Das Ölfeld C-2 befindet sich auf dem Kontinentalschelf im Becken der Bohai-Bucht und wird hauptsächlich mit Horizontalbohrungen erschlossen. Die Mächtigkeit des Speichergesteins ist gering, mit vertikal überlagerten Sandkörpern und schnellen lateralen Fazieswechseln. Die innere Struktur des Speichergesteins und die Vernetzungsverhältnisse sind komplex. Aufgrund der komplexen Speicherstruktur und der Bohrloch-Seismikdaten gestaltet sich die Lagerstättenbeschreibung bei einem dünnmaschigen Bohrnetz schwierig und schränkt die Effizienz der präzisen Erschließung des Ölfeldes ein. Die herkömmliche seismische Inversion kann die Anforderungen an hochauflösende Vorhersagen für dünne Speicher und eine detaillierte innere Strukturanalyse nicht erfüllen. Zur Untersuchung der Strukturmerkmale von verflochtenen Flussspeichern wird eine auf seismischen Attributen basierende gestapelte generalisierte Ensemble-Lernmethode eingesetzt, die die Vorhersagegenauigkeit im Vergleich zu einzelnen maschinellen Lernmodellen verbessert. Durch die Integration multidimensionaler geologischer, geophysikalischer und lagerstättendynamischer Informationen in eine iterative Optimierung wird die Unsicherheit bei der unterirdischen Lagerstättenprognose und Strukturverständnis reduziert. Dadurch wurde eine detaillierte Charakterisierung komplexer verflochtener Flussspeicher im Untersuchungsgebiet erreicht, die als Grundlage für die präzise Erschließung von Restöl und potenziellen Sandkörpern dient. Die Studie zeigt, dass die auf seismischen Attributen basierende gestapelte generalisierte Ensemble-Lernmethode zur Speicherprognose nicht nur die vertikale seismische Auflösung effektiv verbessert, sondern auch eine starke laterale „fazielle Steuerungs“-Fähigkeit besitzt. Die Vorhersageergebnisse umfassen Sandkörper-Überlagerungsbeziehungen und interne Speicherstrukturmerkmale und sind besonders geeignet für die Prognose und detaillierte Beschreibung von kontinentalen Flusssedimentationsspeichern mit schnellen Fazieswechseln und komplexer räumlicher Architektur. Dies kann als Referenz für die feine Charakterisierung von Flussablagerungskonfigurationen in der mittleren und späten Entwicklung von Offshore-Ölfeldern mit dünnmaschigen Bohrnetzen dienen.

maschinelles Lernen;Speicherprognose;verflochtene Flüsse;Speicherkonfiguration;Horizontalbohrungen