1. 课程导入与目标设定

地震振幅属性提取与含油气性识别,本质上是一条把“反射波振幅”翻译成“储层含油气概率”的信息加工链。振幅是地震记录中最直观、信息量最大的观测量之一:它既受岩性、孔隙度、流体性质的影响,也受采集观测系统、噪声、偏移成像和叠加方式的影响。因此,本课程的核心任务不是简单地“算出一张属性图”,而是建立一套可追溯的判断逻辑——什么样的振幅异常值得关注,它在什么条件下可以被解释为含油气指示,又在什么条件下只是岩性或采集因素的假象。

从工作流角度看,完整链条可以概括为五个环节:数据准备与保幅处理、属性提取与优选、标定与响应分析、含油气性判别、成果评价与决策。这五个环节并非单向串行,而是带有反馈的闭环:判别结果不理想时,往往需要回到属性优选甚至保幅处理环节重新调整。理解这条闭环,是本课程后续所有章节的公共基础。

振幅属性 → 含油气性识别:五环节闭环工作流 ① 数据准备 保幅处理 · 偏移叠加 井震标定 · 层位解释 时窗定义 ② 属性提取 均方根振幅 · 最大振幅 瞬时频率 · 甜点属性 属性优选与归一化 ③ 标定与响应 井旁道属性对比 含油气井 vs 干井 响应门槛初判 ④ 含油气判别 多属性交会 · 概率 AVO 辅助验证 异常筛选与分级 ⑤ 决策 圈闭评价 井位建议 风险分级 判别不通过 → 回到属性优选 / 时窗调整 标定失配 → 复查保幅处理与井震标定 输入数据与关键控制点 叠后偏移数据体(保幅、信噪比达标) 测井曲线与录井/试油结论(标定依据) 目标层顶底解释层位(控制时窗) 时窗长度:通常取 1/2~1 个主波长 子波主频与频带宽度(决定分辨率下限) 已知含油气井与干井样本(响应标定集) 含油气性判别的三类证据 振幅类 强振幅/亮点 频率类 低频阴影/衰减 AVO 类 截距/梯度异常 判据原则: ① 单属性异常只作线索,不作结论; ② 至少两类证据同向,且与井标定一致; ③ 排除岩性、调谐、采集脚印等假异常。

为什么振幅能指示含油气性

含油气后,储层孔隙流体从盐水变为油气,体积模量和密度同时下降,导致储层与上覆泥岩的波阻抗差发生变化。对常见的“泥岩在上、砂岩在下”的砂泥岩组合,含气砂岩顶面通常表现为振幅增强甚至极性反转,这正是“亮点”技术的基础。但要注意,振幅增强并非含气独有:厚层砂岩、煤层、火山岩、以及薄层调谐效应都可能产生强振幅。因此,振幅异常只是“候选证据”,必须结合频率、AVO 和井标定共同判断。

本课程后续将围绕这条主线展开:先讲清振幅属性的物理含义与提取方法,再讲标定与响应分析,最后讲多属性判别与风险分级。学习目标设定为三个层次:理解层——能说清均方根振幅、最大振幅、瞬时频率、甜点属性各自响应什么地质因素;操作层——能独立完成时窗定义、属性提取、井旁道对比和交会分析;决策层——能根据多属性证据给出含油气性分级意见,并说明其不确定性来源。

一个可参照的示例参数设定

为使后续章节有统一的讨论对象,这里给出一个教学示例(属合理假设,非实测数据):目标区为某砂泥岩互层储层,目的层埋深约 2800 m,地震数据主频约 32 Hz,目的层段层速度约 3600 m/s,则主波长约为 112 m,四分之一波长约 28 m,这决定了薄储层分辨的下限。属性提取时窗取目标层顶界向下 20 ms 至底界向上 10 ms,即“顶界+20 ms、底界−10 ms”的区间,以避开层位解释误差并覆盖主要能量。示例中已知 6 口井,其中 3 口含气、3 口干井,作为标定样本集。

示例参数(教学假设,非实测)
主频 f0        = 32 Hz
层速度 V       = 3600 m/s
主波长 λ       = V / f0 ≈ 112 m
调谐厚度 λ/4   ≈ 28 m
提取时窗       = 顶界 +20 ms ~ 底界 −10 ms
标定样本       = 含气井 3 口 / 干井 3 口

从数据到决策:需要建立的关联框架

很多初学者容易把属性提取当成终点,得到一张彩色图就认为任务完成。实际上,属性图只是中间产品,真正有价值的是“属性—地质—含油气性”的对应关系。建立这一框架的关键动作是井震标定:把井上的含油气层段与地震道逐一对应,观察含油气井与干井在井旁道属性上的系统差异。如果含气井的均方根振幅普遍高于干井,且差异超过噪声水平,则该属性具备判别潜力;如果两类井的属性值高度重叠,说明该属性在该区不具区分度,应更换属性或调整时窗。

需要强调的是,判别结论必须带不确定性说明。地震分辨率有限、薄层调谐、噪声和采集脚印都会造成假异常,因此工程上通常采用“证据分级”而非“一刀切”:多类证据同向且与井标定一致,定为高置信;仅单类证据异常,定为待验证;异常与已知地质规律矛盾,定为排除或复查。这一分级思路将贯穿本课程,并最终落到井位建议与风险评价上。

学习建议:每学完一种属性,都回到本节的工作流图上定位它属于哪个环节、解决什么问题、需要什么标定证据。把属性放回链条中理解,比孤立记忆公式更有效。