基于圖版法決策樹在流體識別中的應用

趙倩,楊斌,李星,王少龍,魏杰

(成都理工大學能源學院,四川成都610059)

0 引 言

YD油田英東一號構造位于青海省柴達木盆地西部茫崖坳陷區英雄嶺沖斷隆起帶南緣油砂山—大烏斯構造帶。該油田存在油氣并存,受異常流體性質、儲層物性、地層水礦化度等因素影響,下油砂山組常規測井油氣識別存在較大困難,射孔解釋與生產矛盾,流體識別存在較大困難。

該地區流體識別研究主要有常規的圖版法識別結合核磁共振測井、模塊式地層動態測試儀(MDT)測壓進行識別[1]。最新研究方法提出利用電阻率和聲波時差之間的相關系數與兩者重疊時的包絡面積可識別出流體類型(不適合氣層)[2]。前者因運用特殊測井技術,識別準確度有所提高,但由于該地區井數量較多,運用特殊測井儀器進行測量的井數量有限,難以普及;后者使用比較新穎的方法,但沒有對重要的氣層進行識別。當有多個圖版法識別流體,識別結果出現差異時,以及當數據點落在圖版分界線時,得到的判別結果存在主觀性。

為了解決這些難題,考慮采用數據挖掘算法。數據挖掘算法包括神經網絡,支持向量機,貝葉斯判別,決策樹等,其中神經網絡[3-5]在流體識別中的應用已經比較廣泛和成熟,但神經網絡屬于“黑盒”模型,樣本數據的擬合過程方式無從知曉[6]。而決策樹是一種“白盒”模型,可以清楚了解分類器是如何工作以及各種參數的相對重要性,在測井解釋方面有很好的指導作用[7]。

1 建立流體識別解釋圖版

圖版法在流體識別中非常實用與常見,不同流體的測井響應特征可以在圖版上顯示出來。但建立圖版需要選擇的曲線以及曲線組合的形式需根據不同流體類型變換。通過多口井多次試油結論得出,該地區有純氣層、純油層、含油水層、油水同層、油氣同層、水層、干層等7種流體,各流體測井響應特征見表1。

表1 流體測井響應特征

根據不同類型流體的測井響應特征可以發現,反映流體性質的關鍵參數主要包括:孔隙度、含水飽和度、聲波、密度、中子、電阻率和錄井氣測參數等。

以這7類參數為依據,綜合利用測井、錄井資料,采用了幅度值法、比值法、差值法、曲線校正法等建立不同參數類型的交會圖版。經過多次試驗優選出了8個有效的測井及錄井氣測參數:DEN、RHT09、RHT09/RLLd、|φD-φN|、C2/C3、ΔAC、φ、Sw,建立了4個圖版。其中,RHT09為陣列感應測井的最深探測電阻率值,RLLd為深側向電阻率,φD與φN分別為計算的密度孔隙度和校正后中子孔隙度,C2與C3分別為錄井氣測乙烷含量和丙烷含量,ΔAC為聲波時差幅度差。

圖1 ΔAC—RHT09/RLLd交會圖

(2)圖版2:|φD-φN|—RHT09/RLLd交會圖。由于地層水礦化度異常高且油氣層因受到鉆井液浸泡,陣列感應測井電阻率呈現高侵入的特征,且電阻率絕對值較低,為解決這一難題,引入了密度孔隙度與校正中子孔隙度差值的絕對值,再與電阻率的比值進行交會,能夠較好地區分出氣層。密度孔隙度計算公式為[9]

φD=(ρb-ρma)/(ρf-ρma)

(1)

式中,φD為密度孔隙度,%;ρb為曲線密度值;ρma為巖石骨架密度,取值2.666 g/cm3;ρf為流體密度,取值1.0 g/cm3。

補償中子孔隙度進行了泥質校正[10]

φN′=(φNma-φN)/(φNma-φf)-

Vsh(φNma-φNsh)/(φNma-φf)

(2)

式中,φN′為校正后的中子孔隙度,%;φNma為砂巖骨架中子孔隙度,取值-3.5;φN為校正前的中子孔隙度;φf為流體中子孔隙度,取值100;Vsh為泥質含量;φNsh為泥巖中子孔隙度,取值27%。

圖2 |φD-φN|—RHT09/RLLd交會圖

從圖2可見,油層:|φD-φN|<3.5%;氣層、油氣同層:|φD-φN|≥3.5%。該圖版同時可以較好地區分出油氣同層。

(3)圖版3:DEN—C2/C3交會圖。氣測總烴與其他氣測值是油氣判斷較直觀的參數,該圖版選用密度與氣測比值C2/C3[10]進行交會(見圖3)。在氣測總烴含量較高(>45%)時,能夠較好地區分油層與氣層。其中,氣層為:C2/C3≥2;油層為:C2/C3<2。

圖3 DEN—C2/C3交會圖

(4)圖版4:φ—RHT09交會圖。該圖版綜合考慮了孔隙度、陣列感應測井電阻率和含水飽和度這3個參數(見圖4),通過不同的含水飽和度區間,可定性判別油氣層類和水層類。其中,水層、含油水層、油水同層Sw≥50%,氣層、油層、油氣同層Sw<50%。

圖4 φ—RHT09交會圖

2 流體識別的決策樹數據挖掘

圖版法識別流體存在多解性和不確定性。整個識別過程繁瑣,特別是對整個區塊的所有井進行識別時,工作量十分龐大。為了解決以上問題,運用數據挖掘中的決策樹法。構造決策樹的目的是找出屬性(測井輸入曲線)和類別(流體類別)間的關系,用它來預測未知的類別。這種具有預測功能的系統稱為決策樹分類器[7]。

2.1 決策樹原理

決策樹是一種常用的數據挖掘方法,是類似流程圖的樹型結構[11-12]。

決策樹算法主要包括2個過程:構造過程和分類過程。構造決策樹分為建樹和剪枝2個階段,前者歸納出決策樹,后者防止過度擬合。目前決策樹算法有ID3(Quinlan 1986)、CART(Breman 1984)、FACT(Loh 1988)、C4.5(Quinlan 1993)等算法,本文采用CART算法。

CART(Classification And Regression Tree)算法是一種二分分類回歸樹。若目標變量是離散的,則是分類樹,否則是回歸樹。CART算法是在給定輸入隨機變量X條件下輸出隨機變量Y的條件概率分布的學習方法。構造過程和ID3、C4.5的構造上大致相同,只是在屬性選擇過程中不是使用信息增益或信息增益率,而是使用基尼指數(Gini index)最小化準則進行特征選擇。采用二分遞歸分割的方法,不斷將當前的樣本集分為2個子集,使得每個非葉子節點都有2個分支,最后產生1棵二叉決策樹[12-13]。

設1個樣本集合S,有A屬性參數,有K類,若屬于第i類的樣本子集為Ci,則其基尼指數為

(3)

若集合S根據特征A是否取某一可能值a被分割為S1和S2兩部分,即

S1={(x,y)∈S|A(x)=a}

(4)

S2=S-S1

(5)

則以特征A作為判別條件時,基尼指數定義

(6)

Gini(S)、Gini(S,A)分別表示集合S的不確定性以及通過A=a分割后集合的不確定性。基尼指數值越大,樣本集合的不確定性也就越大CART算法可判斷屬性變量的重要性,自動忽略對目標變量沒有貢獻的屬性,對于樣本集中不合適的孤立點、缺失值可自動處理[13]。可使用自動的成本復雜性剪枝來得到歸納性更強的樹。CART算法得到的為二叉樹模型,相比ID3與C4.5得到的多叉樹更簡潔。

2.2 流體識別數據挖掘

通過以上各流體的測井響應特征及流體識別建立的圖版,對測井數據進行處理,選擇CNL、DEN、感應電阻率(RHT09)、φ、Sw、RHT09/RLLd、|φD-φN|、C2/C3、ΔAC,這9個參數作為決策樹輸入參數,

以

試油結論作為輸出結果。CART算法采用(Gini index)作為劃分度量,選擇基尼指數最大的屬性作為劃分節點。對輸入的9個參數計算,進行權重判斷,參數權重見圖5。圖5柱狀圖表示從9個參數中挖掘出對流體敏感的DEN、RHT09、Sw、RHT09/RLLd、|φD-φN|、C2/C3、φ等7個參數,CNL、ΔAC這2個參數幾乎不敏感,所以不參與建樹。選出的7個參數中C2/C3與Sw的參數權重最大,敏感性最高;φ、RHT09和RHT09/RLLd次之。為了能將7種類型的流體均能識別出,同時使識別結果更為準確,考慮加入敏感度不是特別高的|φD-φN|和DEN,|φD-φN|能有效區分油類與氣類;DEN是有效區分出干層的重要參數。

圖5 流體識別數據挖掘權重圖

通過決策樹識別生成的規則具有高準確率,88個流體樣本,生成的決策樹模型可正確識別83個,模型正確率達94.32%。運用生成的決策樹模型識別預留出的12個檢驗模型的樣本,其正確個數為11個,正確率達91.7%,表明模型可用(見表2)。圖6是流體識別的決策樹識別模型樹狀圖,模型從根節點即含水飽和度開始對數據樣本進行測試,至上而下共4個層次。樹的每個分枝代表一類流體的識別規則,葉節點表示構成該識別規則的屬性參數以及每個參數的數值區間。通過對模型的分析可以清楚地看出流體類型識別的參數組合和關聯規則,例如油層根結點往下需要同時滿足4個條件Sw<0.516 3、C2/C3<2.159 6、DEN<2.509 5、|φD-φN|<8.353 22%。該方法易理解分類準確,不僅在流體識別方面提供了新的有效方法,也為地球物理其他方面的研究提供思路和指導。

表2 流體識別決策樹模型檢驗表

圖6 流體識別的決策樹模型圖

圖7 XD112井流體識別結果圖

3 應用實例

以XD112井為實例(見圖7),對XD112井Ⅶ-4、Ⅶ-5、Ⅶ-8這3個未參與模型建立的實際試油小層運用決策樹圖版法進行流體識別。Ⅶ-4層測井曲線特征:自然伽馬為83.153 API,電阻率為5.123 Ω·m、聲波時差為256.259 μs/m,中子為21.526%,密度為2.373 g/cm3,總烴高達84%,Sw為0.449,φ為15.475%。Ⅶ-5層測井曲線特征:自然伽馬為85.435 API,電阻率為5.054 Ω·m,聲波時差為273.925 μs/m,中子為21.526%,密度為2.373 g/cm3,總烴高達33.75%,Sw為0.389,φ為20.032%。對這2個小層運用決策樹模型識別得出均為氣層,且2個小層的中子曲線和密度曲線有充填支持了氣層結論。經實際射孔驗證,Ⅶ-4、Ⅶ-5小層日產氣5 143 m3,屬于氣層,模型識別正確。

Ⅶ-8層測井曲線特征:自然伽馬為72.858 API,電阻率為5.123 Ω·m,聲波時差為277.528 μs/m,中子為18.966%,密度為2.327 g/cm3,總烴4.23%,C2/C3為17.155,φ為10.503%,Sw為0.724。對這個小層運用決策樹模型識別結果為干層,與射孔結果相符。

4 結 論

(1)圖版DEN—RHT09對于干層、油氣層大類和水層大類識別較高;對于氣層類,可用|φD-φN|—RHT09/RLLd交會圖版進行識別,當錄井氣測全烴Tgas>45%時,使用DEN—C2/C3圖版能夠較好地區分油層和氣層;對于油層類,ΔAC—RHT09/RLLd交會圖進行識別;對于水層類使用RHT09-φ圖版。圖版法在定性劃分流體性質時具有很好的作用,但是當流體類型落在2類流體分界線附近時則帶有一定的人為主觀性;面對大量數據時圖版法識別效率太低。

(2)YD油田油氣并存,流體性質、儲層物性、地層水礦化度異常高等因素導致流體測井響應特征復雜,不同流體類型識別困難。決策樹法很好地解決了圖版法存在的缺陷,通過決策樹數據挖掘的分析,根據各屬性參數之間的關系,選出DEN、RHT09、Sw、RHT09/RLLd、|φD-φN|、C2/C3、φ等7個對流體識別最敏感的參數,使得識別更有效快捷。

(3)運用決策樹進行流體識別只是數據挖掘方法與地球物理學相結合方法的其中一種,但這一方法的實現為地球物理其他方面的研究提供了一種新的思路和方法。