0 引言

深水浊积砂岩储层是当前世界油气勘探、开发的热点目标，以西非的尼日尔三角洲盆地为典型代表^[1-4]。相比陆地和浅水沉积，深水区油气勘探、开发成本高且风险大。因此，如何准确预测优质储层并开展烃类检测对深水勘探尤为重要。

AVO技术和叠前反演是烃类检测的关键技术手段。早在20世纪80年代，Ostrander^[5]利用AVO技术识别流体。随后，Smith等^[6]提出了流体因子的概念。Goodway等^[7]利用λρ-μρ(λ、μ为拉梅系数，ρ为密度)交会分析检测烃类。Russell等^[8]利用纵波波阻抗与横波波阻抗构建了新的流体指示因子。Quakenbush等^[9]探讨了基于泊松阻抗检测流体的方法。宁忠华等^[10]通过引入纵波、横波波阻抗的高阶项提高流体因子的敏感性。王栋等^[11]利用纵波、横波波阻抗多次幂的组合形式压制噪声。张玉洁等^[12]基于喷流效应对Russell流体因子进行了推广和应用。姜仁等^[13]利用Russell流体因子检测致密储层的含气性。郑静静等^[14]对各类流体因子进行了分类与系统总结。谢玉洪等^[15]认为“暗点”型油气藏的流体指示因子可以放大Ⅱ类AVO异常的差异。李坤等^[16]利用混合概率模型驱动的叠前地震反演方法刻画复杂岩性油气藏、直接检测流体。

一般情况下，可通过间接计算叠前反演的纵波、横波波阻抗等参数获得流体因子，但容易出现累计误差。为此，人们提出了直接反演流体因子的方法。宗兆云等^[17]利用包含拉梅系数的弹性阻抗方程直接反演拉梅参数。印兴耀等^[18]根据包含Gassmann流体项的弹性阻抗方程直接反演高精度流体项。肖鹏飞^[19]通过直接反演流体因子提高了碳酸盐岩缝洞含油气储层的识别精度。杨培杰等^[20]建立了一种敏感流体因子定量分析方法。桂金咏等^[21]提出了面向实际储层的流体因子优选方法。高刚等^[22]讨论了砂岩敏感识别因子的建立及直接提取方法。张世鑫^[23]发现，受孔隙度影响复杂储层会产生“流体假象”，因此剔除孔隙度对流体因子的影响至关重要。Yin等^[24]推导了基于等效流体体积模量的近似公式，实现了固液解耦，并提出基于贝叶斯理论的反演方法。李超等^[25]、刘晓晶等^[26]、邓炜等^[27]和宗兆云等^[28]广泛探讨了等效流体体积模量的直接反演方法。

在实际应用中，流体因子往往受诸多因素影响，由于“流体假象”广泛存在，因此消除孔隙度对流体检测的影响，真正突显流体性质差异的敏感参数显得至关重要。为此，本文在综合分析储层地震响应特征的基础上，提出了一种新的流体因子敏感性定量分析方法，使流体因子具有“对流体性质敏感度高、对孔隙度敏感度低”的特征，能够最大限度地突出流体异常、压制孔隙度的影响。实际应用结果表明，文中方法能够有效区分油层和高孔隙水层，与钻井数据吻合率高。

1 区块概况

尼日尔三角洲盆地位于非洲大陆西部，面积达12×10⁴km²，是世界上最大的海退型三角洲盆地，也是当今热门的深水勘探区域。盆地发育东、西两套深水扇沉积体系，物源主要来自尼日尔河水系(图 1)。研究区位于东部深水扇，水深为1100~1800m，主力储层为中新统R1180层系发育的水道化朵叶砂体，单层厚度大且物性好，孔隙度为22%~32%。研究区共有W1、W2和W3等三口钻井(表 1)。

2 储层地震响应特征及影响因素 2.1 叠后振幅响应特征及影响因素

图 2为过W1、W2和W3井的连井地震剖面。由图可见，储层均表现为“亮点”特征，其中W3井振幅最强，钻遇水层，W1和W2井振幅稍弱，钻遇油层。根据表 1可知，W1、W2、W3井砂岩孔隙度分别为26.0%、23.4%、29.7%，推测物性可能是导致水层出现“亮点”的主要原因。

进一步分析影响叠后振幅的因素，包括流体性质、孔隙度和储层厚度。根据研究区地质特征设计楔状模型(表 2)，采用30Hz雷克子波进行正演模拟，提取砂岩顶界面的叠后反射振幅响应(图 3)。可见：①当油层和水层孔隙度为26%时，振幅存在明显差异，油层振幅强于水层。②随着水层孔隙度逐渐增大，振幅逐渐增强，当水层孔隙度达到30%时，振幅与孔隙度为26%的油层基本相当。③受调谐作用影响，油层和水层的振幅在调谐厚度处达到最大值；考虑到砂岩厚度范围主要为20~25m，在该范围内，随着厚度增加振幅稍微减弱，但这种差异远小于由于流体性质和孔隙度变化引起的振幅差异。上述现象说明，流体类型和孔隙度是振幅响应特征的主控因素，高孔隙含水砂岩形成假“亮点”，导致利用叠后振幅预测流体性质存在多解性。

2.2 叠前AVO响应特征及影响因素

图 4为W1、W2和W3井井旁地震道集。由图可见，油层和水层表现为远道振幅增强的II、III类AVO异常，W3井的异常值最大、W1井次之、W2井最小，即水层AVO异常比油层更明显。

为了解出现该现象的原因及AVO影响因素，以W1井为例，基于Gassmann方程开展流体和孔隙度替代研究。首先，保持原状油层(含水饱和度为10%)不变，孔隙度由22%增加到34%，间隔为3%。然后，将油层替换为水层(含水饱和度为90%)，再做一次孔隙度替换。采用Aki-Richard方程进行AVO正演模拟，得到不同孔隙度的AVO正演道集(图 5)。可见，随着孔隙度增加，油层和水层均表现为远道振幅逐渐增强的AVO响应特征。为了直观对比、分析油层和水层AVO异常差异，提取图 5道集3350ms波谷位置的P(截距)×G(梯度)属性(图 6)。可见：当孔隙度相同时，油层的P×G值(图 6a)大于水层(图 6b)；当水层孔隙度大于油层孔隙度时，如水层孔隙度为34%、油层孔隙度为28%时，前者的P×G值明显大于后者。上述现象说明物性是引起水层AVO异常的主要原因，导致利用常规AVO属性预测流体性质存在多解性。

3 扩展AVO属性及烃类检测 3.1 扩展AVO属性的提出

对图 6的P和G进行交会分析(图 7)，可见：当孔隙度相同时，油层和水层的P、G均有差异，单独依据P或G可区分油层、水层；当孔隙度不同时，油层和水层的P、G存在一定重叠，如孔隙度为31%的水层的G与孔隙度为34%的油层相当，P与孔隙度为28%的油层相当，因此单独利用P或G均不能有效区分油层、水层；油层和水层的P-G交会图的斜率基本相同，随孔隙度的变化曲线近乎平行，如果在两者之间划定一条分界线，按照该分界线进行坐标旋转，则能区分不同孔隙度的油层和水层。

为了合理划定油层和水层之间的分界线，开展不同含水饱和度条件下的正演模拟，得到P-G交会分析结果(图 8)。可见，在相同孔隙度条件下，随着含水饱和度逐渐增大，P和G的绝对值均递减，且P-G随孔隙度的变化规律与随含水饱和度的变化规律不同。鉴于研究区测井解释定义水层的临界含水饱和度为70%，因此将含水饱和度为70%时的P-G随孔隙度变化的分界线(图 8的黑色实线)定为油层和水层的分界线。

设划定的油、水分界线与P轴的夹角为θ，根据坐标旋转公式，得

$ {{P_{\rm{r}}} = P\cos \theta - G\sin \theta } $

(1)

$ {{G_{\rm{r}}} = P\sin \theta + G\cos \theta } $

(2)

式中：P_r为坐标旋转后的截距；G_r为坐标旋转后的梯度。

根据式(1)、式(2)对图 8进行坐标旋转，得到P_r-G_r交会图(图 9)。可见，在不同孔隙度条件下，水层的G_r均大于零，油层的G_r均小于零，利用G_r能够有效区分油层和水层，因此定义G_r为扩展AVO属性。

3.2 方法有效性试验

图 10为过W1、W2和W3井的连井P×G剖面、G_r剖面。由图可见：W1井和W2井油层的P×G属性均表现为高值，但是W3井的水层“异常”更明显，烃类检测结果与实钻结果不符(图 10a)；利用扩展AVO属性G_r能够有效突出W1井和W2井的油层异常，压制W3井的水层“异常”假象，使油气检测结果更准确(图 10b)，说明利用扩展AVO属性可在一定程度上减少高孔含水砂岩引起的预测多解性。

4 敏感流体因子反演及烃类检测 4.1 流体因子敏感性定量分析

AVO反映界面的反射信息，由于没有消除子波的影响，当背景岩石性质、砂泥岩组合模式等发生变化时，会给储层预测结果带来不确定性。为进一步增强烃类检测的可靠性，需要综合叠前反演结果，其关键在于优选研究区的敏感流体因子。目前常用的流体因子筛选方法是基于Dillon等^[29]提出的流体指示系数，通过测井曲线计算目标层段油气层与水层的流体因子平均值之差衡量流体识别能力，并没有考虑孔隙度对流体识别效果的影响。通过前文分析可知，孔隙度是导致研究区烃类检测多解性的关键因素，因此流体因子必须具有“对流体性质敏感度高、对孔隙度敏感度低”的特征。为此，本文提出了一种基于流体替代和孔隙度替代的流体因子敏感性定量评价方法，具体实现步骤为：

(1) 保持原状地层孔隙度不变，基于Gassmann方程进行流体替代，根据

$ A=\left|\frac{P_{\mathrm{w}}-P_{\mathrm{o}}}{P_{\mathrm{w}}+P_{\mathrm{o}}}\right| $

(3)

计算流体敏感系数A。式中：P_w为含水状态的弹性参数；P_o为含油状态的弹性参数。

(2) 保持原状地层流体性质不变，基于Ga-ssmann方程进行孔隙度替代，根据

$ B=\left|\frac{P_{\phi 1}-P_{\phi 2}}{P_{\phi 1}+P_{\phi 2}}\right| $

(4)

计算孔隙度敏感系数B。式中：P_ϕ1表示孔隙度为ϕ₁的弹性参数值；P_ϕ2表示孔隙度为ϕ₂的弹性参数值。

(3) 为了突出流体、压制孔隙度的影响，定义评价因子C，其与A和B的关系为

$ C=\frac{A-B}{A+B}=1-\frac{2}{A / B+1} $

(5)

C值越大代表对流体敏感性越高、对孔隙度敏感性越低。当A=B时，C=0；当A < B时，C < 0，说明参数对孔隙度更敏感，极限值为-1；当A>B时，C>0，说明参数对流体性质更敏感，极限值为1。根据C值可优选研究区的最佳敏感流体因子。

以W1井钻遇油层为例，基于Gassmann方程开展流体和孔隙度替代分析，流体性质由原状油层(含水饱和度为10%)替换成水层(含水饱和度为90%)，孔隙度由原状的26%增加到30%，获得不同弹性参数的值(表 3)，然后计算A、B和C(表 4)，并进行直方图统计分析(图 11)。可见：λρ、λ/μ、PI和f等四个参数对流体性质均较敏感，其中λρ敏感性最高(图 11a)；λρ、PI和f对孔隙度较敏感，容易受孔隙度变化的影响，导致流体检测出现多解性，而λ/μ对孔隙度敏感性低(图 11b)；压制孔隙度影响后，与其他参数相比，λ/μ对流体敏感性最高(图 11c)。因此，选择λ/μ作为该区的最佳流体因子。

4.2 方法有效性试验

图 12为过W1、W2和W3井的λρ、λ/μ叠前反演剖面。由图可见：λρ容易受孔隙度影响，虽然W1井和W2井油层有异常，但是W3井水层异常更明显，烃类检测结果与实钻结果不符(图 12a)；利用λ/μ开展烃类检测，W1井和W2井油层表现为λ/μ低值，W3井水层表现为λ/μ相对高值(图 12b)，压制了高孔含水砂岩的异常假象，有效区分了油层、水层。

5 应用效果

利用扩展AVO属性和流体因子λ/μ开展R1180层油气平面展布规律预测，图 13为R1180层均方根振幅、G_r、λ/μ反演结果。由图可见：均方根振幅(图 13a)展示了东、西两支朵叶沉积体，其中W1井钻遇西支朵叶，W2井和W3井钻遇东支朵叶，朵叶体在平面上表现为“亮点”异常，西支朵叶振幅强于东支朵叶；G_r(图 13b)、λ/μ(图 13c)反演结果明显压制了W3井水层的强振幅异常，有效保留了W1井和W2井油层异常，且西支朵叶烃类检测异常范围小于强振幅异常范围。上述结果说明强振幅并非都是烃类的响应，部分是由于高孔含水砂岩引起的，从而有效规避了勘探风险，对西支朵叶的下一步钻探部署具有重要意义。

6 结论和认识

复杂储层的流体检测受孔隙度影响较大，消除孔隙度的影响是准确识别流体的关键。本文针对常规AVO属性和叠前流体因子筛选方法的缺陷，提出了一种新的流体因子敏感性定量分析方法。基于坐标旋转的扩展AVO属性，有效区分了不同孔隙度条件下的油层和水层，降低了常规AVO属性的多解性，提高了油气预测精度。基于流体替代的流体因子敏感性定量分析，优选λ/μ参数突出流体并压制孔隙度的影响。实际应用效果证实，文中方法能够有效压制高孔含水砂岩引起的地震强振幅“亮点”假象，提高烃类检测成功率，对其他类似区块的烃类检测具有借鉴意义。