基于地震多属性融合与机器学习的砂体预测方法，在沉积相约束下的应用——以渤海湾盆地东营凹陷澄关庄地区为例 刘 ??? (Jinshuai Liu), 林 成艶 (Chengyan Lin), 克里斯· Elders (Chris Elders), 阿扎里· 法里斯 (Azhari Faris)

《Applied Sciences》：Sandbody Prediction Based on Fusion of Seismic Multi-Attributes and Machine Learning Under Sedimentary Facies Constraint—A Case Study of Chenguanzhuang Area in Dongying Depression, Bohai Bay Basin Jinshuai Liu, Chengyan Lin, Chris Elders and Azhari Faris

　　

摘要

在复杂的沉积环境中，识别薄层砂体并准确预测其厚度仍然具有挑战性，尤其是当仅依赖单一分析方法时。以东营凹陷成官庄地区沙河店组第四段下亚段（Es₄^L）作为案例研究，本文提出了一种定量预测方法，该方法结合了沉积相特征和基于机器学习的地震多属性融合技术。基于岩心观测、测井数据以及三维地震数据集，研究区域被划分为两个区域：区域I（浅水三角洲前端）和区域II（海岸-浅湖）。通过皮尔逊相关分析和层次聚类方法优化了每个区域的敏感参数，并系统评估了五种机器学习模型——支持向量回归（SVR）、随机森林（Random Forest）、多层感知器（MLP）、岭回归（Ridge Regression）和套索回归（Lasso Regression）。对于区域I，选择了MLP模型，其训练集和测试集的R²值分别为0.856和0.936；而对于区域II，则采用了结合留一法交叉验证（LOOCV）的岭回归模型，以减少因井数据有限导致的过拟合现象，其R²值分别为0.864和0.779。与传统的线性回归方法（R² = 0.45）相比，所提出的方法显著提高了砂体预测的准确性，为油气勘探提供了可靠的地质依据，并为类似的复杂沉积环境提供了一个有效的技术框架。