基于支持向量機的辮狀河測井沉積微相識別

趙忠軍, 劉燁, 王鳳琴, 張志剛, 任攀虹

(1.長慶油田分公司蘇里格氣田研究中心, 陜西 西安 710018; 2.低滲透油氣田勘探開發(fā)國家工程實驗室, 陜西 西安 710018; 3.西安石油大學計算機學院, 陜西 西安 710065)

0 引 言

近年來諸多學者基于智能算法對測井信息的自動識別研究進行了很多擴展,這是由于智能算法在復雜非線性信號分類方面具有其獨到的優(yōu)勢。Saumen利用貝葉斯神經(jīng)網(wǎng)絡(luò)以測井曲線為基礎(chǔ)對巖石的類別及沉積相進行自動分辨,Alpana利用模塊化的神經(jīng)網(wǎng)絡(luò)從測井曲線中提取測井相信息[1-3]。Saggaf等[4-5]在2000年便通過測井資料估計巖相和沉積相,2003年嘗試使用模糊邏輯對巖性與沉積相進行識別。盧松等[6]利用BP網(wǎng)絡(luò)對曲流河沉積微相進行了自動識別研究。徐少華等[7]將BP網(wǎng)絡(luò)與圖像處理技術(shù)結(jié)合,實現(xiàn)巖心圖像的沉積微相自動識別。吳永良等[8]在自組織神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上對三角洲沉積微相進行了識別研究。Sambridge等[9]使用貝葉斯推斷與蒙特卡洛算法解決地球物理信號中的復雜問題。Lampinen和Maiti等[10-12]將混合馬爾科夫鏈及馬爾科夫蒙特卡洛用于神經(jīng)網(wǎng)絡(luò)訓練。一些新技術(shù)的引入雖然帶來了較好的分類結(jié)果,但沉積微相自動識別技術(shù)仍存在一定的不足之處。首先智能算法中如人工神經(jīng)網(wǎng)絡(luò)的使用類型主要集中于BP網(wǎng)絡(luò),關(guān)于新技術(shù)方法的討論與應用還是相對較少,模型的效率、收斂速率以及預測精度均會受到影響。在沉積相識別研究方面,通常集中于曲流河,缺少辮狀河相關(guān)研究。針對這2點不足,本文提出基于支持向量機的辮狀河沉積微相自動識別方法,以測井曲線砂體的各物性特征參數(shù)作為輸入,輸出即是相對的沉積微相解釋類別,從而實現(xiàn)了沉積微相的自動識別。

1 研究目標

辮狀河作為河流相沉積具有多河道、河床坡降大、寬而淺,側(cè)向遷移迅速等特點,其主要發(fā)育心灘、辮狀河道以及河道間泛濫平原等沉積微相。每個微相由于其沉積環(huán)境的不同,使得其物性、電性以及巖性等屬性產(chǎn)生差異,因此通過對這些屬性的分析便可還原其沉積環(huán)境[13-15]。

類型Ⅰ心灘:河道相對較深,具有大型槽狀交錯層理、高角度斜層理、板狀交錯層理以及平行層理。其成分較點壩復雜,成熟度也較低,增生體之間發(fā)育夾層、平行層面分布。在自然伽馬曲線上主要表現(xiàn)為箱型。

類型Ⅱ辮狀河道:河道寬淺,沉積多發(fā)育在洪水期,以河道充填沉積為主,具平行層理、塊狀層理、低角度斜層理,垂向加積為主。其巖性較粗,垂向上典型的正韻律特征,自然伽馬曲線通常顯示為鐘型。

類型Ⅲ河道間泛濫平原:河道間主要發(fā)育泥質(zhì)地層,物性較差。

提出基于支持向量機的辮狀河單井沉積微相識別方法,并以鄂爾多斯盆地某工區(qū)的盒8地層為例對該方法進行測試與驗證。每一條測井曲線實際是地層測量的一個物理量,單一物理量求解沉積微相識別復雜問題會具有極大的多解性。本文采用多條曲線綜合作為判斷依據(jù),在保證運算效率的同時盡量降低其多解性。選用自然伽馬、電阻率、聲波時差與密度等4條測井曲線,因為它們與沉積相類型之間的相關(guān)性較高,其次這4條曲線從不同的方面與物性相關(guān),也是沉積相對于儲層影響因素中最為研究人員所關(guān)心的一點。

在具體實現(xiàn)中首先要根據(jù)這4條測井曲線與解釋結(jié)論將盒8層段劃分為若干單元,每段單元長度與解釋結(jié)論中的地層單元厚度相等,該步可由程序從測井數(shù)據(jù)中自動讀取,其目的是為了確保每個單元內(nèi)沉積相唯一,以滿足相同沉積環(huán)境下具有近似儲層物性與巖性的假設(shè)條件。其次將上述的每個單元作為沉積微相樣本,選取層段內(nèi)4條測井曲線的均值與標準差作為支持向量機的輸入?yún)?shù),輸出即是相對的沉積微相解釋類別。研究選用鄂爾多斯二疊系中統(tǒng)的石盒子組盒8段辮狀河儲層為目標,收集到320余口開發(fā)井或探井的測井曲線數(shù)據(jù),通過數(shù)據(jù)清洗與篩選,最終確定用于支持向量機方法研究辮狀河單井沉積微相識別的樣本數(shù)據(jù)為3 240組。

1.1 自然伽馬測井

自然伽馬測井測量井內(nèi)巖層中自然存在的放射性原始衰變過程中放射出的伽馬射線強度,主要用來解釋巖性以及計算泥質(zhì)含量。該曲線能夠通過泥質(zhì)含量變化推測水動力及物源供給條件,進而為沉積環(huán)境判斷提供依據(jù)。

圖1 自然伽馬分布

圖1中,樣本編號第1～1 080組是Ⅰ類沉積微相,1 081～2 160組是Ⅱ類,2 161～3 240組是第Ⅲ類沉積微相,圖2至圖4中出現(xiàn)的樣本編號與之相同。從圖1(a)和圖1(b)可以看出,Ⅰ類沉積微相的自然伽馬均值多分布在55～72 API,其標準差多分布于17～22 API;Ⅱ類均值分布范圍較小,分布于58～70 API,標準差多分布于13～17 API;Ⅲ類沉積微相的自然伽馬均值多分布在120～140 API,其標準差分布范圍較廣,分布在10～15 API。3 240組沉積微相樣本的自然伽馬分布表明其具有較大差別,其中第Ⅰ類和第Ⅱ類樣本的均值較為相近,3類樣本標準差的分布范圍差別明顯。

圖2 電阻率分布

1.2 電阻率測井

在以石英、長石以及黏土礦物所組成的沉積巖中,電阻率值受到巖石孔隙度及孔隙流體電學性質(zhì)影響[16],電阻率值在假設(shè)流體電學性質(zhì)確定的條件下與孔隙度值相關(guān),孔隙度又與沉積過程中巖石顆粒的大小、分選、磨圓以及成分等因素相關(guān),因此也能夠間接反映沉積環(huán)境的變化。

從圖2,Ⅰ類沉積微相的電阻率均值多在2 000 Ω·m以內(nèi),其標準差多小于2 400 Ω·m;Ⅱ類均值分布范圍較小,多在900 Ω·m以內(nèi),標準差多小于1 300 Ω·m;Ⅲ類沉積微相的電阻率均值分布范圍較廣,分布在1 000～7 000 Ω·m,其標準差分布范圍亦較廣,分布在1 000～11 000 Ω·m。3 240組沉積微相樣本的電阻率分布具有較大差別,其中第Ⅰ、Ⅱ類樣本的均值與標準差分布范圍均較小,第Ⅲ類樣本的均值與標準差分布范圍較為廣泛。

1.3 聲波時差測井

聲波速度主要反映巖石骨架與孔隙流體的聲學性質(zhì)[17]。影響其值的因素,包括巖石礦物組成、孔隙度、孔隙幾何結(jié)構(gòu)及孔隙流體特征等。其中礦物組成及孔隙度都與沉積環(huán)境相關(guān),孔隙幾何結(jié)構(gòu)不但與沉積相關(guān),也和后期成巖作用相關(guān)。聲波時差是能夠反映沉積微相的參數(shù)。

圖3 聲波時差分布

從圖3可見,Ⅰ類沉積微相的聲波時差均值分布在230～360 μs/m,其標準差分布在17～70 μs/m;Ⅱ類均值分布范圍較小,多在210～270 μs/m,標準差多在2～80 μs/m;Ⅲ類沉積微相的聲波時差均值分布范圍在180～220 μs/m,其標準差多小于50 μs/m。3 240組沉積微相樣本的聲波時差分布不同,其中第Ⅰ類樣本的均值分布范圍較大,而第Ⅰ和第Ⅱ類樣本的標準差分布范圍較為廣泛。

圖4 密度值分布

1.4 密度測井

密度測井利用巖層對伽馬射線的吸收性質(zhì)研究巖層的密度變化,進而能夠反映地層的沉積環(huán)境。

從圖4可見,Ⅰ類沉積微相密度均值分布范圍較廣,多在1.7～2.5 g/cm3,其標準差小于0.3 g/cm3;Ⅱ類密度均值分布范圍在2.3～2.6 g/cm3,標準差小于0.5 g/cm3;Ⅲ類密度均值分布范圍較小,多在2.5～2.6 g/cm3,其標準差小于0.3 g/cm3。3 240組沉積微相樣本的密度分布具有差異,其中第Ⅰ類樣本的均值分布范圍較大,而第Ⅱ類樣本的標準差分布范圍較為寬泛。

通過對影響沉積微相類別的4個影響因素分析,任意一個參數(shù)的影響因素都是多樣復雜的,單純依據(jù)某個參數(shù)進行微相劃分存在難以避免的多解性。由于各類影響因素無法定量化,其間的關(guān)系難以利用數(shù)學方法表征。本文將上述影響因素綜合起來建立沉積微相類型相對應的特征空間,利用支持向量機建立沉積微相與特征之間聯(lián)系,實現(xiàn)沉積微相的自動識別工作。

2 支持向量機

支持向量機(Support Vector Machine,SVM)[18]能夠根據(jù)有限的樣本特征信息,在模型的復雜性和學習能力之間尋求最佳平衡,以此獲取最優(yōu)的泛化能力。通常研究中希望分類過程是機器進行學習的過程。這些樣本數(shù)據(jù)是n維空間中的點,可以尋找一個n-1維的超平面將這些樣本點分開。這個平面被稱為線性分類器,超平面亦稱為最大間隔超平面,如果能夠?qū)ふ业竭@個平面,則這個分類器就稱為最大間隔分類器。SVM將向量映射到一個高維空間,在這個空間中建立一個最大間隔超平面,在分開數(shù)據(jù)的超平面的兩邊存在2個互相平行的超平面。建立方向合適的分隔超平面使得2個與之平行超平面間的距離最大化,其中超平面間的距離越大,則該分類器的總誤差越小[19]。SVM在模式分類問題上具有良好的泛化能力,運行效率高,計算簡單。

圖5 基于SVM的沉積相類型訓練與預測流程圖

訓練過程中(見圖5),SVM作為訓練的對象模型,而輸入和輸出均為已知的測井數(shù)值及對應的沉積相類型。在完成訓練后,經(jīng)過訓練的SVM模型能夠完成沉積相類型的預測工作,當輸入新的測井數(shù)值,對應的沉積相類型就能夠被預測出來。

在支持向量和輸入空間抽取向量之間的內(nèi)積核這一概念是構(gòu)造SVM學習算法的關(guān)鍵,其中核函數(shù)是SVM的關(guān)鍵(見圖5)。通常低維空間中向量集難以劃分,一個較好的解決方法是將其投影到高維空間,但是增加計算復雜度,而核函數(shù)可以有效地解決該問題。因此,選取合適的核函數(shù),就可以獲得高維空間的有效分類函數(shù)。常用的核函數(shù)主要有線性、多項式、徑向基和兩層感知器核函數(shù)等,本文采用RBF(徑向基)核函數(shù)

3 實驗結(jié)果

通過已解釋的沉積微相數(shù)據(jù),建立用于支持向量機訓練的特定數(shù)據(jù)集,隨后對支持向量機進行訓練。目的是使訓練完成后的支持向量機能夠以未解釋測井數(shù)據(jù)作為輸入進行沉積微相的自動解釋。支持向量機的輸出則是3種沉積微相解釋類型結(jié)果的概率,最終通過概率對比將輸入樣本進行自動分類,實現(xiàn)沉積微相的自動識別工作。

3.1 分類結(jié)果

將3 240組沉積微相樣本隨機分成訓練集、驗證集和測試集3個部分,分別占60%(1 944組)、20%(648組)和20%(648組),即沉積微相樣本訓練集與驗證集的數(shù)量分別為1 944組與648組,支持向量機對這2組數(shù)據(jù)的分類正確率分別是97.6%和96.9%,這表示1 944組沉積微相樣本訓練集中有1 898組得到正確分類,648組驗證集中有628組得到正確分類。上述結(jié)果表明支持向量機對沉積微相分類的擬合效果良好,同時選用未參與支持向量機訓練的測試集對其性能進行測試。

測試集由648組沉積微相樣本組成,3類沉積微相的樣本數(shù)量分別為184組(Ⅰ類)、231組(Ⅱ類)和233組(Ⅲ類),用于測試支持向量機的最終分類性能。這里應用混合矩陣(Confusion Matrix)表示支持向量機對沉積微相類別的識別效果?；旌暇仃嚮蚍Q作匹配矩陣,是一種展示分類效果好壞的矩陣?；旌暇仃噷⑺姓_和錯誤的分類信息都歸到一個表里,其中列代表真實的分類,行表示支持向量機分類(見表1)。

支持向量機對3類沉積微相的整體分類效果較好(見表1)。其中,第Ⅰ類微相的識別正確率達95.1%,有9組微相被錯誤識別為第Ⅱ類;第Ⅱ類微相的識別正確率為95.7%,其中有10組沉積微相被錯誤識別為第Ⅰ類;而第Ⅲ類微相的識別結(jié)果中有11組沉積微相被錯誤識別為第Ⅱ類。測試集中共計正確分類618組沉積微相(95.4%),錯誤分類30組(4.6%)。在錯誤分類中,支持向量機選擇的分類與正確類別臨近,即沒有發(fā)生第Ⅰ類微相被識別為第Ⅲ類微相。

表1 測試集的混合矩陣

為對比支持向量機方法的分類效果,同時應用智能計算中廣泛提到的BP神經(jīng)網(wǎng)絡(luò)進行沉積微相的識別研究,將BP神經(jīng)網(wǎng)絡(luò)與支持向量機的分類結(jié)果進行對比分析(見表2)。2種實驗方法的訓練集、驗證集和測試集均是相同的。根據(jù)表2可知,支持向量機方法有效提高了沉積微相的分類精度,3類樣本的分類結(jié)果均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)方法,其中這2類方法均對第Ⅱ類樣本的識別準確度最高,達到95%以上。

表2 方法對比

3.2 泛化應用

智能算法的泛化能力是衡量其性能好壞的重要標志,關(guān)于智能算法的泛化能力,又稱推廣能力,是指學習算法在訓練完成以后輸入其訓練樣本之外的新數(shù)據(jù)時獲得正確輸出的能力。未經(jīng)學習和訓練的樣本數(shù)據(jù)總是大量存在的,智能算法模型泛化能力的強弱變得尤為重要。為探討上述支持向量機對沉積微相識別的泛化效果,使用來自鄂爾多斯盆地中另一區(qū)塊的沉積微相樣本數(shù)據(jù)集進行支持向量機的測試研究(見表3)。

第2組測試集共計816組沉積微相數(shù)據(jù),其中244組類型Ⅰ心灘(測試集的29.9%),289組類型Ⅱ辮狀河道(35.4%)和283組類型Ⅲ河道間泛濫平原(34.7%)。通過上述訓練好的支持向量機對第2組測試集進行自動識別,沉積微相的識別正確率達到93.1%,顯示816組砂體樣本中有760組得到正確分類。支持向量機對沉積微相識別的泛化效果較好,特別是對類型Ⅲ的有效分類,其他2類微相的識別精度相對低一些,是由于河道滯留在某些情況下與心灘特征分界較為模糊所導致的。

表3 第2組測試集的混合矩陣

4 結(jié) 論

(1) 提出基于測井數(shù)據(jù)的辮狀河沉積微相自動識別方法,該方法使用測井曲線統(tǒng)計參數(shù)作為支持向量機的輸入,輸出是對應沉積微相的解釋結(jié)果。

(2) 選擇鄂爾多斯盆地某區(qū)塊的樣品測試沉積相自動識別效果,2組測試集的結(jié)果表明基于支持向量機對于辮狀河沉積微相自動識別的正確率分別為95.4%和93.1%,這一精度能夠滿足沉積相解釋要求,能夠用于進行沉積相識別。

(3) 識別誤差產(chǎn)生的主要原因可能是采集到的樣本中各類別砂體數(shù)據(jù)量不均一以及測井數(shù)據(jù)標準化差異所導致,這使得支持向量機在訓練過程中仍存在一定誤差。

(4) 該方法在未來可能獲得進一步的應用,可以拓展沉積微相的分類數(shù)量,也可以用于其他沉積環(huán)境下的沉積微相解釋研究。

參考文獻:

[1] Luthi S M, Hodgson D M, Geel C R, et al. Contribution of Research Borehole Data to Modeling Fine-grained Turbidite Reservoir Analogues, Permian Tanqua-Karoo Basin-floor Fans (South Africa) [J]. Petroleum Geoscience, 2006, 12(2): 175-190.

[2] Bhatt A, Helle H B. Determination of Facies from Well Logs Using Modular Neural Networks [J]. Petroleum Geoscience, 2002, 8(3): 217-228.

[3] Saraswat P, Sen M K. Artificial Immune-based Self-organizing Maps for Seismic-facies Analysis [J]. Geophysics, 2012, 77(4): 045-053.

[4] Saggaf M M, Nebrija L. A Fuzzy Logic Approach for the Estimation of Facies from Wire-line Logs [J]. AAPG bulletin, 2003, 87(7): 1223-1240.

[5] Saggaf M M, Nebrija L. Estimation of Lithologies and Depositional Facies from Wire-line Logs [J]. AAPG bulletin, 2000, 84(10): 1633-1646.

[6] 盧松, 潘和平, 彭曙光, 等. 沉積微相和測井相研究及自動識別系統(tǒng)——以曲流河環(huán)境沉積為例 [J]. 工程地球物理學報, 2009(3): 332-337.

[7] 許少華, 劉揚, 梁久禎, 等. 基于遺傳——BP算法和圖像處理的沉積微相識別 [J]. 石油學報, 2002, 23(3): 48-51.

[8] 吳永良, 田景春, 朱迎堂. 神經(jīng)網(wǎng)絡(luò)判識沉積微相的應用——以樁241塊為例 [J]. 地質(zhì)找礦論叢, 2009, 24(4): 317-321.

[9] Sambridge M, Mosegaard K. Monte Carlo Methods in Geophysical Inverse Problems [J]. Reviews of Geophysics, 2002, 40(3): 1-29.

[10] Lampinen J, Vehtari A. Bayesian Approach for Neural Networks: Review and Case Studies [J]. Neural Networks, 2001, 14(3): 257-274.

[11] Saumen Maiti, Tiwari R K. A Hybrid Monte Carlo Method Based Artificial Neural Networks Approach for Rock Boundaries Identification: A Case Study from the KTB Bore Hole [J]. Pure and Applied Geophysics, 2009, 166(12): 2059-2090.

[12] Maiti S, Tiwari R K. Automatic Discriminations Among Geophysical Signals via the Bayesian Neural Networks Approach [J]. Geophysics, 2010, 75(1): E67-E78.

[13] 何順利, 蘭朝利, 門成全. 蘇里格氣田儲層的新型辮狀河沉積模式 [J]. 石油學報, 2005, 26(6): 25-29.

[14] 陳鳳喜, 盧濤, 達世攀, 等. 蘇里格氣田辮狀河沉積相研究及其在地質(zhì)建模中的應用 [J]. 石油地質(zhì)與工程, 2008, 22(2): 21-24.

[15] 張亮. 蘇里格氣田東部致密氣藏沉積微相及儲層評價研究 [D]. 西安: 西安石油大學, 2012.

[16] 譚廷棟. 測井學 [M]. 北京: 石油工業(yè)出版社, 1998: 12.

[17] 葛瑞, 馬沃可, 塔番, 等. 巖石物理手冊 [M]. 安徽: 中國科學技術(shù)大學出版社, 2008: 3.

[18] Cortes C, Vapnik V. Support-vector Netvorks [J]. Machine Learning, 1995, 20(3): 273-297.

[19] 史峰, 王小川, 郁磊, 等. MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析 [M]. 北京: 北京航空航天大學出版社, 2010: 1-10, 282-283.