塔河油田復(fù)雜碎屑巖巖性識別方法

袁 瑞

(1.長江大學(xué)地球科學(xué)學(xué)院，湖北武漢 430100；2.長江大學(xué)信息與數(shù)學(xué)學(xué)院，湖北荊州 434023)

近年來，塔河油田加大了古生界地層的油氣勘探開發(fā)力度，在石炭系碎屑巖儲集層勘探中獲得了重大突破。然而，塔河油田石炭系碎屑巖儲集層含泥、含礫和含鈣，屬于復(fù)雜巖性儲集層，其巖性識別問題仍是急需深入研究的基礎(chǔ)工作。前人綜合利用多種常規(guī)測井資料，采用基于統(tǒng)計學(xué)習(xí)理論的支持向量機方法在石油勘探開發(fā)方面進行了一些成功應(yīng)用[1-5]，但多數(shù)文獻在支持向量機輸入特征值中均直接利用了常規(guī)測井資料中的測井?dāng)?shù)據(jù)，沒有對巖性特征參數(shù)做進一步處理[6-8]。為此，筆者根據(jù)塔河油田石炭系復(fù)雜碎屑巖儲集層的巖性特點，利用最小二乘支持向量機方法，在輸入特征值中引入泥質(zhì)含量和鈣質(zhì)含量，增加了儲集層巖性反映相對敏感的信息，提高了識別效果。

1 最小二乘支持向量機基本原理

支持向量機(support vector machines，SVM)是波蘭數(shù)學(xué)家Vapnik于1995年提出的一種新型學(xué)習(xí)算法[9]，在處理小樣本、非線性及高維模式識別問題中表現(xiàn)出了獨特的優(yōu)勢，目前已廣泛應(yīng)用于各個領(lǐng)域[10-11]。

(1)

式中：b為分類閥值；c為懲罰因子；φ(xk)為非線性函數(shù)，將輸入空間映射到高維空間中。

(2)

利用Lagrange函數(shù)把求解的凸二次規(guī)劃問題轉(zhuǎn)化為典型的線性系統(tǒng),選擇滿足Mercer條件的核函數(shù)K(x,xi)，求解得到分類決策函數(shù)：

(3)

式中：αi為對應(yīng)的Lagrange乘子。

2 巖性資料整理

石炭系復(fù)雜碎屑巖儲集層在塔河油田均有分布，并在多個區(qū)塊進行了試油開采，其中X區(qū)塊為重點探區(qū)。巖心、薄片鑒定結(jié)果和粒度分析等資料表明，塔河油田石炭系砂泥巖互層段儲集層的巖性較復(fù)雜，以淺灰、灰白色長石石英砂巖和長石巖屑砂巖為主，其次為巖屑石英砂巖和巖屑長石砂巖，有少量巖屑砂巖、粉砂巖和礫巖(見圖1)。儲集層巖石碎屑成分主要為石英、巖屑和長石。碎屑顆粒以細粒為主、中粒次之，少數(shù)粗粒、粉粒和礫粒，分選好—中等，粒度分布頻率分布如圖2所示。膠結(jié)物成分以鈣質(zhì)為主，雜基含量較低，主要為泥質(zhì)。

圖1 儲集層巖性分布頻率Fig.1 Frequency of lithology distribution in the reservoir

圖2 儲集層粒度分布頻率Fig.2 Frequency of particle size distributions in the reservoir

在TX1井和TX2井2口取心井收集的121份巖樣資料中，根據(jù)巖樣鑒定名稱，將巖性分為砂巖、含泥砂巖、含礫砂巖和含鈣砂巖4類，其中砂巖巖樣9份，含泥砂巖巖樣50份，含礫砂巖巖樣61份，含鈣砂巖1份。

3 測井資料數(shù)據(jù)處理

3.1 巖性特征選擇與提取

研究表明，塔河油田石炭系碎屑巖儲集層砂巖顯示高電阻率、低自然電位幅度特征；膠結(jié)物含量高，導(dǎo)致含礫砂巖具高電阻率、低聲波時差、高密度的特征，但目前難以用常規(guī)測井資料定量計算礫質(zhì)的含量[14-15]。

3.1.1 泥質(zhì)含量

儲集層井徑擴徑嚴重，巖屑含量高，巖屑多為酸性火山巖成分,導(dǎo)致自然伽馬測井值偏高，不能很好地反映泥質(zhì)含量。因此，為了突出儲集層含泥砂巖的敏感性，利用以下公式計算泥質(zhì)含量Vsh：

(4)

式中：Vsp為地層的自然電位測井值，mV；Vsp，min和Vsp,max分別為純砂巖和純泥巖自然電位測井值，mV；Vsh為泥質(zhì)含量;C為經(jīng)驗系數(shù)，一般取2。

3.1.2 鈣質(zhì)含量

儲集層的鈣質(zhì)含量與常規(guī)測井資料之間沒有明確的對應(yīng)關(guān)系，但是利用巖心分析資料建立的鈣質(zhì)含量Va定量計算模型能在一定程度上反映儲集層含鈣的特性，X區(qū)塊的鈣質(zhì)含量評價模型為：

Va=65.119ρ-2.156Δt-100.648

(5)

式中：ρ為補償密度測井值，g/cm3；Δt為聲波時差測井值，μs/m；Va為鈣質(zhì)含量。

由于地層的電阻率與巖性有關(guān)，因此認為在X區(qū)塊，深電阻率測井值Rt、泥質(zhì)含量Vsh和鈣質(zhì)含量Va能相對較好地反映儲集層巖石的敏感性，將其作為支持向量機的輸入特征值。

3.2 預(yù)處理

為了避免Rt、Vsh和Va參數(shù)間量綱差異導(dǎo)致核函數(shù)內(nèi)積計算的困難，減小模型的計算量，將輸入特征值進行歸一化處理[16-17]：

(6)

式中：g為某種輸入特征值，gmin和gmax分別為該輸入特征值的最小值和最大值；G為參數(shù)歸一化后的值，G∈[0,1]。

4 巖性識別

分別采用基于支持向量機和最小二乘支持向量機的巖性識別方法對塔河油田X區(qū)塊石炭系復(fù)雜碎屑巖儲集層巖樣的巖性進行識別，流程如圖3所示。

在測井資料整理、巖性特征提取和預(yù)處理的基礎(chǔ)上，從121份巖樣資料中隨機選取6份砂巖、42份含泥砂巖、52份含礫砂巖和1份含鈣砂巖資料，作為最小二乘支持向量的訓(xùn)練集。經(jīng)過支持向量機和最小二乘支持向量機學(xué)習(xí)后，建立多類分類器，識別其余20塊巖樣，將識別結(jié)果與取心巖樣的鑒定名稱進行對比評價，識別結(jié)果如表1所示。

圖3 支持向量機巖性識別流程Fig.3 Flow chart of lithologic identification with LSSVM

表1 X區(qū)塊巖性識別結(jié)果Table 1 Result of lithologic identification in X block

從表1可以看出，20塊巖樣中支持向量機有15塊識別正確，巖性識別符合率為75.0%，而最小二乘支持向量機有17塊識別正確，巖性識別符合率為85.0%，識別效果好于常規(guī)的支持向量機方法。

在最小二乘支持向量機的巖性識別中，主要是含礫砂巖的誤差較大。例如，巖樣6鑒定為含礫砂巖，而識別結(jié)果為含泥砂巖；巖樣13鑒定為含泥砂巖，而識別結(jié)果為含礫砂巖。這是因為，目前基于常規(guī)測井資料評價碎屑巖礫質(zhì)含量的方法還未成熟，在巖性特征參數(shù)提取中未引入礫質(zhì)含量的評價方法。

5 結(jié) 論

1) 利用常規(guī)測井資料，在提取巖性特征參數(shù)時引入了泥質(zhì)含量和鈣質(zhì)含量，采用最小二乘支持向量機方法和常規(guī)支持向量機方法對塔河油田石炭系復(fù)雜碎屑巖儲集層的巖性進行了識別，最小二乘支持向量機方法的識別效果優(yōu)于常規(guī)支持向量機。

2) 由于含鈣砂巖在區(qū)塊內(nèi)取樣較少，影響了含鈣砂巖的識別；因巖性特征參數(shù)中未引入礫質(zhì)含量的評價方法，導(dǎo)致含礫砂巖的識別正確率較低。

3) 在應(yīng)用最小二乘支持向量機方法識別巖性時，關(guān)鍵是從多種常規(guī)測井資料中提取對巖性相對敏感的特征參數(shù)。在推廣應(yīng)用該方法時，要結(jié)合地區(qū)的資料特點，做好從測井資料中提取巖性特征參數(shù)的基礎(chǔ)工作。

參考文獻
References

[1] 于代國,孫建孟,張振城,等.支持向量機方法識別儲集層流體性質(zhì)[J].新疆石油地質(zhì),2005,26(6):675-677.

Yu Daiguo,Sun Jianmeng,Zhang Zhencheng,et al.Reservoir fluid property identification with support vector machine method[J].Xinjiang Petroleum Geology,2005,26(6):675-677.

[2] 魏茂安,馬海,孫正義,等.基于支持向量機的虛擬測井聲波速度重構(gòu)技術(shù)研究[J].石油鉆探技術(shù),2006,34(6):83-87.

Wei Maoan,Ma Hai,Sun Zhengyi,et al.The reconstruction of the virtual well-log acoustic velocity technology based on support vector machine[J].Petroleum Drilling Techniques,2006,34(6):83-87.

[3] 肖京男,汪志明,魏建光,等.改進LSSVM在水平井產(chǎn)能預(yù)測中的應(yīng)用[J].石油鉆探技術(shù),2010,38(6):95-98.

Xiao Jingnan,Wang Zhiming,Wei Jianguang,et al.Application of LSSVM improved horizontal well productivity prediction[J].Petroleum Drilling Techniques,2010,38(6):95-98.

[4] 陳民鋒，白曉虎，鄭偉，等.基于支持向量機的早期聚合物驅(qū)動態(tài)預(yù)測研究[J].斷塊油氣田，2012，19(2)：199-202.

Chen Mingfeng,Bai Xiaohu,Zheng Wei,et al.Development index prediction of early polymer flooding based on support vector machine [J].Fault-Block Oil & Gas Field,2012,19(2):199-202.

[5] 朱怡翔,石廣仁.火山巖巖性的支持向量機識別[J].石油學(xué)報,2013,34(2):312-322.

Zhu Yixiang,Shi Guangren.Identification of lithologic characteristics of volcanic rocks by support vector machine[J].Acta Petrolei Sinica,2013,34(2):312-322.

[6] 鐘儀華,李榕.基于主成分分析的最小二乘支持向量機巖性識別方法[J].測井技術(shù),2009,33(5):425-429.

Zhong Yihua,Li Rong.Application of principal component analysis and least square support vector machine to lithology identification[J].Well Logging Technology,2009,33(5):425-429.

[7] 韓學(xué)輝,盧時林,支樂菲,等.應(yīng)用最小二乘支持向量機識別J13井區(qū)杜家臺油層巖性[J].特種油氣藏,2011,18(6):18-21.

Han Xuehui,Lu Shilin,Zhi Lefei,et al.Identification of the lithology of Dujiatai Formation in J13 Well Block with least squares support vector machine[J].Special Oil & Gas Reservoirs,2011,18(6):18-21.

[8] 韓學(xué)輝,支樂菲,劉榮,等.應(yīng)用最小二乘支持向量機識別廣利油田沙四段儲層巖性[J].地球物理學(xué)進展,2013,28(4):1886-1892.

Han Xuehui,Zhi Lefei,Liu Rong,et al.A lithologic identification method in Es4 reservoir of Guangli Oilfield with least square support vector machine[J].Progress in Geophysics,2013,28(4):1886-1892.

[9] Vapnik V.The nature of statistical learning theory[M].2nd ed.NY:Springer-Verlag,1999:21-36.

[10] 白鵬,張喜斌,張斌,等.支持向量機理論及工程應(yīng)用實例[M].西安:西安電子科技大學(xué)出版社,2008:32-35.

Bai Peng,Zhang Xibin,Zhang Bin,et al.Support vector machine and its application in mixed gas infrared spectrum analysis[M].Xi’an:Xidian University Press,2008:32-35.

[11] 鄧乃揚,田英杰.數(shù)據(jù)挖掘中的新方法:支持向量機[M].北京:科學(xué)出版社,2004:236-243.

Deng Naiyang,Tian Yingjie.Data mining in the new method:the study of support vector machine[M].Beijing:Science Press,2004:236-243.

[12] Suykens J A K，Vandewalle J.Least squares support vector machine classifiers[J].Neural Processing Letters,1999,9(3):293-300.

[13] Suykens J A K,Gestel T V，Brabanter J D,et al.Least squares support vector machines[M].Singapore:World Scientific Publishing,2002:79-93.

[14] 宋延杰,張劍風(fēng),閆偉林,等.基于支持向量機的復(fù)雜巖性測井識別方法[J].大慶石油學(xué)院學(xué)報,2007,31(5):18-20.

Song Yanjie，Zhang Jianfeng，Yan Weilin，et al.A new identification method for complex lithology with support vector machine[J].Journal of Daqing Petroleum Institute,2007,31(5):18-20.

[15] 周繼宏,袁瑞.基于支持向量機的復(fù)雜碎屑巖儲層巖性識別[J].石油天然氣學(xué)報,2012,34(7):72-75.

Zhou Jihong，Yuan Rui.Identifying complex lithology of clastic rocks reservoir by support vector machines[J].Journal of Oil and Gas Technology,2012,34(7):72-75.

[16] 肖冬生,喬東生.低阻油層識別新方法及其應(yīng)用[J].斷塊油氣田,2010,17(4):509-512.

Xiao Dongsheng,Qiao Dongsheng.New method for identifying low resistivity reservoirs and its application[J].Fault-Block Oil & Gas Field,2010,17(4):509-512.

[17] 張瑩,潘保芝.支持向量機與微電阻率成像測井識別火山巖巖性[J].物探與化探,2011,35(5):634-638.

Zhang Ying，Pan Baozhi.The application of SVM and FMI to the lithologic identification of volcanic rocks[J].Geophysical & Geochemical Exploration,2011,35(5):634-638.