阿曼五区块Daleel油田储层裂缝识别方法研究

郑 军，刘鸿博，2，周 文，邓虎成

（1.成都理工大学能源学院，四川成都610059；2.四川水利职业技术学院，四川都江堰600839）

0 引 言

阿曼盆地Daleel油藏属于断块－岩性油气藏，储层岩性主要为生物碎屑、粒状碳酸盐岩，基质物性差，不同储层段物性差异也很大。对储层裂缝的识别是一项重要的工作［1］。以往在该区所做研究表明，利用常规测井方法可以识别裂缝，但是精度不高。成像测井尤其是地层微电阻率扫描测井（FMI）能成功识别出井眼内的裂缝，对裂缝性油气藏进行精细描述，并可识别出裂缝的位置、形状、产状和密度等［2］。支持向量机方法已被广泛应用于模式识别［3］、回归估计［4］、储层预测［5］等领域，是目前机器学习领域的研究热点［6］。本文在分析Daleel油田的地质特征的前提下，综合利用常规测井和地质资料，观察了取心井段裂缝发育特征并将其进行有效的分类。分析了取心中裂缝发育井段其对应的测井响应特征，提取了测井曲线特征参数，利用支持向量机方法对研究区的裂缝进行了识别，研究了该方法在储层裂缝识别中的应用效果。

1 研究区概况

Daleel油田是阿曼五区块的主力油田，主力油层是Shuaiba层。到2007年底，Daleel油田共钻井133口，其中102口水平井。Daleel油田总体上为发育在西南高、东北低的单斜构造背景下（地层倾角2°～5°）的断块－岩性油藏。油田近NE－SW展布，长15km、宽4km、面积约60km2。NW－ES走向断层较发育，均为正断层，断距10～70m，最大120 m。断层倾向分为EN倾和WS倾2个组，形成地垒与地堑相间断块构造。东北和西南为断层分割封堵，由主断层把Daleel油田分成10个断块，分别为A、B、C、D、E、F及AB、BC、DE、EF。

2 工区内裂缝分类定义

对研究区成像测井资料进行分析发现，影像中分为连续暗色、不连续暗色、连续亮色、不连续亮色等4个类型。实际地层中天然裂缝的裂缝类型按照影像的特征对其分为4类。

（1）连续传导缝（CCF）。连续传导缝的裂缝有效程度高，这类裂缝与岩心和薄片上所识别的开启裂缝相对应。如DL-128H1井深度为1 790m［见图1（a）］发育1条CCF类型裂缝。

（2）不连续传导缝（DCF）。不连续传导缝表现为高电导率异常，基本特征与连续传导缝类似，只是波形曲线深色影像表现为不规则、不连续和模糊的特征。该类裂缝也具有一定有效性，仍然可以归为开启缝类型。DL-128H1井中深度在1 923.4m［见图1（b）］处有1条较完整的正弦波形的曲线，图像比CCF缝影像模糊，低电阻率部分连续度相对高，为DCF型裂缝的典型影像特征。

（3）连续高电阻率缝（CRF）。连续高电阻率缝表现为高电阻率异常，一般为完整正弦波形曲线影像，影像为连续浅色，该类裂缝与岩心和薄片上见到高电阻率充填的裂缝相对应，一般为充填裂缝，有效程度低。DL-128H1井深度1 794.9m［见图1（c）］处的影像表现为浅色连续高电阻率特征，曲线形态分别为近于直线和完整的低幅度正弦波形曲线影像，说明裂缝被高电阻率矿物连续充填。

（4）不连续高电阻率缝（DRF）。不连续高电阻率缝表现为高电阻率异常，影像特征表现为正弦波型曲线和水平影像，影像颜色为深色和浅色相间，此类裂缝为充填裂缝，有效程度低。DL-125H1井深度2 013.8、2 014.6m［见图1（d）］处成像测井的影像都显示为不连续浅颜色的高电阻率显示。

在裂缝识别的过程中，将裂缝识别工作分为有效裂缝、无效裂缝以及非裂缝等3大类。其中，有效裂缝包括CCF和CRF等2种类型，无效裂缝包括CRF和DRF等2种类型。

3 裂缝的常规测井响应特征

3.1 裂缝在常规测井上的响应特征

3.1.1 深、浅双侧向电阻率

裂缝发育的不均一性，电阻率测井曲线形态常呈高低间、起伏不平的多尖峰状；裂缝发育时电阻率曲线都为低值显示，仅当有孤立稀疏的小裂缝发育时，深、浅双侧向测井电阻率值才表现为大小降低不明显［7］。深、浅双侧向电阻率的大小及差异性质受流体性质、裂缝张开度、裂缝密度、裂缝产状、裂缝径向延伸以及岩石本身的电阻率影响，对高角度裂缝、垂直裂缝的深浅侧向电阻率其值明显降低，并出现深浅侧向之间相对增大的准正差异现象，且二者比值随裂缝倾角、裂缝张开度、裂缝径向延伸度、裂缝纵向穿层长度的增大而增大；低角度裂缝也使深浅侧向读数降低，曲线形状尖锐，一般显示相反的准负差异现象；网状裂缝的深浅侧向读数更低，也存在差异现象。

图1 Daleel油田DL-128H1井成像测井裂缝影响特征

3.1.2 声波时差、地层密度、中子孔隙度

裂缝与井壁成全部截割时，在低角度、水平缝的情况下声波时差增高；而高角度缝对声波传播影响不明显。密度测井主要反映岩石的总孔隙度，与测井仪器极板是否靠上裂缝关系极大。若极板靠上裂缝，曲线反映的孔隙度偏高，而与仪器极板不接触或处于探测空间以外的裂缝溶洞则无法反映。中子孔隙度在致密基岩段，中子孔隙度曲线成1条平直直线。若中子测井仪探测范围内有裂缝存在，则将对中子孔隙度测井产生贡献，导致中子孔隙度变大。

3.1.3 井径

与井壁相切割的高角度裂缝造成井壁附近岩石强度降低，形成沿裂缝走向的垮塌，双井径曲线出现一个方向井径大于钻头直径，另一个方向井径接近于钻头直径的椭圆现象。在常规测量的单井径曲线上同样存在裂缝发育处井径较致密层扩大的现象。

3.2 常规测井裂缝识别模式建立

在Daleel油田岩心描述的基础上，提取了裂缝发育层段所对应的测井响应值，选取了多口井的资料点。裂缝识别工作分为有效裂缝、无效裂缝以及非裂缝3大类，通过对中子与井径、深侧向与中子、光电吸收因子与密度、深浅电阻率差与声波进行了两两交会，建立了不同参数的裂缝交会图版（见图2）。由图2可以看出声波、光电吸收因子、深浅电阻率差测井系列对这3类样品区分效果极差，基本上不能把任何类型样品进行区分开。井径与中子对于未充填裂缝可以很好地区分出来，充填与无裂缝2类样品的点子基本上混在一起，无法区分。深侧向电阻率对于这3类样品，其中未充填样品与其他2种类型能够在一定程度上区分开，但充填、无裂缝2类基本上混淆在一起。根据上述各类裂缝及非裂缝样品的测井响应信号的对比分析可知，对于该地区储层能够在常规测井上把具有一定响应特征的未充填（或者充填程度不高）的裂缝和充填缝（或非裂缝）区别开。未充填裂缝相对充填缝（或非裂缝）在测井响应上反映为中子孔隙度和井径其值增大，深侧向其响应值略有降低。图3为阿曼Daleel油田未充填裂缝Daleel4井D油层1 597.26～1 597.61m裂缝的测井响应特征，该段裂缝为未充填裂缝，其测井响应值，声波为1 08.0～1 10.6μs／ft（非法定计量单位，1ft＝12in＝0.304 8m，下同）；中子孔隙度为0.53%～0.60%；自然伽马为80.8～87.3gAPI；自然电位为30.90～30.93mV；深侧向电阻率为1.20～1.39Ω·m；井径为11.84～15.66in；光电吸收因子为3.39～3.48b／eV。该层段相对层内上部无裂缝段测井响应中深侧向电阻率明显减小，井径和中子孔隙度明显增加。通过这些常规测井的组合特征可以将这一类裂缝进行有效的识别。

对于充填裂缝程度较高的裂缝常规测井响应特征往往不明显，不能跟无裂缝段地层进行区分。如图4阿曼Daleel油田未充填裂缝Daleel1井B2油层1 716.23～1 716.56m裂缝的测井响应特征，该段裂缝为垂直充填裂缝，其测井响应值声波为63.9～64.5μs／ft；中子孔隙度为0.10%～0.11%；自然伽马为17.7～22.0gAPI；自然电位为－38.9～－38.4mV；深侧向电阻率为2.58～2.68Ω·m；井径为8.50～8.59in；光电吸收因子为6.98～7.55 b／eV。该层段电测信号特征相对层内或上面的碳酸盐储层中无裂缝段无较大差异，因此，通过这些常规测井的组合特征对充填程度较高的裂缝不能够进行有效的识别。

4 支持向量机在裂缝识别中的应用

常规测井资料在该区的应用效果尚不明显。因此，研究尝试引入了在模式识别领域中的支持向量机方法（SVM）［8］。裂缝识别也属于多分类判别模式识别的问题，可以利用多分类SVM方法建立裂缝识别模型完成。

4.1 实验测试建模

4.1.1 样本集选取及数据归一化

采用粗糙集方法，分析各个参数对预测目标的敏感程度，最终确定输入的参数采用能反映储层裂缝的深侧向电阻率（RLLd）、浅侧向电阻率（RLLs）、中子孔隙度（φN）、井径（CAL）、声波时差（Δt）、自然伽马（GR）和密度（DEN）等7个参数；输出参数为正整数表示的裂缝类别标号，如类别1表示有效裂缝，类别2表示无效裂缝，类别3表示非裂缝。通过取心井的测井资料，从研究层段内提取了可靠的、有代表性的35个数据样本对构建样本集，其中27对作为训练样本，其余8对作为验证样本。

图2 常规测井参数裂缝识别交会图版

图3 阿曼Daleel油田Daleel-4井非充填裂缝（1 597.26～1 597.61m）测井响应特征

图4 阿曼Daleel油田Daleel-1井充填裂缝（1 716.23～1 716.56m）测井响应特征

为避免各参数量纲差异导致核函数内积计算困难，对预测结果造成负面影响，首先对学习样本的属性值进行归一化处理，并根据属性值呈正态分布的进行常规归一化、属性值呈非正态分布（如深侧向电阻率）的进行对数归一化处理的原则，对所选取的各测井曲线进行归一化预处理，最终将样本的属性值映射到［0，1］区间，从而减小SVM模型的计算量，提高预测精度。

4.1.2 SVM模型最佳参数优化

支持向量机最终的目的是寻找一个合适的分类函数对未知层位进行预测识别。分类函数的确定主要是对核函数的选择和对惩罚系数c的确定，核函数的选择对模型的泛化性能有较大的影响，需要根据训练样本的分布和比较实验进行。对于该区的裂缝识别问题，经过多次试验，选择了RBF核函数。Libsvm对于核参数r和惩罚系数c的选择主要采用网格搜索寻优法。其基本思路首是先大致选定1个区间，如c的区间为［2－10，210］，r的区间为［2－8，28］，步长为1，在选定区间内让c和r呈指数增长，通过不断改变c和r的组合，初步寻找二者的最佳组合，然后确定准确率出现最高的1个小区间，并逐步缩短步长重复搜索，直至搜索结果精度变化不大时为止，最后所得结果即为最优化参数。研究所得最佳参数组合为［c，r］＝［32，0.5］，交叉验证精度达91.4%。裂缝识别SVM分类流程通过Libsvm软件包实现。

4.2 应用效果分析

4.2.2 SVM裂缝模型

利用所建立的SVM流体识别模型对35个由取心结果和测井资料得到的裂缝样本进行预测与回判。8个预测样本正确识别的有7个，正确率达到87.5%，其中1个误判样本是将无效裂缝判识为非裂缝，因此，没有漏失有效裂缝样本（见表1）。对28个建模样本进行回判，准确率达100%。利用SVM方法对9口取心井35个样本进行分类评价，将参数c、r调整至最佳参数组合32、0.5，得到图5所示的分类评价图。从图5中可以看出，SVM方法可以较好的将有效裂缝、无效裂缝和非裂缝分类。

图5 SVM方法9口取心井35个样本的分类评价图

表1 9口取心井7个检验样本的判别结果

利用SVM裂缝识别的结果可以对该工区进行裂缝评价。图6为DL-2井和DL-56井应用SVM方法进行裂缝识别的结果。图6中，SVM裂缝解释结果中，1表示有效裂缝，2表示无效裂缝，3表示非裂缝。从图6中可以清楚的看出单井剖面上裂缝的分布，为今后的开发提供了依据。

图6 应用SVM方法单井裂缝识别效果图

5 结 论

多元回归分析（MRA）、人工神经网络（ANN）和支持向量机（SVM）等3种算法具有各自的特点。SVM计算速度比ANN快10倍以上。当难以判断一个研究目标与其相关因素的复杂关系的非线性强弱程度时，采用SVM更准确［9］。

利用常规测井裂缝识别模式对储层裂缝进行识别时发现，对充填程度较高的裂缝不能够进行有效识别。应用SVM方法综合考虑储层的岩性、物性和裂缝特征等多种因素建立裂缝识别模型，可以提高裂缝测井解释精度。因此，当描述一个研究目标与多个相关地质因素的复杂关系时，应提倡采用SVM，而MRA作为辅助应用。

［1］ 周 文.裂缝性油气储集层评价方法［M］.成都：四川科学技术出版社，1998.

［2］ 陈钢花，毛克宇，等.利用地层微电阻率成像测井识别裂缝［J］.测井技术，1999，23（4）：279-281.

［3］ Burges C.A Turorial on Support Vector Machines Forpattern Recongnition［J］.Data Mining and Knowledge Discovery，1998，2（2）：121－167.

［4］ 朱国强，刘士荣，俞金寿.支持向量机及其在函数逼近中的应用［J］.华东理工大学学报，2002，28（5）：555－559.

［5］ 乐友善，袁全社.支持向量机方法在储层预测中的应用［J］.石油物探，2005，44（4）：388－392.

［6］ 彭 涛，张 翔.支持向量机及其在石油勘探开发中的应用综述［J］.勘探地球物理进展，2007，30（2）：91－95.

［7］ 雷从众，林 军，等.克拉玛依油田八区下乌尔禾组油藏裂缝识别方法［J］.新疆石油地质，2008，29（3）：354－357.

［8］ 张银德，童凯军，等.支持向量机方法在低阻油层流体识别中的应用［J］.石油物探，2008，47（3）：306－314.

［9］ 石广仁.支持向量机在裂缝预测及含气性评价应用中的优越性［J］.石油勘探与开发，2008，35（5）：588－594.