基于無監(jiān)督學(xué)習(xí)的測(cè)井巖相分析技術(shù)及其應(yīng)用

王宗俊,董洪超,范廷恩,胡光義,高云峰

(中海油研究總院有限責(zé)任公司,北京100028)

加拿大阿薩巴斯卡地區(qū)油砂資源主要儲(chǔ)存于下白堊統(tǒng)Mannville群McMurray組[1-2]。區(qū)域內(nèi)發(fā)育有沖積扇、河流相、潮汐三角洲、河口灣等沉積類型[2]。McMurray組自下而上分為3段:Continental為河流相沉積,Asm2和Asm3為河口灣沉積,埋深在260～460m,層厚100m左右,主力層段Asm3段厚度為20～40m。

本地區(qū)油砂資源主要使用蒸汽輔助重力泄油(SAGD)技術(shù)開發(fā),影響SAGD技術(shù)開采效率的關(guān)鍵地質(zhì)因素包括連續(xù)油層的厚度、泥巖夾層的分布及穩(wěn)定的蓋層等[1]。因此,對(duì)研究區(qū)儲(chǔ)層的巖性垂向變化和橫向分布的精細(xì)研究將為后續(xù)油砂SAGD開發(fā)設(shè)計(jì)提供有力的參考和決策依據(jù),降低開發(fā)風(fēng)險(xiǎn)和成本[3-6]。

傳統(tǒng)的測(cè)井巖性識(shí)別一般采用圖版法、交會(huì)圖法、本地區(qū)經(jīng)驗(yàn)公式法[7],或者使用電阻率成像資料識(shí)別油砂儲(chǔ)層巖性[8],這些方法應(yīng)用的參數(shù)較少,人為因素影響較大。神經(jīng)網(wǎng)絡(luò)技術(shù)在巖性識(shí)別方面曾經(jīng)得到了廣泛應(yīng)用,但是以BP神經(jīng)網(wǎng)絡(luò)為主要技術(shù)的識(shí)別方法存在收斂速度慢、隱層數(shù)以及隱層節(jié)點(diǎn)數(shù)難以確定、容易陷入局部極小值等缺點(diǎn)[9-10]。近年來以各類支持向量機(jī)和深度學(xué)習(xí)等為代表的機(jī)器學(xué)習(xí)方法越來越多地被用于測(cè)井巖性識(shí)別中。深度學(xué)習(xí)方法通過構(gòu)建具有多個(gè)隱層的深度神經(jīng)網(wǎng)絡(luò)模型,并利用大量數(shù)據(jù)訓(xùn)練模型來學(xué)習(xí)復(fù)雜而有效的信息進(jìn)而提高預(yù)測(cè)分類的準(zhǔn)確性[11],在實(shí)際應(yīng)用中取得了良好的效果,但這類機(jī)器學(xué)習(xí)方法屬于有監(jiān)督學(xué)習(xí)下的預(yù)測(cè)方法,需要規(guī)模較大的訓(xùn)練樣本作為支撐,當(dāng)訓(xùn)練樣本不足時(shí)模型的泛化能力會(huì)受到限制。

主成分分析(principal component analysis,PCA)方法也可以被直接用來識(shí)別測(cè)井巖性[12]。一般來說主成分分析用于數(shù)據(jù)預(yù)處理,通過轉(zhuǎn)換將相互關(guān)聯(lián)變量組成的數(shù)據(jù)集轉(zhuǎn)換為一組互不相關(guān)且有序的主變量,排在前面的幾個(gè)主變量保留了原始變量中的大部分信息,從而在數(shù)據(jù)主要信息沒有損失的情況下可以對(duì)數(shù)據(jù)進(jìn)行降維處理[13]。聚類和判別分析也經(jīng)常被用來進(jìn)行測(cè)井巖性識(shí)別[14]。聚類是利用統(tǒng)計(jì)方法根據(jù)變量之間的近似程度進(jìn)行分類,大多經(jīng)過反復(fù)迭代分類直到樣本所屬的類穩(wěn)定為止,K-均值聚類(K-mean clustering)方法是較常用的聚類方法。判別分析是一個(gè)學(xué)習(xí)和預(yù)測(cè)過程,一般是利用原有的分類信息得到體現(xiàn)這種分類的判別函數(shù),利用函數(shù)去判斷未知樣品屬于哪一類。常用的判別分析方法有距離判別法、Fisher判別法和Bayes判別法,在巖性識(shí)別中尤以Bayes判別分析法最為常見[15]。有別于機(jī)器學(xué)習(xí)測(cè)井巖相分類技術(shù)需要建立先驗(yàn)學(xué)習(xí)模式的方式,無監(jiān)督的測(cè)井巖相分析依據(jù)數(shù)據(jù)的內(nèi)在關(guān)系,結(jié)果不受人為因素干擾,客觀且可重復(fù)[16]。

目前研究區(qū)井孔的巖性劃分主要依據(jù)鉆井取心數(shù)據(jù)[6]。取心數(shù)據(jù)是非常直觀和準(zhǔn)確的數(shù)據(jù),但獲取取心數(shù)據(jù)的成本很高,因此亟需利用常規(guī)測(cè)井?dāng)?shù)據(jù)準(zhǔn)確預(yù)測(cè)測(cè)井儲(chǔ)層巖性的技術(shù)方法降低開發(fā)成本。本文結(jié)合Kinosis工區(qū)的實(shí)際數(shù)據(jù),選用常規(guī)測(cè)井曲線數(shù)據(jù),首先進(jìn)行主成分分析,然后對(duì)由數(shù)據(jù)的內(nèi)在概率分布混合形成的模型進(jìn)行聚類分析,最后運(yùn)用貝葉斯準(zhǔn)則來評(píng)估模型,確定每個(gè)樣本所屬類別及屬于該類的概率,得到井位處的垂向巖相分類。在整個(gè)基于貝葉斯概率模型的聚類分析中,模型的參數(shù)和聚類的數(shù)量選擇使用無監(jiān)督自主學(xué)習(xí)的方式,完全由數(shù)據(jù)驅(qū)動(dòng),避免了人為因素的干預(yù)影響。綜合應(yīng)用儲(chǔ)層的礦物學(xué)特征、巖石力學(xué)特征、物性和取心照片對(duì)井位處預(yù)測(cè)的測(cè)井巖相進(jìn)行標(biāo)定,確定儲(chǔ)層內(nèi)不同巖相的巖石類型和對(duì)應(yīng)的地質(zhì)描述,提出了一套僅利用常規(guī)測(cè)井曲線預(yù)測(cè)井孔儲(chǔ)層段巖性的技術(shù),取得了良好的應(yīng)用效果。

1 方法原理

1.1 主成分分析(PCA)

PCA是考察多個(gè)變量間相關(guān)性的一種多元統(tǒng)計(jì)方法,是研究如何通過少數(shù)幾個(gè)主成分來揭示多個(gè)變量間的內(nèi)部結(jié)構(gòu),即從原始變量中導(dǎo)出少數(shù)幾個(gè)主成分,使它們盡可能多地保留原始變量的信息,且彼此間互不相關(guān)。PCA能夠有效提煉數(shù)據(jù)的信息,而且在數(shù)據(jù)主要信息沒有損失的情況下對(duì)數(shù)據(jù)降維。PCA的實(shí)質(zhì)是確定一個(gè)坐標(biāo)系統(tǒng)的正交變換,將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量,在新坐標(biāo)系統(tǒng)下經(jīng)變換的數(shù)據(jù)點(diǎn)的方差沿新的坐標(biāo)軸得到了最大化,轉(zhuǎn)換后的這組變量叫主成分(或主組分)。PCA處理過程簡(jiǎn)述如下。

1) 假設(shè)我們有p條測(cè)井響應(yīng)曲線,每條曲線有n個(gè)測(cè)量樣本,其樣本矩陣為:

(1)

為了消除實(shí)際數(shù)據(jù)量綱的影響,對(duì)樣本矩陣元素進(jìn)行如下標(biāo)準(zhǔn)化變換:

(2)

i=1,2,…,n;j=1,2,…,p;n>p

2)求取相關(guān)系數(shù)矩陣R:

(3)

3)解樣本相關(guān)系數(shù)矩陣R的特征方程|R-λIp|=0,其中,Ip=(A1,A2,…,Ap),得到按大小排列的p個(gè)特征根λ1>λ2>…>λp>0和對(duì)應(yīng)的p個(gè)特征向量Ai=(a1i,a2i,…,api),其中,i=1,2,…,p。

4)將標(biāo)準(zhǔn)化后的數(shù)據(jù)樣本變量轉(zhuǎn)換為主成分,即

(4)

定義Fi=(Fi1,Fi2,…,Fin)為主成分,F1為第一主成分,F2為第二主成分,…,Fp為第p主成分。

5)根據(jù)給定的門檻值(一般q=0.85),當(dāng)前m個(gè)主成分的方差和占全部總方差的比例大于給定門檻值q時(shí),利用如下特征值累積貢獻(xiàn)度確定m值:

(5)

此時(shí)m

1.2 基于貝葉斯概率模型的聚類分析

該概率模型中,樣本總體由G個(gè)不同的聚類組成,假設(shè)第k個(gè)聚類的p維觀測(cè)值x由密度函數(shù)fk=(X;θ)產(chǎn)生。給定觀測(cè)值X=(x1,x2,…,xn),Γ=(γ1,γ2,…,γn)T表示識(shí)別標(biāo)簽,如果xi來自第k個(gè)聚類,則γi=k。最大似然分類法就是選擇θ和γ,使(6)式的似然達(dá)到最大。

(6)

然而,最大似然分類法有如下幾個(gè)限制:

1)只考慮協(xié)方差矩陣在所有聚類中均為常數(shù)的限制性模型,或考慮協(xié)方差矩陣是任意且不相等的不相容模型;

2)只允許高斯分布,而其它分布在某些情況下可能更合適;

3)通常不允許存在噪聲或不符合當(dāng)前集群模式的數(shù)據(jù)點(diǎn)。

(6)式定義的模型具有普遍性,可以包含具有非高斯分布的聚類。

為了突破上述限制,我們使用近似貝葉斯方法來選擇聚類的數(shù)目。將估計(jì)聚類數(shù)量的問題視為在相同數(shù)據(jù)的競(jìng)爭(zhēng)模型之間進(jìn)行選擇的問題。精確的貝葉斯解包括在給定數(shù)據(jù)x的情況下,求出每個(gè)聚類G的后驗(yàn)概率p(G|x)。在對(duì)模型進(jìn)行比較時(shí),這種方法似乎比假設(shè)檢驗(yàn)的替代方法更具優(yōu)勢(shì),因?yàn)樗苊饬硕嘀乇容^、比較非嵌套模型的問題,并且避免了樣本量較大時(shí)假設(shè)檢驗(yàn)選擇非簡(jiǎn)約模型的趨勢(shì)。

貝葉斯因子(Brs)用來描述一個(gè)模型優(yōu)于另一個(gè)模型的相對(duì)確定性,常被用來進(jìn)行模型比較,定義Brs為：

(7)

其中,X為觀測(cè)到的地震數(shù)據(jù),G=r表示r個(gè)聚類的模型,G=s表示s個(gè)聚類的模型。一般地,p(X|G=k)表示聚類模型G=k成立時(shí)觀測(cè)到X的概率,p(X|G=k)又稱為邊際似然函數(shù),其表達(dá)式為：

特深井(直井)目前主要有沉積巖石油深井和結(jié)晶巖科學(xué)深孔。石油特深井有國外深9583 m的勃爾茲·羅杰斯1號(hào)井(美國)和國內(nèi)8418 m深的馬深1井(四川)?？茖W(xué)特深井有國外12 262 m深的科拉SG-3井(前蘇聯(lián))、9101 m深的KTB主孔(前聯(lián)邦德國)和國內(nèi)5158 m深的科鉆一井。

p(X|G=k)=∑γ∈Γk?L(x;θ,ν,γ)·
p(θ,ν,γ)dθdν

(8)

式中：Γk={0,1,…,k}n；L(x;θ,ν,γ)為廣義似然函數(shù)；p(θ,ν,γ)為θ,ν和γ的聯(lián)合先驗(yàn)密度。

(9)

其中,p(G=r)是存在r個(gè)聚類的先驗(yàn)概率,p(G=t)是存在t個(gè)聚類的先驗(yàn)概率。

在聚集層次聚類算法中,比較G=r+1和G=r的差異大小,決定是否將兩個(gè)特定的聚類合并為一個(gè)。在p維多元情況下,這正好是一般線性模型中嵌套假設(shè)的標(biāo)準(zhǔn)比較。

在基于模型的貝葉斯概率分布基礎(chǔ)上進(jìn)行判別分析確定樣本點(diǎn)的最后類別。

2 實(shí)際應(yīng)用及效果分析

Kinosis工區(qū)位于阿薩巴斯卡礦區(qū)南部,油砂資源埋深較淺,原油黏度較大,發(fā)育較厚蓋層。McMurray組主力儲(chǔ)集層為內(nèi)河口灣復(fù)合點(diǎn)壩沉積,巖性以中、細(xì)砂巖為主,發(fā)育多種類型泥巖隔夾層。該區(qū)域由于受到河流和潮汐的共同作用,發(fā)育順流加積型點(diǎn)壩、泛濫平原、廢棄河道、河道底部滯留等沉積微相[2]。油砂資源主要使用SAGD技術(shù)進(jìn)行開發(fā),大量實(shí)際數(shù)據(jù)和模型研究表明,除了垂向滲透率、儲(chǔ)層厚度、孔隙度、含油飽和度等儲(chǔ)層參數(shù)[18]和不同類型水層[19]對(duì)油砂SAGD開發(fā)產(chǎn)生影響外,儲(chǔ)層的巖性特征,特別是儲(chǔ)層內(nèi)的夾層和隔夾層的空間分布、平面展布及厚度變化等[3-6]對(duì)油砂SAGD開發(fā)效果影響較大。因此,精確刻畫油砂儲(chǔ)層內(nèi)的側(cè)積砂層和隔夾層的空間分布是該地區(qū)儲(chǔ)層研究的重要內(nèi)容。在進(jìn)行此類研究之前,一般應(yīng)先準(zhǔn)確地識(shí)別儲(chǔ)層段內(nèi)的測(cè)井巖相。

本研究中共收集到Kinosis工區(qū)內(nèi)71口井的測(cè)井信息,其中59口井收集到了完整的地質(zhì)分層數(shù)據(jù)和常規(guī)測(cè)井?dāng)?shù)據(jù)(包括自然伽馬、密度、聲波、電阻率、自然電位等)及測(cè)井解釋數(shù)據(jù)(包括泥質(zhì)含量、孔隙度、含水飽和度、滲透率等曲線),還收集到了5口井的取心照片,它們將用于對(duì)比標(biāo)定巖相?？紤]數(shù)據(jù)的客觀性,選擇了自然伽馬(GR)、密度(RHOB)、電阻率(RT)和自然電位(SP)原始測(cè)量數(shù)據(jù)用于基于貝葉斯概率模型無監(jiān)督學(xué)習(xí)的聚類分析。其中GR曲線對(duì)巖性敏感,可識(shí)別砂泥巖;SP曲線對(duì)巖性敏感,還反映滲透性,可識(shí)別隔夾層;RHOB對(duì)巖性和物性敏感,可識(shí)別砂巖;RT對(duì)流體敏感,可識(shí)別油水層。區(qū)域內(nèi)的71口井中有59口井在目的層含有這4種測(cè)井曲線,滿足統(tǒng)計(jì)分析大樣本量需求。同時(shí)結(jié)合井徑曲線(CAL)和聲波曲線(AC)對(duì)全區(qū)59口井的測(cè)井曲線進(jìn)行質(zhì)量控制檢查,所選擇的測(cè)井曲線質(zhì)量可靠,受井徑影響較小。由于井的數(shù)量較多,存在多井的系統(tǒng)誤差,尤其是SP各井基線偏移差異大,在進(jìn)行PCA之前首先對(duì)多井目標(biāo)地層測(cè)井采集系列曲線進(jìn)行一致性檢查并對(duì)SP、RHOB和GR曲線進(jìn)行標(biāo)準(zhǔn)化處理。

在研究區(qū)內(nèi),用前面提到的4種測(cè)井曲線(GR、RHOB、RT、SP)在McMurray層段進(jìn)行了主成分分析。從表1和表2可以看出,主成分F1占總信息的53.5%,4條曲線與之相關(guān)性較接近,其中,RHOB與GR曲線相關(guān)性略大;F2占總信息的23.7%,與RT高度相關(guān),其次與SP較相關(guān);F3占總信息的15.4%,其與4條曲線的相關(guān)性較接近,與SP相關(guān)性略大;前3組占總信息的92.7%。圖1為測(cè)井曲線與主成分曲線交會(huì)圖,顯示了各主成分曲線與測(cè)井曲線的關(guān)系,即:

表1 PCA的特征值貢獻(xiàn)率

表2 樣本測(cè)井曲線與主成分曲線相關(guān)性

圖1 測(cè)井曲線與主成分曲線交會(huì)分析結(jié)果

1)F1與RHOB、GR、SP呈正相關(guān),與RT呈弱負(fù)相關(guān);

2)F2與RT、SP呈負(fù)相關(guān),與GR、RHOB曲線幾乎沒有相關(guān)性;

3)F3與SP呈正相關(guān),與RT、RHOB、GR呈負(fù)相關(guān)。

由于F4只含有不足8%的有效信息,在進(jìn)行測(cè)井巖相分析的時(shí)候,采用了降維處理,去掉F4曲線,以期提高測(cè)井巖相分析結(jié)果的可靠性。

在Kinosis工區(qū)使用59口井的主成分曲線(F1、F2、F3)作為樣本進(jìn)行無監(jiān)督學(xué)習(xí)的測(cè)井巖相分析,根據(jù)對(duì)油砂儲(chǔ)層的地質(zhì)認(rèn)識(shí),設(shè)置巖相類別個(gè)數(shù)最少為6個(gè),最多為12個(gè)。首先根據(jù)數(shù)據(jù)內(nèi)在概率分布建立從6類到12類的7個(gè)分類概率模型,然后在每個(gè)模型內(nèi)對(duì)所有樣本點(diǎn)進(jìn)行聚類分析和貝葉斯準(zhǔn)則判別,通過迭代計(jì)算,系統(tǒng)自動(dòng)學(xué)習(xí)判別模型的優(yōu)劣,最后輸出認(rèn)為最優(yōu)的分類結(jié)果。經(jīng)過基于貝葉斯概率模型無監(jiān)督學(xué)習(xí)的測(cè)井巖相分析,得到59口井的8個(gè)巖相類別曲線。

圖2顯示了某口巖心井在McMurray層段的巖相分析結(jié)果。圖2從左至右分別是用于分相的源曲線(GR、RHOB、RT、SP)、主成分曲線(F1、F2、F3)、樣本點(diǎn)歸屬某類的概率曲線(概率值填充顏色與所屬巖相相同)及巖相結(jié)果和對(duì)應(yīng)的巖心。主成分F1與GR和RHOB曲線形態(tài)相似,呈正相關(guān),其高值對(duì)應(yīng)泥質(zhì)隔夾層或泥巖。主成分F2與RT和SP曲線形態(tài)相似,方向相反,呈負(fù)相關(guān),其低值表示含油。巖相概率曲線用來判別樣本點(diǎn)屬于某個(gè)巖相的概率,以最高概率值的巖相作為該樣本最終確定的巖相,從圖上可以看出,某些樣本屬于巖相4還是巖相5的概率是比較接近的,也可以說這些樣本屬于巖相4還是巖相5都是可以接受的。從不同巖相的F1與F2交會(huì)分析結(jié)果(圖3)也可以看出,除了巖相4和巖相5有較多重疊外,其它巖相基本被分開了,說明基于貝葉斯概率模型無監(jiān)督學(xué)習(xí)的測(cè)井巖相分析結(jié)果與數(shù)據(jù)內(nèi)在規(guī)律一致。

圖2 某口巖心井在McMurray層段的巖相分析結(jié)果

圖3 不同巖相的F1與F2交會(huì)分析結(jié)果

對(duì)巖相分類結(jié)果使用常規(guī)測(cè)井曲線(包括自然伽馬、電阻率、密度、聲波等)、測(cè)井解釋曲線(包括泥質(zhì)含量、孔隙度、含水飽和度、滲透率等)以及巖心照片等地質(zhì)資料,采用數(shù)據(jù)交會(huì)圖、直方圖、多井剖面圖進(jìn)行統(tǒng)計(jì)分析和標(biāo)定,確定每個(gè)巖相在儲(chǔ)層段的測(cè)井電性特征、礦物學(xué)特征、物性特征、巖性特征和地質(zhì)描述。

圖4給出了不同巖相的自然伽馬與密度交會(huì)分析結(jié)果。圖4a為59口井目的層段內(nèi)所有樣本點(diǎn)數(shù)據(jù)的交會(huì)分布結(jié)果;圖4b至圖4i分別為每個(gè)巖相的自然伽馬和密度交會(huì)結(jié)果。圖4b中巖相1表現(xiàn)為低伽馬(大部分值低于40API)、低密度(大部分值低于2.2g/cm3)特征;圖4c中巖相2表現(xiàn)為低伽馬(大部分值低于50API)、低密度(大部分值低于2.1g/cm3)特征;圖4d中巖相3表現(xiàn)為低伽馬(大部分值低于60API)、低密度(大部分值低于2.2g/cm3)特征;圖4e 中巖相4表現(xiàn)為中低伽馬(大部分值位于10～80API)、低密度(大部分值低于2.2g/cm3)特征;圖4f 中巖相5表現(xiàn)為中高伽馬(大部分值位于30～90API)、中低密度(大部分值位于2.0～2.4g/cm3)特征;圖4g中巖相6表現(xiàn)為中低伽馬(大部分值位于20～90API)、中低密度(大部分值位于2.1～2.4g/cm3)特征;圖4h中巖相7表現(xiàn)為高伽馬(大部分值位于60～160API)、高密度(大部分值高于2.2g/cm3,少量小于2.0g/cm3)特征;圖4i中巖相8表現(xiàn)為高伽馬(大部分值位于70～120API)、高密度(大部分值位于2.2～2.4g/cm3)特征。同樣的,對(duì)任意測(cè)井曲線和解釋曲線兩兩組合,采用交會(huì)圖方式,定量研究它們?cè)诿總€(gè)巖相的數(shù)值分布范圍和特征(表3)。

圖4 不同巖相的自然伽馬與密度交會(huì)分析結(jié)果a 所有樣本點(diǎn)交會(huì)分析結(jié)果; b 巖相1交會(huì)分析結(jié)果; c 巖相2交會(huì)分析結(jié)果; d 巖相3交會(huì)分析結(jié)果; e 巖相4交會(huì)分析結(jié)果; f 巖相5交會(huì)分析結(jié)果; g 巖相6交會(huì)分析結(jié)果; h 巖相7交會(huì)分析結(jié)果; i 巖相8交會(huì)分析結(jié)果

圖5為利用測(cè)井曲線、測(cè)井解釋曲線和巖心照片在垂直剖面上對(duì)預(yù)測(cè)出的巖相進(jìn)行分析、識(shí)別和標(biāo)定的結(jié)果。在分析、統(tǒng)計(jì)測(cè)井曲線交會(huì)圖和直方圖的基礎(chǔ)上,根據(jù)對(duì)巖心照片的對(duì)比識(shí)別,對(duì)巖相結(jié)果進(jìn)行了進(jìn)一步的解釋和標(biāo)定,認(rèn)為在Kinosis工區(qū)巖相1、2、3、4為砂巖,巖相7、8為泥巖,巖相5和巖相6為砂泥互層。

圖5 利用測(cè)井曲線、測(cè)井解釋曲線和巖心照片在垂直剖面上對(duì)預(yù)測(cè)出的巖相進(jìn)行分析、識(shí)別和標(biāo)定的結(jié)果

圖6給出了各巖相及其對(duì)應(yīng)的巖性(解釋的泥質(zhì)含量)、巖心、流體性質(zhì)(解釋的含水飽和度)的局部放大結(jié)果。根據(jù)巖性、含水飽和度和巖心上表現(xiàn)出的巖石地質(zhì)現(xiàn)象確定各巖相的巖性及地質(zhì)意義。通過大量的數(shù)據(jù)比對(duì),認(rèn)為巖相1為砂巖(單層厚度>10m),河道沉積,水層,主要分布在Asm2底部;巖相2為砂巖(單層厚度>10m),河道沉積,油砂(無隔夾層);巖相3為砂巖(單層厚度<10m),河道沉積,油砂(有時(shí)見單層厚度<10cm的薄夾層);巖相4為砂巖,河道沉積,油砂(相對(duì)巖相3含油飽和度較低,發(fā)育薄的砂巖隔夾層);巖相5部分為砂巖/泥質(zhì)砂巖(Asm3段上部),河漫沉積,部分為砂巖,河道沉積(Asm3段中下部/Asm2段上部),油砂與夾層互層(單夾層厚度3～30cm);巖相6為砂巖/泥質(zhì)砂巖,河道沉積,水層,主要分布在Asm2下部和Continental段;巖相7為泥巖,河漫/牛軛湖,隔夾層(單層厚度>2m),主要分布在Asm2上部和Continental段;巖相8為泥巖,河漫沉積,隔夾層,主要分布在Asm3上部。

表3 無監(jiān)督測(cè)井巖相分析及解釋結(jié)果

按照上述流程進(jìn)行大量的數(shù)據(jù)交會(huì)圖、直方圖、多井剖面圖的統(tǒng)計(jì)分析和標(biāo)定,確定每一種巖相的自然伽馬、電阻率、密度、縱波速度、泥質(zhì)含量、孔隙度、含水飽和度、滲透率的響應(yīng)特征和數(shù)值范圍,解釋出巖相的巖性特征,并依據(jù)井上的所屬地質(zhì)層位和巖心照片進(jìn)行地質(zhì)描述。該解釋結(jié)果與鉆井取心解釋結(jié)果吻合度達(dá)到97%,表3詳細(xì)記錄了每個(gè)巖相的解釋結(jié)果。

3 結(jié)論

1) 本文方法在Kinosis工區(qū)的實(shí)際應(yīng)用中,主成分F1與巖性密切相關(guān),其高值對(duì)應(yīng)泥質(zhì)隔夾層或泥巖;而主成分F2與流體關(guān)系密切,其低值表示含油,高值表示含水。采用PCA方法能有效地從多種測(cè)井參數(shù)中提取出突出巖性和流體特征的主成分,實(shí)現(xiàn)數(shù)據(jù)降維,為巖相分析奠定基礎(chǔ)。

2) 在主成分分析的基礎(chǔ)上,利用主成分曲線(F1、F2、F3)作為樣本進(jìn)行基于貝葉斯概率模型無監(jiān)督學(xué)習(xí)的測(cè)井巖相分析。通過迭代計(jì)算,系統(tǒng)自動(dòng)學(xué)習(xí)判別模型的優(yōu)劣,從7個(gè)分類概率模型中輸出認(rèn)為最優(yōu)的8類巖相。不同巖相的F1與F2交會(huì)分析結(jié)果顯示,每個(gè)巖相內(nèi)樣本點(diǎn)基本上是分開的,表明巖相分析結(jié)果反映了數(shù)據(jù)內(nèi)在規(guī)律。由于使用的巖相分析方法無需提供先驗(yàn)的巖性類別模型,使用無監(jiān)督自主學(xué)習(xí)的方式選擇模型參數(shù)和聚類數(shù)量,完全數(shù)據(jù)驅(qū)動(dòng),避免了人為因素的干預(yù)影響,使得結(jié)果更加客觀。

3) 對(duì)巖相分類結(jié)果使用常規(guī)測(cè)井曲線、測(cè)井解釋曲線以及巖心照片等地質(zhì)資料,采用交會(huì)圖、直方圖、多井剖面圖進(jìn)行統(tǒng)計(jì)分析和標(biāo)定,確定每個(gè)巖相在儲(chǔ)層段的測(cè)井電性特征、礦物學(xué)特征、物性特征、巖性特征和地質(zhì)描述。認(rèn)為在Kinosis工區(qū)巖相1(含水)、2、3、4為砂巖,巖相7、8為泥巖,巖相5和巖相6為砂泥互層。隨機(jī)抽取研究區(qū)內(nèi)沒有參與標(biāo)定的井的鉆井取心資料對(duì)解釋結(jié)果進(jìn)行檢驗(yàn),吻合度達(dá)到97%,巖相分類結(jié)果穩(wěn)定可靠,可用于沒有取心數(shù)據(jù)的井中。

本文方法在Kinosis工區(qū)的實(shí)際應(yīng)用,展示了一種利用常規(guī)測(cè)井曲線預(yù)測(cè)井孔油砂儲(chǔ)層巖性的較為經(jīng)濟(jì)的研究方法。考慮到在阿爾伯塔省和世界其它地方對(duì)油砂儲(chǔ)層進(jìn)行表征的重要性,本文方法具有潛在的廣泛應(yīng)用前景。