致密砂岩气藏动态分类委员会机器测井流体识别方法

致密砂岩流体识别难度大,智能算法能够较好地建立其流体识别模型.相较于单一智能算法,分类委员会机器通过联合多个专家(智能算法)有助于提升智能模型整体性能.而针对分类委员会机器中单个专家性能难以提升的问题,添加门网络构建动态分类委员会机器是一种更有效的模块化学习方式.本研究首先采用门网络将输入数据划分为多个子数据集,然后联合决策树、概率神经网络、贝叶斯分类、BP神经网络、最近邻算法分别训练子数据集得到多个子模型,最后利用组合器最优化子模型组合得到最佳的流体识别模型.针对塔里木盆地库车坳陷大北、克深、博孜地区致密砂岩地层测井数据和测试数据,采用平均影响值法优选敏感测井系列作为输入,构建了动态的测井流体识别模型,其训练、验证准确率分别为96.29%和91.39%.利用此模型以BZ9井为例进行流体类型判别,预测结果与测试结果一致.该方法将无监督与有监督学习相结合,引入门网络提高了数据集利用效率,避免了数据集分布不均衡对模型构建的影响;采用投票机制集成多种专家,建立了子模型与专家的适应关系,流体识别模型预测精度和泛化能力大大提高.     

地层模量分解及在流体识别中的应用

储层流体识别是确定油气水分布,合理布设井位,提高钻井成功率的关键之一.本文基于流体饱和孔隙介质岩石物理模型,对地震反演的地层体积模量进行分解,获得孔隙流体体积模量,并依据油、气、水(尤其是气-油、气-水)模量的显著差异进行识别.文中简要分析了Gassmann模型和Kuster-Toksz模型的特征,详细讨论了孔隙形态和饱和度对弹性模量的影响,提出了联合Kuster-Toksz方程和Gassmann方程的体积模量分解方法.该方法通过Kuster-Toksz方程从测井数据中反演地层骨架固体和干骨架的弹性模量,再利用Gassmann方程对地层体积模量进行分解,既考虑了孔隙形态,又充分利用了Gassmann方程的易用性.理论模型结果表明方法是可行的.方法应用于西部地区某气田,流体识别与地层含气性预测结果与钻井基本一致,进一步证实了方法的有效性.     

基于流体因子叠前地震反演的油水识别方法研究与应用

在双相介质理论指导下构建的流体因子Gassmann流体项f可以实现对油水层的有效判识。本文基于包含流体因子f的反射系数近似公式推导,得到相应的流体弹性阻抗方程,将流体因子纳入地震反演过程并直接参与目标储层的流体识别,实现了从弹性阻抗数据体中直接反演流体因子f的方法技术流程。流体因子f的直接反演有效减少间接计算所带来的累计误差,提高了地震流体识别的精度。在实际资料应用中,结合研究区地质背景与地球物理特征开展的岩石物理分析表明,Gassmann流体因子f对含油和含水特征有较好的区分作用。反演结果表明,流体因子f能为有效地识别目的层的油水特征,为下一步的钻井开发提供可靠的技术支持。      

基于近似支持向量机的流体识别因子融合

通过叠前反演获得的单参数或组合参数都有一定的流体识别能力,但如何将多种流体识别因子有效融合是目前进行流体识别的一个难题.利用人工参与进行流体性质的综合解释是目前流体识别因子融合的主要途径,但这种方法人为干扰较大,不确定性强.鉴于此,本文提出了一种基于近似支持向量机的流体识别方法.该方法首先以实际工区测井资料为依据,优选出对工区内储层所含流体特征敏感的流体识别因子作为输入参数,然后通过近似支持向量机进行流体性质的判别,实例证明该方法的识别结果客观准确,是一种可靠的流体识别方法.     

基于SVM测井数据的火山岩岩性识别——以辽河盆地东部坳陷为例

辽河盆地东部坳陷储集层由火山多期喷发形成,岩相岩性复杂,岩性以中、基性火山岩为主.本文将火山岩的岩心及岩矿鉴定资料与测井数据进行整合,应用测井数据建立支持向量机(SVM)两分类和多分类岩性识别模式.首先,深入研究支持向量机二分类及"一对一"、"一对多"和有向无环图三种经典多分类算法的基本原理及结构;然后,总结研究区域火山岩岩石特征,分析测井数据的测井响应组合特征,选择40口井中岩心分析和薄片鉴定资料完整、常规五种测井曲线(RLLD,CNL,DEN,AC,GR)齐全的1200个测井数据作为训练样本,构造三种支持向量机岩性识别模式;最后,对4测试井中800个测井数据进行岩性识别,识别结果与取心段岩心描述和岩心/岩屑薄片鉴定资料对比,实验结果表明有向无环图更适合辽河盆地火山岩的识别,识别正确率达到82.3%.     

基于多源地球物理数据的机器学习方法在地质体分类中的应用——以黑龙江多宝山矿集区为例

为适应多源地球物理大数据地质解释的需要,同时也为了在地质体物性存在交叠情况下快速有效地实现多源地球物理数据的地质解释,本文提出应用机器学习的支持向量机方法对多源地球物理数据进行地质解释的新思路,并给出了利用物性三体(密度、磁化率、电阻率)进行地质体圈定与分类方法.阐明了参数归一化、参数寻优对模型训练与学习及分类结果的影响与作用.本文将黑龙江多宝山矿集区物性三体与矿集区的区域地质、矿床地质及钻井资料相结合,利用所提出的方法对地下地质体进行了圈定与分类,对分类结果经过交叉检验,正确率达81.6%,表明了训练模型具有较高的可信度.经对预测模型填充已知物性参数正演的重磁异常与实测重磁异常对比,证明两者在整体和细节上均有高度的相似性,间接说明对地质体圈定与分类结果的可靠性,进一步表明利用多源地球物理数据,采用支持向量机方法圈定地质体及对地质体进行岩性识别方面的合理性与有效性.多源地球物理数据机器学习的支持向量机方法在多宝山矿集区地质体圈定与分类所取得较好的应用效果,为多源综合地球物理的地质解释提供了可借鉴的成功经验,也提供了多源地球物理资料地质解释的一种新型的技术手段,开辟了应用人工智能方法进行...     

基于改进多分类孪生支持向量机的测井岩性识别方法研究与应用

岩性识别是认识地层及求解储层参数的基础,受地质环境复杂性和非均质性影响,测井曲线间存在着大量的信息冗余,数据集类间分布不平衡,常用的分类算法无法满足实际需求.针对常用分类算法容错性差,识别岩性单一和无法有效解决类间不平衡的问题,本文改进合成少数过采样技术(Synthetic Minority Over Sampling Technique,SMOTE)来处理数据集,可得到类间平衡的新数据集,并提出一种新的模糊隶属度函数改进模糊孪生支持向量机,在北美Hugoton油气田实际测井数据的基础上,用改进多分类孪生支持向量(Improve Multi Class Twin Support Vector Machine,IMCTSVM)综合自然伽马(GR)、电阻率(RL)、光电效应(PE)、中子密度孔隙度差异(DPHI)和平均中子密度孔隙度(PHIND)五种测井参数,以及相对位置(RELPOS)和非海洋/海洋指标(NM_M)两种地质约束变量,识别出9种岩性.将识别结果与传统支持向量机、深度神经网络等方法进行对比与分析,发现IMCTSVM算法优于上述两种分类算法,取得了较好的识别效果.     

基于Xu-White模型横波速度预测的误差分析

在砂泥岩剖面中,基于Gassmann方程和Xu-White岩石物理模型,利用常规测井资料及实验室岩石物理数据进行横波速度估算.模型中考虑了泥质砂岩中基质性质、泥质含量、孔隙度大小和孔隙形状以及孔隙饱含流体性质对岩石速度的影响.综合分析了模型中砂、泥岩和孔隙流体弹性参数以及孔隙纵横比等输入参数的误差对预测横波速度精度的影响.数值模型试验表明,在Xu-White模型中采用变化的孔隙纵横比估算出的横波速度远远比采用固定孔隙纵横比估算出的横波速度准确.     

基于改进Stacking算法的致密砂岩储层测井流体识别

致密砂岩储层物性差,测井响应对孔隙流体不敏感,应用传统测井解释图版划分流体类型精度较低.机器学习技术通过学习更多维度的特征,可以建立合适的流体识别模型.相较于单一算法,集成学习可以通过联合多个专家模型提升预测精度,但是不同的集成学习策略性能差距较大.本文提出了一种改进的Stacking算法,通过平均影响值法寻找敏感测井曲线作为输入,利用不同的特征集构建多个子模型,并使用不同集成策略将其组合为若干性能更佳的专家模型进行训练,同时引入独立专家避免过拟合,将专家模型的预测结果通过交叉验证的方式进行模拟预测,最后应用元学习器预测最终结果.将该方法用于库车坳陷迪北气藏致密砂岩储层流体识别,测试准确率可达93%,优于CatBoost模型和XGBoost模型,证明了该方法的有效性和适用性.为致密砂岩储层流体识别提供了新的思路.     

基于基追踪弹性阻抗反演的深部储层流体识别方法

深部储层地震资料通常照明度低、信噪比低、分辨率不足,尤其是缺乏大角度入射信息,对深部储层流体识别存在较大影响.Gassmann流体项是储层流体识别的重要参数,针对深层地震资料的特点,本文首先在孔隙介质理论的指导下,推导了基于Gassmann流体项与剪切模量的两项AVO近似方程.通过模型分析,验证了该方程在小角度时与精确Zoeppritz方程误差很小,满足小角度入射条件下的近似精度要求.然后借助Connolly推导弹性阻抗的思想,推导了基于Gassmann流体项与剪切模量的两项弹性阻抗方程.针对深部储层地震资料信噪比差的特点,利用奇偶反射系数分解实现了深部储层基追踪弹性阻抗反演方法,最后提出了基于基追踪弹性阻抗反演的Gassmann流体项与剪切模量的求取方法,并将提取的Gassmann流体项应用于深部储层流体识别.模型测试和实际应用表明该方法稳定有效,具有较好的实用性.     

测井岩性识别新方法研究

为了更好地解决测井岩性识别问题,引入了一种基于粒子群优化的支持向量机算法.通过实际测井资料和岩性剖面资料进行学习训练支持向量机,并利用粒子群优化算法对支持向量机参数进行优化,建立了测井岩性识别的支持向量机模型,应用该方法对准噶尔盆地某井的测井岩性进行识别,并将该方法的识别结果与BP神经网络方法的识别结果进行了比较,结果表明该方法优于BP神经网络方法,具有识别正确率高、收敛速度快、推广能力强等优点.     

孔隙裂隙型砂岩横波速度预测方法

在地震资料的AVO分析以及储层预测的流体识别分析等中需要横波速度信息,然而目前多数地区缺少横波速度测井,既没有岩石物理测试也没有VSP提供的横波速度信息.以往AVO和储层反演中的横波速度通常依靠经验公式或从纵横波波速度比为常数的假设中得到.这些经验公式往往精度很低,对于AVO特性包括弹性阻抗等特性描述不准确.特别是对储层中流体变化引起的AVO异常无法准确描述.为了获得准确的横波速度信息,我们采用Gassmann方程为基础的孔隙介质理论以及Lee提出来的方法建立了孔隙介质的横波速度模型.以此模型为基础,利用Thomsen的裂隙介质理论建立更加符合实际的含有裂隙的孔隙砂岩模型.预测的横波速度与实际的横波速度的对比证明了本文方法的有效性.     

含气饱和度半定量预测方法探讨与应用

勘探实践中,与水和油相比,地层岩石孔隙中含气引起的地球物理响应特征更加明显,因此利用各种地震弹性参数较容易判定和识别地层中是否含气.然而这种含气性的判别多是定性的,含气饱和度的半定量化预测一直是个挑战.利用岩心分析、测井和测试资料,从岩石物理模拟与诊断出发,结合Gassmann流体替换理论,分别研究含气砂岩和含气饱和度的敏感弹性参数,建立相应的岩石物理解释图版.在此基础上,通过地震叠前弹性反演技术分含气砂岩和高饱和度含气砂岩两步法递进式实现含气饱和度的半定量预测,取得了较好的应用效果.实例研究表明,在一定地质条件下,这种两步法递进式半定量预测砂岩含气饱和度的方法行之有效,实际生产中可操作性强,具有一定借鉴意义.     

基于自适应粒子群优化最小二乘支持向量机的深层变质岩测井岩性识别

辽河坳陷中央凸起中南部基底变质岩类型多样,测井岩石物理参数与岩性之间的映射关系复杂,测井响应多解性强,导致传统的测井岩性识别方法结果不精确.本文采用基于自适应粒子群参数优化的最小二乘支持向量机算法进行变质岩的测井多参数岩性识别.通过变质岩测井岩石物理分析,优选出对岩性敏感的自然伽马、自然电位、声波时差、深侧向电阻率、密度和补偿中子6种测井参数作为特征输入,以自适应粒子群算法优化最小二乘支持向量机参数,构建岩性判别模型,预测目的层段变粒岩、混合花岗岩、混合片麻岩、混合岩和角闪岩5种类型变质岩的垂向分布.与支持向量机、K最邻近及人工神经网络算法的岩性识别效果相比,本方法判别准确率最高,符合率为90.17%,在随机划分的10次样本预测中本模型稳定性最强,分类性能最好,平均AUC值为0.974,有效解决了深层基底变质岩储层精细描述中的岩性精准识别难题.     

基于Gassmann方程流体替换的影响因素分析

岩石物理是将地震数据与油藏特性和储层参数联系到一起的理论基础.流体替换是岩石物理分析中的重要手段,而Gassmann方程是流体替换中最重要的理论基础之一.因此,研究Gassmann方程中的各个参数对结果的影响是十分必要的.本文分析了Gassmann方程的理论基础,并探讨了方程中岩石参数和流体参数的求取方法,重点分析了方程中的各参数误差对结果的影响,认为岩石密度和剪切模量对流体替换后的纵横波速度影响较大.研究结果为利用地震资料和测井资料进行流体替换提供了指导和参考作用.     

基于AVO反演的频变流体识别方法

研究表明流体引起衰减与频散往往表现为频变AVO现象.一些频散地震属性,例如纵波频散,已经证实为可靠的碳氢指示因子.为了更有效地识别流体,基于f-μ-ρ近似构建了新的流体因子D_f,即频变流体项.该属性的反演首先需要连续小波变换(CWT)谱分解得到不同频带地震数据,通过去相关与先验约束来保证反演结果可靠性.模型试算证实了频变反射系数近似公式的精度可靠性,D_f可以识别出强衰减介质所引起的频散现象.实际数据试算中,D_f可以较好地识别储层孔隙流体,尤其对于气层,具有较好的指示效果.该流体因子将Gassmann流体项的高孔隙流体敏感性与叠前数据丰富的振幅频率信息相结合,反演效果与岩石物理认识相符.此研究有助于利用衰减频散现象借助AVO反演实现流体识别.     

饱和致密砂岩中动态剪切模量硬化的实验研究与理论模拟

Gassmann理论认为岩石的剪切模量在饱和流体前后保持不变,这一认识被广泛应用于高孔高渗常规储层中.然而,致密砂岩等非常规储层通常具有低孔、低渗以及孔隙结构复杂等岩石物理特征,因此Gassmann流体替换理论在此类储层的适用性尚不明确.针对这一问题,本文在1～60 MPa有效压力内分别测量了干燥与饱水致密砂岩样品的超声纵、横波速度,并对饱水前后砂岩的剪切模量变化特征进行了分析.结果表明,致密砂岩的剪切模量在饱水前后可能出现弱化或硬化现象.通过对致密砂岩样品的孔隙纵横比进行定量化分析,发现对于微裂缝主要分布在颗粒间以及颗粒内,并且软孔隙纵横比分布范围宽、软孔隙含量较高的样品更容易表现出剪切硬化的特征.利用一般形式的喷射流模型可以较好的模拟剪切硬化现象,但要考虑微裂缝的闭合情况对输入参数的影响.剪切硬化主要来源于高频弹性波激励下流体的喷射流频散作用.考虑到特定条件下在地震和测井频带也会产生频散现象,因此致密砂岩等非常规储层在进行流体替换时需考虑剪切模量可能会发生变化,盲目使用Gassmann流体替换理论的剪切模量不变假设可能会引起较大的预测误差.     

碳酸盐岩储层测井流体替换方法与应用分析

碳酸盐岩地层的测井流体识别是石油测井数据处理与解释的重要内容和难点.本文基于Gassmann等效介质理论和流体替换基本原理,详细研究了基于测井数据和评价结果的流体替换方法,实现步骤和流程.针对塔河油田奥陶系地层,利用测井资料和试油资料,应用该流体替换方法和流程分别进行了饱含水、饱含气和饱含油的流体替换,根据流体替换前后的密度、速度以及体积模量等岩石物理参数的变化,实现了碳酸盐岩地层的流体识别.     

基于PSO-SVM的测井岩性识别方法研究——以南图尔盖盆地K油田古生界(Pz)储层为例

南图尔盖盆地K油田古生界(Pz)岩性多样、孔隙结构复杂,针对常规岩性解释方法对该储层岩性识别准确度未达到预期效果,严重制约了测井储层解释等问题,提出基于粒子群算法优化支持向量机(PSO-SVM)的岩性识别方法.通过岩心资料分析不同岩性的测井响应特征,建立测井相识别图版.选择对研究区岩性敏感的自然伽马、阵列感应电阻率、声波、中子、密度与光电吸收截面指数等七条测井曲线参数作为输入特征值,以粒子群算法优选合适的支持向量机参数(惩罚因子和核函数参数)对研究区4口取心井进行样本学习,建立基于PSO-SVM的岩性识别模型,其识别准确率达到了97%.相对于传统SVM算法,PSO-SVM岩性识别模型预测结果的速度更快,精度更高.通过将该模型应用于取心井与试油井,在正确识别岩性的同时,有效提高了测井储层解释的准确性.结果表明,在K油田复杂岩性识别中应用PSO-SVM方法,可为提高测井储层解释的准确性提供较可靠的岩性依据.     

基于地震资料的三种岩性流体预测方法对比分析

利用地震资料识别储层流体是储层预测的一项重要内容,对储层流体的识别是通过流体识别因子来实现的.首先引入三种流体识别因子并介绍其预测流体的方法原理,在此基础上以湿砂岩和含气砂岩为例,对比分析了不同流体识别因子对流体的敏感度,然后通过一个具体实例进一步验证了不同方法的特点.分析结果表明,第三种方法对流体的敏感度最高,能更准确地表征岩石孔隙中流体的性质.