基于代價敏感學(xué)習(xí)的碳酸鹽巖儲層流體識別
2025-09-28 00:00:00高國海趙祥東蔣薇王楊劉勇王欣
石油地球物理勘探 2025年3期
文章編號：1000-7210（2025）03-0587-11
關(guān)鍵詞： 儲層流體，代價敏感，碳酸鹽巖，小波變換，機器學(xué)習(xí)，測井參數(shù)中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000-7210. 20240255
Fluid identification of carbonate reservoirs based on cost?sensitive learning
GAO Guohai1，ZHAO Xiangdong1，JIANG Wei1，WANG Yang1，2，LIU Yong3，WANG Xin1 （1. School of Computer Science and Software Engineering，Southwest Petroleum University，Chengdu，Sichuan 610500，China； 2. College of Artifical Intelligence，Mianyang Teachers’College，Mianyang，Sichuan 621000，China；3. School of Petroleum Engineering，Chongqing University of Science and Technology，Chongqing ，China）
Abstract：Fluid identification in carbonate reservoirs is crucial for reservoir assessment and hydrocarbon devel? opment. However，carbonate reservoirs are strongly non?homogeneous，which makes it difficult to realize their accurate identification by traditional methods. Although machine learning?based methods can deeply explore the intrinsic connection between logging data and oil，gas，and water information to improve the identification ef? fect，they are easily affected by the noise of logging data，and the sample category ratio is imbalanced. In this paper，a reservoir fluid identification method based on cost ? sensitive learning is proposed with carbonate reser? voirs in the Sichuan Basin as the research object. First，the wavelet transform is used to reduce the noise of log? ging data to solve the data noise problem. Then，the correlation test of logging curves is carried out by integra ? ting analysis of variance，decision tree，and reservoir theory to screen out the logging curves that are highly cor? related with the reservoir fluid types. Finally，the neural network model is designed to address sample category imbalance by using the cost ? sensitive learning strategy，so as to improve identification accuracy. The results show that the wavelet transform reduces data noise and improves the accuracy of fluid identification. The log? ging curves AC，CNL，CAL，RT，GR，and RXO are highly correlated with the fluid types in carbonate reser? voirs. The cost ? sensitive learning method effectively addresses the problem of low identification accuracy of a few classes due to the imbalanced data，and the identification accuracy of the model reaches 97.61% ，which is better than that of other comparative models. It provides a feasible solution for fluid identification in carbonate reservoirs.
Keywords：reservoir fluids，cost ? sensitive，carbonate rocks，wavelet transform，machine learning，logging para meters
高國海，趙祥東，蔣薇，等 . 基于代價敏感學(xué)習(xí)的碳酸鹽巖儲層流體識別［J］. 石油地球物理勘探，2025，60（3）：587?597.
GAO Guohai，ZHAO Xiangdong，JIANG Wei，et al. Fluid identification of carbonate reservoirs based on cost? sensitive learning［J］. Oil Geophysical Prospecting，2025，60（3）：587?597.
0 引言
隨著石油天然氣工業(yè)的發(fā)展，精準識別儲層流體性質(zhì)的需求日益迫切。碳酸鹽巖儲層由于儲集空間類型多樣、儲層性質(zhì)復(fù)雜及非均質(zhì)性極強，導(dǎo)致不同的流體性質(zhì)在測井曲線上響應(yīng)不明顯[1]，給碳酸鹽巖流體性質(zhì)的識別帶來一定的挑戰(zhàn)。
傳統(tǒng)的儲層流體識別方法包括交會圖板法[2]、曲線重疊法[3]、核磁共振法[4]、反演法等[5-6]。這些方法通常依賴專家經(jīng)驗，且需要手動分析測井曲線或地震數(shù)據(jù)，因此存在主觀性較強、效率低、成本高等問題。為解決這些問題，越來越多的研究員開始采用機器學(xué)習(xí)和深度學(xué)習(xí)等先進技術(shù)，并提出一系列新的識別方法，旨在提高儲層流體識別的效率和準確性。針對碳酸鹽巖儲層的流體性質(zhì)在測井曲線上響應(yīng)不明顯的問題，陳鋼花等[7]提出了一種能夠提高測井參數(shù)對流體的敏感性的方法，通過聚類技術(shù)計算概率值建立了流體識別標準。王培麟[8]建立了一種基于常規(guī)測井和電成像測井相結(jié)合的流體識別模型，實驗表明融入的電成像測井信息大大提升了模型的識別精度。Liu 等[9]提出一種改進的模糊 C- Means 聚類算法，利用混沌量子粒子群優(yōu)化算法生成聚類中心，有效解決了傳統(tǒng) FCM 算法容易陷入局部收斂的問題，建立了流體性質(zhì)與疊前彈性參數(shù)在多維空間的映射關(guān)系。實驗結(jié)果表明，其流體識別準確率達到 97.10% 。Zhu 等[10]提出了建立混合核 Fisher 判別分析模型（MKFD），使用 6 個常規(guī)測井參數(shù)，并采用粒子群算法對 MKFD 進行超參數(shù)優(yōu)化。實驗結(jié)果顯示，提出的模型在識別精度上優(yōu)于傳統(tǒng) KFD 和其他傳統(tǒng)機器學(xué)習(xí)模型。
綜上所述，對于碳酸鹽巖這種復(fù)雜儲層，深入挖掘測井資料與流體類型之間的潛在關(guān)系，尋找具有高敏感性的信息至關(guān)重要。雖然上述研究在構(gòu)建識別模型時，合理地進行特征融合可顯著改善識別效果，但是也存在不少局限性。第一，測井曲線容易受來自地質(zhì)結(jié)構(gòu)的復(fù)雜性、儀器故障或環(huán)境干擾等噪聲的干擾影響識別精度；第二，在強非均質(zhì)儲層中，各個流體類型的分布往往是不均衡的，導(dǎo)致建立的分類模型對少數(shù)樣本流體類型的識別效果不佳，顯著降低了分類模型的預(yù)測準確性。
鑒于此，本文針對碳酸鹽巖儲層提出了一種基于代價敏感學(xué)習(xí)的方法。首先，利用小波變換對原始的測井曲線進行降噪和修復(fù)，以提升數(shù)據(jù)的質(zhì)量；其次，通過方差分析法、決策樹法以及油氣藏理論篩選出與碳酸鹽巖儲層流體高度相關(guān)的測井曲線；最后，基于神經(jīng)網(wǎng)絡(luò)并采用特征融合技術(shù)對測井數(shù)據(jù)和儲層物性參數(shù)進行多次特征融合，并引入代價敏感學(xué)習(xí)的策略處理樣本不平衡問題，解決了少數(shù)類樣本識別效果差的問題。該方法提升了對碳酸鹽巖儲層流體性質(zhì)的準確識別能力，為碳酸鹽巖儲層油氣的勘探開發(fā)提供了科學(xué)依據(jù)和技術(shù)支持。
1 基于代價敏感學(xué)習(xí)的儲層流體識別方法
儲層流體識別方法主要包括三個模塊：依托小波變換（Wavelet Transform，WT）的測井修復(fù)模塊、特征分析（Feature Analysis，F(xiàn)A）模塊和融合代價敏感 學(xué) 習(xí) （Cost-sensitive Learning，CSL）的 儲 層 流 體識別模塊。該方法（簡稱 WFC）的工作流程（圖 1）如下所述；首先，測井修復(fù)模塊采用小波變換分解測井數(shù)據(jù)，通過閾值處理技術(shù)有效濾除噪聲信號，保留有效信息，并通過信號重構(gòu)得到降噪后的測井數(shù)據(jù)；其次，特征分析模塊結(jié)合方差分析、決策樹技術(shù)及油氣藏理論，篩選出對儲層流體類型貢獻顯著的測井曲線，以提升流體類型識別的準確性；最后，儲層流體識別模塊采用神經(jīng)網(wǎng)絡(luò)和特征融合技術(shù)，將篩選后的測井數(shù)據(jù)與儲層物性參數(shù)特征融合，并運用代價敏感學(xué)習(xí)方法，優(yōu)化少數(shù)流體類型的識別準確性。
1. 1 測井修復(fù)模塊
測井數(shù)據(jù)采集過程因受設(shè)備和地層條件的影響而產(chǎn)生大量的噪聲[11]，會影響儲層流體特性識別的準確性。小波變換是一種在信號分析領(lǐng)域廣泛使用的噪聲處理技術(shù)，它通過多尺度分析，將信號分解為不同的頻率成分，在保留關(guān)鍵信號的同時有效去除噪聲。考慮到測井數(shù)據(jù)的離散特性[12]，采用離散小波變換（Discrete Wavelet Transform， DWT）對其降噪處理。離散小波變換可選用多種小波基函數(shù)，其中 Daubechies 小波在處理非平穩(wěn)信號方面表現(xiàn)出優(yōu)異性能[13]。Daubechies 小波具有不同的階數(shù)，每個階數(shù)對應(yīng)不同的頻率分析范圍，較高的階數(shù)意味著更高的頻率分析范圍，但也增加了信號失真的風(fēng)險。在 DWT 中，信號可以通過多層分解提取不同尺度的特征，分解層數(shù)的選擇決定了信號分解的深度和所能捕捉到的特征細節(jié)的層次。隨著分解層數(shù)的增加，能夠捕捉到的信號細節(jié)越豐富，但同時也會增加計算量，并可能導(dǎo)致信息的過度分解，丟失某些重要信息。
圖1 儲層流體識別模型工作流程
為了優(yōu)化 Daubechies 小波的階數(shù)和分解層數(shù)，以信噪比（SNR）作為評價指標，通過網(wǎng)格搜索確定了合適的 Daubechies 小波階數(shù)范圍為 db2～db8，分解層數(shù)為 1～8 層。通過優(yōu)化階數(shù)和分解層數(shù)，可確保在多尺度信號分析中，有效去除噪聲的同時，最大限度地保留關(guān)鍵地質(zhì)信息，進而提高測井數(shù)據(jù)的清晰度，提升流體識別模型的預(yù)測性能。
1. 2 特征分析
由于碳酸鹽巖儲層顯著的非均質(zhì)性，直接使用測井數(shù)據(jù)中的參數(shù)可能引入冗余信息，影響流體類型識別的精度。為了更深入地理解碳酸鹽巖儲層的特殊性，有必要對其進行特征分析，識別對流體類型具有高度敏感的關(guān)鍵信息。特征分析增強了對碳酸鹽巖儲層非均質(zhì)性的認識，為數(shù)據(jù)處理提供了支撐，有助于優(yōu)化流體類型的識別。本文選取了兩種特征分析方法：方差分析和決策樹重要度分析。
方差分析評估不同組間的平均值差異，適用于處理分類問題中的數(shù)值數(shù)據(jù)，幫助確定不同流體類型的測井數(shù)據(jù)是否有顯著差異[14]
式中： F 是方差分析的統(tǒng)計量，當 F 值較大時，表明組間差異顯著大于組內(nèi)差異，意味著不同流體類型在某個測井參數(shù)上有顯著的統(tǒng)計差異； MB 是組間均方差，衡量不同流體類型（如氣、水、干層）的測井數(shù)據(jù)（如 GR、AC、RT 等）均值與總均值之間的差異；Mw 是組內(nèi)均方差，衡量同一流體類型內(nèi)部不同樣本的測井數(shù)據(jù)值之間的變異。對應(yīng)計算公式如下
式中： ni 是第 i 類流體的樣本數(shù)量； 
是第 i 類流體的測井數(shù)據(jù)均值； 
是所有樣本的總均值； Xij 是第 i 類流體在第 j 個樣本的測井數(shù)據(jù)值； k 是流體類型的總數(shù)； N 是樣本總量。
決策樹是一種常用于分類和回歸的機器學(xué)習(xí)方法，特別擅長特征選擇和重要性評估[15]。通過構(gòu)建決策樹，可以直觀地識別哪些測井參數(shù)對流體類型貢獻最大。決策樹在每個節(jié)點上選擇最優(yōu)分割特征，依據(jù)某種準則最大化信息增益，最小化節(jié)點不純度。信息增益基于熵計算節(jié)點純度，特征重要度通過計算該特征在所有節(jié)點中引起的不純度減少來評估。其計算公式為
式中： Xf 是一個特征，例如某個測井參數(shù)； T 是樹中所有節(jié)點的集合； t 是使用特征 Xf 的節(jié)點； nt 是被分配到節(jié)點 Ψt 的樣本數(shù)； ΔI（t，Xf） 是在節(jié)點 Ψt 使用 Xf 所帶來的信息增益。
信息增益計算公式為
式中： I（t） 是節(jié)點 Ψt 的熵； C 是基于特征 Xf 從節(jié)點 Ψt 劃分形成的子節(jié)點數(shù)量； ts 表示由特征 Xf 的特定值分出來的第 s 個節(jié)點； ns 是被分配到子節(jié)點 ts 中的樣本數(shù)。
熵的計算公式如下
式中 ?（i|t） 是節(jié)點 Ψt 中第 i 類流體的樣本比例。
特征重要度反映了一個特征在決策樹中對提高分類模型準確度的貢獻大小，高重要度意味著該特征在模型中起到了關(guān)鍵作用，而低重要度則可能意味著該特征對模型的貢獻較小。
1. 3 儲層流體識別
傳統(tǒng)的機器學(xué)習(xí)方法在儲層流體識別時通常只依賴于測井數(shù)據(jù)，然而儲層的孔隙度、滲透率以及含水飽和度等物性參數(shù)對儲層流體的特性也起著至關(guān)重要的作用[16]，忽視這些物性參數(shù)也會影響儲層流體識別的準確性。因此，如何結(jié)合測井數(shù)據(jù)和儲層物性參數(shù)顯得尤為重要[17]。同時，碳酸鹽巖儲層的流體類型分布通常不均衡，使得傳統(tǒng)分類模型在識別少數(shù)類樣本時表現(xiàn)不佳。傳統(tǒng)模型在面對樣本不平衡時，往往會偏向于預(yù)測數(shù)量較多的類別，導(dǎo)致少數(shù)類樣本的識別準確性下降。為解決這一問題，引入了代價敏感學(xué)習(xí)策略，利用損失函數(shù)對少數(shù)類樣本賦予更大的權(quán)重，從而改善模型對少數(shù)類樣本的識別效果[18]。具體而言，采用了加權(quán)交叉熵損失函數(shù)作為代價敏感學(xué)習(xí)的基礎(chǔ)，可以根據(jù)類別的相對頻率自動調(diào)整損失權(quán)重，從而在處理復(fù)雜且不均衡的碳酸鹽巖儲層數(shù)據(jù)分布時，依然保持優(yōu)異的識別性能。
在此基礎(chǔ)上提出了一種融合儲層物性參數(shù)和測井數(shù)據(jù)的儲層流體識別模型，模型架構(gòu)如圖 2。
圖2 儲層流體識別模型
該模型主要包括三個組成部分：輸入部分、融合部分和輸出部分。
（1）輸入部分：模型的輸入包括修復(fù)后的測井數(shù)據(jù)和儲層物性參數(shù)（孔隙度、滲透率、含水飽和度）。這兩部分數(shù)據(jù)分別送入各自的多層感知機（Multi?layer Perceptron，MLP），調(diào)整數(shù)據(jù)維度使兩個輸出特征向量 VL1 和 的維度一致，便于后續(xù)融合處理。這兩個向量分別代表從各自數(shù)據(jù)中提取的關(guān)鍵特征。
（2）融合部分：通過圖 3 所示的融合模塊，多次融合測井數(shù)據(jù)和儲層物性參數(shù)。初始階段， VL1 和VP1 通過向量相加融合成 VI1 ，反映初步融合的信息，捕捉兩類數(shù)據(jù)的相互作用和互補特性。然后， VI1 進入另一個 MLP 進行進一步特征提取，生成特征向量 VL2 。接著， VL2 與 |VP1 再次融合，得到特征向量VI2 。繼續(xù)這一過程， VI2 再次通過 MLP，輸出特征向量 VL3 ，隨后與 
進行最終融合，形成最終特征向量 VI3 。
圖3 融合模塊
（3）輸出部分：最終特征向量 VI3 包含融合后的綜合特征，送入 Softmax 層分類，將模型輸出值轉(zhuǎn)化為在[0， 1]之間的概率值，確定概率值最大的儲層流體類型。
代價敏感損失函數(shù)采用的是加權(quán)交叉熵損失函數(shù)，其表達式如下
式中： C 是類型的總數(shù)， ync 是樣本 n 是否屬于類型 Ψc 的真實標簽（通常為 0 或 1）； 
是模型預(yù)測樣本 n 屬于類型 Ψc 的概率值； 而 
是類型 Ψc 的損失權(quán)重。權(quán)重的計算步驟如下：
（1）計算每個類型的逆頻率權(quán)重
式中 fc 是類型 Ψc 的相對頻率，即 fc=nc/N，nc 為類型 Ψc 的樣本數(shù)量。
（2）歸一化權(quán)重
式中 τυj′ 是類型 j 的未歸一化的逆頻率權(quán)重。
2 實例分析
2. 1 數(shù)據(jù)描述和預(yù)處理
實驗所選取的 19 口井位于特定氣田區(qū)塊內(nèi)，該區(qū)塊儲層類型為碳酸鹽巖，其測井段深度介于
5000～6500m 之間，主要儲集巖石包括頁巖和白云巖，儲層孔隙度分布范圍為 0.5%～15% ，平均值為2.89% ；滲透率分布范圍為 0.001～100.000mD ，平均值為 0.630mD ；儲層含水飽和度分布范圍為1.9%～99.0% ，平均值為 25.31% 。總體來看該地區(qū)儲層以中—低孔、中—低滲儲層為主。
此外，研究區(qū)包含氣層、差氣層、水層、干層、含氣水層和氣水層這六種流體類型，所對應(yīng)的流體類型分布如圖 4 所示。流體類型分布存在著顯著的不平衡情況。各流體測井的響應(yīng)特征，如側(cè)向電阻率（RT）、校正伽馬射線（CGRN）、井徑（CAL）、補償中子（CNL）、聲波（AC）、自然伽馬（GR）、沖洗帶電阻率（RXO）、補償密度（DEN）以及儲層物性特征包括孔隙度（POR）、滲透率（PERM）、含水飽和度（SW），同時也包含測井深度信息真垂深（TVD）等已列于表 1 中。
圖4 流體類型數(shù)量分布
將數(shù)據(jù)劃分為訓(xùn)練集和測試集，14 口井用于訓(xùn)練，5 口井用于測試。訓(xùn)練前，采用最大最小值歸一化將數(shù)據(jù)轉(zhuǎn)化為 0 到 1 范圍，消除尺度差異，加快損失函數(shù)收斂，提高訓(xùn)練效率。
2. 2 實驗設(shè)置
為了提升降噪效果，以信噪比為優(yōu)化目標，通過網(wǎng)格搜索優(yōu)化 Daubechies 的小波階數(shù)（db2～db8）和分解層數(shù)（1～8）。較大的 SNR 值表示信號中的噪聲成分被有效去除[19]，同時重要的地質(zhì)信號得以保留，這對提高測井數(shù)據(jù)的清晰度和流體識別的準確性 至 關(guān) 重 要 。 降 噪 測 井 數(shù) 據(jù) 包 括 RT、CGRN、CNL、AC、GR、RXO 和 DEN。
其中閾值處理方式計算公式如下
式中：λ 是閾值；median （ （|m|） 為計算小波分解系數(shù) Ωm 的絕對值的中位數(shù)； L 是信號長度。
表1 流體測井響應(yīng)特征以及儲層物性特征
在閾值處理中，采用了軟閾值法來處理小波系數(shù)。軟閾值法能夠有效地將小于閾值的小波系數(shù)設(shè)為零，并對大于閾值的小波系數(shù)縮放處理來實現(xiàn)降噪。軟閾值法的數(shù)學(xué)表達式如下所示
信噪比計算公式如下
式中： Ps 和 Pn 分別為信號功率和噪聲功率，其中
式中： si 是降噪后信號在第 i 個采樣點的值； Xi 是原始信號在第 i 個采樣點的值。
儲層流體識別網(wǎng)絡(luò)模型中，MLP 的隱藏神經(jīng)元個 數(shù) 都 設(shè) 置 為 256，并 且 使 用 了 ReLU（RectifiedLinear Unit）作為隱藏層的激活函數(shù)，ReLU 激活函數(shù)的特點是對于小于零的輸入，輸出為零，對于大于零的輸入，輸出與輸入相同，這種非線性特性有助于模型的學(xué)習(xí)和表達能力的提升。在網(wǎng)絡(luò)的輸出層采用了 Softmax 激活函數(shù)，能夠?qū)⑸窠?jīng)網(wǎng)絡(luò)的輸出轉(zhuǎn)化為概率分布的形式，從而可以直觀地理解模型對每個類型的預(yù)測概率。
為了最小化交叉熵損失，采用了 Adam 優(yōu)化算法。Adam 是一種基于自適應(yīng)學(xué)習(xí)率的優(yōu)化算法，它結(jié)合了每個參數(shù)的梯度歷史和當前梯度的信息，從而自適應(yīng)地調(diào)整學(xué)習(xí)率，更有效地更新模型參數(shù)。在訓(xùn)練過程中，將訓(xùn)練輪次 epoch 設(shè)置為 1500 次，每次訓(xùn)練大小 batch_size 設(shè)置為 2048。此外，當訓(xùn)練輪次達到 1200 次時，將學(xué)習(xí)率減半，以更好地控制模型的訓(xùn)練過程。
2. 3 評價指標
為了評估每個儲層流體類型的識別效果，采用準確率（Accuracy）、F1 得分來評估。
準確率（Accuracy）衡量了分類器在總體樣本的預(yù)測準確性，即
式中： TPtotal 是所有類型中被正確分類的樣本總數(shù)，Ntotal 是數(shù)據(jù)集中的樣本總數(shù)。
使用 F1 得分作為評估指標，因為 F1 值綜合了精確率和召回率，能夠更全面地反映分類器在識別某一類型樣本時的準確性和完整性。對于每個類型i，F(xiàn)1 值的計算公式如下
式中：Precisioni 是指分類器在預(yù)測為類型 i 的樣本中 ，真 正 屬 于 類 型 i 的 樣 本 比 例 ，即Precision 
是指分類器在所有屬于類型 i 的樣本中，成功識別出的比例，即Recalli=TPi/（TPi+FNi）c 。這里， TPi 是屬于類型 i 并被正確分類的樣本數(shù)， FPi 是被錯誤分類為類型 i 的樣本數(shù)， FNi 是屬于類型 i 但被錯誤分類為其他類型的樣本數(shù)。F1 值的范圍在 0 到 1 之間，數(shù)值越高表示分類器對該類型的識別效果越好。
2. 4 實驗結(jié)果
以 MX41 井為例，分析了小波降噪前后的測井曲線。如圖 5 所示，以測井曲線 AC 和 CNL 為例，原始曲線以黑色呈現(xiàn)，經(jīng)過小波降噪處理后的曲線以紅色呈現(xiàn)。觀察圖片可得，經(jīng)過降噪處理后的曲線表現(xiàn)出以下特征：細小的波動噪聲被有效消除，曲線呈現(xiàn)出更為平滑的趨勢，數(shù)據(jù)特征更明顯。2. 5節(jié)開展的消融實驗驗證了降噪后測井曲線對儲層流體識別效果的改善。
實驗首先利用降噪后的所有測井數(shù)據(jù)（RT、CGRN、CNL、AC、GR、RXO、DEN）、未降噪測井數(shù)據(jù)（CAL）、儲層物性參數(shù)（POR、PERM、SW）以及深度信息（TVD）進行了研究，得出了儲層流體識別的總體準確率為 97.25% 。為了更深入地探索碳酸鹽巖儲層測井數(shù)據(jù)對識別儲層流體類型的影響，采用了方差分析和決策樹來計算測井數(shù)據(jù)與儲層流體類型之間的相關(guān)程度，結(jié)果分別如圖 6 和圖 7 所示。
圖5 MX41 井小波降噪前、后的測井曲線對比
圖6 方差分析重要性排序
圖7 決策樹重要性排序
從圖中可以觀察到，相關(guān)性排名前四的測井數(shù)據(jù)均為 AC、CNL、CAL、RT。根據(jù)油氣藏工程基礎(chǔ)理論可知，通常情況下與流體類型相關(guān)度較高的參數(shù)為 GR、RT、AC、CNL 和 DEN[20]。然而，GR 和DEN 在兩種相關(guān)性分析中都并沒有顯現(xiàn)出顯著的重要度，為了更好地確定碳酸鹽巖儲層下與流體類型高度敏感的測井參數(shù)，設(shè)置多組實驗，結(jié)果如表 2所示。
表2 不同測井數(shù)據(jù)對儲層流體類型的影響
通過實驗 1 與實驗 6 的對比可知，僅保留相關(guān)性排名前四個參數(shù)會忽略一些有益信息，因此需要進一步分析。結(jié)合實驗 1、實驗 2 和實驗 4，發(fā)現(xiàn)在碳酸鹽巖儲層下，GR 對儲層流體識別的正向積極作用明顯高于 DEN。雖然 RXO 在相關(guān)性排名并不顯著，但考慮到其在區(qū)分油氣層與水層的重要性[21]，設(shè)置了實驗 3 和實驗 5 進一步驗證其作用，根據(jù)實驗 2、實驗 3 和實驗 4、實驗 5 的結(jié)果，可以發(fā)現(xiàn)RXO 對碳酸鹽巖儲層流體類型識別具有正向作用。因此可以得出，在碳酸鹽巖儲層下與流體類型高度敏 感 的 測 井 參 數(shù) 為 ：AC、CNL、CAL、RT、GR、RXO。后續(xù)模型的輸入采用篩選出來的這 6 條測井曲線和 3 個儲層物性參數(shù)以及深度數(shù)據(jù) TVD。
篩選后的測井數(shù)據(jù)實驗結(jié)果如表 3 所示，模型在多種儲層流體類型識別任務(wù)中表現(xiàn)出了卓越的性能。
具體而言，針對每種儲層流體類型，評估了模型的 F1 值和準確率，對于氣水層，模型的 F1 值最高達到了 98.57% 。對于含氣水層、差氣層、干層、氣層和水層，模型的 F1 值分別為 98.50%.96.36% 、98.38%.98.22% 和 96.93% 。模型的總體準確率達到了 97.61% ，突顯了 WFC 在不同儲層流體類型識別任務(wù)中具有較高的準確性。
表3 實驗結(jié)果評估
2. 5 消融實驗
為驗證小波變換在測井降噪以及代價敏感學(xué)習(xí)對最終識別效果的影響，進行了幾組消融實驗。其中，消融實驗 1 涉及到的模型從 WFC 中去除降噪處理（WFC-W）；消融實驗 2 涉及到的模型從 WFC中去除代價敏感學(xué)習(xí)（WFC-C）；消融實驗 3 涉及到的模型從 WFC 中去除降噪處理和代價敏感學(xué)習(xí)（WFC-WC），實驗結(jié)果如表 4 所示。
表4 消融實驗結(jié)果
與 WFC 相比，WFC-W 在未進行降噪處理的情況下，準確率下降了 3.71% ，且各個儲層流體類型的 F1 值普遍低于 WFC。具體而言，含氣水層下降了 2.03% ，差氣層下降了 5.19% ，干層下降了0.83% ，氣層下降了 2.51% ，氣水層下降了 4.20% ，水層下降了 1.83% 。對比 WFC-C，缺少了代價敏感學(xué)習(xí)，表現(xiàn)為準確率下降了 1.69% ，尤其是在針對小樣本類型時的下降情況更為明顯，如含氣水層下降了 2.03% ，差氣層下降了 2.46% ，氣水層下降了 2.92% 。對比 WFC-WC，同時缺少降噪處理和代價敏感學(xué)習(xí)，表現(xiàn)為準確率下降了 3.68% ，且所有 F1 值均顯著下降。具體來說，含氣水層下降了6.19% ，差氣層下降了 5.83% ，干層下降了 2.78% ，氣層下降了 2.76% ，氣水層下降了 4.20% ，水層下降了 2.58% 。綜上所述，消融實驗結(jié)果表明小波變換降噪可提升總體識別效果，而代價敏感學(xué)習(xí)則可增強對小樣本類型的識別效果。
2. 6 對比實驗
通 過 與 隨 機 森 林 （Random forest， RF， n_esti?mators sm=100 ）、極 端 隨 機 樹 （Extremely RandomizedTrees， ET， n_estimators 
）、深 度 神 經(jīng) 網(wǎng) 絡(luò)（Deep Neural Network， DNN， 層數(shù) =20 ， 每層神經(jīng)元數(shù) =128. ）、K 近 鄰 （K-Nearest Neighbor， KNN，k=3， ）進行對比，驗證了 WFC 的準確性和有效性。對比結(jié)果如表 5 所示。
根據(jù)實驗結(jié)果顯示，WFC 模型在多種機器學(xué)習(xí)分類模型中展現(xiàn)出了更高的準確性和有效性。具體而言，準確率達到了 97.61% ，相較于其他模型如ET（94.6% ）、 RF（93.85% ）、 DNN（83.67%） ）以及KNN（70.22%） ），顯著表現(xiàn)出更高的分類準確性。在考慮各個類型的 F1 值時，WFC 模型在每個類型上均展現(xiàn)出了顯著的優(yōu)勢。具體而言，針對含氣水層、差氣層、干層、氣層、氣水層以及水層等不同類型 ，WFC 模 型 的 F1 值 分 別 達 到 了 98.50% 、96.36%.98.38%.98.22%.98.57% 以及 96.93% 。這些結(jié)果明顯優(yōu)于其他模型。ET 在這些類型中的F1 值 范 圍 在 86.40%～97.67% 之 間 ，RF 在88.21%～98.07% 之 間 ，DNN 在 71.68% ～
表5 對比實驗結(jié)果
93.02% 之 間 ，KNN 在 48.74%～79.26% 之間。這些結(jié)果進一步凸顯了 WFC 模型在處理不同類型數(shù)據(jù)時的魯棒性和穩(wěn)定性，從而證明了其在多分類任務(wù)中的顯著優(yōu)勢。
為了更清晰地展示 WFC 模型的預(yù)測效果，選取了 GS16 井 5445～5490m 層段的測井數(shù)據(jù)以及儲層物性參數(shù)識別的實驗結(jié)果，并將其可視化展示在圖 8 中。該圖展示了不同機器學(xué)習(xí)模型對 GS16井儲層流體識別效果的比較。圖中左側(cè)顯示了 6 條測井數(shù)據(jù)和 3 條儲層物性參數(shù)數(shù)據(jù)，右側(cè)展示了不同模型對儲層流體類型的識別結(jié)果。從圖中可以清晰地看出，WFC 模型在不同儲層流體類型識別的準確性和解釋性上表現(xiàn)最為突出，尤其是針對氣水層，呈現(xiàn)出最佳的預(yù)測效果。
圖8 不同模型實際應(yīng)效果對比圖
以上結(jié)果充分展現(xiàn)了 WFC 模型在碳酸鹽巖流體識別任務(wù)上的優(yōu)勢。究其原因，可以得出以下認識。首先，小波變換有效降低了測井數(shù)據(jù)中的噪聲，提高了信噪比，使地質(zhì)信號更清晰。而對比模型由于缺乏降噪處理，導(dǎo)致模型受噪聲干擾，表現(xiàn)不佳。其次，WFC 模型采用多層次特征融合方法，將測井數(shù)據(jù)和儲層物性參數(shù)深度結(jié)合，更充分地挖掘了參數(shù)間的復(fù)雜關(guān)系，從而提升了流體識別的精度，而對比模型缺乏對多模態(tài)數(shù)據(jù)的融合。此外，WFC 模型通過代價敏感學(xué)習(xí)對少數(shù)類樣本賦予更高權(quán)重，顯著改善了在類別不平衡情況下的表現(xiàn)，有效解決了少數(shù)類樣本識別不佳的問題。
3 結(jié)論
本文通過結(jié)合小波變換降噪、特征分析及代價敏感學(xué)習(xí)策略，提出了一種儲層流體識別方法，得出如下結(jié)論。
（1）首先運用小波變換對測井數(shù)據(jù)進行降噪處理；然后綜合運用方差分析、決策樹以及油氣藏理論，篩選出與流體類型相關(guān)性較高的測井曲線；最后采用特征融合技術(shù)將測井數(shù)據(jù)與儲層物性參數(shù)相結(jié)合，并依托代價敏感學(xué)習(xí)提升對少數(shù)類樣本的關(guān)注度，解決樣本不均衡問題，提升流體識別準確率。（2）在碳酸鹽巖儲層流體識別實驗中，提出的模型展現(xiàn)出了顯著的性能優(yōu)勢，識別準確率達到了97.61% ，遠超其他機器學(xué)習(xí)方法。（3）該方法為油氣勘探與開發(fā)提供了強有力的技術(shù)支持，特別是在具有較強非均質(zhì)性強碳酸鹽巖儲層中表現(xiàn)優(yōu)異，同時還能推廣到致密砂巖、頁巖等其他復(fù)雜儲層的流體識別，為類似環(huán)境中的油氣勘探提供了切實可行的解決方案。
參 考 文 獻
［1］ 賴錦， 劉秉昌， 馮慶付， 等. 鄂爾多斯盆地靖邊氣田 馬家溝組五段白云巖沉積微相測井識別與評價[J]. 地質(zhì)學(xué)報， 2020， 94（5）： 1551?1567. LAI Jin， LIU Bingchang， FENG Qingfu， et al. Well logging identification and evaluation of depositional mi? crofacies in dolostones from the 5th Member of the Or? dovician Majiagou Formation in the Jingbian gas field， Ordos basin [J]. Acta Geologica Sinica， 2020， 94（5）： 1551?1567.
［2］ 魏博， 謝然紅， 趙建斌， 等. 福山凹陷低阻油層成因 分析及流體識別方法[J]. 中國石油大學(xué)學(xué)報（自然科 學(xué)版）， 2024，48（2）：57?66. WEI Bo， XIE Ranhong， Zhao Jianbin， et al. Analysis of genesis of low resistivity reservoirs and method of fluid identification in Fushan Sag [J]. Journal of China University of Petroleum （Edition of Natural Science）， 2024，48（2）：57?66.
［3］ 毛克宇 . 梨樹斷陷營城組致密砂巖測井流體識別方 法及其適應(yīng)性分析[J]. 地球科學(xué)進展， 2016， 31（10）： 1056?1066. MAO Keyu. Logs fluid typing methods and adaptive analysis of tight sandstone reservoir of Yingcheng For? mation in Lishu Fault [J]. Advances in Earth Science， 2016， 31（10）： 1056?1066.
［4］ 張家成， 張宮， 覃瑩瑤， 等. 基于核磁共振T2 譜組分 分解的頁巖油儲層流體識別方法[J]. 地球物理學(xué)進 展， 2023， 38（3）：1238?1246. ZHANG Jiacheng， ZHANG Gong， TAN Yingyao， et al. Method for fluid identification in shale oil reser? voirs based on NMR T2 spectrum component decom ? position [J]. Advances in Earth Science， 2023， 38（3）： 1238?1246.
［5］ 丁富峰，吳少波，姚志純，等. 基于精確Zoeppritz 方程 的儲層流體識別[J]. 石油地球物理勘探，2024，59（6）： 1353?1361. DING Fufeng， WU Shaobo， YAO Zhichun， et al. Reservoir fluid identification based on exact Zoeppritz equation [J]. Oil Geophysical Prospecting， 2024， 59（6）： 1353?1361.
［6］ 吳思，韓波，紀利祥，等 . 利用疊前 AVO 反演預(yù)測砂 巖儲層有效壓力[J]. 石油地球物理勘探，2024，59（5）： 1165?1173. WU Si， HAN Bo， JI Lixiang， et al. Direct inversion method for fluid factors and anisotropy parameters in VTI media [J]. Oil Geophysical Prospecting， 2024， 59（5）： 1165?1173.
［7］ 陳鋼花， 王軍， 劉有基， 等 . 基于 PSO?FCM 算法的 碳酸鹽巖儲層流體識別[J]. 測井技術(shù)， 2018， 42（3）： 282?286. CHEN Ganghua， WANG Jun， LIU Youji， et al. Fluid identification in carbonate reservoir based on im ? proved Particle Swarm Optimization and Fuzzy C means Clustering Algorithm （PSO ? FCM） [J]. Well Logging Technology， 2018， 42（3）： 282?286.
［8］ 王培麟. JX 地區(qū)M 組中下組合復(fù)雜碳酸鹽巖儲層流 體識別方法研究[D]. 荊州： 長江大學(xué)， 2021. WANG Peilin. Study on fluid identification method of complex carbonate reservoir in middle and lower as? semblage of M Formation in JX area[D]. Jingzhou： Yangtze University， 2021.
［ 9 ］ LIU L， SUN S Z， YU H， et al. A modified Fuzzy C? Means （FCM） Clustering algorithm and its application on carbonate fluid identification[J]. Journal of Applied Geophysics， 2016， 129： 28?35.
［10］ ZHU D， LIU Q， WANG J， et al. Differential fault ? fluid alterations and reservoir properties in ultra ? deep carbonates in the Tarim Basin， NW China[J]. Applied Geochemistry， 2024， 170： 106084.
［11］ TONG Z， MENG Y， ZHANG J， et al. Coal struc? ture identification based on geophysical logging data： Insights from Wavelet Transform （WT） and Particle Swarm Optimization Support Vector Machine （PSO SVM） algorithms[J]. International Journal of Coal Geology， 2024， 282： 104435.
［12］ GEETHA K， HOTA M K， KARRAS D A. A novel approach for seismic signal denoising using optimized discrete wavelet transform via honey badger optimiza? tion algorithm[J]. Journal of Applied Geophysics， 2023， 219： 105236.
［13］ ZHANG Q， ZHANG F， LIU J， et al. A method for identifying the thin layer using the wavelet transform of density logging data[J]. Journal of Petroleum Science and Engineering， 2018， 160： 433?441.
［14］ 龔澤宇， 李凱， 黃廷林， 等 . 華南地區(qū) 3 座串聯(lián)調(diào)水 水庫浮游植物群落特征及其驅(qū)動因子分析[J]. 環(huán)境 科學(xué)學(xué)報，2024，44（8）：405?415. GONG Zeyu， LI Kai， HUANG Tinglin， et al. Analy? sis on the characteristics and driving factors of phyto? plankton communities in three water transfer reservoirs in series in South China [J]. Acta Scientiae Circum ? stantiae， 2024， 44（8）： 405?415.
［15］ 桂金詠， 李勝軍， 高建虎， 等. 基于特征變量擴展的 含氣飽和度隨機森林預(yù)測方法[J]. 巖性油氣藏， 2024， 36（2）： 65?75. GUI Jinyong， LI Shengjun， GAO Jianhu， et al. A random forests prediction method for gas saturation based on feature variable extension [J]. Lithologic Re ? servoirs， 2024， 36（2）： 65?75.
［16］ 楊立國， 姬瑞蘭， 彭俊杰， 等 . 綏靖油田延長組長 2 儲層流體識別方法[J]. 當代化工研究， 2024（2）： 76?79. YANG Liguo， JI Ruilan， PENG Junjie， et al. Fluid identification method of extension group 2 reservoir in Suijing oilfield[J]. Modern Chemical Research， 2024（2）： 76?79.
［17］ 劉一茗， 葉加仁， 張飛， 等. 歧口凹陷歧北斜坡帶沙 二段致密砂巖儲層流體識別與評價[J]. 地球科學(xué)， 2022， 47（5）： 1762?1776. LIU Yiming， YE Jiaren， ZHANG Fei， et al. Fluid identification and evaluation of tight sandstone reser? voir in Es2 of Qibei slope belt in Qikou Sag [J]. Earth Science， 2022， 47（5）： 1762?1776.
［18］ 樊俊，張恒汝，余一帆，等. 面向非均勻分布數(shù)據(jù)的代 價敏感標記分布學(xué)習(xí)[J]. 西南大學(xué)學(xué)報（自然科學(xué) 版），2024，46（5）：40?50. FAN Jun， ZHANG Hengru， YU Yifan， et al. Cost ? sensitive label distribution learning for non?uniform dis? tributed data[J]. Journal of Southwest University （Natural Science Edition）， 2024， 46（5）： 40?50.
［19］ 王海勇，丁顧霏. 引入雙曲正切閾值函數(shù)的平穩(wěn)小波 變換心電信號去噪方法[OL]. 計算機科學(xué)， 2024. http：∥kns. cnki. net/kcms/detail/50. 1075. tp. 20240709. 1031. 002. html. WANG Haiyong， DING Gufei. ECG signal denoi ? sing method based on stationary wavelet transform with hyperbolic tangent threshold function [OL]. Com ? puter Science，2024. http：∥kns. cnki. net/kcms/detail/ 50. 1075. tp. 20240709. 1031. 002. html.
［20］ 雷璨如，羅仁澤，武娟，等. 成本敏感型梯度提升樹識 別富水致密砂巖流體性質(zhì)——以鄂爾多斯盆地 X 氣 田 為 例 [OL]. 地 球 物 理 學(xué) 進 展 ， 2024. http： ∥kns. cnki. net/kcms/detail/11. 2982. P. 20240611. 1102. 008. html. LEI Canru， LUO Renze， WU Juan， et al. Cost?sensi? tive gradient boosting decision tree for identifying fluid of high water ? bearing tight sandstone： A case study of x gas field in ordos basin[OL]. Progress in Geophy sics， 2024. http： ∥kns. cnki. net/kcms/detail/11. 2982. P. 20240611. 1102. 008. html.
［21］ 朱采薇， 楊輝廷， 彭博. 基于機器學(xué)習(xí)的碳酸鹽巖儲 層流體性質(zhì)識別——以阿姆河右岸中部為例[J]. 中 國石油和化工標準與質(zhì)量， 2024， 44（7）： 152?154. ZHU Caiwei， YANG Huiting， PENG Bo. Fluid property identification of carbonate reservoirs based on machine learning： a case study of the central right bank of the Amu River [J]. China Petroleum and Chemical Standard and Quality， 2024， 44（7）： 152?154.
（本文編輯：趙君）
作 者 簡 介
高國海 碩士研究生，1999 年生；2022 年獲西南石油大學(xué)軟件工程專業(yè)學(xué)士學(xué)位；現(xiàn)在該校攻讀軟件工程專業(yè)碩士學(xué)位，主要從事深度學(xué)習(xí)及智慧油氣田方面的學(xué)習(xí)和研究。
