引 言

随着油气藏勘探难度、勘探成本和勘探风险的不断增大，地震技术的发展也日新月异，不但需要对地质目标精确成像，还要有效识别目标储层中的流体，从而提高钻探成功率。流体识别因子就是地球物理学家为了从地震数据中区分储层流体的性质（油、气、水）而提出的。反演得到的属性数据均基于密度和纵、横波速度这3 个参数对流体响应的差异而构建，通常在剖面或切片上对其进行分析解释，缺少在某一目的层段内的整体数据特征分析，而在层段内做分析处理正是波形分类法的专长，利用神经网络对地震信号总体变化及其规律进行形态学分类，并利用这种对地震波形分类的方法进行地震相分析，得出与地质相相对应的地震相图，这种方法相比传统的“相面法”具有人为干扰少、更快速的优点。前人在利用波形分类方法开展沉积相分析、河道砂体预测、隐蔽油藏预测、生物礁油气藏预测、裂缝预测、储层沉积微相预测及碳酸盐岩缝洞型储层预测等方面已经积累了大量宝贵经验^[1-8]，该方法的数据源均为地震振幅数据，有必要尝试将具有很好流体识别能力的流体因子用波形分类的方法加以探讨分析，并将所得结果与其他解释成果融合，从而达到减少钻遇水井和干井的目的。

1 地震属性参数敏感性定量分析

地球物理学家在储层预测中所提出的流体识别因子均基于密度($\rho$)和纵、横波速度($v_{\rm{P}}$、$v_{\rm{S}}$)这3个参数对流体响应的差异而构建，纵波阻抗($I_{\rm{P}}$)和横波阻抗($I_{\rm{S}}$)的定义为

${I_{\rm{P}}} = \rho {v_{\rm{P}}} $

(1)

$ {I_{\rm{S}}} = \rho {v_{\rm{S}}} $

(2)

各种流体识别因子可以按照波阻抗量纲的幂次方的形式加以归纳^[9]：零次方类($I_{\rm{P}}/I_{\rm{S}}$，$I_{\rm{P}}^2/I_{\rm{S}}^2$，$\cdots$)；一次方类($I_{\rm{P}}$，$I_{\rm{S}}$，$I_{\rm{P}}+I_{\rm{S}}$，$I_{\rm{P}}-I_{\rm{S}}$，$\cdots$)和二次方类($I_{\rm{P}}^2$，$I_{\rm{S}}^2$，$I_{\rm{P}}I_{\rm{S}}$，$I_{\rm{P}}^2-CI_{\rm{S}}^2$，$\cdots$)，本文讨论不包括高于二次方的类型。

最早提出的流体识别因子就是泊松比^[10]

$ \sigma = \dfrac{I_{\rm{P}}/{I_{\rm{S}}}-2}{2\left( I_{\rm{P}}/{I_{\rm{S}}}-1\right )}$

(3)

Goodway 等^[11] 提出的识别因子为

$\lambda \rho = I_{\rm{P}}^2 - 2I_{\rm{S}}^2 $

(4)

$ \mu \rho = I_{\rm{S}}^2 $

(5)

Russell 等^[12] 根据Biot-Gassmann 方程得到有孔、饱和介质的波速，并进一步提出了一个新的流体属性表达式

$ \rho_{\rm{f}} = I_{\rm{P}}^2 - CI_{\rm{S}}^2$

(6)

式中：$\rho_{\rm{f}}$—流体属性；调节参数$C={\left. {{{\left( {{v_{\rm{P}}}/{v_{\rm{S}}}} \right)}^2}} \right|_{{\rm{dry}}}}$ 为经验值，一般取1.33~3.00。

有学者将通常在流体识别的实际应用中效果较明显的泊松比($\sigma$)和$\lambda\rho$组合到一起，形成更灵敏有效的组合型流体识别因子

$\sigma \lambda \rho = \dfrac{\left ( I_{\rm{P}}/I_{\rm{S}}-2\right )\left ( I_{\rm{P}}^2-2I_{\rm{S}}^2\right )}{2\left ( I_{\rm{P}}/I_{\rm{S}}-1\right )}$

(7)

宁忠华等^[9] 提出了高灵敏度流体识别因子

$ {I_{{\rm{HSFIF}}}} = \dfrac{ I_{\rm{P}}}{ I_{\rm{S}}} I_{\rm{P}}^2 - B I_{\rm{S}}^2$

(8)

式中：调节参数B 的选取与具体地区的岩性有关，一般取3.0∼6.0。

笔者以Hilterman 给出的三类砂岩为例^[12]，计算和比较了常见的如下9 种流体识别因子对流体的识别能力（表 1）。

图 1 为由表 1 得到的各种流体因子识别能力对比直方图（为方便比较对数据作归一化处理，其中对于砂岩含水和含气两种情况，若都为负值，则取其绝对值）。由图 1 可以看到，对三类砂岩的$I_{\rm{S}}$、 $\mu\rho$几乎没有气—水识别能力，这是因为与剪切模量($\mu$，也称第二拉梅系数)有关的参数对流体不敏感；$I_{\rm{P}}$、$v_{\rm{P}}/v_{\rm{S}}$对第Ⅰ类砂岩有一定气—水识别能力，但敏感度较差，对第Ⅲ类砂岩难以识别；$\sigma$、$\sigma\lambda\rho$对第Ⅰ类砂岩有很好的气—水识别能力(含气与含水情况下其值符号相反)，其中前者为最好，对第Ⅱ类砂岩两者有一定的识别能力但敏感程度一般，对第Ⅲ类砂岩它们的识别能力较差； $\lambda\rho$ 对第Ⅰ类砂岩识别能力较好，对第Ⅱ类一般，对第Ⅲ类较差；$\rho f$、$I_{\rm{HSFIF}}$ 对三类砂岩都有很好的气—水识别能力，其中对第Ⅰ类和第Ⅲ类砂岩后者的识别能力更好，且$I_{\rm{HSFIF}}$对第Ⅲ类砂岩具有最好的气—水识别能力。

综合全部三类砂岩来看，可以认为高灵敏度识别因子是具有普遍意义上更敏感也更可靠的气水识别能力的流体识别因子，基于此认识，在以下实例中将选其作为进一步讨论的对象。

2 自组织人工神经网络波形分类方法

自组织神经网络的波形分类法通过提取空间上地震信息的相似性来描述地质信息的空间变化。该方法通过对某一层段内的地震数据道逐道对比，细致刻画地震道的波形和地震属性特征的横向变化特征，通过突出那些相同特征的地震数据得出地震异常平面分布规律[7 8，15]。图 2 为地震波形分类技术实现流程。

在许多实际问题的研究中，往往存在较多的变量且各变量之间常常具有一定的相关性，各变量反映的信息在一定程度上有所重叠。在神经网络中输入变量过多或过少会对预测产生不同的影响,输入变量过多则网络结构复杂、训练负担加重、学习速度呈指数下降，而变量太少则精度不够^[16]。主成分分析（Principal Component Analysis）法解决了这一矛盾，这种方法将所有变量利用降维技术去除冗余重复的成分精简为几个不相关的变量（称为主成分），这些主成分涵盖原始变量的绝大部分信息^{[9, 16]}。图 3 为其原理示意图。

在对数据体进行主成分分析（PCA）之后再通过神经网络模式进行分类（即PCA-神经网络模式，其流程见图 4），处理过程使得数据即得到了压缩同时又保留了其主要信息，从而达到了数据简化的目的，在一定程度上可以使预测更加准确。

3 应用实例

无论是碎屑岩还是碳酸盐岩储层，其中的流体都是识别的重点，笔者认为作为实验或一种尝试不妨将前已述及的高灵敏度流体识别因子应用到碳酸盐岩储层中。

碳酸盐岩台缘带历来都是油气勘探的重要目标，综合研究表明：S 盆地飞仙关期的沉积演化总体是在继承晚二叠世末期沉积环境基础上，碳酸盐台地逐渐发育增生，深水海槽充填消失直至飞仙关末期古地势为准平原化的过程^[17-22]。长期以来针对飞仙关组鲕滩气藏的勘探重点主要放在海槽东侧，近年来通过区域地震相预测，在海槽西侧台缘带，特别是已有礁滩风险探井在二叠系、三叠系获高产气流，实现了该盆地礁、滩储层勘探区带新的突破。

本文以该盆地内海槽西侧L研究区为例，利用已获取的$I_{\rm{P}}$ 、$I_{\rm{S}}$ 得到前面讨论认为是具有很好流体识别能力的$I_{\rm{HSFIF}}$。钻井已证实在研究区top~bot层段是主要的含气层段，该层段时窗范围在50 ms以内且属于厚度变化不大的同沉积层段，在此层段内对$I_{\rm{HSFIF}}$数据应用神经网络波形分类法建立相图（图 5），分类结果显示相信息杂乱无章、难于解释。

考虑到数据中可能包含了一些相互重叠的冗余信息，对此采用PCA-神经网络波形分类法首先对数据进行简化然后再进行分类，得到如图 6 所示的分类结果，对比两图可见，前者分类结果明显交叉重叠、杂乱无章、相带界限不清、难以解释，而后者经过PCA-分析处理后数据得到简化，从图 6 中可见相带间边界轮廓清晰、异常分区明显，与前者相比解释难度大大降低。

研究区已钻有3 口井：L2 井、L9 井和L18 井（位置见图 5、图 6），在主要含气层段（top∼bot）各井解释结果如表 2，L2 井、L9 井和L18 井气层和含气层厚度分别占总厚度的29.5%、59.0% 和5.4%（表 2），亦即在本层段含气情况为：L9 井含气最好，L2 井较好，L18 井较差。结合图 6 预测3 个含气有利区如下，其中研究区西部（紫色区域）对应于L9 井，含气性最好；研究区东部（褐色区域）对应L2 井，含气性为较好；研究区东南部（橘红色区域）面积最小的区域对应于L18 井，含气性较差。

在过L9井的$I_{\rm{HSFIF}}$剖面上（图 7），将PCA-神经网络分析结果以彩色编码形式显示在top 层的上方，可以看到紫色成分对应$I_{\rm{HSFIF}}$因子的低值，显示为红色，代表较好的含气性（图 7 中黑色框内），说明所预测的有利区在该层段的平面展布是可靠的。

需要指出的是，除了基于三参数（纵、横波速度和密度）构建的流体识别因子外，应用较广泛的流体预测方法还包括基于炮检距的（AVO）属性差异、基于储层对不同频率地震波衰减度的差异以及各种有效属性的优化组合等^[14]。针对不同的地质背景、不同的储层类型，从多种预测手段中遴选出有针对性的、效果明显的方法进行储层流体识别。

4 结论

（1）对比了9 种流体识别因子在三类砂岩含水和含气情况下的的识别能力，高灵敏度流体识别因子（$I_{\rm{HSFIF}}$）相对其他流体因子具有更好的识别效果。

（2）将波形分类法的应用范围从主要进行地震相沉积相分析、储层预测等扩展到对流体因子在目标层段进行分析并结合测井解释成果进行流体预测，对仅在剖面上和切片上利用流体识别因子来进行流体识别和预测是一种新的有价值的补充。

（3）PCA-神经网络模式处理得到的相图效果较神经网络模式得到的相图有相当明显的改观，这种改观比用此方法进行地震相分析时更明显。