斯揚 蔡明俊 張家良 蘆鳳明 王芮 黃金富 孟瑞剛

摘要：傳統(tǒng)的儲層滲流屏障識別方法大多為定性或半定量，對于單砂體內(nèi)部規(guī)模較小的儲層滲流屏障的識別精度及劃分效率相對較低。以滄東凹陷棗南孔一段油藏為例，基于巖心及測井資料，引入人工智能機器學習方法，提出一種基于SOM神經(jīng)網(wǎng)絡聚類和KNN算法的儲層滲流屏障定量識別方法。該方法主要通過SOM算法逐點對取芯井多測井曲線進行聚類，獲取能夠表征儲層質(zhì)量差異的測井相神經(jīng)單元，然后與巖性及構(gòu)型進行對比，建立取芯井測井相神經(jīng)單元定量劃分儲層滲流屏障標準，最后通過KNN算法將取芯井測井相神經(jīng)單元模型傳播到非取芯井，并對非取芯井進行儲層滲流屏障識別與劃分。結(jié)果表明，該方法對儲層滲流屏障的識別結(jié)果與巖心的符合率超過90%，同時快速地對全區(qū)非取芯井滲流屏障進行劃分，有效地提升儲層滲流屏障的識別精度與效率，這也為類似的研究提供一種新的思路和方法。

關(guān)鍵詞：滲流屏障； 自組織神經(jīng)網(wǎng)絡； K最近鄰算法； 棗南孔一段； 滄東凹陷

中圖分類號：P 631?? 文獻標志碼：A

引用格式：斯揚，蔡明俊，張家良，等.基于自組織神經(jīng)網(wǎng)絡及K最近鄰算法的儲層滲流屏障定量識別方法［J］.中國石油大學學報（自然科學版），2023，47（4）：35-47.

SI Yang， CAI Mingjun， ZHANG Jialiang， et al. Quantitative identification method of reservoir flow barriers based on self-organizing neural network and K-nearest neighbor algorithm ［J］.Journal of China University of Petroleum（Edition of Natural Science），2023，47（4）：35-47.

Quantitative identification method of reservoir flow barriers based on

self-organizing neural network and K-nearest neighbor algorithm

SI Yang， CAI Mingjun， ZHANG Jialiang， LU Fengming， WANG Rui， HUANG Jinfu， MENG Ruigang

（PetroChina Dagang Oilfield Company， Tianjin 300280， China）

Abstract：Traditional methods for identifying reservoir flow barriers are mostly qualitative or semi-quantitative， and have limitations in terms of accuracy and efficiency， especially for identifying small-scale reservoir flow barriers within a single sand body.? In this paper， a quantitative identification method for reservoir flow barriers is proposed based on core and logging data from the first member of Kongdian Formation in Zaonan Oilfield， Cangdong Sag. This method utilizes a machine learning approach incorporating the SOM neural network clustering and KNN algorithm. The method begins by applying the SOM algorithm to cluster the multi-logging curves of the core-taking well point by point， identifies the logging phase neural units that effectively characterize the quality difference of the reservoir. These neural units are then compared? with lithology and configuration data to establish a quantitative standard for dividing the reservoir flow barriers within the core-taking well logging phase neural units. Finally， the KNN algorithm is employed to propagate the core-taking well logging phase neural unit model to non-core-taking wells. This allows for the identification and division of reservoir flow barriers in these wells. The results demonstrate that the proposed method achieves an identification accuracy of over 90% in agreement with the core data for reservoir flow barriers. Additionally， the flow barriers in non-core-taking wells are efficiently and accurately divided. Consequently， the proposed method significantly improves the accuracy and efficiency of reservoir flow barrier identification. This approach presents a new idea and method for similar research in the field， providing a valuable contribution to the field of reservoir characterization.

Keywords：reservoir flow barriers; self-organizing neural network; K-nearest neighbor algorithm; the first member of Kongdian Formation in Zaonan Oilfield; Cangdong Sag

中國東部大部分老油田目前已進入高含水的開發(fā)后期，剩余油挖潛難度大。剩余油的形成與分布和儲層非均質(zhì)性關(guān)系密切，在現(xiàn)有的經(jīng)濟技術(shù)條件下有25%～35%的剩余油是儲層內(nèi)部滲流屏障及滲流差異導致［1］。儲層構(gòu)型及流動單元研究是目前的表征儲層內(nèi)部非均質(zhì)性的較為熱門手段，儲層滲流屏障的識別作為構(gòu)型單元及流動單元精細劃分的前提，其識別精度直接影響到非均質(zhì)性表征的精度。儲層滲流屏障識別主要以沉積模式為指導，基于巖心-測井分析，并采用相應的判識方法進行。傳統(tǒng)的判識方法一般為地質(zhì)統(tǒng)計學法、交會圖法、蜘蛛網(wǎng)圖模式法、曲線回返率等方法［2-5］，對于單砂體內(nèi)部規(guī)模較小的滲流屏障識別精度較低，在劃分非取芯井的過程中主要依靠人工方式，效率低下。

近年來，隨著計算機人工智能技術(shù)的發(fā)展，機器學習算法被廣泛應用到油田地質(zhì)工作中。由于機器學習算法在大數(shù)據(jù)處理（聚類、降維、判別、回歸等）方面存在著巨大的優(yōu)勢，在傳統(tǒng)研究方法中引入機器學習算法也成為目前提高油田地質(zhì)工作質(zhì)量及效率的有效手段。在儲層研究方面，目前機器學習算法的應用主要集中在測井巖性識別［6-10］、沉積相研究［11-14］、儲層及流體預測等［15-18］研究上，并且取得很好的效果。而對于儲層滲流屏障識別，陳雁等［19］提出基于自編碼器的半監(jiān)督隔夾層識別方法， 陳修等［20］ 提出基于支持向量機和主成分分析的辮狀河儲層夾層識別方法，有效地提升儲層滲流屏障識別的精度，但是機器學習算法在儲層滲流屏障識別方面的應用相對少見。筆者主要以滄東凹陷棗南孔一段油藏為例，提出一種基于自組織神經(jīng)網(wǎng)絡及K最近鄰算法的儲層滲流屏障定量識別方法，提高儲層滲流屏障識別與劃分工作的精度及效率。

1 研究區(qū)概況

研究區(qū)棗南孔一段油藏位于渤海灣盆地黃驊凹陷南部孔店構(gòu)造帶上的風化店構(gòu)造南翼，總體上是一個被斷層復雜化的大致呈北東—南西走向的地壘式長軸背斜（圖1）。古近系孔店組孔一段分為6個油組，其中主要含油層系為棗Ⅴ油組，棗Ⅳ油組也有一定的油層分布。本次主要研究目的層是棗南斷塊的孔一段棗V油層組，其縱向上可分為13個砂層組，并可進一步細分為42個單砂層。棗V油層組為辮狀河三角洲前緣亞相沉積，巖性以細砂巖、粉砂巖為主，縱向上巖性變化較大，呈砂泥巖互層狀，因此層間及層內(nèi)隔夾層極為發(fā)育，儲層非均質(zhì)性強。

研究區(qū)塊于1973年首獲工業(yè)油流，至今已有30多年的開發(fā)歷程。由于采取合注合采的方式，受層間層內(nèi)矛盾影響，大量的剩余油富集在地下儲層中。這些剩余油主要是被油層內(nèi)部復雜的滲流屏障和滲流差異控制而形成的，是挖潛的重要目標。然而由于縱向?qū)酉当姸?，儲層滲流屏障的識別與劃分工作量大。由于開發(fā)時間跨度較大，老井大多僅有較少的幾條常規(guī)測井曲線，這對于儲層內(nèi)部滲流屏障的測井識別也帶來較大的困難。因此本次研究試圖通過機器學習算法的應用，解決開發(fā)后期老油田儲層滲流屏障識別中普遍存在的問題。

2 研究方法

2.1 算法簡介

2.1.1 自組織神經(jīng)網(wǎng)絡

自組織神經(jīng)網(wǎng)絡全稱為“自組織特征映射（self-organizing feature map）神經(jīng)網(wǎng)絡”，又簡稱為SOM神經(jīng)網(wǎng)絡，是一種無監(jiān)督神經(jīng)網(wǎng)絡模型。該算法與人腦的自組織特性相類似，能夠通過自動檢測輸入樣本之間的關(guān)系，并自適應調(diào)整網(wǎng)絡，使網(wǎng)絡以后的響應與輸入樣本相適應［21-22］。SOM神經(jīng)網(wǎng)絡包含輸入層和競爭層，輸入層對應一個高維的輸入向量，競爭層由一系列組織在2維網(wǎng)格上的有序節(jié)點構(gòu)成，輸入節(jié)點與輸出節(jié)點通過權(quán)重向量連接（圖2（a））。其主要算法流程為：

（1）網(wǎng)絡初始化，為初始權(quán)重向量wj選擇隨機值；

（2）對于每一個輸入數(shù)據(jù)xi，計算其與競爭層中的節(jié)點神經(jīng)元j的相似度。一般采用歐氏距離，公式為

*dj（x）=∑Di=1（xi-wji）2 .（1）*

式中，dj（x）為xi與節(jié)點神經(jīng)元j的距離；D為輸入向量維數(shù)；wji為節(jié)點神經(jīng)元j的連接權(quán)重。

（3）選擇距離最小的節(jié)點作為獲勝節(jié)點I（x），并更新鄰域內(nèi)其他節(jié)點。令Sij表示節(jié)點i和j之間的距離，對于I（x）鄰域內(nèi)的其他節(jié)點，分配給他們一個更新權(quán)重，即

Tj，I（x）=exp-S2j，I（x）2σ2 .（2）

式中，σ為鄰域的大小，一般隨訓練次數(shù)呈指數(shù)遞減；可以看出距離越大，更新程度越低。

（4）更新節(jié)點的參數(shù)。權(quán)重更新公式為

wji（t+1）=wji（t）+Δwji=wji（t）+

η（t）Tj，I（x）（t）（xi-wji）.（3）

式中，Δwji為權(quán)重更新量；η為學習率，隨訓練次數(shù)t呈指數(shù)遞減。更新完成后繼續(xù)循環(huán)迭代，直到收斂，最后輸出聚類結(jié)果。

2.1.2 K最近鄰算法

K最近鄰算法KNN（K-nearest neighbor）主要用于大數(shù)據(jù)的快速分類或者回歸。該算法以所有已知樣本作為參照，計算未知樣本與所有已知樣本的距離，從中選取距離最近的K個已知樣本，將未知樣本與K個最鄰近樣本中所屬類別占比較多的歸為一類（圖2（b））。該算法完全不學習，在定類決策上主要依據(jù)最鄰近的一個或者幾個已知樣本的類別來決定待分樣本所屬的類別［23］。該算法包括4個步驟：

（1）準備數(shù)據(jù)，對數(shù)據(jù)進行預處理，對數(shù)據(jù)進行量化、歸一化；

（2）計算測試樣本點（也就是待分類點）到其他已知每個樣本點的距離，一般采用歐氏距離；

（3）對每個距離進行排序，然后選擇出距離最小的K個點；

（4）對K個點所屬的類別進行比較，將測試樣本點歸入在K個點中占比最高的那一類。

2.2 算法思路與流程

2.2.1 算法思路

本次研究中主要需要通過機器學習算法解決兩個關(guān)鍵問題：一是多條測井信息融合提升測井曲線對儲層質(zhì)量差異表征能力，進而提升滲流屏障識別精度；二是通過機器學習算法程序代替人工識別劃分儲層滲流屏障的流程，提升滲流屏障劃分效率。SOM神經(jīng)網(wǎng)絡算法和KNN算法分別對應解決這兩個問題。

SOM神經(jīng)網(wǎng)絡算法能將任意維數(shù)的輸入層映射一維或二維圖形，具備強大的數(shù)據(jù)降維能力，輸出結(jié)果能保持拓撲結(jié)構(gòu)，有利于輸出結(jié)果的進一步分類。在本次研究中通過SOM 神經(jīng)網(wǎng)絡算法對多條常規(guī)測井曲線進行聚類，獲取融合多條測井信息且保持拓撲結(jié)構(gòu)的測井相神經(jīng)單元，再將測井相神經(jīng)單元與巖心及構(gòu)型相進行對比，建立合理的儲層滲流屏障識別與劃分標準。在此過程中充分地利用SOM神經(jīng)網(wǎng)絡算法聚類及輸出的優(yōu)點，而在提升滲流屏障劃分效率方面，由于KNN算法主要根據(jù)領(lǐng)域的K個樣本來確定輸出類別，其對于不同類的樣本集有交叉或重疊較多的待分樣本集有很好的分類效果。本次研究中不同巖心相及構(gòu)型相下對應的測井屬性就是一個有交叉或重疊較多的待分樣本，利用KNN算法來進行自動分類是有效的。由于KNN算法不學習，算法程序簡單，在有效分類的前提下，還能夠快速地實現(xiàn)取芯井向非取芯井應用。

當分類樣本過多時，SOM神經(jīng)網(wǎng)絡及KNN算法均存在計算量大，時間復雜度高的缺陷。本方法由于考慮逐采樣點地對測井曲線進行聚類，在井數(shù)較多、目的井段長的情況下，若要保證對所有井測井曲線進行聚類，SOM 神經(jīng)網(wǎng)絡算法需要大量次數(shù)的迭代，這不利于調(diào)整參數(shù)建立最優(yōu)的SOM神經(jīng)網(wǎng)絡聚類模型?？紤]只基于取芯井建立最優(yōu)的SOM神經(jīng)網(wǎng)絡聚類模型，然后以取芯井SOM神經(jīng)網(wǎng)絡聚類結(jié)果為已知樣本，通過K最近鄰算法對非取芯井測井曲線進行分類。

對于算法的實現(xiàn)方面，SOM 神經(jīng)網(wǎng)絡和KNN算法是目前應用較為熱門的機器學習算法，在Matlab、Python等平臺上均有較成熟的程序代碼，部分商業(yè)軟件模塊中也內(nèi)置相應算法，因此這兩種算法較為容易實現(xiàn)。

2.2.2 技術(shù)流程

本次研究主要在常規(guī)的巖心精細描述、測井曲線標準化及巖心歸位等研究資料預處理流程的基礎(chǔ)上進行，通過自組織（SOM）神經(jīng)網(wǎng)絡聚類法逐點對測井曲線進行分類，提升多測井曲線對儲層質(zhì)量差異的表征能力，在此基礎(chǔ)上與巖心相及構(gòu)型相進行對比，確定單井儲層滲流屏障識別標準。然后以取芯井測井神經(jīng)單元聚類結(jié)果為已知樣本，利用KNN算法將其向非取芯井傳播，并根據(jù)識別標準對非取芯井進行儲層滲流屏障識別。具體流程見圖3。

（1）取芯井巖心及構(gòu)型賦值量化，并生成巖性及構(gòu)型曲線。該步驟主要是根據(jù)取芯井巖心及測井資料，基于巖心和構(gòu)型對取芯井進行儲層綜合質(zhì)量的分級量化（量化方法具體見應用情況），并生成與測井曲線取樣間隔一致的巖性或構(gòu)型曲線，以便于與后續(xù)逐點聚類后的測井相神經(jīng)單元進行對比分析。

（2）優(yōu)選對巖性及構(gòu)型敏感的測井曲線，進行SOM神經(jīng)網(wǎng)絡聚類。在對不同巖性及構(gòu)型測井曲線特征分析的基礎(chǔ)上，優(yōu)選測井曲線作為輸入層，并設(shè)置網(wǎng)絡結(jié)構(gòu)、迭代次數(shù)等相關(guān)參數(shù)，進行SOM神經(jīng)網(wǎng)絡聚類。競爭層的網(wǎng)絡拓撲結(jié)構(gòu)，決定最后輸出層的結(jié)構(gòu)及神經(jīng)單元個數(shù)，研究中可以盡可能地設(shè)定較多的節(jié)點數(shù)，以便較好地獲取測井數(shù)據(jù)的拓撲結(jié)構(gòu)，獲得能夠精細表征儲層質(zhì)量差異的測井相神經(jīng)單元。SOM神經(jīng)網(wǎng)絡聚類后，可以根據(jù)各神經(jīng)單元測井曲線及對應的構(gòu)型、巖性曲線分布特征，在盡量不改變原始單元間關(guān)聯(lián)的情況下，對聚類單元進行順序調(diào)整，確保每一類單元代碼數(shù)值在分類的同時能夠量化儲層。

（3）分析測井相神經(jīng)單元與巖性及構(gòu)型的對應關(guān)系，確定測井相神經(jīng)單元分類界限及儲層滲流屏障識別劃分標準。在此步驟可以通過直方圖、箱圖等數(shù)據(jù)分布表征方法對不同神經(jīng)單元對應的巖性及構(gòu)型進行分析，確定合理的測井相神經(jīng)單元分類界限及儲層滲流屏障識別劃分標準。

（4）取芯井驗證及非取芯井推廣。根據(jù)制定的儲層滲流屏障識別劃分標準，對取芯井進行儲層滲流屏障識別，并在縱向上通過巖心驗證儲層滲流屏障劃分的精度。最后應用KNN算法將已經(jīng)訓練好的測井SOM神經(jīng)網(wǎng)絡聚類模型向非取芯井傳播，并依據(jù)測井相神經(jīng)單元識別儲層滲流屏障的標準對非取芯井進行儲層滲流屏障識別與劃分。

3 實例應用

為了更好地說明本方法的具體流程及應用效果，以滄東凹陷棗南孔一段棗V油層組為例，應用該方法進行儲層滲流屏障的識別與劃分。

（1）取芯井巖性及構(gòu)型賦值量化，并生成巖性及構(gòu)型曲線。根據(jù)研究區(qū)7口取芯井巖心（取芯井段總計587 m）顯示，目的層巖性主要以灰褐色及灰綠色細砂巖、灰綠色粉砂巖、紫紅色泥質(zhì)粉砂巖、紫紅色粉砂質(zhì)泥巖及泥巖為主，含少量灰色中砂巖。根據(jù)粒度、含油性對巖心段進行分級賦值，最終將棗V油層組巖性分為泥巖、泥質(zhì)粉砂（粉砂質(zhì)泥）巖、粉砂巖、細砂巖、油斑細砂巖、油浸細砂巖（油斑中砂巖）、油浸中砂巖7個級別，依次賦值1～7（圖4（a））。在棗南孔一段沉積背景分析的基礎(chǔ)上，根據(jù)巖心特征，確定棗V油層組為以河口壩為主的三角洲前緣沉積，并將其構(gòu)型劃分為水下分流河道、河口壩（壩主體）、壩內(nèi)緣、壩外緣及壩間泥。水下分流河道和河口壩（壩主體）是有效儲層分布的主要構(gòu)型相，分別賦值為5和4；壩內(nèi)緣及壩外緣為側(cè)翼相，分別賦值為3和2；壩間泥則賦值為1，最后生成構(gòu)型曲線（圖4（b））。

（2）選取對構(gòu)型及巖性敏感的測井曲線，進行SOM神經(jīng)網(wǎng)絡聚類。由于研究區(qū)測井資料時間跨度較大，能夠覆蓋全區(qū)的只有自然電位SP、自然伽馬GR、聲波時差AC、電阻率RT常規(guī)曲線，因此本次研究主要對這4條常規(guī)測井曲線與構(gòu)型及巖性的關(guān)系進行分析（圖5）。從取芯井不同構(gòu)型單元的測井曲線屬性可以看出，對于構(gòu)型單元分類最敏感的是自然電位曲線、自然伽馬、其次是聲波時差、電阻率曲線。從測井曲線的一維直方圖及二維交會圖（圖5（a））可以看出，通過常規(guī)的單條曲線及兩條曲線交匯很難界定不同的儲層構(gòu)型，而將測井曲線放在三維坐標系上（圖5（b）），無論是儲層構(gòu)型還是巖性，在高維度的空間中各構(gòu)型（巖性）之間的界限相對更為明顯。這說明隨著對比維度的增加，能夠增大測井信息表征儲層質(zhì)量的差異，這也是本次利用多條測井曲線SOM神經(jīng)網(wǎng)絡聚類來提升儲層滲流屏障識別精度的主要機制。

在應用SOM神經(jīng)網(wǎng)絡聚類之前，先對全區(qū)所有井SP、GR、AC、RT進行歸一化，歸一化后的曲線分別依次為SPZF、GRZF、ACZZ、RTZZ，前3條曲線采用極差歸一化，區(qū)間為0～1，電阻率曲線采用的是對數(shù)極差歸一化，區(qū)間為0.1～1。需要注意的是歸一化后SPZF和GRZF曲線0值對應原曲線最大值，1對應最小值，ACZZ為正常歸一化，這樣也確保歸一化后4條測井曲線表示的儲層屬性整體趨勢一致。最后以SPZF、GRZF、ACZZ、RTZZ測井曲線作為主變量，構(gòu)型曲線FACODE作為協(xié)變量，在Geolog軟件Facimage模塊中進行SOM神經(jīng)網(wǎng)絡聚類。聚類過程中，主變量參與聚類，協(xié)變量不參與聚類，主要用于與聚類后神經(jīng)單元的對比。本次SOM神經(jīng)網(wǎng)絡聚類模型為5×5網(wǎng)絡結(jié)構(gòu)，可以將測井曲線分為25個神經(jīng)單元，考慮到各測井曲線對巖性、物性、含油性的反映，對神經(jīng)單元進行順序調(diào)整，得到最終的測井相神經(jīng)單元分類模型（圖6）。

（3）確定測井相神經(jīng)單元分類界限及儲層滲流屏障識別劃分標準。首先從SOM神經(jīng)網(wǎng)絡聚類后測井相神經(jīng)單元分類結(jié)果直方圖（圖6）來看，由于采取5×5的網(wǎng)絡拓撲結(jié)構(gòu)，根據(jù)SPZF的分布可以直接將測井相神經(jīng)單元分為5類（0～5、6～10、11～15、16～20、21～25）。從測井相神經(jīng)單元對應的構(gòu)型相FACODE曲線的分布來看，測井相神經(jīng)單元1～25對應的構(gòu)型相分布是從壩間泥到壩主體和水下分流河道逐漸遞增的趨勢，但是各神經(jīng)單元與構(gòu)型單元并非為一一對應，這主要是由于本次是逐點對測井屬性值進行分類，而測井屬性值實質(zhì)上是周圍儲層質(zhì)量的綜合響應，在不同儲層構(gòu)型界面處，也為不同類構(gòu)型的綜合響應。取芯井巖心深度歸位的精度及構(gòu)型劃分界面位置的選取也對此有一定影響。對于這種屬性互相重疊導致無法合理劃定分類界限的情況，利用箱形圖來劃分是一種較為合理的方法。

從測井相神經(jīng)單元與儲層構(gòu)型及巖性對比箱形圖（圖7）可以看出，當測井相神經(jīng)單元小于9時，構(gòu)型上主要為壩間泥的主體分布范圍，巖性上主要為泥巖、泥質(zhì)粉砂巖及大部分粉砂巖的主體分布范圍；測井相神經(jīng)單元9～11在構(gòu)型上主要為部分壩外緣的主體分布范圍，巖性上則主要為粉砂巖向少量不含油細砂巖過渡的范圍；測井相神經(jīng)單元12～15構(gòu)型上主要為部分壩外緣與壩內(nèi)緣主體分布范圍，巖性上則為少量粉砂巖和不含油的細砂巖的主體分布范圍；測井相神經(jīng)單元16及以上則為壩主體及水下分流河道的主體分布范圍，巖性上則主要為油斑級別以上的細砂巖及少量不含油的砂巖。最后綜合直方圖與箱形圖上測井相神經(jīng)單元的測井曲線、構(gòu)型及巖性分布特征，將測井相神經(jīng)單元按1～8、9～11、12～15、16～20、21～25依次分為1、2、3、4、5五類測井相（表1）。

從巖性及構(gòu)型上來看，這5類測井相能夠一定程度表征儲層質(zhì)量，為了更好的確定其對儲層滲流屏障的劃分識別能力，通過取芯井巖心物性分析數(shù)據(jù)對5類測井相對應下的孔隙度和滲透率進行分析（圖8）。物性分析數(shù)據(jù)來源于取芯井中兩口物性分析測試取樣相對連續(xù)的井，由于分析測試取樣位置主要集中于射孔的油層段，因此含油性差的1、2類測井相下樣品點相對較少，3、4、5類測井相樣品點相對較多。從箱形圖可以看出，從第1至第5類測井相，其對應的儲層孔隙度和滲透率均呈階梯式上升，這也一定程度驗證本次測井相分類能夠較好的表征儲層的質(zhì)量差異；單從滲透率來看，1和2類測井相下的樣品分析滲透率主要分布在小于10×10-3 μm2，對于棗V油層組中孔中滲儲層，這兩類測井相下儲層物性均在有效儲層物性下限之下，可以直接定義為非儲層和無效儲層，從滲流屏障的角度上，可以直接劃分為隔夾層，是絕對的滲流屏障。3、4、5類測井相下，儲層滲透率呈現(xiàn)階梯式的差異，這也依次對應差、中、好3個級別的儲層滲流單元，第3、4和5類測井相之間的界面可以作為單砂層內(nèi)部砂體疊置的界面。

（4）取芯井驗證及非取芯井推廣。根據(jù)測井相分類及儲層滲流屏障識別劃分標準，對研究區(qū)7口取芯井進行隔夾層和儲層內(nèi)部構(gòu)型界面的識別，并從單井縱向剖面上來評價本次儲層滲流屏障識別劃分的效果。

對于巖心上識別出的泥質(zhì)及粉砂巖隔夾層，按隔夾層頻數(shù)統(tǒng)計，4口取芯井巖心上顯示的隔夾層能全部識別，其他3口取芯井巖心段中分別各有1條粉砂巖夾層未能識別出，總計103條隔夾層，通過本方法識別出100條，整體符合率高達97%；按隔夾層厚度來看，除了Z1288-3與Z1275兩口井符合率稍低，其余取芯井符合率均大于90%，巖心上總計217 m的隔夾層，本方法在其對應位置能識別出200 m，整體符合率為92%；因此無論是從隔夾層頻數(shù)還是隔夾層厚度來看，本方法對泥質(zhì)及粉砂巖隔夾層的整體識別效果較好（表2）。從縱向上測井相分類與巖心相的對比（圖9、10）來看，測井相變界面與巖心相變界面也能較好的對應，因此應用本方法也能有效地劃分儲層內(nèi)部的單砂體或滲流單元疊置界面。雖然也存在局部識別出的界面位置和巖性界面位置有一定的偏移的情況，但這可能主要與局部巖心歸位深度的誤差有關(guān)。

在經(jīng)過取芯井的劃分效果驗證后，應用Geolog軟件中Facimage模塊，通過KNN算法將SOM測井相神經(jīng)單元傳播到非取芯井，并根據(jù)測井相分類及儲層滲流屏障識別標準對非取芯井進行儲層滲流屏障及儲層內(nèi)部界面的識別。從非取芯井的應用效果（圖11）來看，應用本方法識別出的隔夾層與儲層內(nèi)部界面整體上與原測井解釋砂體成果吻合，但是本方法識別劃分出的儲層內(nèi)部界面更為精細，特別是對于原測井解釋未劃分開的較厚的砂體，本方法的應用能更精細地識別劃分出儲層內(nèi)部的單砂體，這對于后續(xù)基于儲層構(gòu)型或者流動單元的精細地質(zhì)建模工作具有重要的意義。

4 分析與討論

傳統(tǒng)的儲層滲流屏障識別與劃分工作存在精度與效率低下的問題，針對這一問題本次研究提出基于自組織神經(jīng)網(wǎng)絡及KNN算法的儲層滲流屏障定量識別方法，在實際應用中效果較好，但是該方法仍存在一些需要注意的問題。

本次研究建立的模型僅基于取芯井，若非取芯井某一樣點測井曲線數(shù)值超出模型內(nèi)測井曲線的數(shù)值范圍，通過K最近鄰分類得到的測井相神經(jīng)單元只由模型中與其距離最近的神經(jīng)單元決定，實際上此時的結(jié)果會存在一定的不確定性。這種情況一般會由測井曲線質(zhì)量以及區(qū)內(nèi)油藏地質(zhì)特征的非均質(zhì)性引起，如AC等孔隙度測井曲線受井眼環(huán)境影響，SP曲線幅度受地層水礦化度影響等。因此在應用本方法前，除了測井曲線標準化外，如有必要需進行測井曲線環(huán)境校正，而在油藏非均質(zhì)性強的研究區(qū)，還需分斷塊、分層位進行。

本次研究是在測井系列資料限制的情況下，通過對4條常規(guī)測井曲線進行SOM神經(jīng)網(wǎng)絡聚類的方法提升測井曲線對儲層質(zhì)量差異表征能力，進而實現(xiàn)儲層滲流屏障識別精度的提升。若在測井系列豐富的條件下，選擇縱向分辨率高的測井曲線或者通過對測井曲線反褶積的處理，提升測井曲線縱向?qū)Ρ拥姆直婺芰?，再應用本方法可進一步提升儲層滲流屏障識別與劃分的精度。

5 結(jié) 論

（1）針對傳統(tǒng)方法儲層滲流屏障識別與劃分精度及效率的問題，提出一種基于自組織神經(jīng)網(wǎng)絡及K最近鄰算法儲層滲流屏障識別與劃分方法。該方法在滄東凹陷棗南孔一段棗V油層組應用效果較好，為后續(xù)儲層精細表征提供基礎(chǔ)，也為類似開發(fā)后期老油田儲層滲流屏障研究提供新的思路。

（2）基于自組織神經(jīng)網(wǎng)絡聚類及K最近鄰算法的儲層滲流屏障定量識別方法主要包括取芯井巖心精細描述與構(gòu)型單元劃分、測井曲線自組織神經(jīng)網(wǎng)絡聚類、利用取芯井巖心及構(gòu)型確定測井相神經(jīng)單元分類界限及儲層滲流屏障識別劃分標準、利用K最近鄰算法將取芯井測井相神經(jīng)單元向非取芯井傳播并利用分類標準劃分非取芯井4個步驟。在應用本方法前，除了測井曲線標準化外，如有必要需進行環(huán)境校正，對于油藏非均質(zhì)性強的研究區(qū)，還需分斷塊、分層位進行。

（3）通過自組織神經(jīng)網(wǎng)絡聚類實現(xiàn)多測井曲線逐點聚類，提升測井曲線對儲層質(zhì)量差異的表征能力，進而提升儲層滲流屏障識別的精度；應用K最近鄰算法解決取芯井向非取芯井推廣的問題，提高儲層滲流屏障識別工作的效率。因此在傳統(tǒng)的開發(fā)地質(zhì)工作中，引入機器學習算法，充分發(fā)揮其在數(shù)據(jù)降維、聚類、判別、預測等多方面的優(yōu)勢，有利于提高工作的精度及效率。

參考文獻：

［1］ 吳勝和，岳大力，劉建民，等.地下古河道儲層構(gòu)型的層次建模研究［J］.中國科學（地球科學），2008，38（增1）：111-121.

WU Shenghe， YUE Dali， LIU Jianmin， et al. Hierarchy modeling of subsurface palaeochannel reservoir architecture［J］.Science China： Earth Sciences，2008，38（sup1）：111-121.

［2］ 王薇.扶余油田中探25區(qū)塊單砂體精細刻畫及隔夾層識別［J］.石油地質(zhì)與工程，2019，33（1）：63-66.

WANG Wei. Fine characterization of single sand body and identification of isolated interlayerin Zhongtan 25 block of Fuyu oilfield［J］. Petroleum Geology and Engineering， 2019，33（1）：63-66.

［3］ 周學慧，丁文龍，昌倫杰，等.“三端員定型”法識別濱岸相砂巖儲層隔夾層：以塔里木盆地哈得遜油田東河砂巖為例［J］.地學前緣，2017，24（5）：328-338.

ZHOU Xuehui， DING Wenlong， CHANG Lunjie， et al. Three-end-mumber diagram of classification to identify the interlayersof sandstone reservoir in littoral facies：a case from Carboniferous Donghe sandstone in Hade Oil Field，Tarim Basin，NW China［J］.Earth Science Frontiers，2017，24（5）：328-338.

［4］ 楊帆，廖茂杰，王謙，等.利用測井資料識別隔夾層：以塔中4油田為例［J］.工程地球物理學報，2014，11（4）：487-492.

YANG Fan， LIAO Maojie， WANG Qian， et al. The use of logging data in identifying the interlayerin Tazhong Oilfield 4［J］. Chinese Journal of Engineering Geophysics， 2014，11（4）：487-492.

［5］ 竇松江，季嶺，王海波，等.王官屯油田中生界厚油層內(nèi)隔夾層研究［J］.石油地質(zhì)與工程，2008（1）：48-51.

DOU Songjiang， JI Ling， WANG Haibo， et al. Study of intercalations in massive Mesozoic reservoir in Wangguantun oilfield［J］. Petroleum Geology and Engineering，2008（1）：48-51.

［6］ 武中原，張欣，張春雷，等.基于LSTM循環(huán)神經(jīng)網(wǎng)絡的巖性識別方法［J］.巖性油氣藏，2021，33（3）：120-128.

WU Zhongyuan， ZHANG Xin， ZHANG Chunlei， et al. Lithology identification based on LSTM recurrent neural network［J］. Lithologic Reservoirs，2021，33（3）：120-128.

［7］ 陳玉林，李戈理，楊智新，等.基于KNN算法識別合水地區(qū)長7儲層巖性巖相［J］.測井技術(shù)，2020，44（2）：182-185.

CHEN Yulin， LI Geli，YANG Zhixin， et al. Identification of lithology and lithofacies of Chang 7 reservoir in Heshui area by KNN algorithm［J］. Well Logging Technology， 2020，44（2）：182-185.

［8］ 孫予舒，黃蕓，梁婷，等.基于XGBoost算法的復雜碳酸鹽巖巖性測井識別［J］.巖性油氣藏，2020，32（4）：98-106.

SUN Yushu， HUANG Yun， LIANG Ting， et al. Identification of complex carbonate lithology by logging based on XGBoost algorithm［J］.Lithologic Reservoirs，2020，32（4）：98-106.

［9］ 韓啟迪，張小桐，申維.基于梯度提升決策樹（GBDT）算法的巖性識別技術(shù)［J］.礦物巖石地球化學通報，2018，37（6）：1173-1180.

HAN Qidi， ZHANG Xiaotong， SHEN Wei. Lithology identification technology based on gradient boosting decision tree （GBDT）algorithm［J］. Bulletin of Mineralogy，Petrology and Geochemistry， 2018，37（6）：1173-1180.

［10］ 張野，李明超，韓帥.基于巖石圖像深度學習的巖性自動識別與分類方法［J］.巖石學報，2018，34（2）：333-342.

ZHANG Ye， LI Mingchao， HAN Shuai. Automatic identification and classification in lithology based on deep learning in rock images［J］. Acta Petrologica Sinica，2018，34（2）：333-342.

［11］ 肖何，張超謨，蘇向群.應用測井資料定量識別碳酸鹽巖沉積微相：以川東北元壩地區(qū)長興組為例［J］.科學技術(shù)與工程，2020，20（7）：2573-2582.

XIAO He， ZHANG Chaomo， SU Xiangqun. Quantitative discrimination of carbonate sedimentary microfacies by use of log data：taking the Changxing formation in Yuanba region of northeastern Sichuan for example［J］. Science Technology and Engineering，2020，20（7）：2573-2582.

［12］ 閻輝，張學工，李衍達.應用SVM方法進行沉積微相識別［J］.物探化探計算技術(shù)，2000（2）：158-164.

YAN Hui， ZHANG Xuegong， LI Yanda. Support vector machine methods in pattern recognition of sedimentary facies［J］. Computing Techniques for Geophysical and Geochemical Exploration， 2000（2）：158-164.

［13］ 張艷，張春雷，成育紅，等.基于機器學習的多地震屬性沉積相分析［J］.特種油氣藏，2018，25（3）：13-17.

ZHANG Yan， ZHANG Chunlei， CHENG Yuhong， et al. Multi-attribute seismic sedimentary facies analysis based on machine learning［J］. Special Oil & Gas Reservoirs， 2018，25（3）：13-17.

［14］ 李昌，沈安江，常少英，等.機器學習法在碳酸鹽巖巖相測井識別中應用及對比：以四川盆地MX地區(qū)龍王廟組地層為例［J］.油氣藏評價與開發(fā)，2021，11（4）：586-596.

LI Chang， SHEN Anjiang， CHANG Shaoying， et al. Application and contrast of machine learning in carbonate lithofacies log identification： a case study of Longwangmiao Formation of MX area in Sichuan Basin［J］. Petroleum Reservoir Evaluation and Development， 2021，11（4）：586-596.

［15］ 周雪晴，張占松，朱林奇，等.基于雙向長短期記憶網(wǎng)絡的流體高精度識別新方法［J］.中國石油大學學報（自然科學版），2021，45（1）：69-76.

ZHOU Xueqing， ZHANG Zhansong， ZHU Linqi， et al. A? new method for high-precision fluid identification in bidirectional long short-term memory network［J］.Journal of China University of Petroleum（Edition of Natural Science）， 2021，45（1）：69-76.

［16］ 鄭秋梅，商振浩，王風華，等.基于深度神經(jīng)網(wǎng)絡和支持向量機的海底管線水合物生成預測模型［J］.中國石油大學學報（自然科學版），2021，44（5）：46-51.

ZHENG Qiumei， SHANG Zhenhao， WANG Fenghua， et al. Prediction model of submarine pipeline hydrate formation based on deep neural network and support vector machines［J］. Journal of China University of Petroleum（Edition of Natural Science）， 2021，44（5）：46-51.

［17］ 何輝，劉暢，李順明，等.基于支持向量機算法的辮狀河儲層砂體連通性定量評價［J］.中國石油大學學報（自然科學版），2021，45（2）：1-10.

HE Hui， LIU Chang， LI Shunming， et al. Quantitative evaluation of sand body connectivity in braided river reservoirs based on support vector machine algorithm［J］.Journal of China University of Petroleum（Edition of Natural Science）， 2021，45（2）：1-10.

［18］ 劉學鋒，張曉偉，曾鑫，等.采用機器學習分割算法和掃描電鏡分析頁巖微觀孔隙結(jié)構(gòu)［J］.中國石油大學學報（自然科學版），2022，46（1）：23-33.

LIU Xuefeng， ZHANG Xiaowei， ZENG Xin， et al. Pore structure characterization of shales using SEM and machine learning based segmentation method［J］.Journal of China University of Petroleum（ Edition of Natural Science），2022，46（1）：23-33.

［19］ 陳雁，焦世祥，程超，等.基于自編碼器的半監(jiān)督隔夾層識別方法［J］.特種油氣藏，2021，28（1）：86-91.

CHEN Yan， JIAO Shixiang， CHENG Chao， et al. Semi-supervised interlayer identification method based on self-encoder［J］. Special Oil & Gas Reservoirs，2021，28（1）：86-91.

［20］ 陳修，徐守余，李順明，等.基于支持向量機和主成分分析的辮狀河儲層夾層識別［J］.中國石油大學學報（自然科學版），2021，45（4）：22-31.

CHEN Xiu， XU Shouyu， LI Shunming， et al. Identification of interlayers in braided river reservoir based on support vectormachine and principal component analysis［J］. Journal of China University of Petroleum （Edition of Natural Science），2021，45（4）：22-31.

［21］ KOHONEN T. Self-organized formation of topologically correctfeature maps［J］. Biological Cybernetics， 1982，43：59-69．

［22］ 周少華，付略，梁寶鎏.基于SOM神經(jīng)網(wǎng)絡的古代青瓷聚類分析［J］.中國科學（技術(shù)科學），2008，38（7）：1089-1096.

ZHOU Shaohua， FU Lue， LIANG Baoliu. Clustering analysis of Ancient Celadon based on SOM neural network［J］. Science China：Technological Sciences， 2008，38（7）：1089-1096.

［23］ 桑應賓.基于K近鄰的分類算法研究［D］.重慶：重慶大學，2009.

SANG Yingbin. Research on classification algorithm based on K-nearest neighbor［D］. Chongqing： Chongqing University， 2009.

（編輯 李 娟）