1 概况

盆1井西凹陷位于准噶尔盆地腹部，现今的准噶尔盆地腹部整体呈南倾单斜且凸起发育(图 1)。前人^[1-3]认为燕山期形成的车莫低幅古隆起对盆地腹部地区沉积体系分布与演化、油气成藏和后期调整产生了重要影响，目前已发现的油气田的分布格局受不同构造时期凸起与生烃凹陷时空配置的控制。现有研究表明，盆1井西凹陷三工河二段发育三角洲前缘沉积相，内前缘带水下分流河道砂体滑塌至湖盆沉降中心形成砂质碎屑流砂体，砂体厚度适中、粒度粗，储层物性好，含油气性好，侧向受外前缘带遮挡，具有形成规模岩性圈闭群的条件，但目前仅有4口井钻遇砂质碎屑流砂体，其中QS1井和M17井获工业油流，M12井和F004井见油气显示，勘探程度较低。该区砂质碎屑流储层为下一步规模岩性油藏勘探的新领域，由于砂质碎屑流储层普遍非均质性较强，纵横向变化快，储层预测难度大。因此，需要精细描述砂质碎屑流储层，以拓展油气勘探新领域。

施尚明等^[4]利用多属性融合技术预测砂质碎屑流储层，但多属性联合解释面临属性优选，很难得到明确的解释结果。为此，本文利用GeoEast软件的核主成分属性优化技术与神经网络反演技术定性与定量预测砂质碎屑流储层，以落实砂质碎屑流储层发育区。

2 砂质碎屑流发育特征

1972年，Hampton^[5]提出砂质碎屑流(sandy debris flows)的概念，随后Shanmugam^[6-7]等通过观察和分析海相深水沉积环境的大量野外露头和钻井岩心，进一步提出和完善了砂质、泥质碎屑流的概念、特征判别标志及沉积模式，其中砂质碎屑流代表一个从黏性至非黏性碎屑流连续过程序列，是介于泥质碎屑流与颗粒流之间的过渡类型，属于塑性流，其沉积物支撑机制包括基质强度、分散压力和浮力等多种。砂质碎屑流的流体浓度和颗粒浓度总体较高，泥质含量为低至中等，颗粒呈整体固结沉积，以块状砂岩为主，主要发育在盆地斜坡区及坡折带之下。

砂质碎屑流概念自提出以来逐步被人们接受，在鄂尔多斯盆地三叠系延长组^[8-9]、渤海湾盆地南堡凹陷西部东营组三段—沙河街组一段^[10]以及四川盆地上三叠统须家河组^[11]均已获得重要发现，展示了良好的勘探潜力和前景。

厚刚福等^[12]识别了准噶尔盆地盆1井西凹陷砂质碎屑流并研究了其成因，认为砂质碎屑流形成受古地形、物源供给及触发机制等条件控制。由地震剖面(图 2)可见，研究区发育两级坡折，坡折上、下地层厚度、砂体类型差异明显，坡折之下为沉积物卸载场所。

由F004井单井划相结果(图 3)可见：砂质碎屑流砂体电测曲线上、下突变明显，表现为事件性沉积特征；砂质碎屑流砂体为重力流成因，厚度大、粒度粗，原生粒间孔发育，平均孔隙度为12.4%，平均渗透率为4.25mD，孔隙结构为中等—较好，因此储层物性较好。

3 砂质碎屑流储层预测 3.1 核主成分属性优化技术

地震属性分析^[13]是以地质、钻井、测井资料为基础，利用多种数学变换从地震数据中提取各种地震属性，从而综合分析与描述储层特征的方法。GeoEast软件目前提取的沿层属性分为9类(共77种)，因此需要对数量众多的地震属性进行优化选择。GeoEast软件提供了多种地震属性优化技术，本文选择核主成分属性优化技术。核主成分分析^[14-16]的基本思想是通过引入一个非线性变换

$ \mathit{\boldsymbol{ \boldsymbol{\varPhi} }}(x): \boldsymbol{R}_d \rightarrow \boldsymbol{F} $

把每一个样本向量x_i(i＝1, …，N，N为样本数量)由输入空间R_d映射到特征空间F，然后在F中利用主成分分析提取数据特征。核主成分分析的关键是引入一个从低维空间到高维空间的映射(核函数)，选取适当的核函数保持第一主成分的贡献率，确保与钻井地质认识一致。GeoEast软件提供了高斯径向基核函数和多项式核函数，不同的数据适用的核函数不同。一般来说地震数据都含有噪声，而沿径向对称的高斯径向基核函数的抗噪能力优于多项式核函数，因此一般情况下优先选择高斯径向基核函数。本文通过核主成分分析，优选与压缩振幅峰态、瞬时虚振幅、最大波谷振幅、中值滤波能量、均方根振幅、响应带宽等属性(图 4)，定性预测了砂质碎屑流平面展布(图 5)。可见，研究区中部与南部属性均呈高值，钻遇砂质碎屑流的钻井基本分布在这些区域。

3.2 神经网络反演技术

利用核主成分属性优化技术初步了解了盆1井西凹陷北东环带砂质碎屑流储层的分布规律，但地震属性分析只能定性预测有利砂质碎屑流储层区域，无法定量预测。

由图 3可知，在垂向砂质碎屑流单砂体厚度一般大于0.5m，最大可达几十米，砂质碎屑流砂体夹于厚层湖侵期泥岩中间，呈“泥包砂”结构，自然伽马曲线上、下突变，较容易识别。因此可用GeoEast软件的神经网络反演模块定量预测砂质碎屑流储层。神经网络反演^[17-18]基于非线性理论，将研究区内对储层敏感的测井数据及受层位约束的井旁地震道数据输入到一个具有多输入的BP网络，同时进行整体训练，可获得全区的自适应权函数，建立综合非线性映射关系，并根据储层在纵向的地质变化特征更新非线性映射关系以约束反演过程及其反演结果，从而定量预测砂质碎屑流储层。储层纵向的地质变化特征在上述非线性映射的约束和控制作用下，可以稳定获得较高分辨率的成果。从过QS1—M16井地震剖面(图 6)可见，砂质碎屑流砂体呈短轴、不连续、中—强反射特征，与周围地层明显不同。从过QS1—M16井神经网络自然伽马反演剖面(图 7)可见，反演结果与GR曲线匹配很好，清晰展示了砂质碎屑流储层的纵、横向展布特征，并与QS1井储层厚度一致。

利用神经网络反演结果在平面上确定了6个砂质碎屑流砂体有利目标区(图 8)。可见，在平面上砂质碎屑流砂体整体呈孤立分布，表明砂质碎屑流砂体为阵发性重力流成因。神经网络反演结果也得到了后期钻井的验证，如在图 8中2号目标部署的QS2井钻遇厚度大于14m的砂质碎屑流砂体，表明利用神经网络反演可以定量精细刻画砂质碎屑流储层。

4 结论

本文利用GeoEast软件准确识别与精细刻画了砂质碎屑流储层。GeoEast核主成分属性优化技术可以降低多属性解释的工作量，从整体上反映储层特征，避免了单一属性只能刻画储层某一方面特征的缺陷；GeoEast神经网络反演不局限于反演波阻抗、速度等属性，还可以反演岩性、物性数据，在整个反演过程消除了子波估算不准确带来的计算误差，反演结果的纵向分辨率高于波阻抗反演，提高了储层预测精度。