基于机器学习技术的巴西赤道边缘Mundaú次盆地深水区Cenomanian期海底水道系统演化与储层表征

针对巴西Mundaú次盆地Cenomanian期海底水道系统沉积构型不清的问题，研究人员整合无监督机器学习、多属性分析和RGB融合技术，揭示了三阶段演化模式，证实高沉积物输入和窄陆架背景下砂质层的连续分布特征，为赤道边缘深水油气勘探提供了重要靶区。

　　

在巴西赤道边缘深水油气勘探的热潮中，Mundaú次盆地的Cenomanian期海底水道系统一直是个令人着迷又充满挑战的研究对象。这个形成于约1亿年前的深水沉积体系，虽然已被证实富含砂质储层，但其复杂的沉积构型、演化阶段与控制因素始终如雾里看花。更棘手的是，该区域独特的窄陆架背景和高沉积物输入条件，使得传统沉积模型难以直接套用。随着相邻盆地接连获得重大油气发现，石油公司和研究机构迫切需要一个清晰的储层预测框架来降低勘探风险。

来自塞阿拉联邦大学能源与矿产资源创新研究组（GIPEM）的Ian de Oliveira Souza Cerdeira团队在《Marine and Petroleum Geology》发表的研究，首次系统揭示了这一关键层位的三维沉积架构。研究人员创造性地融合了机器学习算法与多尺度地球物理数据，通过4口深水探井和2200 km²三维地震资料的协同解译，不仅重建了水道-朵叶系统的完整演化史，更发现了控制砂体分布的黄金组合规律。

这项研究的技术路线堪称深水储层研究的典范。团队首先利用无监督机器学习（如K-means聚类）对地震属性进行智能分类，再通过RGB三原色融合技术将振幅、曲率和相干性等多属性转化为直观的沉积相图谱。在井震标定环节，创新性地引入伽马测井相（Gamma ray log facies）建立系统域（System Tract）的识别标志。针对深水区速度建模难题，采用层控反演技术（Layer-based inversion）确保砂体预测的垂向精度。

研究结果部分呈现了令人振奋的发现：

1. 伽马测井相与堆叠模式：在Falling Stage System Tract（FSST）背景下，Wells A-B揭示的箱型-钟型测井曲线组合证实了多期砂质浊积体的叠置，而Wells C-D的锯齿状响应则指示了泥质朵叶体的发育。
2. Cenomanian海底水道系统：三阶段演化模型颠覆了传统认识——早期（FSST）以直线型限制性水道为特征，中期（Lowstand System Tract, LST）发育低-中弯度水道与未限制性朵叶体，晚期（Transgressive System Tract, TST）则出现高弯度蛇曲水道。尤为关键的是，砂质层（sand-prone）在所有阶段持续发育，这归因于窄陆架引发的高密度浊流（High-density turbidity currents）。
3. 储层连通性启示：地震地貌学分析显示，朵叶体与水道侧翼的砂体呈"指状交错"接触，而斜坡阶地（Stepped slope）地形促使砂质沉积物在纵向形成"阶梯式"输导体系，这种特殊配置创造了罕见的垂向-侧向双优连通模式。

在结论与讨论部分，作者强调了三项突破性认知：首先，窄陆架背景下的沉积物"管道化"效应（Pipelining effect）打破了"海平面上升期砂质供应中断"的常规认知；其次，机器学习驱动的多属性融合技术将砂体识别精度提升至5m级；最后，发现的NE-SW向输导走廊与基底断裂系统空间耦合，为油气运移提供了"高速公路"。这些成果不仅为Mundaú次盆地深水勘探提供了精准的"地质导航图"，更为全球类似盆地（如西非赤道边缘）的油气评价建立了可类比的研究范式。正如论文指出的，这项研究标志着一个重要转折——当传统地质学与人工智能深度结合，那些曾经隐藏在噪声中的油气宝藏终将无所遁形。