薄砂巖儲層內部不連續性檢測技術

肖 湘,尹 成,彭 達,丁 峰,張 棟

(1.西南石油大學地球科學與技術學院,四川成都 610500;2.中國石油西南油氣田公司勘探開發研究院,四川成都 610041)

在河流相和三角洲相砂巖儲集體中,發育有疊置的復合砂體,其內部結構的縱、橫向變化通常對流體具有明顯的阻隔和控制作用,造成砂巖儲層非均質性增強[1-2]。隨著油氣勘探開發的深入,為了給油田提高采收率、部署調整井等工作提供決策參考,獲取更薄或更小層級砂巖儲層內部的不連續性信息并識別影響流體的結構,成為儲層不連續性研究的重要方向之一。

目前用于儲層不連續性檢測的技術大多源自識別斷層和其它顯著不連續性地質結構的方法,包括相干類地震屬性結合螞蟻追蹤這樣的組合技術也是如此。相干類地震屬性算法最早由BAHORICH和FARMER于1995年提出,該方法利用3道地震數據中的滑動時窗計算出最大互相關,然后測量局部波形的相似性,通過低相似性波形與斷層等結構的對應關系,使不連續的部分從地震數據中突顯出來[3-4]。之后,各種地震屬性方法被不斷提出或改進,包括由梯度結構張量建立的相干屬性[5]、局部結構熵[6]、傾角導向梯度能量熵[7]、最大似然屬性[8]方法等。上述方法通過測量地震數據中局部信息的相似性或差異性,來突出斷層特征在地震數據體中的位置,并且對于識別某些顯著的地層、巖性變化也具有一定的效果。在實際應用過程中,由于這些屬性會不可避免地受到原始地震數據中噪聲的影響,造成目標特征模糊不清,為了更好地實現斷層自動識別等后續操作,螞蟻追蹤(ant tracking)方法被引入商業軟件中[9]。在優化此類使用蟻群算法基本思想的方法技術時,嚴哲等[10]提出方向約束蟻群算法,通過對提取的相干類屬性進行處理來實現增強斷層響應,提升斷層的可追蹤性,進一步提高了蟻群算法在斷層自動追蹤流程中的效果;馬藝璇等[11]對螞蟻追蹤的輸入數據體進行匹配追蹤頻譜分解和二次去噪,并結合測井資料反復調整追蹤參數,在實際地震資料處理中提升了對不同尺度斷裂的刻畫效果。對于薄砂巖儲層內部通常存在的一些不連續性結構,由于其尺度通常接近或小于1/4地震波長,因此在反射旅行時、地震振幅或波形等方面的差異變化不夠明顯,導致常規相干類方法對其產生的響應偏弱,不連續性特征難以被準確識別解釋。同樣,由于薄砂巖儲層內部不連續性結構的響應相對偏弱,這些結構在長度和形態等方面與斷層等不連續性結構存在一定差異,故采用基于蟻群的常規算法增強此類不連續性特征的效果不明顯,且不能滿足對薄砂巖儲層進行更精細刻畫的需求。

為了提高對薄砂巖儲層內部不連續性結構的識別能力,本文在充分認識地震屬性對地下巖性構造變化響應優勢的基礎上,首先介紹了灰度共生矩陣均質性計算方法,并利用均質性從屬性數據中初步提取不連續性信息;然后提出了路徑彎曲度約束蟻群算法,用于進一步增強不連續性特征;最后將該技術應用于模型數據和實際工區資料的儲層內部不連續性檢測,驗證了組合技術的有效性。

1 方法原理

從地震屬性與地震數據的關系來看,地震屬性可以視作是原始地震數據中全部信息的一個子集[12]。從原始地震數據到地震屬性數據,不同地質信息在數據中的占比會發生改變,這使得特定的地質特征在某些地震屬性中引起的變化往往比在地震數據中更加明顯。前人針對河流相和三角洲相不同復合砂體構型樣式進行的正演模擬顯示,地下沉積體的變化會引起地震波形、頻率和振幅等變化,上述變化可通過相應類型的敏感屬性實現構型的識別和區分[13-14]。在單砂體楔形模型以及薄互層砂體的相關研究中,當砂巖厚度小于1/4地震波長時,地震振幅隨厚度變化的程度比全信息的地震數據隨厚度變化的程度更加明顯[15-16]。因此從地震數據中提取的振幅屬性數據能用于定位砂體邊緣以及復合砂體內部砂體疊置等不連續性結構的信息占比更高?？紤]到算法的穩定性、原始數據的噪聲以及層位解釋的小瑕疵等對屬性計算結果的影響程度,均方根振幅屬性可以作為灰度共生矩陣均質性計算的輸入數據,其屬性值變化與砂巖厚度改變位置具有較強的相關性,可以反映疊置砂巖的平面分布特征[17]。因此,本文提出的檢測薄砂巖儲層不連續性的流程主要包括:①對目標層位提取的地震均方根振幅屬性;②計算其灰度共生矩陣的均質性統計量;③利用改進后的蟻群算法對均質性數據進行增強;④獲得不連續性特征結果。

1.1 灰度共生矩陣均質性計算

灰度共生矩陣的均質性是衡量圖像紋理均勻程度或像素間相似性的統計量[18],均質性計算結果可以突出相鄰道屬性值的微小變化?；跀抵禐橛欣頂档木礁穹鶎傩陨苫叶裙采仃?首先需要將均方根振幅屬性值轉化為灰階圖像,轉化公式如下:

(1)

式中:a是某點屬性值;amin和amax是屬性的最小值和最大值;G是轉化時設定的最大灰階數;Int()是取整;Ng是a的轉化結果。

采用上述公式進行數據轉化后,可將其結果視作二維圖像來生成灰度共生矩陣并計算其均質性參數[19]?；叶裙采仃嚩x如下:位于Wx×Wy范圍內相隔距離為δ、連線方向為θ的兩個像素,灰度分別為i和j的情況的發生率P所構成的矩陣。若以(x1,y1)和(x2,y2)表示距離為δ、連線方向為θ的兩個像素坐標,則將P記為:

P(i,j,δ,θ)=c{[(x1,y1),(x2,y2)]∈(Wx×

Wy)×(Wx×Wy)|g(x1,y1)=i,g(x2,y2)=j}

(2)

式中:c{}表示滿足條件的元素個數;g(x,y)表示范圍Wx×Wy內像素(x,y)的灰度值。

在地震勘探領域,通常設定δ=1以保證相鄰道連續性,θ分別取4個方向的值[20]。在給定δ和θ的情況下,像素兩兩之間構成點對的總數為R,P(i,j,δ,θ)可以簡化表示為Pi,j,由該元素構成的灰度共生矩陣M歸一化表達為:

(3)

以圖1紅框所示的3×3范圍為例,當θ=0時,灰度值為7和10的像素點對只有一個,所以P7,10=P10,7=1。而在(3)式中,當θ為0°或者90°時,則R=2×Wx×(Wy-1);當θ為45°或135°時,則R=2×(Wx-1)×(Wy-1)。

圖1 灰度共生矩陣的方向

得到灰度共生矩陣后,均質性H的計算公式為:

(4)

將不同方向的灰度共生矩陣均質性值取平均,得到最終的計算結果。較低的均質性代表著非零元素分散在灰度共生矩陣中,指示分析窗位置存在著能引起地震屬性變化的不連續性結構?；叶裙采仃嚨幕译A數G以及Wx和Wy的選取,也影響著均質性結果對隱蔽不連續性信息的刻畫能力以及不連續性特征邊緣的分辨能力。以圖2a中紅線勾勒的不連續性結構為例,在圖2b中設定G為64階,當Wx和Wy取值均為3時,均質性結果能清晰顯示均方根振幅異常寬度約為6的隱蔽不連續性結構邊緣,而當Wx和Wy同時為7時,該隱蔽結構難以識別,同時我們難以準確分辨屬性圖上更明顯的不連續性特征的邊緣。因此,Wx和Wy取值應該為目標不連續性特征尺度的一半,過大會造成不連續性結構形態無法識別,過小則會導致細小干擾信息影響顯示效果,Wx和Wy為3時,目標結構的邊緣刻畫結果較為理想。如圖2c 所示,設定Wx×Wy為3×3,當灰階數從8階增大到64階時,不難發現,利用均質性結果可以更好地突出該隱蔽不連續性結構,從64階進一步增大到128階后,不難發現,利用均質性結果進行識別,提升效果不明顯,計算量和其它干擾信息增多。因此,在灰階數剛好滿足目標特征且目標結構被準確刻畫后,再將值提高約1/3使目標進一步突出,則識別效果更為理想,G大于32階接近64階時,識別效果最佳。

圖2 不同參數計算灰度共生矩陣均質性效果a 原始均方根振幅屬性; b 灰階數G=64,不同Wx×Wy; c Wx×Wy為3×3,不同灰階數G

1.2 路徑彎曲度約束的蟻群算法

由地震屬性得到的均質性計算結果不可避免地含有原始數據中的隨機噪聲,容易造成不連續性特征模糊。為了改善不連續性特征的顯示效果,采用路徑彎曲度約束蟻群算法對均質性計算結果進行增強。

蟻群算法的靈感來源于螞蟻們尋找最短覓食路徑的機制,該算法可用于解決某些優化問題,其基本要素通常包括信息素的激勵和揮發、終止條件、轉移規則和移動代價等[21]。通過蟻群算法來突出不連續性特征、改善斷層特征連續性和壓制噪聲,利用的就是人工螞蟻傾向于但不限于朝信息素濃度高的方向移動,移動過程包括根據移動距離在路徑上留下相應濃度信息素的正反饋過程以及舊信息素不斷揮發的過程等。

蟻群增強算法的第1步:將均質性平面數據分割為由N×N個數據點組成的區域,并在每一個區域中投入1只螞蟻。根據如下的概率公式螞蟻選擇區域內坐標為(r,s)的點作為起始點:

(5)

式中:H(r,s)表示坐標為(r,s)的點的均質性值,為歸一化的數值。

蟻群增強算法的第2步:計算螞蟻從坐標為(r,s)的點到下一個坐標為(i,j)的點轉移概率,計算公式為:

(6)

式中:Ω(r,s)包含螞蟻從坐標為(r,s)的點可以選擇的所有轉移候選點;τ(i,j)是坐標為(i,j)的點的信息素濃度;α和β是定值,用于控制信息素和啟發函數η(i,j)對轉移概率的影響;(u,v)為Ω(r,s)中的任意一點坐標。啟發函數定義為:

η(i,j)=1-H(i,j)

(7)

對于剖面上的斷層特征,可以依據其傾角對螞蟻轉移方向進行一定程度的約束,更好地增強區域內成組的斷層線[22]。不同于斷層線在剖面和平面上都具有一定延伸長度并且局部彎曲較少的特性,對于河流相和三角洲相薄層復合砂體內的不連續性結構,其垂向延伸長度通常在地層厚度以下,而不連續性特征形成的線或條帶在沿層切片上彎曲轉向更加顯著且頻繁。

因此,本文將斷層追蹤常用的方向約束條件修改為對路徑彎曲度的約束[23],以適應薄層的不連續性特征,并防止螞蟻在局部小區域形成轉圈式的移動。在此約束條件下,Ω(r,s)中的點需要滿足以下3個規則:①不包含在之前的移動路徑中;②對于起始的第一步,螞蟻選擇的移動方向不受限制,而對非起始的一步,移動方向在上一步的基礎上最大偏離限制在45°以內,當移動步長設定為1時,螞蟻最多能選擇3個點作為轉移候選點;③滿足規則①和②后,如果Ω(r,s)中仍含有類斷層點,則只保留類斷層點,將其它點從Ω(r,s)中剔除。

類斷層點是通過一個預設的閾值F將某點與其它點進行區分。當該點均質性低于設定的F,表示該點很可能是不連續性特征上的一個點(雖然稱為類斷層點,在本文中這樣的點包括但不限于斷層特征上的點)。由于較小尺度的內部不連續性結構對均質性的反應相對不明顯,因此為了增強這些不連續性特征,F需要盡可能地選擇高值,也就是盡量多地將低均質性點歸入類斷層點。

以圖3為例展示在路徑彎曲度約束下,螞蟻分別位于起始點和非起始點時,Ω(r,s)中轉移候選點的情況。圖3中綠色框表示該點是類斷層點,黃色框表示該點不是類斷層點,而紅色框表示不可向該點移動,一般為該螞蟻之前已經走過的點或沒有均質性數據的點;黑色箭頭指向可以轉移的點。當坐標為(r,s)的點為起始點時(圖3a),螞蟻可以向周圍8個方向移動,但可移動方向上存在類斷層點時,禁止向非類斷層點轉移,所以黃色框的點不會包含在該Ω(r,s)中;如果坐標為(r,s)的點并非起始點(圖3b),螞蟻可移動方向受到上一步已移動方向的限制,所以Ω(r,s)中只包含箭頭所指的3個點。因此,螞蟻根據(6)式計算向Ω(r,s)中每個候選點轉移的概率,然后螞蟻根據候選點轉移概率大小隨機移動到候選點上,完成本次移動。

圖3 轉移候選點示例a 螞蟻位于起始點時的轉移候選點; b 螞蟻在追蹤過程中的轉移候選點

如果Ω(r,s)為空,該螞蟻直接終止移動;當Ω(r,s)中不存在類斷層點時,螞蟻有可能向非類斷層點轉移,這樣的轉移視作異常步。異常步數與正常步數的比例由終止條件S決定,其計算公式為:

(8)

式中:Smax和Smin是S的上限和下限,常用設置范圍為0.1～0.5;D是此時Ω(r,s)內候選點均質性的平均值。當D比較高時,可能意味著螞蟻移動遠離了不連續性特征,此時允許的異常步變少,觸發終止條件,螞蟻移動迅速停止;反之,則會允許其多追蹤幾步來增強該特征的連續性[24]。提高Smin并推高Smax,能強制螞蟻更多地向沒有類斷層點的區域探索,但也更容易導致結果中的不連續性特征以不符合地質規律的方式被連接起來,所以通常令Smax和Smin均為較小的值。如果因異常步數觸發終止條件,則該螞蟻將被放回上一個類斷層點并終止移動。

蟻群增強算法的第3步:當所有螞蟻都停止移動時,我們進入更新信息素的步驟。在當前迭代輪次,坐標為(i,j)的點信息素濃度定義為:

(9)

(10)

式中:c是信息素更新系數;L(k)是第k只螞蟻走過路徑的長度;Q是本輪次經過坐標為(i,j)的點的螞蟻數量?？紤]到薄儲層中不連續性特征的長度與其重要性并無明顯關系,為了防止螞蟻向長度大的不連續性特征位置聚集,影響其它不連續性特征的增強,故設定信息素增量與螞蟻經過路徑長度呈對數關系,未使用螞蟻追蹤斷層時信息素濃度隨路徑變長而線性增大的計算公式。

當信息素更新完成,該輪次迭代結束,螞蟻最后停留的地方將作為下一輪迭代時移動的起點,并根據螞蟻增強算法的第2步重復計算過程,直到迭代次數上限,最終得到的信息素濃度平面分布數據即為不連續性特征增強的結果輸出,路徑彎曲度約束蟻群算法的計算至此結束。

2 模型試驗

為了檢驗上述組合技術檢測薄砂巖儲層內部不連續性的效果,使用圖4a中所示的一個包含砂體側向接觸和斷層的二維速度模型進行試算,兩個結構分別代表了薄砂巖儲層內部常見的、不同成因的小尺度不連續性結構。模型中砂巖厚度為19m,速度為3000m/s,圍巖速度為2900m/s;斷層兩邊砂巖層高差為9.3m,兩個疊置砂體沒有高差,砂體邊緣側向接觸相切位置的最小厚度為12.3m。

圖4b的地震剖面由圖4a模型與30Hz的零相位雷克子波褶積生成,砂巖層厚度略小于調諧厚度。由于本文檢測技術針對三維地震數據,因此將上述地震剖面復制63個構成一個三維數據體,然后以剖面中最強的波峰和波谷作為該砂巖層的頂層和底層,提取這兩個層位間的均方根振幅屬性,結果如圖4c所示,可以看出,斷層和砂體相切的不連續性結構均引起了均方根振幅屬性值的變化。

圖4 不連續性檢測方法的理論模型測試a 二維速度模型; b 合成的地震剖面; c 頂底層位時窗提取砂巖層均方根振幅屬性

圖5a為沿砂巖層位中間提取的局部結構熵體切片,圖5b為對砂巖層均方根振幅屬性計算得到的灰度共生矩陣均質性。對比圖5a和圖5b可以發現,無論是局部結構熵還是均質性,在斷層位置都出現了明顯的不連續性特征。在砂體相切的位置,局部結構熵的響應明顯變弱,而從均質性結果中依然能看到明顯的不連續性特征。從上述平面數據中各抽出一條In-line的數據,均都轉化到0～1的區間,它們數值越接近1表示不連續性越高,越接近0表示不連續性越低,將轉化后的地震數據繪制成曲線,結果如圖5c所示。對局部結構熵而言,砂體相切的不連續性特征響應峰值約為斷層響應峰值的26.83%,而其均質性約為斷層響應峰值的96%。這表明在無噪聲的理論模型中,采用本文方法得到的均質性結果能更好地突出薄層中隱蔽的不連續性結構。

圖5 模型中砂巖層的不連續性特征提取a 局部結構熵體切片; b 灰度共生矩陣均質性; c 圖5a和圖5b兩種結果響應的對比曲線

為了測試不連續性檢測組合技術承受噪聲干擾的能力,在模型的反射系數中加入了高斯隨機噪聲。其大小分別限制為原始最大反射系數的10%,15%和20%,獲得的含噪地震數據體信噪比分別為12.56,9.04和6.52dB。圖6為含噪地震數據體的地震剖面和砂巖層均方根振幅屬性。

圖6 含噪地震數據體的地震剖面和砂巖層均方根振幅層屬性a 信噪比為12.56dB的地震數據體剖面; b 信噪比為12.56dB的地震數據體均方根振幅屬性; c 信噪比為9.04dB的地震數據體剖面; d 信噪比為9.04dB的地震數據體均方根振幅屬性; e 信噪比為6.52dB的地震數據體剖面; f 信噪比為6.52dB的地震數據體均方根振幅屬性

圖7為不同信噪比地震數據砂巖層位置計算得到的局部結構熵和采用本文方法計算得到的均方根振幅均質性。對比在斷層和砂巖體相切處產生的兩種不連續性特征,可以看出,無論在局部結構熵還是均方根振幅均質性沿層數據上,儲層內部不連續性結構的響應受噪聲影響嚴重。局部結構熵對模型斷層位置指示擁有信噪比優勢,根據均方根振幅均質性識別砂體相切位置的不連續性特征的效果更佳。從圖7e可以看出,砂體相切位置的特征已經和噪聲混在一起難以識別,而在圖7f中該位置處,可以識別出一個較弱的條帶狀特征,更加接近該特征在無噪聲時的形態。這表明對于含噪數據,采用本文組合技術得到的均方根振幅均質性結果仍能更好地保留微弱的不連續性信息。

圖7 不同信噪比數據砂巖層位置計算得到的局部結構熵和采用本文方法計算得到的均方根振幅均質性a 信噪比為12.56dB的地震數據體局部結構熵; b 信噪比為12.56dB的地震數據體均質性; c 信噪比為9.04dB的地震數據體局部結構熵; d 信噪比為9.04dB的地震數據體均質性; e 信噪比為6.52dB的地震數據體局部結構熵; f 信噪比為6.52dB的地震數據體均質性

對上面得到的不連續性特征數據進行增強,在砂巖層位置采用常規螞蟻追蹤優化后的局部結構熵體屬性,將其與采用本文提出的路徑彎曲度約束蟻群算法處理后的均方根振幅均質性進行對比。

從圖8可以看出,采用常規的螞蟻追蹤和本文提出的路徑彎曲度約束蟻群算法均可以有效壓制不連續性識別中的干擾信息。應用于不連續性體屬性的常規螞蟻追蹤更適合在三維空間中增強不連續性特征的曲面,在地震數據信噪比較高時,可以顯著突出模型中砂體相切位置的響應(圖8a);在信噪比下降后,只有斷層位置的響應仍然明顯,砂體相切位置的特征已經無法完整識別,并且還會出現許多由噪聲引起的不連續性特征假象(圖8e)。在均質性結果的信噪比降低后,采用路徑彎曲度約束的蟻群算法還能相對較好地保持該不連續性結構的響應,并且不連續性特征的假象也明顯較少(圖8f)。

圖8 采用常規螞蟻追蹤優化后局部結構熵與采用本文路徑彎曲度約束蟻群算法處理后的均方根振幅均質性a 優化后信噪比為12.56dB的地震數據體局部結構熵; b 約束蟻群算法處理后信噪比為12.56dB的地震數據體均方根振幅均質性; c 優化后信噪比為9.04dB的地震數據體局部結構熵; d 約束蟻群算法處理后信噪比為9.04dB的地震數據體均方根振幅均質性; e 優化后信噪比為6.52dB的地震數據體局部結構熵; f 約束蟻群算法處理后信噪比為6.52dB的地震數據體均方根振幅均質性

本文提出的組合技術在無噪聲和含噪聲理論模型的測試結果表明,該組合技術可以檢測薄砂巖層內部不連續性,并且還具有一定抗噪能力。相較于局部結構熵體屬性加螞蟻追蹤優化的常規技術,本文提出的組合技術在識別小尺度不連續性結構的響應方面可以獲得更好的效果。

3 實際數據應用

為了驗證本文提出的檢測不連續性的組合技術在實際地震數據處理中的可行性,選擇渤海海上BZ油田的地震資料進行測試。該地震資料由高密度海底電纜采集,地震數據品質較好,主頻約為43Hz,信噪比相對較高。地震數據覆蓋區域內構造簡單、斷層少;目的層發育復合分流河道、朵體等沉積微相。儲集體巖性以砂巖為主,井點鉆遇砂巖的最大厚度與調諧厚度相近,其厚度較薄且橫向變化較快,不同期次和微相的砂體接觸與疊置關系復雜,導致儲層非均質性強。因此,在實際工作中,砂體分布特征和內部結構是儲層不連續性檢測的重點環節。

圖9a為工區目的層砂巖厚度預測結果,圖中灰色表示該區域的一個已知斷層,深藍色虛線框內的砂巖為疊置的復合砂體,紅色折線穿過斷層和可能由疊置形成的不連續性結構,如圖9b中綠色箭頭所示,沿該折線的剖面如圖9c所示,可以看出,斷層位置同相軸的錯動比砂體內不連續性結構位置的振幅變弱特征更易識別。

圖9 工區目的層平面數據和地震數據剖面a 砂巖厚度預測結果; b 目的層均方根振幅; c 沿圖9a紅色折線形成的剖面

相較于根據地震數據計算得到局部結構熵屬性沿目的層的切片(圖10a),根據均方根振幅屬性計算得到的灰度共生矩陣均質性切片(圖10b),目標復合砂體的邊緣更加清晰,在可能存在砂體重疊的位置能隱約識別出不連續性特征。

圖10 目的層局部結構熵屬性(a)和根據均方根振幅屬性計算得到的灰度共生矩陣均質性(b)切片

在局部結構熵屬性上使用常規螞蟻追蹤優化得到目的層切片數據(圖11a),對目的層應用路徑彎曲度約束的蟻群算法進行平面增強后的結果(圖11b),可以看出兩種不連續性特征優化算法對于實際數據噪聲均具有良好的壓制作用。受益于均質性結果的不連續性特征相對顯著,在使用本文提出的路徑彎曲度約束蟻群算法進行平面增強后,目標復合砂體無論是邊緣還是內部的不連續性特征都更加突出。而作為對比的螞蟻追蹤結果,則因為局部結構熵對砂體邊緣響應較弱,故將砂體范圍內的不連續性特征與斷層的特征錯誤連接起來造成了假象。

圖11 對局部結構熵屬性進行螞蟻追蹤優化得到的目的層切片(a)以及對目的層應用本文方法得到的平面增強結果切片(b)

將圖11b獲得的不連續性特征疊加到圖9a所示砂巖厚度預測結果上,得到圖12a所示的疊加顯示結果。由疊加后的平面圖分析可知,目標復合砂體可能由一個小砂體和一個大砂體的疊置相切形成,而通過不連續性特征約束砂體厚度預測結果,可以獲得對目標砂體平面展布更精細的認識(圖12b)。

圖12 將不連續性特征應用于目標砂體得到的結果a 不連續性特征與砂體厚度預測結果疊加顯示; b 不連續特征約束下的砂體預測厚度

由本文提出的檢測不連續性的組合技術在實際地震數據的應用效果分析可知,該組合技術可以用于儲層內部小尺度的不連續性結構檢測,應用效果可靠,證明了技術的有效性。

4 結論

在河流相和三角洲相砂巖油氣藏中,利用常規方法對薄砂巖儲層不連續性結構進行識別,容易忽略一些小尺度結構,而對不連續性檢測的各個步驟進行有針對性的綜合改進,才能從現有的地震資料中提取到更多的不連續性信息,提升檢測效果。本文利用均方根振幅屬性,從地震數據中提取出與儲層砂巖厚度變化以及砂巖展布關聯性更強的信息,并利用對微弱變化更加敏感的灰度共生矩陣均質性,將提取出的信息轉化為不連續性特征數據;然后根據薄砂巖儲層平面數據上的不連續性特征展布特點,改造用于斷層優化的蟻群算法,形成路徑彎曲度約束的蟻群算法,使其能夠適應目標特征,達到壓制干擾和增強不連續性信息顯示效果的目的。本文提出的薄砂巖儲層內部不連續性檢測的組合技術在模型和實際地震數據應用的結果表明,相較常規不連續性體屬性和螞蟻追蹤組合技術,本文組合技術能取得更好的效果,成果可以用于輔助砂體厚度的預測,并且在此基礎上能增進對復合砂體內部結構的認識。需要指出的是,本文方法受限于地震資料品質條件,檢測效果可能存在差異,在使用信噪比更低的地震資料識別不連續性結構時,可能還需要選擇合適的濾波算法進行預處理。