韓玉嬌

（1.頁(yè)巖油氣富集機(jī)理與有效開(kāi)發(fā)國(guó)家重點(diǎn)實(shí)驗(yàn)室, 北京 102206；2.中國(guó)石化石油工程技術(shù)研究院, 北京 102206）

隨著勘探開(kāi)發(fā)對(duì)象日益復(fù)雜，鉆遇復(fù)雜儲(chǔ)層的概率增大，油（氣）水關(guān)系復(fù)雜程度日益升高，流體準(zhǔn)確識(shí)別難度不斷增大[1–2]。核磁共振測(cè)井、成像測(cè)井等特殊測(cè)井技術(shù)能夠提供更豐富的參數(shù)信息，有利于流體識(shí)別，但考慮到勘探成本，特殊測(cè)井技術(shù)尚不能廣泛應(yīng)用于生產(chǎn)，基于常規(guī)測(cè)井資料評(píng)價(jià)流體性質(zhì)仍然是研究熱點(diǎn)[3–5]。此外，復(fù)雜儲(chǔ)層通常巖性多變、孔隙結(jié)構(gòu)復(fù)雜，同時(shí)伴有較強(qiáng)的非均質(zhì)性，導(dǎo)致常規(guī)測(cè)井?dāng)?shù)據(jù)受多因素影響，其響應(yīng)特征與流體性質(zhì)之間存在多解性[5]。對(duì)于復(fù)雜儲(chǔ)層，傳統(tǒng)解釋方法建立的流體線性識(shí)別模型通常識(shí)別準(zhǔn)確率較低，難以滿足生產(chǎn)需要。在實(shí)際評(píng)價(jià)過(guò)程中，為提高流體識(shí)別的準(zhǔn)確率，常需要對(duì)大量數(shù)據(jù)進(jìn)行深入分析，建立多類圖版[5–8]，但該方法解釋效率低、主觀性強(qiáng)，且專業(yè)背景門檻高。

近年來(lái)，人工智能興起，為解決此類問(wèn)題提供了新思路。相比于傳統(tǒng)測(cè)井評(píng)價(jià)方法，人工智能具有處理數(shù)據(jù)信息量大、維度多、重視數(shù)據(jù)間關(guān)聯(lián)性，可實(shí)時(shí)高效交互動(dòng)態(tài)分析，同時(shí)保留測(cè)井專家的解釋經(jīng)驗(yàn)等優(yōu)勢(shì)。因此，機(jī)器學(xué)習(xí)逐漸成為儲(chǔ)層評(píng)價(jià)研究的熱點(diǎn)[9–11]。周雪晴等人[12]應(yīng)用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bi-LSTM）建立了碳酸鹽巖儲(chǔ)層流體高精度識(shí)別模型。張銀德等人[13]結(jié)合測(cè)井和試采資料，利用支持向量機(jī)方法準(zhǔn)確識(shí)別了油、氣和水層。C.Onwuchekwa[14]對(duì)比了K臨近、隨機(jī)森林、支持向量機(jī)等6種智能算法在尼日爾三角洲296個(gè)油藏流體性質(zhì)評(píng)估中的應(yīng)用效果。王少龍等人[15]實(shí)現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)在儲(chǔ)層流體中的信息自動(dòng)化識(shí)別。周凡等人[16]采用支持向量機(jī)算法，建立了基于陣列感應(yīng)測(cè)井?dāng)?shù)據(jù)的流體識(shí)別方法。譚茂金等人[17]采用了BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、決策樹(shù)分類器等多種智能算法構(gòu)建了分類委員會(huì)機(jī)器和回歸委員會(huì)機(jī)器，實(shí)現(xiàn)了儲(chǔ)層流體的識(shí)別和儲(chǔ)層參數(shù)的預(yù)測(cè)。上述方法在不同研究區(qū)具有一定的應(yīng)用效果，但仍存在一定的局限性：在分類較多時(shí)，決策樹(shù)法的錯(cuò)誤率較高；神經(jīng)網(wǎng)絡(luò)方法中常用的是BP網(wǎng)絡(luò)，但對(duì)于最優(yōu)參數(shù)和最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的確定尚無(wú)十分有效的解決方法，如果訓(xùn)練樣本過(guò)少，容易出現(xiàn)過(guò)擬合問(wèn)題，導(dǎo)致準(zhǔn)確率下降；支持向量機(jī)算法在實(shí)際應(yīng)用中，經(jīng)常遇到不平衡數(shù)據(jù)集或高精度要求等問(wèn)題[18]。

因此，為更全面地挖掘?qū)W習(xí)算法能力，保證穩(wěn)定的學(xué)習(xí)性能，筆者以大牛地氣田低阻氣藏這一具有代表性的復(fù)雜儲(chǔ)層為研究對(duì)象，將AdaBoost（adaptive boosting）算法應(yīng)用于低阻氣層的流體評(píng)價(jià)中，基于地質(zhì)成因優(yōu)化了模型輸入?yún)?shù)，對(duì)不同基本分類器集成的機(jī)器學(xué)習(xí)算法進(jìn)行了評(píng)價(jià)和優(yōu)選，以提高復(fù)雜儲(chǔ)層流體識(shí)別的準(zhǔn)確率和解釋效率。

1 方法原理

AdaBoost算法屬boosting算法族，其預(yù)測(cè)精準(zhǔn)、算法簡(jiǎn)單，在諸多領(lǐng)域都有成功應(yīng)用，尤其在處理分類問(wèn)題和模式識(shí)別方面更為突出[19–21]。其核心思想是通過(guò)調(diào)整樣本分布和弱分類器權(quán)值，自動(dòng)從弱分類器空間中篩選出若干關(guān)鍵弱分類器，集成為一個(gè)分類精度高的強(qiáng)分類器，從而打破分類器在已有樣本分布上的優(yōu)勢(shì)，提高機(jī)器學(xué)習(xí)的泛化能力。

AdaBoost算法迭代通過(guò)改變訓(xùn)練集中各樣本的權(quán)重實(shí)現(xiàn)，根據(jù)每次訓(xùn)練集中各樣本是否分類正確及上次總體分類的準(zhǔn)確率，綜合確定各樣本的權(quán)重，將修改過(guò)權(quán)重的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，并將每次訓(xùn)練所得分類器融合起來(lái)，形成最終的決策分類器（見(jiàn)圖1）。 其具體流程如下：

圖1 Adaboost算法基本思路Fig.1 Basic flow of the AdaBoost algorithm

1）確定一個(gè)弱學(xué)習(xí)算法和訓(xùn)練集：{(x1，y1)，…，(xn，yn)}，x1∈X，y1∈Y={?1,+1}，X和Y表示某個(gè)域或?qū)嵗臻g。

2）初始化樣本訓(xùn)練集的權(quán)重分布。賦予各訓(xùn)練樣本相同的初始權(quán)重，即wi=1/n，則樣本集的初始權(quán)重分布為：

式中：D1為訓(xùn)練樣本集的初始權(quán)重；w1,w2，…，wn分別為每一個(gè)樣本的初始權(quán)重；n為訓(xùn)練集樣本數(shù)量。

3）使用帶權(quán)重的樣本訓(xùn)練集學(xué)習(xí)，選取使誤差率最低的閾值設(shè)計(jì)基本分類器，得到基本分類器hm(x)：

樣本訓(xùn)練集的分類誤差率為：

4）弱分類器的權(quán)重為：

式中：Lr為學(xué)習(xí)率；R為分類數(shù)量。

弱分類器的誤差率越低，權(quán)重就會(huì)越大。

5）更新樣本的權(quán)重：

其中，ZT為歸一化因子，其計(jì)算公式為：

采用F條件代表弱分類器的預(yù)測(cè)結(jié)果。如預(yù)測(cè)值和真實(shí)值相同，即預(yù)測(cè)正確，則F=0，代入式（6）后權(quán)重相對(duì)變小或不變。如預(yù)測(cè)值和真實(shí)值不同，則預(yù)測(cè)錯(cuò)誤，此時(shí)F=1，代入式（6）后權(quán)重增大。因此，可根據(jù)樣本權(quán)重判斷預(yù)測(cè)結(jié)果的準(zhǔn)確性，若樣本權(quán)重增大，則弱分類器預(yù)測(cè)錯(cuò)誤，此樣本需要被其他弱分類器重點(diǎn)關(guān)注。

6）將所有弱分類器用下式加權(quán)求和：

得到最終分類器為：

式中：T為迭代次數(shù)；αm為弱分類器的權(quán)重。

2 流體識(shí)別難點(diǎn)及主控因素

大牛地氣田位于鄂爾多斯盆地伊陜斜坡北部東段，局部構(gòu)造不發(fā)育，氣田中高阻氣層與低阻氣層并存，其中低阻氣藏在上古生界廣泛發(fā)育[22–23]。上古生界典型流體參數(shù)見(jiàn)表1。從表1可以看出，水層電阻率分布在14.37～17.92 Ω·m，電阻增大率為0.96～1.23。低阻氣層電阻率為 26.84～30.37 Ω·m，電阻增大率為1.79～2.02，其不足水層電阻增大率的3倍。大量試氣結(jié)果表明，低阻氣層也可形成高產(chǎn)，如2 526～2556 m 井段，試氣無(wú)阻流量為 27 000 m3/d，不產(chǎn)水，顯示出良好的產(chǎn)能。

表1 大牛地氣田上古生界典型流體參數(shù)Table 1 Typical fluid parameters of the Upper Paleozoic in Daniudi Gas Field

上古生界不同流體儲(chǔ)層的電阻率和聲波時(shí)差交會(huì)圖見(jiàn)圖2。由圖2可知，該區(qū)電性復(fù)雜，不同流體測(cè)井響應(yīng)差異不明顯，僅依靠傳統(tǒng)電阻率方法將低估或遺漏低阻氣層，難以準(zhǔn)確識(shí)別流體。

圖2 大牛地氣田上古生界流體識(shí)別交會(huì)圖Fig.2 Cross plot for fluid identification of the Upper Paleozoic in Daniudi Gas Field

考慮到訓(xùn)練數(shù)據(jù)對(duì)智能模型的評(píng)價(jià)效果有較大影響，首先對(duì)低阻氣層的成因進(jìn)行分析，選取對(duì)流體性質(zhì)敏感的參數(shù)作為訓(xùn)練樣本，優(yōu)化模型輸入?yún)?shù)。深入分析相關(guān)地質(zhì)、錄井、巖心及試油資料，得出大牛地氣田上古生界低阻氣層的主要成因?yàn)椋?/p>

1）儲(chǔ)層孔隙結(jié)構(gòu)復(fù)雜，相比于高阻氣層以大孔為主，低阻氣層微孔普遍較為發(fā)育導(dǎo)致束縛水飽和度增大，氣層電阻率降低，形成低阻氣層。

2）巖性變細(xì)、泥質(zhì)與黏土所產(chǎn)生的附加導(dǎo)電作用導(dǎo)致形成低阻氣層。

3）微裂縫發(fā)育導(dǎo)致鉆井液濾液侵入并驅(qū)替井壁附近巖石中的天然氣，使氣層電阻率明顯降低。

4）儲(chǔ)層沉積、成藏中后期地層水活動(dòng)，造成氣、水層礦化度差異，導(dǎo)致形成低阻氣層。

3 流體識(shí)別模型

3.1 訓(xùn)練集與測(cè)試樣本

孔隙結(jié)構(gòu)復(fù)雜、巖石顆粒粒度小等因素導(dǎo)致束縛水飽和度高，大量微孔導(dǎo)電，這是形成低阻氣層的主導(dǎo)因素。因此，將對(duì)低阻油藏流體識(shí)別敏感的束縛水飽和度參數(shù)作為模型輸入?yún)?shù)，可提高模型訓(xùn)練效果。對(duì)于導(dǎo)電礦物、鉆井液侵入等其他低阻成因，嘗試?yán)弥悄芩惴◤臏y(cè)井曲線中提取敏感參數(shù)，實(shí)現(xiàn)對(duì)流體更好的表征。結(jié)合核磁共振、壓汞和相滲等資料獲得了大牛地氣田上古生界束縛水飽和度，觀察其與孔隙度的交會(huì)圖（見(jiàn)圖3）可見(jiàn)，采用乘冪法的擬合趨勢(shì)較符合實(shí)際地層含油氣趨勢(shì)，擬合得到的經(jīng)驗(yàn)公式為：

圖3 大牛地氣田上古生界束縛水飽和度和孔隙度交會(huì)圖Fig.3 Cross plot of irreducible water saturation and porosity of the Upper Paleozoic in Daniudi Gas Field

式中：Swi為束縛水飽和度，%；?為孔隙度，%。

采用式（9）計(jì)算了研究區(qū)26口重點(diǎn)井的束縛水飽和度，選取與流體性質(zhì)相關(guān)性較高的5條測(cè)井曲線：自然伽馬（GR）、自然電位（SP）、聲波時(shí)差（AC）、密度（DEN）和深側(cè)向電阻率（RLLD）曲線和1個(gè)解釋參數(shù)（孔隙度（POR））作為模型輸入?yún)?shù)，共選取397個(gè)層累計(jì)10 342個(gè)樣本點(diǎn)，不同流體儲(chǔ)層測(cè)井響應(yīng)特征值分布見(jiàn)表2。

表2 4類儲(chǔ)層的常規(guī)測(cè)井響應(yīng)值分布Table 2 Distribution of conventional log response eigenvalues of four types of reservoirs

不同測(cè)井其特征取值范圍不同，如某一特征的方差遠(yuǎn)大于其他特征的方差，它將會(huì)在算法學(xué)習(xí)中占據(jù)主導(dǎo)位置，導(dǎo)致學(xué)習(xí)器不能按期望學(xué)習(xí)其他特征，這將導(dǎo)致最后模型收斂速度慢甚至不收斂，因此，需要對(duì)此類特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，處理公式為：

式中：x為特定測(cè)井特征值；Z為標(biāo)準(zhǔn)化后的測(cè)井特征值；μ為所有特征樣本的均值；σ為所有特征樣本的標(biāo)準(zhǔn)差。

經(jīng)處理后的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1。綜合專家解釋結(jié)論和試油試采結(jié)果，將中高阻氣層、低阻氣層、含氣水層和水層等4類儲(chǔ)層分別特征標(biāo)注為1、2、3和4。選取全部樣本的70%作為數(shù)據(jù)集建立流體識(shí)別模型，剩余30%作為驗(yàn)證集驗(yàn)證模型效果。

3.2 儲(chǔ)層流體識(shí)別模型與實(shí)例驗(yàn)證

AdaBoost模型主要對(duì)基本分類器進(jìn)行集成，結(jié)合不同基本分類器的原理差異，選取邏輯回歸、決策樹(shù)、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)4種基本分類器。利用數(shù)據(jù)集樣本對(duì)模型不斷迭代優(yōu)化，最終確定各監(jiān)督模型的最優(yōu)參數(shù)值（見(jiàn)表3）。

表3 4個(gè)監(jiān)督模型的重要參數(shù)和最優(yōu)參數(shù)值Table 3 Important parameters and their optimal values of four supervision models

采用預(yù)測(cè)準(zhǔn)確率和F1得分2參數(shù)評(píng)估算法模型效果。其中F1得分為精確率和召回率的調(diào)和平均，當(dāng)精確率和召回率發(fā)生沖突時(shí)，可利用F1得分綜合評(píng)價(jià)分類模型的效果。訓(xùn)練結(jié)束后，采用驗(yàn)證集數(shù)據(jù)驗(yàn)證模型效果，結(jié)果見(jiàn)圖4和表4所示。由圖4和表4可知，基于Adaboost算法將弱分類器聯(lián)級(jí)成強(qiáng)分類器，其預(yù)測(cè)準(zhǔn)確率較單一分類器有明顯提升。但基本分類器的選取對(duì)算法準(zhǔn)確率有較大影響，其中以決策樹(shù)為基本分類器集成的強(qiáng)分類器的預(yù)測(cè)準(zhǔn)確率達(dá)86.5%，預(yù)測(cè)效果最好，F(xiàn)1得分最高。

表4 不同模型的流體識(shí)別結(jié)果Table 4 Fluid identification results from different models

圖4 不同模型的預(yù)測(cè)準(zhǔn)確率與F1得分Fig.4 Prediction accuracy and F1 value of different models

以研究區(qū)X1井和X2井為例，說(shuō)明以決策樹(shù)為基本分類器的強(qiáng)分類器模型（AB-DT）的流體識(shí)別結(jié)果（見(jiàn)圖5）。X1井所示層段孔隙度為8%～15%，上部11號(hào)層電阻率均值約為90 Ω·m，為典型高阻氣層，智能模型識(shí)別和專家結(jié)論均為氣層；下部井段自然電位呈負(fù)異常，電阻率為30～40 Ω·m，為低阻–高孔儲(chǔ)層，12號(hào)、13號(hào)層束縛水飽和度均較高，約70%，智能模型識(shí)別結(jié)果為低阻氣層，試氣結(jié)果顯示不產(chǎn)水，產(chǎn)氣量為 14 200 m3/d，與智能模型識(shí)別結(jié)果一致。X2井所示層段孔隙度為5%～9%，物性相對(duì)較差，電阻率均值約 200 Ω·m，該井 2 771.0～2 786.0 m井段多層合試，產(chǎn)氣量 5 800 m3/d，產(chǎn)水量 23 000 m3/d。4號(hào)、5號(hào)層智能模型識(shí)別結(jié)果為含氣水層，與專家解釋結(jié)論和試油結(jié)果均較為一致，模型應(yīng)用效果較好。

圖5 最優(yōu)智能模型流體識(shí)別效果Fig.5 Fluid identification results from the optimal intelligent model

4 結(jié)論與建議

1）結(jié)合研究區(qū)儲(chǔ)層流體性質(zhì)識(shí)別難點(diǎn)與主控因素，優(yōu)化模型輸入?yún)?shù)，采用Adaboost迭代算法聯(lián)級(jí)弱分類器，可提高機(jī)器學(xué)習(xí)模型的預(yù)測(cè)準(zhǔn)確度。

2）針對(duì)大牛地氣田低阻氣藏流體識(shí)別問(wèn)題，以決策樹(shù)作為弱分類器集成的強(qiáng)分類器取得了最佳識(shí)別效果，平均識(shí)別準(zhǔn)確率高達(dá)86.5%，展現(xiàn)了機(jī)器學(xué)習(xí)等智能算法在提高儲(chǔ)層評(píng)價(jià)效率和解釋符合率方面的潛力。

3）目前測(cè)井行業(yè)的人工智能主要以數(shù)據(jù)為驅(qū)動(dòng)，在今后的研究中，除攻關(guān)算法外，還應(yīng)深入分析評(píng)價(jià)難題的成因機(jī)理，優(yōu)選模型輸入?yún)?shù)，同時(shí)加強(qiáng)測(cè)井知識(shí)圖譜和專家經(jīng)驗(yàn)庫(kù)的建立，注重多源多尺度信息的融合，建立地質(zhì)成因約束下的智能模型。