浊积扇低渗透储层地下构型结构复杂，内部砂体形态、规模、延伸状况存在明显差异，砂体内广泛发育的隔层和夹层使得厚油层被分割成了多个连通或不连通的渗流单元。目前，已有不少学者开展了浊积扇储层构型模式的研究^[1-3]，国外以Mutti等^[4]的五级划分方案应用最为广泛，而国内比较有代表性的是林煜等^[5]和李志鹏等^[6]的六级划分方案。这些浊积扇储层构型模式的研究为油田开发初期的井位部署提供了重要的指导作用，随着油田开发进入中后期，层间、层内的干扰导致开发效果变差，构型模式的认识难以对该阶段储层油水运动规律的表征形成指导作用，亟需在构型模式的基础上明确不同渗流单元的空间展布，以期为完善开发井网和注采结构调整提供重要依据。

流动单元是表征储层渗流性能好坏的地质单元，自Hearn等^[7]1984年首次提出流动单元的概念以来，被广泛应用于储层精细油藏描述^[8-9]。流动单元的划分方法由最早的统计学方法，如线性判别分析、聚类分析、模糊数学逐渐向人工智能（支持向量机、人工神经网络等）领域迈进^[10-12]，其评价参数也由单一的静态参数向多参数融合分析转变^[13]。以往研究表明，2种或多种方法的组合通常比单一方法具有更好的识别效果^[12-14]。精细的储层构型模式研究是渗流屏障识别及连通体划分的基础^[15-17]，对流动单元研究至关重要。一方面，储层构型模式研究可以找到识别和预测的成因单元，并在此结构内部依据岩性、物性及渗流特征等开展流动单元识别；另一方面，构型模式研究与渗流屏障识别关系密切，能够为渗流屏障识别和级别划分提供理论参考依据。然而，以往对基于储层构型模式的流动单元研究相对较少。

以渤海湾盆地F油田沙三中亚段湖底浊积水道储层为例，综合运用岩心、测井及生产动态等资料，以取心层段定性划分的流动单元作为训练样本，采用监督模式下的自组织映射神经网络算法与因子分析法相结合的方式开展未取心层段的流动单元定量识别，并对构型模式控制下的流动单元分布规律进行分析，以期为后续剩余油挖潜、优化注采井网及提高开发效果等提供依据。

F油田位于渤海湾盆地东南部，构造断裂活动较弱，构造形态相对简单，是一被断层切割的穹隆背斜构造，东部由北东向和南东向的2条断层交叉遮挡，对砂体沉积及油气聚集起控制作用（图 1a，1b）。沙三中亚段4砂层组为其主要含油层系，垂向上根据隔夹层发育特征可划分出4个小层以满足油田开发。目的层油藏埋深为2 800~3 100 m，为典型的湖底浊积扇沉积，以中扇、外扇亚相为沉积主体（图 1c）。其中，浊积水道砂体发育，单砂层厚度为6.6~13.7 m，平均为10.7 m，垂向上水道砂体多期叠置，平面上呈大面积连片分布。受浊积水道垂向加积和侧向迁移变化快的影响，对于储层空间展布特征及连通性的研究难度较大。

图 1

Fig. 1

下载原图 图 1 渤海湾盆地F油田古近系沙三中亚段构造特征（a，b）及岩性地层综合柱状图（c） Fig. 1 Structural features(a, b)and stratigraphic column(c)of middle Es3 in F oilfield, Bohai Bay Basin

研究区沙三中亚段4砂层组浊积扇沉积特征复杂、岩性多样，发育含砾砂岩、中—粗砂岩、中—细砂岩、粉砂岩、泥质粉砂岩及泥岩。储层岩石类型主要为岩屑长石砂岩，碎屑颗粒中石英体积分数占39.67%，长石体积分数占33.60%，岩屑体积分数占26.73%，成分成熟度较低。砂岩分选中等，分选系数为1.3~1.9，粒度中值为0.12~0.16 mm。粒间填隙物以碳酸盐胶结物为主，呈孔隙式胶结，体积分数平均为8.7%。受埋藏压实作用和碳酸盐胶结作用的影响，储层物性、渗流能力均较差，储层孔隙度平均为15.9%，渗透率平均为11.6 mD，且不同小层间非均质性较强（图 2a）。开发进入中后期，受储层非均质性的影响，层间、层内干扰显著，注水开发效果变差，各层的采出程度差异大，造成水窜严重（图 2b，2c）。因此亟需开展流动单元的相关研究，以明确不同渗流单元的空间展布，为完善开发井网、细分开发层系以及改善开发效果提供依据。

图 2

Fig. 2

下载原图 图 2 渤海湾盆地F油田古近系沙三中亚段各小层的渗透率（a）、相对吸水强度（b）和采出程度（c）对比 Fig. 2 Comparison of permeability(a), relative water absorption strength(b)and recovery degree(c)of sublayers of middle Es3 in F oilfield, Bohai Bay Basin

根据Mutti等^[4]和林煜等^[5]针对浊积水道的构型划分方案，结合浊积水道储层的分布特征及其对油田开发的影响，建立了渤海湾盆地F油田沙三中亚段湖底浊积水道储层8个级次的构型界面划分方案：构型级次由高到低依次为湖底扇复合体—单一湖底扇—水道体系—复合水道—单一水道—水道内部增生体或韵律层—纹层组—纹层。此外，依据浊积水道的成因类型和沉积模式可将研究区进一步划分为3类单一水道，分别为一类单一水道（以块状砂砾岩相及中—粗砂岩相为主）、二类单一水道（以中—细砂岩相为主）及三类单一水道（以泥质粉砂岩相为主），3种类型的单一水道在垂向上具有不同的沉积模式（图 3）。

图 3

Fig. 3

下载原图 图 3 渤海湾盆地F油田古近系沙三中亚段单一水道类型及沉积模式 A. 递变层理段；B. 下平行纹层段；C. 流水沙纹层段；D. 上平行纹层段；E. 泥岩段。 Fig. 3 Single channel types and sedimentary model of middle Es3 in F oilfield, Bohai Bay Basin

一类单一水道形成于浊积水道体系演化的早期，是高密度浊流沉积的产物，自水道底部向顶部依次发育块状砂砾岩相、块状粗砂岩相、中—粗砂岩夹薄层粉—细砂岩相；鲍马序列的底部递变层理段最发育，顶层沉积不发育，序列模式为AB组合；自然伽马曲线（GR）和电阻率曲线（R_t）呈齿化箱形。二类单一水道形成于浊积水道体系演化的中期，属低密度浊流沉积，水道底部以块状砂砾岩相和块状中—粗砂岩相为主，主体部位主要发育块状中—细砂岩相及少量的薄层细砂岩，顶部主要发育泥质粉砂岩相，沉积物粒度自下而上逐渐变细，为典型的正韵律沉积；鲍马序列发育有ABCD组合和ABC组合；GR与R_t曲线呈钟形、箱形或箱形-钟形组合，内部存在回返。三类单一水道形成于浊积水道体系演化的晚期，属浊流消亡期的泥质浊流沉积，沉积物粒度较细，以泥质粉砂岩为主；鲍马序列发育最为完整，包括ABCDE组合和ABCD组合，以上平行纹层段的泥质粉砂岩和粉砂岩沉积为主，底部递变层理发育较少；GR与R_t曲线呈齿化严重的钟形，内部回返明显（图 3）。

从水道体系、复合水道与单一水道3个级次开展渗流屏障分析。研究区为简单的背斜构造，钙质胶结物在储层中难以形成稳定分布的层间渗流屏障，以局部的层内渗流屏障存在，因此主要分析泥质渗流屏障。水道体系的划分界面为不同水道体系间区域稳定分布的泥质隔层，对应构型级次划分的六级（⑥）界面，为一级渗流屏障；复合水道的泥岩屏障往往为发育广泛、分布相对稳定的垂向泥质隔层，对应构型级次划分的五级（⑤）界面，为二级渗流屏障；单一水道间的渗流屏障为水道侧缘沉积或水道间的漫溢沉积，对应构型级次划分的四级（④）界面，为三级渗流屏障；水道内部充填的泥质夹层和钙质夹层，对应构型级次划分的三级（③）界面，为四级渗流屏障。其中，一级、二级渗流屏障分布稳定，所限定的储层连通体之间没有流体流动；三级渗流屏障呈不连续分布，将连通体分割成了若干个连通或不连通的储集单元；四级渗流屏障所限定的储层连通体内部再无渗流屏障的存在，连通体内的渗流特征差异只与岩相充填特征有关（图 4）。

图 4

Fig. 4

下载原图 图 4 渤海湾盆地F油田古近系沙三中亚段渗流屏障级别与储层构型的关系 Fig. 4 Relationship between seepage barriers and reservoir architecture of middle Es 3 in F oilfield, Bohai Bay Basin

基于浊积水道构型和渗流屏障的分析，明确浊积扇沉积体内部水道体系、复合水道与单一水道3个级次的构型要素及对应级次的渗流屏障分布，对单一水道开展流动单元划分及识别。采用流动分层指标法（FZI）法，结合储集物性、微观孔隙结构和生产动态等特征划分取心层段的流动单元类型，根据岩心物性分析数据计算的I_FZ值（流动分层指标）的累计概率曲线确定4个主要的分布区间（图 5a）。以FZI法为主，结合储层的岩石物理特征和生产动态特征，可将取心层段的岩心样本划分为Ⅰ，Ⅱ，Ⅲ，Ⅳ等4类储层流动单元（图 5、表 1）。其中，Ⅰ类储层流动单元的储集物性和渗流能力最好，渗透率大于12.1 mD，平均为23.0 mD，初期产能最高，日产液量平均为34.2 t。Ⅱ类储层流动单元储集物性和渗流能力相对较好，渗透率为5.9~33.2 mD，平均为12.9 mD，初期产能较高，日产液量平均为22.1 t。Ⅲ类储层流动单元的储集物性和渗流能力一般，渗透率为3.6~28.6 mD，平均为11.3 mD，初期产能较差，日产液量平均为13.7 t。Ⅳ类储层流动单元的储集物性和渗流能力最差，渗透率平均为8.6 mD，初期产能最差，动用程度较低（表 1）。

图 5

Fig. 5

下载原图 图 5 渤海湾盆地F油田古近系沙三中亚段基于流动分层指标法（FZI）划分流动单元 Fig. 5 Flow units division based on FZI method of middle Es3 in F oilfield, Bohai Bay Basin

表 1(Table 1)

表 1 渤海湾盆地F油田古近系沙三中亚段流动单元特征参数统计据 Table 1 Characteristic parameters of different types of flow units of middle Es3 in F oilfield, Bohai Bay Basin 流动单元类型 渗透率/mD 孔隙度/% 孔喉半径/μm IFZ φ（Vsh）/% 日产油量/t 日产液量/t Ⅰ类 12.1~53.4（23.0） 8.3~14.3（10.2） 3.43~5.92（4.39） ＞0.36（0.40） 6.75~53.55（26.65） 24.3~42.4（29.4） 26.4~42.9（34.2） Ⅱ类 5.9~33.2（12.9） 8.2~20.1（11.5） 1.81~4.61（2.86） 0.16~0.36（0.26） 4.34~69.19（32.71） 14.6~22.8（18.1） 15.9~29.1（22.1） Ⅲ类 3.6~28.6（11.3） 10.6~23.5（16.3） 1.16~2.88（1.91） 0.09~0.16（0.13） 3.29~77.35（34.15） 3.5~13.4（7.3） 6.7~30.2（13.7） Ⅳ类 3.1~16.7（8.6） 14.7~29.0（20.6） 0.75~2.34（1.37） ＜0.09（0.07） 7.58~78.05（43.69） 1.1~4.7（2.3） 1.7~16.7（6.8） 注：最小值~最大值（平均值）。

下载CSV 表 1 渤海湾盆地F油田古近系沙三中亚段流动单元特征参数统计据 Table 1 Characteristic parameters of different types of flow units of middle Es3 in F oilfield, Bohai Bay Basin

单井流动单元能够反映储层内部的渗流特征分布，因此，在构型模式的指导下进行了单井流动单元研究。首先，在垂向上区分储层与非储层；其次，针对储层的物性特征、孔隙结构特征及流动特征差异开展单井流动单元识别。如图 6所示，单井流动单元划分结果与初期产能分布具有较好的匹配关系。Ⅰ类流动单元与Ⅱ类流动单元初期产能较高，Ⅲ类流动单元初期产能一般。此外，由于同一单井的不同单一水道发育于不同的水道体系演化阶段，水道内部充填特征不同，导致流动单元类型及分布存在差异。对于不同单井的同一单层，由于水道发育位置不同，水道内部充填特征也存在差异，导致井间流动单元分布不同（图 6）。

图 6

Fig. 6

下载原图 图 6 渤海湾盆地F油田古近系沙三中亚段单井流动单元划分结果 Fig. 6 Division results of flow units in single wells of middle Es3 in F oilfield, Bohai Bay Basin

自组织映射（SOM，Self-Organizing Maps）神经网络算法是Kohonen^[18]于1982年提出的一种无监督模式下的聚类分析算法，包括输入层和竞争层2层神经网络结构（图 7a）。输入层的节点数即为流动单元输入样本的维数，当接收到流动单元样本的输入特征时，位于竞争层的神经元相互竞争对输入模式获取响应的机会。最终，获胜的神经元兴奋，失败的神经元受到抑制，获胜的神经元即为输入样本的流动单元分类。

图 7

Fig. 7

下载原图 图 7 自组织映射神经网络结构示意图[19] Fig. 7 Structure diagram showing self-organizing map neural network

SOM算法在岩性识别、流体预测及遥感图像分类等方面取得了较好的应用效果^[19-20]，但在解决非线性关系强烈的模式分类问题时，存在分类准确度不高、样本统计困难、难以挖掘出非显著信息等缺点^[21]。因此，国内外学者对其进行了改进，提出了一种监督模式下的自组织神经网络（SSOM）算法^[21-23]。相比SOM算法，SSOM算法增加了输出层，其神经网络结构如图 7b所示。监督模式下的学习训练过程，通过调整获胜神经元节点邻域内所有节点与输入层和输出层节点之间的权值完成竞争层与输入层、输出层之间的权值校正。其算法的实质是通过分析流动单元输入样本的预测类别和岩心定性分析流动单元类别之间的吻合程度，进行权值调整，从而建立流动单元预测模型，对未取心井的流动单元进行预测。

（1）特征曲线的选取及数据预处理

输入特征的选取直接影响着训练结果的准确性，本研究选取了影响岩石渗流能力的4类参数，包括储集物性参数：孔隙度（φ）、渗透率（k）、泥质含量（V_sh）、含油饱和度（S_o）、储层品质指数（I_RQ）、渗透率突进系数（T_k）、渗透率级差（J_k）；沉积特征参数：沉积微相、砂岩厚度（H）、夹层厚度（h_d）及夹层密度（ρ_d）；微观孔隙结构参数：孔喉半径（R₃₅）及流动分层指标（I_FZ）等在内的13个储层评价参数。为避免维度过高导致运算困难，在进行神经网络运算之前，采用因子分析算法，对输入参数进行了降维处理。当选取前5个主因子时，累计方差贡献率大于80%（表 2）。因此，选取前5个主因子（F₁，F₂，F₃，F₄和F₅）作为神经网络模型的输入特征；以FZI法获取的流动单元类型作为模型的输出类型，即可构建神经网络运算所必须的样本数据集。

表 2(Table 2)

表 2 方差分析结果 Table 2 Rsults of variance analysis 因子 初始 提取平方和载入 旋转平方和载入 特征值 方差贡献率/% 累积方差贡献率/% 特征值 方差贡献率/% 累积方差贡献率/% 特征值 方差贡献率/% 累积方差贡献率/% F1 3.384 26.028 26.028 3.384 26.028 26.028 3.326 25.582 25.582 F2 2.857 21.974 48.003 2.857 21.974 48.003 2.062 15.863 41.445 F3 1.815 13.958 61.961 1.815 13.958 61.961 1.861 14.312 55.756 F4 1.503 11.559 73.520 1.503 11.559 73.520 1.783 13.716 69.473 F5 0.999 7.683 81.202 0.999 7.683 81.202 1.525 11.729 81.202

下载CSV 表 2 方差分析结果 Table 2 Rsults of variance analysis

（2）网络结构初始化

本次采用的神经网络为10×10的对称网络，每个竞争层的神经网络节点代表一种流动单元储层参数响应特征，输出层的神经网络节点代表岩心样本的流动单元类别。对神经网络数据进行随机初始化，学习速率η的初始值选0.5，随着训练时间和迭代次数的增加逐渐减少至0.000 1（学习率阈值）后结束训练；邻域距离的初始值设为2，随着迭代的进行逐渐缩短邻域距离；设置输入层与竞争层之间的权值（W_ij）以及竞争层与输出层之间的权值（W_jk）为0~1的相异随机数。

（3）计算获胜神经元节点g

本次研究改进了传统的最小欧式距离法，通过引入最大概率法以实现定量计算获胜神经元节点的目的。首先，计算输入样本x_i与所有竞争层神经元节点j的欧式距离D_j

其次，根据欧式距离进行反距离加权，即可计算出神经元节点的获胜概率值P（j）

式中：P（j）为单个神经元获胜的概率；P（g）为获胜神经元的获胜概率；μ为任意正实数（通常取2）。

（4）权系数调整

训练获胜神经元邻域距离内的所有神经元，调整他们的权系数，包括获胜神经元节点邻域内所有节点与输入层的权值W_ij及其与输出层的权值W_jk。当学习率η小于阈值0.000 1时，训练结束。

式中：Y_k为取心井样本所属的流动单元类别；η₁，η₂均为学习率，随着训练时间及迭代次数的增加而线性降低。

（5）预测模型输出与分析

图 8为反映流动单元分类结果的自组织映射拓扑图及3D Sammon投影图。拓扑图中保留了流动单元样本的输入特征及输出类别，每一个神经元节点都代表了一种储层参数响应特征，方格颜色代表该神经元节点所属的流动单元类别，且落在同一类流动单元内的数据点具有相同的岩石物理特征。3D Sammon投影图是拓扑图在三维空间的投影，直观地反映了SSOM模型分类情况和各个竞争层神经元节点之间的距离。

图 8

Fig. 8

下载原图 图 8 自组织映射聚类网络拓扑图（a）及竞争神经元节点3D Sammon投影（b） Fig. 8 Self-organizing map topology(a)and 3D Sammon mapping projection of competing neuron nodes(b)

以取心井定性划分的366个流动单元样本数据作为模型训练和验证过程中的样本数据集，随机选取70% 的样本数据作为训练样本，其余30% 的样本作为测试样本对模型进行回判检验。基于SSOM算法的流动单元识别结果表明，256组训练样本仅出现44个错判，训练样本的整体回判准确率为82.81%，且110组测试样本的识别准确率为80.91%，表现出较高的预测准确率（表 3）。测试样本中有21个样本发生错判，其中19个错判样本的流动单元类型被识别为相邻类别，主要是由于浊积水道非均质性强，仅靠4类流动单元类型难以全面表征其非均质性特征，而更加精细化的流动单元分类方案又需要大量岩心分析数据作为支撑，在有限的取心资料情况下，总体错判率能够满足地质油藏研究的需求。因此，监督模式下的自组织映射神经网络算法通过神经元竞争学习、相互监督的方式，能够输出最优的流动单元预测模型，为流动单元的研究提供了一种新的手段。

表 3(Table 3)

表 3 渤海湾盆地F油田古近系沙三中亚段基于SSOM的流动单元预测精度统计 Table 3 Statistics of flow unit prediction accuracy based on SSOM of middle Es3 in F oilfield, Bohai Bay Basin 孔隙结构类型 训练样本 测试样本 样本数/个 准确预测样本数/个 预测正确率/% 样本数/个 预测类型/个 预测正确率/% Ⅰ类 Ⅱ类 Ⅲ类 Ⅳ类 Ⅰ类 19 16 84.21 9 7 2 0 0 77.78 Ⅱ类 106 90 84.91 44 2 36 5 1 81.82 Ⅲ类 108 87 80.56 47 1 4 38 4 80.85 Ⅳ类 23 19 82.61 10 0 0 2 8 80.00 合计 256 212 82.81 110 80.91

下载CSV 表 3 渤海湾盆地F油田古近系沙三中亚段基于SSOM的流动单元预测精度统计 Table 3 Statistics of flow unit prediction accuracy based on SSOM of middle Es3 in F oilfield, Bohai Bay Basin

渤海湾盆地F油田未取心井段流动单元的分类识别可以借助SSOM模型实现，在单井识别的基础上开展了井间剖面和平面流动单元分布预测^[24-25]。

受沉积物源、水动力条件、水道的迁移叠置等因素的影响，浊积水道体系不同演化时期发育的单一水道类型存在差异。自水道体系演化的早期—晚期，单一水道类型表现出自一类向三类过渡的趋势。通过单一水道与流动单元剖面分布的对比分析发现，单一水道类型的差异性造成了流动单元剖面分布的差异性，即流动单元剖面展布特征受水道垂向演化控制作用显著，主要表现在以下2个方面。

（1）垂向上，Ⅰ，Ⅱ，Ⅲ，Ⅳ等4类流动单元在F油田4砂层组的分布差异明显。总体表现为Ⅲ类流动单元分布广泛，Ⅱ类次之，Ⅰ类、Ⅳ类流动单元发育较少。从水道体系级次来看，Ⅰ类、Ⅱ类优质流动单元发育在浊积水道体系演化的中期，Ⅲ类、Ⅳ类流动单元发育在浊积水道体系演化的早期和晚期。从单一水道来看，不同类型单一水道成因类型和沉积模式的差异性，导致不同类型单一水道内部发育的流动单元类型存在明显差异。Ⅰ类、Ⅱ类流动单元分布在二类单一水道；Ⅲ类流动单元分布广泛，在一类、二类、三类单一水道均有分布；Ⅳ类流动单元发育在一类、三类单一水道（图 9）。

图 9

Fig. 9

下载原图 图 9 渤海湾盆地F油田古近系沙三中亚段流动单元与单一水道剖面分布特征 Fig. 9 Distribution of flow units and single channels of middle Es3 in F oilfield, Bohai Bay Basin

（2）侧向上，流动单元间呈2种接触样式，分别为流动单元与非渗透层（即隔层）直接接触和流动单元间的相互接触。前者发育在浊积水道体系早期沉积旋回中，接触界面明显，属于一类水道沉积砂体（如4⁴、4⁵小层沉积砂体侧向上发育流动单元与非渗透层的直接接触）。后者接触界面不明显，通常显示出侧向上流动单元渗流特征的差异，发育在水道体系中晚期沉积旋回中，属于二类、三类水道沉积砂体（如4²、4³小层沉积砂体侧向上多发育流动单元间的相互接触）（图 9）。

平面上以4^3-2单砂体为例，分析复合水道级次流动单元的平面分布规律。受单一水道侧向迁移和垂向加积作用的影响，复合水道内部泥质渗流屏障较为发育，水道内部渗流差异明显，造成了复合水道内部流动单元平面展布的差异性。研究结果表明，4^3-2单砂体内部主要发育Ⅲ类流动单元，井间连续性好，在浊积主水道、浊积水道及水道漫溢沉积砂体处均有发育；渗流能力较好的Ⅰ类、Ⅱ类流动单元分布局限、连续性差，仅在浊积水道主流线方向及主水道砂体处有分布，呈不连续的点状或带状分布；Ⅳ类流动单元呈环带状分布在Ⅲ类流动单元的外缘，在浊积水道漫溢沉积砂体处发育。总体来说，4^3-2单砂体平面非均质性较强，流动单元平面分布差异性明显（图 10）。

图 10

Fig. 10

下载原图 图 10 渤海湾盆地F油田古近系沙三中亚段43-2单砂体流动单元分布与构型单元平面分布对比 Fig. 10 Planar distribution of flow units and architecture elements of 43-2 single sand layer of middle Es3 in F oilfield, Bohai Bay Basin

（1）研究区湖底浊积水道砂体构型级次由高到低依次为湖底扇复合体—单一湖底扇—水道体系—复合水道—单一水道—水道内部增生体或韵律层—纹层组—纹层。浊积水道砂体可进一步划分为一类单一水道（以块状砂砾岩相及中—粗砂岩相为主）、二类单一水道（以中—细砂岩相为主）及三类单一水道（以泥质粉砂岩相为主）。

（2）在取心层段流动单元划分的基础上，采用SSOM算法开展未取心层段的流动单元定量识别，测试样本正判率达80.91%，具有较高的预测精度和显著的分类效果。

（3）流动单元垂向展布受水道垂向演化控制作用明显。从水道体系来看，优质流动单元主要发育在水道体系演化的中期，而渗流能力较差的流动单元多发育在水道体系演化的早期和晚期，且不同演化阶段的流动单元侧向分割方式不同；从单一水道来看，不同类型的单一水道内部流动单元类型不同。

（4）复合水道级次的流动单元的平面展布差异性明显，优质流动单元仅发育在浊积水道主流线方向及主水道砂体处，渗流能力较差的流动单元多发育在水道漫溢沉积砂体处。