塔河油田复杂碎屑岩岩性识别方法

袁 瑞

(1.长江大学地球科学学院，湖北武汉 430100；2.长江大学信息与数学学院，湖北荆州 434023)

近年来，塔河油田加大了古生界地层的油气勘探开发力度，在石炭系碎屑岩储集层勘探中获得了重大突破。然而，塔河油田石炭系碎屑岩储集层含泥、含砾和含钙，属于复杂岩性储集层，其岩性识别问题仍是急需深入研究的基础工作。前人综合利用多种常规测井资料，采用基于统计学习理论的支持向量机方法在石油勘探开发方面进行了一些成功应用[1-5]，但多数文献在支持向量机输入特征值中均直接利用了常规测井资料中的测井数据，没有对岩性特征参数做进一步处理[6-8]。为此，笔者根据塔河油田石炭系复杂碎屑岩储集层的岩性特点，利用最小二乘支持向量机方法，在输入特征值中引入泥质含量和钙质含量，增加了储集层岩性反映相对敏感的信息，提高了识别效果。

1 最小二乘支持向量机基本原理

支持向量机(support vector machines，SVM)是波兰数学家Vapnik于1995年提出的一种新型学习算法[9]，在处理小样本、非线性及高维模式识别问题中表现出了独特的优势，目前已广泛应用于各个领域[10-11]。

(1)

式中：b为分类阀值；c为惩罚因子；φ(xk)为非线性函数，将输入空间映射到高维空间中。

(2)

利用Lagrange函数把求解的凸二次规划问题转化为典型的线性系统,选择满足Mercer条件的核函数K(x,xi)，求解得到分类决策函数：

(3)

式中：αi为对应的Lagrange乘子。

2 岩性资料整理

石炭系复杂碎屑岩储集层在塔河油田均有分布，并在多个区块进行了试油开采，其中X区块为重点探区。岩心、薄片鉴定结果和粒度分析等资料表明，塔河油田石炭系砂泥岩互层段储集层的岩性较复杂，以浅灰、灰白色长石石英砂岩和长石岩屑砂岩为主，其次为岩屑石英砂岩和岩屑长石砂岩，有少量岩屑砂岩、粉砂岩和砾岩(见图1)。储集层岩石碎屑成分主要为石英、岩屑和长石。碎屑颗粒以细粒为主、中粒次之，少数粗粒、粉粒和砾粒，分选好—中等，粒度分布频率分布如图2所示。胶结物成分以钙质为主，杂基含量较低，主要为泥质。

图1 储集层岩性分布频率Fig.1 Frequency of lithology distribution in the reservoir

图2 储集层粒度分布频率Fig.2 Frequency of particle size distributions in the reservoir

在TX1井和TX2井2口取心井收集的121份岩样资料中，根据岩样鉴定名称，将岩性分为砂岩、含泥砂岩、含砾砂岩和含钙砂岩4类，其中砂岩岩样9份，含泥砂岩岩样50份，含砾砂岩岩样61份，含钙砂岩1份。

3 测井资料数据处理

3.1 岩性特征选择与提取

研究表明，塔河油田石炭系碎屑岩储集层砂岩显示高电阻率、低自然电位幅度特征；胶结物含量高，导致含砾砂岩具高电阻率、低声波时差、高密度的特征，但目前难以用常规测井资料定量计算砾质的含量[14-15]。

3.1.1 泥质含量

储集层井径扩径严重，岩屑含量高，岩屑多为酸性火山岩成分,导致自然伽马测井值偏高，不能很好地反映泥质含量。因此，为了突出储集层含泥砂岩的敏感性，利用以下公式计算泥质含量Vsh：

(4)

式中：Vsp为地层的自然电位测井值，mV；Vsp，min和Vsp,max分别为纯砂岩和纯泥岩自然电位测井值，mV；Vsh为泥质含量;C为经验系数，一般取2。

3.1.2 钙质含量

储集层的钙质含量与常规测井资料之间没有明确的对应关系，但是利用岩心分析资料建立的钙质含量Va定量计算模型能在一定程度上反映储集层含钙的特性，X区块的钙质含量评价模型为：

Va=65.119ρ-2.156Δt-100.648

(5)

式中：ρ为补偿密度测井值，g/cm3；Δt为声波时差测井值，μs/m；Va为钙质含量。

由于地层的电阻率与岩性有关，因此认为在X区块，深电阻率测井值Rt、泥质含量Vsh和钙质含量Va能相对较好地反映储集层岩石的敏感性，将其作为支持向量机的输入特征值。

3.2 预处理

为了避免Rt、Vsh和Va参数间量纲差异导致核函数内积计算的困难，减小模型的计算量，将输入特征值进行归一化处理[16-17]：

(6)

式中：g为某种输入特征值，gmin和gmax分别为该输入特征值的最小值和最大值；G为参数归一化后的值，G∈[0,1]。

4 岩性识别

分别采用基于支持向量机和最小二乘支持向量机的岩性识别方法对塔河油田X区块石炭系复杂碎屑岩储集层岩样的岩性进行识别，流程如图3所示。

在测井资料整理、岩性特征提取和预处理的基础上，从121份岩样资料中随机选取6份砂岩、42份含泥砂岩、52份含砾砂岩和1份含钙砂岩资料，作为最小二乘支持向量的训练集。经过支持向量机和最小二乘支持向量机学习后，建立多类分类器，识别其余20块岩样，将识别结果与取心岩样的鉴定名称进行对比评价，识别结果如表1所示。

图3 支持向量机岩性识别流程Fig.3 Flow chart of lithologic identification with LSSVM

表1 X区块岩性识别结果Table 1 Result of lithologic identification in X block

从表1可以看出，20块岩样中支持向量机有15块识别正确，岩性识别符合率为75.0%，而最小二乘支持向量机有17块识别正确，岩性识别符合率为85.0%，识别效果好于常规的支持向量机方法。

在最小二乘支持向量机的岩性识别中，主要是含砾砂岩的误差较大。例如，岩样6鉴定为含砾砂岩，而识别结果为含泥砂岩；岩样13鉴定为含泥砂岩，而识别结果为含砾砂岩。这是因为，目前基于常规测井资料评价碎屑岩砾质含量的方法还未成熟，在岩性特征参数提取中未引入砾质含量的评价方法。

5 结 论

1) 利用常规测井资料，在提取岩性特征参数时引入了泥质含量和钙质含量，采用最小二乘支持向量机方法和常规支持向量机方法对塔河油田石炭系复杂碎屑岩储集层的岩性进行了识别，最小二乘支持向量机方法的识别效果优于常规支持向量机。

2) 由于含钙砂岩在区块内取样较少，影响了含钙砂岩的识别；因岩性特征参数中未引入砾质含量的评价方法，导致含砾砂岩的识别正确率较低。

3) 在应用最小二乘支持向量机方法识别岩性时，关键是从多种常规测井资料中提取对岩性相对敏感的特征参数。在推广应用该方法时，要结合地区的资料特点，做好从测井资料中提取岩性特征参数的基础工作。

参考文献
References

[1] 于代国,孙建孟,张振城,等.支持向量机方法识别储集层流体性质[J].新疆石油地质,2005,26(6):675-677.

Yu Daiguo,Sun Jianmeng,Zhang Zhencheng,et al.Reservoir fluid property identification with support vector machine method[J].Xinjiang Petroleum Geology,2005,26(6):675-677.

[2] 魏茂安,马海,孙正义,等.基于支持向量机的虚拟测井声波速度重构技术研究[J].石油钻探技术,2006,34(6):83-87.

Wei Maoan,Ma Hai,Sun Zhengyi,et al.The reconstruction of the virtual well-log acoustic velocity technology based on support vector machine[J].Petroleum Drilling Techniques,2006,34(6):83-87.

[3] 肖京男,汪志明,魏建光,等.改进LSSVM在水平井产能预测中的应用[J].石油钻探技术,2010,38(6):95-98.

Xiao Jingnan,Wang Zhiming,Wei Jianguang,et al.Application of LSSVM improved horizontal well productivity prediction[J].Petroleum Drilling Techniques,2010,38(6):95-98.

[4] 陈民锋，白晓虎，郑伟，等.基于支持向量机的早期聚合物驱动态预测研究[J].断块油气田，2012，19(2)：199-202.

Chen Mingfeng,Bai Xiaohu,Zheng Wei,et al.Development index prediction of early polymer flooding based on support vector machine [J].Fault-Block Oil & Gas Field,2012,19(2):199-202.

[5] 朱怡翔,石广仁.火山岩岩性的支持向量机识别[J].石油学报,2013,34(2):312-322.

Zhu Yixiang,Shi Guangren.Identification of lithologic characteristics of volcanic rocks by support vector machine[J].Acta Petrolei Sinica,2013,34(2):312-322.

[6] 钟仪华,李榕.基于主成分分析的最小二乘支持向量机岩性识别方法[J].测井技术,2009,33(5):425-429.

Zhong Yihua,Li Rong.Application of principal component analysis and least square support vector machine to lithology identification[J].Well Logging Technology,2009,33(5):425-429.

[7] 韩学辉,卢时林,支乐菲,等.应用最小二乘支持向量机识别J13井区杜家台油层岩性[J].特种油气藏,2011,18(6):18-21.

Han Xuehui,Lu Shilin,Zhi Lefei,et al.Identification of the lithology of Dujiatai Formation in J13 Well Block with least squares support vector machine[J].Special Oil & Gas Reservoirs,2011,18(6):18-21.

[8] 韩学辉,支乐菲,刘荣,等.应用最小二乘支持向量机识别广利油田沙四段储层岩性[J].地球物理学进展,2013,28(4):1886-1892.

Han Xuehui,Zhi Lefei,Liu Rong,et al.A lithologic identification method in Es4 reservoir of Guangli Oilfield with least square support vector machine[J].Progress in Geophysics,2013,28(4):1886-1892.

[9] Vapnik V.The nature of statistical learning theory[M].2nd ed.NY:Springer-Verlag,1999:21-36.

[10] 白鹏,张喜斌,张斌,等.支持向量机理论及工程应用实例[M].西安:西安电子科技大学出版社,2008:32-35.

Bai Peng,Zhang Xibin,Zhang Bin,et al.Support vector machine and its application in mixed gas infrared spectrum analysis[M].Xi’an:Xidian University Press,2008:32-35.

[11] 邓乃扬,田英杰.数据挖掘中的新方法:支持向量机[M].北京:科学出版社,2004:236-243.

Deng Naiyang,Tian Yingjie.Data mining in the new method:the study of support vector machine[M].Beijing:Science Press,2004:236-243.

[12] Suykens J A K，Vandewalle J.Least squares support vector machine classifiers[J].Neural Processing Letters,1999,9(3):293-300.

[13] Suykens J A K,Gestel T V，Brabanter J D,et al.Least squares support vector machines[M].Singapore:World Scientific Publishing,2002:79-93.

[14] 宋延杰,张剑风,闫伟林,等.基于支持向量机的复杂岩性测井识别方法[J].大庆石油学院学报,2007,31(5):18-20.

Song Yanjie，Zhang Jianfeng，Yan Weilin，et al.A new identification method for complex lithology with support vector machine[J].Journal of Daqing Petroleum Institute,2007,31(5):18-20.

[15] 周继宏,袁瑞.基于支持向量机的复杂碎屑岩储层岩性识别[J].石油天然气学报,2012,34(7):72-75.

Zhou Jihong，Yuan Rui.Identifying complex lithology of clastic rocks reservoir by support vector machines[J].Journal of Oil and Gas Technology,2012,34(7):72-75.

[16] 肖冬生,乔东生.低阻油层识别新方法及其应用[J].断块油气田,2010,17(4):509-512.

Xiao Dongsheng,Qiao Dongsheng.New method for identifying low resistivity reservoirs and its application[J].Fault-Block Oil & Gas Field,2010,17(4):509-512.

[17] 张莹,潘保芝.支持向量机与微电阻率成像测井识别火山岩岩性[J].物探与化探,2011,35(5):634-638.

Zhang Ying，Pan Baozhi.The application of SVM and FMI to the lithologic identification of volcanic rocks[J].Geophysical & Geochemical Exploration,2011,35(5):634-638.