CN104834934A - 一种用于识别储层流体的核体俘获法 - Google Patents

Abstract

本发明涉及一种用以识别储层流体的核体俘获法，综合利用多个测井参数数据进行流体识别，属于石油与地质领域。将待测样本集转化为若干个具有相似特征的样本点构成的核体，只需识别每个核心的类别，即可得到所有待测样本的类别。其方法包括以下步骤：①选取识别因子；②数据预处理；③构建核体；④识别核体类别；⑤储集层段流体识别。利用上述方法即可实现对复杂储层的流体识别。本发明算法操作简单，准确度高，实用性较强，且有较好的推广应用价值。

Description

一种用于识别储层流体的核体俘获法

技术领域

本发明涉及一种用以识别储层流体的核体俘获法，综合利用多个测井参数数据进行流体识别，以提升复杂储层流体识别精度的测井技术，属于石油与地质领域。

背景技术

储层流体识别是测井解释工作的重要环节，对于储层评价和产能预测具有重要意义。目前，对于储层的探索，已经从埋藏浅、物性良好、均质性强、岩性和流体分布较规律的储层，如简单碎屑岩储层，延伸到了埋藏深、物性差、非均质性强、岩性和流体分布复杂多变的复杂储层，如致密碎屑岩储层、碳酸盐岩储层、火山岩储层、泥页岩储层等。最近几年在我国四川、渤海湾及塔里木等盆地相继发现的一批大型或特大型碳酸盐岩油气藏和页岩气藏也证明了复杂储层的评价将成为地质工作者科技攻关的重要议题，也为测井解释人员提出了新的挑战。

石油工业中，往往根据各项流体所占的比例将储层的流体储集空间划分油层、低产油层、油水同层、含油水层、可能油层、气层、低产气层、气水同层、含气水层、可能气层、水淹层、水层、干层等13个储集类型。在现有试油工艺及技术条件下，一般将纯水层称为水层，将含水<5％的具有工业价值的纯油层称为油层，将含水<5％的具有工业价值的纯气层或带凝析油者称为气层，将经措施后在一定条件和方法下求得的日产量与测井处理孔隙度、渗透率、含气饱和度均低于一定规定值者称为干层，将含水在5％～90％之间、能计量出气日产量的油(气)水同出层称为油(气)水同层，将日产油(气)量在工业油流标准以下、干层以上者称为低产油(气)层，将以产水为主带油花(天然气)、不能计量出日产油(气)量的水层称为含油(气)水层，将根据测井等资料认为可能产油(气)者称为可能油(气)层，而将已经水淹、可进行相应的分级别评价者称为水淹层。

在上述流体储集类型中，油层、气层和水层所储集的均为单相流体，其测井响应特征呈现出明显的规律性，识别难度较小；干层中包含的流体量很少，且孔隙度和渗透率均较低，测井曲线响应特征亦存在规律，亦易于识别；而其他储层，尤其是油(气)水同层和低产油(气)层，其所含流体不止一相，由于其中各相流体的影响，其响应特征和单相流体储集类型存在一定差异，且数据结构亦相对复杂，在实际工作中很难对其加以准确解释，而油(气)水同层和低产油(气)层具有较大的产油(气)潜力，多地区的研究均表明，经过一定的措施，此类储层往往能够转化为产层，其中部分储层产量达到优质储层水平。因此，此类储集类型的精确识别对地层精细评价进而指导油田生产具有重要意义。

传统的测井流体识别方法主要是利用交会图法和测井曲线重叠法进行人工解释。这些方法是上世纪中叶最主要的测井解释手段，由于当时工程技术和认识水平的限制，勘探开发的焦点集中在浅层简单碎屑岩地层，传统方法在此类地层中有较好的适用性。随着人们对于计算科学的研究逐步深入，许多数学、数理统计以及数据挖掘方法被引入地质勘探领域并取得了较好的识别效果，如多元回归Fisher判别法、模糊概率分析法、决策树算法、朴素贝叶斯网络等。近年来，随着石油工业的持续发展，国民工业对于油气资源需求量不断攀升，油田勘探开发普遍将目光转向埋藏深、物性差、非均质性强的复杂储层。这些储层的测井数据特征复杂，数据量较大，而上述方法中，传统方法过于依赖个人经验，上述机器学习方法易产生过拟合且计算速度较慢，且均难以有效识别具有工业价值的油(气)水同层和低产油(气)层。因此，这些方法并未达到预期的效果。

随着大量复杂储层的勘探和开发，对流体识别精度的要求将越来越高。因此，一种能够准确识别油(气)水同层和低产油(气)层、运算速度快的高精度识别算法的研发将一直成为测井解释人员研究的重点和难点。

发明内容

本发明的目的是为了克服现有技术的不足，针对目前常用的储层流体识别方法中存在的过于依赖个人经验、计算速度慢、识别精度低、易产生过拟合等问题，提出了一种用以识别储层流体的核体俘获法，以实现数据的模式识别。算法根据测井数据的结构，提取出若干个点作为“核心”，以核心附近的点与核心距离的远近作为核心对该点引力大小的度量，距核较近的点为核心所俘获，形成“核体”，被俘获的点称为“核粒”。随着核心俘获的核粒数量的增加，核体逐渐疏松，当达到某一阈值时，核心无法维持对更多的核粒的吸引，核体达到平衡稳定态，称为“稳定核体”。该方法将待测样本集转化为若干个具有相似特征的样本点构成的核体，只需识别每个核心的类别，即可得到所有待测样本的类别。本发明将点的分类问题转化为核体的模式识别问题，从而实现储层流体识别问题的简化，加快运算速度，提高复杂储层的测井评价水平。

为实现上述目的，本发明的技术方案如下：

本发明为一种用以识别储层流体的核体俘获法，将待测样本集转化为若干个具有相似特征的样本点构成的核体，只需识别每个核心的类别，即可得到所有待测样本的类别。其方法包括以下步骤：

①选取识别因子

结合测井、录井和地质资料，确定目标储集类型，并据此选择若干个能够表征这些储集类型的测井参数及其衍生参数作为流体识别因子；

②数据预处理

从已知样本中提取最能体现储层特征的数据点建立参考样本集，利用未知样本建立待测样本集。由于测井参数范围往往相差不止一个数量级，为了消除识别因子量纲差异造成的误差，需对样本集进行标准化处理；

③构建核体

对待测样本集中所有的点，计算其两两之间的欧式距离，并对数据集中每个元素依次检索出与其距离最短的N个点，并计算此N个距离的平均值选择其中最小的点作为核心CORE，并俘获上述与其距离最短的N个点，构成初始核体S。根据参考样本选定一个合理的阈值λ，对初始核体进行扩展至平衡稳定态，得到稳定核体。将目标核体数据提取出来，并对剩余数据点重复进行本步骤，直到剩下的点无法为任何核心所俘获为止。将剩余的点作为仅由核心构成的稳定核体来看待；

初始核体的扩展方法如下：首先计算核心CORE在S中的俘获度CAP，观察其CAP是否满足条件CAP(CORE)≥λ。若不满足该条件，则将与CORE距离最远的核粒剔除出核体，直到满足条件为止；若满足该条件，则将在S之外与CORE距离最小的点俘获入S成为核粒，直到不满足条件为止。此时得到的核体即为稳定核体。其中CORE在S中的俘获度的计算公式为：

$\mathrm{CAP}\left(\mathrm{CORE}\right)=\frac{\underset{x_i\&Element;S}{\min }\{\stackrel{\&OverBar;}{d}\left(\mathrm{CORE}\right),\stackrel{\&OverBar;}{d}\left(x_i\right)\}}{\underset{x_i\&Element;s}{\max }\{\stackrel{\&OverBar;}{d}\left(\mathrm{CORE}\right),\stackrel{\&OverBar;}{d}\left(x_i\right)\}}---\left(1\right)$

N值选取方法如下：选择一个较小的初值，从参考样本集中随机抽取部分数据作为训练集而将剩余数据作为测试集，根据训练集元素的类别和分布确定初始N值，在测试集中进行验证，并根据需要对其进行适当修改，多次重复该过程，以得到最优N值。为了保证后续步骤中核心的分类识别结果不会出现“平票”的情况，应保证N为奇数；

阈值λ为一个不大于1的无量纲常数，其选择需根据样本的数据结构而定。一般方法是首先选择一个接近于1的初始值，利用已知从属类别的参考样本对该初始值进行反复验证，直到达到预期为止。λ的取值影响的是核体的体积和数量，取值过小会造成误判，但取值过大仅仅会造成运算量的增大，对判别结果影响不大。因此λ的选择应秉承“宁大勿小”的原则；

④识别核体类别

对得到的各个核体的核心，在参考样本集中考察距离其最近的N个点所属储集类型，将核心归类于其中占优势的类别，并将核体中的核粒归类于其核心所属类别；

⑤储集层段流体识别

为了便于显示，对定性地识别结果进行定量处理，为干层、油层、油水同层、水层分别赋值为1、2、3、4，根据待测样本集中所有元素的识别结果，绘制一条流体指示曲线，并加以平滑，根据每个层段曲线数值的整体趋势特征，确定目标地层中目的层位的流体类别。

利用上述方法即可实现对复杂储层的流体识别。

本发明具有以下优点：

1、算法将待测样本点转化为核体，并认为每个核体中所有元素均属于同一种流体类型，只需通过识别各核体核心的类别即可得到所有样本点的类别，实现了数据的简化，避免了冗余计算，使运算速度得到了显著提升；2、算法采用一种非参数的模式识别方法对各核体的核心进行识别，既可以避免出现“维度灾难”，又能防止出现过拟合，具有较强的泛化性和鲁棒性；3、算法通过阈值对核体的体积和稳定性加以控制，理论上只要阈值选择恰当，即可得到理想的识别结果。多地区测试结果显示，在处理其他方法难以识别的油(气)水同层和低产油(气)层时，该方法表现出了一定的优势；4、算法操作简单，准确度高，实用性较强，且有较好的推广应用价值。

附图说明

图1为本发明一种用以识别储层流体的核体俘获法的实现步骤流程图。

图2为本发明在某油田某井奥陶系碳酸盐岩地层层段28、29识别结果图。

具体实施方式：

结合附图、根据实施例进一步说明本发明。

本发明为一种用以识别储层流体的核体俘获法，将待测样本集转化为若干个具有相似特征的样本点构成的核体，只需识别每个核心的类别，即可得到所有待测样本的类别。

如图1、图2所示，本发明为一种用以识别储层流体的核体俘获法，在某油田奥陶系碳酸盐岩地层进行测试，具体步骤如下：

1、选取识别因子

结合测井、录井和地质资料，确定目标储集类型为干层、油层、油水同层、水层等四类，并据此选取自然伽马(GR)、自然电位(SP)、深侧向电阻率(RD)、浅侧向电阻率(RS)、声波时差(AC)、密度(DEN)、补偿中子(CNL)等7个参数作为识别因子。

2、数据预处理

从已知样本中提取最能体现储层特征的数据点134个(包括干层样本21个、油层样本47个、油水同层样本31个、水层样本34个)建立参考样本集，利用未知样本点2209个建立待测样本集，并进行标准化处理。

3、核体构建

对待测样本集中所有的点，计算其两两之间的欧式距离。通过对参考集的测试，确定参数N＝13。对数据集中每个元素依次检索出与其距离最短的N个点，并计算此N个距离的平均值选择最小的点作为核心CORE，并将该点及与其距离最短的N个点作为初始核体。根据参考样本确定阈值λ＝0.92，对初始核体进行扩展，得到稳定核体S。将核体数据提取出来，并对剩余数据点重复进行本步骤，直到剩下的点无法为任何核心所俘获为止，并将这些点分别当作仅由核心构成的核体来看待。最终得到共计117个核体，其中包括仅由核心构成的核体79个。

4、识别核体类别

对得到的各个核体的核心，考察距离其最近的N个点所属储集类型并进行投票，将核心归类于其中占优势的类别，并将核体中的所以核粒归类于其核心所属类别。

5、储集层段流体识别

为了便于显示，对定性地识别结果进行定量处理，为干层、油层、油水同层、水层分别赋值为1、2、3、4，根据待测样本集中所有元素的识别结果，绘制一条流体指示曲线，根据每个层段曲线数值的整体趋势特征，确定研究地层中各个层位的流体。

本算法在在该地区奥陶系碳酸盐岩地层24口井共计42个试油层段的测试结果(如表1所示)表明，该算法识别准确率高达90.48％。其中以层段28、29为例(如图2所示)，

表1 本发明在某油田奥陶系碳酸盐地层的应用效果

Claims (1)

1.一种用以识别储层流体的核体俘获法，其特征在于，将待测样本集转化为若干个具有相似特征的样本点构成的核体，只需识别每个核心的类别，即可得到所有待测样本的类别；其方法包括以下步骤：

①选取识别因子

结合测井、录井和地质资料，确定目标储集类型，并据此选择若干个能够表征这些储集类型的测井参数及其衍生参数作为流体识别因子；

②数据预处理

从已知样本中提取最能体现储层特征的数据点建立参考样本集，利用未知样本建立待测样本集。由于测井参数范围往往相差不止一个数量级，为了消除识别因子量纲差异造成的误差，需对样本集进行标准化处理；

③构建核体

对待测样本集中所有的点，计算其两两之间的欧式距离，并对数据集中每个元素依次检索出与其距离最短的N个点，并计算此N个距离的平均值选择其中最小的点作为核心CORE，并俘获上述与其距离最短的N个点，构成初始核体S。根据参考样本选定一个合理的阈值λ，对初始核体进行扩展至平衡稳定态，得到稳定核体。将目标核体数据提取出来，并对剩余数据点重复进行本步骤，直到剩下的点无法为任何核心所俘获为止。将剩余的点作为仅由核心构成的稳定核体来看待；

初始核体的扩展方法如下：首先计算核心CORE在S中的俘获度CAP，观察其CAP是否满足条件CAP(CORE)≥λ。若不满足该条件，则将与CORE距离最远的核粒剔除出核体，直到满足条件为止；若满足该条件，则将在S之外与CORE距离最小的点俘获入S成为核粒，直到不满足条件为止。此时得到的核体即为稳定核体。其中CORE在S中的俘获度的计算公式为：

$\mathrm{CAP}\left(\mathrm{CORE}\right)=\frac{\underset{x_i\&Element;S}{\min }\{\stackrel{\&OverBar;}{d}\left(\mathrm{CORE}\right),\stackrel{\&OverBar;}{d}\left(x_i\right)\}}{\underset{x_i\&Element;S}{\max }\{\stackrel{\&OverBar;}{d}\left(\mathrm{CORE}\right),\stackrel{\&OverBar;}{d}\left(x_i\right)\}}---\left(1\right)$

N值选取方法如下：选择一个较小的初值，从参考样本集中随机抽取部分数据作为训练集而将剩余数据作为测试集，根据训练集元素的类别和分布确定初始N值，在测试集中进行验证，并根据需要对其进行适当修改，多次重复该过程，以得到最优N值。为了保证后续步骤中核心的分类识别结果不会出现“平票”的情况，应保证N为奇数；

阈值λ为一个不大于1的无量纲常数，其选择需根据样本的数据结构而定。一般方法是首先选择一个接近于1的初始值，利用已知从属类别的参考样本对该初始值进行反复验证，直到达到预期为止。λ的取值影响的是核体的体积和数量，取值过小会造成误判，但取值过大仅仅会造成运算量的增大，对判别结果影响不大。因此λ的选择应秉承“宁大勿小”的原则；

④识别核体类别

对得到的各个核体的核心，在参考样本集中考察距离其最近的N个点所属储集类型，将核心归类于其中占优势的类别，并将核体中的核粒归类于其核心所属类别；

⑤储集层段流体识别

为了便于显示，对定性地识别结果进行定量处理，为干层、油层、油水同层、水层分别赋值为1、2、3、4，根据待测样本集中所有元素的识别结果，绘制一条流体指示曲线，并加以平滑，根据每个层段曲线数值的整体趋势特征，确定目标地层中目的层位的流体类别。