測井資料分層處理解釋方法研究與應用

楊宇

摘要：本文主要分析了分層處理解釋方法的特點，并對分層處理解釋的設計與實現進行了重點研究。

關鍵詞：測井資料;分層處理解釋;方法研究;應用

在對測井資料進行處理的過程中，常規方式主要以逐點處理為主，屬于一種基于飽和度計算的自動化解釋方法，通過該方式，可對最優化迭代和模型進行確定，并對巖石骨架、孔隙流體以及泥質等的體積進行精準計算，最終獲得完整的解釋結果。

1分層處理解釋的特點分析

從某種角度上來看，分層解釋更像是一種基于地質對象的測井解釋方式，實踐過程中，主要是圍繞著的儲層進行研究和描述，充分凸顯測井屬性，其中所包含的地質信息也就是地質屬性。通過分層解釋，可實現對地質對象中包含的測井資料進行深入挖掘。下圖為逐點解釋和分層解釋的差別，據之前的研究資料表明，測井信息對于地質對象的描述，具有統一性、專屬性以及對應性等特征，與逐點解釋相比，分層解釋的特點分析如下：

第一，信息表征較為合理。在對測井曲線進行分層處理之后，能夠減少或者是消除非底層因素帶來的影響，凸顯流體性質變化和地層巖性，提升表征的精準度;第二，信息量較大。在具體實踐過程中，不僅能夠對測井響應信息進行獲取，同時，也包括很多層內曲線間相關信息和非均質信息;第三，應用前景較好。分層處理資料是基于人工智能模型和數理統計的解釋方式，在層屬性表征方面，具有較強的靈活性和擴展性，可在真測量值的基礎上進行測井解釋。

2分層處理解釋的設計與實現

在逐點解釋軟件中，若想實現分層解釋，其中的層屬性優化提取、層信息表征、解釋標準建立等工作均需進行重新設計。分層解釋功能包括解釋建模提取、特征量提取以及自動分層提取等幾個主要部分[1]。

2.1層信息表征

分形盒維數：對于盒維數的統計盒，可選取一定縱向采樣距離的某個單元或者測井曲線的的橫向數值，并對近似維數進行計算。

重心偏移度：通過該公式，可在某個程度上對含油氣信息和沉積信息等的統計量進行反映，與此同時，這一參數也對曲線的狀態進行了反映。在垂向上，能夠顯示出沉積物的變化特點，同時也包括沉積過程中物源供應和水流能量的變化情況，是對沉積相進行判斷的重要參考和依據。此外，若儲層的巖性物性相對穩定，則通過電性曲線的垂向，還能對由于重力分異所導致的含油飽和度進行反映。

GYHC（電物歸一化差），是定性解釋領域中，最常見的含油氣特征解釋方法，也就是在某個刻度之下，物性曲線和電性曲線相互疊合的面積。

WHD（電物一階吻合度），也是定性解釋領域中常見的含油氣特征解釋方法之一，也就是面對物性變化，電性的響應程度，若電性較高，且的物性較好，則代表著含油氣概率較高。

阿爾奇飽和度均值：在設定了a、b、m、n值的情況之下，通過阿爾奇模型，能夠對飽和度的均值進行精準計算。

除上述之外，還包括儲層品質因子、裂縫指數等屬性。屬性庫可實現擴展，隨著研究工作的不斷深入，還會有更多信息有效且敏感的屬性被加入，從而實現程序的自動化提取。

2.2層屬性的模式化提取

單屬性一般只涉及到單曲線的統計特征提取，例如，對層內差分變化密度進行聲波提取，從而對層內的非均質性進行表達。而組合屬性一般是針對于多曲線層而言，例如，電物一階吻合度，便是針對于物性曲線和層內電性曲線進行屬性提取。

層屬性的模式化提取，主要是對多個屬性的組合模式進行定義、調用和保存。在處理程序的過程中，只需調用某特征量格式，便可實現對多個屬性的批量化逐層提取。

2.3建立解釋標準

通過層屬性提取工作，能夠產生一組待研究數據，對這些數據進行量化解釋和評價就是建立解釋標準，可提供以下幾種模型，即聚類分析模型、神經網絡模式識別、線性回歸模型等等。在神經網絡模式中，在建模的過程中，需提供樣本的解釋結論和層屬性，如此可為新井的處理解釋提供便利條件。

2.4結論

分層處理解釋的方式，主要是通過定性認識定量表征，確保處理解釋的數值化程度。由于對層內信息進行引進，因此，在分層處理解釋之下，實現了對信息輸入量和用途的豐富化，同時也拓寬了常規資料的處理解釋途徑。

3結語

綜上所述，測井分層處理解釋需從地質的角度入手，將儲層作為統一整體，對其內部特征進行獲取，具體如飽和度信息、組分含量信息等等，同時也包括人工經驗部分，如去曲線關系、層內差異等等，終極目標是將上述信息按照不同的類型如含油氣性、儲集性、巖性等進行優化組合和定量描述，通過人工智能、聚類、統計回歸等方式實現對資料的動態化、定量化處理解釋。

參考文獻：

[1]蔡中超，自組織競爭神經網絡在砂巖型鈾礦測井數據解釋中的應用研究[D].南昌：東華理工大學，2015.