碳酸盐岩断裂分类分级预测：以塔里木盆地塔河油田为例

Fracture Classification-Grading Prediction Technology and Application in Carbonate Reservoir Rocks: A Case Study from Tahe Oilfield, Tarim Basin

摘要

碳酸盐岩储层作为全球油气资源的重要载体，其内部溶洞和断裂系统的发育特征直接影响油气的储集与运移能力.针对深层-超深层碳酸盐岩储层中多尺度断裂预测的难题，研究以塔里木盆地塔河油田奥陶系碳酸盐岩为例，提出了一种基于地震波场特征分析的分类分级断裂预测技术.通过三维正演模拟揭示了规模缝洞体对常规断裂预测属性（如相干、最大似然）的干扰机制，发现缝洞体边界的“串珠状”反射异常会导致断裂假连通和归位偏差.基于断裂的尺度与溶蚀特征差异，将研究区断裂系统划分为大尺度破碎-溶蚀断裂（>20 m）、中尺度弱-未溶蚀断裂（10~20 m）和小尺度裂缝（<10 m），并分别开发了针对性的预测方法：针对大尺度断裂，提出基于梯度结构张量薄化的断裂归位技术，有效克服溶洞异常边界的干扰；针对中尺度断裂，结合AFE相干加强属性与U⁃Net深度学习算法，显著提升了断裂纵向连续性；针对小尺度裂缝，利用Likelihood属性与构造导向滤波实现弱反射信号的精准提取.进一步通过深度前馈神经网络（deep feedforward neural network，DFNN）融合多尺度断裂属性及钻井漏失数据，构建了井控多属性融合模型.应用结果表明，该技术体系在塔河油田复杂缝洞区实现了断裂系统的全尺度刻画，大尺度走滑断裂呈NNE⁃NNW向共轭分布，中尺度断裂形成花状构造，小尺度裂缝密集发育于断裂东侧主动盘.本研究为深层碳酸盐岩储层断裂预测提供了新的技术思路，对同类油气藏的勘探开发具有重要参考价值.

Abstract

Carbonate reservoirs are important carriers of global oil and gas resources. The development characteristics of their internal karst caves and fault systems directly affect the storage and migration capacity of oil and gas. In order to solve the problem of multi-scale fault prediction in deep and ultra-deep carbonate reservoirs, this study takes the Ordovician carbonate rocks in the Tahe oilfield in the Tarim basin as an example and proposes a classification and grading fault prediction technology based on seismic wave field characteristic analysis. The interference mechanism of large-scale fracture-cavity bodies on conventional fault prediction attributes (such as coherence and maximum likelihood) is revealed through three-dimensional forward simulation, and it is found that the “beaded” reflection anomaly at the boundary of the fracture-cavity body will lead to false connectivity of faults and relocation deviation. Based on the differences in the scale and dissolution characteristics of the faults, the fault system in the study area is divided into large-scale broken-dissolution faults (>20 m), medium-scale weak-undissolved faults (10-20 m) and small-scale fractures (<10 m), and targeted prediction methods are developed for each of them: for large-scale faults, a fracture retrieval technology based on gradient structural tensor thinning is proposed to effectively overcome the interference of abnormal boundaries of karst caves; for medium-scale faults, the longitudinal continuity of the faults is significantly improved by combining AFE coherent enhancement attributes with U-Net deep learning algorithm; for small-scale fractures, the Likelihood attribute and structural guidance filtering are used to accurately extract weak reflection signals. Further, a well control multi-attribute fusion model is constructed by fusing multi-scale fault attributes and drilling loss data through deep feed forward neural network (DFNN). The application results show that this technology system has achieved full-scale characterization of the fault system in the complex fracture-cave area of​ Tahe oilfield. Large-scale strike-slip faults are distributed in a conjugate NNE-NNW direction, medium-scale faults form flower-like structures, and small-scale fractures are densely developed on the active disk (east side) of the fault. This study provides a new technical approach for the prediction of deep carbonate reservoir faults and has important reference value for the exploration and development of similar oil and gas reservoirs.

Graphical abstract

关键词

碳酸盐岩 / 断裂分类 / 结构张量 / 地震正演 / 塔河油田 / 石油地质.

Key words

carbonate rock / fracture classification / structural tensor / seismic forward modeling / Tahe oilfield / petroleum geology

0 引言

碳酸盐岩储层作为全球油气资源的重要载体，其内部溶洞和断裂系统的发育特征直接影响着油气的储集与运输能力（Lucia，2007）.近年来，随着深层-超深层油气勘探的持续推进，针对溶洞断裂系统的定量表征与分级研究已成为碳酸盐岩储层地质学的研究热点（Zeng et al.，2021）.早期研究主要基于露头观测和岩心分析建立溶洞断裂的定性分类标准，将碳酸盐岩储层划分为粒间孔主导型、溶洞主导型和裂缝主导型，为后续定量研究奠定了基础.随着三维地震技术的进步，利用更高分辨率的三维地震数据识别地下溶洞和断裂的空间展布规律是精细描述碳酸油藏断裂的核心技术.目前常用的碳酸盐岩断裂预测技术有相干、蚂蚁体、方差及曲率，取得了较好的应用效果（Zhang et al.，2021； Xie et al.，2022）.然而，这些断裂预测技术也存在以下弊端.例如，受到规模缝洞体的“串珠”状反射异常干扰，预测断裂的位置和数量存在较多误差；受地震资料同相轴影响，预测的断裂在纵向上连续性较差（Zeng et al.，2021）.

塔河工区位于塔里木盆地阿克库勒凸起西北翼斜坡区（图1），受多期构造运动（加里东期、海西期、印支-燕山期）叠加影响，形成了近东西向褶皱和NEE向走滑断裂系统（何治亮等，2010；李鹏飞等，2017；刘军等，2017；王震等，2019）.大尺度断裂主要发育于奥陶系碳酸盐岩中，与古岩溶作用耦合形成缝洞体储集体，控制着油气富集.研究表明，加里东期多期次构造活动形成多个不整合面，而印支期NE⁃SW向挤压应力进一步塑造了断裂走向（韩鹏远等，2024；张长建等，2024）.塔河油田奥陶系发育不同级次走滑断裂，同时由北往南溶蚀程度相差较大，这对断裂预测造成了极大的困难.目前塔河碳酸盐岩断裂预测技术方法主要有本征值相干、曲率、AFE（amplitude⁃fidelity⁃enhanced）、最大似然、蚂蚁体与结构张量等方法（李鹏飞等2017；王震等，2019）.近年来以卷积神经网络为代表的深度学习技术的普及应用，它在断层精确检测方面相较于传统的相干、曲率或边缘增强属性，尤其是对断层预测的纵向连续性方面，具有明显优势（陈俊安等，2022；Wei et al.，2022）.

塔河油田当前不同尺度断裂识别存在诸多不足.针对小尺度断裂（<10 m）的检测精度不足，常规地震资料受限于分辨率（主频30~40 Hz），难以有效识别未溶蚀微裂缝及闭合缝.多尺度断裂分级体系与产能的定量关联尚未建立，现有分类标准（如大/中/小断裂）缺乏明确的渗流能力标定，影响开发方案优化.此外受奥陶系顶面强反射屏蔽效应影响，深层断裂检测成功率不足60%.塔河油田地区的断层相关的地震波场复杂多样，其地震波场的传播特性、断层的分布与类型对预测断裂空间展布具有重要意义.通过综合地震波场特征、构造分析和波阻抗反演技术，可以更准确地识别和解释塔河油田的断裂特征.本文基于断裂的波场特征分析，结合塔河油田的开发资料，首先探讨基于正演模拟的断裂检测技术在碳酸盐岩缝洞体应用的局限性，然后针对不同尺度断裂，建立碳酸盐岩断裂分类分级预测技术并验证其适用性，最后分析在塔河工区识别的多尺度断裂分布特征.

1 复杂缝洞区断裂预测正演模拟

1.1　规模缝洞体对断裂预测的干扰

为了研究常规断裂属性受到规模缝洞体的干扰，本研究设计了三维数值模型，进行模拟采集及深度偏移处理，最后提取最大似然属性及精细相干属性.利用塔河油田野外采集观测系统和采集参数进行波动方程正演模拟，具体为道间距20 m，炮间距160 m，最小偏移距0 m，最大偏移距2 540 m，接收道数为128.模型包含不同尺度不同深度的正方体溶洞，每组缝洞体的长宽高相等，模型中从右到左边3列的尺度分别为20 m、40 m与60 m，从上到下3行为距离目的层顶面不同距离，分别为20 m、40 m及60 m （图2a）.模拟的具体参数有上覆地层速度4 800 m/s，目的层基岩速度6 000 m/s、密度2 760 kg/m³，溶洞充填速度4 000 m/s、密度2 760 kg/m³，目的层设置埋深4 000 m，雷克子波主频30 Hz.

正演模型显示规模缝洞体对于断裂预测的影响主要为：规模缝洞体会在断裂外围形成假边界.利用精细相干算法相似的边缘检测属性，其异常位于成像后的缝洞能量异常边缘，由于地震异常的放大效应，因此其预测的边界基本无地质意义.在深度偏移成像后的能量体切片与模型叠合图中，可以明显看出能量异常显著大于缝洞模型（图2b）.正演模型表明，当缝洞模型的宽度小于80 m时，地震宽度异常远大于地质异常；当模型宽度大于80 m后，地震异常与地质异常基本相当，但仍有一定程度的放大效应，至少放大了20 m.正演地震数据计算的精细相干属性切片显示，相干的弱异常基本围绕强能量分布（图2c）.规模缝洞体会在显示中表现断裂假连通.在缝洞体集中发育区，由于缝洞异常的放大效应，属性异常相互关联.例如，以最大似然及蚂蚁体等属性为代表的二次属性计算，容易造成假连通.最大似然属性显示预测的断裂可以看到具有假连通的异常（图2d）.

规模缝洞体影响下预测的断裂通常不符合断裂溶蚀地质模式.断裂溶蚀模式为断裂规模扩大的过程，其核心断面一般位于断裂破碎带和溶蚀缝洞体叠加的中心位置，沿着断裂走向的为单轨而非双轨.因此，在规模缝洞体发育区，常规断裂预测属性主要反映为缝洞体的边界异常假象，即使是实际的断裂边界也会因放大效应归位不准.

1.2　碳酸盐岩不同尺度断裂的波场特征

塔河碳酸盐岩断裂具有多种反射特征，根据断裂的类型、尺度大致可以分为3类（表1）.通过建立不同类型的缝洞型储层地震地质模型，利用非均匀介质波动方程模拟大尺度破碎-溶蚀断裂，结果显示尺度大于20 m断裂，且具有一定宽度的破碎带或溶蚀孔洞发育，具有强串珠杂乱反射特征.因此，大尺度破碎-溶蚀断裂反射异常会造成断裂预测的假象.中尺度弱-未溶蚀断裂的宽度或断距小于20 m，且孔隙度小于5%，反射特征以同相轴错断或扰动为主（张银涛等，2025）.这类断裂在地震剖面上表现为弱反射或弱振幅特征，地震同相轴的明显褶曲，这种褶曲特征可以作为识别断裂的重要依据.此外，地震波场中还可能表现出弱振幅反射特征，这与断裂带的弱反射特性一致（李海英等，2020；王志伟等，2023）.小尺度弱-未溶蚀断裂/裂缝一般断裂尺度小于10 m，地震偏移叠加剖面上同相轴未有典型的错断特征，道集特征具有各向速度或者能量异性特征（薛姣，2022）.

2 碳酸盐岩断裂分类分级预测技术

针对塔河碳酸盐岩不同尺度断裂的地震信号特征差异大，预测精度存在的偏差问题，本文提出了一种分类分级预测方法.对大尺度破碎-溶蚀断裂，开发了张量薄化属性，区别于常规不连续检测技术，其能将检测的断裂面归位到强反射异常的中间位置；对中尺度弱-未溶蚀断裂，主要利用AFE属性与机器学习技术，既保留了断裂属性信息，又消除了内部地层地震信号多次波干扰造成断裂纵向不连续的影响.对小尺度弱-未溶蚀断裂/裂缝，采用Likelihood属性结合地震数据的构造导向滤波开展地震预测.在大尺度、中、小尺度的断裂预测基础上最后进行空间融合，提高断裂预测的准确性.

2.1　大尺度破碎-溶蚀断裂

基于倾角约束的张量薄化方法预测断裂，是根据断裂先断后溶的地质认识，针对地震“串珠”异常大于溶洞地质异常的物探特征，利用张量属性表征断裂异常空间，然后进行薄化处理，确定空间上最强部分线性轨迹.基于倾角约束的张量薄化断裂检测技术的具体过程为：

计算地震能量的梯度结构张量.梯度结构张量可以在不同的尺度上计算地震数据梯度变化，从而识别出不同尺度的缝洞结构.首先提取地震波场和地震能量三维数据体 I （x，y，z），然后搭建梯度向量，刻画数据体在各个方向的变化率，公式为：

∇I=\left(\frac{\partial I}{\partial x},\frac{\partial I}{\partial y},\frac{\partial I}{\partial z}\right),（1）

计算数据体在x、y、z方向上的偏导数.最后计算梯度结构张量，由梯度向量的外积构成.J=∇I⋅(∇I) ^T 为了增强局部结构的稳定性，本研究对梯度结构张量进行平滑处理.平滑过程通过高斯滤波实现如下：

J_smoothed=G_σ×J，（2）

公式（2）中，G_σ是高斯核，σ是平滑尺度参数.然后对平滑后的梯度结构张量J_smoothed进行特征值分解，得到特征值λ₁、 λ₂、 λ₃以及对应的特征向量v₁、v₂、v₃；这里的特征值λ₁主要反映层状反射特征，λ₂和λ₃主要反映缝洞体反射异常区域（张晟等，2022）.

在构建梯度结构张量基础上，开展张量第二特征值的薄化处理.在构造倾角、方位角的约束下进行薄化计算，对所有采样点进行扫描，对于每一个采样点x，计算所有沿着某一倾角、方位角构成的切面，计算所有结构梯度张量值的积分值c（x）：

c(x)={\sum }_{{\varphi }_{k\in }{\varphi }_s}{\sum }_{{\theta }_{k\in }{\theta }_s}〈G(x)〉{}_{{\varphi }_k}{}_{,{\theta }_k}.（3）

这里采样点走向ϕ_s =｛0°，d_ϕ，2d_ϕ，…，360°｝，倾角θ_s =｛θ_min，θ_min+d_θ，θ_min+2d_θ，…，θ°｝.

同样计算每个采样点沿着构造层的走向和倾角，在一定的步长范围内统计所有的张量属性值，对每一个采样点只保留最大的张量属性值m（x）.

m(x)=max\left({〈G(x)〉}_{{\varphi }_{k,}{\theta }_k}\right) .（4）

则最终的张量h（x）薄化公式为：

h(x)=\frac{m(x)-\overline{C(X)}}{m(x)},（5）

公式（5）中，\overline{c(x)}=\frac{c(x)}{N}，N代表了所有的倾角、方位角组合的总数.这些参数相当于记录了断裂最可能发育的位置及这个位置处的张量值，这个新的数据体就是张量薄化属性体，表征断裂发育位置.本研究将张量特征值最强部分的线性记录下来，从而实现具有较多强反射异常资料的碳酸盐岩断裂预测（图3）.

2.2　中尺度弱-未溶蚀断裂

AFE相干加强属性是在精细相干属性的基础上，通过线性滤波去除数据中的非构造异常，同时保留由构造活动引起的属性异常，从而显著增强断层特征（邹雅铭等，2023）.AFE相干加强可以较好地表征中尺度断裂造成的同相轴扰动异常，具有横向表征精度高.

然而，AFE相干加强受到同相轴的影响，纵向延续性差.本研究应用机器学习的方法完善纵向信号信息.近年来，机器学习断裂检测技术已逐步实现规模化应用.目前，主流的深度学习断裂检测方法主要采用基于U⁃Net架构的卷积神经网络（CNN）算法.该算法通过对图像特征数据或模型进行深度学习迭代训练，生成稳定且可靠的训练模型，最终输出可直接用于地质解释的成果数据体（Ronneberger et al.，2015； Wu et al.，2019；陈俊安等，2022）.主要步骤包括样本准备，训练，数据验证等步骤，使用Dice+BCE联合损失函数和Adam优化器进行参数优化，并实施数据增强和早停机制防止过拟合.

本研究将三维地震数据视为图像分割问题，通过U⁃Net架构实现端到端的断层特征提取与分类.U⁃Net由编码器（下采样）、解码器（上采样）和分类器组成（图4）：编码器通过多层卷积公式：

Conv（x）=σ（W×x+b），MaxPool（x）=max{}_{i,j\in R}（x{}_{i,j}）.（6）

进行多尺度特征提取，解码器利用转置卷积公式：

TransposedConv(x)=W^T ×x+b.（7）

从而实现空间分辨率恢复，最终由Softmax分类器输出断层概率图（吴正阳等，2018；杨晶等，2022）.训练数据采用人工合成与真实数据结合的方式，通过正演模拟生成包含断层的合成地震数据，并引入随机噪声（如高斯噪声）和数据增广（旋转、翻转）以增强模型泛化能力.编码器利用连续的3×3的卷积核层，使用ReLU进行非线性激活，利用最大池化方法进行下采样，其将图像尺寸缩小两倍，图像通道数增加2倍.样本选取256×256×256的地震数据以及一个相同维度的断层标签数据体，使用80%的数据进行训练，20%的数据进行验证，利用Adam算法优化，迭代100次.训练后将预测结果与原始断层标签对比，验证模型.实验表明，该模型在SEAM标准数据集上取得了98.7%的像素准确率和92.3%的断层召回率，对小尺度断层（>λ/15）具有优异的识别能力，单平方公里数据推理时间仅需10 s.基于U⁃Net的方法在断层连续性和抗噪性上显著优于传统相干体技术，计算效率显著提升（图5）.

2.3　小尺度弱-未溶蚀断裂/裂缝

本研究基于Likelihood属性实现小尺度弱-未溶蚀断裂-裂缝的定量预测，为碳酸盐岩储层评价提供了关键依据.Likelihood属性方法是建立在最大似然原理基础上的统计方法，也是概率论在地震统计学中的应用，其原理是将原始地震数据沿着每一组走向和倾角，计算各点最低的相似度及同相轴连续性.

基于Likelihood属性的地震预测过程包括地震数据的构造导向滤波、属性计算与多尺度分析等.首先对三维地震数据体进行构造导向滤波分析，以增强断裂-裂缝的连续性特征.滤波操作过程沿断裂倾向和走向进行，消除随机噪声干扰，凸显小尺度裂缝的弱反射信号（马德波等，2018；梁志强，2019）.

Likelihood属性分析主要公式为：

L=1-S_em⁸ ,（8）

式（8）中，S_em代表地震同相轴相似性属性.当地层连续性好时，S_em值较高，Likelihood值降低，指示断裂发育可能性小；当裂缝或断裂带内地震波场不连续，Sem​降低，Likelihood值显著增大（杨德彬等，2024；刘冰雷等，2025）.本研究通过扫描数据体，计算不同倾角与走向下的Likelihood属性，保留概率最高的断裂位置，形成细化断层概率体（thinned fault Likelihood，TFL）.然后将预测结果与钻、测井数据标定，优选出TFL属性阈值参数范围0.10~0.28.Likelihood属性与AFE属性叠加使用，不仅可以刻画裂缝边界，同时可以反映裂缝内部流体活动特征.图6a为小尺度裂缝预测的Likelihood属性沿层切片，图中蓝色线条为构造解释的断层多边形结果.图6b测井曲线的高值区域反映了其储层段的裂缝非常发育.地震剖面显示串珠溶洞边缘及附近发育小裂缝，这与地质认识大体一致，说明小尺度裂缝的预测结果准确可靠.Likelihood属性沿层切片显示，小尺度裂缝主要沿主干断裂带呈簇状分布，次级断裂交汇处及构造隆起部位裂缝密度最高（图6c）.

3 测井约束下的不同类别断裂空间融合

利用上述分类分级断裂预测方法，对不同级别断裂的空间位置、规模、发育类型等特征进行了定量化表征.利用多类地震属性进行属性融合能够反映不同尺度的断裂信息、实现更加综合且精确的预测结果（李占东等，2017；薄昕等，2022；陈国飞等，2023；谢鹏飞等，2023）.然而，上述断裂预测过程中忽视了钻井信息，容易造成井震数据吻合性差、断裂预测效果不全面、不精确.在碳酸盐岩缝洞型储层的钻井作业中，钻井液放空漏失现象是常见的地质响应特征.这种现象通常指示钻遇了洞穴储集体或裂缝系统，直观反映了地下真实的地质构造特征.从地质意义来看，钻井液漏失现象往往与孔缝或裂缝型储层的发育程度密切相关，其漏失量的大小可在一定程度上作为评估裂缝规模的重要参考指标.

针对这一问题，本文引入深度前馈神经网络算法（deep feedforward neural net⁃work，DFNN），融合多种断裂识别属性，同时结合井上放空漏失等钻井信息，使用了一种井控的多属性融合的断裂识别方法.深度前馈神经网络擅于模拟复杂非线性关系，是一种较为典型的神经网络模型，其核心结构由输入层、多个隐藏层和输出层组成.数据从输入层单向传递，经过隐藏层的非线性激活函数（如ReLU、Sigmoid等）逐层变换特征，最终在输出层生成预测结果.训练过程依赖反向传播算法和梯度下降优化，通过最小化损失函数（如交叉熵）调整网络参数，实现从输入到输出的映射学习（Benardos and Vosniakos，2007；姚辉等，2024；赵军等，2024）.

首先根据地震属性数据和钻井信息构建样本库.钻井信息主要包括井液漏失量、成像测井等数据，这些数据与方差属性、AFE相干加强属性、张量属性、机器迁移属性融合，构建样本库（图7a~7d）.数据钻井液漏失量可指示裂缝规模，钻井液漏失量（如漏失速度、漏失量）与裂缝宽度、渗透率直接相关，可作为裂缝规模的量化指标（王健等，2023），而成像测井数据（如FMI、EMI）可识别断裂类型（如张性断裂、剪切断裂），统计裂缝密度，这些信息为模型提供了物理约束（袁峰等，2021；赵军等，2024）.训练过程中，测井数据作为监督信息，通过反向传播修正权重，最终使模型学习到属性与断裂特征间的复杂关联（Chen et al.，2023）.本研究在输入层添加地震属性值，在输出层形成对应断裂类型或发育强度的回归结果，然后反复调试隐藏层数量和节点数，选择最优模型.图7a~7d通过单属性和多属性融合剖面比较可以看出，深度前馈神经网络融合了方差属性、AFE相干加强属性、张量属性、机器迁移属性和15口井的漏失数据，将漏失数据（包括漏失层位、漏失量、漏失压力等）量化为标准化特征向量，依据井轨迹空间位置建立地震属性与漏失数据的映射关系，将漏失特征与方差、AFE相干等地震属性共同构成输入特征矩阵，训练出3层隐含层的网络模型，成功融合识别不同级别的断裂（图7e）.在精度控制方面，通过井震标定，利用15口关键井的成像测井资料约束地震属性门槛值，确保大尺度断裂平面定位误差小于30 m.在训练过程中引入注意力机制，对井漏失数据所在区域赋予更高权重，使中小断裂识别准确率提升25%.通过深度神经网络的交叉验证，将多解性降低30%.

4 分类分级预测技术在塔河地区应用

4.1　地震特征与识别效果

研究区位于塔里木盆地中部的塔河油田，区域内中、下奥陶统致密碳酸盐岩储层受走滑断裂带挤压、拉张等多期构造破裂运动，形成了不同尺度、不同性质的断裂，形成埋藏深度大、地质构造复杂的断裂-裂缝-溶洞型储层.

已有研究证实走滑断裂在加里东中期初具形态，于海西期显著活动，并于燕山至喜马拉雅期逐步定型（何治亮等，2010）.走滑断裂及微小断裂、裂缝发育，断裂性质及平面组合关系复杂.断裂对油藏的控制作用明显，研究断裂发育特征及平面组合对解剖油藏成因具有重要意义（Li et al.，2019）.

工区地震时间剖面呈现明显的分层性，对应奥陶系一间房组、鹰山组碳酸盐岩，志留系碎屑岩以及石炭系砂岩等多套地层.经过合成记录标定，T₇⁴为一组常表现为强振幅、连续反射，定义为奥陶系一间房组顶界.T₇⁶为一组较连续反射波，该组波标定为奥陶系鹰山组顶界的反射波.T₇⁸为一组连续性好，能量较强的发射波，该波组标定为奥陶系蓬莱坝组.T₈⁰反射能量减弱，连续性变差，表示震旦系底界（Zhang et al.，2016）.在地震剖面上常见呈垂向排列的短强“串珠状”反射，代表优质溶洞储层.不同级别断裂的反射特征，破碎带内波组动力学性质发生变化，表现为波组错段、波形凌乱.局部地区同相轴消失并伴有绕射波和各种散射.断裂带内地层中发育的不同大小的裂隙使地层连续性和地震反射波能量均受到影响，发射波频率降低.研究区断裂在性质、级次、构造样式以及平面组合等方面均存在差异性，区内钻井钻遇较大规模裂缝时候会出现放空、漏失现象，钻遇小裂缝时也出现小幅度的漏失.

本文在上述分级分类预测技术的基础上，结合区域地质研究结果，对工区横向、纵向地震剖面进行了精细的地震预测.图8a是塔河油田碳酸盐岩油藏典型剖面，断裂反射特征差异较大，有典型的规模溶蚀溶洞形成的串珠状反射，同时主干断裂的同相轴破碎、错断清晰，次级断裂在目的层（T₇⁴）的同相轴扰动明显.从分类分级断裂预测效果图8b与AFE属性精细相干（图8c）对比，其在串珠异常中心位置（图8中a1、a2部位），AFE属性多为两边；分类分级断裂的纵向延续性更强，受到同相轴的影响小（b1、b2位置）；同时也保留了AFE属性对于次级断裂引起的细小同相轴扰动（c部位）.

图9展示一个典型工区的对比分析.该工区位于断裂与风化壳岩溶缝洞混合发育区，井控程度较高，井间具有普遍的动态连通性，蓝色表示具有注水连通性，黄色标志着具有注气连通性.分类分级技术在B4⁃B5及B6⁃B7井组连通性预测中更吻合生产连通特征.当增加注水量后，经过分类分级技术识别的强连通井组3个月内含水率显著上升.同时在m1、m2及m3井区，断裂的多解性降低，为后期的连通路径分析、储量动用和驱替提供了更好的资料基础.

4.2　不同级别断裂和裂隙特征

通过分级分类开展地震多属性识别与融合，清晰地揭示出了塔河地区深层碳酸盐岩地层内发育大量的走滑断裂，表现为多组NNE走向和NNW走向的近直立状的主干走滑断裂，以及部分与主干断裂以多组角度相交的次级走滑断裂.这些断裂贯穿T₅⁶⁃T₈⁰的断层共13条，平均延伸距离大于3 km.分布在T₇⁶⁃T₈⁰、T₇⁸⁃T₈⁰、T₅⁶⁃T₇⁶、T₇⁴⁃T₇⁶的断层分别为7条、16条、5条、8条，平均延伸距离分别为1.1 km、0.9 km、1.4 km和0.5 km.大尺度断裂规模大，延伸距离较长，断裂陡直，直插寒武系，切割部分震旦系，全部寒武系和奥陶系地层（图10a~10d）.中尺度断裂规模小而数量多，延伸距离短，多数为层间断裂以及从属花状构造发育的局部断裂，多在海西早期形成，剖面上断穿层位少，集中在一间房组和鹰山组地层，呈NE向、NNE向、NW向、NNW向以及EW向.平面上识别出的中尺度断裂与主干走滑断裂呈X状共轭分布，在T₇⁴⁃T₇⁸主要表现为由主干和次级断裂组成的花状构造（图11）.T₅⁶⁃T₇⁴主要表现为NE、NNW 向的高角度正断层，平面上呈雁列式分布，且部分成对发育（图10a，10e）.T₇⁴界面由于处于构造高部位，且后期遭受较强的岩溶作用破坏及改造，在工区走滑断裂带的控制下，小型断裂和裂隙较为发育，这些断裂方向性较差，数量多.断层的规模有所减小，仅发育一些延伸距离短的次级断裂，主要为NNW向.在T₇⁴界面断距较小，断距在25~28 m.T₇⁶界面岩溶破坏作用相对较少，主要以主干走滑断裂带控制下形成的断裂为主.主干走滑断裂多为左行左阶，局部少量左行右阶.在T₇⁶界面张扭段与压扭段的规模增大，张扭段与压扭段断距普遍大于25 m.T₈⁰⁃T₇⁸界面主要为北北西向和北北东向2组不同走向的走滑断裂相交，相交角度在30°~40°，表明与S⁃N方向的应力有关（图10d，10e）.T₇⁸界面走滑断层的平移活动为主，张扭段与压扭段仅在局部区域发育.压扭段断距在7~40 m，张扭段断距在12~38 m范围内.

根据走滑断裂剖面特征，可以分为正花状、负花状和直立3种构造样式（图11）.花状构造主要集中分布在奥陶系一间房组和鹰山组地层之中.直立状构造样式的规模比花状构造样式小，多分布于次级断裂或花状构造样式边缘.

走滑断裂带内部裂缝密集发育，断裂附近裂缝的分布具有明显的规律性.构造不同部位裂缝的数量呈现明显的差异，裂缝整体上随远离断裂的距离增加而变化，在超过一定范围后裂缝数量出现波动减少趋势.裂缝走向以NE⁃SW、NW⁃SE和NNE⁃SSW向为主，倾向为NNW、NE和SEE，倾角多为大于70°.近NNE向断裂附近的裂缝数量明显高于近NNW向断裂的裂缝数量（图12）.

塔河地区不同尺度断裂与裂缝的识别结果呈现出显著的区带性分布特征：大、中尺度断裂主要集中分布于工区南部，与加里东期北倾逆冲断裂带的构造背景密切相关；而中小尺度裂缝及缝洞体则在全区普遍发育，但受岩溶古地貌控制呈现"北密南疏"的分布格局（图13a）.通常情况断裂两侧两盘活动性存在差异，将活动性强的一侧称为主动盘，相对静止的一侧称为被动盘.与被动盘相比，主动盘往往岩石破裂更彻底，具有更高的裂缝密度，且油气充注更丰富（黄诚等，2022；张子隆等，2023）.根据本工区走滑断裂的主、被动盘和裂缝发育的差异性可知，裂缝主要分布在东侧盘（图13b~13d），暗示断裂东侧盘活动性强于西侧盘，是活动的主动盘.在主干走滑断裂带外围发育高角度裂隙，主要沿平行断面的方向发育.裂缝带在断裂上部闭合较好，断裂下部及边缘裂缝闭合较差.

塔河油田奥陶系碳酸盐岩储层天然裂缝可分为构造裂缝、表生裂缝、成岩裂缝和复合成因裂缝（Yang et al.，2024a）.本研究发现构造裂缝在工区占据主导地位，其中以剪切裂缝占比最高，垂直缝和高角度缝居多，缝宽较小.构造裂缝对油气富集的作用显著，主要扮演着重要储集空间和主要渗流通道的角色（赫俊民等，2019；韩鹏远等，2024）.在T₇⁴界面局部剥蚀区多发育复合成因裂缝，这些裂缝是先期成岩、表生作用下形成的裂缝，并在后期构造应力作用下沿先期已形成的应力薄弱面优先破裂，进一步扩展.

5 讨论

5.1　分级分类地震识别技术评价

分级分类断裂识别与预测根据断裂大、中、小尺度延伸规模采用针对性的技术，充分利用相应敏感地震属性（相干、曲率、结构张量等）进行断裂识别（崔立杰等，2012；梁志强等，2019；唐世伟等，2020）.一般大尺度断裂采用第3代相干技术、构造导向滤波等，结合三维地震剖面清晰刻画主干断裂的几何形态（李飞跃等，2023）；中尺度断裂一般采用曲率属性和蚂蚁体追踪技术，识别地层弯曲特征及次级断裂网格（刘群等，2013；魏天罡等，2024）；小尺度裂缝通常采用最大似然属性（Likelihood）、叠后分频聚焦技术和纹理分析（Li et al.，2024）.

本研究利用断面增强、多尺度相干、地震能量的结构张量等多种属性方法可实现大尺度断裂－裂缝的边界刻画和内幕识别.地震能量的梯度结构张量通过特征值分解量化断裂的梯度能量分布，其第二特征值（λ₂）及组合属性对断裂轮廓的敏感度极高.在塔河油田奥陶系碳酸盐岩区，GST第二特征值的高值区与“串珠状+杂乱”强反射异常区高度吻合，能有效圈定断裂溶蚀边界（图9；张晟等，2022；Lü et al.，2024）.通过张量薄化对梯度向量场进行平滑处理，结构张量能够有效压制噪声并保留重要的地质信息（崔正伟等，2021）.本研究中地震能量的梯度结构张量薄化技术与AFE相干属性、Likelihood属性融合，形成“外轮廓+内模”多尺度断裂裂缝刻画技术，实现不同尺度断裂裂缝的三维立体雕刻，适用于塔河地区深层复杂地质构造的环境开展缝洞体表征.

利用AFE相干加强属性和深度学习技术获得不同级别的中尺度裂缝发育体的预测结果.其中基于U⁃Net的CNN网络通过合成地震模型训练，通过训练好的模型，能够自动识别和追踪断层在不同层面的延伸，从而确保断层预测的纵向连续性，以减少人工操作的需求（卢志强等，2018）.利用叠后Likelihood属性可预测小尺度裂缝空间展布.最终借助深度前馈神经网络进行多属性体融合，形成了一套针对不同级别裂缝的叠后地震预测技术.从工区T⁷₄⁃T⁸₀界面大尺度断裂的形态比较清晰，平面展布特征符合区域基本构造规律.中小尺度断裂比较清楚，微小断裂及裂缝沿着大尺度断裂带发育，与实际钻井结果比较一致，中小尺度断裂识别准确度提高15%以上.

多种地震属性的融合在断裂识别中已有广泛应用.例如RGB分频混色技术可以直观展示多属性信息，增强地质特征的可视化效果，在塔河油田奥陶系碳酸盐岩缝洞型储层取得较好成效（杨玉杰等，2013）.然而，多数地震属性融合技术具有明显的局限性和多解性，例如，RGB融合只能处理3种或4种属性，无法处理高维数据，通常RGB技术需要依赖主成分分析（PCA）降维，对融合前属性需要进行优选（李婷婷等，2015；Yang et al.，2024b）.已有的多属性融合技术多数基于统计特征，开展无监督机器学习，虽然能全面挖掘地震信息，但缺乏井控数据约束时，结果多解性强.

深度前馈神经网络通过端到端的学习机制，突破了传统线性融合的局限，在地质条件复杂、数据多源异构的条件下有效提高断裂预测精度（Ronneberger et al.，2015；Wu et al.，2019；丰超等，2023）.例如，准噶尔盆地页岩油断层密度预测中，三层DFNN以5种地震属性为输入，断层密度预测误差控制在8%以内（Wu et al.，2019）.在煤矿导水裂隙带发育特征及其演化规律研究中，以漏失量为监督数据采用深度前馈神经网络方法融合多种地震属性，确定出采动覆岩结构破坏和导水裂隙带的三维空间范围、形态特征、垂向岩石破坏程度及导水裂隙带发育规律（袁峰等，2021）.本研究中融合了大尺度张量薄化属性、中尺度AFE相干加强属性，小尺度Likelihood属性，实现了断裂系统的全尺度刻画.利用深度前馈神经网络可以融入先验信息的优势，将测井“硬”数据作为地震数据解释的约束，预测结果与地下真实情况更吻合.塔河油田研究案例显示预测结果与测井解释吻合率提高20%以上.

5.2　塔河地区多尺度断裂的地质意义

本研究通过分级分类的地震多属性融合技术，系统识别了不同尺度的断裂系统.研究区断裂系统可划分为大、中、小3个尺度.大尺度断裂延伸距离长（>3 km），陡直切割寒武系-奥陶系地层，构成油气垂向运移的优势通道，并控制深层溶洞储层的发育（如“串珠状”反射）.中尺度断裂呈共轭X型或雁列式分布，形成花状构造，增强了储层的非均质性，并促进裂缝-溶洞系统的沟通.小尺度裂缝密集分布于断裂主动盘（东侧），可能是油气高效渗流的关键路径（Zeng et al.，2021）.相较于前人研究，本工作首次将大、中、小尺度断裂进行分级融合，明确了不同尺度断裂的空间配置关系，详细刻画了主干走滑断裂与次级裂缝的共轭分布.同时利用多地震属性融合显著提高了中小尺度断裂的识别精度，井间检验连通性分析吻合率达85%，减少了多解性.证实主动盘（东侧）裂缝更发育，且与注水/注气动态响应高度相关，为剩余油挖潜和开发方案优化提供了直接依据（Malozyomov et al.，2023）.针对大尺度断裂，预测结果与实际钻井揭露的断裂位置吻合，基于此优化部署的7口开发井初期平均单井日产油达58吨，较之前未应用分类分级预测技术的井组增产16%.根据中尺度断裂预测结果，调整注采井网使水驱控制程度由62%提升至78%.利用小尺度裂缝识别成果融合深度学习与动态生产资料，指导完成的水平井钻遇有效裂缝段长度平均增加2.3倍，充分证明了其在复杂碳酸盐岩油藏高效开发中的技术先进性.

6 结论

本研究针对塔河油田奥陶系碳酸盐岩储层多尺度断裂预测的难题，通过正演模拟、属性优化与机器学习融合，建立了分类分级的断裂预测技术体系.正演模拟表明，缝洞体地震反射异常宽度普遍大于实际地质体（放大效应达20~80 m），导致常规相干、蚂蚁体等属性在溶洞边界形成假断裂信号，且断裂连通性被高估.大尺度破碎-溶蚀断裂（>20 m）的“串珠状”强反射与中、小尺度断裂的弱反射特征差异显著，需采用差异化预测策略.大尺度断裂预测中，基于梯度结构张量薄化的方法通过特征值分解与倾角约束，将断裂面归位至溶洞异常中心，解决了传统属性“双轨”假象问题.中尺度断裂通过AFE相干属性与U⁃Net深度学习的结合，纵向连续性提升40%以上，有效识别了同相轴错断与扰动.小尺度裂缝利用Likelihood属性量化地震不连续性，结合构造导向滤波，预测结果与成像测井裂缝密度吻合度显著提升.

深度前馈神经网络（DFNN）以钻井漏失量、成像测井数据为约束，融合张量薄化、AFE、Likelihood等多属性，显著降低了断裂预测的多解性.融合模型在塔河工区的应用显示，断裂主动盘（东侧）裂缝密度较被动盘高，表明东盘活动性强.研究区发育NNE⁃NNW向共轭走滑断裂系统，大尺度断裂延伸超3 km，切穿了寒武系-奥陶系地层.中尺度断裂形成花状构造，控制局部缝洞单元分隔.小尺度裂缝沿主干断裂呈簇状分布，可以作为油气高效渗流的关键通道.研究建立的“多尺度断裂分级预测方法”可推广至类似复杂断控型油气藏，为断裂带油气富集规律研究、水平井轨迹设计和压裂改造策略制定提供理论支撑.

参考文献

[1] Benardos,P.G.,Vosniakos,G.C.,2007.Optimizing Feedforward Artificial Neural Network Architecture.Engineering Applications of Artificial Intelligence,20(3):365-382.https://doi.org/10.1016/j.engappai.2006.06.005

[2] Bo,X.,Xu,W.L.,Chen,X.H.,et al.,2022.LP⁃PCNN Multi⁃Attribute Fusion Fracture Prediction Method Based on Local Entropy.Geophysical Prospecting for Petroleum,61(5):821-829 (in Chinese with English abstract).

[3] Chen,G.,Qi,H.Y.,Yu,J.L.,et al.,2023.Application of a Multi⁃Layer Feedforward Neural Network to Predict Fracture Density in Shale Oil,Junggar Basin,China.Frontiers in Earth Science,11:1114389.https://doi.org/10.3389/feart.2023.1114389

[4] Chen,G.F.,Shi,Y.,Yang,H.D.,et al.,2023.Fault Identification Method of Attribute Fusion Based on Seismic Optimized Frequency of Seismic Data.Chinese Journal of Geophysics,66(3):1232-1243 (in Chinese with English abstract).

[5] Chen,J.A.,Chen,H.D.,Gong,W.,et al.,2022.Application of Comprehensive Fault Detection Technology Combining Deep Learning with Edge Enhancement in Detecting Ultra⁃Deep Strike⁃Slip Faults in Shunbei Block.Oil Geophysical Prospecting,57(6):1304-1316,1256(in Chinese with English abstract).

[6] Cui,L.J.,He,Y.B.,Wang,J.X.,et al.,2012.Application of Seismic Curvature Based on Horizon to Carbonate Fault Prediction:an Example of an Area in Tabei,Tarim Basin.Lithologic Reservoirs,24(1):92-96 (in Chinese with English abstract).

[7] Cui,Z.W.,Cheng,B.J.,Xu,T.J.,et al.,2021.Reservoir Fracture Prediction Method and Application Based on Structure⁃Oriented Filtering and Coherent Attributes of Gradient Structure Tensor.Oil Geophysical Prospecting,56(3):555-563,413-414 in Chinese with English abstract.

[8] Feng,C.,Pan,J.G.,Li,C.,et al.,2023.Fault High⁃Resolution Recognition Method Based on Deep Neural Network.Earth Science,48(8):3044-3052 (in Chinese with English abstract).

[9] Han,P.Y.,Ding,W.L.,Yang,D.B.,et al.,2024.Characteristics of the S80 Strike⁃Slip Fault Zone and Its Controlling Effects on the Ordovician Reservoirs in the Tahe Oilfield,Tarim Basin.Oil & Gas Geology,45(3):770-786 (in Chinese with English abstract).

[10] Hao.J.M.,Wang,X.Y.,Sun,J.F.,et al.,2019.Characteristics and Main Controlling Factors of Natural Fractures in the Lower⁃to⁃Middle Ordovician Carbonate Reservoirs in Tahe Area,Northern Tarim Basin.Oil & Gas Geology,40(5):1022-1030 (in Chinese with English abstract).

[11] He,Z.L.,Peng,S.T.,Zhang,T.,2010.Controlling Factors and Genetic Pattern of the Ordovician Reservoirs in the Tahe Area,Tarim Basin.Oil & Gas Geology,31(6):743-752 (in Chinese with English abstract).

[12] Huang,C.,Yun,L.,Cao,Z.C.,et al.,2022.Division and Formation Mechanism of Fault⁃Controlled Fracture⁃Vug System of the Middle⁃to⁃Lower Ordovician,Shunbei Area,Tarim Basin.Oil & Gas Geology,43(1):54-68 (in Chinese with English abstract).

[13] Lucia,F. J.,2007.Carbonate Reservoir Characterization: An Integrated Approach. Springer-Verlag Berlin Heidelberg Press, Berlin,342.

[14] Li,F.Y.,Wang,T.,Zeng,Q.B.,et al.,2023.Application of High⁃Definition Likelihood Attributes Based on Structure Orientation in the Prediction of Deep Faults in Baiyun Sag.Geophysical Prospecting for Petroleum,62(1):163-172 (in Chinese with English abstract).

[15] Li,H.L.,Pan,H.,Gao,J.H.,et al.,2024.Post⁃Stack Fracture Prediction Technique Based on Improved Phase Decomposition.Journal of Geophysics and Engineering,21(5):1499-1510.https://doi.org/10.1093/jge/gxae088

[16] Li,H.Y.,Liu,J.,Gong,W.,et al.,2020.Identification and Characterization of Strike⁃Slip Faults and Traps of Fault⁃Karst Reservoir in Shunbei Area.China Petroleum Exploration,25(3):107-120 (in Chinese with English abstract).

[17] Li,P.F.,Cui,D.Y.,Tian,H.N.,2017.Fault⁃Karst Carbonate Reservoir Description with GeoEast Interpretation Sub⁃System in the Tabei Area,Tarim Basin.Oil Geophysical Prospecting,52(S1):189-194,13(in Chinese with English abstract).

[18] Li,T.T.,Wang,Z.,Ma,S.Z.,et al.,2015.Summary of Seismic Attributes Fusion Method.Progress in Geophysics,30(1):378-385 (in Chinese with English abstract).

[19] Li,Y.Q.,Sun,Wei,H.H.,Song,S.H.,2019.Architectural Features of Fault⁃Controlled Karst Reservoirs in the Tahe Oilfield.Journal of Petroleum Science and Engineering,181:106208.

[20] Li,Z.D.,Zhang,L.S.,Li,Y.,et al.,2017.Channel Sand Characterization Based on the Fusion of Multiple Iterative Attributes—A Case Study of Z Area of Fuyu Oil Layer in Daqing Oil Field.Progress in Geophysics,32(3):1161-1168 (in Chinese with English abstract).

[21] Liang,Z.Q.,2019.Poststack Seismic Prediction Techniques for Fractures of Different Scales.Geophysical Prospecting for Petroleum,58(5):766-772 (in Chinese with English abstract).

[22] Liu,B.L.,Zhao,Y.G.,Zhang,Y.T.,et al.,2025.The Deformation Characteristics of the Main Strike⁃Slip Faults and the Development of Fault⁃Karst Reservoirs in the Eastern Part of the Aman Transition Zone,Tarim Basin.Chinese Journal of Geology,60(2):360-377 (in Chinese with English abstract).

[23] Liu,J.,Ren,L.D.,Li,Z.J.,et al.,2017.Seismic Identification and Evaluation of Deep Carbonate Faults and Fractures in Shunnan Area,Tarim Basin.Oil & Gas Geology,38(4):703-710 (in Chinese with English abstract).

[24] Liu,Q.,Li,H.Y.,Deng,G.X.,2013.Application of Seismic Fault Detection to Carbonate Reservoir Prediction in Southern Tahe Oilfield.Oil & Gas Geology,34(2):202-206 (in Chinese with English abstract).

[25] Lu,Z.Q.,Wang,L.,Yang,R.Z.,et al.,2018.Coherence⁃Based Fine Characterization Technology for Fractures and Its Application to Shunbei Area.Natural Gas Exploration and Development,41(3):20-25 (in Chinese with English abstract).

[26] Lü,B.N.,Chen, X.H.,Qie, C.C.,et al.,2024.Integrated Characterization of Deep Karsted Carbonates in the Tahe Oilfield,Tarim Basin.Journal of Geophysics and Engineering,21:668⁃684.

[27] Ma,D.B.,Zhao,Y.M.,Zhang,Y.T.,et al.,2018.Application of Maximum Likelihood Attribute to Fault Identification:A Case Study of Rewapu Block in Halahatang Area,Tarim Basin,NW China.Natural Gas Geoscience,29(6):817-825 (in Chinese with English abstract).

[28] Malozyomov,B.V.,Martyushev,N.V.,Kukartsev,V.V.,et al.,2023.Overview of Methods for Enhanced Oil Recovery from Conventional and Unconventional Reservoirs.Energies,16(13):4907.https://doi.org/10.3390/en16134907

[29] Ronneberger,O.,Fischer,P.,Brox,T.,2015.U⁃Net:Convolutional Networks for Biomedical Image Segmentation.Medical Image Computing and Computer⁃Assisted Intervention:MICCAI 2015.Springer, Berlin Heidelberg,234-241

[30] Wang,J.,Xu,J.F.,Zhao,M.F.,et al.,2023.Prediction of Crack Width of Drilling Fluid Leakage Based on Neural Network.Coal Geology & Exploration,51(9):81-88 (in Chinese with English abstract).

[31] Wang,Z.,Wen,H.,Deng,G.X.,et al.,2019.Fault⁃Karst Characterization Technology in the Tahe Oilfield,China.Geophysical Prospecting for Petroleum,58(1):149-154 (in Chinese with English abstract).

[32] Wang,Z.W.,Fu,L.Y.,Liu,J.,et al.,2023.Multiscale Characterization and Connectivity Analysis of 3D Seismic Attributes of Ultra⁃Deep Carbonate Conduction System in Shunbei,Tarim Basin.Chinese Journal of Geophysics,66(1):83-94 (in Chinese with English abstract).

[33] Wei,T.G.,Zhang,H.,Li,F.Q.,et al.,2024.Application of Multi⁃Scale Curvature in Fault Interpretation of K Oilfield in Bohai Sea.Computerized Tomography Theory and Applications,33(6):773-780 (in Chinese with English abstract).

[34] Wei,X.L.,Zhang,C.X.,Kim,S.W.,et al.,2022.Seismic Fault Detection Using Convolutional Neural Networks with Focal Loss.Computers & Geosciences,158:104968.https://doi.org/10.1016/j.cageo.2021.104968

[35] Wu,X.M.,Liang,L.M.,Shi,Y.Z.,et al.,2019.FaultSeg3D:Using Synthetic Data Sets to Train an End⁃to⁃End Convolutional Neural Network for 3D Seismic Fault Segmentation.Geophysics,84(3):IM35-IM45.https://doi.org/10.1190/geo2018⁃0646.1.

[36] Wu,Z.Y.,Mo,X.W.,Liu,J.H.,et al.,2018.Convolutional Neural Network Algorithm for Classification Evaluation of Fractured Reservoirs.Geophysical Prospecting for Petroleum,57(4):618-626 (in Chinese with English abstract).

[37] Xie,P.F.,Hou,J.G.,Wang,Y.,et al.,2023.Application of Multi⁃Information Fusion Modeling of Fracture⁃Vuggy Reservoir in Ordovician Reservoir of 12th Block in Tahe Oilfield.Journal of China University of Petroleum (Edition of Natural Science),47(3):1-14 (in Chinese with English abstract).

[38] Xie,Q.H.,Zhao,C.D.,Rui,Z.F.,et al.,2022.An Improved Ant⁃Tracking Workflow Based on Divided⁃Frequency Data for Fracture Detection.Journal of Geophysics and Engineering,19(5):1149-1162.https://doi.org/10.1093/jge/gxac075

[39] Xue,J.,Cai,C.G.,2022.Theory and Method of Pre⁃Stack Earthquake Prediction for Fractured Reservoirs.China University of Geosciences Press,Wuhan(in Chinese).

[40] Yang,D.B.,He,X.M.,Zhang,H.,et al.,2024.Intelligent Identification of Ordovician Epikarst Zones and Development Laws of Fractures and Vugs in the Main Area of Tahe Oilfield.Acta Petrolei Sinica,45(2):374-389,411(in Chinese with English abstract).

[41] Yang,D.B.,Ma,H.L.,Ren,W.B.,et al.,2024a.Fracture Identification and Characterization of Ordovician Carbonate Rock Reservoir in Block B of the Tahe Oilfield.Carbonates and Evaporites,39(2):40.https://doi.org/10.1007/s13146⁃024⁃00957⁃2

[42] Yang,J.,Lu,R.Q.,Tao,W.,et al.,2024b.MultiURNet for 3D Seismic Fault Attributes Fusion Detection Combined with PCA.Journal of Applied Geophysics,221:105296.https://doi.org/10.1016/j.jappgeo.2024.105296

[43] Yang,J.,Ding,R.W.,Lin,N.T.,et al.,2022.Research Progress of Intelligent Identification of Seismic Faults Based on Deep Learning.Progress in Geophysics,37(1):298-311 (in Chinese with English abstract).

[44] Yang,Y.J.,Wang,X.P.,Yang,C.Q.,2013.Application of RGB Frequency Division and Color Mixing Technology in Tahe Oilfield.Xinjiang Geology,31(Suppl.1):79-81(in Chinese with English abstract).

[45] Yao,H.,Yin,H.C.,Yin,S.X.,et al.,2024.Research Progress on Risk Assessment of Floor Water Inrush.Coal Science and Technology,52(Suppl.1):183-191(in Chinese with English abstract).

[46] Yuan,F.,Shen,T.,Xie,X.S.,et al.,2021.Application of Deep Learning⁃Based Seismic Multi⁃Attribute Fusion Technology in the Detection of Water Conducting Fissure Zone.Journal of China Coal Society,46(10):3234-3244 (in Chinese with English abstract).

[47] Zeng,L.B.,Lyu,W.Y.,Zhang,Y.Z.,et al.,2021.The Effect of Multi⁃Scale Faults and Fractures on Oil Enrichment and Production in Tight Sandstone Reservoirs:A Case Study in the Southwestern Ordos Basin,China.Frontiers in Earth Science,9:664629.https://doi.org/10.3389/feart.2021.664629

[48] Zhang,C.J.,Jiang,L.,Wang,Y.,et al.,2024.Characteristics of Maze Karst Cave System in Lianglitage Formation of Tahe Oilfield,Tarim Basin.Xinjiang Petroleum Geology,45(5):522-532 (in Chinese with English abstract).

[49] Zhang,S.,Li,Y.L.,Xiao,Y.J.,et al.,2022.Research and Application of Carbonate Fracture⁃Cavity Boundary Characterization Method Based on Gradient Structure⁃Tensor.Oil Geophysical Prospecting,57(4):907-915,742(in Chinese with English abstract).

[50] Zhang,X.X.,Yu,J.J.,Li,N.Y.,et al.,2021.Multi⁃Scale Fracture Prediction and Characterization Method of a Fractured Carbonate Reservoir.Journal of Petroleum Exploration and Production,11(1):191-202.https://doi.org/10.1007/s13202⁃020⁃01033⁃w

[51] Zhang,Y.D.,Munnecke,A.,2016.Ordovician Stable Carbon Isotope Stratigraphy in the Tarim Basin,NW China.Palaeogeography,Palaeoclimatology,Palaeoecology,458:154-175.https://doi.org/10.1016/j.palaeo.2015.09.001

[52] Zhang,Y.T.,Chang,S.Y.,Xie,Z.,et al.,2025.Concept,Geological Model and Seismic Characterization Technique of Ultra⁃Deep “Fault Shoal Body”:A Case Study of Tarim Oilfield.Fault⁃Block Oil & Gas Field,32(1):108-117 (in Chinese with English abstract).

[53] Zhang,Z.L.,Yang,W.,Wang,Q.J.,et al.,2023.Hydrocarbon Transport and Migration Characteristics of Different Structural Units of Strike⁃Slip Fault System and Their Differential Control on Hydrocarbon Accumulation Patterns:A Case Study of Bituminous Vein Area in Wuerhe,Junggar Basin.Fault⁃Block Oil & Gas Field,30(3):424-433 (in Chinese with English abstract).

[54] Zhao,J.,Ran,Q.,Zhu,B.H.,et al.,2024.A Method for Identifying Faults Based on Well⁃Controlled Multi⁃Attribute Fusion Using a Feedforward Neural Network.Geophysical and Geochemical Exploration,48(4):1045-1053 (in Chinese with English abstract).

[55] Zou,Y.M.,Liu,D.L.,Huang,Y.,et al.,2023.Application of Post⁃Stack Multi⁃Attributes in the Description of Submerged Mountain Fault and Fracture Development.Petroleum Science Bulletin,8(6):725-737 (in Chinese with English abstract).

基金资助

国家自然科学基金面上项目(42172182)