基于儲層分類的支持向量機滲透率預測

袁偉, 張占松, 張澤宇, 呂洪志, 李興麗, 崔云江

(1.中海石油(中國)有限公司湛江分公司, 廣東 湛江 524057; 2.長江大學油氣資源與勘探技術教育部重點實驗室, 湖北 荊州 434023; 3.中國地質大學, 湖北 武漢 430074; 4.中海石油(中國)有限公司天津分公司, 天津 300452)

0 引 言

通常,根據測井資料預測儲層滲透率主要采用經驗關系以及統計回歸的方法[1],這種方法操作簡單,但是計算精度卻很難滿足生產要求。自從神經網絡被提出后,這一非線性非參數的回歸方法被引入到油氣儲層參數評價中去,克服了常規統計回歸方法的一些局限性,使得儲層評價精度得到了進一步的提高[2-4]。但是,隨著勘探開發的深入,測井所面臨的地質環境和儲層特征越來越復雜,尤其是在訓練樣本比較少時,神經網絡預測儲層參數的方法逐漸表現出自身的一些缺陷,比如訓練中易出現局部極小、過學習、難以找到最優模型等問題[5]。另一方面,支持向量機這一專門針對小樣本的機器學習方法逐漸發展起來,避開了傳統的從歸納到演繹的過程,預測效率高,簡化了通常的分類和回歸等問題,在許多科學前沿領域取得了成功的應用[6-10]。

研究區屬于三角洲前緣沉積,沉積微相主要有水下分流河道、遠砂壩、支流間灣、河口壩。巖性主要為含巖屑長石石英砂巖,儲層為高孔隙度高滲透性儲層,孔隙度分布在26%～40%,滲透率分布在24～12 000 mD*非法定計量單位,1 mD=9.87×10-4 μm2,下同,分布范圍廣,層間滲透率突進系數Tk=4.5,層間滲透率級差Jk=250.9,層間非均質性強。……