地震属性分析技术的研究与应用

地 震 属 性 分 析 技 术 及 应 用姓名（吉林长春 130000 ）摘要: 地震属性是指由登前或叠后地震数据，经数学变换而得到的有关地震波的几何学、运动学、动力学和统计学特征。目前地展属性主要用于储层岩性及岩相、储层物性和含油气性分析，随着油气勘探的不断深入特别是在常规地震资料含有微弱油气信息而人工难以分辨的情况下，人们致力于从三维地震数据体中提取其地震属性参数，并利用各种数学方法对地震闭等形成的隐蔽油气藏，在油气勘探中所占份量越来越大。本文对地震属性分析技术的发展状况进行了归纳、总结，分析了其基本原理和工作流程，并对提取的地震属性进行了抽象分类和具体分类，特别对新地震属性进行了具体介绍。最后对该技术进一步的研究工作进行了总结和展望。 关键词:地震属性 属性分类 储层预测 叠前数据 叠后数据 油气预测 1 前 言地震属性是指叠前或叠后的地震数据经过数学变换而导出的有关地震波的几何形态、运动学特征、动力学特征和统计学特征的特殊度量值。地震勘探技术通过 60 多年的发展，在油气勘探开发中，已经有效地解决了一系列复杂的地质问题，在各种复杂构造油气藏和隐蔽油气藏的勘察方面取得了重大成果，给生产带来了客观的经济效益。特别是 90 年代，各种勘探技术大量涌现并应用于实际生产中，使得地震勘探工作思路扩宽、成果也越丰富。纵观这些勘探技术，无一不是将各种先进的数学方法、计算机技术以及先进的物探技术进行综合应用的结果。 5在早期，地震勘探技术的发展主要以地震资料处理、成像技术为重点，在地震资料的使用上也只是以解决构造问题为主。到了后期，获得高质量高精度的地震资料已不在成为技术难点，地震勘探技术的重点又转化为如何充分挖掘出采集、处理得到的昂贵地震资料中所包含的岩性、流体信息，从而将资料利用最大化。这就是地震属性分析技术的研究目标。现代能源地震勘探示意图总之，地震属性分析技术可以从地震资料中提取隐藏其中的多种有用信息，这为油气勘探与开发提供了丰富宝贵的资料，也为解决复杂地质体评价提供了实用的分析手段。因此，对该技术进行深入调查研究具有很强的现实意义。 102 方 法 原 理2.1 基本原理 地震属性是从地震数据中提取出的能反映储层含油气性的特征参数,如振幅、频率、相位、能量、时间、速度、吸收等。地震波在地层中的传播是个很复杂的过程，是对地下地层特征的一种综合反映。地下地层性质的空间变化必然会引起地震反射波特征的变化，进而也就导致了地震属性的变化6。因此，地震属性和储层的含油气性之间也就必然存在某种对应的联系，这也为我们研究地震属性技术提供了基本的理论保障。地震属性在石油勘探方面的地质解译研究首先是地震属性的计算过程( 有时也称属性提取) , 然后是属性意义的分析和数据的使用。从地震属性的地球物理含义出发到其地质含义的过程就是地震属性分析过程, 其目的就是把地震属性转换为与物性、岩性、构造或油藏参数相关的信息。每一种地震属性都是从不同角度反映储层的特征, 它们与储层岩性、储层物性、孔隙流体性质之间的关系非常复杂, 同一种属性在不同的条件下代表的意义完全不同, 而且对于同一个地质目标不同的地震属性之间敏感性、相关性也是不同, 因此完成地震属性的提取后, 必须进行地震属性的优化。2.2 工作流程地震属性分析的基本工作流程主要有：数据浏览（包括剖面浏览、切片浏览与三维可视化） 层位标定与拾取 时窗的选取 属性参数的综合分析。 72.3 地震属性分类从地震数据中提取的地震属性越来越丰富，有关时间、振幅、频率、吸收衰减等方面的地震属性已多达 60 多种，包括了运动学和动力学属性以及物理学属性等。经过大量油气勘探实践和经验的统计结果表明:油气储层性质与地震属性之间确实存在某种统计相关性(表 1)，其中瞬时振幅、瞬时频率以及瞬时相位就是我们常说的“三瞬”属性，在属性分析中应用较多。5地震属性的分类方法有很多，其中主要有 4 种抽象的分类方法。目前最有实用性的分类方法是由 Quincy Chen(1997)提出的把地震属性归纳为振幅、波形、频率、衰减、相位、相关、 能量、比率八大类 91 种 1,8。表 1 .地展属性、岩石地质特征可能对应关系表地震属性 可能反映的地质现象或特征振幅 (瞬时 ) 古地貌、岩性差异、岩层连续性、总空隙度频率 (瞬时 ) 岩层厚度、流休性质相位 (瞬时 ) 沿层连续性、地层结构振幅极小值与极大值数目比即位置 古地貌、岩相结构层速度 岩性、空隙度、压力谱分解的各阶分量 纵、横向分辨率、空隙度、流体、几何形态AVO 岩层中流体性质声阻抗 空隙度及泥质含量曲率! 边界增强等现象 断层及裂缝分布特征倾角、方位角 构造、断层均方根、最小振幅、最大振幅、最大振幅绝对值、波峰平均值烃指示属性波谷平均值、平均能量、振幅和、 振幅绝对值之和岩性、物性指示属性优势频率、平均瞬时频率 频率一烃类指示属性半幅能量、门槛值 频率一岩性、物性指示属性平均瞬时相位 流体指示属性零值个数、弧长、带宽 岩相水平、垂向变化特征2.4 地震属性的提取地震属性的提取，即利用各种数学分析方法从地震数据中拾取隐藏其中的与岩性和储层物性等有关的信息，拓展地震信息在油气田勘探开发领域中的应用 11。其提取方法又可分为三维属性体提取、岩层地震属性提取及层间吸收属性提取等 3 个方面：（1）三维属性体是以 3D 地震数据为基础的属性，其提取可以采用不同的地震道空间组合模式。基于三维数据体的地震属性体，是将原地震记录按一定的空间组合模式多道处理得到的，如通过复地震道分析提取传统的三瞬属性 瞬时振幅、瞬时相位和瞬时频率，通过微积分的数学原理提取道积分、线积分和道微分信息，通过三维数据体来比较局部地震波形的相似性所得到的三维相干属性体等。（2）岩层地震属性提取需要沿目的层段开一时窗，对时窗内的记录作自相关、功率谱、傅里叶谱、自回归及其它统计特征分析，进而提取相关的地震属性，按反映的地质意义还可将其细分为地震波频率属性、地震波波形参数、分辨率属性、信噪比属性、地震振幅或能量属性、地震记录自相关函数、其它属性等 7 大类。（3）层间吸收属性提取是利用地震反射波资料测定的地层平均吸收参数，通常采用振幅比法，即研究相邻两层反射波振幅衰减确定的吸收系数，分析的方法有傅里叶谱、功率谱和复赛谱等。2.5 地震属性的优化在地震属性分析技术中除了属性提取外，还有地震属性的优化技术、储层参数转换技术。地震属性优化技术 13是基于 RS（粗集）理论来分析地震属性间的相关性，从而找出反映储层本质特征的、相互之间独立的地震属性的一门技术；储层参数转换技术方法繁多，在百色盆地子寅油田的综合应用研究中，利用人工神经网络方法实现了储层参数的转化，通过具体的大量实践证明，该技术是一种比较有效的方法 18。 地震属性的优化是利用经验方法或数学方法, 选出对于所预测的地质目标最敏感、最有效、相关性最好的少数几个属性或属性组合, 提高地震属性的预测精度。地震属性优化分析方法很多, 大体上分为地震属性降维映射与地震属性选择两类 11, 12:（1）地震属性降维映射。较常用的方法是 K- L 变换, 它是从大量原有地震属性出发, 构造少数有效的主成分分量。原有地震属性的物理意义已不明确。（2）地震属性选择。包括专家优选和自动优选。油田专家对某个地区与储层参数关系比较密切的地震属性是比较了解的, 可以凭经验选择地震属性; 自动优选常用的方法有属性比较法、顺序前进法、顺序后退法、增 1 减 r 法、遗传算法及 RS 理论决策分析方法等。必须注意的是, 在对众多的地震属性优化之前,首先要进行地震属性的标准化工作。2.6 地震属性分析方法地震属性分析就是将地震数据分解成各种属性 “地震属性技术就是提取、存储、检验、分析、确认、评估地震属性以及将地震属性转换为地质特征的一套方法。这种技术能从地震数据中提取其他方法无法提取的信息 ，这些信息有助于解释人员对地质现象的正确认识, 特别是对储层特征的认识 ,从而增加地震方法的应用价值。与大多数分解方法不同, 由于没有固定的一套规则来指导地震属性的计算 ,结果是属性计算方法千差万别,且计算出的属性之间 ,关系极为复杂。但无论方法如何, 所有属性计算的基本出发点是相同的 :都希望去掉无关的信息来揭示原始地震数据中看不到的趋势或模式。地质统计学在地震属性分析中被广泛使用 , 它是将空间随机变量的统计估测技术应用于地质地球物理问题的方法。它根据相关性和概率原则, 对物理测量数值进行内插和外推 , 利用计算机进行运算和推断,将从地震数据中获得的隐藏信息转换为希望得到的储层物性参数 。目前用于地 震属性分析的数学方法主要包括 :线性与非线性回归、神经网络、统计模式识别 、分形分维、R/S 分析等方法。实际上, 在地震属性分析 中统计模式识别技术以及基于样本分析的神经网络识别技术 (BP 网络 )应用较为普遍 。统计模式识别技术是在单属性方法的基础上发展起来的,如何优选大量的地震属性是其困难之一。其原理是根据含油气与不含油气储层的地震波运动学和动力学特征的差异 ,从地震资料中提取多种地震属性 ,采用多元统计的方法 ,预测含油气储层的位置与范围的技术 (图 1) 。图 1.统计模式原理示意图由于该方法采用了多种地震属性对储层的变化进行判断 ,故而对较薄储集层有较高的综合分辨能力 。该技术分析的一般流程(图 2):图 2.统计模式软件实现过程首先根据所要研究的地质问题在某一时窗内进行地震属性提取 ,计算出能够反映所要研究的地质问题的多个地震属性 ,组成多维属性向量 ,接着对所有提取的地震属性进行优化 ,优选出最少的属性组合 ,然后经过聚类、交会得出新的地震属性, 新属性的原始地质意义已不明朗, 但是理论上却比提取的原始属性更能反映出所要研究的地质现象的特征。人工神经网络是用计算机软件或者硬件模拟人类大脑某些功能的方法 。由于神经网络并行处理的能力 ,分布式信息存储方式, 自组织自学习能力 ,优异的模式识别能力 ,高度的鲁棒性和容错性等优点 , 使它自 80 年代中兴以来 , 已在各个领域发挥了重要作用 。其具体采用的是多层感知器作模式识别的分类器 , 训练方法是误差反向传播(BP) 算法 ,所以这种网络又叫 BP 网络。这种方法要求 , 必须为神经网络提供学习样本 ,以供其“学习”或叫 “训练”, 实际是用训练样本(图 3 ) ：输输 入入 层层 隐隐 层层输输 出出 层层人 工 神 经 网 络 流 程测 井属 性地 震属 性厚 度渗 透 率孔 隙 度图 3.神经网络技术原理示意图按 BP 算法调节神经元间的连接权 ,使之具有模式识别能力 。以油气预测流程为例, 一般情况下 , 我们将提供两类目的