基于机器学习勘探资源评价方法的应用

宋歌

本文以储集层含油气作为研究对象，用机器学习为基于测井解释的储层评价提供了一种自动有效的方法，提出了测井储层评价的机器学习框架，并在2个测井数据集上对其性能进行了验证。实验结果表明，测井解释结论与试油结果一致，与传统的评价方法相比，该方法效率高，为石油勘探开发大数据平台的建设提供了参考。

储层评价的基本思路是充分利用测井资料等多种资料，对储层特性进行评价，如含油性评价、储层分类、储层参数预测和产能估算等。随着测井资料的不断积累，勘探开发的重要难点是如何更加充分地挖掘和分析地质数据。机器学习提供了一种新的有效方法，被认为是石油勘探开发领域十大技术之一，被成功地应用于油藏实时动态监测、石油工程工作最佳实践识别以及油藏描述酬等领域，这些非线性方法优于线性统计分析技术，在石油勘探开发中得到了广泛应用。在测井解释方面，机器学习的优点是不需要事先具备岩石物理机制等专业知识，只需要少量的背景知识，直接从地质资料中构建模型。机器学习中的分类技术是储层评价中最密切相关的工作，广泛应用于岩性识别、沉积相划分、储层参数预测和油气水层识别等。本文分析了基于测井解释的储层评价流程，提出了一套基于机器学习的测井储层评价框架。

一种基于机器学习的测井储层评价框架

地球物理测井是利用物理原理解决地球物理问题的一种方法。利用储层电化学性质、传导特性、声学特性和放射性等来预测地球物理参数，主要有数据采集和测井解释两大任务。

储层评价的主要任务是利用测井原始资料对储层的孔隙度、含油饱和度和岩性特征等进行综合评价。测井原始数据主要包括电位曲线（SP）、伽马曲线（GR）、电阻率曲线（RT，RI，RXO、密度测井（DEN）、声波测井（AC）和补偿中子测井（CNL）等测井曲线，除原始测井数据外，还采集了关键井的实验数据。对于关键井，不仅要进行综合录井采集原始资料，还要进行取芯井岩石样品的实验。通过对非临界井的孔隙度和渗透率等实验数据的分析，得到岩性和含油性质。

机器学习提供了一种新的有效方法。在测井储层评价中，孔隙度、渗透率及饱和度等参数的计算，与监督学习中的回归任务相对应。油层识别、岩性识别和沉积相划分对应监督学习中的分类任务。油气勘探开发专家在计算完储层参数后，结合计算结果和给出最终评价结论。这完全取决于专家经验，而机器学习为储层测井评价提供了一种自动、数据驱动的方法。

储层勘探实验与分析

属性选择

由于输入数据的维数比传统方法高得多，可能导致数据拟合过度，建模時需要进行特征选择。测井解释常用的特征选择方法有交会图法、相关分析法和专家经验法。特征选择有嵌入方法、过滤方法和包装方法3种工作模式。特征选择是嵌入式算法的一部分。滤波方法是一种独立于分类器的方法，如基于相关性的特征选择。

模型优化

不同算法的性能在很大程度上取决于模型参数的设置。因此有必要对模型进行优化。在大多数情况下，设置参数只能依靠经验或对比实验，对模型参数优化的研究也很少。一种有效的方法是K交叉验证和网格搜索相结合。K交叉验证：训练数据集将被拆分为个大小相同的独立文件。选择-1作为训练数据集，其余作为测试数据集。建模过程将重复次，并选择次迭代后的MSE平均值来估计预期的泛化误差。

模型评估

由于钻井取心的成本很高，因此很少有可用于训练的数据。模型评估应采用交叉验证，除了对分类器进行评价外，还需要进行统计检验。

新区块、新层储层评价一直面临新的问题，不同的预测建模方法难以从理论上分析其优缺点，只能通过实验来确定其适用性。比较了前面提到的框架与传统的储层测井评价方法在2种测井数据上的性能，训练数据集由盆地致密砂岩岩心测井曲线和数据组成，分类标签为含油气评价结果，算法用Python语言开发。

（1）储层参数预测对于第一个数据集，回归任务是由MRA构造的，因为通常是一个线性问题。由于第二个数据集的非线性，采用了LSSVM，用F检验验证方程的有效性，t检验验证方程系数的有效性。对于修正后的最终模型，第一个数据集的F检验P值为4.645E-08，第二个数据集的F检验P值为6.996E-07，这表明回归模型是有效的。

（2）基于机器学习的储层测井解释，使用支持向量机、决策树、贝叶斯、人工神经网络（ANN）对预测模型进行训练，并使用十折交叉验证对模型进行验证。

总之，机器学习提供了多种建模方法，扩展了储层评价方法，使分析不仅可以进行预测，而且可以发现新的知识。特别是面对大数据的挑战，在面临新问题的同时，快速给出解决方案。为了提高效率，建议开发与现有测井解释评价软件相结合的机器学习软件，不断丰富算法库，为解决这一问题提供最佳方案。