苗 濤，王鳳琴，高利軍，喬林勝，段濤濤

（1.西安石油大學，陜西西安700065；2.全國石油石化行業(yè)致密油氣地質重點實驗室，陜西西安700065；3.延長氣田采氣二廠，陜西靖邊718500）

隨著我國油氣勘探開發(fā)事業(yè)的發(fā)展，各油氣田普遍出現(xiàn)含水率、開采和挖潛等方面的問題，老油田的油氣資源再開發(fā)成為今后油氣勘探開發(fā)的熱點問題之一［1］。近年來，克拉瑪依油田某井區(qū)八道灣組油藏產液量及產油量均急速下降，開采效果差，單井日產量遞減，綜合含水率高等問題突出［2］。該油藏巖性復雜，非均質性強，其巖性控制著儲層物性與含油性，從而影響著剩余油藏分布規(guī)律。因此，巖性的準確識別成為剩余油藏儲層特征研究的基礎，對指導油氣開發(fā)部署極為重要。

測井資料能夠連續(xù)、精細和原位反映地層地球物理性質，不同類型的碎屑巖在物性上存在許多差異，從而可以通過利用多種測井信息來區(qū)分碎屑巖的各種巖性［3-4］。本文基于常規(guī)測井曲線，利用測井交會圖技術建立克拉瑪依油田某井區(qū)八道灣組油藏巖性識別圖版，針對該圖版中巖性存在重疊區(qū)域導致巖性識別不準確的問題，利用數(shù)據挖掘技術計算出各測井參數(shù)在巖性識別模型中的權重大小，確定測井參數(shù)對巖性變化的敏感性，再通過建立巖性敏感性較強參數(shù)的巖性識別圖版，優(yōu)選出原狀地層電阻率、中子孔隙和聲波時差為主要巖性敏感參數(shù)，據此建立RT-lg（CNL×AC）巖性識別圖版。

1 八道灣組油藏儲層巖性及含油性

克拉瑪依油田某井區(qū)J1b4+5油藏具有巖性復雜、強非均質性的特點，依靠常規(guī)測井數(shù)據很難將所有巖性進行有效識別，而利用測井交會圖技術建立的普通巖性識別圖版由于巖性存在重疊區(qū)域，導致巖性識別精度對剩余油氣資源分布特征的研究無明顯幫助。因此，出于地質應用、剩余油藏儲層特征研究和剩余油氣儲量計算需求，利用數(shù)據挖掘法建立碎屑巖巖性識別圖版對該區(qū)巖性進行有效識別。

通過對研究區(qū)5 口取心井（T88724、T88836、T88959、T8815、J591）的巖心進行精細觀察，結合薄片鑒定和分析化驗等資料分析表明，研究區(qū)八道灣組油藏儲層巖性可分為泥巖、粉砂巖、細砂巖、中砂巖、粗砂巖、砂礫巖和礫巖等7 類，其中主要以細砂巖、中砂巖、粗砂巖、砂礫巖和礫巖為主；且不同巖性儲層的含油性變化也較大，其中主要含油巖性以中細砂巖、粗砂巖和部分砂礫巖為主（見圖1）。

2 數(shù)據挖掘法優(yōu)選敏感性參數(shù)

數(shù)據挖掘是指從一系列無規(guī)律的數(shù)據中，尋找隱藏在其中對我們研究有用的信息和知識的過程。其過程一般是通過將數(shù)據運行相應的數(shù)據挖掘算法，得到相應的模型、模式、規(guī)則或其他結果［5］。本次研究是利用決策樹算法構建巖性識別模型。決策樹算法最早起源于20 世紀60 年代的機器學習系統(tǒng)CLS［6］，經過多年發(fā)展，日趨成熟，目前經典的有CART［7］、ID3［8］、SLIQ［9］和C5.0［10］等。

C5.0 決策樹方法是目前分類預測、數(shù)據挖掘最有效的方法之一。它是在ID3 算法基礎上的改進版，主要是利用一系列規(guī)則成分建立樹狀圖，進行分類和預測的一種方法。其核心思想是：檢測樣本數(shù)據的所有屬性，計算在各個屬性值上得到的信息增益率，從中選擇獲得最大信息增益率的屬性建立分支節(jié)點，然后從該節(jié)點出發(fā)，為該屬性各不同的取值建立相應的子節(jié)點，再釆用遞歸方式為每個子節(jié)點建立下一級分支，直到所有節(jié)點僅包含相同類別的數(shù)據樣本為止，最后通過一定的規(guī)則剔除由噪聲數(shù)據產生的分支，從而使得計算結果更加真實［5］。

本研究將碎屑巖巖性作為樣品，將巖性對應的原狀地層電阻率、中子孔隙度、密度、聲波時差、自然伽馬和自然電位等測井數(shù)據作為巖性樣品的屬性，通過運行C5.0 決策樹算法計算得到巖性識別規(guī)則和各巖性識別參數(shù)的權重（見圖2）。

據圖2 分析表明，研究區(qū)對巖性變化最敏感的參數(shù)是原狀地層電阻率，中子孔隙度和密度次之，聲波時差和自然伽馬的敏感性不如電阻率和中子孔隙度好，自然電位對巖性的敏感性最低。

3 碎屑巖巖性識別圖版建立

依據數(shù)據挖掘法確定的參數(shù)相對敏感性大小，制作研究區(qū)各個巖性敏感參數(shù)的交會圖并進行分析評價。

3.1 RT－CNL巖性識別圖版

原始地層電阻率和中子孔隙度是對巖性敏感性最大的兩個參數(shù)，分別繪制J1b4和J1b5的RT－CNL巖性識別圖版（見圖3）。

通過對圖的分析表明，RT－CNL 圖版可以準確區(qū)分泥巖（A）、粉砂巖（B）、礫巖（F）和鈣質夾層（G）等巖性，而主要含油巖性的中細砂巖（C）、粗砂巖（D）和砂礫巖（E）相互重疊，無法用此圖版識別。整體上說，J1b4層粒度較細，相同巖性的電性識別標準相對于J1b5層要低一些，煤層（見圖3b H）測井響應特征明顯，特高阻、中子和聲波較大，而鈣質夾層（G）表現(xiàn)為高阻、中子和聲波較小，兩種巖性比較容易區(qū)分。

圖3 RT-CNL巖性識別圖版

3.2 AC－DEN巖性識別圖版

AC－DEN 巖性識別圖版是常用的巖性識別圖版，其識別效果明顯不如RT－CNL 圖版，主要因為密度曲線對巖性不是很敏感，使得泥巖、粉砂巖、中細砂巖和粗砂巖等巖性在圖4a 中C、D 區(qū)域和圖4b中B、C、D區(qū)域重疊嚴重，無法有效區(qū)分巖性。

圖4 AC-DEN巖性識別圖版

3.3 RT－GR巖性識別圖版

RT－GR 巖性識別圖版也常用于碎屑巖的巖性識別。

由于研究區(qū)八道灣組礫巖沉積物離物源區(qū)近，搬運距離短，其分選和磨圓都比較差，放射性礦物含量比較多，因此，自然伽馬曲線對巖性不是很敏感，導致粗砂巖與中細砂巖和砂礫巖在圖中C、D 區(qū)重合（見圖5）。

圖5 RT-GR巖性識別圖版

3.4 RT-lg（CNL×AC）巖性識別圖版

綜上所述，原狀地層電阻率、中子孔隙和聲波時差為研究區(qū)八道灣組（J1b4+5）主要巖性敏感參數(shù)，為了將各參數(shù)中蘊含的巖性信息最大程度地加以利用，提高巖性交會圖版的識別精度，構造巖性識別參數(shù)RT和lg（CNL×AC）。

通過對比研究J1b4和J1b5各個小層巖性識別參數(shù)（見表1），發(fā)現(xiàn)J1b4和J1b5巖性識別標準除粗砂巖、砂礫巖和礫巖的RT 參數(shù)有小幅差異外，其余基本一致。該圖版能較好地區(qū)分泥巖、粉砂巖、中細砂巖、粗砂巖、砂礫巖、礫巖、煤層和鈣質夾層等巖性（見圖6）。

通過將鏡下薄片所識別的各巖性及含油性變化投影到J1b5RT-lg（CNL×AC）圖版的對應位置，不難發(fā)現(xiàn)不同含油性及不同粒度的砂巖其儲層電阻率存在明顯差異，分別按照油跡、油斑、油浸、富含油及中細砂巖、粗砂巖、砂礫巖、礫巖兩個序列，儲層電阻率整體呈變大趨勢（見圖7）。

表1 J1b4+5RT-lg（CNL×AC）巖性識別圖版識別標準對比

圖6 RT-lg（CNL×AC）巖性識別圖版

圖7 J1b5RT－lg（CNL×AC）巖性識別圖版分析

4 應用效果分析

根據應用數(shù)據挖掘法后的巖性識別圖版，對研究區(qū)5口取心井巖性進行了重新解釋。對比巖心觀察結果，本次巖性識別結果較普通巖性識別圖版巖性識別更加細化且準確，識別精度達到92.4%（見表2、圖8）。

應用數(shù)據挖掘法后的巖性識別圖版巖性識別結果與巖心描述吻合程度高，尤其對薄層的識別效果更佳，連煤層也可以準確識別；由于綜合了多條測井曲線信息，識別模型可以很好地揭示砂體內部的沉積目次。如圖8 所示，普通巖性識別圖版對A段、E 段分別識別為砂礫巖和泥巖，而應用RT-lg（CNL×AC）圖版分別識別為鈣質夾層和煤層。

表2 普通巖性識別圖版與數(shù)據挖掘巖性識別圖版解釋對比

圖8 T8815井普通巖性識別圖版與數(shù)據挖掘巖性識別圖版巖性解釋結果對比

5 結論

通過數(shù)據挖掘法的應用，確定了克拉瑪依某井區(qū)八道灣油藏儲層的巖性敏感參數(shù)，依據所選取的巖性敏感參數(shù)繪制各參數(shù)巖性交會圖版并進行對比研究，最終確定巖性識別參數(shù)RT 和lg（CNL×AC）的巖性識別圖版。經驗證，巖性識別結果與巖心描述吻合程度較高，且本次建立的圖版巖性識別精度較普通巖性識別圖版識別精度提高，有效提升了碎屑巖巖性識別圖版的準確性。