基于模式識別融合的低阻油層識別*

孫玉強

（中國石油大學(xué)（華東）計算機科學(xué)與技術(shù)學(xué)院 青島 266580）

1 引言

自20 世紀(jì)50 年代起至今，石油這一重要的國民經(jīng)濟命脈依舊占據(jù)著能源行業(yè)的主體地位，故識別儲集油層特征、提高儲集油層的采收率具有重要的研究意義。但伴隨著高含水、高采出與高度分散的三高特征以及石油勘探工作的難度加大，人們逐漸將研究的重點轉(zhuǎn)向低阻油層［1］。低阻油層由于受多種復(fù)雜因素的影響，其電阻率明顯低于常規(guī)油層，并且測井響應(yīng)特征不明顯，使得測井信息對該類儲層識別的能力降低，往往被解釋為水層甚至被漏掉［2～3］。

其中從測井曲線中提取地層的儲層特性已成為測井分析專家面對的重要課題，也是提高油田采收率的關(guān)鍵技術(shù)之一［4～6］。傳統(tǒng)識別方法主要是通過人工分析建立儲層參數(shù)識別模型［7～8］、運用含油飽和度法、交會圖等分析法實現(xiàn)低阻油層識別［9～11］，但低阻油層成因機理復(fù)雜多樣，傳統(tǒng)識別方法挖潛效率低，并附有主觀性。針對上述存在問題，本文提出基于模式識別方法融合測井、錄井與生產(chǎn)數(shù)據(jù)，更加完備的描述小層信息，分析典型低阻層特征，通過隨機森林［12］與XGBoost［13］集成方法構(gòu)建低阻油層識別模型，自動識別低阻油層，通過數(shù)據(jù)智能算法降低開發(fā)成本，提高識別準(zhǔn)確率。

2 基于模式識別融合的低阻油層識別

2.1 整體框架

以測井?dāng)?shù)據(jù)為基準(zhǔn)，融合錄井與生產(chǎn)監(jiān)測數(shù)據(jù)，基于隨機森林與XGBoost 方法構(gòu)建低阻油層識別模型。包括數(shù)據(jù)預(yù)處理、相似度計算、多源數(shù)據(jù)融合、低阻油層識別模塊。如圖1所示。

圖1 整體框架

2.2 基于模式識別融合

小層測井曲線數(shù)據(jù)來自于地層測井傳感器，以0.125m 深度為一個周期進行采樣，但各小層厚度大小不一，所獲取的采樣點個數(shù)不同，為解決上述存在問題，采用費雷歇距離（Fréchet distance）計算衡量各小層測井曲線之間的相似程度［14］。設(shè)A，B表示任意兩個小層測井曲線數(shù)據(jù)，則費雷歇相似度計算公式如下所示：

上式中d 表示歐幾里得距離，α,β是單位區(qū)間內(nèi)兩個重參數(shù)化函數(shù)。

設(shè)測井參數(shù)集U=｛RA25（2.5m 電阻率）、RA45（0.45m電阻率）、RA4（4m電阻率）、AC（聲波時差）、GR（自然伽馬）、SP（自然電位）、CAL（井徑）｝，測井參數(shù)u 的相似度記為u_similarity，u∈U，設(shè)二維矩陣dp 存儲小層各分量間距離，i，j 表示小層A、B 測井參數(shù)u的分量索引。小層相似度計算過程如下：

1）初始化距離矩陣dp 等于-1，若i，j 等于0，則計算Au[0]與Bu[0]的歐幾里得距離并寫入矩陣dp［0］［0］中；

2）若i 大于0 且j 等于0，則遞歸計算dp［i-1］［0］，dp［i］［0］的歐幾里得距離，并取集合中最大值寫入dp［i］［0］中；

3）同理j大于0且i等于0，dp［0］［j］等于集合中最大值；

4）若i 大于0，j 大于0，遞歸計算dp［i-1］［j］、dp［i-1］［j-1］、dp［i］［j］的歐幾里得距離，選取集合中最大值寫入dp［i］［j］中；

5）返回dp［i］［j］作為兩小層測井曲線相似度數(shù)值，數(shù)值越小表征兩小層測井曲線變化趨勢越相似。

分析典型低阻小層數(shù)據(jù)，應(yīng)用費雷歇距離計算典型小層曲線相似度，計算典型層各測井參數(shù)相似度均值并設(shè)為相似閾值T。將各小層測井?dāng)?shù)據(jù)進行兩兩計算相似度后，將相似度數(shù)值大于T 的小層標(biāo)記為同一種曲線變化模式。

2.3 低阻油層識別模型

以融合的小層測井曲線模式識別標(biāo)簽、錄井和生產(chǎn)數(shù)據(jù)為屬性分別構(gòu)建隨機森林與XGBoost 作為低阻油層智能識別模型。隨機森林作為bagging思想的典型，基于Booststraping 有放回隨機采樣選取基本分類器（決策樹［15～17］）訓(xùn)練樣本，基于投票機制實現(xiàn)低阻油層識別?；赽oosting 思想選取XGBoost 分類模型，基于模型迭代過程更改目標(biāo)函數(shù)損失值、減小誤差。采用網(wǎng)格搜索、交叉驗證方式確定最佳模型參數(shù)，保存識別精準(zhǔn)率與召回率均為90%以上模型對目標(biāo)小層預(yù)測，選取兩模型預(yù)測結(jié)果交集（保證識別準(zhǔn)確率與模型泛化能力）實現(xiàn)低阻油層識別。

3 實例分析

針對港*油田641 口井真實數(shù)據(jù)，應(yīng)用本文提出的基于模式識別融合的低阻油層識別方法自動實現(xiàn)低阻油層挖潛。本實驗環(huán)境為Pycharm，在配置為Intel i7，3.7GHz 處理器，16g 內(nèi)存的主機上運行，采用Oracle數(shù)據(jù)庫存儲數(shù)據(jù)。

3.1 基于模式識別融合

選取港*油田641 口井，12031 個小層數(shù)據(jù)集的測井?dāng)?shù)據(jù)進行曲線模式識別，計算各小層測井參數(shù)費雷歇相似度數(shù)值并標(biāo)記。結(jié)合圖2 進行實例分析。

圖2 兩小層測井?dāng)?shù)據(jù)曲線

1）如圖2所示，選取砂層頂深為1411小層與砂層頂深為1924 小層進行實例分析，初始化歐幾里得度量矩陣dp［1…45］［1…25］為-1，迭代計算兩小層各測井參數(shù)曲線費雷歇相似度數(shù)值，相似度計算結(jié)果如表1所示。

表1 費雷歇相似度計算結(jié)果

2）選取典型小層相似度計算閾值T 為0.85，將上述費雷歇相似度計算結(jié)果進行模式匹配后，在描述砂層頂深為1411小層與砂層頂深為1924小層的分析數(shù)據(jù)中，可將兩層中的SP 小層測井?dāng)?shù)據(jù)曲線中名為“SP_0”的變化模式信息以小層為基準(zhǔn)融合至對應(yīng)的小層分析數(shù)據(jù)中，其它參數(shù)類似?；谀Ｊ阶R別的小層多源數(shù)據(jù)融合結(jié)果見表2。

表2 基于模式識別融合結(jié)果

3.2 低阻油層識別模型

分析典型低阻小層特征，以基于模式識別融合的小層數(shù)據(jù)為輸入，選取70%數(shù)據(jù)訓(xùn)練，20%數(shù)據(jù)測試，10%數(shù)據(jù)驗證，基于網(wǎng)格搜索交叉驗證選取模型最佳參數(shù)，構(gòu)建隨機森林、XGBoost 等低阻油層識別模型，基于此模型對目標(biāo)數(shù)據(jù)集進行低阻油層識別。

基于隨機森林構(gòu)建的低阻油層識別模型如圖3 所示，共建立了21 棵樹、最大樹深為5，圖3 為建立的第一棵樹的可視化，選擇X［12］（RA25 測井參數(shù)）作為油層與水層區(qū)分度最大的特征進行分類，通過X［12］＞-0.918 條件、X［4］（GR 測井參數(shù)）＞0.835 條件將23 個油層識別出來，再通過判斷條件特征X［15］＜=-0.93（AC 測井參數(shù)）將5 個水層識別出來。構(gòu)建的隨機森林低阻油層識別模型在測試集與驗證集上精準(zhǔn)率達(dá)到91%、召回率達(dá)到90.2%；XGBoost 低阻油層識別模型精準(zhǔn)率達(dá)到91.7%，召回率達(dá)到90%。

圖3 隨機森林識別模型

采用基于隨機森林與XGBoost 集成學(xué)習(xí)方法的低阻油層識別模型對12031 個目標(biāo)小層進行識別，取兩低阻油層識別模型結(jié)果交集作為最終預(yù)測結(jié)果。部分低阻油層識別結(jié)果交集如表3所示。

表3 低阻油層識別結(jié)果交集

如表3 所示給出了部分低阻油層識別結(jié)果交集，結(jié)合油田相關(guān)專家論證與實際開發(fā)環(huán)境等因素，選取深度在2000m 以下小層進行補開驗證，選取了港*-**-*井的1569.2～1571.3 小層、港*-**-*的1466.8-1468 小層進行補開射孔采油，初期日產(chǎn)油11.2t，采油效果顯著，專家驗證結(jié)果如圖4、圖5所示。

圖4 港*-**-*砂層頂深1569低阻油層驗證結(jié)果

圖5 港*-**-*砂層頂深1466.8低阻油層驗證結(jié)果

4 結(jié)語

本文通過費雷歇相似性度量方法實現(xiàn)對不同厚度小層的測井曲線變化模式識別，并標(biāo)記測井曲線變化模式標(biāo)簽，結(jié)合模式識別結(jié)果與小層錄井、解釋生產(chǎn)數(shù)據(jù)進行多源融合，更加完備的描述小層特征；分析典型低阻層數(shù)據(jù)特征，通過隨機森林與XGBoost 等集成學(xué)習(xí)方法構(gòu)建低阻油層識別模型，自動識別低阻油層，從大量的原始小層數(shù)據(jù)自動分析，代替人工解釋，減少了根據(jù)經(jīng)驗判斷的主觀性，能夠節(jié)約大量的人力成本。

應(yīng)用本文低阻油層識別模型對港*油田641 口井的部分相關(guān)數(shù)據(jù)進行了分析，自動智能化識別預(yù)測出有利儲層82 個，經(jīng)過油田相關(guān)專家深入論證，識別低阻油層準(zhǔn)確率達(dá)90%，并且對其中具備現(xiàn)場實施條件的3 個小層進行驗證，驗證識別準(zhǔn)確率達(dá)100%，應(yīng)用本文方法識別低阻油層節(jié)省了大量的人力，消除了一定的人為主觀性，提高了識別效率。