東營凹陷湖盆陡坡帶砂礫巖儲層評價方法及應用
——以LA區(qū)塊沙四上亞段為例

王 錦，馮國奇，王 鑫

（1.中國石化中原油田分公司物探研究院，河南 濮陽 457001；2.中國石油大學（華東）地球科學與技術學院，山東 青島 266580）

砂礫巖儲層在油氣勘探開發(fā)過程中占據(jù)重要地位，尤其在我國東部的中、新生代陸相斷陷湖盆的東營凹陷北部陡坡帶發(fā)育大量砂礫巖儲層，獲得了可觀的工業(yè)油流［1-4］。研究區(qū)LA區(qū)塊滾動勘探開發(fā)時間較短，對砂礫巖儲層的認識相對薄弱。此外，砂礫巖儲層內部結構復雜，各影響因素間多呈非線性關系。儲層非均質性是決定儲層質量的關鍵因素［5］，影響油田開發(fā)效果。砂礫巖儲層縱向上砂體間儲層性質差異程度多變，導致單因素表征層間非均質性的角度各異性明顯，開展儲層質量評價工作難度較大。

目前，國內外學者針對儲層質量及儲層非均質性評價開展了大量的研究。楊少春［6］利用熵權法對數(shù)值存在差異的屬性參數(shù)進行去同存異處理，以非均質綜合指數(shù)定量表征儲層非均質性；嚴科［7］針對非均質定量表征角度各異性問題，提出基于儲層物性參數(shù)累積分布特征的新參數(shù)進行儲層宏觀非均質表征；宮清順［8］借助地質、測井、生產(chǎn)動態(tài)等資料，從孔隙結構、滲透率韻律、夾層類型及分布樣式、有效砂體結構及連通模式入手，深入剖析砂礫巖儲層宏觀、微觀非均質性主因并對其表征。儲層質量和非均質性評價方法大多是利用模糊數(shù)學或灰色理論對多儲層評價因素做不確定性評價，針對砂礫巖儲層縱向上砂體間儲層性質差異程度多變性和內部結構的復雜性，若只考慮單一評價方法，評價結果間的差異性難以得到良好體現(xiàn)。因此，優(yōu)選非均質評價指標，聯(lián)合熵權法及模糊層次分析法，通過構建熵權、模糊互補判別矩陣，有效擴大評價結果的差異性和解決角度各異性，進而實現(xiàn)砂礫巖儲層層間非均質性定量表征；然后針對儲層質量與各儲層評價參數(shù)間的非線性關系，利用極具靈活性和自適應性的BP神經(jīng)網(wǎng)絡法構建復雜函數(shù)關系，從而劃分砂礫巖儲層類型，客觀有效地實現(xiàn)砂礫巖儲層質量評價和儲層平面展布預測。

1 概況

東營凹陷北部陡坡帶面積約1 500 km2，具有坡度陡、物源和油源供應充足的特點［9］，構造上整體受陳南和濱利兩套斷裂帶系統(tǒng)控制［10］，形成“北斷南超”、山高谷深、溝梁相間的古地貌特征［11］。研究區(qū)LA區(qū)塊處于陡坡帶的西段二臺階，北為陳家莊凸起，西鄰濱縣凸起，東鄰民豐洼陷，南為利津洼陷，北部靠近物源區(qū)陳家莊凸起（圖1）。根據(jù)試油資料顯示，研究區(qū)沙四上亞段的7、8砂組為主力含油層，7砂組可劃分為8個小層，8砂組可劃分為7個小層。巖性以礫巖、含礫砂巖、中-粗砂巖和暗色泥巖為主，具有空間上混雜堆積、相變快、物性差、儲層非均質性強的特點［12-14］。研究區(qū)砂礫巖儲層成分成熟度較高，巖石組成以長石巖屑砂巖為主；儲層平均孔隙度為8.56%，平均滲透率為4.73×10-3μm2，屬于低孔、低滲儲層（圖2）。

圖1 研究區(qū)構造位置

圖2 LA區(qū)塊沙四上亞段巖性分類及巖心分析孔隙度、滲透率分布頻率

2 層間非均質性表征

儲層層間非均質性是指儲層在縱向上砂體間儲層性質的差異程度［15］，是影響儲層質量的關鍵因素之一，由于砂礫巖儲層差異程度的多變性受多種因素控制和影響，導致儲層層間非均質性表征難度增加。針對該問題，文中通過聯(lián)合熵權法及模糊層次分析法進行定量表征。

2.1 表征思路及實例應用

熵權法是一種客觀賦權的方法，主要通過熵值來確定指標的重要程度，最大特點為“去同存異”，使得數(shù)值差別不大的屬性對非均質綜合指數(shù)弱化，差別較大的屬性對非均質綜合指數(shù)強化。通常指標熵值越小，差異系數(shù)越大，差別程度越強，其權重越大［6，16］。研究區(qū)以砂礫巖儲層發(fā)育為主，該類儲層相對常規(guī)儲層的評價指標數(shù)值間差異性更小，單從熵權法出發(fā)，難以有效擴大評價結果的差異性，因此將其與模糊層次分析法［17］相結合，得到各個指標的熵值之后，再考慮不同熵權之間的相互關系，求取各個指標相應的熵權的客觀權重，進而得到非均質綜合指數(shù)，該結果可有效擴大不同層位之間指數(shù)的差異性，取得更好的評價結果。

基本算法如下：

①確定對象集合。確定LA區(qū)塊需要評價計算的各井集合，記為：

②確定指標因素的集合。熵權法與主成分分析法思路相近，可篩選出對非均質貢獻突出的參數(shù)指標并賦予較大熵權［6］。同時，保證選取的指標涵蓋評價儲層層間非均質性的多個方面且各指標間相互獨立。選取重要參數(shù)有：孔隙度、滲透率（代表儲層儲集、滲流能力）、滲透率變異系數(shù)（代表儲層滲透率離散程度）、儲層厚度（代表儲層實際發(fā)育情況）、夾層厚度（代表對儲層油氣阻擋能力）［18］，記為：

式中：P1=a11a21…an1，P2=a12a22…an2，P3=a13a23…an3，Pm=a1ma2m…，anm

③確定指標矩陣。矩陣元素為屬性參數(shù)，aij表示i井對應j參數(shù)的數(shù)值。

④指標值標準化，將矩陣A中aij經(jīng)標準化處理后得到bij，從而確定矩陣B。其中對于滲透率、孔隙度、儲層厚度值越大，對應的層間非均質性越弱，則使用式（4）做標準化處理；對于滲透率變異系數(shù)、夾層厚度值越大，對應層間非均質性越強，則使用式（5）作處理。

⑤計算各指標的熵值H。利用式（7）求取式（8）中各個指標的熵值。

根據(jù)熵的極值性，當各指標的水平值越接近，其熵值越大。因此用最大熵值H（Pj）max=lg n對公式（7）所得到的熵值進行歸一化處理，得到表征指標Pj的相對重要程度的信息熵E（Pj）。

⑥考慮不同熵權之間的相互關系，將其與模糊層次分析法結合，以E2s417-1小層為例，利用公式（9）構建由熵權得到的模糊互補判斷矩陣（10）。

對于模糊互補矩陣，滿足0≤cij≤1，且cij+cji=1，cij=0.5表示指標i和指標j同等重要，cij＞0.5表示指標i重要性高于指標j，反之亦然。若cij=cik+ckj+0.5，則該矩陣為模糊一致判斷矩陣［19］。

式中：wi為第i種指標的客觀權重，無量綱；x為指標個數(shù)；θ為調整系數(shù)，該值越小，權重之間的差異越大，代表重視指標間程度的差異。

表1 LA區(qū)塊E2 s41 7-1小層非均質性評價指標客觀權重值

⑧計算非均質綜合指數(shù)I：

式中：W為權重向量；T表明矩陣轉量，0＜I＜1，I值越小，表示非均質性越強；反之亦然。

2.2 綜合熵權法與模糊層次分析法的儲層層間非均質性評價

分別用熵權法和綜合熵權法與模糊層次分析法計算LA區(qū)塊沙四上亞段7砂組和8砂組主力層內各個小層非均質評價指數(shù)，并對其結果進行統(tǒng)計（圖3a、3b）。由圖3a可以看出，E2s418-2、E2s418-3小層非均質性較強，E2s417-3、E2s417-4小層非均質性較弱。

圖3 LA區(qū)塊沙四上亞段儲層層間非均質綜合指數(shù)

與單一利用熵權法（常規(guī)方法）表征砂礫巖儲層層間非均質性相比，基于熵權法與模糊層次分析法的儲層層間非均質綜合指數(shù)能夠克服傳統(tǒng)方法的各參數(shù)表征角度各異、評價指標無邊界、各參數(shù)評價結果相互矛盾等問題，有效擴大評價結果的差異性，更好地體現(xiàn)綜合性和定量性，減少不確定性。

3 基于BP神經(jīng)網(wǎng)絡的砂礫巖儲層質量評價

研究區(qū)砂礫巖儲層非均質性強，需要借助多方面、多角度評價參數(shù)進行表征來實現(xiàn)儲層質量的定量評價，但儲層質量評價參數(shù)之間關系復雜，相互間多呈非線性關系，并且復雜的關系與最終結果的準確度相對立［20］，想要通過常規(guī)方法得到儲層質量綜合評價指數(shù)更為困難。現(xiàn)代興起的人工神經(jīng)網(wǎng)絡技術可通過自身機器學習，較為智能地解決上述復雜問題［21-23］。文中通過采用BP神經(jīng)網(wǎng)絡模型解決關系復雜的非線性問題，較好地實現(xiàn)研究區(qū)砂礫巖儲層質量的定量評價。

3.1 BP神經(jīng)網(wǎng)絡模型簡介

BP神經(jīng)網(wǎng)絡模型是目前人工神經(jīng)網(wǎng)絡方法中應用最為廣泛的神經(jīng)網(wǎng)絡模型，屬于多層前向型網(wǎng)絡，由多個輸入層、一個輸出層和多個隱含層組成（圖4a）。首先將訓練數(shù)據(jù)加載至網(wǎng)絡的輸入層中，靠自身逐層訓練至輸出層，得到相應的“預估值”，再將“預估值”代入交叉熵損失函數(shù)中計算誤差，然后通過機器不斷學習并利用誤差反向傳播訓練算法，反向從輸出層對連接權值進行修改，并逐步后退至各層和節(jié)點，最后直至隱含層，通過持續(xù)迭代修正連接權值和閾值，確保均方根誤差控制在相應的誤差精度范圍內，最終建立多元輸入數(shù)據(jù)與單元輸出數(shù)據(jù)之間非線性映射關系，從而得到期望結果，完成網(wǎng)絡學習（圖4b）。

圖4 BP結構模型及網(wǎng)絡算法流程

3.2 BP神經(jīng)網(wǎng)絡建模及應用

3.2.1 儲層質量評價參數(shù)優(yōu)選探討

儲層質量是儲層儲集和滲流能力的表達［24-25］，儲層質量評價選擇的參數(shù)最好是相互獨立的、屬性意義明確的，盡可能評價儲層的各個方面。文中選擇的儲層質量評價指標包括非均質性評價指數(shù)、成巖相（壓實減孔率、膠結減孔率、溶蝕増孔率）、砂體厚度、砂地比。有些學者會使用比較新的評價指標，例如基于壓汞、核磁實驗等得到的排驅壓力、孔喉半徑、飽和度、閾壓梯度等微觀機理分析指標［26-27］，但這些指標實際受限較大，并不能有效指導宏觀儲層評價。

3.2.2 構造輸入層和輸出層

儲層質量評價指標的輸入層為非均質性評價指數(shù)、壓實減孔率、膠結減孔率、溶蝕増孔率、砂體厚度和砂地比；輸出層根據(jù)生產(chǎn)情況劃分為五類儲層，分別以指標值0.8～1.0、0.6～0.8、0.4～0.6、0.2～0.4、0～0.2進行劃分。

3.2.3 建立BP神經(jīng)網(wǎng)絡結構

采用三層網(wǎng)絡結構，輸入層節(jié)點為6（6個評價指標），輸出層節(jié)點為1（儲層評價綜合指數(shù)）；根據(jù)經(jīng)驗，將隱含層節(jié)點設為20，建立研究區(qū)砂礫巖儲層類型的BP神經(jīng)網(wǎng)絡結構模型（圖4a）。

3.2.4 深度神經(jīng)網(wǎng)絡模型訓練

將沙四上亞段7砂組和8砂組中的174個樣本點作為訓練數(shù)據(jù)（占總樣本數(shù)的80%），用于機器學習訓練；22個樣本點作為檢驗樣本（占總樣本數(shù)的10%），用于驗證學習結果的準確性；22個樣本點作為測試樣本（占總樣本數(shù)的10%），用于機器預測儲層類型。

3.2.5 BP神經(jīng)網(wǎng)絡模型結果分析

BP神經(jīng)網(wǎng)絡采用三層網(wǎng)絡結構，網(wǎng)絡最大訓練次數(shù)設為1 000，誤差精度為1×10-4。當網(wǎng)絡系統(tǒng)誤差小于給定的誤差時訓練結束，訓練共進行16步，在第10步時效果最佳，均方差最小為0.000 579 94（圖5）。

圖5 BP神經(jīng)網(wǎng)絡的訓練誤差傳播曲線

由圖6可知，三條擬合曲線的相關系數(shù)均大于0.90，從訓練至測試效果都能達到很好的擬合并反向對人工解釋進行指導，本次機器學習的識別結果準確度較高，得到的結果即為預期想要得到的結果。

圖6 BP神經(jīng)網(wǎng)絡的訓練、檢驗、測試擬合曲線

通過機器識別結果和人工解釋結果相比較，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡模型的預測類型與實際人工劃分的儲層類型基本一致，用其對22個測試樣本進行預測，預測結果中有20個結果識別正確，預測儲層類型的準確率大于90.09%（表2）。相反，人工進行儲層分類時有時并不十分精確，且花費的時間成本較高。因此，深度神經(jīng)網(wǎng)絡模型的預測結果可提供快速有效的參考。

表2 LA區(qū)塊目的層砂礫巖儲層類型識別結果

3.3 儲層質量評價

通過從各角度選擇多評價參數(shù)對研究區(qū)砂礫巖儲層質量評價，儲層類型可分為五類：Ⅰ（好）、Ⅱ（較好）、Ⅲ（中等）、Ⅳ（較差）、Ⅴ（差）。其中Ⅰ類儲層指標值為0.8～1.0，Ⅱ類儲層指標值為0.6～0.8，Ⅲ類儲層指標值為0.4～0.6，Ⅳ類儲層指標值為0.2～0.4，Ⅴ類儲層指標值為0～0.2。

通過對各類儲層與其對應的單井地質特征進行比較，認為實踐結果與單井地質認識具有良好的匹配關系。研究區(qū)目的層以Ⅱ類和Ⅲ類儲層居多，Ⅰ類和Ⅱ類儲層巖性多以中-粗砂巖、含礫砂巖、細礫巖為主，對應沉積微相為溝道和辮狀水道，物性較好，含油性較好，可作地質甜點（圖7a，7b）；Ⅲ類儲層巖性以中-粗砂巖為主，發(fā)育辮狀水道，但物性中等，含油性一般（圖7c）；Ⅳ類儲層以粉細砂巖為主，對應扇中前緣沉積，物性較差，含油性多顯示熒光（圖7d）；Ⅴ類儲層幾乎不含油，對實際開發(fā)作用不大，因此這里不考慮（圖8）。

圖7 LA區(qū)塊沙四上亞段各類儲層對應單井地質特征

3.4 評價結果的應用

以L2井為例，儲層質量評價結果與實際地質認識相吻合（圖8a）。綜合單井主力層儲層評價結果和以其結果作為目標屬性進行反演得到的儲層評價數(shù)據(jù)體，預測儲層類型在平面上的展布（圖8b、8c）。由儲層定量評價平面分布圖可以看出，整體上儲層類型區(qū)分明顯，儲層展布較為精細，類型較好的儲層在平面上多呈條帶狀，較為貼近河道主體沉積。綜上所述，評價成果可較好地劃分儲層類型，為砂礫巖儲層質量評價及優(yōu)勢儲層預測提供較好的應用前景，也為其他地區(qū)砂礫巖儲層質量評價提供參考。

圖8 L2井7、8砂組儲層綜合柱狀圖及儲層評價（8-3小層）

4 結論

（1）綜合利用熵權法與模糊層次分析法，構建熵權、模糊互補判別矩陣，有效擴大評價結果的差異性，從而得到儲層層間非均質性評價指數(shù)，能夠更好地克服傳統(tǒng)方法各參數(shù)表征角度各異、評價指標無邊界、各參數(shù)評價結果相互矛盾等問題，更好地體現(xiàn)綜合性和定量性，減少不確定性。

（2）基于BP神經(jīng)網(wǎng)絡方法將LA區(qū)塊沙四上亞段砂礫巖儲層劃分為五種類型，研究區(qū)以Ⅱ類和Ⅲ類儲層發(fā)育為主，Ⅰ類和Ⅱ類儲層可作為有利的地質甜點。最終預測儲層類型平面展布，儲層類型較好的平面上多呈條帶狀，較為貼近河道主體沉積，分 類結果與實際地質認識相吻合。