裂缝性储层综合预测方法研究

阐述裂缝预测技术0引言20世纪60年代，我国陆续在松辽盆地、四川盆地、吐哈盆地等多个地区发现工业性裂缝油气藏，这些油气藏储量巨大，有着很大的开发潜力，有的单井日初产可达上百吨。

该类油气藏的大量发现，使之作为一种新的油气藏类型，成为今后重要的一个勘探新领域，也成为新增油气储量的重要来源。

这种裂缝型油气藏有多种类型，目前常见的有致密砂岩裂缝型、泥岩裂缝型、碳酸盐岩裂缝型、变质岩裂缝型和火山岩裂缝型等。

油气藏的构造裂缝不仅是储层的主要储集空间，也是形成油气藏的主要动力学诱因，但裂缝型油气藏具有储层岩性复杂、非均质性严重、低渗透、储集空间复杂多变等特点，加大了裂缝性油气藏的勘探技术方法识别和评价难度。

对于储层评价的前提条件是对裂缝发育带的准确预测，这对识别裂缝型油气藏具有重要作用，开展裂缝预测评价技术研究也具有重要的现实意义。

1裂缝的测井技术方法评价通过测井技术资料分析进行裂缝评价，开展裂缝型油气藏的识别，是当前油气藏勘探工作中广泛采用的方法。

油气藏中裂缝的存在，会使勘探中常规测井曲线等资料出现异常响应，产生一些数据的变化，通过对这些变化的分析就可识别裂缝的相关特征。

具体裂缝预测评价时，通过获取的岩心资料标定不同地层结构的测井响应，对测井曲线上的不同响应特征进行分析，计算每种测井响应形成的模糊概率，从而对裂缝发育段的具体情况用不同响应的联合模糊概率来进行预测和评价。

裂缝的长宽度、产状、密度、泥浆侵入深度、充填性状及地层流体类型等多种因素，决定了裂缝发育段在电阻率曲线上的特征。

低角度裂缝会使曲线形状尖锐，深浅侧向读数降低，显示准“负差异”现象；垂直裂缝及高角度裂缝会使深浅侧向之间相对增大，显示准“正差异”现象。

当滑行波沿岩石骨架传播时，裂缝的存在会导致纵波首波出现变化，时差变大；当裂缝出现进一步发育时，变化会出现更大的变化，首波能量会出现严重衰减，从而引起周波跳跃。

密度补偿曲线能够体现地层密度的不同变化，从而反映裂缝造成井壁不规则的程度。

储层裂缝的综合表征技术
尽管油气开采的广泛性和复杂性，但储层裂缝的综合表征技术已经在地质勘查和开发领域中取得一些突破。

基于不同的目标和需求，这种技术主要由三个步骤组成：裂缝识别、裂缝描述和裂缝解释。

首先，裂缝识别是对裂缝存在的基础性研究，主要依靠现场观察、荧光微观及超声波成像等方式进行。

通过利用这些方法，可以从宏观和微观两个层面上确保对裂缝的全面识别，为后续工作提供了基础。

其次，裂缝描述主要是对裂缝的基本特征进行详细记录。

包括裂缝的数量、长度、宽度、方向、连通性等。

为了获取更准确的数据，通常需要采用特殊的测量工具和技术，如光学偏振显微镜、电子探针等。

最后，裂缝解释是基于对裂缝的识别和描述，结合地层条件、地质历史、流体活动等多方面因素，对裂缝的生成机理、分布规律以及对油气的富集和运移作用等方面进行细致的研究和解读。

以上三个步骤是储层裂缝的综合表征技术的主要内容，结合这些技术可以更准确和全面地了解储层裂缝，进而为油气开采提供有效支持。

同时，这些技术在不断发展和进步，相信在未来的地质勘查和开发中，会有更多的应用和突破。

页岩气地下储层裂缝特征分析方法研究页岩气地下储层裂缝特征分析方法研究摘要：页岩气作为一种重要的非常规天然气资源，其开发利用具有重要的战略意义。

而页岩气成藏特点中的裂缝系统是页岩气储层中气体运移和产出的主要通道，因此对页岩气地下储层裂缝特征的研究具有重要的意义。

本文主要通过对页岩气地下储层裂缝特征分析的研究方法进行综述，包括实验室试验、地震地质学、测井解释等方法，以期提供对页岩气储层裂缝特征分析的参考和借鉴。

关键词：页岩气；地下储层；裂缝特征；分析方法1. 引言页岩气作为一种非常规天然气资源，由于其储量丰富、分布广泛等特点，受到了广泛的关注。

然而，与常规天然气不同，页岩气储层具有低孔隙度、低渗透率、高吸附性等特点，导致其气体的产出和运移困难。

因此，对页岩气储层的裂缝特征进行研究，有助于深入了解其储层特性和气体运移规律，为有效地开发利用页岩气提供科学依据。

2. 页岩气地下储层裂缝特征2.1 裂缝类型页岩气储层中的裂缝类型多样，常见的有裂缝系统（including fracture systems）、微裂缝网络（microfracture networks）和粉体颗粒间的裂隙。

裂缝系统是页岩中主要存在的裂缝类型，也是气体流动和运移的主要通道。

微裂缝网络则是裂缝系统的细分，常见于页岩中。

裂隙则是指岩石颗粒之间的间隙，常见于页岩储层。

2.2 裂缝参数页岩气储层中裂缝参数的研究可以帮助我们更好地了解裂缝特征和裂缝对气体运移的影响。

常用的裂缝参数包括裂缝密度（fracture density）、裂缝长宽比（fracture aspect ratio）和裂缝面积比例（fracture area ratio）等。

裂缝密度是指单位面积内裂缝的数量，反映了裂缝在储层中的分布状态。

裂缝长宽比是指裂缝的长度与宽度之比，可以帮助我们了解裂缝的形态特征以及对气体运移的影响。

裂缝面积比例则是指裂缝面积与岩石面积之比，反映了裂缝对储层的充填程度。

作者简介:季玉新,高级工程师,1967年生;1988年毕业于青岛海洋大学海洋石油物探专业;长期从事物探方法研究及软件开发工作,发表过多篇学术论文。

地址:(100083)北京市学院路31号。

电话:(010)82312643。

E 2mail :jiyx @裂缝储层预测技术及应用季玉新(中国石化石油勘探开发研究院处理解释中心) 季玉新.裂缝储层预测技术及应用.天然气工业,2007,27(增刊A ):4202423. 摘　要　裂缝性油气藏有着巨大的勘探潜力,在实际生产中发现了不少裂缝性的油气藏,且都有高产井发现。

裂缝性储层,各向异性复杂,勘探开发难度大。

为此,在研究和开发这些先进的裂缝预测技术的基础上,选择了两个典型裂缝性油藏为研究区,根据研究区的裂缝储层的特点,选择了不同的技术,预测了目的层的裂缝方位和分布密度,圈出了目标储层的最有利区域,取得了较好的效果,为将来裂缝性储层的勘探工作提供了可以借鉴的技术应用思路,将会带来重大的经济和社会效益。

主题词　裂缝方位　构造应力　方位角　地震勘探　反演一、裂缝储层的特点及技术思路 地壳中所有大小不同的断裂,可以广义地归结到裂缝的概念,包括伴有岩层位移的宏观裂缝,如巨大的断裂,逆掩断层和小型断裂(一般正断层和逆断层),以及地层没有明显位移的岩石小裂缝(微裂缝)。

地层中裂缝发育与否的信息,无非从岩石力学特征、应力应变特征、地震测井等观测数据中表现出来,根据目前的技术现状和目标区的储层裂缝特征,利用综合裂缝储层预测技术来进行裂缝储层的预测才能取得良好的效果。

新老探区往往首先具有大量翔实而准确的构造信息资料,从地质力学的角度入手,研究地质构造运动过程和对裂缝形成的作用,对于油田在裂缝性油藏尤其是构造裂缝为主的油区来说,这将是最快速、直接和有效的技术。

然后,从含有丰富地下地质信息的地震资料研究入手,在进行岩石物理特征分析和正演模拟的基础上,结合地震属性的优势,得到裂缝储层的地震属性特征,用高质量地震资料做好多方位角地震信息处理,用研究的多方位地震定量计算目的层的裂缝方位和分布密度,圈出目标储层的最有利区域。

2009年11月第16卷第6期断块油气田1研究内容1.1裂缝系统的成因研究裂缝系统的成因可对裂缝几何形态和分布的可预测性有所了解。

对于裂缝，通常以力学成因和地质成因来分类［1］。

1）力学成因分类。

在实验室的挤压、扩张和拉张试验中，可以观察到与3个主应力以一致和可预测的角度相交所形成的3种裂缝类型：剪裂缝、张裂缝和张剪缝，所有裂缝必然与这些基本类型中的一类相符合。

2）地质成因分类。

裂缝的形成受到各种地质作用的控制，如局部构造、区域应力、成岩收缩、卸载、风化等。

主要裂缝类型有构造裂缝、区域裂缝、收缩裂缝、卸载裂缝、风化裂缝、层理缝等。

另外，还有次火山岩中的隐爆裂缝、岩溶体系中的岩溶裂缝等。

1.2影响油藏动态的裂缝性质阐述岩石-裂缝系统的岩石物理性质，将为预测因基质和裂缝系统特征的横向变化或因环境条件（深度、孔隙压力的衰减、流动方向等）的改变而引起的不同深度，构造位置上储集层响应的变化提供依据。

这包括确定裂缝系统的物理形态和分布及估计与裂缝系统特征有关的储集性质（孔隙度和渗透率等）［2］。

1）裂缝形态。

天然破裂面的形态有4种基本类型：开启裂缝、变形裂缝（包括被断层泥充填的裂缝和具擦痕面的裂缝）、被矿物充填的裂缝、孔洞裂缝。

2）裂缝宽度和渗透率。

天然裂缝系统对储集层性质及产能定量评价有重要的影响。

地下裂缝宽度和渗透率的确定是了解裂缝对油层动态的影响所必须的地质参数。

3）裂缝间距。

同裂缝宽度一样，裂缝间距是预测储集层裂缝孔隙度和裂缝渗透率的又一个重要参数［3］。

1.3裂缝与基质孔隙度的联系裂缝在油气生产及储存上起重要作用的任何储集层必须看成是双孔隙度系统，一个系统在基质中，另一个在裂缝中。

如果由于2种孔隙度之间存在不利的相互影响而使储集层分析不能识别出衰竭开采的最大产储层裂缝的研究内容及方法范晓丽苏培东闫丰明（西南石油大学资源与环境学院，四川成都610500）摘要储层中裂缝既是储油空间，又是油气运移的主要通道，因此储层裂缝的研究显得尤为重要。

第１０卷第１期重庆科技学院学报（自然科学版）２００８年２月随着我国油气勘探开发事业的快速发展，裂缝型油气藏将成为本世纪石油增储上产的重要领域之一。

裂缝不仅是重要的储集空间，还是重要的流体渗流通道，同时还控制着油气藏的形成与分布。

所以，对裂缝的正确识别及分布规律和发育特征的正确认识，是裂缝型油气藏勘探开发成功的关键所在。

但由于储层裂缝成因的复杂性、控制和影响的多因素性、形成和发育的随机性、分布的高度非均质性，在一定程度上增加了裂缝储层的研究难度［１］。

近年来对储层裂缝的研究不断深入，实验方法与手段不断充实完善，取得了不少研究成果，有些用于现场的效果良好。

但从国内外研究现状来看，尚缺乏一个能全面解决裂缝定量预测问题的研究方法，对裂缝型油气藏预测及评价研究仍处于探索阶段［２］。

在此，综合分析裂缝预测的几种主要方法。

１裂缝预测方法１．１观察统计法对野外露头及岩芯裂缝的宏观和微观观察，描述与统计分析是裂缝预测最直接的方法，但该方法受样品数量、实验环境及实验仪器精度的影响较大。

尽管如此，岩芯观察分析仍可以获得裂缝的诸多参数，是进行裂缝研究的基础，同时也是验证其它方法预测准确性的标准之一。

１．２曲率分析法和构造应力演化法１９６８年，Ｍｕｒｒａｙ最早运用曲率进行裂缝预测并获成功。

这一方法从７０年代初被引入到国内，已得到广泛应用。

曲率对裂缝发育程度的控制可以通过统计得出，还可以通过应力场模拟对裂缝分布进行预测，也可以作为模式识别裂缝预测的建模参数。

曲率分析法从构造本身的结构特征出发，探讨构造形变主曲率与裂缝分布的定量关系，并用几何方法导出曲率与裂缝孔隙度、渗透率的之间的关系公式。

使用得最普遍的是极值主曲率法和地质曲率分析法。

极值主曲率法（简称主曲率法）是构造曲率法的一种，是进行构造拉张裂缝分布评价预测的传统方法。

它的应用有三个前提条件：一是储层是变形弯曲层；二是变形弯曲岩层面上的裂缝都是由于弯曲派生的拉张力形成的；三是将岩层看作完全弹性体，不考虑其塑性变形，裂缝产生于曲率相对高值区。

第４５卷第２期 中国矿业大学学报 Ｖｏｌ．４５Ｎｏ．２２０１６年３月 Ｊｏｕｒｎａｌ　ｏｆ　Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｍｉｎｉｎｇ　＆Ｔｅｃｈｎｏｌｏｇｙ Ｍａｒ．２０１６收稿日期：２０１５－０６－０６基金项目：国家重点基础研究发展计划（９７３）项目（２０１５ＣＢ４５３０００）；中国石油集团重大科技专项（２０１２Ｅ－３３０１）通信作者：廖林（１９７８－），男，四川省宜宾市人，博士，从事复杂构造带裂缝预测及其机理方面的研究．Ｅ－ｍａｉｌ：ｇｅｏｌｌｉｎ＠ｚｊｕ．ｅｄｕ．ｃｎ　Ｔｅｌ：０１０－８０１６１３１２薄互层泥云岩储层裂缝预测方法研究廖　林１，２，田多文３，车璐飞１，魏　军３，李向阳１，２，肖文华３（１．中国石油大学（北京）博士后科研流动站，北京　１０２２００；２．中国石油集团国家特聘专家工作室，北京　１０２２００；３．中国石油股份有限公司玉门油田分公司，甘肃酒泉　７３５２００）摘要：在薄互层泥云岩储层和裂缝发育特征分析的基础上，重点对比构造导向相干、倾角、最大构造曲率以及本征值等叠后地震属性对裂缝发育程度的敏感性差异．通过加入与裂缝形成相关的地质、地球物理参数优化反演模型，采用非线性神经网络方法厘定不同地震属性在交汇融合过程中的权重比，定量预测青西凹陷下白垩统泥云岩储层裂缝发育强度和平均密度．研究结果表明：与ＦＭＩ识别成果对比证实，多属性交汇融合预测结果吻合率达８２％．关键词：叠后属性；多属性交汇融合；非线性神经网络；裂缝预测中图分类号：Ｐ　６３１文献标志码：Ａ文章编号：１０００－１９６４（２０１６）０２－０３４７－１０Ｆｒａｃｔｕｒｅ　ｐｒｅｄｉｃｔｉｏｎ　ｉｎ　ｔｈｉｎ　ｉｎｔｅｒｂｅｄ　ｍｕｄ－ｄｏｌｏｍｉｔｅ　ｒｅｓｅｒｖｏｉｒＬＩＡＯ　Ｌｉｎ１，２，ＴＩＡＮ　Ｄｕｏｗｅｎ３，ＣＨＥ　Ｌｕｆｅｉ　１，ＷＥＩ　Ｊｕｎ３，ＬＩ　Ｘｉａｎｇｙａｎｇ１，２，ＸＩＡＯ　Ｗｅｎｈｕａ３（１．Ｐｏｓｔｄｏｃｔｏｒａｌ　Ｓｔａｔｉｏｎ，Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｐｅｔｒｏｌｅｕｍ（Ｂｅｉｊｉｎｇ），Ｂｅｉｊｉｎｇ　１０２２００，Ｃｈｉｎａ；２．ＣＮＰＣ　Ｎａｔｉｏｎａｌ　Ｓｐｅｃｉａｌ　Ｍｅｒｉｔ　Ｅｘｐｅｒｔｓ　Ｉｎｓｔｉｔｕｔｅ，Ｂｅｉｊｉｎｇ　１０２２００，Ｃｈｉｎａ；３．ＰｅｔｒｏＣｈｉｎａ　Ｙｕｍｅｎ　Ｏｉｌｆｉｅｌｄ　Ｃｏｍｐａｎｙ，Ｊｉｕｑｕａｎ，Ｇａｎｓｕ　７３５２００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ　ｏｎ　ａｎａｌｙｓｅｓ　ａｂｏｕｔ　ｆｒａｃｔｕｒｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｔｈｉｎ　ｉｎｔｅｒｂｅｄ　ｍｕｄ－ｄｏｌｏｍｉｔｅ　ｒｅｓｅｒ－ｖｏｉｒ　ｉｎ　Ｑｉｎｇｘｉ　ｓａｇ，ｔｈｅ　ａｕｔｈｏｒｓ　ｃｏｍｐｕｔｅｄ　ｓｏｍｅ　ｐｏｓｔ－ｓｔａｃｋｅｄ　ｓｅｉｓｍｉｃ　ａｔｔｒｉｂｕｔｅｓ　ｒｅｓｐｅｃｔｉｖｅｌｙ　ｔｏｍａｋｅ　ｃｏｍｐａｒｉｓｏｎｓ　ｉｎ　ｄｉｆｆｅｒｅｎｔ　ｓｅｎｓｉｔｉｖｉｔｙ　ｏｆ　ｔｈｅ　ｆｒａｃｔｕｒｅ　ｄｅｔｅｃｔｉｏｎ，ｉｎｃｌｕｄｉｎｇ　ｓｔｒｕｃｔｕｒｅ－ｏｒｉｅｎｔｅｄｃｏｈｅｒｅｎｔ，ｄｉｐ，ｍａｘｉｍｕｍ　ｓｔｒｕｃｔｕｒｅ－ｏｒｉｅｎｔｅｄ　ｃｕｒｖａｔｕｒｅ　ａｎｄ　ｅｉｇｅｎｖａｌｕｅ．Ｔｈｅ　ｇｅｏｌｏｇｉｃａｌ　ａｎｄ　ｇｅｏ－ｐｈｙｓｉｃａｌ　ｐａｒａｍｅｔｅｒｓ　ｒｅｌａｔｉｎｇ　ｔｏ　ｆｒａｃｔｕｒｅｓ　ｗｅｒｅ　ｕｓｅｄ　ｔｏ　ｏｐｔｉｍｉｚｅ　ｉｎｖｅｒｓｉｏｎ　ｍｏｄｅｌ，ａｎｄ　ｎｏｎ－ｌｉｎｅａｒｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｅｔｈｏｄ　ｗａｓ　ａｐｐｌｉｅｄ　ｔｏ　ｄｅｔｅｒｍｉｎｅ　ｔｈｅ　ｗｅｉｇｈｔ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　ｐｏｓｔ－ｓｔａｃｋｅｄ　ｓｅｉｓｍｉｃａｔｔｒｉｂｕｔｅｓ　ｄｕｒｉｎｇ　ｆｕｓｉｏｎ　ｐｒｏｃｅｓｓ．Ｔｈｅ　ｓｔｒｅｎｇｔｈ　ａｎｄ　ａｖｅｒａｇｅ　ｄｅｎｓｉｔｙ　ｏｆ　ｆｒａｃｔｕｒｅ　ｏｆ　ｔｈｅ　Ｃｒｅｔａｃｅｏｕｓｔｈｉｎ　ｉｎｔｅｒｂｅｄ　ｍｕｄ－ｄｏｌｏｍｉｔｅ　ｒｅｓｅｒｖｏｉｒ　ｉｎ　Ｑｉｎｇｘｉ　ｄｅｐｒｅｓｓｉｏｎ　ｗａｓ　ｑｕａｎｔｉｔａｔｉｖｅｌｙ　ｐｒｅｄｉｃｔｅｄ．Ｒｅ－ｓｅａｒｃｈ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ＦＭＩ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒｅｓｕｌｔ，ｔｈｅ　ｃｏｉｎｃｉｄｅｎｃｅ　ｒａｔｅ　ｏｆ　ｍｕｌｔｉ－ａｔｔｒｉｂｕｔｉｏｎｓ　ｆｕｓｉｏｎ　ｉｓ　ｕｐ　ｔｏ　８２％．Ｋｅｙ　ｗｏｒｄｓ：ｐｏｓｔｓｔａｃｋ　ａｔｔｒｉｂｕｔｉｏｎ；ｍｕｌｔｉａｔｔｒｉｂｕｔｅ　ｉｎｔｅｒｓｅｃｔｉｏｎ　ａｎｄ　ｆｕｓｉｏｎ；ｎｏｎｌｉｎｅａｒ　ｎｅｕｒａｌ　ｎｅｔ－ｗｏｒｋ；ｆｒａｃｔｕｒｅｓ　ｐｒｅｄｉｃｔｉｏｎ目前，针对裂缝型储层的地震预测技术主要依靠叠前资料的各向异性响应特征和叠后敏感多属性综合判断来实现．前人在岩心裂缝观察、常规测井和成像ＦＭＩ测井识别的基础上，通过等效地质模型的正演分析，认识到储层缝（洞）密度和反射系数之间、缝（洞）介质中地震波速和介质参数与波的入射参数之间彼此均存在定量关系，当大量细小缝（洞）组成了缝洞发育带且其密度足够大时，就能通过地震反射波的运动学和动力学特征检测与识别其发育程度［１－２］．针对不同岩性的储层，学者们逐步DOI:10.13247/ki.jcumt.000403 中国矿业大学学报 第４５卷总结并综合运用叠后相干［３－５］、曲率［６］、蚂蚁体［７－８］、边缘检测［９］和多重分形［１０］等属性和计算方法在实践中取得了良好的效果．然而，部分学者们在采用弹性波动方程数值模拟地震波在裂缝介质中传播特征时发现，不同裂缝密度、缝（洞）空间大小纵横比和充填物性质对纵横波各向异性特征，尤其是速度和振幅存在较大的影响［１１－１３］．因此，在利用地震波运动学、动力学以及几何学属性预测不同岩性组合储层缝（洞）发育程度时，需要优选不同的地震属性及检测方法，并需将地质、测井、钻井和动态开发等参数交互印证，才能达到准确预测裂缝（洞）型油气储层的目的［１］．本文选取酒泉盆地青西凹陷下白垩统薄互层泥云岩裂缝型储层为研究对象，在两种不同岩性和厚度地质模型正演分析基础上，对比了４种常用叠后敏感属性预测与实钻ＦＭＩ识别结果，有针对性地将地层厚度和不同岩性组合对应的振幅变化率、岩石力学参数加入反演模型中，采用非线性神经网络算法对多种地震叠后属性进行交汇融合来预测薄互层状泥云岩储层中裂缝发育程度．１　地质概况青西凹陷位于酒泉盆地酒西拗陷，在早白垩世为一个封闭性很强的陆内深水断陷湖盆［１４－１５］，形成了大套暗色泥岩、白云质泥岩与湖相白云岩、泥质白云岩不等厚互层沉积地层（以下简称泥云岩）（图１）．图１　青西凹陷构造位置Ｆｉｇ．１　Ｔｈｅ　ｓｔｒｕｃｔｕｒａｌ　ｌｏｃａｔｉｏｎ　ｏｆ　Ｑｉｎｇｘｉ　ｓａｇ受晚白垩世抬升剥蚀和新近系以来的挤压作用影响［１６－１８］，形成了以构造裂缝为主的裂缝体系，有效地改善了原本致密的泥云岩地层储集性能．大量未充填裂缝和沿裂缝面形成的溶蚀孔洞使得基质孔隙度仅为０．１％～２．０％、渗透率不高于８ｍＤ的泥云岩储集性能提升至孔隙度４．０５％～７．５４％，渗透率高达７９．５ｍＤ［１９－２０］，进而成为青西油田重要的勘探目的层．２　储层裂缝发育特征大量钻探证实，青西凹陷下白垩统泥云岩累计厚度约３００～４００ｍ．泥质白云岩与白云岩不等厚互层沉积主要分布在古湖盆水体较深的中心区域；泥质白云岩、白云质泥岩和泥岩不等厚互层沉积环绕其外，并与古盆缘扇三角洲呈相变关系（图１）．前人通过岩相学、组构学和地球化学分析结果认为青西凹陷下白垩统泥云岩是一种较为罕见的碱性热卤水结晶沉淀的纹层状泥晶原生含铁白云岩，主要造岩矿物为泥晶结构的含铁白云石［２１］．此类白云石多呈０．１～１．０ｍｍ厚纹层状，并与钠长石、方沸石、重晶石和地开石等多种热液矿物呈两元或多元互层纹层产出［１６，２１－２２］，受后期构造作用沿纹层面滑脱极易形成裂缝［１６，１９－２０，２３］．钻探取芯表明，下白垩统泥云岩中裂缝产状规律性明显，呈ＮＮＥ－ＳＳＷ和ＮＷＷ－ＳＥＥ向两组；主要表现为多组交叉形成的网状缝、视中—高角度缝和水平缝（图２），其中视中—高角度裂缝占裂缝总数的７０％以上．如在图２ａ泥质白云岩岩芯可见多组共轭裂缝，导致岩芯破碎程度高，开启的裂缝内部分充填方解石薄膜，且沿破裂面发育未充填—半充填的溶蚀孔洞；图２ｂ泥岩岩芯中，白云质分布呈不均匀的条带状，亦可见条纹状的黄铁矿，一组斜交缝开启程度较高，最大缝宽达５．０ｍｍ；图２ｃ深灰色泥质白云岩发育一组开启的“Ｘ”形斜交缝，与岩芯垂直轴呈６０°夹角，裂缝线密度１６条／ｍ，裂缝面较为平整，擦痕明显，见钙质充填；图２ｄ白云质泥岩中，水平层理和沿层理面的视水平裂缝发育，裂缝面见明显擦痕，透镜状黄铁矿和植物碎屑富集发育，裂缝线密度高达３６条／ｍ．在常规测井剖面中，裂缝发育井段具有双侧向电阻率多为低值，视中—高角度裂缝其深浅侧向为正差异，视低角度缝或水平缝为负差异．同时，裂缝发育井段还出现声波增大或声波时差跳跃、中子增大、密度降低的现象．在微电阻率成像测井剖面中，视中—高角度缝呈深色的正弦波条带且轨迹不规则，多与层理面斜交（图３ａ）；视水平缝表现为深色与层理面平行的正弦波条带，部分沿轨迹常有溶蚀８４３第２期 廖　林等：薄互层泥云岩储层裂缝预测方法研究现象（图３ｂ）；少量充填缝为浅色或白色的高阻正弦波条带（图３ｃ）．图２　泥云岩储层裂缝发育特征Ｆｉｇ．２　Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　ｆｒａｃｔｕｒｅｓ　ｉｎ　ｍｕｄ－ｄｏｌｏｍｉｔｅ　ｒｅｓｅｒｖｏｉｒ图３　不同类型裂缝在常规测井、成像测井的响应Ｆｉｇ．３　Ｒｅｓｐｏｎｓｅ　ｏｆ　ｆｒａｃｔｕｒｅｓ　ｂｅｔｗｅｅｎ　ｃｏｎｖｅｎｔｉｏｎａｌ　ｌｏｇｇｉｎｇ　ａｎｄ　ＦＭＩ３　叠后地震多属性交汇融合３．１　地震资料品质分析本次研究所用的青西三维地震叠后数据采样率为１ｍｓ，目的层主频在４０Ｈｚ，频带宽度达到７０Ｈｚ以上，波组特征清晰，保幅性好，理论上纵向分辨率λ／４＝１７．１８ｍ．针对柳沟庄地区泥质白云岩与泥岩、白云质泥岩之间厚度和岩性组合不同导致不同地震反射特征的情况，参考文献［２３］岩心力学实验结果（表１），本次研究利用２２口钻井建立了２种不同的地质模型（图４），即模型Ｉ（薄互层泥质白云岩夹白云质泥岩，图４ａ）和模型ＩＩ（薄互层白云质泥岩夹泥岩，图４ｂ）．采用主频为４０Ｈｚ，步长为５Ｈｚ的零相位Ｒｉｃｋｅｒ子波与其相应的反射系数褶积，模拟两种地质模型的地震响应．图４正演模拟结果表明，泥质白云岩发育的层段地震响应为强振幅、连续反射（图４ａ）；而白云质泥岩和泥岩则表现为弱—较弱振幅、断续—较连续（图４ｂ），反映出地震振幅属性对不同岩性和厚度组合响应有明显差异．其一方面说明地震对不同岩性之间薄互层组合有较好的纵向分辨能力，另一方面证明如果单一利用地震振幅属性预测裂缝将会存在明显的多解性，应综合多属性交汇融合预测裂缝的空间展布特征．表１　岩石力学参数［２３］Ｔａｂｌｅ　１　Ｒｏｃｋ　ｍｅｃｈａｎｉｃｓ　ｐａｒａｍｅｔｅｒｓ岩性密度／（ｇ·ｃｍ－３）弹性模量／ＧＰａ泊松比抗压强度／ＭＰａ抗拉强度／ＭＰａ抗剪强度／ＭＰａ泥质白云岩２．８４　４６．８　０．４１　７２．８６　６．０７　１５．２３白云质泥岩２．７３　９０．３　０．３３　２３７．４７　１９．７９　５４．４９泥岩 ２．６５　９５．１　０．２７　４８．０２　４．００　８．６２图４　不同地质模型正演模拟对比Ｆｉｇ．４　Ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｆｏｒｗａｒｄ　ｍｏｄｅｌｉｎｇ　ｂｅｔｗｅｅｎｄｉｆｆｅｒｅｎｔ　ｇｅｏｌｏｇｉｃａｌ　ｍｏｄｅｌｓ３．２　敏感参数分析利用地震资料预测储层裂缝发育程度，首先要考虑的是裂缝体系的地震可检测性，以及地震波场的多尺度效应．前人认为利用地震反射波动力学和运动学特征可以反演出密度足够大的细小缝和洞，并且动力学参数对缝洞系统的灵敏度要高于运动学参数［１－２］．同时，在地震没有明显反射，或者反射振幅变化较大时，学者们也常根据地震数据的相干性或者无序性（相异性）以及波场变化特征来识别裂缝体系［４－６，２４］．因此，本次研究根据实际地震资料品质和正演结果，在１１种地震属性中选取构造导向相干、倾角、最大构造曲率和构造本征等属性进行重点对比分析．１）构造导向相干相干分析是上世纪９０年代发展起来的一项三９４３ 中国矿业大学学报 第４５卷维地震资料解释方法，是多道地震数据之间相似程度的一种度量［４］．在计算地震道三维空间相似性差异的基础上，近年来学者们利用统计分析各采样单元的倾角和横向连续性及变化量结果，提出了构造导向相干的算法［２５－２６］．利用青西三维地震资料，提取泥云岩储层顶部（５ｍｓ时窗）的构造导向相干结果显示（图５ａ），构造导向相干属性异常整体呈ＮＷ－ＳＷ向展布，集中于断层附近或多条断层棋盘分割的区域内，表现为明显的短轴状．通过对区域内５０口钻井ＦＭＩ识别的裂缝平均密度结果与属性异常值对比，仅有６３．９４％钻井与地震异常存在正相关关系（图６ａ）．图５　不同地震属性敏感性对比Ｆｉｇ．５　Ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｓｅｎｓｉｔｉｖｉｔｙ　ｂｅｔｗｅｅｎ　ｄｉｆｆｅｒｅｎｔ　ｓｅｉｓｍｉｃ　ａｔｔｒｉｂｕｔｅｓ图６　地震属性值与ＦＭＩ裂缝平均密度值正相关Ｆｉｇ．６　Ｔｈｅ　ｌｉｎｅａｒ　ｒｅｌａｔｉｏｎ　ｂｅｔｗｅｅｎ　ｓｅｉｓｍｉｃ　ａｔｔｒｉｂｕｔｅｓ　ａｎｄ　ａｖｅｒａｇｅ　ｄｅｎｓｉｔｙ　ｏｆ　ＦＭＩ ２）倾角倾角和方位角属性是利用层段与断面倾角的差异性（或不连续性）特征来进行裂缝检测的．在多数断层或裂缝发育区内，倾角变化同时方位角也发生变化．目前，三维地震倾角属性计算时，通常采用基于振幅变化梯度和基于地震道构造相位变化梯度两种方式［２７－２８］．在多道地震属性提取中，由于采样单元内相应道集群的振幅变化率、振幅方差、多道相干和倾角方位角扫描等集合属性赋予中心点，通过逐次递推形成多道属性分析结果，从而导致基于振幅变化梯度的倾角扫描结果受层位与地震同相轴追踪质量影响较为明显［６］．相比之下，基于地震道构造相位变化梯度的倾角扫描算法则通过赋予每一个样本点倾角矢量，然后采用线性平面扫描，从而获得较好的长波长（低波数）反射层形态的高精度倾角计算结果来反映储层内幕变形特征［２７－２９］．图５ｂ展示了利用青西三维地震资料，泥云岩储层顶部（５ｍｓ时窗）的基于地震道构造相位变化梯度的倾角属性结果，属性异常不仅呈ＮＷ－ＳＥ向集中于断层附近和断层交汇处，而且在Ｄ－Ｅ－Ｆ井一线以东地区呈ＮＥ－ＳＷ向展布，且不受断层控制．这一特点与前述构造导向相干属性提取结果不同．通过５０口钻井ＦＭＩ识别结果与属性异常值对比发现，有７６．５８％钻井裂缝平均密度结果与之呈正相关关系（图６ｂ）．３）最大构造曲率地震构造曲率属性采用构造取向算子来定量描述层面形变程度．随着地震三维体集合属性扫描技术发展，前人在实践中逐步总结出在曲率计算之前联合自适应中值滤波［３０］、三维结构方位滤波［３１］０５３第２期 廖　林等：薄互层泥云岩储层裂缝预测方法研究和平面与曲面结合二次倾角扫描法［６］来抑制噪声，实现高精度检测．利用文献［６］介绍的方法，本次研究提取的泥云岩储层顶部（５ｍｓ时窗）最大构造曲率属性异常如图５ｃ所示．其短轴状的异常值集中分布在断层附近，且展布方向与弧形断层走向一致．这一特点与前述构造导向相干和倾角属性提取结果明显不同．钻井ＦＭＩ识别的裂缝平均密度结果与属性异常值对比，有７５．３１％钻井样本符合正相关关系（图６ｃ）．４）本征相干与构造相干属性相似，本征相干属性也是一种定量化表征波形相似性的地震属性．其基于本征结构分析，通过小波变换分频处理，有效提高信噪比，从而获得分辨率更高的相干体［５］．本次研究将经验正交函数法与随机动态方法结合起来，在局部构造张量本征值基础上，并综合地层倾角和方位角的计算，提取了基于梯度的本征属性（通过计算图元的梯度来实现）和基于相位的本征属性（通过Ｈｉｌｂｅｒｔ变换产生瞬时相位，图元梯度由瞬时相位属性计算来实现）．从图５ｄ中可以看出，本征相干异常虽然也呈现为短轴状，但是其与邻近弧形断层走向一致，反映出断层及其伴生裂缝发育带的展布特点，７１．５３％的井－震吻合结果也证实本征相干预测结果明显优于构造导向相干（图６ｄ）．然而，本征相干异常分布特点与构造导向相干在个别断裂带末端有明显差异，本文认为可能与两种属性在经过信噪比处理后的分辨率差异有关．信噪比更高的本征相干数据体对亚地震断层带（如断层末端、断层末端传播之前的脆性变形带）中的裂缝分辨率更高［３２－３４］．３．３　非线性神经网络成像测井ＦＭＩ识别裂缝平均密度与地震预测结果对比表明，单一利用某种地震属性表征裂缝体系仍存在多解性（图５，６）．因此，学者们探寻综合利用多类型地震属性进行交汇融合，最为典型的算法是利用成熟的神经网络．利用通过学习、训练过程建立输入和输出关系，神经网络算法可以形成特定的规则，将存储和处理相结合，消除或减少地震属性的多解值，进而获得理想的输出模型［３５－３７］．然而，神经网络算法存在收敛速度慢、不能保证收敛到全局最点，以及网络中间层、单元数在选取无理论指导及网络学习、记忆过程中的不稳定性等缺陷．因此，本次研究在前人所介绍的非线性神经网络算法基础上进行了改进［３８－４０］．核心思想在于一方面将各类地质参数（或由测井推导的地质参数）加入模型计算，且分配较高的权重；另一方面将敏感性较低的地震属性也参与计算，但人为分配其较小的权重，以全面描述研究区内泥云岩储层不同岩性薄互层的组合特点和裂缝空间展布特征．改进的神经网络算法能对多个地质、地球物理参数开展并行处理，通过改变训练过程中的每个节点上的参数，能够有效分析出数量庞杂的接收数据对于特定目的层的权重关系，形成神经网络的融合处理与信息集成，从而反映出彼此之间的非线性映射关系．首先将与裂缝形成相关的地质、地球物理参数均作为模型参数，将这些参数当成Ｎ个因子（Ｄｉ｜ｉ＝１，２，…，Ｎ）作为模型的输入．尤其是地层厚度和不同岩性组合对应振幅变化率、岩石力学参数的加入优化了整个模型［２３］，使得选用的样本参数规模能更准确、完整地描述储层和裂缝发育特性．在此基础上，设立裂缝发育指示因子（ｆｒａｃｔｕｒｅ　ｉｎｄｉｃａ－ｔｏｒ）作为样本训练过程的信号单元，每个单元样本训练过程包括Ｌ个步骤，任意经过ｊ步（ｊ＝１，２，…，Ｌ）训练的信息单元ＦＩｊ都能够有效反映出整个储层空间的信息．因此，输入因子Ｄｉ和裂缝发育指示因子ＦＩｊ共同构成了裂缝地质模型的基础．基于多元回归算法，在模型内部条件未知的情况下，模拟出模型复杂的非线性变化特点，即训练过程．采用有导师学习的原则，将一系列与地质参数正相关的输入、输出数据作为学习样本集，将Ｌ个步骤单元中的一部分训练因子Ｌ１作为训练模块，通过调整信号参数，不断对权矩阵Ｗｎｉｎｊ进行调整，完成神经网络训练过程．当样本由输入层输入Ｎ个因子Ｄｉ，经隐层处理后，神经网络提供的输出结果ＦＩｉｎｎ（Ｗ）与期望输出ＦＩｉ是不同的，将信号单元误差Ｅ（Ｗ）逆向反传，周而复始的进行权矩阵权值调整，从而使误差Ｅ达到理想预期内，即Ｅ（Ｗ）＝∑Ｌ１ｉ＝１［Ｆｌｉ－Ｆｌ　ｎｎｌ（Ｗ）］２．实际应用中，当训练达到预期停止后，采用线性相关系数显示实际参数与经过神经网络计算的参数关系，就可以达到多种属性优选的目的（表２）．１５３ 中国矿业大学学报 第４５卷表２　非线性神经网络算法输入参数与优选结果的关联度Ｔａｂｌｅ　２　Ｃｏｒｒｅｌａｔｉｏｎ　ｂｅｔｗｅｅｎ　ｉｎｐｕｔ　ｐａｒａｍｅｔｅｒｓ　ａｎｄ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｕｓｉｎｇ　ｎｏｎｌｉｎｅａｒ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ参数类型参数关联度／％参数关联度／％参数关联度／％地质类岩性８２．０岩石弹性模量８１．１岩石泊松比８０．０岩石抗拉强度７９．２岩石抗剪强度７９．２岩石抗压强度７９．２录井岩性组合７５．１岩芯孔隙度６０．５岩芯渗透率６０．５测井类ＦＭＩ　９６．１核磁９５．８中子密度９５．３声波异常８４．８井径７４．０双侧向７２．９总孔隙度６８．５裂缝孔隙度６８．２——地震属性倾角７６．６方位角７６．６倾角导数７６．６构造曲率７５．３最大构造曲率７５．２构造曲率导数７５．２构造走向曲率７５．１构造倾向曲率７５．１——本征相干７１．５构造导向相干６３．９相干６３．５方差６３．０蚂蚁体６２．６弧长６１．９结构张量６１．７结构梯度张量６１．７——均方根振幅３２．１最大振幅３２．１振幅包络３１．３振幅比３０．１波峰波谷振幅差３０．０平均能量变化３０．０瞬时频率２８．５振幅加权瞬时频率２５．２——４　预测有效性分析４．１　单井对比分析利用钻井ＦＭＩ识别成果，本次研究挑选了３口典型井进行井－震对比分析非线性神经网络法多属性交汇融合的预测结果．图７ａ为典型的裂缝发育井，ＦＭＩ识别出该井在４　２０３．４～４　２１８．４ｍ，４　３２４．２～４　３５４．５ｍ和４　４２０．７～４　４５７．２ｍ井段集中发育裂缝，将预测结果（黑色异常值）嵌入常规地震剖面中可以看出，该井裂缝发育井段对应深度的地震剖面出现明显的属性异常，且纵向上呈视高角度、断续条带状分布，平面覆盖宽度３２～２００ｍ，表明其为裂缝相对发育条带．这一结果解释了该井初期试油折日产２２ｔ液量，酸化压裂后折日液量３５．３３ｔ的现象．图７ｂ为典型的裂缝相对发育井，ＦＭＩ识别出４　０４３．０～４　０７１．５ｍ为裂缝发育段．从井－震对比情况来看，４　０４７．０～４　０７１．５ｍ裂缝发育段在预测剖面中有着良好的吻合现象，沿井身轨迹目的层段黑色异常值呈视中—高角度、贯穿条带状发育，且东侧断层附近黑色异常值也呈密集分布．这一特点符合该井初期试油折日产１７．１ｔ液量现象．图７ｃ为典型的裂缝不发育井，尽管紧邻断层，但该井并未在目的层段钻遇裂缝．沿井身轨迹仅零星出现黑色异常值，平面覆盖宽度仅２０～４０ｍ．ＦＭＩ识别结果也表明该井裂缝不发育．图７　井－震对比分析裂缝预测有效性Ｆｉｇ．７　Ｐｒｅｄｉｃｔｉｖｅ　ｖａｌｉｄｉｔｙ　ｆｒｏｍ　ｗｅｌｌｌｏｇｇｉｎｇ－ｓｅｉｓｍｉｃ　ｃｏｒｒｅｌａｔｉｏｎ２５３第２期 廖　林等：薄互层泥云岩储层裂缝预测方法研究４．２　平面统计分析图８展示了本次研究采用非线性神经网络法优选出的多个地震属性交汇融合后的裂缝预测结果．其中，图８ａ为裂缝相对发育条带的平面展布预测结果，图８ｂ为部分误差较大单井经人工校正后，求取的裂缝平均密度．沿研究区目的层ＴＫ１Ｇ３ＴＯＰ向下提取１０ｍｓ时窗的预测结果表明（图８ａ），代表裂缝相对发育条带的黑色异常值分布特征较前述４种单一属性更为清晰，总体上呈ＮＮＷ－ＳＳＥ与ＮＮＥ－ＳＳＷ走向展布．单一裂缝发育带平面宽度处于２００～８００ｍ范围，且走向与邻近断层一致或斜交，符合裂缝带平面非均质性强、受断层应力控制强的地质发育特征．同时，通过与５０口钻井对应井段的ＦＭＩ识别裂缝平均密度结果对比，平面吻合率可达８２．０２％（图８ｃ）．值得注意的是，当ＦＭＩ解释结果偏大（＞０．６５条／ｍ）和偏小（＜０．０５条／ｍ）时，非线性神经网络算法所获得的多属性交汇融合值出现了明显的异常，偏离两者拟合曲线（图８ｃ）．经过人工排查发现，当ＦＭＩ解释结果偏大时，８１．２％的对应钻井岩芯为薄层状或纹层状的白云质泥岩，其裂缝均为沿层理面发育、具有明显擦痕的视水平裂缝（图２ｄ和图３ｂ）；当ＦＭＩ解释成果偏小时，６９．４％的对应钻井岩芯为泥岩，其裂缝为高开启度的斜交缝（图２ｂ）．因此，当上述两种情况出现时，需在建立裂缝地质模型的过程中添加人为干预，校正过高或者过低的ＦＭＩ裂缝识别结果．然而，最终获得的预测结果仍存在难以识别低密度裂缝发育带的现象（门阀值＜０．０５条／ｍ）．在此基础上，经过人工校正后求取的地震预测裂缝平均密度（绝对值）与ＦＭＩ识别值平面吻合率可达９２．４７％（图８ｂ和ｄ）．图８　多属性交汇融合预测结果Ｆｉｇ．８　Ｔｈｅ　ｐｒｅｄｉｃｔｉｏｎ　ｒｅｓｕｌｔ　ｏｆ　Ｍｕｌｔｉ　ａｔｔｒｉｂｕｔｅ　ｉｎｔｅｇｒａｔｉｏｎ５　结论１）两种地质模型的地震正演结果表明，不同厚度和岩性组合的差异会导致地震反射波动力学和运动学特征不同，如果单一利用某种地震属性预测裂缝将会存在明显的多解性．同时，单一地震属性异常值与测井ＦＭＩ裂缝识别结果之间的数理关系证实，相比其他岩性储层，薄互层状的泥云岩储层的地震相干性和几何属性较动力学、运动学属性更为敏感，相干、构造曲率和倾角等属性与预测结果关联度均超过６３％，远远高于振幅、频率等属性不足３５％的关联性．２）由于输入因子和裂缝发育指示因子共同构成了裂缝地质模型的基础，相比传统的神经网络算法，基于地质、地球物理参数并行处理的非线性神经网络算法不仅能准确、完整地描述泥云岩储层和裂缝空间展布特性，而且更有效地分析出接收数据对于目的层的权重关系，形成神经网络的融合处理与信息集成，反映出彼此之间的非线性映射关系，从而提高地震属性优选效率和精度．倾角／方位角类、构造曲率类、相干类和张量类属性对薄互层状的泥云岩裂缝型储层敏感关联度均高于６１％．３）虽然注重模型内部条件和模型的非线性变化特点，但是非线性神经网络算法仍基于多元回归计算，需要不断调整信号参数、权矩阵权值和逆向反转以减小误差．尤其是当地质参数（或由测井推导的地质参数）加入模型计算时需人为干预，根据岩芯观察、测井统计所获得的有效裂缝发育特点进行校正，以减小直接使用统计绝对值所带来的偶然误差．同时，利用非线性神经网络算法所获得的多属性交汇融合结果存在难以识别低密度裂缝发育带的可能性．致谢：感谢评审人具体细致且有针对性、极富建设性的修改意见．本文在项目研究工作中得到了Ｄａｌｅｅｌ石油公司Ａｒａｆａ　Ａｌ－Ｈａｒｔｈｙ和ＭｕａｔａｓａｍＡｌ－Ｒａｉｓｉ博士的启发，玉门油田分公司陈建军和范铭涛教授在研究过程中给予了详尽的指导．同时得到了中国石油集团重大专项（２０１２Ｅ－３３０１）和国家９７３项目（２０１５ＣＢ４５３０００）的联合资助，在此一并表示感谢．３５３ 中国矿业大学学报 第４５卷参考文献：［１］　贺振华，黄德济．缝洞储层的地震检测和预测［Ｊ］．勘探地球物理进展，２００３，２６（２）：７９－８３．ＨＥ　Ｚｈｅｎｈｕａ，ＨＵＡＮＧ　Ｄｅｊｉ．Ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｐｒｅｄｉｃｔｉｏｎｏｆ　ｆｒａｃｔｕｒｅ－ｃａｖｅ　ｃｏｎｔａｉｎｅｄ　ｒｅｓｅｒｖｏｉｒ　ｆｒｏｍ　ｓｅｉｓｍｉｃ　ｄａｔａ［Ｊ］．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｅｘｐｌｏｒａｔｉｏｎ　Ｇｅｏｐｈｙｓｉｃｓ．２００３，２６（２）：７９－８３．．［２］　贺振华，杜正聪，文晓涛．碳酸盐岩喀斯特溶洞和裂缝系统的地震模拟与预测［Ｊ］．地球科学进展，２００４，１９（３）：３９９－４０２．ＨＥ　Ｚｈｅｎｈｕａ，ＤＵ　Ｚｈｅｎｇｃｏｎｇ，ＷＥＮ　Ｘｉａｏｔａｏ．Ｓｅｉｓｍｉｃｍｏｄｅｌｉｎｇ　ａｎｄ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｃａｒｂｏｎａｔｅ　ｋａｒｓｔ　ｃａｖｅｓ　ａｎｄｆｒａｃｔｕｒｅ　ｓｅｔｓ［Ｊ］．Ａｄｖａｎｃｅ　ｉｎ　Ｅａｒｔｈ　Ｓｃｉｅｎｃｅ，２００４，１９（３）：３９９－４０２．［３］　苏朝光，刘传虎，王　军，等．相干分析技术在泥岩裂缝油气藏预测中的应用［Ｊ］．石油物探，２００２，４１（６）：１９７－２０１．ＳＵ　Ｃｈａｏｇｕａｎｇ，ＬＩＵ　Ｃｈｕａｎｈｕ，ＷＡＮＧ　Ｊｕｎ，ｅｔ　ａｌ．Ａｐ－ｐｌｉｃａｔｉｏｎ　ｏｆ　ｃｏｈｅｒｅｎｃｅ　ａｎａｌｙｓｉｓ　ｔｅｃｈｎｏｌｏｇｙ　ｉｎ　ｔｈｅ　ｐｒｅ－ｄｉｃｔｉｏｎ　ｏｆ　ｆｒａｃｔｕｒｅｄ　ｓｈａｌｅ　ｒｅｓｅｒｖｏｉｒｓ　ａｎｄ　ｉｔｓ　ｅｆｆｅｃｔ　ａ－ｎａｌｙｓｉｓ［Ｊ］．Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ　ｆｏｒ　Ｐｅｔｒｏｌｅｕｍ，２００２，４１（６）：１９７－２０１．［４］　张军华，王月英，赵　勇．Ｃ３相干体在断层和裂缝识别中的应用［Ｊ］．地震学报，２００４，２６（５）：５６０－５６４．ＺＨＡＮＧ　Ｊｕｎｈｕａ，ＷＡＮＧ　Ｙｕｅｙｉｎｇ，ＺＨＡＯ　Ｙｏｎｇ．Ａｐ－ｐｌｉｃａｔｉｏｎ　ｏｆ　ｔｈｅ　ｔｈｉｒｄ　ｇｅｎｅｒａｔｉｏｎ　ｏｆ　ｃｏｈｅｒｅｎｔ　ｃｕｂｅ　ｉｎｒｅｃｏｇｎｉｚｉｎｇ　ｆａｕｌｔｓ　ａｎｄ　ｆｒａｃｔｕｒｅｓ［Ｊ］．Ａｃｔａ　Ｓｅｉｓｍｏｌｏｇｉ－ｃａｌ　Ｓｉｎｉｃａ，２００４，２６（５）：５６０－５６４．［５］　郎晓玲，彭仕宓，康洪全．碳酸盐岩缝洞型储层地球物理响应特征及预测方法研究［Ｊ］．北京大学学报（自然科学版），２０１２，４８（５）：７７５－７８４．ＬＡＮＧ　Ｘｉａｏｌｉｎｇ，ＰＥＮＧ　Ｓｈｉｍｉ，ＫＡＮＧ　Ｈｏｎｇｑｕａｎ．Ｓｔｕｄｙ　ｏｎ　ｇｅｏｐｈｙｓｉｃａｌ　ｒｅｓｐｏｎｓｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ａｎｄ　ｐｒｅ－ｄｉｃｔｉｏｎ　ｍｅｔｈｏｄｏｌｏｇｙ　ｏｆ　ｆｒａｃｔｕｒｅｄ　ａｎｄ　ｃａｖｅｒｎｏｕｓ　ｃａｒ－ｂｏｎａｔｅ　ｒｅｓｅｒｖｏｉｒ［Ｊ］．Ａｃｔａ　Ｓｃｉｅｎｔｉａｒｕｍ　Ｎａｔｕｒａｌｉｕｍ　Ｕ－ｎｉｖｅｒｓｉｔｉｅｓ　Ｐｅｋｉｎｅｎｓｉｓ，２０１２，４８（５）：７７５－７８４．［６］　王世星．高精度地震曲率体计算技术与应用［Ｊ］．石油地球物理勘探，２０１２，４７（６）：９６５－９７２．ＷＡＮＧ　Ｓｈｉｘｉｎｇ．Ｈｉｇｈ－ｐｒｅｃｉｓｉｏｎ　ｃａｌｃｕｌａｔｉｏｎ　ｏｆ　ｓｅｉｓｍｉｃｖｏｌｕｍｅｔｒｉｃ　ｃｕｒｖａｔｕｒｅ　ａｔｔｒｉｂｕｔｅｓ　ａｎｄ　ｉｔｓ　ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ，２０１２，４７（６）：９６５－９７２．［７］　陈欢庆，胡永乐，靳久强，等．多信息综合火山岩储层裂缝表征：以徐深气田徐东地区营城组一段火山岩储层为例［Ｊ］．地学前缘．２０１１，１８（２）：２９４－３０３．ＣＨＥＮ　Ｈｕａｎｑｉｎｇ，ＨＵ　Ｙｏｎｇｌｅ，ＪＩＮ　Ｊｉｕｑｉａｎｇ，ｅｔ　ａｌ．Ｍｕｌｔｉｐｌｅ　ｓｅｔｓ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ　ｓｙｎｔｈｅｓｉｚｅｄ　ｔｏ　ｄｅｓｃｒｉｂｅｆｒａｃｔｕｒｅｓ　ｏｆ　ｖｏｌｃａｎｉｃ　ｒｅｓｅｒｖｏｉｒ：ｔａｋｉｎｇ　ｖｏｌｃａｎｉｃ　ｒｅｓｅｒ－ｖｏｉｒ　ｏｆ　ｔｈｅ　ｍｅｍｂｅｒ　１ｏｆ　Ｙｉｎｇｃｈｅｎｇ　Ｆｏｒｍａｔｉｏｎ　ｉｎ　Ｘｕｄ－ｏｎｇ　ａｒｅａ　ｏｆ　Ｘｕｓｈｅｎ　ｇａｓ　ｆｉｅｌｄ　ａｓ　ａｎ　ｅｘａｍｐｌｅ［Ｊ］．ＥａｒｔｈＳｃｉｅｎｃｅ　Ｆｒｏｎｔｉｅｒｓ．２０１１，１８（２）：２９４－３０３．［８］　孙　乐，王志章，李汉林，等．基于蚂蚁算法的断裂追踪技术在乌夏地区的应用［Ｊ］．断块油田．２０１４，２１（６）：７１６－７２１．ＳＵＮ　Ｌｅ，ＷＡＮＧ　Ｚｈｉｚｈａｎｇ，ＬＩ　Ｈａｎｌｉｎ，ｅｔ　ａｌ．Ａｐｐｌｉｃａ－ｔｉｏｎ　ｏｆ　ｆａｕｌｔ　ｔｒａｃｋｉｎｇ　ｔｅｃｈｎｏｌｏｇｙ　ｂａｓｅｄ　ｏｎ　ａｎｔ　ｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ　ｉｎ　Ｗｕｘｉａ　ａｒｅａ［Ｊ］．Ｆａｕｌｔ－Ｂｌｏｃｋ　Ｏｉｌ　＆ＧａｓＦｉｅｌｄ，２０１４，２１（６）：７１６－７２１．［９］　迟新刚，贺振华，黄德济．三维地震模糊边缘裂缝检测方法［Ｊ］．石油物探．２００３，４２（３）：８９－２９３．ＣＨＩ　Ｘｉｎｇａｎｇ，ＨＥ　Ｚｈｅｎｈｕａ，ＨＵＡＮＧ　Ｄｅｊｉ．Ｆｒａｃｔｕｒｅｚｏｎｅ　ｄｅｔｅｃｔｉｏｎ　ｂｙ３－Ｄ　ｓｅｉｓｍｉｃ　ｆｕｚｚｙ　ｅｄｇｅ　ｄｅｔｅｃｔｉｏｎ［Ｊ］．Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ　ｆｏｒ　Ｐｅｔｒｏｌｅｕｍ，２００３，４２（３）：２８９－２９３．［１０］　宋维琪，陈　琛，高艳珂．地震资料多重分形裂缝检测技术方法［Ｊ］．地球物理学进展．２０１２，２７（５）：２００２－２００７．ＳＯＮＧ　Ｗｅｉｑｉ，ＣＨＥＮ　Ｃｈｅｎ，ＧＡＯ　Ｙａｎｋｅ．Ａ　ｄｅｔｅｃ－ｔｉｏｎ　ｔｅｃｈｎｏｌｏｇｙ　ｍｅｔｈｏｄ　ｏｆ　ｍｕｌｔｉ－ｆｒａｃｔａｌ　ｗｉｔｈ　ｓｅｉｓｍｉｃｄａｔａ［Ｊ］．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｇｅｏｐｈｙｓｉｃｓ，２０１２，２７（５）：２００２－２００７．［１１］　撒利明，姚逢昌，狄帮让，等．缝洞型储层地震响应特征与识别方法［Ｊ］．岩性油气藏，２０１１，２３（１）：２３－２８．ＳＡ　Ｌｉｍｉｎｇ，ＹＡＯ　Ｆｅｎｇｃｈａｎｇ，ＤＩ　Ｂａｎｇｒａｎｇ，ｅｔ　ａｌ．Ｓｅｉｓｍｉｃ　ｒｅｓｐｏｎｓｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ａｎｄ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ　ｏｆ　ｆｒａｃｔｕｒｅ－ｃａｖｉｔｙ　ｒｅｓｅｒｖｏｉｒ［Ｊ］．ＬｉｔｈｏｌｏｇｉｃＲｅｓｅｒｖｏｉｒｓ，２０１１，２３（１）：２３－２８．［１２］　镇晶晶，刘　洋，李　敏．几种裂缝模型的波场传播特征比较［Ｊ］．石油地球物理勘探，２０１２，４７（６）：９０８－９１７．ＺＨＥＮ　Ｊｉｎｇｊｉｎｇ，ＬＩＵ　Ｙａｎｇ，ＬＩ　Ｍｉｎ．Ｃｏｍｐａｒｉｓｏｎ　ｏｆｗａｖｅ　ｆｉｅｌｄ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ａｍｏｎｇ　ｔｈｅ　ｆｒａｃｔｕｒｅ　ｒｏｃｋｍｏｄｅｌｓ［Ｊ］．Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ，２０１２，４７（６）：９０８－９１７．［１３］　沈金松，詹林森，马　超．裂缝等效介质模型对裂缝结构和充填介质参数的适应性［Ｊ］．吉林大学学报（地球科学版），２０１３，４３（３）：９９３－１００３．ＳＨＥＮ　Ｊｉｎｓｏｎｇ，ＺＨＡＮ　Ｌｉｎｓｅｎ，ＭＡ　Ｃｈａｏ．Ｔｈｅ　ａｐ－ｐｌｉｃａｂｉｌｉｔｙ　ｏｆ　ｆｒａｃｔｕｒｅ　ｅｆｆｅｃｔｉｖｅ　ｍｏｄｅｌ　ｔｏ　ｄｉｆｆｅｒｅｎｔ　ｐａ－ｒａｍｅｔｅｒｓ　ｏｆ　ｆｒａｃｔｕｒｅ　ｇｅｏｍｅｔｒｉｃ　ｓｔｒｕｃｔｕｒｅｓ　ａｎｄ　ｍｅｄｉａｆｉｌｌｅｄ　ｉｎ　ｆｒａｃｔｕｒｅ　ｐｏｒｅｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｊｉｌｉｎ　Ｕｎｉｖｅｒｓｉｔｙ（Ｅａｒｔｈ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ），２０１３，４３（３）：９９３－１００３．［１４］　范铭涛，杨麟科，方国玉，等．青西凹陷下白垩统湖相喷流岩成因探讨及其意义［Ｊ］．沉积学报，２００３，２１（４）：５６０－５６４．ＦＡＮ　Ｍｉｎｇｔａｏ，ＹＡＮＧ　Ｌｉｎｋｅ，ＦＡＮＧ　Ｇｕｏｙｕ，ｅｔ　ａｌ．Ｏｒｉｇｉｎ　ｏｆ　ｌａｃｕｓｔｒｉｎｅ　ｈｙｄｒｏｔｈｅｒｍａｌ　ｓｅｄｉｍｅｎｔａｒｙ　ｒｏｃｋ４５３。

储层裂缝预测研究储层裂缝预测是石油工业中一个非常重要的研究领域。

储层裂缝的形成不仅会导致石油储层的损害，还会对油气开发和生产过程中的流体流动和产能造成重大影响。

因此，预测储层裂缝的形成和发展对于确保油气田的高效开采具有重要意义。

储层裂缝的形成是由地质力学因素引起的，主要包括构造应力、地球运动和岩石本身的力学特性。

在油气开采过程中，经济有效的注水、生产压力等作用下，储层岩石受到应力变化的影响，从而导致孔隙中的岩石发生应力分配、位移和破裂。

研究储层裂缝的形成机制有助于预测和评估储层裂缝的分布和演化。

储层裂缝的预测研究主要包括实验室试验和数值模拟。

实验室试验通常会模拟地质力学环境下的裂缝形成过程，并通过测量和分析岩石的物理性质和力学行为来评估储层裂缝的形成潜力。

数值模拟是一种简单且经济有效的预测储层裂缝的方法，它可以通过数学模型和计算机仿真模拟裂缝的形成过程。

数值模拟通常包括有限元法、离散元法和格点法等。

在储层裂缝预测研究中，需要考虑以下几个主要因素：岩石力学特性、地应力场、岩石断裂和裂缝扩展机制、流体力学效应等。

首先，需要对储层岩石的物理性质和力学特性进行实验测试，以获取岩石的力学参数。

然后，需要构建地应力场模型，通过采集和分析现场地质数据来确定地质力学条件。

在模拟储层裂缝的形成过程时，需要考虑岩石的破裂机制和裂缝的扩展规律，例如剪切破碎、拉张破裂等。

最后，需要结合流体力学效应，研究裂缝对流体流动和产能的影响。

储层裂缝预测研究的目的是通过模拟和预测储层裂缝的形成和发展，为石油工业提供有效的工程解决方案。

通过准确地预测储层裂缝的位置、形态和扩展趋势，可以优化油气开采方案，提高油气田的产能和开发效率。

此外，储层裂缝的预测还可以为地质勘探提供重要的参考信息，帮助石油工程师更好地了解油气储层的结构和特征。

尽管储层裂缝预测研究在油气工业中具有重要意义，但目前仍然存在许多挑战和问题。

首先，储层裂缝的形成机制复杂，相关的地质过程和物理变化现象难以准确模拟和预测。

百色潜山裂缝储层预测研究的开题报告一、选题背景及意义潜山裂缝储层是一种常见的非常规储层，由于其孔隙度低、渗透率差，导致油气开采难度大，是目前页岩气和致密油开发的重点难点之一。

百色地区作为西南地区重要的非常规油气勘探开发区，具有丰富的潜山裂缝储层资源，但是其复杂的地质构造和岩石物性限制了其开采效率和开发水平。

因此，对于百色潜山裂缝储层进行预测研究，对于提高油气开采效率、实现油气资源可持续利用具有重要的现实意义和价值。

二、研究内容和方法本研究主要包括以下研究内容：1、百色地区潜山裂缝储层的岩石物性和地质构造特征分析；2、利用地震资料分析潜山裂缝储层的空间分布特征；3、应用地质统计学和机器学习等方法对潜山裂缝储层展开预测研究。

具体的研究方法包括：1、岩石薄片学分析：通过岩石薄片观察，获取百色地区潜山裂缝储层的岩石类型、岩石成分、孔隙类型、孔隙度、渗透率等岩石物性数据；2、地质构造分析：通过构造分析方法，分析百色地区潜山裂缝储层的构造发育和构造类型，对储层的规模和空间分布特征进行评价；3、地震资料解释：利用地震资料，进行储层聚类、时深转换、属性提取等处理，提取潜山裂缝储层的特征参数；4、地质统计学和机器学习方法：采用地质统计学和机器学习方法，对潜山裂缝储层进行预测研究，包括岩性预测、含油气性预测等。

三、预期研究成果及意义本研究预期获得以下成果：1、分析百色地区潜山裂缝储层的岩石物性和地质构造特征，并对储层的规模和空间分布特征进行评价；2、利用地震资料提取潜山裂缝储层的特征参数，并进行预测研究；3、利用地质统计学和机器学习方法，对潜山裂缝储层进行岩性预测、含油气性预测等预测研究。

本研究成果的实现，将为百色地区潜山裂缝储层的勘探开发提供科学的技术支撑，具有一定的理论意义和实际应用价值。