基于常规测井资料的礁滩相储层储集类型分类

刘晓敏

（中国石油化工股份有限公司中原油田分公司科技部，河南 濮阳457001）

0 引 言

普光礁滩相碳酸盐岩储层与常规裂缝性碳酸盐储层相比，具有厚度大、孔隙发育等特点；储层储集空间以孔隙为主，局部发育裂缝；裂缝在常规测井曲线上响应特征非常弱小，裂缝识别非常困难［1］。近年来，针对裂缝性储层的裂缝识别的研究较多［2－3］，但针对礁滩相储层的裂缝研究才起步。靳秀菊等［4］针对普光气田的礁滩相储层的裂缝识别，对不同类型储层采用不同的裂缝识别方法。采用测井交会图版法识别致密岩性段裂缝，采用测井滤波差值法识别孔隙发育段裂缝。裂缝识别受储集类型的影响较大，它直接关系到裂缝储层的评价。在礁滩相碳酸盐岩储层裂缝识别以及精细解释过程中，如果按储集类型选择不同的裂缝识别方法建立礁滩相碳酸盐岩储层相应的解释模型，裂缝识别率以及储层解释精度有望提高，但这需要首先识别储层的储集类型［5－6］。

根据孔洞和裂缝的发育情况及其在储集和渗滤中所起的作用，将川东地区礁滩相碳酸盐岩储层类型划分为孔洞型、缝洞型（裂缝－孔洞型）、裂缝型与致密型等4种类型。利用常规测井资料，借助数学方法建立用常规测井资料识别储层储集类型的模型，实现用常规测井资料识别礁滩相碳酸盐岩储集类型。

1 礁滩相碳酸盐岩储层类型

川东地区礁滩相碳酸盐岩储层孔洞型、缝洞型（裂缝－孔洞型）、裂缝型与致密型等4种类型中以孔洞型和缝洞型为主要储集类型。

（1）孔洞型。溶蚀孔、洞是其主要的储集空间，这类储层一般是原生孔隙发育的层段经过溶蚀改造形成，裂缝欠发育；通常储集性能较好，但渗流能力较差。

（2）裂缝型。一般岩石基质物性较差，原生孔隙和次生孔洞均不发育，是以裂缝为其主要储集空间和连通渠道，通常储集性能较差，渗流性能好。

（3）缝洞型。缝洞型是孔洞型储层和裂缝型储层的较好组合，孔洞是其主要的储集空间，裂缝既作为储集空间，又作为重要的连通渠道。相比单一孔洞型或单一裂缝型储层，孔洞和裂缝共存大大提高了地层的储集、渗流能力。

（4）致密型。礁滩相碳酸盐岩地层中的致密层段为低孔隙度低渗透率，且岩石骨架不具导电性，通常储集性能与渗流性能较差。

2 不同类型储层常规测井特征敏感性分析

利用岩心资料与测井资料，按照不同储层类型，采用统计分析方法统计不同储层类型测井特征的均值，利用柱状图进行储层类型与测井特征敏感性分析。

图1为某井不同类型储层声波平均值柱状图。由图1可见，孔洞层和缝洞层声波（AC）值明显要大于致密层和裂缝层的声波值。其中缝洞层的声波值最大，致密层的声波值最小。致密层和裂缝层相对小于孔洞层和缝洞层，因为孔洞层中存在大量的孔洞，缝洞层存在孔洞与裂缝，声波在传播的过程中受孔洞及裂缝的影响，传播距离大大增加，导致所测得声波值大于致密层和裂缝层的声波值；对于致密层和裂缝层，裂缝层中有缝的存在，当遇到低角度裂缝时声波传播的距离也增大，致使裂缝层声波值相对于致密层中声波值有所增大。

图1 某井不同类型储层声波平均值柱状图

图2为某井不同类型储层密度平均值柱状图。由图2可见，孔洞层和缝洞层的密度（DEN）值小于致密层和裂缝层的密度值，其中以致密层的最大，为2.805g／cm3，以缝洞层的最小，为2.64g／cm3。孔洞层和缝洞层相对小于致密层和裂缝层是由于有大量的裂缝及孔洞存在，密度测井仪贴着井壁测量遇到大量孔洞及裂缝时密度值就会急速下降。

图2 某井不同类型储层密度平均值柱状图

图3为某井不同类型储层深侧向电阻率平均值柱状图。由图3可见，致密层的深侧向电阻率最大，比其他3种类型都大出3～7倍，其中以缝洞层的深侧向电阻率最小，为2 725.828Ω·m。孔洞层、裂缝层及缝洞层中有大量裂缝及孔洞，有填充或者没填充，填充物是高电阻率物质，就会导致孔洞层、裂缝层及缝洞层深电阻率值相应增加，增加幅较小；相反，如果未填充或者泥浆侵入就会导致深侧向电阻率降低，降低幅度与未填充孔洞发育情况有关，较大的溶洞降低的幅度较大，反之亦然。

图3 某井不同类型储层深侧向电阻率平均值柱状图

图4为某井不同类型储层浅侧向电阻率平均值柱状图。由图4可见，致密层的浅侧向电阻率最大，缝洞层的浅侧向电阻率最小，两者相差近4倍，不同类型储层的浅侧向电阻率的柱状图规律与不同类型储层的深侧向电阻率一致。受孔洞裂缝影响，浅侧向电阻率降低。

图4 某井不同类型储层浅侧向电阻率平均值柱状图

图5为某井不同类型储层补偿中子平均值柱状图。由图5可见，裂缝层和致密层的补偿中子比孔洞层和缝洞层补偿中子值小，以缝洞层的补偿中子值为最大，致密层的补偿中子值为最小。孔洞层和缝洞层中由于大量孔洞，填充物及泥浆侵入，导致补偿中子值增大，增大幅度大小与填充物有关；裂缝层相对于致密层、裂缝层中有泥浆侵入或者填充物充填导致裂缝中补偿中子值大于致密层的补偿中子值。

图5 某井不同类型储层补偿中子平均值柱状图

3 礁滩相碳酸盐岩储层分类

3.1 方法原理

利用支持向量机方法进行储层分类的基本原理，每个样本（1个采样点）具有1组特征向量（1组测井特征），同一种储层类型的样本在高维特征空间中聚集在一起，通过样本集的训练，在高维特征空间中寻找各储层之间的最优分类面。确定未知的样本的储层类型就是依据最优分类面确定样本的储层类型，即样本在高维特征空间的位置。该方法输入的是各样本的特征向量，输出为各样本预测的储层类型（基本结构见图6）。

图6 支持向量机方法示意图

3.2 储层分类

采用监督支持向量机方法进行储层分类。具体包括样本选择、核函数及模型参数确定、测井特征归一化、采用监督训练建立基于支持向量机方法的多特征融合判别函数、根据建立的多特征融合判别函数对实际资料进行储层分类。

3.2.1 样本的选取

样本首先应来源于已知。在一个地区，大量井裂缝分析的情况下不可能选用所有样本。因为这不仅会增加训练的工作量，而且在复杂的地质条件下，同类样本的特征也变化较大，那些“坏”的样本将搅乱该类分布的总体布局，甚至影响储层之间的最优分类面。因此，如何从大量已知样本中挑选出最能反映该类储层特征，并能与其他类储层较好区分开的学习样本并不是一项容易的事。它不仅需要作大量、细致的分析工作，而且需要对这些特征加以提炼或归纳。当然，专家的经验是非常重要的。

在选择训练样本方面，由于裂缝在不同井之间特征存在差异，无法利用监督分类方法对邻近井进行预测。采用非监督方法得到该井的分类结果，结合利用储层类型的测井特征敏感性分析，采用人工选择样本的方式进行样本的选取。

3.2.2 特征参数归一化

选用密度DEN、深侧向电阻率RLLd、浅侧向电阻率RLLs、中子CNL、RLLd／RLLs、RLLd－RLLs、（RLLd－RLLs）／RLLd、有效孔隙度φ、次生孔隙度φ2、总孔隙度φt等10种常规测井特征。为了避免各特征量纲差异对预测结果造成影响，对学习样本的特征值进行归一化处理，将每一组特征归一到［－1，1］中。

对深、浅侧向电阻率进行对数归一化

式中，x、xmax、xmin分别为原始的测井特征值、测井最大特征值和最小特征值；y为进行对数归一化后的特征值。

3.2.3 核函数和惩罚因子C的选择

支持向量机方法最终目的是寻找一个合适的分类函数对未知样本进行预测。分类函数的确定主要是对核函数的选择和惩罚因子C的确定，这2个参数对模型的精度和适用性具有很大的影响。最常用的核函数有线性核、多项式核、高斯核。一般情况下，选用高斯核作为支持向量机方法的核函数

式中，σ为高斯分布的宽度；C的取值为1 000。

3.2.4 储层分类

通过样本、特征归一化、核函数的选择，利用训练样本集对支持向量机进行训练，得到基于支持向量机方法多特征融合的储层分类的判别函数

式中，xi、x分别为支持向量样本与预测样本的特征向量（常规测井特征值）；yi、y分别为支持向量样本与预测样本的输出（储层类型）；K（xi，x）为核函数。

试验规定判别函数输出与储层类型对应关系：1为孔洞，2为裂缝，3为致密层，4为缝洞。

3.3 模型参数确定

为了确定基于支持向量机储层分类方法的模型参数，采用交叉验证试验方法进行不同模型参数对比试验。将整个样本集分为3个等份，其中的2份样本进行训练，对剩下的1份样本进行测试。

选用密度DEN、深侧向电阻率RLLd、浅侧向电阻率RLLs、中子CNL、RLLd／RLLs、RLLd－RLLs、（RLLd－RLLs）／RLLd、有效孔隙度φ、次生孔隙度φ2、总孔隙度φt等10种常规测井特征作为储层分类的特征，得到的不同参数储层分类的正确率如表1所示。从表1可见，不同核函数参数对储层类型识别率有一定的影响。考虑4种储层类型的识别正确率，最好的核函数参数为0.5。

表1 普光某井不同模型参数的储层类型识别正确率

3.4 实例分析

3.4.1 单井非监督分类

采用非监督分类的模糊C均值方法对普光A井、普光B井、普光C井及普光D井4口取心井进行了储层类型分类，分类结果见表2。由表2可见，4种储层类型识别正确率在50%左右，其中普光D井裂缝识别率达到85.9%。因此，单井模糊C均值方法分类结果不能作为最终的分类结果，但可以作为人工选择样本时的重要参考。

表2 非监督分类方法的储层类型识别正确率

3.4.2 人工选择样本监督分类

采用人工选择样本的方式进行样本的选取。通过人工选择的样本，基于多特征融合的支持向量机对样本进行训练，得到储层类型的预测模型，利用该预测模型对未知样本进行储层类型预测。

表3为人工选择训练样本通过支持向量机方法对普光A井、普光B井、普光C井及普光D井4口取心井进行预测的结果。4种储层类型的识别正确率在80%左右，实验取得了较好的效果。

表3 人工选择样本的储层分类正确率

图7为普光某井预测的储层类型。从图7可见，第6道使用该方法预测的储层类型与第5道的电成像图像中反映的储层储集类型一致。

图7 普光某井预测的储层类型

4 结 论

（1）储层类型分类以及按照储集类型选择不同的裂缝识别方法，建立礁滩相碳酸盐岩储层解释模型，有望提高裂缝识别率以及储层解释精度。

（2）利用常规测井以及变换特征，借助数学方法建立用常规测井资料识别储层储集类型的模型，可实现用常规测井资料识别礁滩相碳酸盐岩储集类型。

［1］ 李淑荣，朱留方，李国雄.川东北海相碳酸盐岩储层测井评价技术 ［J］.测井技术，2008，32（4）：337－341.

［2］ 范晓丽，苏培东，闫丰明.储层裂缝的研究内容及方法 ［J］.断块油气田，2009，16（7）：40－42.

［3］ 培东.储层裂缝预测研究现状与展望 ［J］.西南石油学院学报，2005，27（5）：56－59.

［4］ 靳秀菊，王寿平，毕建霞.礁滩相储层裂缝识别方法研究 ［J］.断块油气田，2011，18（2）：165－168.

［5］ 罗利，任兴国.测井识别碳酸盐岩储集类型 ［J］.测井技术，1999，23（5）：355－360.

［6］ 陈芳，李淑荣，袁卫国.利用FMI成像测井资料综合评价川东北多相带碳酸盐岩储层 ［J］.测井技术，2010，34（4）：343－347.