基于井控多属性机器学习的缝洞型储层预测方法

田建华，朱博华，卢志强，冉 琦，张胜寒，高睿语，陈海洋

（1.中国石化石油物探技术研究院，江苏南京211103；2.中国石化西北油田分公司勘探开发研究院，新疆乌鲁木齐830011）

缝洞型储层预测技术的发展和应用，对指导碳酸盐岩油气藏的勘探开发具有重要意义。尤其在塔里木盆地深层缝洞型储层的研究中，高质量储层预测成果可优化钻井靶点、提升储集体刻画精度，为缝洞型油气藏勘探突破和效益开发奠定坚实基础。目前，不少学者在缝洞型储层特征响应分析和储层预测方面开展了细致的研究工作，并取得了一定的应用效果［1-26］。针对缝洞型储层表现出的“串珠状”反射特征，学者从储层物理模拟［1-4］、数值模拟［5-7］等不同角度系统剖析其形成机理和响应特征，建立地震识别模式，为储层精细预测奠定了很好的理论基础。缝洞型储层预测技术和方法种类较多，目前主要为单一地震属性和常规地震属性融合方法，钻井信息利用较少，预测结果的井震匹配性有待进一步提高。

单一地震属性预测技术和方法主要有岩相分类技术［8］、叠前同时反演方法［9-10］、AVO分析技术［11-12］、频谱分解技术［13-14］和分频属性预测方法［15-17］等。能量类、频率类属性预测方法虽有一定效果，但由于缝洞型储层非均质性强的特点，缝洞体位置、尺度大小预测难度大，井震吻合率较低，且在储层特征与漏失点的关系方面缺乏研究。地震反演方法能消除子波旁瓣效应，预测精度有明显提高，但是波阻抗阈值还存在一定的不确定性，井震波阻抗关系的建立也存在一定的困难。

针对单一地震属性预测带来的局限，多属性优选和融合地震预测发展成为一个主流的研究方向［18-19］。李弘等构建出反射强度调谐累积频率衰减属性，较好地识别了碳酸盐岩缝洞型储层［20］。刘立峰等开展地震多属性优化研究，优选敏感属性，较好地预测了储层的分布［21］。张显文等构建了一种储层孔隙因子进行储层反演，得到的参数反演体能直接表征有利储层特征［22］。闫家伟等采用支持向量机的数据融合方法，将参数反演数据和敏感地震属性进行多数据融合，预测储层展布具有较高的钻井吻合率［23］。杨宏伟等采用基于概率核地震属性融合方法，实现了砂体的精细预测［24］。张军华等开展基于敏感测井曲线的多属性井震关系研究，采用多元线性回归和SVM 实现储层预测［25］。郑笑雪等开展多种优势地震属性聚类分析研究，提高了储层预测精度，井震吻合率较高［26］。上述研究较好地实现了井震联合研究，但是在钻井信息利用方面相对欠缺。在碳酸盐岩缝洞型储层钻井过程中，会出现钻头放空、钻井液漏失等现象，放空代表钻遇较大尺度储集体，漏失代表钻遇小尺度储集体或裂缝发育带，且漏失量的大小也是储层类型和规模的反映，这一类信息还没有得到充分利用。

针对上述问题，为了充分利用不同地震属性预测结果和钻井信息，提高井震一致性，笔者将储层不同地震属性预测成果与钻井漏失点处储层类型结合起来，提出了一种基于井控多属性机器学习的缝洞型储层预测方法。该方法不仅实现了地震多属性的融合，而且将井上放空、漏失信息作为约束条件开展储层预测，提高了井震相关关系，满足了缝洞型储层精细预测和分类的要求，在实践中具有较高的研究价值和应用前景。以塔里木盆地顺北地区为例，在保证较高井震一致的条件下，将表征缝洞体的不同地震敏感属性进行综合利用，实现缝洞型储层的精细预测，为后续井位部署和靶点轨迹优化调整提供有效依据，最终提高钻井成功率。

1 SVM方法原理

支持向量机（SVM）方法由VAPNIK 等提出，在很多分类问题上取得较好的效果，是机器学习业内最有影响力的模型之一［27-28］，具有泛化性能好、适合小样本和可训练高维特征等优点，应用较为广泛。其基本思想是基于训练数据样本集T在样本空间中找到一个划分超平面，能够将不同类别的样本正确分离。在二分类问题当中，给出训练数据样本集T如下：

式中，xi∈Rn,yi={-1,1}。当yi= 1 时，训练样本向量xi为正样本；当yi= -1 时，训练样本向量xi为负样本。

划分超平面用如下线性方程来描述：

ω决定了超平面的方向，高维超平面ωTx+b=0 将所有的训练数据分成两部分，其中法向量正方向的一侧是正类样本，反方向的一侧是负类样本。样本空间中任意点x到超平面的几何距离可表示为：

支持向量机方法通过求解一个能够将训练样本正确分类的高维超平面，并将样本点距该超平面的几何距离最大化（几何距离最大化的直观理解即训练样本点距分离超平面足够远）来使得分类效果置信度达到最高。这样的分类模型理论上面对未知测试数据集有最好的预测期望。求解一个几何距离最大化的分离超平面参数，将这个问题表述为约束最优化问题，即，其约束条件为：

求解该优化问题的方法是使用Lagrange 对偶性，构造Lagrange函数，对于每一个不等式约束相应的引入Lagrange乘子αi≥0，定义Lagrange函数为：

2 方法流程

优选采用阻抗、均方根能量、瞬时振幅、储层甜点和地震张量5种属性作为表征储层特征的敏感属性。地震反演较好地消除了子波旁瓣效应，得到的纵波阻抗能较好地反映储层的真实特征，更贴近于地下实际地质体。振幅类属性主要来自于地震振幅信息，强能量表示储层发育区，但是单一振幅不能真正反映不同储层的特征，存在局限性。储层甜点参数是振幅随频率的变化，能较好突出储层响应特征。地震张量属性是利用地震张量场判断地震同相轴的走向，能很好地识别隐藏在同相轴下的振幅异常。

将上述敏感属性优选和实钻井放空、漏失特征相结合，形成基于井控多属性机器学习的缝洞型储层预测方法，主要包括以下步骤：①基于原始地震数据，结合井震标定结果，提取每口井放空和漏失点位置处的5 种地震敏感属性值，形成属性数组作为输入数据。②根据工区实钻井井震标定结果，统计放空和漏失点特征，依据泥浆漏失量大小，标记储层类型，得到储层类型数组作为输出数据，形成训练集数据。③利用上述5种地震敏感属性数组及其相对应的储层类型数组，开展基于支持向量机方法的模型训练，得到符合先验信息的井震一致的预测模型，建立地震属性特征和储层分类之间的相关关系。④将此预测模型应用于全区，基于全区多属性数据体，得到全区储层类型预测结果，最终明确储层发育特征。

3 实例应用

塔里木盆地顺北地区发育典型的奥陶系碳酸盐岩断控缝洞型储层。其目的层埋藏深，平均深度超过7 300 m，多期活动的走滑断裂带经深部酸性流体溶蚀改造形成缝洞型储层［30］，经后期油气充注后形成一系列沿深大断裂带分布的特殊油气藏。储层纵横向非均质性强，分布规律性差，地震上主要表现为“串珠状”的反射特征。研究区内共有钻井11 口，钻探目标均为断裂+缝洞体的组合，断裂代表有较好的储层发育基本条件，缝洞体代表有利储层发育区。钻井钻遇储层时会出现泥浆漏失或钻头放空等现象，这11口井在目的层段均出现不同程度的泥浆漏失特征，代表钻遇储层，但漏失量存在差异。笔者探索将已钻井泥浆漏失特征与地震属性建立关系，开展储层分类预测，进而提高井震匹配性和预测精度。

3.1 储层类型划分及敏感地震属性提取

钻井漏失点是储层发育位置最直接的反应，根据泥浆漏失量的大小，可以定义该漏失点处储层的类型。通过已钻井泥浆漏失量大小和振幅属性分析可知，泥浆漏失量越大，代表钻遇规模储层的概率就越高。当泥浆漏失量较大时（大于30 m3），定义为储层的核心区，储层类型标记为1；当漏失量中等时（2～30 m3），定义为储层到非储层的过渡区，储层类型标记为2；当漏失量较小时（小于2 m3），为局部裂缝发育区，地震上没有明显的响应，定义为非储层区，储层类型标记为3。

如图1所示，A井有3个漏失点，ls_1位置和ls_3位置的漏失量均大于30 m3，定义为储层的核心区，储层类型标记为1；ls_2 位置漏失量小于2 m3，定义为非储层区，储层类型标记为3。B井ls_2位置漏失量小于2 m3，定义为非储层区，储层类型标记为3；ls_3 位置漏失量大于30 m3，定义为储层的核心区，储层类型标记为1；ls_4位置漏失量为2～30 m3，定义为储层到非储层的过渡区，储层类型标记为2。

图1 过井地震剖面Fig.1 Through-well seismic profiles

通过统计分析，研究区内11 口井共21 个漏失点；其中漏失量较大（大于30 m3）的漏失点有4 个，储层类型标记为1；漏失量中等（2～30 m3）的漏失点有7 个，储层类型标记为2；漏失量较小（小于2 m3）的漏失点一共10 个，储层类型标记为3。这样就将区内21个漏失点定义为不同的储层类型，形成储层类型数组。

利用5 种地震敏感属性预测成果，提取21 个漏失点位置处相应的地震属性值，得到井点漏失点位置属性值和储层类型相关关系（表1）。将此表作为输入数据集，为后续模型训练做好数据基础。

表1 漏失点位置地震敏感属性值与储层类型相关关系（部分数据）Table1 Relationships between attribute values and reservoir types at leakage points（partial data）

3.2 模型训练

将5 种不同的地震敏感属性值作为输入参数，通过漏失特征确定的储层类型作为输出类型，利用支持向量机方法进行机器学习，建立地震属性和储层类型之间的映射关系，训练得到预测模型。

模型训练过程中，采用交叉验证的方式防止过拟合。由混淆矩阵（图2）可看出，模型的整体吻合率达到90.5%，多属性和储层类型之间的映射关系较好。由于储层核心区和过渡区的不确定性较突出，所以两者的预测结果会存在一定的偏差；储层类型1 预测准确率为75%，有25%的概率会预测为类型2；其他2种分类在地震属性上具有明显的差异性，所以在模型中表现出很高的预测准确度，储层类型2 预测准确率为100%，储层类型3 预测准确率为90%，有10%的概率会预测为类型2。由此可见，通过SVM 方法建立预测模型，能很好地表征地震属性和储层类型之间的关系，井震匹配度很高，为提高碳酸盐岩储层类型的预测精度奠定了良好基础。利用此预测模型，可以开展全区储层类型的预测。

图2 混淆矩阵Fig.2 Confusion matrix

3.3 预测效果分析

利用单一地震属性预测具有一定的局限性（图3）。瞬时属性和均方根能量属于振幅类属性，能定性的判别缝洞型储层的发育特征，但很难对储层类型进行细化分析。振幅属性存在阈值选取的问题，如果阈值选取不合理，预测可靠性会大大降低（图3b，3c）。纵波阻抗反演剖面理论上能识别有利储层的分布，但由于缝洞型储层具有非均质性强的特征，反演结果存在一定的误差，同时阻抗阈值确定也存在一定困难，用单一属性判别的准确性较低（图3d）。甜点属性展示的效果和振幅类属性接近，难以对储层进行分类表征（图3e）。地震张量属性能较好表征缝洞型储层引起的同相轴差异，但同时也出现了一些其他非储层因素导致的属性异常（图3f）。由上述5 种地震属性进行井震分析可知，每种属性有其自身优势，单一属性很难全面表征储层特征，某些属性与井的吻合率相对较低。通过井控多属性机器学习分类预测，在钻井漏失点定义的储层类型约束下，将5种地震属性进行融合，能很好地综合不同地震属性的优势，在储层定性预测的同时，也能更好地进行储层分类，具有较明显的技术优势。

图3 过C井地震剖面及属性剖面Fig.3 Seismic profile and attribute profiles through Well C

将上述预测模型应用于整个三维属性体，得到研究区的储层类型预测结果。由图4 可知，最终预测结果分为3类；红色区域为储层核心区，代表储层最发育的位置；淡蓝色区域为储层过渡区，代表储层相对欠发育；白色区域代表非储层区。2 个漏失点漏失量中等（2～30 m3），为储层过渡区。预测结果较好地反映了储层发育部位，与井上的漏失特征具有很好的吻合效果，直观、准确，可以更好的为后期井位部署和评价、井轨迹优化调整提供有效依据。在该井的下一步侧钻计划中，图中黑色箭头指示位置（红色区域，储层核心区）为储层发育概率最大的区域，由此可以实现精准入靶，提高优质储层的钻遇率，指导精细勘探开发工作。

图4 C井储层类型预测结果Fig.4 Prediction of reservoir types through Well C

4 结论

基于常规多属性缝洞型储层预测方法，充分考虑钻井过程中泥浆漏失特征，提出将漏失特征定义的储层类型与地震敏感属性参数相结合，利用机器学习方法建立实钻井控约束下的多属性预测模型，实现对缝洞型储层的分类预测。对塔里木盆地顺北地区储层的分类预测结果反映真实储层类型特征，井震吻合率达到90.5%，提高了井震匹配关系，提高了优质储层的钻遇率和成功率，为井位部署和井轨迹优选提供有效参考，为缝洞型储层精细研究提供了新的思路。后续研究将在样本点选取和扩展、属性优选、机器学习方法等关键环节开展深入研究，进一步提高方法的适用性和预测效果。

符号解释

b——超平面位移项；

d——超平面垂向法向量维度；

i——个体，i= 1,2,…,N；

j——个体，j= 1,2,…,N；

L(ω,b,α)——Lagrange函数；

n——实数向量空间维度；

N——个体上限；

R——实数集；

T——训练数据样本集；

x——特征向量；

xi——第i个训练样本对应的特征向量；

xj——第j个训练样本对应的特征向量；

(xi,yi)——训练样本数据点；

y——特征向量的标签；

yi——xi的标签；

yj——xj的标签；

α——αi组成的矢量；

αi——Lagrange函数中的Lagrange乘子；

αj——另一组Lagrange乘子；

γi——样本空间中任意点x到超平面的几何距离；

ω——超平面垂向法向量，ω=(ω1;ω2;…;ωd)。