稀疏井网地震分辨率以下复合砂体构型地震检测方法及应用

张栋，黄旭日*,2，范廷恩，尹成，丁峰

1 西南石油大学地球科学与技术学院，成都 610500 2 油气藏地质及开发工程国家重点实验室，西南石油大学，成都 610500 3 中海油研究总院有限责任公司，北京 100028

0 引言

地震沉积学是地震地层学和层序地层学在小尺度研究中的延续，自Zeng等（1998a,b）首次提出地震沉积学的概念后便得到学术界和工业界的高度关注.地震地层学和层序地层学认为海平面升降变化是形成沉积层序的根本原因，同时认为地震反射产生于岩石中的物性界面，因此地震反射同相轴大体反映地质等时界面（Khazaradze et al.,2002）.地震沉积学则认为地震反射同相轴不是严格等时的，其地质意义与地震资料的频率有关，当岩性界面与等时沉积界面相交时会发生地震反射同相轴穿时的现象（林承焰等，2007）.当地层厚度小于一个同相轴厚度时，传统地震相分析方法不再适用于沉积学研究（曾洪流，2011）.地震沉积学利用90°相位转换技术可将地震数据转换为地层岩性数据体，继而利用地层切片和分频段解释技术可将物理意义的地震属性参数转换为沉积相平面图（曾洪流等，2012）.主要的关键技术包括三维地震数据90°相位化、地层切片技术、分频解释技术、层面属性优选和RGB融合等（朱筱敏等，2020；娄敏等，2021）.

地震沉积学应用于油藏开发地质研究则还在不断地探索中.以往的研究主要是根据地层切片识别某些特征独特的沉积储层构型单元，如曲流河点坝、分流河道砂坝、河口坝等，在应用上仍受到地震垂向分辨率的限制（朱筱敏等，2020）.而面向开发尺度的储层内部结构，识别地震资料分辨率之下的沉积单元和沉积界面是地震解释的难点（张涛等，2012；杨宏伟等，2020；刘传奇等，2022）.近些年，在相对稀疏井网条件下，利用地震信息的横向分辨率优势能有效的预测和表征薄层砂体.一方面，通过分频融合地震属性来高精度刻画储层分布，结合岩心、测井综合解释分析，已经可以识别数米厚度范围内的沉积构型单元（Zeng，2017；Yue et al.,2019）.另一方面，通过人工智能机器学习方法将测井解释与地震属性联系起来，定量预测砂体厚度和沉积相（Li et al.,2019）.

20世纪90年代初，“Reservoir architecture”的概念引入国内，译为“储层建筑结构”或“储层构型”，是指不同级次储集单元与隔夹层的形态、规模、方向及其空间叠置关系（吴胜和等，2008）.储层构型研究与传统沉积相研究存在较大区别，沉积相研究注重沉积环境及其产物的“面貌”特征，且不同级次的面貌特征之间往往没有物理界面，而储层构型研究的构型单元之间由不同级次的物理界面所限定（吴胜和等，2013）.储层构型在传统沉积学研究的基础上，进一步揭示了小尺度下的构型差异分布和沉积演化规律，对指导复杂地质条件下的油气精细勘探与开发具有重要的理论和实际意义（吴胜和等，2021）.

前人以野外露头及陆上密井网油田资料为基础，对河流储层研究的精细程度达到了单一点坝级次（何文祥等，2005；岳大力等，2007，2008；吴胜和等，2013；束青林等，2014）.然而，在稀疏井网条件下，井距往往大于构型规模.如海上油田，即使在开发中后期的密井网条件下，井距一般也为350～400 m（刘超等，2014；陈飞等，2015）.这个井网井距尺度相对于以“内幕结构复杂、相变快”为特征的河流相储层规模而言，无法满足储层内部构型的精细解剖要求，井间预测存在不确定性.对于相对稀疏井网条件下，充分发挥地震资料的横向分辨率优势可以降低井间预测的不确定性.然而，当储层构型厚度小于地震资料的调谐厚度，如渤海河流相单期沉积的砂体厚度约4～5 m，泥岩隔夹层仅1～2 m（胡光义等，2014；陈飞等，2015），即使海上高品质地震资料的主频约为50 Hz，当波速为2350 m·s-1时，理论可分辨的地层厚度（λ/4）仅为11.75 m.地震资料垂向分辨率以下沉积单元的地震可识别构型及识别方法是储层构型研究的重点.

面向开发小尺度的地震沉积学解释不仅需要对沉积构型单元（沉积相）进行刻画，同样重要的是识别次一级构型单元的边界，对井间砂体接触关系进行预测.以往基于地震资料道间波形相似性提出了一系列横向不连续性检测方法，如相干体、局部结构熵、曲率体等（Bahorich and Farmer,1995;Marfurt et al.,1998;Gersztenkorn and Marfurt,1999;Cohen and Coifman,2002;Marfurt,2006;Gao,2013;Mandal and Srivastava,2018），因相干加强和道间均衡仅能预测大尺度断层等不连续性，难以解决薄层不连续性预测.因此，本文利用地震沉积学在薄层解释的优势，对地震垂向分辨率以下的次级沉积构型单元边界进行预测，结合人工智能神经网络方法对沉积构型单元的预测，用地质规律、模式来约束地震属性分析，降低井间预测多解性，实现次级单元内部结构的刻画.

1 复合砂体构型及地震可识别尺度

1.1 构型级次及内部构型

在河流与三角洲等的沉积演化中，由于沉积基准面、地形坡度、水动力条件等控制因素的不断变化，导致成因相联系、不同期次的单砂体在空间中频繁迁移摆动，相互侵蚀叠置形成复合砂体.其中，成因相联系的单砂体是指同一沉积微相内具有单一期次的、岩性及物性具有相似或渐变特征的单期沉积砂体.复合砂体构型针对储层厚度小于地震资料调谐厚度的现实情况，通过强调同一等时地层内单砂体之间的复合关系，来解释单期成因小层（或储量单元）内的注采渗流差异等层内非均质性（范廷恩等，2018）.前人根据以渤海为代表的海上油田开发经验，在Miall河流相储层构型研究的基础上，通过引入“复合点坝、复合河道带”级次，丰富了传统储层构型分级方案，建立了适用于稀疏井网条件的河流相复合砂体构型分级方案，见表1.其中，第7级（复合点坝）指多期河道相互侵蚀叠置形成的复合砂体，其内部的单砂体间结构关系是本文研究的重点.

以渤海明下段某油田的河流相复合砂体为例，按照“垂向分期、侧向划界”的研究思路（吴胜和，2010），利用岩心和测井资料，将复合砂体内部单砂体之间的配置关系在垂向上划分为3类5种单井构型相，分别为：单期型、两期上接触型、两期对称型、两期下接触型、多期型（图1）.通过统计井点处砂体期次并分析砂体厚度规律，认为单期型砂体厚度范围为1.5～8.5 m，平均5.3 m；两期型砂体厚度范围为4.6～13.1 m，平均9.4 m；多期型砂体厚度普遍超过15 m.

表1 河流相复合砂体构型级次（据胡光义等2018，有修改）Table 1 Hierarchies of fluvial reservoir architecture （modified from Hu et al.,2018）

其中，单期型S，表示井点钻遇一期砂体，测井曲线呈钟形特征，垂向呈下粗上细的正韵律.两期型D，表示井点钻遇两期叠置砂体，进一步根据叠置位置和程度细分为上接触型D1、对称型D2和下接触型D3.其中，上接触型D1表示井点钻遇早期砂体的主部与晚期砂体的边部，测井曲线呈下部钟形（或箱形）与上部低幅钟形（或指形）接触的特征；对称型D2表示井点钻遇早期砂体的主部与晚期砂体的主部，测井曲线呈下部钟形与上部钟形接触的特征；下接触型D3表示井点钻遇早期砂体的边部与晚期砂体的边部，测井曲线呈下部低幅钟形（或指形）与上部钟形（或箱形）接触的特征.多期型M，表示井点处钻遇三期或以上的砂体，测井曲线呈齿化箱型的特征.

1.2 地震响应特征与地震可识别构型

以渤海明下段砂岩储层特征为依据，统计模型正演参数（表2），设计砂岩楔形模型（图2a），并分析砂岩楔形模型的地震响应特征随砂体厚度变化规律（图2b、c）.其中，最大振幅值曲线表示楔形模型地震响应波形的振幅最大值的变化，时间分辨率曲线表示楔形模型地震响应波形的波峰到波谷时间差的变化.当正演地震子波主频为50 Hz、砂岩速度为2350 m·s-1时，估算地震资料的调谐厚度λ/4约为11.75 m.

图1 复合砂体内部的单井构型相特征图版（据范廷恩等，2018，有修改）Fig.1 Categories of architectural elements inside composite sand body and their well logs characteristics （modified from Fan et al.,2018）

图2 砂岩楔形模型及其地震响应特征Fig.2 Wedge-shaped sandstone model and its seismic response characteristics

表2 模型地震正演参数Table 2 Seismic parameters of the forward model

当储层厚度大于地震调谐厚度λ/4时，地震响应波形表现为由复合波逐渐分离为两个同相轴.随砂岩厚度增加，最大振幅值曲线逐渐减小并趋于稳定，时间分辨率曲线与砂岩厚度成线性关系.此时，为振幅不可分辨的时间可分辨区.当储层厚度小于地震调谐厚度λ/4时，地震响应波形表现为复合波.随砂岩厚度增小，最大振幅值曲线逐渐减小并与砂岩厚度呈现二次曲线拟合相关关系，时间分辨率曲线为平直曲线，与砂岩厚度为不相关关系.此时，为时间不可分辨的振幅可分辨区.

砂岩楔形模型的地震响应特征表明，在地震分辨率之下剖析复合砂体内部构型应重点关注地震资料的复合波振幅变化及波形结构.为此，根据复合砂体内部的单井构型相特征（图1），建立了6种不同类型的复合砂体内部垂向构型的正演模型并分析地震响应特征，见图3.它们代表了泥岩（砂厚小于1 m）、单期型、两期上接触型、两期对称型、两期下接触型和多期型砂岩.模型所用的地震正演参数同表2，模型厚度参数见表3.

正演模拟结果表明，当砂体累计厚度大于调谐厚度（λ/4）11.75 m时，即多期型表现为波形分离的特点，属于振幅不可分辨的时间可分辨区.当砂体累计厚度小于调谐厚度（λ/4）11.75 m时，波形表现为复合波，属于时间不可分辨的振幅可分辨区.其中，单期型波形的波峰与波谷具有对称性，而两期型波形出现拉伸变形，具体地说，两期上接触型波形向下拉伸，两期对称型波形均匀拉伸，两期下接触型波形向上拉伸.泥岩相对于其他类型，其振幅值明显偏小.

表3 复合砂体内部垂向构型正演模型厚度参数表Table 3 Thickness of the architectures forward model

对复合砂体内部垂向构型正演模型的地震响应提取砂体顶底层间属性并进行敏感性分析，见图4.所提取的12种层位属性主要包括振幅类和波形结构类，具体为：均方根振幅、平均绝对值振幅、最大绝对值振幅、总正振幅、总负振幅、波形总长度、波形总面积、波峰长度、波谷长度、波形偏度、波形变异系数和有效带宽.除有效带宽之外，剩余11种属性均能有效区分砂、泥岩，表现为泥岩明显低值.单期型砂体的敏感属性包括均方根振幅、平均绝对值振幅、波形总长度、波峰长度和波谷长度，表现为明显高值.多期型砂体的敏感属性包括波形偏度、波形变异系数和有效带宽，表现为明显高（或低）值.两期型砂体在多数地震属性中表现出稳定中间值特征，其亚类构型之间表现出相近值特征，难以进一步区分.

图3 复合砂体内部垂向构型的正演模型及地震响应Fig.3 Forward model of architectures inside composite sandstone and its seismic response

图4 复合砂体内部垂向构型的敏感地震属性Fig.4 Sensitive seismic attributes of architectures inside composite sandstone

图5 复合砂体内部构型表征方法流程Fig.5 Workflow to interpret architectures inside composite sand body

2 复合砂体内部构型识别和检测方法

复合砂体内部构型表征的主要内容包括地震构型相预测和构型边界检测两个方面，方法流程如图5所示.在“垂向分期、侧向划界”构型解剖思路的指导下，以敏感地震属性为数据基础，在单井构型相的监督下利用神经网络方法进行模式识别，来预测地震构型相的分布特征；同时，在多地震属性主成分分析的基础上利用边界检测方法，来检测复合砂体内部的构型边界，最终实现多信息的砂体综合表征方法.其中，地震构型相分析的分类结果对典型砂体构型为代表的同类构型的展布范围具有指向性，但是对各典型砂体构型间的过渡渐变存在多解性，相边界为统计意义上的包络线.构型边界预测是对地震属性中存在的突变边界的确切反映，它所代表的是砂体构型间的物理界面.

地震构型相，是指不同构型单元的形态、规模及其叠置关系在地震资料上所反映的主要特征的总和（胡光义等，2017）.采用概率神经网络（Probabilistic Neural Network），将单井构型相模式作为监督条件，由监督井点处的敏感地震属性值构成训练样本用来训练神经网络，再使用训练好的神经网络预测无井控区域的地震构型相模式（罗浩然等，2017；丁峰等，2018）.

概率神经网络的拓扑结构如图6所示，包括输入层、隐含层、求和层和输出层.设有随机均匀挑选的训练井数量为n，单井构型相模式数量为M，单个训练样本的长度由输入的敏感地震属性数量d构成.此时，输入层有d个神经元，隐含层有n个神经元，求和层有M个神经元.

图6 概率神经网络拓扑结构图Fig.6 Topology of probabilistic neural network

概率神经网络训练方法.由输入层第一个训练样本，来初始化与其相连接的隐含层第一个神经元的权系数，即：

w1j=x1j，

（1）

其中，w1j表示隐含层第一个神经元对与其相连接的输入层神经元的权系数；j表示单个训练样本中的属性值序号，j=1,2,…,d.

以此类推，完成所有n个训练样本对与其对应连接的n个隐含层神经元权系数的训练，记作Wi（i=1,2,…,n）.

概率神经网络预测方法.首先，通过已训练的n个隐含层神经元权系数Wi，计算其他无井监督的输入数据向量X的高斯径向基函数Φi，并传递给求和层神经元.即：

（2）

其中，σ表示高斯窗宽度.

其次，求和层神经元对隐含层中同类模式的神经元所传递的数据进行均值计算：

（3）

其中，vm表示第m类单井构型相模式的均值；L表示隐含层第m类神经元的个数.

最后，输出层神经元对求和层中的最大值进行识别，并归类为对应的单井构型相模式，输出预测结果，即：

y（X）=argmax（vm），

（4）

其中，y（X）表示对井间数据的地震构型相模式预测结果.

构型边界，是指各构型单元之间存在的横向不连续性隔层，是引起层内非均质渗流差异的渗流屏障（Zhang et al.,2021）.将多个敏感地震属性作为输入，通过主成分分析提取主要特征并产生融合图像，再以数学形态学梯度算法提取图像边界来预测构型边界.将多属性融合后的地震属性记为f，采用形态学结构算子b对属性f分别进行膨胀和腐蚀运算，公式为：

（5）

（6）

其中，f⊕b表示膨胀运算；fΘb表示腐蚀运算；（x,y）表示地震属性f中的像素点坐标；（s,t）表示结构元素b中的像素点坐标.

利用形态学梯度，即膨胀与腐蚀运算结果的差分，便可得到地震属性中的边界：

E=（f⊕b）-（fΘb），

（7）

其中，E表示对融合地震属性中构型边界的检测结果.

3 模型验证

由复合砂体内部垂向构型的地震响应特征及敏感属性分析可知，地震资料垂向分辨率以下的地震可识别构型为单期型、两期型和多期型砂体构型.因此，设计了如图7的河道砂体正演模型来验证本文方法的有效性.该模型具有“单期型—两期型—多期型砂体”的组合变化特征，其中各个单砂体呈“透镜体”状，宽度为150 m，厚度为5 m，虚拟井A、B、C1、C2、D1、D2分别为泥岩型、单期型、两期型、多期型单井构型相.

图7 河道砂体正演模型Fig.7 Channel sand body forward model

考虑实际资料中存在噪声，在模型正演过程中加入标准差为10%的白噪声后，其地震剖面见图8a，模型地震正演参数见表2.按照图4所示敏感属性，选取井来监督概率神经网络进行地震构型相预测.图8b所示为选择A、B、C2、D2四口训练井的地震构型相预测结果，图8c为选择A、B、C1、C2、D1、D2六口训练井的地震构型相预测结果.其中蓝色表示泥岩型，绿色表示单期型，黄色表示两期型，红色表示多期型.可见，两种地震构型相预测的砂体构型范围与模型的范围基本吻合，差别在于砂体构型边缘处的渐变过渡.训练样本中增加了C1、D1两个样本点，使砂体构型渐变边缘的预测准确度得到提高.但是在这个例子中，两期型—多期型砂体构型的渐变边缘和单期型砂体被识别为同一类构型，受地震可识别构型影响存在多解性.图8d为形态学梯度构型边界检测结果，其中蓝色表示背景，红色表示边界.该构型边界预测结果能准确的识别河道砂体模型中的各个边界，包括单砂体的尖灭边界和搭接边界、单砂体与两期型与多期型砂体的构型边界，且边界位置与模型吻合.模型实验结果可知，井监督的地震构型相预测方法不仅受训练样本容量影响，也受地震可识别构型的影响，其预测结果对典型砂体构型为代表的同类构型的展布范围具有指向性，但是对各典型砂体构型间的过渡渐变存在多解性，且相边界为统计意义上的包络线，不具备物理意义.综合使用地震构型相与构型边界检测方法能够有效识别复合砂体内部构型，并降低解释多解性.

图8 地震正演模拟及其检测结果（a） 正演地震剖面；（b）（c） 地震构型相检测结果；（d） 构型边界检测结果.Fig.8 Seismic forward modeling and its detected results（a） Seismic section;（b）（c） Architecture seismic facies;（d） Architecture boundaries.

4 应用实例

前人对渤海湾海上油田的沉积构型进行了广泛的研究，采用该区一个典型的复合砂体开发单元为例进行方法应用.该开发单元地震资料带宽8～55 Hz，主频45 Hz，平均波速约为2700 m·s-1，目的层理论可分辨的地层厚度（λ/4）为15 m.统计该开发单元内11口钻井资料，按照“垂向分期”的思路进行单井构型相分类，将砂体垂向构型分类为单期型、两期型和多期型，并分别以黑色、紫色和蓝色井点标注于图9a.其中，底图为均方根振幅属性，色标高值表示砂岩；井点处左侧为GR曲线，右侧为RD曲线；单期型井上砂体厚度均小于6 m，两期型井上砂体厚度介于7～13 m之间，多期型井上砂体厚度均大于17 m.

利用该开发单元的10口单井构型相作为训练样本，1口井（D14井）作为检验井，提取层间敏感地震属性作为输入（敏感地震属性种类见图4），通过概率神经网络预测的地震构型相分布特征，见图9b.该地震构型相预测结果中蓝色代表泥岩、绿色代表单期型砂体、黄色代表两期型砂体、红色代表多期型砂体.地震构型相预测利用地震信息的横向分辨率优势对井间砂体分布特征进行了地震可识别构型的模式分类，分类结果与检验井的砂体构型吻合.

基于多属性融合提取主要特征后，对融合属性进行形态学梯度边界检测来预测复合砂岩内部构型的边界分布特征，见图10a，用于对比的局部结构熵相干算法（Cohen and Coifman，2002）切片显示于图10b，图10c所示形态学梯度方法预测构型边界在空间的垂直插值结果，图10d所示为局部结构熵相干算法预测构型边界在空间的垂直插值结果，剖面位置标注于图10a、b中紫色线SS*.从对比结果中可以看出，局部结构熵相干算法能够检测到砂体的岩性边界，但是由于相干增强和道间均衡对于复合砂体内部的构型边界响应很弱，而基于多属性融合的形态学梯度算法不仅能够检测到砂体的岩性边界，而且对复合砂体内部构型边界具有确切的响应.

图9 复合砂体单井构型相特征及地震构型相预测结果（a） 单井构型相；（b） 地震构型相.Fig.9 Architecture facies of single well and Architecture seismic facies prediction results of composite sand body（a） Architecture facies of single well;（b） Architecture seismic facies.

图10 复合砂体构型边界预测结果对比（a） 平面形态学梯度边界；（b） 平面局部结构熵边界；（c） 剖面形态学梯度边界；（d） 剖面局部结构熵边界.Fig.10 Comparison of architecture boundary prediction results of composite sand body（a） Morphological gradient;（b） Local structure entropy;（c） Section of morphological gradient;（d） Section of local structure entropy.

利用地震构型相对该复合砂体的骨干剖面分析其内部构型结果显示于图11，各剖面均以复合砂体上部泥岩层作为等时基准面.其中，图11a所示为90°相移地震剖面，井上左侧为GR曲线，右侧为RD曲线，天蓝色线条代表复合砂体的顶、底等时层位.该复合砂体地震响应波形表现为单一同相轴的复合波，从正演分析结果可知复合砂体的厚度小于地震调谐厚度λ/4，砂体厚度与波形最大振幅为正相关关系，振幅强弱变化指示了砂体分布差异，但无法具体辨析地震资料垂向分辨率以下的复合砂体内部构型.图11b所示为地震构型相预测结果在空间中垂直插值结果，蓝色代表泥岩、绿色代表单期型砂体、黄色代表两期型砂体、红色代表多期型砂体.图11c所示为根据地震构型相预测结果，结合测井解释结论，对地震资料垂向分辨率以下的复合砂体内部构型井间分布特征分析结果.值得注意的是，地震构型相分析的隔断式分类结果能够识别以典型砂体构型为代表的同类构型的展布范围，但是对各典型砂体构型间的过渡渐变相的分类存在多解性，相边界为统计意义上的包络线而并非物理界面.因此，对井间砂体的侧向边界的刻画存在较强的主观性.

为了避免刻画井间砂体侧向边界时的主观性，将复合砂体内部构型边界预测结果作为约束条件.构型边界预测是对砂体构型间的物理界面的确切反映，这为砂体侧向边界刻画提供了客观的依据.图12a所示为复合砂体内部构型边界预测结果在空间中垂直插值结果，蓝色代表背景、红色代表边界.根据地震构型相指示的典型构型类型和构型边界预测结果，结合测井解释结论，对地震资料垂向分辨率以下的复合砂体内部构型井间分布特征分析结果显示于图12b.如图所示，在A15井与A22S井之间的砂体侧向边界刻画更加精细，解释结果更符合地震特征，降低了解释的多解性.

地震构型相和构型边界分析为少井区的井间砂体刻画提供了依据，将两者预测结果叠合显示于图13a，其中紫色线SS*标记了图11和图12中各剖面的位置.通过平-剖面互动，对多条骨干剖面上井点及井间砂体解剖刻画，分析复合砂体的内部构型在空间的展布特征，将各单砂体的结构、期次及分布特征显示到平面上，实现该复合砂体内部构型的平面表征，显示于图13b.该方法为油田精细开发过程中分析油水运动规律、剩余油形成与分布等方面具有指导意义.

图11 基于地震构型相的复合砂体内部构型骨干剖面分析对比（a） 地震剖面；（b） 地震构型相剖面；（c） 砂体解释剖面.Fig.11 Sections of architectures inside composite sand body based on architecture seismic facies（a） Seismic section;（b）Architecture seismic facies section;（c）Sands in croee-well section.

图12 基于地震构型相和边界的复合砂体内部构型骨干剖面分析对比（a） 构型边界剖面；（b） 砂体解释连井剖面.Fig.12 Sections of architectures inside composite sand body based on architecture seismic facies and boundaries（a） Architecture boundaries section;（b） Sands in cross-well section.

图13 复合砂体内部构型分析对比与平面表征（a） 地震构型相和构型边界叠合图；（b） 复合砂体内部构型平面表征.Fig.13 Analysis of architectures inside composite sand body（a） Architecture seismic facies and boundaries;（b） Interpretation of architectures inside composite sand body.

5 结论

复合砂体储层内幕结构的准确识别能够指示剩余油分散聚集的规律，这对油田开发具有重要意义.在稀疏井控的条件下，基于井监督的概率神经网络方法能够预测无井控区域的地震构型相模式，基于多属性融合的形态学梯度算法能够识别复合砂岩内部构型边界，这一组合方法通过充分挖掘地震资料，在地震可识别的尺度下能够实现地震资料垂向分辨率以下的复合砂体内部构型的准确表征.

本文的主要结论如下：

（1）复合砂体的正演地震响应特征和敏感属性分析可辨别其内部构型的地震可识别构型，即在地震资料垂向分辨率以下利用敏感地震层位属性分析方法可有效识别复合砂体内部的单期型、两期型和多期型构型，但对于准确区分两期型亚类构型具有一定难度.

（2）利用单井构型相作为监督条件，通过概率神经网络预测地震构型相的方法在稀疏井网条件下能够识别以典型砂体构型为代表的同类构型的展布范围，但是对各典型砂体构型间的过渡渐变相的分类存在多解性，相边界为统计意义上的包络线.

（3）构型边界预测是储层构型分析的重要内容，它反映了砂体构型间的物理界面，为井间砂体的侧向边界刻画提供了客观的依据.通过提取层位属性，利用多属性融合技术及边界检测方法能够预测地震资料垂向分辨率以下的构型边界展布特征，精度高于以局部结构熵为代表的传统相干算法.