一种多层系储集体立体刻画与油气空间分布及定容方法

摘要

本发明公开了一种多层系储集体立体刻画与油气空间分布及定容方法，该方法包括以下步骤：获取目标区域的三维地震振幅数据体和钻测井数据；对三维地震振幅数据体进行构造导向滤波处理；在三维地震振幅数据体的基础上，通过机器学习技术识别断裂和裂缝；对三维地震振幅数据体求取振幅曲率属性，以预测孔洞型储层；对三维地震振幅数据体做井震标定，提取子波并求取波阻抗数据体，进一步计算剩余波阻抗，利用剩余波阻抗数据体来识别洞穴型储层；结合所得到的断裂裂缝、孔洞型储层和洞穴型储层的识别预测结果，在钻测井数据的质控和约束下，设定每种属性的预测门槛值，实现多层系储集体立体刻画与油气空间分布及定容计算。

说明书

技术领域

本发明涉及油气勘探技术领域，具体涉及一种多层系储集体立体刻画与油气空间分布及定容方法。

背景技术

走滑断裂带内部发育多种类型储集体，主要分为洞穴、孔洞、裂缝三类，这三种储集体在地震反射特征和属性特点上具有明显的差异，需要通过不同的技术手段分类进行预测，最后进行融合处理，达到综合评价断裂带储集体的目标。

目前研究者们针对断溶体油气藏的识别和描述开展了一系列的研究工作，由于断溶体油气藏的埋深大、地震反射特征变弱，常规技术手段难以充分挖掘地震资料信息，影响断裂带的空间刻画效果，主要表现在裂缝、孔洞、洞穴型不同储层识别模式难以确定，断溶体储层地球物理识别精度低，无法有效区分不同类型断溶体储层，对断溶体的空间分布特征和连通性难以确定，定量描述困难。

针对以往研究中的技术难点，本发明通过机器学习断裂裂缝识别、振幅曲率属性、压缩感知反演等多种先进地球物理手段的应用，精细描述了不同类型断溶体储层的发育特征，为深大断裂控制下的断溶体储层的空间刻画和定容测提供了充分的依据。

发明内容

为解决以上技术问题，本发明提供一种多层系储集体立体刻画与油气空间分布及定容。

为了实现以上目的，本发明采用以下技术方案：

一种多层系储集体立体刻画与油气空间分布及定容方法，包括以下步骤：

S100、获取目标区域的三维地震振幅数据体和钻测井数据；

S200、对三维地震振幅数据体进行构造导向滤波处理；

S300、在三维地震振幅数据体的基础上，通过机器学习技术识别断裂和裂缝；

S400、对三维地震振幅数据体求取振幅曲率属性，以预测孔洞型储层；

S500、对三维地震振幅数据体做井震标定，提取子波并求取波阻抗数据体，进一步计算剩余波阻抗，利用剩余波阻抗数据体来识别洞穴型储层；

S600、结合所得到的断裂裂缝、孔洞型储层和洞穴型储层的识别预测结果，在钻测井数据的质控和约束下，设定机器学习断裂和裂缝属性、振幅曲率属性、反演剩余波阻抗属性的预测门槛值，实现多层系储集体立体刻画与油气空间分布及定容计算。

以下针对每一步骤进行说明：

S100、获取目标区域的三维地震振幅数据体和钻测井数据。

在实施本发明的分段识别与评价方法时，需要首先获取目标区域三维地震振幅数据体，并且沿走滑断裂带，不少于3-5口井具有声波、密度测井曲线，作为压缩感知反演的输入。

S200、对三维地震振幅数据体进行构造导向滤波处理。

地震处理后的纯波叠加资料或偏移资料往往存在着背景噪声，对断层、裂缝识别形成干扰，因此需要进行针对性的滤波以改善地震资料的信噪比，增强断层和裂缝的清晰度。构造导向滤波处理的主要思路是沿着地震振幅数据获取的构造方向进行滤波，有效提高地震资料信噪比，并在相干体等不连续性检测结果约束的基础上达到对断层和裂缝的高清晰成像。

根据本发明的多层系储集体立体刻画与油气空间分布及定容方法，优选地，S200中所述对三维地震振幅数据体进行构造导向滤波处理的步骤包括：

S201、通过地震倾角和方位角确定反射同相轴的方位；

S202、计算相干体，确定主要断层和裂缝的位置；

S203、在倾角、方位角和相干体的约束下展开滤波，完成构造导向滤波处理。

根据本发明的多层系储集体立体刻画与油气空间分布及定容方法，优选地，所述滤波过程具体包括：根据所述相干体进行不连续性检测，确认断裂发育位置；对确认的断裂发育位置不对地震数据进行平滑，否则沿着构造进行平滑。

S300、在三维地震振幅数据体的基础上，通过机器学习技术识别断裂和裂缝。

根据本发明的多层系储集体立体刻画与油气空间分布及定容方法，优选地，所述机器学习技术为卷积神经网络机器学习技术。

根据本发明的多层系储集体立体刻画与油气空间分布及定容方法，优选地，所述卷积神经网络机器学习技术具体采用基于CNN图像分割的断裂检测算法。

随着机器学习技术的快速发展，卷积神经网络(CNN)技术在地震储层预测中得到了广泛应用。从理论上讲，该技术非常适合断裂和裂缝自动追踪。基于CNN图像分割的断裂检测算法将从图像分类问题转换为图像分割问题，用基于Unet的CNN网络来实现断裂的高精度识别，其主要特点和优势如下：

①训练数据可以在三维空间里交互拾取，也可以通过随机模型产生能够模拟断裂发育的各种可能情况，做到了基于大数据的完全自动的有监督神经网络学习；

②使用最先进的Unet CNN网络来解决图像分割问题；

③使用GPU解决了大量运算问题。

S400、对三维地震振幅数据体求取振幅曲率属性，以预测孔洞型储层。

碳酸盐岩缝洞系统的有利储层整体上分为三种类型：裂缝型储层、孔洞型储层、洞穴型储层。在断裂带包络面内，裂缝发育和断层及孔洞发育密切相关，一般断裂和孔洞较为发育的区域，往往伴生较为密集的裂缝，因此裂缝型储层在地震上一般表现为杂乱反射，在地震属性上往往表现为和断裂、孔洞相关的属性异常。通过正演属性模拟得知，振幅曲率对孔洞型储层具有较好的识别效果，通过振幅曲率属性，可以有效识别孔洞型储层，因此，本发明采用振幅曲率属性预测孔洞型储层。

振幅曲率是由地震数据振幅进行横向二阶求导得到的。首先利用地震振幅或者能量计算出主测线方向和联络测线方向的一阶导数，得到的能量梯度属性本身就能反映异常地质体，一般称为振幅能量梯度。然后再对其进行二阶求导得到振幅曲面，最后根据该曲面拟合计算出各振幅曲率属性。从原理上看，振幅能量梯度是地质体边缘的体现，因此无法通过门槛值获得地质体的空间分布。而振幅曲率则将振幅能量梯度转换为一个反映地质体包络的属性，可以通过门槛值获得地质体空间分布。

根据本发明的多层系储集体立体刻画与油气空间分布及定容方法，优选地，所述振幅曲率属性是由地震数据振幅进行横向二阶求导得到的；首先利用地震振幅或者能量计算出主测线方向和联络测线方向的一阶导数，得到振幅能量梯度，然后再对其进行二阶求导得到振幅曲面，最后根据该曲面拟合计算出各振幅曲率属性。

S500、对三维地震振幅数据体做井震标定，提取子波并求取波阻抗数据体，进一步计算剩余波阻抗，利用剩余波阻抗数据体来识别洞穴型储层。

洞穴型储层识别是碳酸盐岩缝洞系统储层识别的一个难点，由于地震分辨率的限制，常规地震属性研究难以精确定位洞穴型储层位置和大小，因此需要采用高分辨率反演手段进行洞穴型储层的识别。岩石物理研究结果表明，阻抗差异仍然是碳酸盐岩储层和非储层的有效区分参数，阻抗越低一般表示储层物性越好。洞穴型储层内部充填泥质和流体，具有明显的低阻抗特征，因此采用反演方法能够对其进行识别。

根据本发明的多层系储集体立体刻画与油气空间分布及定容方法，优选地，S500中通过压缩感知反演得到所述波阻抗数据体。

本发明采用压缩感知高分辨率反演方法进行洞穴型储层识别，压缩感知算法通过L1范数(常规反演使用L2范数)来解决稀疏反演问题，并假设地层反射系数可通过奇偶极子分解来表征。其算法实现通过将子波矩阵引入楔形字典反褶积从而提高了反演结果的精度和分辨率。反演的目标函数为:

Min[||s-Wr||

其中s为地震数据，W为子波，r为反射系数，λ为规则化系数，p为范数。在压缩感知反演中p＝1。

压缩感知反演在算法实现过程中使用了压缩感知理论，得到的波阻抗比传统商业软件确定性反演分辨率高；同时其抗噪性和稳定性更好，反演得到的弹性参数更为精确。

根据本发明的多层系储集体立体刻画与油气空间分布及定容方法，优选地，所述剩余波阻抗的计算过程包括：对波阻抗数据体进行中值滤波，得到一个相对平滑的波阻抗数据体，然后和原有的波阻抗数据体相减，得到所述剩余波阻抗。

断溶体储层横向非均质性非常强，而得到的波阻抗反演剖面在横向上具有一定连续性，非均质性特征不够明显，这也是地震资料的特点所决定的。为了突出断溶体储层的非均质性，消除横向连续地震反射的影响，本发明对波阻抗反演结果进行剩余波阻抗处理，处理方法就是对波阻抗反演结果进行中值滤波，得到一个相对平滑的波阻抗数据体，然后和原有的波阻抗数据体相减，即可得到剩余波阻抗。

S600、结合所得到的断裂裂缝、孔洞型储层和洞穴型储层的识别预测结果，在钻测井数据的质控和约束下，设定机器学习断裂和裂缝属性、振幅曲率属性、反演剩余波阻抗属性的预测门槛值，实现多层系储集体立体刻画与油气空间分布及定容计算。

缝洞型碳酸盐岩集体内部结构复杂，非均质性强，裂缝、孔洞、洞穴均有发育，通过多属性融合识别，可以识别出缝洞发育带、洞穴边界。在属性融合过程中，首先对不同属性进行门槛值确定，主要参考钻时曲线、放空漏失点等资料。统计结果表明，钻时曲线对断溶体边界比较敏感，当钻入断溶体时钻时变快，因此可用利用钻时曲线来确定属性的门槛值。而钻遇断裂、孔洞、洞穴或者裂缝密集带时，一般会发生漏失、放空等，因此可以利用这些信息来确定不同属性的门槛值。

根据本发明的多层系储集体立体刻画与油气空间分布及定容方法，优选地，参考钻时曲线及放空漏失点资料确定不同属性的预测门槛值。

由于不同类型的储层孔隙度具有较大差异，需要对不同类型的储层的孔隙度进行分类评价，获得不同类型储层的有效体积，进而估算出圈闭资源量。

缝洞型碳酸盐岩储集体有效容量计算分为裂缝、孔洞、洞穴三种类型，不同类型储层物性差异较大，需要采用不同方法进行容积估算。

根据本发明的多层系储集体立体刻画与油气空间分布及定容方法，优选地，所述定容计算包括：

1)裂缝型储层：测井解释此类储层的孔隙度范围，将其平均值作为裂缝型储层孔隙度，结合机器学习技术识别断裂和裂缝，计算裂缝型储层的有效容积；

2)孔洞型储层：测井解释此类储层的孔隙度范围，将其平均值作为孔洞型储层孔隙度；通过振幅曲率识别孔洞型储层的包络面，确定储层的空间总体积，进而得到孔洞型储层的有效容积；

3)洞穴型储层：使用压缩感知反演得到的波阻抗数据体估算洞穴型储层的孔隙度，通过孔隙度获得洞穴型储层的有效容积；

4)将以上三种类型储层的有效容积相加，获得所述多层系储集体有效容积。

本发明的多层系储集体立体刻画与油气空间分布及定容方法将多种地震属性结合起来，并在井控约束下，实现了碳酸盐岩缝洞系统的精确综合刻画与定容计算，且实际项目研究验证了本发明方法的可靠性，本发明方法可有效识别碳酸盐岩缝洞系统的三维空间展布与定量评价，具有广泛的推广价值。

附图说明

图1a为实施例中构造导向滤波处理操作流程图。

图1b为实施例中构造导向滤波处理效果对比图之一。

图1c为实施例中构造导向滤波处理效果对比图之二。

图2a为本发明基于Unet的CNN网络结构图。

图2b为实施例中机器学习断裂识别结果剖面。

图2c为实施例中机器学习断裂识别结果沿奥陶系一间房组顶界切片平面图。

图2d为实施例中机器学习断裂识别结果沿中寒武系底界切片平面图。

图3a为实施例中断裂和振幅曲率对孔洞型储层识别效果剖面的叠合图。

图3b为实施例中断裂和振幅曲率对孔洞型储层识别效果平面的叠合图。

图4a为实施例中线性断裂+裂缝+单个洞穴的地震模型。

图4b为实施例中线性断裂+裂缝+单个洞穴的地震剖面图。

图4c为实施例中线性断裂+裂缝+单个洞穴的波阻抗反演剖面图。

图4d为实施例中线性断裂+裂缝+单个洞穴的压缩感知波阻抗反演剖面图。

图4e为实施例中线性断裂+裂缝+双洞穴的地震模型。

图4f为实施例中线性断裂+裂缝+双洞穴的地震剖面图。

图4g为实施例中线性断裂+裂缝+双洞穴的波阻抗反演剖面图。

图4h为实施例中线性断裂+裂缝+双洞穴的压缩感知波阻抗反演剖面图。

图4i为实施例中压缩感知反演剩余阻抗剖面。

图5a为实施例中断溶体属性融合效果图。

图5b为实施例中断溶体内部裂缝型储层容积雕刻图。

图5c为实施例中断溶体内部孔洞型储层容积雕刻图。

图5d为实施例中洞穴型储层反演波阻抗和测井孔隙度交汇统计图。

图5e1为实施例中洞穴型储层地震剖面。

图5e2为实施例中洞穴型储层波阻抗反演剖面。

图5e3为实施例中洞穴型储层孔隙度剖面。

图5f为实施例中断溶体内部洞穴型储层容积雕刻图。

图5g为实施例中断裂带规模断溶体有效容积估算图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

本发明实施例在此采用一优选方案对某一目标区域进行多层系储集体立体刻画与油气空间分布及定容，包括以下步骤：

S100、获取目标区域的三维地震振幅数据体和钻测井数据。

在实施本发明的分段识别与评价方法时，需要首先获取目标区域三维地震振幅数据体，并且沿走滑断裂带，不少于3-5口井具有声波、密度测井曲线，作为压缩感知反演的输入。

S200、对三维地震振幅数据体进行构造导向滤波处理。

地震处理后的纯波叠加资料或偏移资料往往存在着背景噪声，对断层、裂缝识别形成干扰，因此需要进行针对性的滤波以改善地震资料的信噪比，增强断层和裂缝的清晰度。构造导向滤波处理的主要思路是沿着地震振幅数据获取的构造方向进行滤波，有效提高地震资料信噪比，并在相干体等不连续性检测结果约束的基础上达到对断层和裂缝的高清晰成像。该技术包括三个主要步骤：

S201、通过地震倾角和方位角确定反射同相轴的方位；

S202、计算相干体，确定主要断层和裂缝的位置；

S203、在倾角、方位角和相干体的约束下展开滤波，完成构造导向滤波处理。

操作流程图如图1a所示，对地震资料进行倾角和方位角计算，并计算相干体进行不连续性检测，根据相干体计算结果，分析时窗内是否具有很强的不连续性，如果不连续性很强，认为是断裂发育位置，不对地震数据进行平滑，否则沿着构造进行平滑，计算过程中调整横向道数和纵向时窗，以获得理想的结果。这个过程可以重复迭代，直到获取最佳结果。

如图1b和图1c所示，从地震资料断层加强效果对比来看，经过处理后的地震剖面，信噪比得到明显改善，断层纵向连续性明显加强，断层解释多解性明显降低，为走滑断层识别提供了优质地震资料。

S300、在三维地震振幅数据体的基础上，通过卷积神经网络机器学习技术识别断裂和裂缝。

随着机器学习技术的快速发展，卷积神经网络(CNN)技术在地震储层预测中得到了广泛应用。从理论上讲，该技术非常适合断裂和裂缝自动追踪。基于CNN图像分割的断裂检测算法将从图像分类问题转换为图像分割问题，用基于Unet的CNN网络来实现断裂的高精度识别，其主要特点和优势如下：

①训练数据可以在三维空间里交互拾取，也可以通过随机模型产生能够模拟断裂发育的各种可能情况，做到了基于大数据的完全自动的有监督神经网络学习；

②使用最先进的Unet CNN网络来解决图像分割问题；

③使用GPU解决了大量运算问题。

图2a为基于Unet的CNN网络结构断裂识别示意图，该算法对基础培训数据的要求高，需要高精度地拾取种子线或者是前期建立的大数据断裂模型作为支撑。计算过程主要包括以下两步：①在三维空间里交互拾取种子线的断裂发育情况，②通过随机模型产生能够模拟断裂发育的各种可能情况，做到了基于大数据的完全自动的有监督神经网络学习。

采用该机器学习技术对塔里木盆地走滑断裂、裂缝进行识别应用，图2b为机器学习断裂识别结果剖面，图2c为机器学习断裂识别结果沿奥陶系一间房组顶界切片平面图，图2d为机器学习断裂识别结果沿中寒武系底界切片平面图。如图2b-图2d所示，机器学习技术在塔里木盆地走滑断裂、裂缝识别应用中，具有很好的效果，断裂和裂缝检测结果在剖面上和平面上的细节丰富，对断裂带的刻画和裂缝储层的预测精度大大改善。

S400、对三维地震振幅数据体求取振幅曲率属性，以预测孔洞型储层。

碳酸盐岩缝洞系统的有利储层整体上分为三种类型：裂缝型储层、孔洞型储层、洞穴型储层。在断裂带包络面内，裂缝发育和断层及孔洞发育密切相关，一般断裂和孔洞较为发育的区域，往往伴生较为密集的裂缝，因此裂缝型储层在地震上一般表现为杂乱反射，在地震属性上往往表现为和断裂、孔洞相关的属性异常。通过正演属性模拟得知，振幅曲率对孔洞型储层具有较好的识别效果，通过振幅曲率属性，可以有效识别孔洞型储层。

振幅曲率是由地震数据振幅进行横向二阶求导得到的。首先利用地震振幅或者能量计算出主测线方向和联络测线方向的一阶导数，得到的能量梯度属性本身就能反映异常地质体，一般称为振幅能量梯度。然后再对其进行二阶求导得到振幅曲面，最后根据该曲面拟合计算出各振幅曲率属性。从原理上看，振幅能量梯度是地质体边缘的体现，因此无法通过门槛值获得地质体的空间分布。而振幅曲率则将振幅能量梯度转换为一个反映地质体包络的属性，可以通过门槛值获得地质体空间分布。

图3a为S300断裂和振幅曲率对孔洞型储层识别效果剖面的叠合图，图3b为S300断裂和振幅曲率对孔洞型储层识别效果平面的叠合图。从识别效果上看振幅曲率对于串珠强反射非常敏感，能够很好的识别孔洞及其周边的裂缝发育带，振幅曲率和断裂识别结果叠合显示表明，孔洞及裂缝和断裂发育关系密切，有利储层一般都发育在断裂带范围内，振幅曲率识别结果显示断控储集体纵向发育差异较大，储层主要发育在浅层，深层储层发育逐渐变差。

S500、对三维地震振幅数据体做井震标定，提取子波并求取波阻抗数据体，进一步计算剩余波阻抗，利用剩余波阻抗数据体来识别洞穴型储层。

洞穴型储层识别是碳酸盐岩缝洞系统储层识别的一个难点，由于地震分辨率的限制，常规地震属性研究难以精确定位洞穴型储层位置和大小，因此需要采用高分辨率反演手段进行洞穴型储层的识别。岩石物理研究结果表明，阻抗差异仍然是碳酸盐岩储层和非储层的有效区分参数，阻抗越低一般表示储层物性越好。洞穴型储层内部充填泥质和流体，具有明显的低阻抗特征，因此采用反演方法能够对其进行识别。

根据本发明的多层系储集体立体刻画与油气空间分布及定容方法，优选地，S500中通过压缩感知反演得到所述波阻抗数据体。

本发明采用压缩感知高分辨率反演方法进行洞穴型储层识别，压缩感知算法通过L1范数(常规反演使用L2范数)来解决稀疏反演问题，并假设地层反射系数可通过奇偶极子分解来表征。其算法实现通过将子波矩阵引入楔形字典反褶积从而提高了反演结果的精度和分辨率。反演的目标函数为:

Min[||s-Wr||

其中s为地震数据，W为子波，r为反射系数，λ为规则化系数，p为范数。在压缩感知反演中p＝1。

压缩感知反演在算法实现过程中使用了压缩感知理论，得到的波阻抗比传统商业软件确定性反演分辨率高；同时其抗噪性和稳定性更好，反演得到的弹性参数更为精确。

设计单个洞穴和纵向分布的两个相邻洞穴的正演模型，并进行反演测试；其中图4a为线性断裂+裂缝+单个洞穴的地震模型，图4b为线性断裂+裂缝+单个洞穴的地震剖面图，图4c为线性断裂+裂缝+单个洞穴的波阻抗反演剖面图，图4d为线性断裂+裂缝+单个洞穴的压缩感知波阻抗反演剖面图，图4e为线性断裂+裂缝+双洞穴的地震模型，图4f为线性断裂+裂缝+双洞穴的地震剖面图，图4g为线性断裂+裂缝+双洞穴的波阻抗反演剖面图，图4h为线性断裂+裂缝+双洞穴的压缩感知波阻抗反演剖面图。

对比图4a-图4d、图4e-图4h可知，波阻抗反演对洞穴型储层具有较好的识别度，而压缩感知反演结果信噪比更高、分辨率提升明显，洞穴位置更加聚焦，可以比较精确的识别洞穴位置。

断溶体储层横向非均质性非常强，而得到的波阻抗反演剖面在横向上具有一定连续性，非均质性特征不够明显，这也是地震资料的特点所决定的。为了突出断溶体储层的非均质性，消除横向连续地震反射的影响，本发明对波阻抗反演结果进行剩余波阻抗处理，处理方法就是对波阻抗反演结果进行中值滤波，得到一个相对平滑的波阻抗数据体，然后和原有的波阻抗数据体相减，即可得到剩余波阻抗。

图4i为压缩感知反演剩余阻抗剖面。从图4i可知，通过压缩感知高分辨反演处理，分辨率明显提高，常规属性难以识别的洞穴型储层在反演剖面上清晰可见，和放空漏失吻合度高。

S600、结合所得到的断裂裂缝、孔洞型储层和洞穴型储层的识别预测结果，在钻测井数据的质控和约束下，设定机器学习断裂和裂缝属性、振幅曲率属性、反演剩余波阻抗属性的预测门槛值，实现多层系储集体立体刻画与油气空间分布及定容计算。

缝洞型碳酸盐岩集体内部结构复杂，非均质性强，裂缝、孔洞、洞穴均有发育，通过多属性融合识别，可以识别出缝洞发育带、洞穴边界。在属性融合过程中，首先对不同属性进行门槛值确定，主要参考钻时曲线、放空漏失点等资料。统计结果表明，钻时曲线对断溶体边界比较敏感，当钻入断溶体时钻时变快，因此可用利用钻时曲线来确定属性的门槛值。而钻遇断裂、孔洞、洞穴或者裂缝密集带时，一般会发生漏失、放空等，因此可以利用这些信息来确定不同属性的门槛值。

图5a为断溶体属性融合效果图，实际标定结果表明，预测结果和钻井标定结果具有较高的相关性，吻合率超过80％，说明预测结果比较可靠。

由于不同类型的储层孔隙度具有较大差异，需要对不同类型的储层的孔隙度进行分类评价，获得不同类型储层的有效体积，进而估算出圈闭资源量。

缝洞型碳酸盐岩储集体有效容量计算分为裂缝、孔洞、洞穴三种类型，不同类型储层物性差异较大，需要采用不同方法进行容积估算。

所述定容计算包括：

1)裂缝型储层：

裂缝型储层发育范围较广，在洞穴型储层、孔洞型储层周缘都有发育，并且和断层发育关系比较密切，从地震属性上只能够大致预测裂缝发育的密集区范围，通过机器学习预测裂缝发育区。裂缝型储层孔隙度一般较小，测井解释统计结果显示裂缝型储层的孔隙度一般在0.2-2％之间，取平均值1.1％作为裂缝型储层孔隙度，结合机器学习裂缝预测属性即可计算裂缝型储层的有效容积，本实施例中某个断溶体内部裂缝型储层空间分布特征如图5b所示，预测有效体积为0.61×10

2)孔洞型储层：

孔洞型储层一般伴生于洞穴型储层附近，相对与洞穴型储层，属于规模较小的溶洞和溶孔，一般为泥质填充或半泥质填充，钻井一般为少量放空和漏失。由于地震分辨率限制，无法从地震反演精确识别这些小规模孔洞，因此通过振幅曲率来识别这类储层的包络面，确定储层的空间总体积；根据测井资料统计，这类储层孔隙度分布范围较小，一般在2-5％之间，在储量计算中，用平均值3.5％来确定这类储层的孔隙度，进而得到孔洞储层的有效容积，本实施例中某个断溶体内部孔洞型储层空间分布特征如图5c所示，预测有效体积为20.54×10

3)洞穴型储层：

洞穴型储层物性最好，但填充物复杂，内部孔隙变化较大，数值变化范围可达5-100％，钻井一般为放空。本发明以压缩感知高分辨率反演结果作为洞穴型储层的识别参数，可以获得很好的洞穴边界识别效果。而通过测井的统计表明，孔隙度和波阻抗具有良好的相关性(图5d)，因此反演波阻抗可以用来很好的估算洞穴型储层的孔隙度，通过孔隙度可获得洞穴型储层的有效容积。

图5e1-图5e3为洞穴型储层反演波阻抗和估算孔隙度剖面图，其中图5e1为地震剖面，图5e2为洞穴型储层反演波阻抗剖面，图5e3为洞穴型储层孔隙度剖面，由图5e1-图5e3可知通过压缩感知反演波阻抗，可以较为准确的估算洞穴型储层孔隙度。

本实施例中某个断溶体内部孔洞型储层空间分布特征如图5f所示，预测有效体积为0.87×10

4)在以上分类计算有效容积的基础上，将三种类型的储层有效容积进行相加，即可获得实际的储集体有效容积，本实施例中某个断溶体内部总的有效体积为22.02×10

本发明的多层系储集体立体刻画与油气空间分布及定容方法将多种地震属性结合起来，并在井控约束下，实现了碳酸盐岩缝洞系统的精确综合刻画与定容计算，且实际项目研究验证了本发明方法的可靠性，本发明方法可有效识别碳酸盐岩缝洞系统的三维空间展布与定量评价，具有广泛的推广价值。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。