地震波形是地下岩层物性参数变化的直接反映，但在传播过程中会因地层吸收和散射以及几何扩散等原因而衰减，甚至导致复杂构造处的信号能量减弱，降低储层地震波成像质量^[5]。所以通过重建地震波形特征，可以提取出与储层物性参数相关的信息，提高储层孔隙结构分析的准确性。

地震波形特征重建是由原始的地震信号序列变化而成，反映的是目的层段内地震波形的整体变化特征，因此，研究主要通过描述振幅归一化波形序列来描述波形变化情况^[6]。

假设原始地震道波形序列为s (t) ，通过希尔伯特变换提取地震信号的解析部分，得到瞬时振幅。公式为：

A(t) =|s(t) + i(t) H (s(t) )| （1）

式（1）中，i (t) 表示第i个地震子波的信号；H (s (t) )表示其希尔伯特变换；A (t) 表示瞬时振幅。

为使地震波形反演结果符合中频地震信息和测井曲线特征，沿特定斜率叠加地震道，以构造超道集，并根据瞬时振幅构建地震反演的褶积模型^[7]。表达式为：

式（2）中，θ表示斜率；n表示地震子波数量；y (θ)表示斜率θ对应的地震道；Ω表示超道集； d表示共性结构相关截止频率；m表示样本井集测井曲线；G表示震源子波振幅谱；D表示地震反演褶积模型。

将测井反射系数与地震反演的褶积模型进行叠加，生成合成地震记录，调整时间-深度关系，定义振幅归一化波形序列。公式为：

式（3）中，ϕ表示反射系数序列；y₀表示薄层时间厚度；b表示合成地震记录；l表示岩石有效压力；ϕ₁表示地震波瞬时相位；d_o表示基质剪切模量；A_o表示振幅归一化波形序列。

对振幅归一化波形序列进行重采样，以保证重建的波形能够反映实际波形振幅、频率、相位的同时综合变化^[8]。表达式如下：

式（4）中， C表示拉梅常数； k_s表示第s次迭代的子波参数；ν表示原始声波速度；T_s表示第s次迭代时的时间步长；W表示重建的地震波形特征。

通过定义地震波振幅归一化波形序列，并对其进行重采样，以重建地震波形特征，有助于天然气水合物储层地质介质参数的提取。

地震反演提取的储层介质弹性参数能够直接反映储层介质的力学性质，而天然气水合物的存在会显著改变这些参数^[9]。因此，基于地震波形特征挖掘储层介质弹性参数，可以通过建立其与物性参数之间的映射关系，精准预测储层物性参数。

本文采用的地震波反演方法为递推反演，基于重建的地震波特征，将其转换为具有实际地质意义的波阻抗信息，以提取地震波相关特征^[10]。当波为垂直入射波，地下介质为层状介质时，共存在m个平行反射界面。具体如图1所示。

图1 垂直入射波于反射界面示意图Fig.1 Schematic diagram of vertically incident waves at reflection interfaces

根据图1所示，层状地质中第j层界面的波阻抗可表示为：

式（5）中，W表示重建的地震波形特征；f_o表示调谐频率；μ_t表示井旁道振幅；s_r表示等效介质的体积模量；ε表示包含物模量的极化因子；u_q表示先验信息矩阵。

由于储层波阻抗信息并非基于单一的、局部的测量数据，而是对储层整体特性的一种综合反映，在反演过程中，利用这种综合信息可以从更宏观的角度去推断介质的弹性特征，而不是仅仅依赖于某个局部区域的特征数据，避免了在局部数据的小范围内陷入极值点^[11]。因此，可以在此基础上递推出储层介质的弹性参数，包括纵波速度、横波速度和储层密度。如式（6）所示：

式（6）中， R_j表示第j层界面的反射系数； ι_c表示正演算子；v_p表示纵波速度；β_u表示正则化参数；w表示利用波形特征优选出井样本的值；v_s表示横波速度；χ₂、χ₁分别表示储层深侧向电阻率和浅侧向电阻率；H表示Hirst指数；ρ表示储层密度。

以天然气水合物储层地质弹性参数为依据，对储层的物性参数进行定量计算。

基于天然气水合物资源开发利用和工程实践的角度，为评估资源的富集程度与通过天然气的能力，主要针对天然气水合物储层的孔隙度和渗透率进行定量表征^[12-13]。本文采用梯度提升决策树模型预测这两个物性参量。

将 储 层 介 质 弹 性 参 数 定 义 为 集 合ψ={v _p, v _s, ρ}，基于岩石物理模型建立弹性参数与物性参数之间的初步关系^[14]。公式如下：

m'=f_R(ψ) +ε_o（7）

式（7）中，f_R表示确定性岩石物理模型；ε_o表示弹性参数；m'表示计算得到的模型—实际弹性参数组合样本。

设定梯度提升决策树的基学习器数量为N'，采用均方误差作为损失函数，衡量预测值与真实值的差异。表达式为：

式（8）中， M表示输入的样本数； a_υ表示真实值； a͂表示预测值；L_oss表示损失函数。

在梯度提升阶段，通过迭代优化逐步降低损失函数，以提高预测准确度。则第t'轮迭代的更新公式可表示为：

式（9）中， F_t'-1表示第t'-1轮决策树的预测值； η表示学习率；h_t^'表示当前轮次决策树的预测值。

决策树学习完成后，拟合所有决策树结论，构建储层物性参数预测模型^[15]。即：

式（10）中，∂表示使预测取得最小值的参数。

将提取的弹性参数输入预测模型中，预测储层孔隙度，并基于孔隙度与渗透率之间的经验关系，将孔隙度作为额外的输入特征，进一步预测渗透率^[16]。具体计算公式如式（11）所示：

式（11）中，μ_s表示无物性参数标签的地震数据；g_f表示无标签数据的批次大小；W_o表示叠加角道集数据；ϕ_(Ω) 表示模型预测出的储层孔隙度；c₀表示经验常数；ι表示迂曲度；Ι表示比表面积；K表示储层渗透率。

通过上述预测过程即可确定天然气水合物储层的孔隙度与渗透率，完成储层物性参数的定量表征。

X区块位于南海北部大陆坡特定区域，区域水深范围在 800~1500 m左右，属于深海大陆坡环境，地形具有一定的起伏，存在一些海底峡谷和斜坡地形，区内构造隶属于乐山—龙女寺古隆起，由于受到了多期构造运动影响，研究区地层被剥蚀的程度较大，地层主要由新生代沉积物组成，基底为古老的变质岩或基岩，之上覆盖了厚层的陆源碎屑沉积物和少量的生物沉积物。区块构造位置及沉积微相展布情况如图2所示。

Fig.2 Tectonic location and planar distribution of sedimentary microfacies in the study area图2 研究区构造位置及沉积微相平面展布

通过高分辨率地震勘探资料分析，区块的地震反射特征表现出明显的分层性，深度越深，反射波组的连续性越差，说明地层中存在天然气水合物或游离气，同时油气以断层作为通道向断层上升盘进行迁移并成藏。研究区内不同井的储层发育情况和目标储层的三维空间展布分别如表1和图3所示。

表1 研究区储层发育统计及分类Table 1 Statistics and classification of reservoir development in the study area

图3 目标储层的三维空间展布Fig.3 3D spatial distribution of target reservoirs

在区块目的储层测井数据和地震波数据的基础上展开物性参数定量判断。

在河道微相区域和泛滥平原区域分别选取一个井位开展孔隙度和渗透率的预测研究，具体选择井A1和井A2，两井的地震剖面如图3所示。

图4 两个测井的地震剖面图Fig.4 Seismic profiles corresponding to two wells

研究区的目的层段埋深较大，且储层自上而下物性参数差异变化较大，岩心物性分析资料表明，储层内孔洞发育，以大孔和小洞为主，包含少量残余孔和溶孔。区块的测井数据如表2所示。

表2 区块测井资料数据Table 2 Logging data of the block

以区域地震剖面数据和测井数据为基础，进行储层物性参数表征。

对研究区域的实际地震资料进行波形特征重建，结果如图5所示。

图5 地震波形特征重建对比Fig.5 Comparison of seismic waveform feature reconstruction

根据图5（a）可知，原始地震波形杂乱无序，无法体现有效的地震波形特征，而经过波形特征重建后（图5（b）），波形更加规则有序，并且能够反映波形的整体变化情况，单一样点值的异常变化影响较小，可提高储层介质弹性参数提取的准确性。

基于地震波形特征重建图像为研究数据，通过地震波形反演提取介质弹性参数，具体如表3所示。

表3 储层介质弹性参数Table 3 Elastic parameters of reservoir media

以表3数据为输入，利用梯度提升决策树构建预测模型，通过分析弹性参数与物性参数之间的映射关系，确定物性参数值。模型参数配置如表4所示。

表4 储层物性参数预测模型参数配置Table 4 Parameter configuration of prediction model for reservoir petrophysical parameters

将预测模型应用于选择的目的层中，获取其物性参数。

利用本文所提方法进行天然气水合物储层物性参数表征，得到的结果如图6所示。

根据图6可以看出，反演出的储层孔隙度数值范围大致在0.1%到0.7%之间，渗透率范围为在11~23 ml，说明测区储层岩石较为致密，可供流体存储的孔隙空间有限，同时，储层对流体的传导能力存在差异，并非完全均质。通过曲线趋势对比可知，反演出的孔隙度和渗透率与测井值在整体趋势上表现出较高的一致性，表明反演结果在数值上与测井值具有较好的吻合度，说明本文方法能够反映出储层物性参数的基本变化趋势，可以保证物性参数表征的准确性。

为了定量评价本文方法反演结果的优劣性，以储层孔隙度的预测结果为例，采用皮尔逊相关系数（PCC）作为评估指标，该指标一般用来衡量观测值与真值之间的相关性，数值越高，说明反演值与测井值的拟合程度越高，表征结果的准确度越高。同时引入文献[1]智能化叠前物性反演技术（方法A）、文献[2]弹性参数初始模型约束（方法B）、文献[3]融合CNN与GAT（方法C）和文献[4]基于随钻录井工程参数（方法D）与本文方法作对比，得到的对比结果如图6所示。

图6 储层物性参数定量表征结果Fig.6 Quantitative characterization results of reservoir petrophysical parameters

图7 基于不同方法的储层物性参数表征精度对比Fig.7 Comparison of characterization accuracy of reservoir petrophysical parameters based on different methods

从图7可以明显看出，方法A的PCC值整体处于最低水平，该方法未综合考虑储层的温度、压力和孔隙结构等影响因素，导致模型无法准确刻画储层物性参数与预测指标之间的复杂关系，预测结果的准确性较差；在不同的声波时差条件下，储层物性参数的特征会发生变化，而方法B没有对模型参数进行优化与调整，导致在处理不同工况下的数据适应性较差，进而使得预测结果的一致性不好，精度受到影响；方法C也无法准确表征物性参数，由于没有充分利用历史数据中的信息进行模型训练和优化，从而限制了其预测精度的提升；方法D在应用时没有考虑到声波在较大时差传播过程中的衰减、散射等效应，影响了表征精度；本文方法在各个声波时差下均取得了高于0.8的PCC值，说明表征值与实测值之间的拟合程度更高，通过地震反演能够准确捕捉到与储层物性参数相关的关键信息，进而提供高精度的表征结果。