阿曼五區塊Daleel油田儲層裂縫識別方法研究

鄭 軍，劉鴻博，2，周 文，鄧虎成

（1.成都理工大學能源學院，四川成都610059；2.四川水利職業技術學院，四川都江堰600839）

0 引 言

阿曼盆地Daleel油藏屬于斷塊－巖性油氣藏，儲層巖性主要為生物碎屑、粒狀碳酸鹽巖，基質物性差，不同儲層段物性差異也很大。對儲層裂縫的識別是一項重要的工作［1］。以往在該區所做研究表明，利用常規測井方法可以識別裂縫，但是精度不高。成像測井尤其是地層微電阻率掃描測井（FMI）能成功識別出井眼內的裂縫，對裂縫性油氣藏進行精細描述，并可識別出裂縫的位置、形狀、產狀和密度等［2］。支持向量機方法已被廣泛應用于模式識別［3］、回歸估計［4］、儲層預測［5］等領域，是目前機器學習領域的研究熱點［6］。本文在分析Daleel油田的地質特征的前提下，綜合利用常規測井和地質資料，觀察了取心井段裂縫發育特征并將其進行有效的分類。分析了取心中裂縫發育井段其對應的測井響應特征，提取了測井曲線特征參數，利用支持向量機方法對研究區的裂縫進行了識別，研究了該方法在儲層裂縫識別中的應用效果。

1 研究區概況

Daleel油田是阿曼五區塊的主力油田，主力油層是Shuaiba層。到2007年底，Daleel油田共鉆井133口，其中102口水平井。Daleel油田總體上為發育在西南高、東北低的單斜構造背景下（地層傾角2°～5°）的斷塊－巖性油藏。油田近NE－SW展布，長15km、寬4km、面積約60km2。NW－ES走向斷層較發育，均為正斷層，斷距10～70m，最大120 m。斷層傾向分為EN傾和WS傾2個組，形成地壘與地塹相間斷塊構造。東北和西南為斷層分割封堵，由主斷層把Daleel油田分成10個斷塊，分別為A、B、C、D、E、F及AB、BC、DE、EF。

2 工區內裂縫分類定義

對研究區成像測井資料進行分析發現，影像中分為連續暗色、不連續暗色、連續亮色、不連續亮色等4個類型。實際地層中天然裂縫的裂縫類型按照影像的特征對其分為4類。

（1）連續傳導縫（CCF）。連續傳導縫的裂縫有效程度高，這類裂縫與巖心和薄片上所識別的開啟裂縫相對應。如DL-128H1井深度為1 790m［見圖1（a）］發育1條CCF類型裂縫。

（2）不連續傳導縫（DCF）。不連續傳導縫表現為高電導率異常，基本特征與連續傳導縫類似，只是波形曲線深色影像表現為不規則、不連續和模糊的特征。該類裂縫也具有一定有效性，仍然可以歸為開啟縫類型。DL-128H1井中深度在1 923.4m［見圖1（b）］處有1條較完整的正弦波形的曲線，圖像比CCF縫影像模糊，低電阻率部分連續度相對高，為DCF型裂縫的典型影像特征。

（3）連續高電阻率縫（CRF）。連續高電阻率縫表現為高電阻率異常，一般為完整正弦波形曲線影像，影像為連續淺色，該類裂縫與巖心和薄片上見到高電阻率充填的裂縫相對應，一般為充填裂縫，有效程度低。DL-128H1井深度1 794.9m［見圖1（c）］處的影像表現為淺色連續高電阻率特征，曲線形態分別為近于直線和完整的低幅度正弦波形曲線影像，說明裂縫被高電阻率礦物連續充填。

（4）不連續高電阻率縫（DRF）。不連續高電阻率縫表現為高電阻率異常，影像特征表現為正弦波型曲線和水平影像，影像顏色為深色和淺色相間，此類裂縫為充填裂縫，有效程度低。DL-125H1井深度2 013.8、2 014.6m［見圖1（d）］處成像測井的影像都顯示為不連續淺顏色的高電阻率顯示。

在裂縫識別的過程中，將裂縫識別工作分為有效裂縫、無效裂縫以及非裂縫等3大類。其中，有效裂縫包括CCF和CRF等2種類型，無效裂縫包括CRF和DRF等2種類型。

3 裂縫的常規測井響應特征

3.1 裂縫在常規測井上的響應特征

3.1.1 深、淺雙側向電阻率

裂縫發育的不均一性，電阻率測井曲線形態常呈高低間、起伏不平的多尖峰狀；裂縫發育時電阻率曲線都為低值顯示，僅當有孤立稀疏的小裂縫發育時，深、淺雙側向測井電阻率值才表現為大小降低不明顯［7］。深、淺雙側向電阻率的大小及差異性質受流體性質、裂縫張開度、裂縫密度、裂縫產狀、裂縫徑向延伸以及巖石本身的電阻率影響，對高角度裂縫、垂直裂縫的深淺側向電阻率其值明顯降低，并出現深淺側向之間相對增大的準正差異現象，且二者比值隨裂縫傾角、裂縫張開度、裂縫徑向延伸度、裂縫縱向穿層長度的增大而增大；低角度裂縫也使深淺側向讀數降低，曲線形狀尖銳，一般顯示相反的準負差異現象；網狀裂縫的深淺側向讀數更低，也存在差異現象。

圖1 Daleel油田DL-128H1井成像測井裂縫影響特征

3.1.2 聲波時差、地層密度、中子孔隙度

裂縫與井壁成全部截割時，在低角度、水平縫的情況下聲波時差增高；而高角度縫對聲波傳播影響不明顯。密度測井主要反映巖石的總孔隙度，與測井儀器極板是否靠上裂縫關系極大。若極板靠上裂縫，曲線反映的孔隙度偏高，而與儀器極板不接觸或處于探測空間以外的裂縫溶洞則無法反映。中子孔隙度在致密基巖段，中子孔隙度曲線成1條平直直線。若中子測井儀探測范圍內有裂縫存在，則將對中子孔隙度測井產生貢獻，導致中子孔隙度變大。

3.1.3 井徑

與井壁相切割的高角度裂縫造成井壁附近巖石強度降低，形成沿裂縫走向的垮塌，雙井徑曲線出現一個方向井徑大于鉆頭直徑，另一個方向井徑接近于鉆頭直徑的橢圓現象。在常規測量的單井徑曲線上同樣存在裂縫發育處井徑較致密層擴大的現象。

3.2 常規測井裂縫識別模式建立

在Daleel油田巖心描述的基礎上，提取了裂縫發育層段所對應的測井響應值，選取了多口井的資料點。裂縫識別工作分為有效裂縫、無效裂縫以及非裂縫3大類，通過對中子與井徑、深側向與中子、光電吸收因子與密度、深淺電阻率差與聲波進行了兩兩交會，建立了不同參數的裂縫交會圖版（見圖2）。由圖2可以看出聲波、光電吸收因子、深淺電阻率差測井系列對這3類樣品區分效果極差，基本上不能把任何類型樣品進行區分開。井徑與中子對于未充填裂縫可以很好地區分出來，充填與無裂縫2類樣品的點子基本上混在一起，無法區分。深側向電阻率對于這3類樣品，其中未充填樣品與其他2種類型能夠在一定程度上區分開，但充填、無裂縫2類基本上混淆在一起。根據上述各類裂縫及非裂縫樣品的測井響應信號的對比分析可知，對于該地區儲層能夠在常規測井上把具有一定響應特征的未充填（或者充填程度不高）的裂縫和充填縫（或非裂縫）區別開。未充填裂縫相對充填縫（或非裂縫）在測井響應上反映為中子孔隙度和井徑其值增大，深側向其響應值略有降低。圖3為阿曼Daleel油田未充填裂縫Daleel4井D油層1 597.26～1 597.61m裂縫的測井響應特征，該段裂縫為未充填裂縫，其測井響應值，聲波為1 08.0～1 10.6μs／ft（非法定計量單位，1ft＝12in＝0.304 8m，下同）；中子孔隙度為0.53%～0.60%；自然伽馬為80.8～87.3gAPI；自然電位為30.90～30.93mV；深側向電阻率為1.20～1.39Ω·m；井徑為11.84～15.66in；光電吸收因子為3.39～3.48b／eV。該層段相對層內上部無裂縫段測井響應中深側向電阻率明顯減小，井徑和中子孔隙度明顯增加。通過這些常規測井的組合特征可以將這一類裂縫進行有效的識別。

對于充填裂縫程度較高的裂縫常規測井響應特征往往不明顯，不能跟無裂縫段地層進行區分。如圖4阿曼Daleel油田未充填裂縫Daleel1井B2油層1 716.23～1 716.56m裂縫的測井響應特征，該段裂縫為垂直充填裂縫，其測井響應值聲波為63.9～64.5μs／ft；中子孔隙度為0.10%～0.11%；自然伽馬為17.7～22.0gAPI；自然電位為－38.9～－38.4mV；深側向電阻率為2.58～2.68Ω·m；井徑為8.50～8.59in；光電吸收因子為6.98～7.55 b／eV。該層段電測信號特征相對層內或上面的碳酸鹽儲層中無裂縫段無較大差異，因此，通過這些常規測井的組合特征對充填程度較高的裂縫不能夠進行有效的識別。

4 支持向量機在裂縫識別中的應用

常規測井資料在該區的應用效果尚不明顯。因此，研究嘗試引入了在模式識別領域中的支持向量機方法（SVM）［8］。裂縫識別也屬于多分類判別模式識別的問題，可以利用多分類SVM方法建立裂縫識別模型完成。

4.1 實驗測試建模

4.1.1 樣本集選取及數據歸一化

采用粗糙集方法，分析各個參數對預測目標的敏感程度，最終確定輸入的參數采用能反映儲層裂縫的深側向電阻率（RLLd）、淺側向電阻率（RLLs）、中子孔隙度（φN）、井徑（CAL）、聲波時差（Δt）、自然伽馬（GR）和密度（DEN）等7個參數；輸出參數為正整數表示的裂縫類別標號，如類別1表示有效裂縫，類別2表示無效裂縫，類別3表示非裂縫。通過取心井的測井資料，從研究層段內提取了可靠的、有代表性的35個數據樣本對構建樣本集，其中27對作為訓練樣本，其余8對作為驗證樣本。

圖2 常規測井參數裂縫識別交會圖版

圖3 阿曼Daleel油田Daleel-4井非充填裂縫（1 597.26～1 597.61m）測井響應特征

圖4 阿曼Daleel油田Daleel-1井充填裂縫（1 716.23～1 716.56m）測井響應特征

為避免各參數量綱差異導致核函數內積計算困難，對預測結果造成負面影響，首先對學習樣本的屬性值進行歸一化處理，并根據屬性值呈正態分布的進行常規歸一化、屬性值呈非正態分布（如深側向電阻率）的進行對數歸一化處理的原則，對所選取的各測井曲線進行歸一化預處理，最終將樣本的屬性值映射到［0，1］區間，從而減小SVM模型的計算量，提高預測精度。

4.1.2 SVM模型最佳參數優化

支持向量機最終的目的是尋找一個合適的分類函數對未知層位進行預測識別。分類函數的確定主要是對核函數的選擇和對懲罰系數c的確定，核函數的選擇對模型的泛化性能有較大的影響，需要根據訓練樣本的分布和比較實驗進行。對于該區的裂縫識別問題，經過多次試驗，選擇了RBF核函數。Libsvm對于核參數r和懲罰系數c的選擇主要采用網格搜索尋優法。其基本思路首是先大致選定1個區間，如c的區間為［2－10，210］，r的區間為［2－8，28］，步長為1，在選定區間內讓c和r呈指數增長，通過不斷改變c和r的組合，初步尋找二者的最佳組合，然后確定準確率出現最高的1個小區間，并逐步縮短步長重復搜索，直至搜索結果精度變化不大時為止，最后所得結果即為最優化參數。研究所得最佳參數組合為［c，r］＝［32，0.5］，交叉驗證精度達91.4%。裂縫識別SVM分類流程通過Libsvm軟件包實現。

4.2 應用效果分析

4.2.2 SVM裂縫模型

利用所建立的SVM流體識別模型對35個由取心結果和測井資料得到的裂縫樣本進行預測與回判。8個預測樣本正確識別的有7個，正確率達到87.5%，其中1個誤判樣本是將無效裂縫判識為非裂縫，因此，沒有漏失有效裂縫樣本（見表1）。對28個建模樣本進行回判，準確率達100%。利用SVM方法對9口取心井35個樣本進行分類評價，將參數c、r調整至最佳參數組合32、0.5，得到圖5所示的分類評價圖。從圖5中可以看出，SVM方法可以較好的將有效裂縫、無效裂縫和非裂縫分類。

圖5 SVM方法9口取心井35個樣本的分類評價圖

表1 9口取心井7個檢驗樣本的判別結果

利用SVM裂縫識別的結果可以對該工區進行裂縫評價。圖6為DL-2井和DL-56井應用SVM方法進行裂縫識別的結果。圖6中，SVM裂縫解釋結果中，1表示有效裂縫，2表示無效裂縫，3表示非裂縫。從圖6中可以清楚的看出單井剖面上裂縫的分布，為今后的開發提供了依據。

圖6 應用SVM方法單井裂縫識別效果圖

5 結 論

多元回歸分析（MRA）、人工神經網絡（ANN）和支持向量機（SVM）等3種算法具有各自的特點。SVM計算速度比ANN快10倍以上。當難以判斷一個研究目標與其相關因素的復雜關系的非線性強弱程度時，采用SVM更準確［9］。

利用常規測井裂縫識別模式對儲層裂縫進行識別時發現，對充填程度較高的裂縫不能夠進行有效識別。應用SVM方法綜合考慮儲層的巖性、物性和裂縫特征等多種因素建立裂縫識別模型，可以提高裂縫測井解釋精度。因此，當描述一個研究目標與多個相關地質因素的復雜關系時，應提倡采用SVM，而MRA作為輔助應用。

［1］ 周 文.裂縫性油氣儲集層評價方法［M］.成都：四川科學技術出版社，1998.

［2］ 陳鋼花，毛克宇，等.利用地層微電阻率成像測井識別裂縫［J］.測井技術，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］ 朱國強，劉士榮，俞金壽.支持向量機及其在函數逼近中的應用［J］.華東理工大學學報，2002，28（5）：555－559.

［5］ 樂友善，袁全社.支持向量機方法在儲層預測中的應用［J］.石油物探，2005，44（4）：388－392.

［6］ 彭 濤，張 翔.支持向量機及其在石油勘探開發中的應用綜述［J］.勘探地球物理進展，2007，30（2）：91－95.

［7］ 雷從眾，林 軍，等.克拉瑪依油田八區下烏爾禾組油藏裂縫識別方法［J］.新疆石油地質，2008，29（3）：354－357.

［8］ 張銀德，童凱軍，等.支持向量機方法在低阻油層流體識別中的應用［J］.石油物探，2008，47（3）：306－314.

［9］ 石廣仁.支持向量機在裂縫預測及含氣性評價應用中的優越性［J］.石油勘探與開發，2008，35（5）：588－594.