0 引言

碳酸盐岩储层在世界油气分布中占有重要地位，作为勘探热点的中东、北美、中亚地区的大型油气田均与碳酸盐岩密切相关^[1]，中国的塔里木、鄂尔多斯、四川盆地等地区碳酸盐岩储层广泛分布^[2]。碳酸盐岩储层成为油气产量增长的重要领域，而缝洞系统为油气提供了有利的储集空间和运移通道，对碳酸盐岩储层油气产能具有重要影响。碳酸盐岩缝洞系统主要由次生溶洞、断层及裂缝组成，可以通过观察岩心、野外露头和薄片等资料得到最直观的缝洞信息^[3]。由于钻井取心成本高昂，因此岩心资料数量有限。目前多采用测井、地震信息识别与预测缝洞。基于常规测井资料的裂缝预测方法超过40种，地下裂缝的常规测井响应特征可作为识别裂缝的依据。非常规测井的微电阻率扫描成像测井（FMI）已成为裂缝研究的主流技术^[4-5]。目前的地震裂缝预测技术较多，通常集中在属性分析、分形技术、AVO分析、速度分析和地震正演模拟等方面^[6-7]，而综合裂缝预测技术是裂缝研究的重要发展方向。

缝洞型碳酸盐岩储层非均质较强，缝洞发育规模不一，纵、横向分布规律不明显^[8]。阿姆河右岸H气田缝洞型储层发育，勘探期的探井和评价井揭示，储层发育程度和产量差异大，裂缝发育状况是制约气井产能的关键因素。随着气田勘探、开发的推进，对储层裂缝预测提出了更高要求。为此，本文引入深度学习断层预测方法，并联合多属性分析刻画缝洞。

1 技术方案

缝洞分布受断层控制，因此首先利用深度学习技术预测断层，通过自动解释三维地震资料识别断层；其次，综合钻井、地质、岩心及测井信息，建立碳酸盐岩储层识别模式，优选反映缝洞发育特征的地震属性；最后，根据深度学习断层预测结果和多属性分析结果刻画缝洞体（图 1）。

2 关键技术 2.1 深度学习技术断层预测

本文基于深度学习技术预测断层，其基本方法是通过构建一系列三维体模型，形成各种断层体模型及其地震正演数据，通过训练构建深度学习网络获得断层预测模型^[9]。该方法直接由地震数据预测断层，在预测过程中，通过选取不同地震振幅值域预测不同尺度断层，以满足勘探、评价、开发等阶段的要求。

图 2为不同振幅值域的深度学习断层预测结果。由图可见：地震振幅值域为-10000~10000时，仅能较清楚地刻画主干断层和较大尺度断层，而对构造翼部断层的预测效果较差（图 2a）；地震振幅值域为-5000~5000时，能较好地刻画构造翼部规模较小的断层（图 2b）；地震振幅值域为-2500~2500时，反映了更多的断层细节（图 2c）。

深度学习断层预测方法在纵剖面断层成像、微小断层成像、深层抗噪性方面具有明显优势，改善了传统的相干、曲率类断层成像效果，是精细勘探、高效开发中描述复杂构造的有力工具。

2.2 多属性分析

裂缝及溶洞的非均质性强，会引起地震波特征参数的变化，地震属性就是从地震资料中提取的地球物理响应，因此可通过地震属性反映储层的缝洞发育特征。但是地震属性有其局限性，受上覆盐（膏）层的影响，碳酸盐岩内部反射特征复杂，因此利用单一地震属性无法区分缝洞体储层，需要进行属性优化^[10-11]。

钻井资料表明：高产井钻遇的缝洞发育区呈强振幅特征，低产井钻遇的致密区呈较弱振幅特征；在断层附近的缝洞发育区也呈强振幅特征。因此，通常可由振幅类属性预测缝洞体。但是阿姆河地区受上覆盐（膏）层的影响，在“盐坑”下部的碳酸盐岩致密区也呈中—强振幅特征，因此振幅类属性无法有效预测缝洞发育区。

对于频率类属性，高产井钻遇的缝洞区和断裂附近的缝洞发育区呈中—高频特征，低产井致密区呈低频特征，而“盐坑”下部的碳酸盐岩致密区呈中—低频特征，与缝洞区的中频段有部分重合，也无法有效区分。

通过钻井资料与地质认识，建立了碳酸盐岩储层识别模式（表 1）。从定性角度，综合利用振幅类和频率类属性区分缝洞区（图 3）。

2.3 缝洞体雕刻

缝洞体雕刻是根据反映缝洞体分布的属性特征值提取特定范围数据，形成空间缝洞体数据^[12]。

根据碳酸盐岩储层识别模式建立了5种分区样本集，对振幅类属性、频率类属性与样本集进行相关分析，以求得的属性融合结果作为缝洞体预测的甜点属性（图 4）。

通过交会分析，将缝洞区甜点属性值500作为缝洞体空间雕刻的“门槛值”（图 5）。应用体雕刻技术，量化雕刻H气田构造主体区缝洞体储层。

3 应用效果 3.1 研究区概况

H气田位于中亚阿姆河右岸东部地区的基萨尔山前冲断带，主要目的层为中—上侏罗统卡洛夫—牛津阶碳酸盐岩地层。受喜山期构造运动影响，该区发育大量高陡逆冲断背斜构造，断裂广泛发育。H气田的主体在平面上为北东走向长轴断背斜构造，高点紧邻断层，向东逐渐变低。西部、北部各发育一条控制构造的南西—北东向大断层，构造内部发育多条近东西向小断层。H气田共计钻井6口，其中H-21井、H-22井均获得高产工业气流，H-21井在钻探到卡洛夫—牛津阶碳酸盐岩储层上方时，发生了严重的泥浆漏失现象，证实本区缝洞型储层较发育。野外露头观察表明，缝洞主要发育在断层、小断层附近，H-21井、H-22井钻井取心结果显示，在微小断层和裂缝附近，溶蚀孔洞也较发育。总体上，缝洞储层与断裂系统及裂缝关系密切，需提高断裂系统及裂缝解释精度。

3.2 深度学习断层预测效果

图 6为沿目的层顶界提取的相干属性和深度学习预测的断层分布平面图。由图可见：①相干属性较好地刻画了中部的两条主干断层；对于构造翼部，受上覆盐（膏）层的影响，存在较多黑色的“圆圈”特征，并不能解释为断层，因此无法刻画构造翼部的小断层（图 6a）。②深度学习更清楚地刻画了主干断裂带及内部的断层细节，同时在很大程度上消除了上覆盐（膏）层的影响，更清晰地刻画了翼部小断层（图 6b）。

3.3 多属性联合缝洞体雕刻效果

图 7和图 8分别是过H-21井和H-23井缝洞体雕刻与深度学习断层预测叠合剖面。由图可见：H-21井钻遇了较大规模的缝洞体（图 7）；H-23井未钻遇缝洞体（图 8）。H-21井钻至目的层后，发生较大规模井漏而提前完钻，该井测试获高产，投产后产能较稳定，表明缝洞较发育。H-23井钻井过程中无井漏现象，取心资料显示缝洞不发育，该井测试产量低，表明该井未钻至缝洞体。因此，图 7、图 8识别的缝洞体整体与断层匹配性较好，缝洞体发育在断层附近，与地质认识及钻井资料吻合较好。

图 9是H气田构造主体区缝洞体分布与深度学习断层预测立体图。由图可见，在中部主断裂带附近，缝洞体发育程度最高、规模相对较大，同时在构造翼部的小断层发育区，也存在较多缝洞体，规模相对小。根据缝洞体雕刻结果，部署了开发井H-103D井。H-103D井测井解释成果显示，在目的层裂缝孔隙度和裂缝密度显著增大，解释为气层，并且该井钻至目的层发生多处井漏，累计漏失泥浆185 m³，表明裂缝较发育，证实了缝洞体雕刻结果的可靠性。

4 结论

（1）深度学习断层预测技术可满足不同尺度断层解释的需求，相对于传统的相干和曲率等属性方法，断层成像效果更好，具有广泛的应用前景。

（2）阿姆河地区缝洞型储层呈高频、强振幅地震响应特征，综合利用振幅类和频率类属性可以区分缝洞区。

（3）深度学习的多属性联合缝洞体雕刻结果表明，预测的缝洞体主要发育在断裂系统附近，与钻井和地质规律吻合，预测结果可靠。