了傳統儲層構型分級方案，建立了適用于稀疏井網條件的河流相復合砂體構型分級方案，見表1.其中，第7級（復合點壩）指多期河道相互侵蝕疊置形成的復合砂體，其內部的單砂體間結構關系是本文研究的重點.

以渤海明下段某油田的河流相復合砂體為例，按照“垂向分期、側向劃界”的研究思路（吳勝和，2010），利用巖心和測井資料，將復合砂體內部單砂體之間的配置關系在垂向上劃分為3類5種單井構型相，分別為：單期型、兩期上接觸型、兩期對稱型、兩期下接觸型、多期型（圖1）.通過統計井點處砂體期次并分析砂體厚度規律，認為單期型砂體厚度范圍為1.5～8.5 m，平均5.3 m；兩期型砂體厚度范圍為4.6～13.1 m，平均9.4 m；多期型砂體厚度普遍超過15 m.

表1 河流相復合砂體構型級次（據胡光義等2018，有修改）Table 1 Hierarchies of fluvial reservoir architecture （modified from Hu et al.,2018）

其中，單期型S，表示井點鉆遇一期砂體，測井曲線呈鐘形特征，垂向呈下粗上細的正韻律.兩期型D，表示井點鉆遇兩期疊置砂體，進一步根據疊置位置和程度細分為上接觸型D1、對稱型D2和下接觸型D3.其中，上接觸型D1表示井點鉆遇早期砂體的主部與晚期砂體的邊部，測井曲線呈下部鐘形（或箱形）與上部低幅鐘形（或指形）接觸的特征；對稱型D2表示井點鉆遇早期砂體的主部與晚期砂體的主部，測井曲線呈下部鐘形與上部鐘形接觸的特征；下接觸型D3表示井點鉆遇早期砂體的邊部與晚期砂體的邊部，測井曲線呈下部低幅鐘形（或指形）與上部鐘形（或箱形）接觸的特征.多期型M，表示井點處鉆遇三期或以上的砂體，測井曲線呈齒化箱型的特征.

1.2 地震響應特征與地震可識別構型

以渤海明下段砂巖儲層特征為依據，統計模型正演參數（表2），設計砂巖楔形模型（圖2a），并分析砂巖楔形模型的地震響應特征隨砂體厚度變化規律（圖2b、c）.其中，最大振幅值曲線表示楔形模型地震響應波形的振幅最大值的變化，時間分辨率曲線表示楔形模型地震響應波形的波峰到波谷時間差的變化.當正演地震子波主頻為50 Hz、砂巖速度為2350 m·s-1時，估算地震資料的調諧厚度λ/4約為11.75 m.

圖1 復合砂體內部的單井構型相特征圖版（據范廷恩等，2018，有修改）Fig.1 Categories of architectural elements inside composite sand body and their well logs characteristics （modified from Fan et al.,2018）

圖2 砂巖楔形模型及其地震響應特征Fig.2 Wedge-shaped sandstone model and its seismic response characteristics

表2 模型地震正演參數Table 2 Seismic parameters of the forward model

當儲層厚度大于地震調諧厚度λ/4時，地震響應波形表現為由復合波逐漸分離為兩個同相軸.隨砂巖厚度增加，最大振幅值曲線逐漸減小并趨于穩定，時間分辨率曲線與砂巖厚度成線性關系.此時，為振幅不可分辨的時間可分辨區.當儲層厚度小于地震調諧厚度λ/4時，地震響應波形表現為復合波.隨砂巖厚度增小，最大振幅值曲線逐漸減小并與砂巖厚度呈現二次曲線擬合相關關系，時間分辨率曲線為平直曲線，與砂巖厚度為不相關關系.此時，為時間不可分辨的振幅可分辨區.

砂巖楔形模型的地震響應特征表明，在地震分辨率之下剖析復合砂體內部構型應重點關注地震資料的復合波振幅變化及波形結構.為此，根據復合砂體內部的單井構型相特征（圖1），建立了6種不同類型的復合砂體內部垂向構型的正演模型并分析地震響應特征，見圖3.它們代表了泥巖（砂厚小于1 m）、單期型、兩期上接觸型、兩期對稱型、兩期下接觸型和多期型砂巖.模型所用的地震正演參數同表2，模型厚度參數見表3.

正演模擬結果表明，當砂體累計厚度大于調諧厚度（λ/4）11.75 m時，即多期型表現為波形分離的特點，屬于振幅不可分辨的時間可分辨區.當砂體累計厚度小于調諧厚度（λ/4）11.75 m時，波形表現為復合波，屬于時間不可分辨的振幅可分辨區.其中，單期型波形的波峰與波谷具有對稱性，而兩期型波形出現拉伸變形，具體地說，兩期上接觸型波形向下拉伸，兩期對稱型波形均勻拉伸，兩期下接觸型波形向上拉伸.泥巖相對于其他類型，其振幅值明顯偏小.

表3 復合砂體內部垂向構型正演模型厚度參數表Table 3 Thickness of the architectures forward model

對復合砂體內部垂向構型正演模型的地震響應提取砂體頂底層間屬性并進行敏感性分析，見圖4.所提取的12種層位屬性主要包括振幅類和波形結構類，具體為：均方根振幅、平均絕對值振幅、最大絕對值振幅、總正振幅、總負振幅、波形總長度、波形總面積、波峰長度、波谷長度、波形偏度、波形變異系數和有效帶寬.除有效帶寬之外，剩余11種屬性均能有效區分砂、泥巖，表現為泥巖明顯低值.單期型砂體的敏感屬性包括均方根振幅、平均絕對值振幅、波形總長度、波峰長度和波谷長度，表現為明顯高值.多期型砂體的敏感屬性包括波形偏度、波形變異系數和有效帶寬，表現為明顯高（或低）值.兩期型砂體在多數地震屬性中表現出穩定中間值特征，其亞類構型之間表現出相近值特征，難以進一步區分.

圖3 復合砂體內部垂向構型的正演模型及地震響應Fig.3 Forward model of architectures inside composite sandstone and its seismic response

圖4 復合砂體內部垂向構型的敏感地震屬性Fig.4 Sensitive seismic attributes of architectures inside composite sandstone

圖5 復合砂體內部構型表征方法流程Fig.5 Workflow to interpret architectures inside composite sand body

2 復合砂體內部構型識別和檢測方法

復合砂體內部構型表征的主要內容包括地震構型相預測和構型邊界檢測兩個方面，方法流程如圖5所示.在“垂向分期、側向劃界”構型解剖思路的指導下，以敏感地震屬性為數據基礎，在單井構型相的監督下利用神經網絡方法進行模式識別，來預測地震構型相的分布特征；同時，在多地震屬性主成分分析的基礎上利用邊界檢測方法，來檢測復合砂體內部的構型邊界，最終實現多信息的砂體綜合表征方法.其中，地震構型相分析的分類結果對典型砂體構型為代表的同類構型的展布范圍具有指向性，但是對各典型砂體構型間的過渡漸變存在多解性，相邊界為統計意義上的包絡線.構型邊界預測是對地震屬性中存在的突變邊界的確切反映，它所代表的是砂體構型間的物理界面.

地震構型相，是指不同構型單元的形態、規模及其疊置關系在地震資料上所反映的主要特征的總和（胡光義等，2017）.采用概率神經網絡（Probabilistic Neural Network），將單井構型相模式作為監督條件，由監督井點處的敏感地震屬性值構成訓練樣本用來訓練神經網絡，再使用訓練好的神經網絡預測無井控區域的地震構型相模式（羅浩然等，2017；丁峰等，2018）.

概率神經網絡的拓撲結構如圖6所示，包括輸入層、隱含層、求和層和輸出層.設有隨機均勻挑選的訓練井數量為n，單井構型相模式數量為M，單個訓練樣本的長度由輸入的敏感地震屬性數量d構成.此時，輸入層有d個神經元，隱含層有n個神經元，求和層有M個神經元.

圖6 概率神經網絡拓撲結構圖Fig.6 Topology of probabilistic neural network

概率神經網絡訓練方法.由輸入層第一個訓練樣本，來初始化與其相連接的隱含層第一個神經元的權系數，即：

w1j=x1j，

（1）

其中，w1j表示隱含層第一個神經元對與其相連接的輸入層神經元的權系數；j表示單個訓練樣本中的屬性值序號，j=1,2,…,d.

以此類推，完成所有n個訓練樣本對與其對應連接的n個隱含層神經元權系數的訓練，記作Wi（i=1,2,…,n）.

概率神經網絡預測方法.首先，通過已訓練的n個隱含層神經元權系數Wi，計算其他無井監督的輸入數據向量X的高斯徑向基函數Φi，并傳遞給求和層神經元.即：

（2）

其中，σ表示高斯窗寬度.

其次，求和層神經元對隱含層中同類模式的神經元所傳遞的數據進行均值計算：

（3）

其中，vm表示第m類單井構型相模式的均值；L表示隱含層第m類神經元的個數.

最后，輸出層神經元對求和層中的最大值進行識別，并歸類為對應的單井構型相模式，輸出預測結果，即：

y（X）=argmax（vm），

（4）

其中，y（X）表示對井間數據的地震構型相模式預測結果.

構型邊界，是指各構型單元之間存在的橫向不連續性隔層，是引起層內非均質滲流差異的滲流屏障（Zhang et al.,2021）.將多個敏感地震屬性作為輸入，通過主成分分析提取主要特征并產生融合圖像，再以數學形態學梯度算法提取圖像邊界來預測構型邊界.將多屬性融合后的地震屬性記為f，采用形態學結構算子b對屬性f分別進行膨脹和腐蝕運算，公式為：

（5）

（6）

其中，f⊕b表示膨脹運算；fΘb表示腐蝕運算；（x,y）表示地震屬性f中的像素點坐標；（s,t）表示結構元素b中的像素點坐標.

利用形態學梯度，即膨脹與腐蝕運算結果的差分，便可得到地震屬性中的邊界：

E=（f⊕b）-（fΘb），

（7）

其中，E表示對融合地震屬性中構型邊界的檢測結果.

3 模型驗證

由復合砂體內部垂向構型的地震響應特征及敏感屬性分析可知，地震資料垂向分辨率以下的地震可識別構型為單期型、兩期型和多期型砂體構型.因此，設計了如圖7的河道砂體正演模型來驗證本文方法的有效性.該模型具有“單期型—兩期型—多期型砂體”的組合變化特征，其中各個單砂體呈“透鏡體”狀，寬度為150 m，厚度為5 m，虛擬井A、B、C1、C2、D1、D2分別為泥巖型、單期型、兩期型、多期型單井構型相.

圖7 河道砂體正演模型Fig.7 Channel sand body forward model

考慮實際資料中存在噪聲，在模型正演過程中加入標準差為10%的白噪聲后，其地震剖面見圖8a，模型地震正演參數見表2.按照圖4所示敏感屬性，選取井來監督概率神經網絡進行地震構型相預測.圖8b所示為選擇A、B、C2、D2四口訓練井的地震構型相預測結果，圖8c為選擇A、B、C1、C2、D1、D2六口訓練井的地震構型相預測結果.其中藍色表示泥巖型，綠色表示單期型，黃色表示兩期型，紅色表示多期型.可見，兩種地震構型相預測的砂體構型范圍與模型的范圍基本吻合，差別在于砂體構型邊緣處的漸變過渡.訓練樣本中增加了C1、D1兩個樣本點，使砂體構型漸變邊緣的預測準確度得到提高.但是在這個例子中，兩期型—多期型砂體構型的漸變邊緣和單期型砂體被識別為同一類構型，受地震可識別構型影響存在多解性.圖8d為形態學梯度構型邊界檢測結果，其中藍色表示背景，紅色表示邊界.該構型邊界預測結果能準確的識別河道砂體模型中的各個邊界，包括單砂體的尖滅邊界和搭接邊界、單砂體與兩期型與多期型砂體的構型邊界，且邊界位置與模型吻合.模型實驗結果可知，井監督的地震構型相預測方法不僅受訓練樣本容量影響，也受地震可識別構型的影響，其預測結果對典型砂體構型為代表的同類構型的展布范圍具有指向性，但是對各典型砂體構型間的過渡漸變存在多解性，且相邊界為統計意義上的包絡線，不具備物理意義.綜合使用地震構型相與構型邊界檢測方法能夠有效識別復合砂體內部構型，并降低解釋多解性.

圖8 地震正演模擬及其檢測結果（a） 正演地震剖面；（b）（c） 地震構型相檢測結果；（d） 構型邊界檢測結果.Fig.8 Seismic forward modeling and its detected results（a） Seismic section;（b）（c） Architecture seismic facies;（d） Architecture boundaries.

4 應用實例

前人對渤海灣海上油田的沉積構型進行了廣泛的研究，采用該區一個典型的復合砂體開發單元為例進行方法應用.該開發單元地震資料帶寬8～55 Hz，主頻45 Hz，平均波速約為2700 m·s-1，目的層理論可分辨的地層厚度（λ/4）為15 m.統計該開發單元內11口鉆井資料，按照“垂向分期”的思路進行單井構型相分類，將砂體垂向構型分類為單期型、兩期型和多期型，并分別以黑色、紫色和藍色井點標注于圖9a.其中，底圖為均方根振幅屬性，色標高值表示砂巖；井點處左側為GR曲線，右側為RD曲線；單期型井上砂體厚度均小于6 m，兩期型井上砂體厚度介于7～13 m之間，多期型井上砂體厚度均大于17 m.

利用該開發單元的10口單井構型相作為訓練樣本，1口井（D14井）作為檢驗井，提取層間敏感地震屬性作為輸入（敏感地震屬性種類見圖4），通過概率神經網絡預測的地震構型相分布特征，見圖9b.該地震構型相預測結果中藍色代表泥巖、綠色代表單期型砂體、黃色代表兩期型砂體、紅色代表多期型砂體.地震構型相預測利用地震信息的橫向分辨率優勢對井間砂體分布特征進行了地震可識別構型的模式分類，分類結果與檢驗井的砂體構型吻合.

基于多屬性融合提取主要特征后，對融合屬性進行形態學梯度邊界檢測來預測復合砂巖內部構型的邊界分布特征，見圖10a，用于對比的局部結構熵相干算法（Cohen and Coifman，2002）切片顯示于圖10b，圖10c所示形態學梯度方法預測構型邊界在空間的垂直插值結果，圖10d所示為局部結構熵相干算法預測構型邊界在空間的垂直插值結果，剖面位置標注于圖10a、b中紫色線SS*.從對比結果中可以看出，局部結構熵相干算法能夠檢測到砂體的巖性邊界，但是由于相干增強和道間均衡對于復合砂體內部的構型邊界響應很弱，而基于多屬性融合的形態學梯度算法不僅能夠檢測到砂體的巖性邊界，而且對復合砂體內部構型邊界具有確切的響應.

圖9 復合砂體單井構型相特征及地震構型相預測結果（a） 單井構型相；（b） 地震構型相.Fig.9 Architecture facies of single well and Architecture seismic facies prediction results of composite sand body（a） Architecture facies of single well;（b） Architecture seismic facies.

圖10 復合砂體構型邊界預測結果對比（a） 平面形態學梯度邊界；（b） 平面局部結構熵邊界；（c） 剖面形態學梯度邊界；（d） 剖面局部結構熵邊界.Fig.10 Comparison of architecture boundary prediction results of composite sand body（a） Morphological gradient;（b） Local structure entropy;（c） Section of morphological gradient;（d） Section of local structure entropy.

利用地震構型相對該復合砂體的骨干剖面分析其內部構型結果顯示于圖11，各剖面均以復合砂體上部泥巖層作為等時基準面.其中，圖11a所示為90°相移地震剖面，井上左側為GR曲線，右側為RD曲線，天藍色線條代表復合砂體的頂、底等時層位.該復合砂體地震響應波形表現為單一同相軸的復合波，從正演分析結果可知復合砂體的厚度小于地震調諧厚度λ/4，砂體厚度與波形最大振幅為正相關關系，振幅強弱變化指示了砂體分布差異，但無法具體辨析地震資料垂向分辨率以下的復合砂體內部構型.圖11b所示為地震構型相預測結果在空間中垂直插值結果，藍色代表泥巖、綠色代表單期型砂體、黃色代表兩期型砂體、紅色代表多期型砂體.圖11c所示為根據地震構型相預測結果，結合測井解釋結論，對地震資料垂向分辨率以下的復合砂體內部構型井間分布特征分析結果.值得注意的是，地震構型相分析的隔斷式分類結果能夠識別以典型砂體構型為代表的同類構型的展布范圍，但是對各典型砂體構型間的過渡漸變相的分類存在多解性，相邊界為統計意義上的包絡線而并非物理界面.因此，對井間砂體的側向邊界的刻畫存在較強的主觀性.

為了避免刻畫井間砂體側向邊界時的主觀性，將復合砂體內部構型邊界預測結果作為約束條件.構型邊界預測是對砂體構型間的物理界面的確切反映，這為砂體側向邊界刻畫提供了客觀的依據.圖12a所示為復合砂體內部構型邊界預測結果在空間中垂直插值結果，藍色代表背景、紅色代表邊界.根據地震構型相指示的典型構型類型和構型邊界預測結果，結合測井解釋結論，對地震資料垂向分辨率以下的復合砂體內部構型井間分布特征分析結果顯示于圖12b.如圖所示，在A15井與A22S井之間的砂體側向邊界刻畫更加精細，解釋結果更符合地震特征，降低了解釋的多解性.

地震構型相和構型邊界分析為少井區的井間砂體刻畫提供了依據，將兩者預測結果疊合顯示于圖13a，其中紫色線SS*標記了圖11和圖12中各剖面的位置.通過平-剖面互動，對多條骨干剖面上井點及井間砂體解剖刻畫，分析復合砂體的內部構型在空間的展布特征，將各單砂體的結構、期次及分布特征顯示到平面上，實現該復合砂體內部構型的平面表征，顯示于圖13b.該方法為油田精細開發過程中分析油水運動規律、剩余油形成與分布等方面具有指導意義.

圖11 基于地震構型相的復合砂體內部構型骨干剖面分析對比（a） 地震剖面；（b） 地震構型相剖面；（c） 砂體解釋剖面.Fig.11 Sections of architectures inside composite sand body based on architecture seismic facies（a） Seismic section;（b）Architecture seismic facies section;（c）Sands in croee-well section.

圖12 基于地震構型相和邊界的復合砂體內部構型骨干剖面分析對比（a） 構型邊界剖面；（b） 砂體解釋連井剖面.Fig.12 Sections of architectures inside composite sand body based on architecture seismic facies and boundaries（a） Architecture boundaries section;（b） Sands in cross-well section.

圖13 復合砂體內部構型分析對比與平面表征（a） 地震構型相和構型邊界疊合圖；（b） 復合砂體內部構型平面表征.Fig.13 Analysis of architectures inside composite sand body（a） Architecture seismic facies and boundaries;（b） Interpretation of architectures inside composite sand body.

5 結論

復合砂體儲層內幕結構的準確識別能夠指示剩余油分散聚集的規律，這對油田開發具有重要意義.在稀疏井控的條件下，基于井監督的概率神經網絡方法能夠預測無井控區域的地震構型相模式，基于多屬性融合的形態學梯度算法能夠識別復合砂巖內部構型邊界，這一組合方法通過充分挖掘地震資料，在地震可識別的尺度下能夠實現地震資料垂向分辨率以下的復合砂體內部構型的準確表征.

本文的主要結論如下：

（1）復合砂體的正演地震響應特征和敏感屬性分析可辨別其內部構型的地震可識別構型，即在地震資料垂向分辨率以下利用敏感地震層位屬性分析方法可有效識別復合砂體內部的單期型、兩期型和多期型構型，但對于準確區分兩期型亞類構型具有一定難度.

（2）利用單井構型相作為監督條件，通過概率神經網絡預測地震構型相的方法在稀疏井網條件下能夠識別以典型砂體構型為代表的同類構型的展布范圍，但是對各典型砂體構型間的過渡漸變相的分類存在多解性，相邊界為統計意義上的包絡線.

（3）構型邊界預測是儲層構型分析的重要內容，它反映了砂體構型間的物理界面，為井間砂體的側向邊界刻畫提供了客觀的依據.通過提取層位屬性，利用多屬性融合技術及邊界檢測方法能夠預測地震資料垂向分辨率以下的構型邊界展布特征，精度高于以局部結構熵為代表的傳統相干算法.