阿曼五區(qū)塊Daleel油田儲層裂縫識別方法研究

鄭 軍，劉鴻博，2，周 文，鄧虎成

（1.成都理工大學(xué)能源學(xué)院，四川成都610059；2.四川水利職業(yè)技術(shù)學(xué)院，四川都江堰600839）

0 引 言

阿曼盆地Daleel油藏屬于斷塊－巖性油氣藏，儲層巖性主要為生物碎屑、粒狀碳酸鹽巖，基質(zhì)物性差，不同儲層段物性差異也很大。對儲層裂縫的識別是一項重要的工作［1］。以往在該區(qū)所做研究表明，利用常規(guī)測井方法可以識別裂縫，但是精度不高。成像測井尤其是地層微電阻率掃描測井（FMI）能成功識別出井眼內(nèi)的裂縫，對裂縫性油氣藏進行精細描述，并可識別出裂縫的位置、形狀、產(chǎn)狀和密度等［2］。支持向量機方法已被廣泛應(yīng)用于模式識別［3］、回歸估計［4］、儲層預(yù)測［5］等領(lǐng)域，是目前機器學(xué)習(xí)領(lǐng)域的研究熱點［6］。本文在分析Daleel油田的地質(zhì)特征的前提下，綜合利用常規(guī)測井和地質(zhì)資料，觀察了取心井段裂縫發(fā)育特征并將其進行有效的分類。分析了取心中裂縫發(fā)育井段其對應(yīng)的測井響應(yīng)特征，提取了測井曲線特征參數(shù)，利用支持向量機方法對研究區(qū)的裂縫進行了識別，研究了該方法在儲層裂縫識別中的應(yīng)用效果。

1 研究區(qū)概況

Daleel油田是阿曼五區(qū)塊的主力油田，主力油層是Shuaiba層。到2007年底，Daleel油田共鉆井133口，其中102口水平井。Daleel油田總體上為發(fā)育在西南高、東北低的單斜構(gòu)造背景下（地層傾角2°～5°）的斷塊－巖性油藏。油田近NE－SW展布，長15km、寬4km、面積約60km2。NW－ES走向斷層較發(fā)育，均為正斷層，斷距10～70m，最大120 m。斷層傾向分為EN傾和WS傾2個組，形成地壘與地塹相間斷塊構(gòu)造。東北和西南為斷層分割封堵，由主斷層把Daleel油田分成10個斷塊，分別為A、B、C、D、E、F及AB、BC、DE、EF。

2 工區(qū)內(nèi)裂縫分類定義

對研究區(qū)成像測井資料進行分析發(fā)現(xiàn)，影像中分為連續(xù)暗色、不連續(xù)暗色、連續(xù)亮色、不連續(xù)亮色等4個類型。實際地層中天然裂縫的裂縫類型按照影像的特征對其分為4類。

（1）連續(xù)傳導(dǎo)縫（CCF）。連續(xù)傳導(dǎo)縫的裂縫有效程度高，這類裂縫與巖心和薄片上所識別的開啟裂縫相對應(yīng)。如DL-128H1井深度為1 790m［見圖1（a）］發(fā)育1條CCF類型裂縫。

（2）不連續(xù)傳導(dǎo)縫（DCF）。不連續(xù)傳導(dǎo)縫表現(xiàn)為高電導(dǎo)率異常，基本特征與連續(xù)傳導(dǎo)縫類似，只是波形曲線深色影像表現(xiàn)為不規(guī)則、不連續(xù)和模糊的特征。該類裂縫也具有一定有效性，仍然可以歸為開啟縫類型。DL-128H1井中深度在1 923.4m［見圖1（b）］處有1條較完整的正弦波形的曲線，圖像比CCF縫影像模糊，低電阻率部分連續(xù)度相對高，為DCF型裂縫的典型影像特征。

（3）連續(xù)高電阻率縫（CRF）。連續(xù)高電阻率縫表現(xiàn)為高電阻率異常，一般為完整正弦波形曲線影像，影像為連續(xù)淺色，該類裂縫與巖心和薄片上見到高電阻率充填的裂縫相對應(yīng)，一般為充填裂縫，有效程度低。DL-128H1井深度1 794.9m［見圖1（c）］處的影像表現(xiàn)為淺色連續(xù)高電阻率特征，曲線形態(tài)分別為近于直線和完整的低幅度正弦波形曲線影像，說明裂縫被高電阻率礦物連續(xù)充填。

（4）不連續(xù)高電阻率縫（DRF）。不連續(xù)高電阻率縫表現(xiàn)為高電阻率異常，影像特征表現(xiàn)為正弦波型曲線和水平影像，影像顏色為深色和淺色相間，此類裂縫為充填裂縫，有效程度低。DL-125H1井深度2 013.8、2 014.6m［見圖1（d）］處成像測井的影像都顯示為不連續(xù)淺顏色的高電阻率顯示。

在裂縫識別的過程中，將裂縫識別工作分為有效裂縫、無效裂縫以及非裂縫等3大類。其中，有效裂縫包括CCF和CRF等2種類型，無效裂縫包括CRF和DRF等2種類型。

3 裂縫的常規(guī)測井響應(yīng)特征

3.1 裂縫在常規(guī)測井上的響應(yīng)特征

3.1.1 深、淺雙側(cè)向電阻率

裂縫發(fā)育的不均一性，電阻率測井曲線形態(tài)常呈高低間、起伏不平的多尖峰狀；裂縫發(fā)育時電阻率曲線都為低值顯示，僅當(dāng)有孤立稀疏的小裂縫發(fā)育時，深、淺雙側(cè)向測井電阻率值才表現(xiàn)為大小降低不明顯［7］。深、淺雙側(cè)向電阻率的大小及差異性質(zhì)受流體性質(zhì)、裂縫張開度、裂縫密度、裂縫產(chǎn)狀、裂縫徑向延伸以及巖石本身的電阻率影響，對高角度裂縫、垂直裂縫的深淺側(cè)向電阻率其值明顯降低，并出現(xiàn)深淺側(cè)向之間相對增大的準(zhǔn)正差異現(xiàn)象，且二者比值隨裂縫傾角、裂縫張開度、裂縫徑向延伸度、裂縫縱向穿層長度的增大而增大；低角度裂縫也使深淺側(cè)向讀數(shù)降低，曲線形狀尖銳，一般顯示相反的準(zhǔn)負差異現(xiàn)象；網(wǎng)狀裂縫的深淺側(cè)向讀數(shù)更低，也存在差異現(xiàn)象。

圖1 Daleel油田DL-128H1井成像測井裂縫影響特征

3.1.2 聲波時差、地層密度、中子孔隙度

裂縫與井壁成全部截割時，在低角度、水平縫的情況下聲波時差增高；而高角度縫對聲波傳播影響不明顯。密度測井主要反映巖石的總孔隙度，與測井儀器極板是否靠上裂縫關(guān)系極大。若極板靠上裂縫，曲線反映的孔隙度偏高，而與儀器極板不接觸或處于探測空間以外的裂縫溶洞則無法反映。中子孔隙度在致密基巖段，中子孔隙度曲線成1條平直直線。若中子測井儀探測范圍內(nèi)有裂縫存在，則將對中子孔隙度測井產(chǎn)生貢獻，導(dǎo)致中子孔隙度變大。

3.1.3 井徑

與井壁相切割的高角度裂縫造成井壁附近巖石強度降低，形成沿裂縫走向的垮塌，雙井徑曲線出現(xiàn)一個方向井徑大于鉆頭直徑，另一個方向井徑接近于鉆頭直徑的橢圓現(xiàn)象。在常規(guī)測量的單井徑曲線上同樣存在裂縫發(fā)育處井徑較致密層擴大的現(xiàn)象。

3.2 常規(guī)測井裂縫識別模式建立

在Daleel油田巖心描述的基礎(chǔ)上，提取了裂縫發(fā)育層段所對應(yīng)的測井響應(yīng)值，選取了多口井的資料點。裂縫識別工作分為有效裂縫、無效裂縫以及非裂縫3大類，通過對中子與井徑、深側(cè)向與中子、光電吸收因子與密度、深淺電阻率差與聲波進行了兩兩交會，建立了不同參數(shù)的裂縫交會圖版（見圖2）。由圖2可以看出聲波、光電吸收因子、深淺電阻率差測井系列對這3類樣品區(qū)分效果極差，基本上不能把任何類型樣品進行區(qū)分開。井徑與中子對于未充填裂縫可以很好地區(qū)分出來，充填與無裂縫2類樣品的點子基本上混在一起，無法區(qū)分。深側(cè)向電阻率對于這3類樣品，其中未充填樣品與其他2種類型能夠在一定程度上區(qū)分開，但充填、無裂縫2類基本上混淆在一起。根據(jù)上述各類裂縫及非裂縫樣品的測井響應(yīng)信號的對比分析可知，對于該地區(qū)儲層能夠在常規(guī)測井上把具有一定響應(yīng)特征的未充填（或者充填程度不高）的裂縫和充填縫（或非裂縫）區(qū)別開。未充填裂縫相對充填縫（或非裂縫）在測井響應(yīng)上反映為中子孔隙度和井徑其值增大，深側(cè)向其響應(yīng)值略有降低。圖3為阿曼Daleel油田未充填裂縫Daleel4井D油層1 597.26～1 597.61m裂縫的測井響應(yīng)特征，該段裂縫為未充填裂縫，其測井響應(yīng)值，聲波為1 08.0～1 10.6μs／ft（非法定計量單位，1ft＝12in＝0.304 8m，下同）；中子孔隙度為0.53%～0.60%；自然伽馬為80.8～87.3gAPI；自然電位為30.90～30.93mV；深側(cè)向電阻率為1.20～1.39Ω·m；井徑為11.84～15.66in；光電吸收因子為3.39～3.48b／eV。該層段相對層內(nèi)上部無裂縫段測井響應(yīng)中深側(cè)向電阻率明顯減小，井徑和中子孔隙度明顯增加。通過這些常規(guī)測井的組合特征可以將這一類裂縫進行有效的識別。

對于充填裂縫程度較高的裂縫常規(guī)測井響應(yīng)特征往往不明顯，不能跟無裂縫段地層進行區(qū)分。如圖4阿曼Daleel油田未充填裂縫Daleel1井B2油層1 716.23～1 716.56m裂縫的測井響應(yīng)特征，該段裂縫為垂直充填裂縫，其測井響應(yīng)值聲波為63.9～64.5μs／ft；中子孔隙度為0.10%～0.11%；自然伽馬為17.7～22.0gAPI；自然電位為－38.9～－38.4mV；深側(cè)向電阻率為2.58～2.68Ω·m；井徑為8.50～8.59in；光電吸收因子為6.98～7.55 b／eV。該層段電測信號特征相對層內(nèi)或上面的碳酸鹽儲層中無裂縫段無較大差異，因此，通過這些常規(guī)測井的組合特征對充填程度較高的裂縫不能夠進行有效的識別。

4 支持向量機在裂縫識別中的應(yīng)用

常規(guī)測井資料在該區(qū)的應(yīng)用效果尚不明顯。因此，研究嘗試引入了在模式識別領(lǐng)域中的支持向量機方法（SVM）［8］。裂縫識別也屬于多分類判別模式識別的問題，可以利用多分類SVM方法建立裂縫識別模型完成。

4.1 實驗測試建模

4.1.1 樣本集選取及數(shù)據(jù)歸一化

采用粗糙集方法，分析各個參數(shù)對預(yù)測目標(biāo)的敏感程度，最終確定輸入的參數(shù)采用能反映儲層裂縫的深側(cè)向電阻率（RLLd）、淺側(cè)向電阻率（RLLs）、中子孔隙度（φN）、井徑（CAL）、聲波時差（Δt）、自然伽馬（GR）和密度（DEN）等7個參數(shù)；輸出參數(shù)為正整數(shù)表示的裂縫類別標(biāo)號，如類別1表示有效裂縫，類別2表示無效裂縫，類別3表示非裂縫。通過取心井的測井資料，從研究層段內(nèi)提取了可靠的、有代表性的35個數(shù)據(jù)樣本對構(gòu)建樣本集，其中27對作為訓(xùn)練樣本，其余8對作為驗證樣本。

圖2 常規(guī)測井參數(shù)裂縫識別交會圖版

圖3 阿曼Daleel油田Daleel-4井非充填裂縫（1 597.26～1 597.61m）測井響應(yīng)特征

圖4 阿曼Daleel油田Daleel-1井充填裂縫（1 716.23～1 716.56m）測井響應(yīng)特征

為避免各參數(shù)量綱差異導(dǎo)致核函數(shù)內(nèi)積計算困難，對預(yù)測結(jié)果造成負面影響，首先對學(xué)習(xí)樣本的屬性值進行歸一化處理，并根據(jù)屬性值呈正態(tài)分布的進行常規(guī)歸一化、屬性值呈非正態(tài)分布（如深側(cè)向電阻率）的進行對數(shù)歸一化處理的原則，對所選取的各測井曲線進行歸一化預(yù)處理，最終將樣本的屬性值映射到［0，1］區(qū)間，從而減小SVM模型的計算量，提高預(yù)測精度。

4.1.2 SVM模型最佳參數(shù)優(yōu)化

支持向量機最終的目的是尋找一個合適的分類函數(shù)對未知層位進行預(yù)測識別。分類函數(shù)的確定主要是對核函數(shù)的選擇和對懲罰系數(shù)c的確定，核函數(shù)的選擇對模型的泛化性能有較大的影響，需要根據(jù)訓(xùn)練樣本的分布和比較實驗進行。對于該區(qū)的裂縫識別問題，經(jīng)過多次試驗，選擇了RBF核函數(shù)。Libsvm對于核參數(shù)r和懲罰系數(shù)c的選擇主要采用網(wǎng)格搜索尋優(yōu)法。其基本思路首是先大致選定1個區(qū)間，如c的區(qū)間為［2－10，210］，r的區(qū)間為［2－8，28］，步長為1，在選定區(qū)間內(nèi)讓c和r呈指數(shù)增長，通過不斷改變c和r的組合，初步尋找二者的最佳組合，然后確定準(zhǔn)確率出現(xiàn)最高的1個小區(qū)間，并逐步縮短步長重復(fù)搜索，直至搜索結(jié)果精度變化不大時為止，最后所得結(jié)果即為最優(yōu)化參數(shù)。研究所得最佳參數(shù)組合為［c，r］＝［32，0.5］，交叉驗證精度達91.4%。裂縫識別SVM分類流程通過Libsvm軟件包實現(xiàn)。

4.2 應(yīng)用效果分析

4.2.2 SVM裂縫模型

利用所建立的SVM流體識別模型對35個由取心結(jié)果和測井資料得到的裂縫樣本進行預(yù)測與回判。8個預(yù)測樣本正確識別的有7個，正確率達到87.5%，其中1個誤判樣本是將無效裂縫判識為非裂縫，因此，沒有漏失有效裂縫樣本（見表1）。對28個建模樣本進行回判，準(zhǔn)確率達100%。利用SVM方法對9口取心井35個樣本進行分類評價，將參數(shù)c、r調(diào)整至最佳參數(shù)組合32、0.5，得到圖5所示的分類評價圖。從圖5中可以看出，SVM方法可以較好的將有效裂縫、無效裂縫和非裂縫分類。

圖5 SVM方法9口取心井35個樣本的分類評價圖

表1 9口取心井7個檢驗樣本的判別結(jié)果

利用SVM裂縫識別的結(jié)果可以對該工區(qū)進行裂縫評價。圖6為DL-2井和DL-56井應(yīng)用SVM方法進行裂縫識別的結(jié)果。圖6中，SVM裂縫解釋結(jié)果中，1表示有效裂縫，2表示無效裂縫，3表示非裂縫。從圖6中可以清楚的看出單井剖面上裂縫的分布，為今后的開發(fā)提供了依據(jù)。

圖6 應(yīng)用SVM方法單井裂縫識別效果圖

5 結(jié) 論

多元回歸分析（MRA）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機（SVM）等3種算法具有各自的特點。SVM計算速度比ANN快10倍以上。當(dāng)難以判斷一個研究目標(biāo)與其相關(guān)因素的復(fù)雜關(guān)系的非線性強弱程度時，采用SVM更準(zhǔn)確［9］。

利用常規(guī)測井裂縫識別模式對儲層裂縫進行識別時發(fā)現(xiàn)，對充填程度較高的裂縫不能夠進行有效識別。應(yīng)用SVM方法綜合考慮儲層的巖性、物性和裂縫特征等多種因素建立裂縫識別模型，可以提高裂縫測井解釋精度。因此，當(dāng)描述一個研究目標(biāo)與多個相關(guān)地質(zhì)因素的復(fù)雜關(guān)系時，應(yīng)提倡采用SVM，而MRA作為輔助應(yīng)用。

［1］ 周 文.裂縫性油氣儲集層評價方法［M］.成都：四川科學(xué)技術(shù)出版社，1998.

［2］ 陳鋼花，毛克宇，等.利用地層微電阻率成像測井識別裂縫［J］.測井技術(shù)，1999，23（4）：279-281.

［3］ Burges C.A Turorial on Support Vector Machines Forpattern Recongnition［J］.Data Mining and Knowledge Discovery，1998，2（2）：121－167.

［4］ 朱國強，劉士榮，俞金壽.支持向量機及其在函數(shù)逼近中的應(yīng)用［J］.華東理工大學(xué)學(xué)報，2002，28（5）：555－559.

［5］ 樂友善，袁全社.支持向量機方法在儲層預(yù)測中的應(yīng)用［J］.石油物探，2005，44（4）：388－392.

［6］ 彭 濤，張 翔.支持向量機及其在石油勘探開發(fā)中的應(yīng)用綜述［J］.勘探地球物理進展，2007，30（2）：91－95.

［7］ 雷從眾，林 軍，等.克拉瑪依油田八區(qū)下烏爾禾組油藏裂縫識別方法［J］.新疆石油地質(zhì)，2008，29（3）：354－357.

［8］ 張銀德，童凱軍，等.支持向量機方法在低阻油層流體識別中的應(yīng)用［J］.石油物探，2008，47（3）：306－314.

［9］ 石廣仁.支持向量機在裂縫預(yù)測及含氣性評價應(yīng)用中的優(yōu)越性［J］.石油勘探與開發(fā)，2008，35（5）：588－594.