机器学习驱动的埃及贝勒妮丝油田 AEB-3E 储层属性建模

为何这个地下故事重要

尽管油气似乎属过去时代，但世界仍然在很大程度上依赖它们。我们发现和管理这些地下资源的方式，不仅影响能源安全，也决定了实际需要多少新钻井。本研究关注埃及的一个油田，并提出一个带有高科技色彩的简单问题：在数据极其有限的情况下，现代机器学习能否帮助我们更清晰地重建隐藏岩层，从而使企业做出更聪明、更少浪费的决策？

沙漠下的隐秘地貌

在埃及西部沙漠深处，贝勒妮丝油田保存着由古河流与浅海沉积形成的一叠岩层。研究关注的特定层位称为 AEB-3E，由砂岩与页岩以复杂格局交错组成，并被断层切割与错动。这些岩体断裂可以将流体圈闭成若干隔室，因此一口井看上去有前景，而邻近的井可能并非如此。这种不均质性使得在仅有少数井之间预测油水体积以及流体在岩石中流动的难易程度变得困难。

来自井和地震回波的线索

研究者起始于仅有的四口井，每口井记录了随深度变化的不同岩石属性：放射性、密度、声速、电导率以及氢指数。从这些测量中，他们计算出控制储层可用性的三项关键特征：含粘土量、孔隙度（可储流体的空间）以及孔隙中被水占据的饱和度。他们将这些井剖面匹配到一个三维网格，并将其与三维地震数据结合，后者类似于对地下结构的医学扫描，揭示井间的构造和细微变化。

让模型集成捕捉模式

研究团队没有仅依赖传统的统计方法（这类方法常假设空间变化比较平滑且可预测），而是使用名为 EMBER 的工作流程。该流程同时训练许多决策树模型，让它们学习地震模式与井测量在已知位置上如何对应储层质量。同时，它借鉴地质统计学的思想以保持结果的地质合理性，沿层面和整个油田维持连续性。对于三维网格中的每个小单元，该方法不仅给出单一答案，而是提供一整套可能值，既描述最佳估计，又刻画估计的不确定性。

模型对该储层的判断

生成的地图将 AEB-3E 层描绘为以相对洁净的砂岩为主、含粘土量较低且孔隙度为中等到较好的地带。含粘土较少的区域往往对应更高的储存能力和较低的含水率，突出了更具生产吸引力的区域。模型剖面显示，这些有利带在某些地方呈侧向连续，但也受断层控制并受原始河流与海岸环境细微变化的塑造。模拟还表明，不确定性通常为低到中等，但在断层附近以及远离任何井的区域会增加，在这些地方模型更多依赖地震模式本身。

收益、局限与实践意义

该研究表明，将机器学习与地震和井数据结合可以加快储层建模并减少大量手工试错，即便仅有少数几口井。在贝勒妮丝油田，该方法识别出一处西南方的未钻区显得尤为有利，为未来工作提供了一个重点目标。与此同时，作者强调结论是初步的：只有四口井时，远离这些井的任何预测都必须谨慎对待，并通过新井或生产资料加以验证。对读者的启示是，更智能的数字工具能帮助能源公司更充分利用现有数据，缩小新钻探的优先区域，并更好地理解仍然深埋地下的那些不确定性。

引用: Eid, A.M., Mabrouk, W.M., Amer, M. et al. Machine learning driven reservoir property modeling of the AEB-3E reservoir in the Berenice field Egypt. Sci Rep 16, 16131 (2026). https://doi.org/10.1038/s41598-026-53328-3

关键词: 储层建模, 机器学习, 地震数据, 埃及西部沙漠, 岩石物理属性