0 引言

深水深层储层是当前油气勘探、开发热点目标之一。相比陆地和浅水沉积，深水深层岩性油气藏勘探、开发成本高且风险大^[1-4]。因此，准确预测储层的含油气性对于该类油气藏勘探尤为重要。地震油气检测技术在油气勘探中发挥着非常重要的作用，根据地震数据类型可以将油气检测技术分为叠后和叠前两大类。前者利用了含油气储层在叠后地震数据上表现出的低频、“亮点”强振幅异常，常用的技术主要有神经网络^[5]、地震数据结构分析^[6]、Proni滤波^[7]、吸收分析^[8-9]以及近年来提出的利用子波相位信息识别油气藏^[10]等。叠前油气检测利用的是含油气储层的反射系数在不同入射角地震道集上表现出的异常，AVO技术和叠前反演是主要技术手段。

自Ostrander^[11]提出利用AVO技术识别流体以来，基于振幅类的叠前地震油气检测技术获得了快速发展^[12-13]。Smith等^[14]提出了流体因子的概念；Goodway等^[15]提出用于流体异常识别的λ-μ-ρ技术；Russell等^[16]利用Biot-Gassman方程改写了饱和流体条件下的纵波速度方程，推导出反映孔隙流体类型的参数；宁忠华等^[17]通过引入纵波、横波阻抗的高阶项提高流体因子的敏感性；Quakenbush等^[18]提出了兼具泊松比和密度两种属性特点的泊松阻抗属性；黄饶等^[19]将泊松阻抗和烃类指示属性应用于深水浊积砂岩油藏预测中，取得了较好的应用效果。针对速度频散与地震反射特征以及AVO之间的关系，众多学者开始关注频率域的AVO油气检测技术。轩义华等^[20]利用分频AVO技术有效解决了储层AVO响应井、震不一致的问题；张益明等^[21]将AVO属性与频散属性相结合构建了一种频散AVO属性；孙万元等^[22]基于双相介质理论提出一种叠前频散属性算法，解决了由深浅水差异、浅层屏蔽等地质因素引起的非烃类“亮点”振幅带来的勘探误区。从已发表的油气检测技术方面的论文看，考虑振幅、频率、相位特征单一因素的油气检测技术较多，而综合利用振幅、频率、相位信息进行油气检测方面的论文较少。

本文基于琼东南盆地研究区已钻井陵三段的岩石物理参数，从地震正演出发，综合分析了影响砂岩储层叠后、叠前地震响应特征的因素，说明利用地震资料进行油气检测的可行性。通过充分挖掘地震数据的振幅、频率和相位信息，提出了地震全信息烃类检测技术，有效排除水层干扰，指出研究区Y目标砂体高部位为气层区，为钻井实施提供了可靠依据。实际应用表明，所提方法预测结果与实钻结果完全一致，验证了方法的有效性。

1 研究区概况

研究区位于琼东南盆地宝岛凹陷南部斜坡近凹带，由两条北东向断层分割成三排构造，构造范围内平均水深约1900~2100 m，目的层埋深超过5000 m。区内已有W1、W2两口探井，W1井位于近物源的第二排构造，钻遇水层；W2井位于远物源的第三排造，钻遇气层。钻井证实主要目的层陵三段发育多级断阶控制的高位域三角洲水下分流河道沉积储层，与陵二段海侵泥岩形成有利储盖组合。研究表明，W1井陵三段含水砂岩（水砂）与W2井陵三段含气砂岩（气砂）的地震响应特征相似，均表现为“亮点”强振幅、远道增强的AVO特征，常规油气检测结果多解性强，影响了该区下一步勘探决策。

Y目标与W2井同处于研究区第三排构造，位于宝岛凹陷南部供烃中心的构造背景上，天然气可通过长期活动的沟源断裂发生近源汇聚成藏，是有利的勘探靶区。该目标勘探成功将推动南部斜坡带多个未钻岩性目标勘探，进一步扩大超深水区储量规模。

2 储层地震响应特征及影响因素 2.1 叠后地震响应特征及影响因素

图 1为过W1、W2、W3井（Y目标设计井）的连井地震剖面。由图可见，储层均表现为“亮点”特征，且W1井振幅略强于W2井。钻井揭示W1井陵三段储层为分选较好的细粒砂岩，由泥岩分隔成三套水砂，自上而下厚度分别为46、20、28 m，平均孔隙度为22.0%，平均渗透率为47.1 mD。W2井储层也为细砂岩，钻遇两套气层，Ⅰ气组自上而下由9 m含气水层、6 m气层和22 m水层组成，中间由薄层泥岩分隔；Ⅱ气组气层厚度为45.93 m，平均孔隙度为16.9%，平均渗透率为1.43 mD。推测储层物性是引起水层“亮点”的主要原因。

影响叠后地震资料振幅的因素主要有流体性质、孔隙度和厚度，本文根据已钻井实测数据设计了楔状模型，分析叠后资料振幅的影响因素。气砂参数取自W2井，高孔隙水砂参数取自W1井，低孔隙水砂参数由W1井流体替代，储层厚度范围在0~60 m，上、下围岩均为泥岩，具体参数见表 1。基于楔状模型，采用30 Hz Ricker子波正演形成一系列叠前道集并进行叠加，之后提取砂岩顶界面的叠后地震振幅响应（图 2）。如图所示，当孔隙度均为16.9%时，气砂的振幅明显强于水砂，而孔隙度为22.0%的水砂振幅甚至略强于气砂。受调谐作用影响，厚度为20 m的水砂振幅最强，46 m的水砂振幅最弱，这与图 1观察的现象一致，说明流体性质和孔隙度是叠后振幅响应的主控因素，高孔隙含水砂岩形成的假“亮点”，导致利用叠后振幅预测流体性质存在多解性。

图 3为研究区不同区域地震反射频谱（提取范围如图 1中红框所示）。以-12 dB为例，W1井水层的频谱（图 3a）对应的主频为36 Hz，频带宽度为6~56 Hz；W2井气层的频谱（图 3b）表现为低频增加、高频衰减、主频降低、带宽变窄的特征，对应的主频约为20 Hz，频带宽度为6~40 Hz；图 3c是比W2井更大埋深的地层提取的频谱，-12 dB对应的主频为34 Hz，频带宽度为6~55 Hz，相对于图 3a高频信息有所损失，低频信息有所增强。上述现象说明地震反射记录会受到部分球面扩散和透射损失的影响，但含烃引起的地震波衰减更明显，因此可以利用与地震波衰减相关的频率、相位信息开展含油气检测。

2.2 叠前AVO响应特征及影响因素

图 4为W1、W2井井旁地震道集及AVO响应截距（P）与梯度（G）交会图。由图可见，W1井三套水层在交会图上均偏离AVO背景，表现为远道增强的第Ⅲ类AVO异常；W2井的Ⅰ气组和Ⅱ气组也同样显示远道增强的第Ⅲ类AVO异常，其中Ⅱ气组偏离背景更远，与水层相比，气层梯度更大且更靠近截距轴。

为了解释这一现象，基于表 1的参数设计了一系列不同岩性组合的正演模型，采用20 Hz Ricker子波（W2井陵三段主频）和Zoeppritz方程进行AVO正演模拟，得到不同岩性组合对应的AVO正演道集。当模型结构为“泥岩—气砂—泥岩”时（图 5a），砂岩顶面表现为远道增强的第Ⅲ类AVO异常（图 5c红色线）；当模型结构为“泥岩—水砂—泥岩”时（图 5b），砂岩顶面亦表现为远道增强的AVO异常（图 5 c蓝色线），但是截距和梯度远小于气砂。模拟W2井Ⅰ气组实际地层结构，设计“泥岩—水砂—气砂—水砂—泥岩”模型结构，同样方法获得不同气砂厚度的正演模拟道集（图 6a），当水砂逐渐被气砂替代，即气砂厚度由6 m依次变为15、37 m时（调谐厚度约为44 m），砂岩顶面AVO异常更明显，截距和梯度均逐渐变大，（图 6b、图 6c）。分析认为气层厚度对AVO异常幅度影响大，Ⅰ气组砂岩的AVO异常是由气砂的AVO异常和水砂的AVO异常两者振幅平衡的结果，而Ⅱ气组的气砂厚度大，因此AVO异常更明显。

进一步以W2井的Ⅱ气组为例，基于Gassmann方程开展流体和孔隙度替代研究。将含气饱和度区间设置为0~100%，间隔为20%；孔隙度区间设置为10%~30%，间隔为5%。采用Zoeppritz方程得到一系列AVO正演道集，利用Shuey公式反演得到相应的截距和梯度，将其依次投影到截距—梯度交会图上，形成AVO截距—梯度解释图板（图 7）。由图可见，在相同孔隙度时，气层和水层的截距、梯度有差异，孔隙度为15%~25%的气层和水层都可以表现为第Ⅲ类AVO异常，但气层整体偏离背景更远；在不同孔隙度时，气层和水层的截距、梯度关系变得较为复杂，如孔隙度为15%的饱含气层比孔隙度为25%的饱含水层的梯度更大、截距更小，合理解释了图 4中气层比水层梯度大且更靠近截距轴的现象。上述研究说明，孔隙度和气层厚度是影响利用AVO信息识别流体的主要原因，高孔隙含水砂岩可形成第Ⅲ类AVO异常，薄层气砂受到水层影响后AVO异常会减弱，但厚层含气砂岩AVO异常偏离背景更远，可进行预测。

3 地震全信息烃类检测技术

地震响应特征受储层流体、孔隙度、厚度、岩性组合的综合影响，而地震信号本身是振幅、频率、相位的函数，因此充分利用振幅、频率、相位信息的地震全信息烃类检测可提高油气检测的成功率。

3.1 基于AVO解释模板的烃类判别

由图 4、图 6、图 7可知，厚层饱含气层AVO响应在截距—梯度交会图上偏离AVO背景更远，该特征可以作为含气砂层的判定标准。同时，气层和水层数据在交会图上随孔隙度的变化曲线近乎平行，在两者之间划定一条分界线，能更好地区分不同孔隙度的气层和水层。为此，本文采取如下步骤在模型数据和实际地震资料上划定判别烃类的分界线。

（1）基于已钻井的纵、横波速度和密度曲线，建立适合研究区的AVO定量解释图板。

（2）统一模型数据与实际数据的值域范围。首先求取实际数据与模型数据的比例因子，该因子包含两个比例系数Z₁和Z₂，实际数据标定后的值满足

$ {P}_{\mathrm{o}\mathrm{u}\mathrm{t}}={Z}_{1}\times {P}_{\mathrm{i}\mathrm{n}} $

(1)

$ {G}_{\mathrm{o}\mathrm{u}\mathrm{t}}={Z}_{1}\times {Z}_{2}\times {G}_{\mathrm{i}\mathrm{n}} $

(2)

式中：$ {P}_{\mathrm{i}\mathrm{n}} $、$ {P}_{\mathrm{o}\mathrm{u}\mathrm{t}} $分别为标定前、后的截距；$ {G}_{\mathrm{i}\mathrm{n}} $、$ {G}_{\mathrm{o}\mathrm{u}\mathrm{t}} $分别为标定前、后的梯度。其中Z₁由$ {P}_{\mathrm{i}\mathrm{n}} $的最大值的倒数给定初始值，Z₂初始值为1。

（3）将初始标定后过井实际数据的截距、梯度投影到解释图板上，再以图板上含气饱和度线为标准，通过人机交互微调Z₁和Z₂得到实际数据的最终比例因子。

（4）根据研究区水层的测井解释结果定义含水饱和度的门槛值为70%，将图板上含水饱和度为70%时截距—梯度随孔隙度变化的分界线定为烃类分界线，基于模型数据与实际数据比例因子最终确定实际地震资料的烃类分界线（图 8中红色细线）。由图可见，以该分界线为基准，气层的响应与AVO背景分别位于分界线两侧。W1井的水层数据全部位于烃类分界线靠AVO背景一侧，W2井的气层数据则位于烃类分界线偏离背景的一侧（图 8b红色椭圆内）。拟合该烃类分界线截距与梯度的线性关系，得到G=-3.49P-130773，并建立适合于研究区的流体识别因子F=3.49P+G，当F < -130773时判别为气层。

3.2 基于最优核时频分布的地层吸收估计

AVO属性仅利用振幅信息，给储层含气预测带来不确定性。为进一步增强烃类检测的可靠性，在振幅信息基础上开展了频率（f）信息研究。研究表明，当砂层含气后，地震反射波的频谱会发生改变，低频成分相对增加而高频成分相对降低，即含气砂岩对地震波不同频带的吸收能力存在差异^[23]。通常需要借助时频分析方法提取吸收异常。匹配追踪类时频分析法具有很高的时频分辨率，但是计算耗时长且结果不稳定。常用的连续小波变换及广义S变换结果稳定，但时频分辨率受限于不确定性原理，并且在高频处和低频处的时频分辨率不同，影响分析结果。本文采用高、低频处具有相同分辨率且时频分辨率能够突破不确定性原理的自适应最优核时频分布（Adaptive Optimal Kernel Time-Frequency Re-presentation，AOKTFR）技术作为时频分析工具，该技术采用时变的核函数，即核函数随信号特征的变化而改变，因此更适于分析非平稳信号^[24]，其方法原理如下。

定义信号$ S\left(t\right) $的对称短时模糊函数SSTAF（Symmetrical Short-time Ambiguity Function)为

$ \begin{array}{l}\mathrm{S}\mathrm{S}\mathrm{T}\mathrm{A}\mathrm{F}\left(t;\theta , \tau \right)=\frac{1}{2{\rm{ \mathsf{ π} }}}{\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}S\mathrm{*}\left(u-\frac{\tau }{2}\right)W\mathrm{*}\left(u-t-\frac{\tau }{2}\right)S\left(u+\frac{\tau }{2}\right)W\left(u-t+\frac{\tau }{2}\right){\mathrm{e}}^{-\mathrm{j}\theta u}\mathrm{d}u\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\; =\frac{1}{2{\rm{ \mathsf{ π} }}}{\int }_{t-T+\left|\frac{\tau }{2}\right|}^{t+T-\left|\frac{\tau }{2}\right|}S\mathrm{*}\left(u-\frac{\tau }{2}\right)S\left(u+\frac{\tau }{2}\right){\mathrm{e}}^{-\mathrm{j}\theta u}\mathrm{d}u \end{array} $

(3)

式中：“$ \mathrm{*} $”表示共轭；W是时窗宽度为2T的对称矩形窗函数；$ \tau $为时延；$ \theta $为多普勒频率；u、t为时间。

利用式（3）和最优化过程可以得到时变最优核函数$ {\varPhi }_{\mathrm{o}\mathrm{p}\mathrm{t}}\left(t;m, \eta \right) $，其中

$ m=\sqrt[]{{\tau }^{2}+{\theta }^{2}} \text{, }\; \eta =\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\frac{\tau }{\theta } $

(4)

最优核时频分布表示为^[25]

$ \begin{array}{l}\mathrm{A}\mathrm{O}\mathrm{K}\mathrm{T}\mathrm{F}\mathrm{R}\left(t, \omega \right)\\ =\frac{1}{2{\rm{ \mathsf{ π} }}}{\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}{\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}\mathrm{S}\mathrm{S}\mathrm{T}\mathrm{A}\mathrm{F}\left(t;\theta , \tau \right){\varPhi }_{\mathrm{o}\mathrm{p}\mathrm{t}}{\mathrm{e}}^{\mathrm{j}\theta t-\mathrm{j}\tau \omega }\mathrm{d}\theta \mathrm{d}\tau \end{array} $

(5)

式中$ \omega $为角频率。

记信号$ S\left(x, y, t\right) $的自适应最优核时频分布结果为$ \mathrm{A}\mathrm{O}\mathrm{K}\mathrm{T}\mathrm{F}\mathrm{R}\left(x, y, t, f\right) $，可得到其高频、低频分量$ \mathrm{A}\mathrm{O}\mathrm{K}\mathrm{T}\mathrm{F}\mathrm{R}\left(x, y, t, {f}_{H}\right) $和$ \mathrm{A}\mathrm{O}\mathrm{K}\mathrm{T}\mathrm{F}\mathrm{R}\left(x, y, t, {f}_{L}\right) $，其中x为道号，y为线号，$ {f}_{H} $、$ {f}_{L} $分别为高、低频频率。当地震波穿过含气储层后，高、低频分量会发生不同程度衰减，依据该原理，利用自适应最优核时频分布能够同时在高、低频段保持良好的时间分辨率的特点，可实现对地震衰减的估计，从而预测地层含气性。具体方法为：①对过井地震道进行频谱分析及自适应最优核时频分析，选取合适的参数；②对地震数据体进行自适应最优核时频分析，得到高频分量和低频分量两个单频数据体；③将两个单频数据体相减，得到吸收数据体。

为了说明方法的适用性，结合研究区W1、W2井实际情况建立了二维地质模型并进行试算（图 9a），模型参数见表 1。Klimentos^[26]基于声波波形分析指出，含气砂岩的纵波品质因子Q_pg范围在5~30，含水砂岩的纵波品质因子Q_pw范围在9~100，气砂纵波衰减明显强于水砂。在对衰减介质模拟时，Q_pg取值20、Q_pw取值100，采用高阶有限差分方法数值求解波动方程，精确模拟自激自收地震数据。如图 9b所示，水砂和气砂均具有强振幅特征，从叠后资料振幅难以区分；而在吸收异常剖面上，高孔水砂无吸收异常，气砂表现为强吸收异常，低孔水砂中夹杂10 m气砂时亦表现为明显吸收异常（图 9c）。因此，地震波频率信息可用于区分研究区的气砂和水砂。

3.3 基于子波相位信息的烃类检测

本文利用子波相位特征开展气藏识别研究，弥补了常规油气检测仅使用振幅或频率信息的不足^[10]，有效降低了烃类识别结果的多解性。

传统的地震褶积模型将地震记录$ s\left(t\right) $描述为一个固定频率、相位的子波与反射系数的褶积，但实际地震子波受地下介质衰减和频散的影响，频率和相位都是随时间变化的。为了从地震记录中提取与岩性、流体有关的频率和相位信息，采用了一个更为复杂的复数褶积模型

$ s\left(t\right)=\sum \limits_{k=1}^{K}{w}_{k}(t, {\varphi }_{w}, f)\mathrm{*}{r}_{k}(t, {\varphi }_{r}, f)+n\left(t\right) $

(6)

式中：$ w $是由多个频率的零相位Ricker子波构成的复数子波库；$ K $表示参与计算的子波的个数；$ {w}_{k} $表示复数子波库中第k个复子波；$ {\varphi }_{w} $代表相位；$ {r}_{k} $为对应的携带地震记录中子波频率和相位信息的复反射系数；$ n\left(t\right) $表示噪声。

新模型中携带了地震信号各时刻子波的振幅、频率和相位信息，具有更充分的动力学特征。然而该褶积模型变量多，待求解元素个数多于原始地震记录个数，是一个欠定问题。本文通过L₁范数正则化并使用快速迭代软阈值算法进行求解，其目标函数为

$ J=\frac{1}{2}{||\boldsymbol{W}\boldsymbol{r}-\boldsymbol{s}||}_{2}^{2}+l{||\boldsymbol{r}||}_{1} $

(7)

式中：W为复子波库的褶积矩阵；$ {||\boldsymbol{r}||}_{1} $为复反射系数L₁范数约束项；l为稀疏度控制参数。对r取模的平方和反正切可得到地震记录的时频主频谱$ {\boldsymbol{F}}_{\mathrm{s}\mathrm{d}\mathrm{o}\mathrm{m}} $和时频相位谱$ {\boldsymbol{\varphi }}_{\mathrm{s}} $，即

$ {\boldsymbol{F}}_{\mathrm{s}\mathrm{d}\mathrm{o}\mathrm{m}}={\left|\boldsymbol{r}\right|}^{2} \text{, }\; {\boldsymbol{\varphi }}_{\mathrm{s}}=\mathrm{a}\mathrm{n}\mathrm{g}\mathrm{l}\mathrm{e}\left(\boldsymbol{r}\right) $

(8)

图 10显示了不同方法获得的时频相位谱，明显可见，与连续小波变换方法相比，本文方法可以更准确地求取地震信号的时变子波相位信息。

利用子波相位异常谱实现气藏识别的方法如下：①选取储层有效地震响应起止频率；②利用高分辨率稀疏反演算法求解复反射系数；③将有效频带内的复反射系数沿频率方向叠加，由式（8）得到时频主频谱和相位谱；④对已钻井目的层的井旁地震道子波相位进行标定，当目标子波相位与气层相位响应特征相同或相近，同时与水层差异较大时，则判断该目标为油气藏。应当注意的是，该方法假设原始入射的地震子波为接近Ricker子波形态的零相位子波，若入射子波本身有一定角度的相位旋转，应从相位谱异常剖面中减去入射子波相位，再用于气藏预测。图 11为复谱分解方法对图 9a地质模型正演模拟数据求取的时频相位谱异常剖面，图中可见气层和水层响应在相位异常剖面上存在明显差异，表明该方法可降低烃类检测结果的多解性。

4 实际应用效果

应用本文方法对琼东南深水区Y目标进行了钻前烃类检测。从过W2井和Y目标设计井（W3井）的连井剖面可以看出，Y目标处具有与W2井相似的“两红夹一黑”的低频“亮点”特征（图 1），过W3设计井的井旁CRP道集表现为远道加强的第Ⅲ类AVO异常，与W2井的Ⅱ气组相似，均位于烃类分界线远离AVO背景一侧，且孔隙度也与W2井相似，略高于15%（图 12）。图 13a为计算得到的流体因子剖面，从剖面上看，W1井水层与W2井Ⅰ气组无明显的流体因子异常，Y目标与W2井Ⅱ气组有相似的流体因子异常，预测其可能为厚层气砂；图 13b为计算得到的地层吸收属性，从剖面上看，W1井水层无明显吸收异常，W2井Ⅰ气组和Ⅱ气组均具有明显的吸收异常，Y目标具有与W2井相似的吸收异常；图 13c为计算得到的子波相位异常属性，从剖面上看，W1井水层无相位异常，W2井Ⅰ气组和Ⅱ气组有明显的相位异常，Y目标具有与W2井相似的相位异常。最后结合该区的石油地质条件，钻前预测Y目标发育含气砂岩，埋深较大，储层物性与W2井相似，值得进一步上钻评价。经钻探证实，Y目标W3井在陵三段为一套厚层细砂岩储层，钻遇厚度47.6 m的气层，测井解释孔隙度为15.9%，与钻前预测结果一致，验证了本文方法的有效性。

5 结论

（1）基于正演模拟对Y目标砂岩储层地震响应特征及其影响因素进行了综合分析，指出孔隙度和气层厚度是影响利用振幅信息识别流体的主要原因。高孔隙度水层在叠后剖面上会形成假“亮点”，振幅强度甚至超过气层，气层厚度对AVO异常幅度影响大，砂岩的AVO异常是由气砂和水砂两者的AVO异常振幅相平衡的结果，常规基于振幅信息的油气检测结果有较强的多解性。

（2）地震反射频谱分析表明，含烃引起的地震波衰减是造成气层主频降低、频带变窄的主要原因。模型模拟表明，厚层气砂表现为明显的吸收异常和相位异常，水层背景下的薄层气砂亦可表现明显吸收和相位异常，可以利用与地震波衰减相关的频率、相位信息开展含油气检测。

（3）地震信号本身是振幅、频率、相位的函数，充分利用振幅、频率、相位信息的地震全信息烃类检测可以提高油气检测的成功率。该方法能有效地识别含油气储层在叠前、叠后地震数据上引起的异常，检测结果与钻井结果相吻合，减小了勘探风险。