基于井控多属性机器学习的缝洞型储层预测方法_田建华.pdf

第30卷第1期油气地质与采收率Vol.30,No.12023年1月Petroleum Geology and Recovery EfficiencyJan.2023收稿日期：2021-12-07。作者简介：田建华（1974），男，湖北天门人，高级工程师，硕士，从事地震、地质综合研究工作。E-mail:。通信作者：朱博华（1987），男，江苏南通人，高级工程师，硕士。E-mail:。基金项目：中国石化科技攻关项目“顺北深层断溶体油藏描述及可采储量定量表征”（P21064-1）。文章编号：1009-9603（2023）01-0086-07DOI：10.13673/37-1359/te.202112047基于井控多属性机器学习的缝洞型储层预测方法田建华1，朱博华1，卢志强2，冉琦1，张胜寒1，高睿语1，陈海洋1（1.中国石化石油物探技术研究院，江苏 南京 211103；2.中国石化西北油田分公司 勘探开发研究院，新疆 乌鲁木齐 830011）摘要：碳酸盐岩缝洞体具有强非均质性特征，单一地震属性预测和常规地震属性融合方法未考虑钻井过程中放空、漏失等信息，预测误差较大。基于实钻井井震标定，将放空漏失点属性特征作为约束条件，提出基于井控多属性机器学习的缝洞型储层预测方法，实现缝洞体精细预测。首先根据实钻井井震标定结果，提取漏失点位置的不同敏感地震属性值作为数据输入数组，根据漏失点特征定义的储层类型作为输出数组，形成训练集数据；然后基于支持向量机（support vector machines，SVM）方法，对训练集数据进行模型训练，得到符合先验信息的井震一致的预测模型；最后将该模型应用于塔里木盆地顺北地区奥陶系缝洞型储层预测。结果表明该方法能很好地反映真实储层类型特征，与钻井特征有很高的吻合度。关键词：缝洞体；井控约束；地震属性；机器学习；储层精细分类中图分类号：TE319文献标识码：AFracture-cavity reservoir prediction based on well-controlledmulti-attribute machine learningTIAN Jianhua1，ZHU Bohua1，LU Zhiqiang2，RAN Qi1，ZHANG Shenghan1，GAO Ruiyu1，CHEN Haiyang1（1.SINOPEC Geophysical Research Institute，Nanjing City，Jiangsu Province，211103，China；2.Exploration andProduction Research Institute，SINOPEC Northwest Oilfield Company，Urumqi，Xinjiang，830011，China）Abstract：Carbonate fracture-cavity reservoirs are characterized by strong heterogeneity.Single seismic attribute prediction and conventional seismic fusion methods do not take additional information such as mud leakage into consideration，which could lead to large errors.According to well seismic calibration，a fracture-cavity reservoir prediction method basedon well-controlled multi-attribute machine learning was proposed to finely predict fracture-cavity reservoirs，with the attributes of mud-leakage points taken as the constraints.Firstly，in accordance with the results of well seismic calibration，different sensitive seismic attribute values at the leakage points were extracted as input data，and the reservoir types definedby the features of leakage points were output to form training set data.Then，based on the support vector machine（SVM）method，model training was conducted on the data to obtain a prediction model highly consistent with prior seismic attributes.Finally，the model was applied to predict the Ordovician fracture-cavity reservoir in Shunbei Oilfield，Tarim Basin.The prediction results show that this method can reflect the real reservoir characteristics and fits well with drilling features.Key words：fracture-cavity reservoir；well-controlled constraint；seismic attribute；machine learning；fine reservoir classification缝洞型储层预测技术的发展和应用，对指导碳酸盐岩油气藏的勘探开发具有重要意义。尤其在塔里木盆地深层缝洞型储层的研究中，高质量储层预测成果可优化钻井靶点、提升储集体刻画精度，为缝洞型油气藏勘探突破和效益开发奠定坚实基础。目前，不少学者在缝洞型储层特征响应分析和储层预测方面开展了细致的研究工作，并取得了一定的应用效果1-26。针对缝洞型储层表现出的“串第30卷第1期田建华等.基于井控多属性机器学习的缝洞型储层预测方法 87 珠状”反射特征，学者从储层物理模拟1-4、数值模拟5-7等不同角度系统剖析其形成机理和响应特征，建立地震识别模式，为储层精细预测奠定了很好的理论基础。缝洞型储层预测技术和方法种类较多，目前主要为单一地震属性和常规地震属性融合方法，钻井信息利用较少，预测结果的井震匹配性有待进一步提高。单一地震属性预测技术和方法主要有岩相分类技术8、叠前同时反演方法9-10、AVO 分析技术11-12、频 谱 分 解 技 术13-14和 分 频 属 性 预 测 方法15-17等。能量类、频率类属性预测方法虽有一定效果，但由于缝洞型储层非均质性强的特点，缝洞体位置、尺度大小预测难度大，井震吻合率较低，且在储层特征与漏失点的关系方面缺乏研究。地震反演方法能消除子波旁瓣效应，预测精度有明显提高，但是波阻抗阈值还存在一定的不确定性，井震波阻抗关系的建立也存在一定的困难。针对单一地震属性预测带来的局限，多属性优选和融合地震预测发展成为一个主流的研究方向18-19。李弘等构建出反射强度调谐累积频率衰减属性，较好地识别了碳酸盐岩缝洞型储层20。刘立峰等开展地震多属性优化研究，优选敏感属性，较好地预测了储层的分布21。张显文等构建了一种储层孔隙因子进行储层反演，得到的参数反演体能直接表征有利储层特征22。闫家伟等采用支持向量机的数据融合方法，将参数反演数据和敏感地震属性进行多数据融合，预测储层展布具有较高的钻井吻合率23。杨宏伟等采用基于概率核地震属性融合方法，实现了砂体的精细预测24。张军华等开展基于敏感测井曲线的多属性井震关系研究，采用多元线性回归和SVM实现储层预测25。郑笑雪等开展多种优势地震属性聚类分析研究，提高了储层预测精度，井震吻合率较高26。上述研究较好地实现了井震联合研究，但是在钻井信息利用方面相对欠缺。在碳酸盐岩缝洞型储层钻井过程中，会出现钻头放空、钻井液漏失等现象，放空代表钻遇较大尺度储集体，漏失代表钻遇小尺度储集体或裂缝发育带，且漏失量的大小也是储层类型和规模的反映，这一类信息还没有得到充分利用。针对上述问题，为了充分利用不同地震属性预测结果和钻井信息，提高井震一致性，笔者将储层不同地震属性预测成果与钻井漏失点处储层类型结合起来，提出了一种基于井控多属性机器学习的缝洞型储层预测方法。该方法不仅实现了地震多属性的融合，而且将井上放空、漏失信息作为约束条件开展储层预测，提高了井震相关关系，满足了缝洞型储层精细预测和分类的要求，在实践中具有较高的研究价值和应用前景。以塔里木盆地顺北地区为例，在保证较高井震一致的条件下，将表征缝洞体的不同地震敏感属性进行综合利用，实现缝洞型储层的精细预测，为后续井位部署和靶点轨迹优化调整提供有效依据，最终提高钻井成功率。1SVM方法原理支持向量机（SVM）方法由VAPNIK等提出，在很多分类问题上取得较好的效果，是机器学习业内最有影响力的模型之一27-28，具有泛化性能好、适合小样本和可训练高维特征等优点，应用较为广泛。其基本思想是基于训练数据样本集T在样本空间中找到一个划分超平面，能够将不同类别的样本正确分离。在二分类问题当中，给出训练数据样本集T如下：T=()x1,y1,()x2,y2,()xi,yi（1）式中，xi Rn,yi=-1,1。当yi=1时，训练样本向量xi为正样本；当yi=-1时，训练样本向量xi为负样本。划分超平面用如下线性方程来描述：Tx+b=0（2）决定了超平面的方向，高维超平面Tx+b=0将所有的训练数据分成两部分，其中法向量正方向的一侧是正类样本，反方向的一侧是负类样本。样本空间中任意点x到超平面的几何距离可表示为：i=|Tx+b（3）支持向量机方法通过求解一个能够将训练样本正确分类的高维超平面，并将样本点距该超平面的几何距离最大化（几何距离最大化的直观理解即训练样本点距分离超平面足够远）来使得分类效果置信度达到最高。这样的分类模型理论上面对未知测试数据集有最好的预测期望。求解一个几何距离最大化的分离超平面参数，将这个问题表述为约束最优化问题，即min,b122，其约束条件为：yi()Txi+b 1（4）求解该优化问题的方法是使用 Lagrange 对偶性，构造Lagrange函数，对于每一个不等式约束相应 88 油气地质与采收率2023年1月的引入Lagrange乘子i 0，定义Lagrange函数为：L(),b,=122i=1Niyi()xi+b+i=1Ni（5）其中=()1,2,n，令L(),b,对求偏导并令其等于0可得：L(),b,=i=1Niyixi=0（6）即：=i=1Niyixi（7）令L(),b,对b求偏导并令其等于0可得：bL(),b,=i=1Niyi=0（8）将（7）和（8）式代入（5）式可得到最终的对偶最优化问题，即min12i=1Nj=1Nijyiyj()xixji=1Ni，最后通过SMO算法29求得最优解即可。2方法流程优选采用阻抗、均方根能量、瞬时振幅、储层甜点和地震张量5种属性作为表征储层特征的敏感属性。地震反演较好地消除了子波旁瓣效应，得到的纵波阻抗能较好地反映储层的真实特征，更贴近于地下实际地质体。振幅类属性主要来自于地震振幅信息，强能量表示储层发育区，但是单一振幅不能真正反映不同储层的特征，存在局限性。储层甜点参数是振幅随频率的变化，能较好突出储层响应特征。地震张量属性是利用地震张量场判断地震同相轴的走向，能很好地识别隐藏在同相轴下的振幅异常。将上述敏感属性优选和实钻井放空、漏失