摘要： 湖相重力流是目前沉积学研究的热点与难点,也是致密油、页岩油富集的有利场所,鄂尔多斯盆地庆城油田三叠系延长组作为致密油、页岩油的典型代表已显示出巨大的勘探开发前景.然而,由于湖相重力流砂体分布认识不清,导致油田并未达到预期的开发效率.本文采用支持向量机(SVR)的机器学习方法,先优选频段再优选属性,建立分频属性与测井解释砂体厚度的非线性映射关系,实现了致密砂岩的定量预测.研究结果表明,低频地震属性适合预测厚层砂体,高频地震属性适合预测薄层砂体;采用机器学习的方法,将不同频率的地震属性智能融合,能够兼顾预测不同厚度砂体,既提高了地震属性的解释精度,又降低了地震解释的多解性,实现了砂体厚度的定量预测.检验结果显示,智能融合属性与砂体厚度的分布趋势与值域区间基本一致,智能融合属性预测砂体分布的可靠性明显提高,与测井解释砂体厚度的相关性由0.60提高至0.79,大多数井点处预测的砂体厚度误差小于5 m.继而,根据融合属性与测井解释,刻画了研究区的沉积微相展布特征:研究区目的层发育湖底扇沉积,细分为分支水道、朵叶主体、朵叶侧缘、滑塌体与朵叶间/水道间5种沉积微相;砂体主体呈扇形连片式沉积,厚度顺物源方向逐渐减薄;分支水道呈窄条带状树形分叉,下切发育于朵叶体之上;朵叶体沉积为研究区的沉积主体;滑塌体为湖底扇前端失稳滑塌形成的小规模孤立砂体,长轴方向多平行于湖底扇前端.研究成果对油田下一步高效开发具有重要意义.

关键词: 地震属性, 智能融合, 储层预测, 致密砂岩, 湖相重力流