孫欽帥 宋延杰 唐曉敏

1. 中海油田服務(wù)股份有限公司, 河北 廊坊 065201;2. 東北石油大學(xué)地球科學(xué)學(xué)院, 黑龍江 大慶 163000

0 前言

基巖一直是遼河凹陷重要的勘探領(lǐng)域之一。“十一五”以來,通過深化勘探,興隆臺(tái)、高升、中央凸起等領(lǐng)域取得了多項(xiàng)重大發(fā)現(xiàn)與突破,為近十幾年遼河油田增儲(chǔ)穩(wěn)產(chǎn)提供了重要的支撐點(diǎn)[1-3]。其間發(fā)現(xiàn)的含油氣層系遍及太古界、中上元古界、古生界、中生界等前古近系各個(gè)層系,巖性包括不同變質(zhì)程度的變質(zhì)巖(混合花崗巖、石英巖、板巖、片麻巖等)、砂礫巖、巖漿巖、碳酸鹽巖等[4-7]。

近十幾年來,變質(zhì)巖潛山已成為遼河凹陷油氣勘探的重要開發(fā)領(lǐng)域,變質(zhì)巖潛山儲(chǔ)集層儲(chǔ)集空間類型多樣,包括風(fēng)化淋濾孔(縫)、構(gòu)造裂縫和礦物顆粒晶內(nèi)裂縫等[8-11],且變質(zhì)巖巖性直接或間接影響著裂縫發(fā)育狀況和溶蝕作用等原生因素,因此研究區(qū)層位的巖性識(shí)別和預(yù)測(cè)任務(wù)對(duì)于下一步的儲(chǔ)層預(yù)測(cè)與評(píng)價(jià)有極其重要的意義。本次研究通過對(duì)X潛山變質(zhì)巖類測(cè)井響應(yīng)機(jī)理分析,優(yōu)選了對(duì)變質(zhì)巖敏感的響應(yīng)參數(shù),建立了巖性識(shí)別圖版,同時(shí)利用決策樹(Decision Tree,DT)模型與支持向量機(jī)(A Library for Support Vector Machines,LIBSVM)模型對(duì)巖性進(jìn)行了判別,建立了變質(zhì)巖定性識(shí)別模型,以期為研究區(qū)變質(zhì)巖巖性識(shí)別提供參考依據(jù)。

1 變質(zhì)巖測(cè)井響應(yīng)機(jī)理分析

變質(zhì)巖的測(cè)井響應(yīng)主要是指巖性(化學(xué)成分、礦物成分)、物性和含油氣性的綜合響應(yīng)[12]。X潛山變質(zhì)巖的主要造巖礦物按顏色和化學(xué)成分大體可分成兩類:一類主要礦物成分為堿性長(zhǎng)石類、斜長(zhǎng)石類及石英的淺色礦物系列,其測(cè)井特征值普遍表現(xiàn)為相對(duì)低密度、低中子、低光電吸收截面指數(shù),且具有較高的自然伽馬值；另一類主要礦物成分為角閃石、黑云母、輝石的暗色礦物系列,這類礦物的密度較高,同時(shí)因角閃石、黑云母等暗色礦物中含有較多的結(jié)晶水或結(jié)構(gòu)水,礦物中氫元素含量高,中子孔隙度較高,自然伽馬值較低。因此,根據(jù)主要造巖礦物組成和含量以及礦物的物理性質(zhì),可知混合花崗巖、混合片麻巖、片麻巖、角閃巖的密度和中子值依次增大,混合花崗巖、混合片麻巖、片麻巖的自然伽馬為高值,角閃巖的自然伽馬為低值。

由于混合花崗巖、混合片麻巖、片麻巖、角閃巖的密度和中子響應(yīng)不同,因此,混合花崗巖、混合片麻巖、片麻巖、角閃巖的視石灰?guī)r刻度的中子密度孔隙度差值也應(yīng)不同。這里從理論上分析混合花崗巖、混合片麻巖、片麻巖、角閃巖的視石灰?guī)r刻度的中子密度孔隙度差值變化情況。

X=φD-φN

(1)

對(duì)于純巖石,巖石的密度和中子測(cè)井響應(yīng)為:

(2)

圖1為理論模擬的混合花崗巖、混合片麻巖、片麻巖、角閃巖的視石灰?guī)r刻度的中子密度孔隙度差值與孔隙度值交會(huì)圖。為了更接近研究區(qū)真實(shí)的物性條件,圖2為孔隙度5%時(shí),理論模擬的混合花崗巖、混合片麻巖、片麻巖、角閃巖視石灰?guī)r刻度的中子密度孔隙度差值曲線圖。從圖2可以看出,混合花崗巖、混合片麻巖、片麻巖、角閃巖的中子密度孔隙度差值具有一定差異。

圖1 變質(zhì)巖中子密度孔隙度差值與孔隙度模擬圖Fig.1 Simulation diagram of PDNC and porosityof metamorphic rocks

圖2 變質(zhì)巖巖性剖面中子密度孔隙度差值響應(yīng)模擬圖(孔隙度5%)Fig.2 XPDNC response simulation diagram of lithologic profileof metamorphic rock(The porosity is 5%)

2 變質(zhì)巖巖性識(shí)別方法

2.1 變質(zhì)巖類交會(huì)圖版及識(shí)別標(biāo)準(zhǔn)

基于變質(zhì)巖測(cè)井響應(yīng)機(jī)理分析,優(yōu)選出自然伽馬曲線及視石灰?guī)r刻度的中子密度孔隙度差值曲線作為敏感響應(yīng)曲線,利用X潛山14口井212個(gè)巖層的測(cè)井?dāng)?shù)據(jù),建立的變質(zhì)巖中子密度孔隙度差值—自然伽馬巖性識(shí)別圖版見圖3,圖版精度為86.8%,并給出了其巖性判別標(biāo)準(zhǔn)見表1。

圖3 變質(zhì)巖中子密度孔隙度差值—自然伽馬識(shí)別圖版Fig.3 XPDNC-GR identification chart of metamorphic rocks

表1 變質(zhì)巖巖性判別標(biāo)準(zhǔn)表

2.2 DT模型

DT模型作為一種經(jīng)典的數(shù)據(jù)挖掘分類算法,因其具有優(yōu)秀的非線性分類能力和簡(jiǎn)單易懂的分析原理及結(jié)果在地質(zhì)勘探領(lǐng)域得到了廣泛應(yīng)用[13-14]。通常DT模型的建立包括建樹和剪枝兩步。建樹階段常用算法包括ID3、C4.5、CART、QUEST和CHAID。各種算法在學(xué)習(xí)過程中為了盡可能正確地對(duì)樣本集進(jìn)行分類,需要不停對(duì)節(jié)點(diǎn)進(jìn)行劃分,結(jié)果就是整棵樹分支過多,即導(dǎo)致了過擬合現(xiàn)象。剪枝的目的就是為了避免DT模型的過擬合,常用的方法包括預(yù)剪枝和后剪枝:預(yù)剪枝就是在DT模型構(gòu)造過程中,先對(duì)每個(gè)節(jié)點(diǎn)在劃分前進(jìn)行估計(jì),若當(dāng)前節(jié)點(diǎn)的劃分不能帶來模型泛化性能的提升,那么就不對(duì)該節(jié)點(diǎn)進(jìn)行劃分并將其標(biāo)記為葉節(jié)點(diǎn);后剪枝就是先把整棵DT模型構(gòu)造完畢,然后自下向上對(duì)每個(gè)非葉節(jié)點(diǎn)進(jìn)行考察,若將該節(jié)點(diǎn)對(duì)應(yīng)的子樹換為葉節(jié)點(diǎn)能夠帶來泛化性能的提升,則把該節(jié)點(diǎn)替換為葉節(jié)點(diǎn)。

測(cè)井參數(shù)的選擇對(duì)于測(cè)井巖性識(shí)別的準(zhǔn)確率具有很重要的影響,基于測(cè)井響應(yīng)機(jī)理分析結(jié)果,選取對(duì)變質(zhì)巖反應(yīng)靈敏的自然伽馬、經(jīng)井徑校正后的補(bǔ)償中子、補(bǔ)償密度及視石灰?guī)r刻度的中子密度孔隙度差值作為測(cè)井參數(shù),混合花崗巖、混合片麻巖、片麻巖、角閃巖巖性標(biāo)簽分別用1、2、3、4代表,選取X潛山14口井212個(gè)巖層的測(cè)井參數(shù)為樣本集,并隨機(jī)抽取160個(gè)測(cè)井參數(shù)樣本作為訓(xùn)練集,剩余樣本作為測(cè)試集。利用訓(xùn)練集進(jìn)行建樹階段,采用了C4.5算法及后剪枝方法,最終得到了基于DT模型的巖性分類器,見圖4。其重采樣誤差為0.057,交叉驗(yàn)證誤差為0.138 4。利用建好的DT模型對(duì)52個(gè)測(cè)試集樣本進(jìn)行了仿真測(cè)試,預(yù)測(cè)類別與真實(shí)類別對(duì)比結(jié)果,符合率為86.54%,見圖5。利用模型對(duì)整個(gè)樣本集判別,其符合率為92.0%。

圖4 變質(zhì)巖巖性識(shí)別DT模型圖Fig.4 Decision tree model for lithology identification ofmetamorphic rocks

圖5 DT模型測(cè)試集預(yù)測(cè)結(jié)果圖Fig.5 The prediction results of the test set of the decisiontree model

2.3 LIBSVM模型

LIBSVM作為一種有監(jiān)督的機(jī)器學(xué)習(xí)方法,具有極優(yōu)的分類能力[15-20],常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、Sigmoid核函數(shù)和徑向基(Radital Basis Function,RBF)核函數(shù)。其中,RBF核函數(shù)能夠?qū)崿F(xiàn)非線性映射且參數(shù)相對(duì)較少,穩(wěn)健性明顯高于其他核函數(shù),這在測(cè)井巖性識(shí)別時(shí)優(yōu)勢(shì)明顯。對(duì)于多分類問題,LIBSVM將其轉(zhuǎn)換成二分類問題,常用的方法有一對(duì)多和一對(duì)一。一對(duì)多方法中,訓(xùn)練時(shí)把k類樣本中某一個(gè)歸為一類,其余歸為一類,使用二分類的LIBSVM訓(xùn)練出一個(gè)二分類器,同理遍歷每一個(gè)樣本使其自己為一類,其余樣本為另一類,這樣最終就會(huì)得到k個(gè)二分類器組成k分類器。對(duì)未知樣本分類時(shí),分別用k個(gè)二分類器進(jìn)行分類,將分類結(jié)果出現(xiàn)最多的類別最為最終的分類結(jié)果。對(duì)于一對(duì)一方法,訓(xùn)練時(shí)任意兩類樣本都會(huì)得到一個(gè)二分類器,最終得到k×(k-1)/2個(gè)二分類器共同組成k分類器。對(duì)未知樣本分類時(shí),使用k×(k-1)/2個(gè)二分類器進(jìn)行分類,將出現(xiàn)最多的那個(gè)類別作為這個(gè)樣本的最終分類結(jié)果。下面是基于LIBSVM模型的巖性定性識(shí)別步驟。

1)模型測(cè)井參數(shù)的選取。選取對(duì)變質(zhì)巖反應(yīng)靈敏的自然伽馬、經(jīng)井徑校正后的補(bǔ)償中子、補(bǔ)償密度及視石灰?guī)r刻度的中子密度孔隙度差值作為測(cè)井參數(shù),混合花崗巖、混合片麻巖、片麻巖、角閃巖巖性標(biāo)簽分別用1、2、3、4代表。

2)樣本集的簡(jiǎn)單縮放。為了避免大數(shù)值區(qū)間的屬性過分支配小數(shù)值區(qū)間的屬性,將樣本集的每種屬性利用極差標(biāo)準(zhǔn)化的方法縮放到[-1,1]區(qū)間。

3)選用RBF核函數(shù)作為映射函數(shù)。由于樣本個(gè)數(shù)遠(yuǎn)大于測(cè)井參數(shù)個(gè)數(shù),且RBF核函數(shù)能實(shí)現(xiàn)非線性映射且比多項(xiàng)式核函數(shù)參數(shù)少,可以降低模型復(fù)雜程度、減小計(jì)算量同時(shí)縮短運(yùn)行時(shí)間,因此選用RBF核函數(shù)較為合適。

4)采用網(wǎng)格搜索及交叉驗(yàn)證方法求取最佳參數(shù)——誤差懲罰系數(shù)C與RBF核函數(shù)參數(shù)λ。為了評(píng)估統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)方法對(duì)獨(dú)立于練習(xí)數(shù)據(jù)的數(shù)據(jù)集的泛化能力,避免過擬合,采用網(wǎng)格搜索及5折交叉驗(yàn)證的方法得到滿足精度要求的一組最佳參數(shù)為C=42.22,λ=1。

6)對(duì)測(cè)試集進(jìn)行模型仿真測(cè)試。利用建立的LIBSVM模型對(duì)測(cè)試集數(shù)據(jù)進(jìn)行了測(cè)試,測(cè)試集樣本的分類正確率為84.615%,均方根誤差為0.153 8,平方相關(guān)系數(shù)為0.765 5,見圖6。

圖6 LIBSVM模型測(cè)試集預(yù)測(cè)結(jié)果圖Fig.6 The prediction results of the test set of theLIBSVM model

3 應(yīng)用效果分析

利用圖版法、DT模型及LIBSVM模型對(duì)hg1井太古界巖性進(jìn)行了識(shí)別,見圖7。第八道為圖版法識(shí)別巖性,第九道為DT模型識(shí)別巖性,第十道為L(zhǎng)IBSVM識(shí)別巖性,第十一道為由鉆井取心和錄井分析得出的實(shí)際巖性。在2 497.0～2 515.4 m、2 515.4～2 529.4 m、2 532.4～2 541.3 m、2 561.8～2 564.2 m、2 564.2～2 568.5 m、2 568.5～2 580.1 m井段3種方法識(shí)別巖性均與實(shí)際巖性一致。在2 529.4～2 532.4 m井段,圖版法與DT模型識(shí)別巖性均為混合片麻巖,LIBSVM模型識(shí)別為片麻巖,實(shí)際巖性為片麻巖。在2 541.3～2 558.6 m井段,圖版法與LIBSVM模型識(shí)別巖性均為混合片麻巖,DT模型識(shí)別為片麻巖,實(shí)際巖性為片麻巖。在2 558.6～2 561.8 m井段,圖版法識(shí)別巖性為混合片麻巖,DT模型與LIBSVM模型識(shí)別巖性均為混合花崗巖,實(shí)際巖性為混合花崗巖。DT模型與LIBSVM模型識(shí)別符合率均為88.89%,圖版法識(shí)別符合率為66.67%。識(shí)別結(jié)果表明DT模型及LIBSVM模型對(duì)研究區(qū)變質(zhì)巖巖性判別具有一定的可靠性與適用性,在缺少鉆井取心資料的深度段可以有效進(jìn)行變質(zhì)巖巖性識(shí)別。

圖7 三種巖性識(shí)別方法應(yīng)用效果對(duì)比圖Fig.7 Comparison of application effects of three lithology identification methods

4 結(jié)論

1)基于錄井巖性、巖石薄片及測(cè)井響應(yīng)特征將研究區(qū)變質(zhì)巖類歸為了混合花崗巖、混合片麻巖、片麻巖及角閃巖4類,通過測(cè)井響應(yīng)機(jī)理分析,構(gòu)造了視石灰?guī)r刻度的中子密度孔隙度差值這一組合參數(shù),并優(yōu)選出了變質(zhì)巖的敏感測(cè)井響應(yīng)為補(bǔ)償中子、補(bǔ)償密度、自然伽馬、中子密度孔隙度差值。

2)在變質(zhì)巖類敏感測(cè)井響應(yīng)優(yōu)選基礎(chǔ)之上,建立了中子密度孔隙度差值—自然伽馬巖性識(shí)別圖版及其識(shí)別標(biāo)準(zhǔn),基于C4.5算法及后剪枝方法建立了變質(zhì)巖識(shí)別DT模型,給出了變質(zhì)巖識(shí)別樹狀結(jié)構(gòu)圖。以RBF核函數(shù)為映射函數(shù),采用網(wǎng)格搜索方法優(yōu)化了誤差懲罰系數(shù)C與RBF核函數(shù)參數(shù)λ,進(jìn)而建立了變質(zhì)巖識(shí)別LIBSVM模型,DT模型與LIBSVM模型精度均高于圖版法精度。

3)分別利用圖版法、DT模型及LIBSVM模型對(duì)研究區(qū)單井進(jìn)行巖性識(shí)別,并與鉆井取心巖性進(jìn)行對(duì)比,結(jié)果表明DT模型與LIBSVM模型分類能力更優(yōu),符合率也更高。與圖版法相比,DT模型與LIBSVM模型避免了人為性,保證準(zhǔn)確率的同時(shí)增加了可操作性,具有廣闊的應(yīng)用空間。