盆地基底

①基底一詞來自大地構造研究的地槽一地台學説。當地槽轉化為地台時,其各類沉積建造經歷了相當強的變形和/或變質。而與其上的地台型沉積建造構成明顯的不同。前者稱為基底,後者稱為蓋層。因而盆地基底就是其下的變質岩或結晶岩。經深入研究發現,古老地台上的蓋層底部可有輕微變質,有時出現基底和蓋層問的過渡性的建造。

②在石油地質學中,當目標主要針對較年輕的盆地沉積(如中、新生界)時,也可把盆地沉積之前較老的沉積岩(它們之間有明顯的角度不整合和構造的不吻合性)也稱為基底,這時可特稱盆地具雙重基底。

在地質學中基底指蓋層之下古老岩石單元，其性質對盆地成因、演化關係密切。中國和世界許多大盆地都發育於古老的地台或微地塊基底，即板內最穩定的部分，如我國的鄂爾多斯盆地、四川盆地和塔里木盆地。對含油氣盆地十分重要的前陸盆地也大多發育於穩定地塊的邊緣。也有一些盆地基底是複合的，包括古老的微地塊和古生代褶皺帶，如準噶爾、松遼和東海陸架盆地。地球物理探測技術和岩石-地球化學方法的發展對盆地的研究已不滿足於瞭解基底的性質，而且深入到界面瞭解整個地殼的性質，並進一步探索岩石圈的底界面，瞭解整個岩石圈的變形。穿過墨西哥灣盆地的大剖面圖示中，不僅揭示了盆地結構，也顯示了深部Moho面的特徵。

盆地動力學研究綱要提出後Dickinson(1997)更準確地將盆地深部研究注意的焦點延伸到岩石圈的底界面，認為那是控制盆地演化的更為重要的界面，是流動的地幔軟流層與岩石圈之間的界面，該界面更具有動力學意義。以裂谷盆地為例，流動的軟流圈加之於岩石圈底界面的力可能是岩石圈伸展、減薄的主要原因，並導致裂谷盆地的形成(Ziegler，1992)。探索岩石圈與軟流圈之間界面的難度遠大於對Moho面的探測，應用大地電磁方法所探測的幔內高導層可能近似地反映了上述界面。 ^[1] 

布格重力異常中包含淺源與深源地質體所產生的異常。為獲取基底巖性的重力異常效應，需要對盆地蓋層的重力效應進行正演剝皮以便獲取更為可靠的基岩巖性重力異常。剝皮採用地震構造界面進行約束控制。淺部重力異常獲取的可靠與否除與構造界面的準確性有關外，在很大程度上也決定於界面之間的密度差選取的是否準確。密度差選取的不準會產生因剝皮引起的虛假重力異常。密度差選取過大，將產生虛假正異常;密度差選取過小，會產生虛假的負異常。通過綜合分析認為：與構造界面相關的重力異常總和在一定程度上與基岩巖性重力異常存在顯著的不相關性。基於此原理研究了應用最小二乘法計算界面等效密度差的方法。

1、界面等效密度差

等效密度差能夠表徵構造界面所產生重力異常的宏觀特徵。在計算等效密度差時，先求取個構造界面所產生重力異常的權函數，也即密度差為1.0g/cm³的各構造界面的重力異常效應。

利用獲取的等效密度差結合各界面的岩石物性分析綜合確定剝皮的界面密度差。實踐表明，該方法在實際應用中發揮了良好的應用效果。通過對濱北地區的研究，獲取的等效密度差基本上和岩石物性分析所獲得構造界面密度差沒有多大的差異。

2、盆地蓋層重力異常效應

應用邊界元法在各構造界面的控制下，採用等效界面密度差逐步獲取淺部各界面的重力異常效應，最後獲取了反映盆地蓋層的重力異常總效應。

3、基底巖性重力異常

應用布格重力異常消除盆地淺部蓋層重力異常總效應即得反映基岩巖性及深源的重力異常，應用匹配濾波或滑動趨勢方法分離出與基底巖性相關的重力異常應用平均徑向歸一化對數功率譜所確定的深度，確定異常所反映的平均層位，以便進一步確認基底巖性重力異常獲取的可靠性。 ^[2] 

獲取基底巖性磁異常，主要是要消除深源場及反映淺部磁性體的磁異常。

1、基底巖性磁異常

通過匹配濾波及小波多尺度分解計算，結合平均徑向歸一化對數功率譜確定的深度對比分析認為：磁異常的三階小波多尺度分解的二階小波細節能夠很好地反應基底的磁異常信息，藉以應用三階小波分解結果進行基底巖性的研究。

2、基底巖性重磁異常的平化曲

在獲取了反應基底巖性特徵的重磁力異常後，為克服觀測面到場源距離上的差異而導致異常形態上的畸變及異常幅值的差異，對基底巖性重磁異常進行了平化曲，使得異常均在離場源相同的高度上，有效地提高基岩巖性預測的準確性。

視密度、視磁化率能有效反映基岩巖性的物性變化，可以消除重磁場本身與場源空間變化的影響。兩者從不同側面反映巖性的變化特徵。因而對基底巖性異常進行視密度、視磁化率的反演是必要的。它們能直觀的刻畫基底巖性，為進行基底巖性的推斷奠定基礎。

1、基底相對視密度

在頻率域應用視密度反演方法對經過平化曲以後的基底巖性重力異常進行了相對視密度的反演，可以得到反應基底巖性變化的密度特徵。

2、基底相對視磁化率

在頻率域應用視磁化率反演方法對經過平化曲以後的基底巖性磁力異常進行了相對視磁化率的反演，可以得到基岩巖性變化的磁性特徵。

3、基底相對相對密度及相對磁化率相關分析

視密度、視磁化率能有效反映基岩巖性的物性變化，兩者的相關分析反映了重磁特徵與巖性的相互依存關係，通過大量的參數試驗分析，認為視密度、視磁化率及兩者的相關係數是最為有效識別基岩巖性的參數。 ^[2] 

能夠反映基岩巖性的參數較多，如何從中選取判斷巖性的數量、種類以及每種計算的參數及方法直接關係到預測基岩巖性結果的合理性。通過大量的試驗並將預測結果繪製成圖與已知井進行對照並分析巖性的分佈特徵，總結出應用視密度、視磁化率及其相關係數三參數是目前所認為應用重磁預測盆地基底巖性的最佳參數組合。

因基岩巖性及各種參數的複雜性及參數對客觀巖性反映的非唯一性，完成全部的人工對比解釋是相當困難的。在這種情況下考慮用人工神經網絡方法來完成這一繁雜而困難的工作（圖1）。人工神經網絡具有模擬人類智能信息及具有分佈式存儲、自適應學習、聯想記憶和容錯性、穩健性等特點，在特徵井已知基岩巖性的控制學習下，完成對基岩巖性的識別。

基岩巖性判別檢驗的思想：先選擇一些樣品進行訓練，將檢驗進行判別檢查結果、方法技術的有效性，最後為了使成果更加可靠，將所有探井結果作為樣品進行訓練，最後再對變量進行判別，完成基岩巖性的分類預測。應用神經網絡法判斷基底巖性的主要有以下幾種因素：

（1）樣品優選及優選的原則；

（2）變量的網格化與參數值的關係；

（3）巖性的定名與判別準確性、可靠性的關係；

（4）巖性是否是變量真實情況的反映（指基底存在多種巖性，同時還存在是否為縱向上的主要巖性），都將對巖性的判別結果帶來很大的影響。也給應用探井結果認識重磁異常的形成因素產生誤導。甚至與常規理論與認識帶來矛盾。 ^[2]