引用本文
束宁凯, 苏朝光, 石晓光, 李治平, 张学芳, 陈先红, 朱剑兵, 宋亮. 胜利埕岛极浅海油田薄储集层地震描述及流体识别[J]. 石油勘探与开发, 2021,48(4): 768-776.
SHU Ningkai, SU Chaoguang, SHI Xiaoguang, LI Zhiping, ZHANG Xuefang, CHEN Xianhong, ZHU Jianbing, SONG Liang. Seismic description and fluid identification of thin reservoirs in Shengli Chengdao extra-shallow sea oil field[J]. Petroleum Exploration & Development, 2021,48(4): 768-776.  
Doi: 10.11698/PED.2021.04.09
Permissions
Copyright©2021, 《石油勘探与开发》编辑部
《石油勘探与开发》编辑部 所有
胜利埕岛极浅海油田薄储集层地震描述及流体识别
束宁凯1,2,3, 苏朝光4, 石晓光4, 李治平1,2, 张学芳4, 陈先红4, 朱剑兵4, 宋亮4
1. 中国地质大学（北京）,北京100083
2. 非常规天然气能源地质评价与开发工程北京市重点实验室,北京100083
3. 中国石油大学胜利学院,山东东营257061
4. 中国石化胜利油田分公司物探研究院,山东东营257022
联系作者简介:苏朝光（1969-）,男,山东平原人,博士,中国石化胜利油田分公司物探研究院高级工程师,主要从事油田开发地震及地质综合研究工作。地址：山东省东营市东营区北一路210号,物探研究院,邮政编码：257022。E-mail: suchaoguang.slyt@sinopec.com

第一作者简介：束宁凯（1993-）,女,江苏丹阳人,中国地质大学（北京）能源学院在读博士研究生,主要从事油田开发地质及提高采收率研究。地址：北京市海淀区学院路29号,中国地质大学（北京）能源学院,邮政编码：100083。E-mail: 522345876@qq.com

收稿日期: 2020-10-14 修回日期: 2021-05-20
基金项目: 国家科技重大专项“胜利油田特高含水期提高采收率技术（二期）”(2016ZX050006); 中国石化科技攻关项目“薄互层地球物理特征分析及处理与解释技术研究”（P15156）; 中国石化科技攻关项目“碎屑岩储层地震相模式及自动识别关键技术”（P15159）
摘要

胜利埕岛极浅海油田新近系馆陶组上段曲流河沉积相变化快,加之受极浅海地表及海水鸣震等不利因素的影响,导致常规处理的海陆双检地震资料信噪比和分辨率低,难以满足该区10 m以下薄储集层地震描述及含油流体识别的需求。应用海陆双检叠前高分辨率二级提频处理技术有效提高地震资料的信噪比和分辨率,地震主频从30 Hz提高到50 Hz,砂体厚度分辨率从10 m提升至6 m;在地震精细层控的基础上,划分出河漫滩型、天然堤型、边滩型3种地震相模式,以此建立相层双控智能识别技术,储集层厚度预测误差小于1.5 m,提高了曲流河薄储集层砂体描述的准确性;综合泊松比、流体因子、拉梅参数与密度的乘积等多个叠前弹性参数,建立叠前多参数流体概率半定量含油性地震识别,流体识别吻合率达到90%以上,为胜利埕岛极浅海油田薄储集层的勘探开发提供物探技术支撑,有望为国内类似油田的勘探开发提供借鉴。 图11 表2 参26

关键词: 济阳坳陷; 埕岛油田; 极浅海; 新近系; 海陆双检; 叠前高分辨率二级提频处理; 相层双控智能识别; 叠前地震流体识别
中图分类号:TE122 文献标志码:A 文章编号:1000-0747(2021)04-0768-09
Seismic description and fluid identification of thin reservoirs in Shengli Chengdao extra-shallow sea oil field
SHU Ningkai1,2,3, SU Chaoguang4, SHI Xiaoguang4, LI Zhiping1,2, ZHANG Xuefang4, CHEN Xianhong4, ZHU Jianbing4, SONG Liang4
1. China University of Geosciences (Beijing), Beijing 100083, China
2. Beijing Key Laboratory of Unconventional Natural Gas Geology Evaluation and Development Engineering, China University of Geosciences (Beijing), Beijing 100083, China
3. Shengli College, China University of Petroleum, Dongying 257061, China
4. Geophysical Research Institute, Shengli Oilfield Company, Sinopec, Dongying 257022, China
Abstract

The meandering channel deposit of the upper member of Neogene Guantao Formation in Shengli Chengdao extra-shallow sea oil field is characterized by rapid change in sedimentary facies. In addition, affected by surface tides and sea water reverberation, the double sensor seismic data processed by conventional methods has low signal-to-noise ratio and low resolution, and thus cannot meet the needs of seismic description and oil-bearing fluid identification of thin reservoirs less than 10 meters thick in this area. The secondary high resolution frequency bandwidth expanding processing technology was used to improve the signal-to-noise ratio and resolution of the seismic data, as a result, the dominant frequency of the seismic data was enhanced from 30 Hz to 50 Hz, and the sand body thickness resolution was enhanced from 10 m to 6 m. On the basis of fine layer control by seismic data, three types of seismic facies models, floodplain, natural levee and point bar, were defined, and the intelligent facies-layer control recognition technology was worked out, which had a prediction error of reservoir thickness of less than 1.5 m. Clearly, the description accuracy of meandering channel sand bodies has been improved. The probability semi-quantitative oiliness identification method of fluid by prestack multi-parameters has been worked out by integrating Poisson's ratio, fluid factor, product of Lame parameter and density, and other pre-stack elastic parameters, and the method has a coincidence rate of fluid identification of more than 90%, providing solid technical support for the exploration and development of thin reservoirs in Shengli Chengdao extra-shallow sea oil field.

Keyword: Jiyang Depression; Chengdao oilfield; extra-shallow sea; Neogene; double-sensor data; pre-stack high resolution frequency bandwidth expanding processing; intelligent facies-layer controlled recognition technology; prestack seismic fluid identification
1 研究背景

胜利埕岛极浅海油田位于渤海湾南部极浅海海域, 水深主体为2~18 m。区域构造上处于渤中坳陷与

济阳坳陷交会处、埕宁隆起埕北低凸起的东南部, 西部以埕北断层与埕北凹陷相邻, 向东倾伏于渤中凹陷（见图1）。该区是在前第三系潜山背景上接受第三系沉积而形成的继承性披覆构造。

图1 埕岛油田区域构造位置图

新近系馆陶组上段（简称馆上段）为该区主要含油层系之一, 储集层为典型的曲流河沉积, 具有埋藏浅、单层厚度薄、组合类型多且纵横向变化快的特点[1]。实践表明, 该类油藏勘探开发的关键在于对曲流河薄储集层的精细识别描述。

由于极浅海海域受地表潮汐、淤泥和海水鸣震等影响, 采用海陆双检三维采集后, 常规融合处理地震资料信噪比和分辨率较低, 用这套地震资料进行储集层预测时, 通常地震反射同相轴代表某一厚度层段薄互层组合或厚层砂体的地震响应, 无法准确预测薄储集层。现有的水平切片、叠后属性、叠后拓频、叠后反演等技术[2, 3, 4, 5]在该区仅能描述厚度大于10 m的河道砂体, 但对占比更大的厚度小于10 m的薄储集层的地震描述和流体识别技术一直没有突破, 制约了该区的高效勘探和开发。

本文针对胜利埕岛极浅海油田地震资料特点和薄储集层精细描述的难点, 多学科融合应用, 首先利用海陆双检叠前高分辨率二级提频处理技术, 主要包括海陆双检一致性融合处理技术和叠前大角度保幅拓频处理技术, 可提高地震资料的信噪比和分辨率, 有效提升了地震资料分辨薄储集层的能力, 为后续薄储集层预测奠定地震资料基础; 然后开发相层双控储集层智能识别技术, 在地震精细层控的基础上, 建立河漫滩型、天然堤型、边滩型3种曲流河主要沉积微相地震相模式, 实现地震沉积微相和薄储集层的智能识别和描述, 以提高曲流河薄储集层描述的精度和效率; 最后应用叠前多参数流体概率技术实现该区含油砂体的半定量预测。这套技术为该油田薄储集层油气勘探和开发提供了很好的物探技术支撑。

2 海陆双检叠前高分辨率二级提频处理技术

胜利埕岛极浅海油田目前已经进入海底电缆双检采集阶段, 常规海陆双检融合处理方法得到的地震资料信噪比和分辨率低, 难以满足薄储集层识别描述的要求, 影响了该类油藏的勘探和开发。本文通过加强处理参数实验和严格质量监控, 以保真保幅为原则, 形成了以海陆双检资料一致性融合处理和叠前大角度保幅拓频处理为核心的二级提频处理技术, 地震资料信噪比和分辨率得到大幅提升。

2.1 海陆双检资料一致性融合处理技术

海陆双检地震资料常规融合处理技术是基于水检和陆检波场相同的假设, 早期常规融合处理只是将两者进行能量匹配后直接融合或调相位融合[6, 7, 8, 9, 10], 普遍存在有效波受损、鸣震压制效果差等问题, 地震资料信噪比和分辨率较低, 难以满足薄储集层描述的需求。本文利用海陆双检一致性融合处理, 较好地解决了这个问题, 其步骤是先将陆检资料进行微分处理, 根据其与水检资料的能量确定尺度变换因子, 然后将陆检微分结果与水检资料进行合并融合。从对比图上可以看出, 海陆双检一致性融合处理后的信噪比和分辨率明显提高（见图2）。

图2 海陆双检地震资料一致性融合处理前（a）、后（b）地震剖面对比

该方法解决了海陆双检处理资料一致性差的难题, 陷波得到补偿, 有效提高了地震资料的主频和有效频带（见图3）, 从而提高了砂体的分辨率。一致性融合处理前原始地震资料主频为30 Hz, 优势频带为10~50 Hz, 可分辨10 m厚的砂体; 一致性融合处理后地震资料主频达到40 Hz, 优势频带为10~70 Hz, 可分辨7.5 m厚的砂体。

图3 水检、陆检及海陆双检一致性融合处理频谱对比图

2.2 叠前大角度保幅拓频处理技术

通过海陆双检一致性融合处理技术, 薄储集层的地震信噪比大幅提升, 地震分辨率有所提高, 但仍然不能满足极浅海薄储集层地震描述的需求, 常规反Q滤波、拓频、分频等叠后拓频方法在资料的保真性方面还不能满足需求。

由于叠前共成像点大角度道集资料的干涉调谐作用, 全道集叠加会引起频带变窄、分辨率降低, 不利于河流相薄储集层精细描述。针对这一问题, 为了达到保幅拓频的处理目的, 研究了叠前大角度保幅拓频处理技术。其主要原理是依据数据同源性, 通过构建大角度数据与小角度数据的匹配因子, 对大角度道集反射波拉伸校正, 再对匹配处理后的道集叠加成像, 使最终成像资料的子波特征和频带能够保持小角度道集特征[11]。该技术使不同角度道集数据的频谱趋于一致, 实现了同相叠加成像, 成像结果既具有较高的保幅性, 又具有高分辨率, 避免了大角度数据干涉调谐产生的累加效应和传统方法引起的子波变形、频带变窄、假频现象及分辨率降低等问题, 最终使频带有效拓宽、主频提高。通过该技术处理后的地震资料主频由40 Hz提升到50 Hz, 优势频带为10~90 Hz, 可分辨6 m厚的砂体, 基本满足了现场对地震资料分辨率的需求。以过CB208井地震剖面为例, 馆上段2砂层组（顶面深度1 400 m）、馆上段3砂层组（顶面深度1 520 m）（见图4a）, 在原地震资料上表现为空白和弱反射（见图4b）, 经过保幅拓频处理后呈现中强振幅反射特征（见图4c）, 砂体分辨率得到显著提高。

图4 埕岛极浅海油田CB208井地层柱状图（a）及叠前大角度保幅拓频处理前（b）、后（c）地震剖面对比
（GR— 自然伽马; SP— 自然电位; R25— 2.5 m电阻率）

3 相层双控智能识别描述技术

层控是指建立沉积微相预测的等时约束面。相控是指以曲流河3种地震微相（边滩型、河漫型、天然堤型）地震特征分析为约束。相层双控是指在层控和相控共同约束下, 开展曲流河沉积微相的智能预测及砂体的储集层描述。

利用海陆双检叠前高分辨率二级提频处理地震资料, 对埕岛极浅海油田曲流河薄储集层砂体开展相层双控智能识别描述。在建立层控等时约束面的基础上开展不同沉积微相地震相特征研究, 完成曲流河薄储集层地震相智能识别, 主要包括样本点拾取、地震属性规约、沉积微相智能识别样本集构建和沉积微相砂体智能预测。

3.1 层控等时约束面建立

埕岛极浅海油田馆陶组自下而上为一个长期基准面旋回, 底界面为馆陶组与古近系的不整合面, 顶界面为馆陶组与明化镇组的分界面。在长期基准面旋回内部馆上段又进一步划分出N1g11、N1g12、N1g13等3个中期基准面旋回[12, 13, 14]（见图5a、图5b）。目的层N1g125砂层位于N1g12砂组中期旋回, 以弱反射为背景, 断续、较强振幅反射交互, 代表冲积平原泥岩与孤立河道砂体沉积（见图5c）。

图5 埕岛极浅海油田馆陶组CB23井（a）与CB27井（b）层序地层对比及层控等时面追踪地震剖面图（c）（剖面位置见图1）

在中期基准面旋回划分的基础上, 综合沉积序列的纵向特征、沉积相的空间变化及砂岩的叠加样式等因素, 根据标志层、辅助标志层组合, 逐级对比砂层组; 在合成地震记录标定的基础上, 通过单井标定层位与地震层位对比, 确保地震层位与地质层位的一致性, 建立沉积微相智能预测的等时约束面（见图5c）, 以保证N1g125砂层顶面解释的准确性。

3.2 不同沉积微相地震相特征

针对埕岛极浅海油田馆上段曲流河沉积, 选择具有完备的录井岩性、常规测井曲线、时深关系、沉积微相解释的CB25、CB27、CB252、CBG10及SHH2等井的147个沉积微相层段（包含边滩57个、天然堤32个、河漫滩58个）作为分析的样本点, 总结出河漫滩型、天然堤型、边滩型等3种主要沉积微相地震相模式（见图6）。河漫滩沉积以泥质沉积为主, 岩性单一, 与边滩、天然堤砂体界面处地层反射系数较大, 在正极性地震剖面上表现为波谷反射特征（见图6a）。天然堤沉积以互层型薄砂条为主, 由于厚度较薄, 相消干涉并不明显, 地震剖面仍为一个同相轴, 较河漫滩地震响应振幅及频率略强, 在正极性剖面上表现为弱振幅特征（见图6b）。边滩是河床侧向侵蚀、沉积物侧向加积的结果, 自下而上表现为层理规模变小、粒度由粗变细的正韵律, 岩性界面为砂泥岩突变界面, 波阻抗差异大, 在地震正极性剖面上表现为高频中强— 强振幅反射特征, 反射强度明显高于天然堤型（见图6c）。

图6 CBG10井河漫滩型（a）、CB22井天然堤型（b）、CB25井边滩型（c）3种主要沉积微相地震相模式图

3.3 曲流河薄储集层地震相智能识别

在单井沉积微相划分基础上, 依据不同沉积微相地震相模式拾取井周围同类型沉积微相进一步增加样本点数量, 对样本点垂向范围内的地震属性时窗选取及特征值进行规约, 由此构建曲流河沉积微相智能识别样本集, 采用随机森林方法[15]对样本集进行训练和预测, 实现沉积微相砂体的智能识别。

随机森林算法是以决策树为基础, 通过随机重复采样技术和节点随机分裂技术组建多棵决策树, 最后组合大量决策树的预测结果并将其作为一个整体输出。通过多棵决策树进行集成学习有效地克服了单棵决策树容易出现过拟合、分类精度较低等问题, 并且有效地降低了学习系统的泛化误差[16]。

3.3.1 样本点拾取

以井点处沉积微相解释为基础, 结合河流相各沉积微相平面发育规律及不同沉积微相的垂向地震相响应特征, 将井点处各层段的沉积微相解释结论向井点附近地层拓展, 对地震振幅、波形数据体沿层切片分析拾取新的沉积微相样本点, 以增加用于构建机器学习的样本点数, 本文从时间域上共拾取沉积微相样本层段43 426个, 其中边滩样本层段16 635个、天然堤样本层段7 491个、河漫滩样本层段19 338个。

3.3.2 地震属性规约

将原始地震数据通过分频重构得到5~100 Hz、5~50 Hz、50~100 Hz、5~25 Hz、25~50 Hz共5个不同频带的地震数据, 5个频带范围均代表着某一典型频段相关波形信息。在低频剖面一些高频信息会被隐藏, 而在高频剖面低频信息会被掩盖, 不同频段交叉范围小, 时域无明显吉布斯现象, 同时满足了时域与频域分辨率需求, 可准确表征该频带范围内地震波形响应特征。原始地震记录及5个分频频带波形地震分别提取波形、瞬时振幅和波阻抗属性可以得到18个包含不同特征的地震属性作为后续特征输入数据。

不同沉积微相类型地层的性质差异不仅体现在其当前位置地震属性的特征, 更与其所处地层范围内上下段的整体地震响应特征有关, 需从垂向上对地震属性时窗选取及特征值进行规约, 以充分表征不同沉积微相的地震响应特征。本文考虑采用固定长度时窗（w）, 分3段5个特征值对当前点地震属性进行规约, 如地震属性（X）在时间为t的特征值包括：当前层段（时窗范围t-0.5 w到t+0.5 w）属性均值（XC）; 层段上部（时窗范围t-1.5 w到t-0.5 w）属性均值（XU）; 层段下部（时窗范围t+0.5 w到t+1.5 w）属性均值（XL）; 3段属性梯度均值（XD）; 上下层段属性梯度比值（XR）。地震属性X在时窗t-1.5 w到t+1.5 w范围内可以得到XC、XU、XL、XD、XR这5个特征值, 它们能够有效表征地震属性在此范围内的变化趋势, 以及可能存在的递增型、递减型、中凸型、中凹型等形态特征, 并与不同沉积微相的地震相响应具有很好的对应关系。例如边滩型微相组合典型波组特征为当前段表现为负极性、顶底为正极性, 且底部负极性波形幅度明显高于顶部负极性波形幅度。对原始波形W、瞬时振幅A按照前述规约方法得到10个特征值, 它们的关系具体表现为WL> WU> 0> WC、AU< AL、WR< 1、AR< 1、WD> 0等。

针对某一沉积相类型的地震相表征, 合适的规约时窗选取至关重要。原始地震记录采样间隔为2 ms, 分别选取2, 4, 6, 8, 10 ms作为规约时窗, 基于随机森林算法估算在不同规约窗长下各沉积微相的分类预测性能[15, 16, 17, 18, 19], 得到研究区边滩、天然堤、河漫滩最佳规约时窗分别为2, 4, 6 ms。

3.3.3 沉积微相智能识别样本集构建

基于前述43 426个沉积微相样本层段, 分别以2, 4, 6 ms为规约窗长, 针对曲流河的边滩、天然堤、河漫滩3个沉积微相, 对所提取的18个地震属性进行规约, 构建各自的训练样本集。每个地震属性提取5个特征, 加上主测线、联络测线、时间3个表示时空位置的坐标, 整个样本集共包含93个维度。

3.3.4 沉积微相砂体智能预测

由于参与机器学习训练的样本仅有曲流河的边滩、河漫滩、天然堤3种沉积微相, 而实际曲流河沉积中的微相类型远不止这些, 如果采用确定性判别的方法将会导致与实际情况不符。本文采用模糊分类智能预测方法进行相关预测, 分别求取目的层段内属于边滩、河漫滩、天然堤3种沉积微相的概率值。如果属于某一沉积微相的概率值特别大, 而属于其他沉积微相的概率值都较小, 如边滩概率0.88、天然堤概率0.10, 河漫滩概率0.02, 则可认为目的层确属于具有优势概率的沉积微相。如果两种沉积微相类型的概率值均较大, 如边滩概率0.50、天然堤概率0.45、河漫滩概率0.05, 说明目的层位于两种沉积微相类型的分类边界附近, 由于原始地震测量、处理和计算中存在误差, 此时的判别结果会存在一定的不确定性。如果3种沉积微相的概率值均较小, 如边滩概率0.33、天然堤概率0.33、河漫滩概率0.34, 则说明目的层可能属于3种类型之外的沉积微相类型。在具体的预测过程中, 分别采用不同规约窗长建立针对边滩、天然堤、河漫滩的沉积微相概率预测模型, 对于给定的待预测数据点, 分别通过3个模型预测其属于各沉积微相砂体的概率, 再按照上述逻辑进行智能判别。

通过智能预测, 得到埕岛极浅海油田N1g125曲流河的边滩、天然堤、河漫滩等不同沉积微相砂体的三维概率预测体, 分别按N1g125层位数据作这3个沉积微相的切片, 在颜色刻度中将各沉积微相切片中概率较小的部分设置为透明, 将3个沉积微相的预测概率切片显示进行叠合显示, 得到N1g125砂层沉积微相砂体智能预测结果（见图7）。预测的边滩边缘清晰、符合河道发育的自然形态, 且预测的边滩基本处于河道边缘位置, 平面接触关系与实际河流相沉积规律相符。利用边滩概率预测数据体, 在N1g125砂层顶面控制下, 对N1g125砂层砂体顶底面进行追踪解释, 实现了埕岛极浅海油田曲流河河道砂体相层双控智能识别和描述（见图8）。实钻与预测砂体厚度对比统计表显示（见表1）, 预测误差小于1.5 m, 大大提高了曲流河薄储集层砂体描述的准确性。

图7 埕岛极浅海油田N1g125曲流河沉积微相砂层智能预测结果图

图8 埕岛极浅海油田N1g125砂层砂体厚度图

表1 埕岛极浅海油田N1g125砂层实钻与预测砂体厚度对比
4 叠前地震流体识别技术

针对埕岛极浅海油田早期利用叠后地震资料进行流体预测精度不高的问题, 在保证叠前道集资料品质良好的前提下, 通过岩石物理分析, 对馆上段河道砂体油藏进行叠前地震流体识别。

4.1 叠前道集处理

流体弹性阻抗是纵波速度、横波速度、密度和入射角的函数, 为了把流体弹性阻抗与地震数据联系起来, 地震数据体必须是角度部分叠加的形式。常规采集、处理之后仅能得到反映振幅与偏移距关系的CMP（Common Middle Point, 共中心点）道集, 因此角道集叠加在叠前反演中非常关键[20, 21]。角道集部分叠加处理的目的是为AVO（Amplitude Variation with Offset, 振幅随炮检距的变化）或弹性阻抗等叠前反演提供地震资料, 所以需要对CMP道集资料做特殊处理：①精细的波前扩散处理; ②震源组合与检波器组合效应的校正; ③反Q滤波; ④地表一致性处理, 包括地表一致性反褶积、地表一致性振幅校正、地表一致性静校正; ⑤叠前去噪处理; ⑥叠前剩余振幅补偿; ⑦精细的初至切除。这些处理过程直接影响着地震道集的AVO（或AVA（Amplitude Variation with incident Angle, 振幅随入射角的变化））属性。

处理后的CMP道集进一步做角道集转换, 按照最大角度不能超出最大偏移距和保证目的层段有最高照明度的原则划分角度, 得到研究区3个角度的部分叠加剖面, 为叠前流体检测提供基础资料。

4.2 岩石物理特征分析

选定合适的参数可以减小流体检测的不确定性和多解性。根据测井解释岩石弹性参数（纵波速度、密度、横波速度）计算得到泊松比、拉梅参数与密度的乘积、剪切模量与密度的乘积、流体因子等属性参数, 结合已估算具有横波的测井曲线特征, 根据多种参数的交会关系来确定流体性质[22, 23, 24]。埕岛极浅海油田N1g125砂层弹性参数交会图显示（见图9）, 油层具有低泊松比、低流体因子、低拉梅参数与密度的乘积等特征, 在一定程度上可对流体进行识别。但是油层与水层和干层的对应区域有部分叠置, 无法用一个简单的截止值或多边形边界来进行含油性解释, 因此需要进行流体概率分析[25, 26]。

图9 埕岛极浅海油田馆上段不同流体地层弹性参数交会图

4.3 叠前流体概率预测

对井点数据进行分流体统计和随机模拟, 建立不同流体的弹性属性概率密度分布函数, 然后利用贝叶斯判别准则, 分油、水对反演得到的拉梅参数与密度的乘积和泊松比进行概率映射转换, 得到对应的含油概率体、含水概率体。该方法充分利用了反演得到的弹性参数, 与直接反演结果相比, 得到的流体数据体具有更加明确的地质含义, 且根据流体的概率分布趋势, 可以半定量评估流体类型预测风险。流体概率分析技术流程主要包括以下步骤：①利用测井资料分析结果建立各种含流体类型条件下的地震反演弹性参数之间的关系; ②根据测井分析结果筛选出对流体相敏感且线性相关较弱的弹性参数, 建立并调整各种流体的概率密度函数; ③应用叠前地震资料进行叠前同步反演获得流体弹性属性体; ④应用定义的概率密度函数把测井资料和地震反演结果相结合进行概率分布分析, 半定量预测含流体类型。通过以上步骤把叠前反演的多个属性数据体转换成流体概率体, 进一步提高了流体预测的精度。

最终的流体概率结果综合了多个叠前弹性参数对油层的响应, 预测结果与实钻井吻合程度高。过CB252、SHHG2、CB206等井的流体概率地震预测剖面图显示出非常清晰的油水关系特征（见图10）。图11为N1g125砂层流体概率预测平面图显示出非常清晰的油水关系平面展布特征（见图11）, 通过与实钻井统计分析（见表2）对比, 储集层流体识别吻合率达到90%以上。

图10 过CB252— SHHG2— CB206井流体概率地震预测剖面图（剖面位置见图1; 颜色越红代表含油概率越高; 颜色越绿代表含水概率越高）

图11 埕岛极浅海油田N1g125砂层流体概率平面预测图（颜色越红代表含油概率越高; 颜色越绿代表含水概率越高）

表2 埕岛极浅海油田N1g125砂层钻遇流体与预测流体吻合情况统计表
5 结论

通过多学科融合应用, 提出应用海陆双检叠前高分辨率二级提频处理、相层双控储集层智能识别、叠前多参数流体概率等3项技术, 为胜利埕岛极浅海油田薄储集层油气勘探和开发提供物探技术支撑。

海陆双检叠前高分辨率二级提频处理技术主要包括海陆双检一致性融合处理技术和叠前大角度保幅拓频处理技术, 该技术可提高地震资料的信噪比和分辨率, 将目的层地震主频从30 Hz提高到50 Hz, 可分辨6 m厚的砂体, 为薄储集层预测奠定了资料基础。

相层双控智能识别技术是在地震精细层控的基础上, 建立河漫滩型、天然堤型、边滩型3种曲流河主要沉积微相地震相模式, 制定地震属性规约策略, 通过海量数据分析手段和智能判识, 以沉积相分布的有序性和不变性、地震属性的规律性和关联性为约束, 实现地震沉积微相和薄储集层的智能识别和描述, 大大提高了薄储集层描述的精度和效率, 储集层厚度预测误差小于1.5 m。

在叠前道集处理和岩石物理分析基础上开展叠前多参数流体概率半定量含油性地震识别, 储集层流体识别吻合率达到90%以上。

（编辑 王晖）

参考文献
[1] 李阳. 埕岛油田馆陶组油藏高产开发技术[J]. 油气采收率技术, 1998, 5(2): 36-40.
LI Yang. High production development technology of Guantao Formation Reservoir in Chengdao Oilfield[J]. Petroleum Geology and Recovery Efficiency, 1998, 5(2): 36-40. [本文引用:1]
[2] 邓宏文, 李小孟. 高分辨率层序地层对比在河流相中的应用[J]. 石油天然气地质, 1997, 18(2): 90-95.
DENG Hongwen, LI Xiaomeng. Application of high-resolution sequence stratigraphic correlation to fluvial facies[J]. Oil & Gas Geology, 1997, 18(2): 90-95. [本文引用:1]
[3] 岳大力, 李伟, 王军, 等. 基于分频融合地震属性的曲流带预测与点坝识别: 以渤海湾盆地埕岛油田馆陶组为例[J]. 古地理学报, 2018, 20(6): 941-950.
YUE Dali, LI Wei, WANG Jun, et al. Prediction of meand ering belt and point-bar recognition based on spectral-decomposed and fused seismic attributes: A case study of the Guantao Formation, Chengdao Oilfield, Bohai Bay Basin[J]. Journal of Palaeogeography, 2018, 20(6): 941-950. [本文引用:1]
[4] 陈广军, 张善文, 李建明, 等. 小波分析技术在薄砂岩储集层描述中的应用: 以埕岛地区馆上段为例[J]. 石油物探, 2002, 41(1): 95-99.
CHEN Guangjun, ZHANG Shanwen, LI Jianming, et al. Application of wavelet analysis to the characterization of thin sand stone reservoirs: An example from the upper member of Guantao Formation in Chengdao Area[J]. Geophysical Prospecting for Petroleum, 2002, 41(1): 95-99. [本文引用:1]
[5] 张学芳, 董月昌, 慎国强, 等. 曲线重构技术在测井约束反演中的应用[J]. 石油勘探与开发, 2005, 32(3): 70-72.
ZHANG Xuefang, DONG Yuechang, SHEN Guoqiang, et al. Application of log rebuilding technique in constrain inversion[J]. Petroleum Exploration and Development, 2005, 32(3): 70-72. [本文引用:1]
[6] 陈浩林, 张保庆, 倪成洲, 等. 水深对OBC地震资料的影响分析与对策[J]. 石油地球物理勘探, 2010, 45(S1): 18-24.
CHEN Haolin, ZHANG Baoqing, NI Chengzhou, et al. The analysis and strategy of influence of water depth to OBC seismic data[J]. Oil Geophysical Prospecting, 2010, 45(S1): 18-24. [本文引用:1]
[7] 韩立强, 常稳. 海底电缆初至波二次定位技术的应用[J]. 石油物探, 2003, 42(4): 501-504.
HAN Liqiang, CHANG Wen. Application of first break second positioning technique in OBC[J]. Geophysical Prospecting For Petroleum, 2003, 42(4): 501-504. [本文引用:1]
[8] 全海燕, 韩立强. 海底电缆双检接收技术压制水柱混响[J]. 石油地球物理勘探, 2005, 40(1): 7-12.
QUAN Haiyan, HAN Liqiang. Using OBC dual-receiver to suppress reverberation of water column[J]. Oil Geophysical Prospecting, 2005, 40(1): 7-12. [本文引用:1]
[9] 王振华, 夏庆龙, 田立新, 等. 消除海底电缆双检地震资料中的鸣震干扰[J]. 石油地球物理勘探, 2008, 43(6): 626-635.
WANG Zhenhua, XIA Qinglong, TIAN Lixin, et al. Elimination of singing interference in OBC dual-geophone seismic data[J]. Oil Geophysical Prospecting, 2008, 43(6): 626-635. [本文引用:1]
[10] 秦宁. 海底电缆双检资料陆检微分合并技术[J]. 地球物理学进展, 2018, 33(3): 1369-1273.
QIN Ning. Merging method using the derivative of geophone data in OBC dual-sensor seismic processing[J]. Progress in Geophysics, 2018, 33(3): 1369-1273. [本文引用:1]
[11] 张明振. 基于地震叠前大角度道集的调谐压制提高分辨率方法[J]. 科学技术与工程, 2017, 17(11): 169-174.
ZHANG Mingzhen. The method of resolution improvement through tuning suppression based on large angle pre-stack seismic data[J]. Science Technology and Engineering, 2017, 17(11): 169-174. [本文引用:1]
[12] 国景星. 冲积-河流相层序地层模式: 以济阳凹陷新近系为例[J]. 新疆地质, 2003, 21(4): 393-397.
GUO Jingxing. The mode of sequence stratum of alluvial-fluvial facies: Taking the upper Tertiary of Jiyang Depression for example[J]. Xinjiang Geology, 2003, 21(4): 393-397. [本文引用:1]
[13] 郑和荣, 林会喜, 王永诗. 埕岛油田勘探实践与认识[J]. 石油勘探与开发, 2000, 27(6): 1-8.
ZHENG Herong, LIN Huixi, WANG Yongshi. Exploration practice and understand ing of Chengdao Oilfield[J]. Petroleum Exploration and Development, 2000, 27(6): 1-8. [本文引用:1]
[14] 陈清华, 曾明, 章凤奇, 等. 河流相储层单一河道的识别及其对油田开发的意义[J]. 油气地质与采收率, 2004, 11(3): 13-15.
CHEN Qinghua, ZENG Ming, ZHANG Fengqi, et al. Practice and knowledge of exploration on Chengdao oil field[J]. Petroleum Geology and Recovery Efficiency, 2004, 11(3): 13-15. [本文引用:1]
[15] 杨帆, 林琛, 周绮凤, 等. 基于随机森林的潜在K近邻算法及其在基因表达数据分类中的应用[J]. 系统工程理论与实践, 2012, 32(4): 815-825.
YANG Fan, LIN Chen, ZHOU Qifeng, et al. Rand om forest based potential K nearest neighbor classifier and its application in gene expression data[J]. System Engineering Theory and Practice, 2012, 32(4): 815-825. [本文引用:2]
[16] BREIMAN L. Rand om forests[J]. Machine Learning, 2001, 45(1): 5-32. [本文引用:2]
[17] LINARI M, SANTIAGO M, PASTORE C, et al. Seismic facies analysis based on 3D multiattribute volume classification, La Palma Field, Maracaibo, Venezuela[J]. Leading Edge, 2003, 22(1): 32-36. [本文引用:1]
[18] 李国发, 岳英, 熊金良, 等. 基于三维模型的薄互层振幅属性实验研究[J]. 石油地球物理勘探, 2011, 46(1): 115-120.
LI Guofa, YUE Ying, XIONG Jinliang, et al. Experimental study on seismic amplitude attribute of thin interbed based on 3D model[J]. Oil Geophysical Prospecting, 2011, 46(1): 115-120. [本文引用:1]
[19] 吴琼, 周维民, 李运田. 数据挖掘分类算法优化非平衡采样样本的研究与应用[J]. 工业控制计算机, 2014, 27(2): 63-78.
WU Qiong, ZHOU Weimin, LI Yuntian. Research and application of data mining classification algorithm to optimize unbalanced samples[J]. Industrial Control Computer, 2014, 27(2): 63-78. [本文引用:1]
[20] URSENBACH C. P-S converted-wave AVO[R]. Houston: The 73rd Annual International Society of Exploration Geophysics Meeting, 2003. [本文引用:1]
[21] 梁兵, 杨建礼, 张春峰, 等. 叠前弹性参数反演在黄珏油田的应用[J]. 石油勘探与开发, 2007, 34(2): 202-206.
LIANG Bing, YANG Jianli, ZHANG Chunfeng, et al. Application of pre-stack elastic parameter inversion in Huangjue Oilfield[J]. Petroleum Exploration and Development, 2007, 34(2): 202-206. [本文引用:1]
[22] HAMPSON D, RUSSELL B. Simultaneous inversion of pre-stack seismic data[R]. Tulsa, Oklahoma, USA: The 75th Annual International Society of Exploration Geophysics Meeting, 2005. [本文引用:1]
[23] 陈建江, 印兴耀. 基于贝叶斯理论的AVO三参数波形反演[J]. 地球物理学报, 2007, 50(4): 1251-1260.
CHEN Jianjiang, YIN Xingyao. Three-parameter AVO waveform inversion based on Bayesian theorem[J]. Chinese Journal of Geophysics, 2007, 50(4): 1251-1260. [本文引用:1]
[24] 慎国强, 李海涛, 王玉梅, 等. 密度及泊松比参数叠前地震反演技术应用研究[J]. 石油天然气学报, 2011, 33(3): 67-71.
SHEN Guoqiang, LI Haitao, WANG Yumei, et al. Application of density and poisson-ratio parameters form prestack seismic inversion[J]. Journal of Oil and Gas Technology, 2011, 33(3): 67-71. [本文引用:1]
[25] GRANA D, DVORKIN J. The link between seismic inversion, rock physics, and geostatistical simulations in seismic reservoir characterization studies[J]. Leading Edge, 2011, 30(1): 54-61. [本文引用:1]
[26] BOSCH M, MUKERJI T, MAVKO G. Seismic inversion combining statistical rock physics and geo-statistics: A review[J]. Geophysics, 2010, 75(5): 165-176. [本文引用:1]