鄭 軍，劉鴻博，2，周 文，鄧虎成

（1.成都理工大學(xué)能源學(xué)院，四川成都610059；2.四川水利職業(yè)技術(shù)學(xué)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(chǔ)層巖性主要為生物碎屑、粒狀碳酸鹽巖，基質(zhì)物性差，不同儲(chǔ)層段物性差異也很大。對(duì)儲(chǔ)層裂縫的識(shí)別是一項(xiàng)重要的工作［1］。以往在該區(qū)所做研究表明，利用常規(guī)測(cè)井方法可以識(shí)別裂縫，但是精度不高。成像測(cè)井尤其是地層微電阻率掃描測(cè)井（FMI）能成功識(shí)別出井眼內(nèi)的裂縫，對(duì)裂縫性油氣藏進(jìn)行精細(xì)描述，并可識(shí)別出裂縫的位置、形狀、產(chǎn)狀和密度等［2］。支持向量機(jī)方法已被廣泛應(yīng)用于模式識(shí)別［3］、回歸估計(jì)［4］、儲(chǔ)層預(yù)測(cè)［5］等領(lǐng)域，是目前機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)［6］。本文在分析Daleel油田的地質(zhì)特征的前提下，綜合利用常規(guī)測(cè)井和地質(zhì)資料，觀察了取心井段裂縫發(fā)育特征并將其進(jìn)行有效的分類(lèi)。分析了取心中裂縫發(fā)育井段其對(duì)應(yīng)的測(cè)井響應(yīng)特征，提取了測(cè)井曲線特征參數(shù)，利用支持向量機(jī)方法對(duì)研究區(qū)的裂縫進(jìn)行了識(shí)別，研究了該方法在儲(chǔ)層裂縫識(shí)別中的應(yīng)用效果。

1 研究區(qū)概況

Daleel油田是阿曼五區(qū)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(fā)育在西南高、東北低的單斜構(gòu)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(zhǎng)15km、寬4km、面積約60km2。NW－ES走向斷層較發(fā)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(gè)組，形成地壘與地塹相間斷塊構(gòu)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(gè)斷塊，分別為A、B、C、D、E、F及AB、BC、DE、EF。

2 工區(qū)內(nèi)裂縫分類(lèi)定義

對(duì)研究區(qū)成像測(cè)井資料進(jìn)行分析發(fā)現(xiàn)，影像中分為連續(xù)暗色、不連續(xù)暗色、連續(xù)亮色、不連續(xù)亮色等4個(gè)類(lèi)型。實(shí)際地層中天然裂縫的裂縫類(lèi)型按照影像的特征對(duì)其分為4類(lèi)。

（1）連續(xù)傳導(dǎo)縫（CCF）。連續(xù)傳導(dǎo)縫的裂縫有效程度高，這類(lèi)裂縫與巖心和薄片上所識(shí)別的開(kāi)啟裂縫相對(duì)應(yīng)。如DL-128H1井深度為1 790m［見(jiàn)圖1（a）］發(fā)育1條CCF類(lèi)型裂縫。

（2）不連續(xù)傳導(dǎo)縫（DCF）。不連續(xù)傳導(dǎo)縫表現(xiàn)為高電導(dǎo)率異常，基本特征與連續(xù)傳導(dǎo)縫類(lèi)似，只是波形曲線深色影像表現(xiàn)為不規(guī)則、不連續(xù)和模糊的特征。該類(lèi)裂縫也具有一定有效性，仍然可以歸為開(kāi)啟縫類(lèi)型。DL-128H1井中深度在1 923.4m［見(jiàn)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(xù)度相對(duì)高，為DCF型裂縫的典型影像特征。

（3）連續(xù)高電阻率縫（CRF）。連續(xù)高電阻率縫表現(xiàn)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(xù)淺色，該類(lèi)裂縫與巖心和薄片上見(jiàn)到高電阻率充填的裂縫相對(duì)應(yīng)，一般為充填裂縫，有效程度低。DL-128H1井深度1 794.9m［見(jiàn)圖1（c）］處的影像表現(xiàn)為淺色連續(xù)高電阻率特征，曲線形態(tài)分別為近于直線和完整的低幅度正弦波形曲線影像，說(shuō)明裂縫被高電阻率礦物連續(xù)充填。

（4）不連續(xù)高電阻率縫（DRF）。不連續(xù)高電阻率縫表現(xiàn)為高電阻率異常，影像特征表現(xiàn)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(lèi)裂縫為充填裂縫，有效程度低。DL-125H1井深度2 013.8、2 014.6m［見(jiàn)圖1（d）］處成像測(cè)井的影像都顯示為不連續(xù)淺顏色的高電阻率顯示。

在裂縫識(shí)別的過(guò)程中，將裂縫識(shí)別工作分為有效裂縫、無(wú)效裂縫以及非裂縫等3大類(lèi)。其中，有效裂縫包括CCF和CRF等2種類(lèi)型，無(wú)效裂縫包括CRF和DRF等2種類(lèi)型。

3 裂縫的常規(guī)測(cè)井響應(yīng)特征

3.1 裂縫在常規(guī)測(cè)井上的響應(yīng)特征

3.1.1 深、淺雙側(cè)向電阻率

裂縫發(fā)育的不均一性，電阻率測(cè)井曲線形態(tài)常呈高低間、起伏不平的多尖峰狀；裂縫發(fā)育時(shí)電阻率曲線都為低值顯示，僅當(dāng)有孤立稀疏的小裂縫發(fā)育時(shí)，深、淺雙側(cè)向測(cè)井電阻率值才表現(xiàn)為大小降低不明顯［7］。深、淺雙側(cè)向電阻率的大小及差異性質(zhì)受流體性質(zhì)、裂縫張開(kāi)度、裂縫密度、裂縫產(chǎn)狀、裂縫徑向延伸以及巖石本身的電阻率影響，對(duì)高角度裂縫、垂直裂縫的深淺側(cè)向電阻率其值明顯降低，并出現(xiàn)深淺側(cè)向之間相對(duì)增大的準(zhǔn)正差異現(xiàn)象，且二者比值隨裂縫傾角、裂縫張開(kāi)度、裂縫徑向延伸度、裂縫縱向穿層長(zhǎng)度的增大而增大；低角度裂縫也使深淺側(cè)向讀數(shù)降低，曲線形狀尖銳，一般顯示相反的準(zhǔn)負(fù)差異現(xiàn)象；網(wǎng)狀裂縫的深淺側(cè)向讀數(shù)更低，也存在差異現(xiàn)象。

圖1 Daleel油田DL-128H1井成像測(cè)井裂縫影響特征

3.1.2 聲波時(shí)差、地層密度、中子孔隙度

裂縫與井壁成全部截割時(shí)，在低角度、水平縫的情況下聲波時(shí)差增高；而高角度縫對(duì)聲波傳播影響不明顯。密度測(cè)井主要反映巖石的總孔隙度，與測(cè)井儀器極板是否靠上裂縫關(guān)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(cè)空間以外的裂縫溶洞則無(wú)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(cè)井儀探測(cè)范圍內(nèi)有裂縫存在，則將對(duì)中子孔隙度測(cè)井產(chǎn)生貢獻(xiàn)，導(dǎo)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(qiáng)度降低，形成沿裂縫走向的垮塌，雙井徑曲線出現(xiàn)一個(gè)方向井徑大于鉆頭直徑，另一個(gè)方向井徑接近于鉆頭直徑的橢圓現(xiàn)象。在常規(guī)測(cè)量的單井徑曲線上同樣存在裂縫發(fā)育處井徑較致密層擴(kuò)大的現(xiàn)象。

3.2 常規(guī)測(cè)井裂縫識(shí)別模式建立

在Daleel油田巖心描述的基礎(chǔ)上，提取了裂縫發(fā)育層段所對(duì)應(yīng)的測(cè)井響應(yīng)值，選取了多口井的資料點(diǎn)。裂縫識(shí)別工作分為有效裂縫、無(wú)效裂縫以及非裂縫3大類(lèi)，通過(guò)對(duì)中子與井徑、深側(cè)向與中子、光電吸收因子與密度、深淺電阻率差與聲波進(jìn)行了兩兩交會(huì)，建立了不同參數(shù)的裂縫交會(huì)圖版（見(jiàn)圖2）。由圖2可以看出聲波、光電吸收因子、深淺電阻率差測(cè)井系列對(duì)這3類(lèi)樣品區(qū)分效果極差，基本上不能把任何類(lèi)型樣品進(jìn)行區(qū)分開(kāi)。井徑與中子對(duì)于未充填裂縫可以很好地區(qū)分出來(lái)，充填與無(wú)裂縫2類(lèi)樣品的點(diǎn)子基本上混在一起，無(wú)法區(qū)分。深側(cè)向電阻率對(duì)于這3類(lèi)樣品，其中未充填樣品與其他2種類(lèi)型能夠在一定程度上區(qū)分開(kāi)，但充填、無(wú)裂縫2類(lèi)基本上混淆在一起。根據(jù)上述各類(lèi)裂縫及非裂縫樣品的測(cè)井響應(yīng)信號(hào)的對(duì)比分析可知，對(duì)于該地區(qū)儲(chǔ)層能夠在常規(guī)測(cè)井上把具有一定響應(yīng)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(qū)別開(kāi)。未充填裂縫相對(duì)充填縫（或非裂縫）在測(cè)井響應(yīng)上反映為中子孔隙度和井徑其值增大，深側(cè)向其響應(yīng)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(cè)井響應(yīng)特征，該段裂縫為未充填裂縫，其測(cè)井響應(yīng)值，聲波為1 08.0～1 10.6μs／ft（非法定計(jì)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(cè)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(duì)層內(nèi)上部無(wú)裂縫段測(cè)井響應(yīng)中深側(cè)向電阻率明顯減小，井徑和中子孔隙度明顯增加。通過(guò)這些常規(guī)測(cè)井的組合特征可以將這一類(lèi)裂縫進(jìn)行有效的識(shí)別。

對(duì)于充填裂縫程度較高的裂縫常規(guī)測(cè)井響應(yīng)特征往往不明顯，不能跟無(wú)裂縫段地層進(jìn)行區(qū)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(cè)井響應(yīng)特征，該段裂縫為垂直充填裂縫，其測(cè)井響應(yīng)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(cè)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(cè)信號(hào)特征相對(duì)層內(nèi)或上面的碳酸鹽儲(chǔ)層中無(wú)裂縫段無(wú)較大差異，因此，通過(guò)這些常規(guī)測(cè)井的組合特征對(duì)充填程度較高的裂縫不能夠進(jìn)行有效的識(shí)別。

4 支持向量機(jī)在裂縫識(shí)別中的應(yīng)用

常規(guī)測(cè)井資料在該區(qū)的應(yīng)用效果尚不明顯。因此，研究嘗試引入了在模式識(shí)別領(lǐng)域中的支持向量機(jī)方法（SVM）［8］。裂縫識(shí)別也屬于多分類(lèi)判別模式識(shí)別的問(wèn)題，可以利用多分類(lèi)SVM方法建立裂縫識(shí)別模型完成。

4.1 實(shí)驗(yàn)測(cè)試建模

4.1.1 樣本集選取及數(shù)據(jù)歸一化

采用粗糙集方法，分析各個(gè)參數(shù)對(duì)預(yù)測(cè)目標(biāo)的敏感程度，最終確定輸入的參數(shù)采用能反映儲(chǔ)層裂縫的深側(cè)向電阻率（RLLd）、淺側(cè)向電阻率（RLLs）、中子孔隙度（φN）、井徑（CAL）、聲波時(shí)差（Δt）、自然伽馬（GR）和密度（DEN）等7個(gè)參數(shù)；輸出參數(shù)為正整數(shù)表示的裂縫類(lèi)別標(biāo)號(hào)，如類(lèi)別1表示有效裂縫，類(lèi)別2表示無(wú)效裂縫，類(lèi)別3表示非裂縫。通過(guò)取心井的測(cè)井資料，從研究層段內(nèi)提取了可靠的、有代表性的35個(gè)數(shù)據(jù)樣本對(duì)構(gòu)建樣本集，其中27對(duì)作為訓(xùn)練樣本，其余8對(duì)作為驗(yàn)證樣本。

圖2 常規(guī)測(cè)井參數(shù)裂縫識(shí)別交會(huì)圖版

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

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

為避免各參數(shù)量綱差異導(dǎo)致核函數(shù)內(nèi)積計(jì)算困難，對(duì)預(yù)測(cè)結(jié)果造成負(fù)面影響，首先對(duì)學(xué)習(xí)樣本的屬性值進(jìn)行歸一化處理，并根據(jù)屬性值呈正態(tài)分布的進(jìn)行常規(guī)歸一化、屬性值呈非正態(tài)分布（如深側(cè)向電阻率）的進(jìn)行對(duì)數(shù)歸一化處理的原則，對(duì)所選取的各測(cè)井曲線進(jìn)行歸一化預(yù)處理，最終將樣本的屬性值映射到［0，1］區(qū)間，從而減小SVM模型的計(jì)算量，提高預(yù)測(cè)精度。

4.1.2 SVM模型最佳參數(shù)優(yōu)化

支持向量機(jī)最終的目的是尋找一個(gè)合適的分類(lèi)函數(shù)對(duì)未知層位進(jìn)行預(yù)測(cè)識(shí)別。分類(lèi)函數(shù)的確定主要是對(duì)核函數(shù)的選擇和對(duì)懲罰系數(shù)c的確定，核函數(shù)的選擇對(duì)模型的泛化性能有較大的影響，需要根據(jù)訓(xùn)練樣本的分布和比較實(shí)驗(yàn)進(jìn)行。對(duì)于該區(qū)的裂縫識(shí)別問(wèn)題，經(jīng)過(guò)多次試驗(yàn)，選擇了RBF核函數(shù)。Libsvm對(duì)于核參數(shù)r和懲罰系數(shù)c的選擇主要采用網(wǎng)格搜索尋優(yōu)法。其基本思路首是先大致選定1個(gè)區(qū)間，如c的區(qū)間為［2－10，210］，r的區(qū)間為［2－8，28］，步長(zhǎng)為1，在選定區(qū)間內(nèi)讓c和r呈指數(shù)增長(zhǎng)，通過(guò)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(zhǔn)確率出現(xiàn)最高的1個(gè)小區(qū)間，并逐步縮短步長(zhǎng)重復(fù)搜索，直至搜索結(jié)果精度變化不大時(shí)為止，最后所得結(jié)果即為最優(yōu)化參數(shù)。研究所得最佳參數(shù)組合為［c，r］＝［32，0.5］，交叉驗(yàn)證精度達(dá)91.4%。裂縫識(shí)別SVM分類(lèi)流程通過(guò)Libsvm軟件包實(shí)現(xiàn)。

4.2 應(yīng)用效果分析

4.2.2 SVM裂縫模型

利用所建立的SVM流體識(shí)別模型對(duì)35個(gè)由取心結(jié)果和測(cè)井資料得到的裂縫樣本進(jìn)行預(yù)測(cè)與回判。8個(gè)預(yù)測(cè)樣本正確識(shí)別的有7個(gè)，正確率達(dá)到87.5%，其中1個(gè)誤判樣本是將無(wú)效裂縫判識(shí)為非裂縫，因此，沒(méi)有漏失有效裂縫樣本（見(jiàn)表1）。對(duì)28個(gè)建模樣本進(jìn)行回判，準(zhǔn)確率達(dá)100%。利用SVM方法對(duì)9口取心井35個(gè)樣本進(jìn)行分類(lèi)評(píng)價(jià)，將參數(shù)c、r調(diào)整至最佳參數(shù)組合32、0.5，得到圖5所示的分類(lèi)評(píng)價(jià)圖。從圖5中可以看出，SVM方法可以較好的將有效裂縫、無(wú)效裂縫和非裂縫分類(lèi)。

圖5 SVM方法9口取心井35個(gè)樣本的分類(lèi)評(píng)價(jià)圖

表1 9口取心井7個(gè)檢驗(yàn)樣本的判別結(jié)果

利用SVM裂縫識(shí)別的結(jié)果可以對(duì)該工區(qū)進(jìn)行裂縫評(píng)價(jià)。圖6為DL-2井和DL-56井應(yīng)用SVM方法進(jìn)行裂縫識(shí)別的結(jié)果。圖6中，SVM裂縫解釋結(jié)果中，1表示有效裂縫，2表示無(wú)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(kāi)發(fā)提供了依據(jù)。

圖6 應(yīng)用SVM方法單井裂縫識(shí)別效果圖

5 結(jié) 論

多元回歸分析（MRA）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)（SVM）等3種算法具有各自的特點(diǎn)。SVM計(jì)算速度比ANN快10倍以上。當(dāng)難以判斷一個(gè)研究目標(biāo)與其相關(guān)因素的復(fù)雜關(guān)系的非線性強(qiáng)弱程度時(shí)，采用SVM更準(zhǔn)確［9］。

利用常規(guī)測(cè)井裂縫識(shí)別模式對(duì)儲(chǔ)層裂縫進(jìn)行識(shí)別時(shí)發(fā)現(xiàn)，對(duì)充填程度較高的裂縫不能夠進(jìn)行有效識(shí)別。應(yīng)用SVM方法綜合考慮儲(chǔ)層的巖性、物性和裂縫特征等多種因素建立裂縫識(shí)別模型，可以提高裂縫測(cè)井解釋精度。因此，當(dāng)描述一個(gè)研究目標(biāo)與多個(gè)相關(guān)地質(zhì)因素的復(fù)雜關(guān)系時(shí)，應(yīng)提倡采用SVM，而MRA作為輔助應(yīng)用。

［1］ 周 文.裂縫性油氣儲(chǔ)集層評(píng)價(jià)方法［M］.成都：四川科學(xué)技術(shù)出版社，1998.

［2］ 陳鋼花，毛克宇，等.利用地層微電阻率成像測(cè)井識(shí)別裂縫［J］.測(cè)井技術(shù)，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(guó)強(qiáng)，劉士榮，俞金壽.支持向量機(jī)及其在函數(shù)逼近中的應(yīng)用［J］.華東理工大學(xué)學(xué)報(bào)，2002，28（5）：555－559.

［5］ 樂(lè)友善，袁全社.支持向量機(jī)方法在儲(chǔ)層預(yù)測(cè)中的應(yīng)用［J］.石油物探，2005，44（4）：388－392.

［6］ 彭 濤，張 翔.支持向量機(jī)及其在石油勘探開(kāi)發(fā)中的應(yīng)用綜述［J］.勘探地球物理進(jìn)展，2007，30（2）：91－95.

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

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

［9］ 石廣仁.支持向量機(jī)在裂縫預(yù)測(cè)及含氣性評(píng)價(jià)應(yīng)用中的優(yōu)越性［J］.石油勘探與開(kāi)發(fā)，2008，35（5）：588－594.