基于聚类-支持向量机算法的...盐岩测井岩相识别模型与应用_何贤宏.pdf

测 井 技 术WELL LOGGING TECHNOLOGYVol.47 No.2 Apr 2023第47卷 第2期 2023年4月文章编号：1004-1338（2023）02-0129-09基于聚类-支持向量机算法的碳酸盐岩 测井岩相识别模型与应用何贤宏1，李可赛1,2，许家铖3，伏美燕1,2，杨玉霏1，孙佳琦1（1.成都理工大学能源学院，四川 成都 610059；2.油气藏地质及开发工程国家重点实验室，四川 成都 610059；3.中国石化石油勘探开发研究院中东研究所，北京 100083）摘要：中东地区A研究区的碳酸盐岩储层发育，但孔隙类型众多、孔隙结构复杂、井间非均质性强，对该地区进行精确的岩相识别与物性评价非常困难。目前该地区单井岩相划分主要依据部分钻井取心数据，成本高昂且数据较少，无法反映完整的地层纵向及横向变化信息，而利用常规测井识别方法难以对该区域进行精细的岩相识别并建立准确的孔隙度、渗透率模型。为此，利用小波变换方法，根据测井曲线形态特征完成不同岩相地层界线划分。综合层次聚类、K均值聚类方法对每个小层对应的测井系列进行聚类分析，结合取心观察结果对聚类结果进行分类约束；最终以约束后的聚类结果、研究层段中岩相分级标签为数据基础，在支持向量机的监督学习下建立利用测井系列进行岩相智能识别的评价模型。通过在取心井中应用岩相识别模型，验证结果与取心认识吻合度可达92%。将该方法推广至其他单井中应用，岩相识别结果中同类型岩相渗透率与孔隙度相关性明显提高，表明模型岩相识别效果较好，可以为精确的岩石类型划分及物性参数计算等研究工作提供理论依据及数据支持。关键词：测井评价；碳酸盐岩；岩相识别；测井数据；机器学习；物性关系；中东地区油田中图分类号：P631.84 文献标识码：ADoi：10.16489/j.issn.1004-1338.2023.02.002Application of Log Lithofacies Classification Model Based on Clustering-Support Vector Classification MethodHE Xianhong1,LI Kesai1,2,XU Jiacheng3,FU Meiyan1,2,YANG Yufei1,SUN Jiaqi1(1.College of Energy,Chengdu University of Technology,Chengdu,Sichuan 610059,China;2.State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation,Chengdu,Sichuan 610059,China;3.Middle East Research Institute,Sinopec Petroleum Exploration and Development Research Institute,Beijing 100083,China)Abstract:The carbonate reservoir in study area A of the Middle East has good reservoir quality.However,in this area,the pore types are numerous,the pore structure is complex,and the heterogeneity difference between wells is really strong.So it is difficult to complete the lithofacies identification and physical property evaluation accuratly in this area.At present,the lithofacies division of wells in this area is mainly based on tiny amount drilling coring data,which costs too much and has no ability to completely reflect the vertical and horizontal change information of the stratum.It is also difficult to identify the lithofacies and establish an accurate porosity and permeability model in this area by using conventional log identification methods.In order to solve those problems,the wavelet transform method is used to complete the division of different lithofacies stratigraphic boundaries according to the morphological characteristics of logging curves.The hierarchical clustering and K-means clustering methods are used to cluster the logging series corresponding to each small layer,and clustering results are rectified by the observation results of coring.Finally,based on the constrained clustering results and lithofacies classification labels in the study interval,the mapping model between them is established under the supervised learning of support vector machine.By applying the model in the coring well,the verification result shows a match of up to 92%with the core recognition.The application of the method in other wells shows a significant inprovement on the correlation between the permeability and porosity of the same type of lithofacies in the rock identification results,which indicates a good effect of the model in lithofacies identification.This can provide theoretical basis and data support for accurate rock types division and physical parameters calculation.Keywords:log evaluation;carbonate rock;lithofacies identification;logging data;machine learning;physical property evaluation;oil field in the Middle East第一作者：何贤宏，男，1997 年生，硕士研究生，从事智能测井解释研究。E-mail：通信作者：李可赛，女，1992 年生，副教授，从事电法测井理论及测井解释研究。E-mail：2023年测 井 技 术130 0 引 言在地层开发过程中，常利用薄片观察结果定性划分岩石类型1、利用测井数据完成地层岩相识别以及储层评价工作2-5。中东地区A研究区M储层沉积微相横向展布稳定，藻屑滩和贫藻生屑滩交替发育，构造高部位发育生物层；该层段早期成岩作用以孔隙内物质胶结和粒状方解石胶结为主，埋藏成岩阶段形成粗晶方解石胶结。由于经历多期胶结和溶蚀作用，早期溶蚀和胶结对储层改造明显。已有研究表明该层段存在5种储层类型6，且地质相类型众多。其碳酸盐岩储层中岩石类型主要划分为：生物礁灰岩、生屑灰岩、球粒灰岩。孔隙类型以粒间孔、晶间孔、铸模孔为主，且储层在纵向上致密夹层与高孔隙度高渗透率层段交互发育7。实际生产过程中，研究区从注水开发以来，油藏受不同岩石类型影响导致油水分布产生差异，部分油井因此开井见水或投产后快速见水。准确地划分、评价该区域的岩相，为日后高效开发该区域油气资源具有重要意义。目前，已有不少研究利用测井数据结合机器学习算法实现岩性、岩相识别。江凯等8以录井资料和测井资料为基础，优选出8个对岩性敏感度较高的测井属性，建立岩性识别模型并利用该模型对目的层岩性进行识别，正确率达到89.1%。陈钢花等9构建了一个用于岩性识别的双层卷积神经网络模型，该模型的样本回判准确率为99%。上述研究证明卷积神经网络在储层岩性识别中的适用性，且该方法的识别准确率较高。胡红等10提出一种基于主成分分析和学习矢量量化神经网络的岩性识别方法，该方法的模型简单，识别准确率较高。王宗俊等11采用贝叶斯概率模型对测井曲线数据进行岩相分析，结果与取心数据对比吻合度高。王民等 12利用随机森林算法完成了对泥页岩岩相的识别工作。张涛等13利用交会图分析方法结合模糊聚类算法对复杂岩性进行了识别实验，岩性判别结果与岩心对比符合率达到80%。同样在储层评价方面，任培罡等14利用自组神经网络结合测井资料完成了流体判别，且判别结果和实际结果吻合良好。张程恩等15、SOLEYMANZADEH等16结合储层品质因子（Reservoir Quality Index，RQI）和聚类算法完成了储层的分类评价工作，评价准确率达到80%。上述岩相识别中使用的机器学习算法较为单一，研究结果未与实际生产结合。本文以小波变换划分的小层结果为基础，结合储层品质因子及薄片观察结果完成岩相的定量分级。对采用灰色关联法17优选出的测井系列进行聚类分析、交会图版校正，得到测井数据分级标签，利用支持向量机分类算法建立测井数据与分级标签之间的映射模型，完成未取心井的岩相识别。1 分类方法原理1.1 聚类方法K均值聚类是一种典型的无监督分类方法18，该方法根据数据间的距离特征差异，将一组数据聚集为多个不同的大类。K均值聚类流程可以概括为3步：确定聚类数K及每一类的初始中心点；分别计算每个数据点到K个中心点的距离，将计算距离结果最小时对应的数据点归入该中心点所代表类别中；利用每一类中的所有数据点重新计算其中心点。重复以上3步，直至每一类中的误差平方和（Error Sum of Squares，SSE）达到最小或是中心点坐标不再变化时结束分类工作。K均值聚类的优点在于其操作简单，对于离散数据集的聚类效果好。该方法的缺点在于受聚类数K及初始中心点选取结果的影响较大19。层次聚类方法的过程20：聚类开始前将一组数据中的每一个数据点当作单独一类，每一次聚类选取类间距离特征最相似的两类合并成新的一类，重复该步骤，当所有不同类聚集为一类时结束整个层次聚类工作。层次聚类的优点21在于能够绘制整个聚类的过程的树状图，清晰直观地展示每一次聚类的结果，以及在数据集被划分成K类时每一类中含有哪些数据。但层次聚类对数据量大的数据集进行聚类时，存在聚类时间长、聚类树状图谱结果复杂等缺点。以自然伽马深感应电阻率