基于云模型的蘇五區塊石盒子組流體性質判別方法

徐 擁，丁邦春，邱 毅，陳代剛，任小權，范利群，黃衛東

(川慶鉆探工程有限公司測井公司 重慶 400021)

·開發設計·

基于云模型的蘇五區塊石盒子組流體性質判別方法

徐 擁，丁邦春，邱 毅，陳代剛，任小權，范利群，黃衛東

(川慶鉆探工程有限公司測井公司 重慶 400021)

蘇五區塊石盒子組流體性質難以判別，這是由于在該區高阻與低阻水層、氣層并存，高孔隙度氣層、水層并存，電阻率差異性在本區也難以應用。基于這一困難，參考云模型在其他領域的廣泛應用，提出了由識別流體性質的測井曲線與儲層類別建立聯合判別矩陣進行模式判別的方法——云模型識別方法。該方法利用云模型對各類儲層測井參數進行指標集的構建與正態云建模，從而得到各類儲層隸屬度矩陣，然后利用云模型的定性定量轉換特性進行流體性質判別。

石盒子組；流體性質判別；云模型；隸屬度矩陣

0 引 言

在蘇五區塊的石盒子組儲層流體性質判別中，由于儲層受沉積相、成巖作用以及分流河道沉積等因素的控制，造成測井解釋上的儲層識別難、流體性質判別更難的特點，使得該區的測井解釋符合率比較低，解釋結論具有一定的隨機性和模糊性[1]。如何對儲層流體性質進行正確判別，從而減少試油的盲目性和降低勘探成本，顯得尤為重要。

云模型是用語言值表示的某個定性概念與其定量表示之間的不確定性轉換模型。它主要反映客觀世界中存在的事物(定量)與人類知識中關于此事物的概念(定性)間的映射的不確定性：模糊性(邊界的亦此亦彼性)和隨機性(發生的概率)，并把二者完全集成在一起，構成定性和定量相互間的映射[2]。

在蘇五區塊的石盒子組儲層當中，主要產層有石盒子組的盒8段、盒7段；有高阻氣井，也有低阻氣井，也有高阻氣水井；既有高阻水井(產水高達100多立方米)，也有低阻水井；有物性好的氣井，也有物性好的干層；既有電阻率呈正差異的氣井，也有負差異的水井，還有負差異的氣井；有鄰井高產，井距500 m左右卻是干層；有全烴較高的氣井，也有全烴較低的氣井，也有全烴較高的干層。

由此可以看出蘇五石盒子組的儲層流體性質判別既有模糊性又有隨機性，有必要利用云模型的判別方法，以實現定量的測井資料與定性的解釋結論之間的有機結合，從而提高測井解釋符合率[1]。

1 云模型

云模型是一種定性定量不確定性轉換模型，它將模糊集理論中的模糊性和概率理論中的隨機性有機地結合起來。它通過期望Ex，熵En，超熵He三個數字特征來整體表征一個概念。期望Ex反映了云滴群的重心位置；熵En反映了在論域空間中這個定性概念的可接受范圍，即模糊度，是定性概念亦此亦彼性的度量，而且還反映了論域空間中的點能夠代表這個定性概念的概率，即定性概念的云滴出現的隨機性；超熵He反映了在論域空間中代表定性概念所有點的不確定度的凝聚性，即云滴的凝聚。

如圖1所示，在“青年人”這一模型中，期望是24，熵是3，超熵是0.2。在圖1中，25附近的點最密，離25越遠點越稀，即25屬于“青年”的可能性最大，離25越遠屬于“青年”的可能性越小。靠近概念中心或遠離概念中心處隸屬度的隨機性較小，離概念中心不遠不近的位置隸屬度的隨機性大，符合期望和熵的特點；中間云厚，兩頭云薄，符合超熵的特點[3]。

圖1 定性概念為“青年人”的一維正態云模型

2 基于云模型的流體性質判別方法

儲層的流體性質判別，是將測井采集的各項資料數據與常規的油氣水層的特征進行匹配，從而得到該儲層的流體性質的過程。用到常規測井參數據主要有：補償聲波，補償中子，補償密度，深電阻率，電阻率差異等測井資料以及錄井的全烴資料[4]。

2.1 指標集構建

假設把儲層類型分為4類，即氣層(包括含水氣層)、氣水層、水層(包括含氣水層)、干層(包括微氣、產水層)。對于每一類儲層的測井特征都可以用上述的6個測井參數進行表征。即R1，R2，R3，R4對應于4類儲層(氣層、氣水層、水層、干層)[4]；對于每一類儲層Ri都有 6個特征參數，即

Ri=(xi1,xi2,…,xi6)

(1)

xij表示第i類儲層的第j個特征參數，如x22表示的是氣水層的補償中子值。建立集合U含有6個相應的參數指標，即

(2)

其中Uxj(j=1,2，…)為指標集中的第j個指標

2.2 云模型建模

對于每個指標，都可以用云模型來表示。對于所用的指標變量，即各測井參數都可以表示為區間型變量，如聲波時差，存在著雙邊約束[Δtmin,Δtmax]，可以用期望值作為約束條件的中值，主要作用區域為雙邊約束區域的云來近似建模(可以采用正態云建模)，云參數計算公式如下所示：

(3)

在上式中，Cmax為每個指標的最大值，Cmin為每個指標的最小值；k為常數，可以根據具體指標的模糊性和隨機性而做出具體調整。

2.3 隸屬度計算

設測井過程中測取的某一層的6個測井參數，即X=(x1,x2,…)，xj(j=1,2,…)為測得儲層的第j個特征參數。由上述確定的云模型，可以通過計算每個特征參數的云滴，得到該儲層的每個特征參數相對于4類儲層(即氣、氣水、水、干層)的確定度(即隸屬度)[3]。6個測井參數均為連續型區間變量，則其隸屬度公式為：

(4)

其中Exij為第i類儲層第j個測井參數的期望，Enij’為根據第i類儲層第j個測井參數的熵Enij和超熵Heij求得的方差。

由上述的隸屬度公式可以構造一個關于測井參數的隸屬度矩陣，即一個4×6矩陣：

(5)

2.4 權值確定

在流體性質判別中各參數權值的確定很重要。一般在先驗條件下，即沒有試油結論的情況下，權系數可以用等概率來代替，即

ωij=1/6,i=1,2,…,n;j=1,2,…,m

(6)

n為儲層類型個數，m為測井參數個數，ωij為待判別儲層的第j個測井參數相對于第i類儲層的第j個測井參數在總的隸屬度中所占的權值。

在有試油結果的情況下，根據各參數在儲層流體性質判別中的重要性對權值作出相應動態調整。具體方法如下：

首先計算每個特征參數識別結果的熵，即：

Cij=-μRijln(μRij)

(7)

其中Ci j為待識別儲層的第j個測井參數相對于第i類儲層的第j個測井參數隸屬度的熵。則權值可以確定為

(8)

由上式可以看出，待識別儲層相對于模板庫每類儲層的測井參數的權值是不同的，隨著各測井參數的變化而變化。

將各參數的權值代入，可以得到總的隸屬度矩陣B：

(9)

(10)

2.5 流體性質判別準則

依據式(10)求得的隸屬度矩陣，采用以下判別準則進行判別：

設任意兩類儲層R1，R2?R，滿足

(11)

如果有

(12)

則R1即為判別結果，ε1、ε2為預先設定的門檻，R為儲層類集合，m(Ri)為待識別儲層相對于儲層類別Ri的隸屬度，即bi。換句話說，假設現有兩類儲層R1為氣層，R2為氣水層。對于待識別的儲層Ri，可以求出Ri對于四類儲層的隸屬度m(Ri)=bi。如果m(R1)為最大，m(R2)為除m(R1)外最大，且有m(R1)大于某一預先設定的門檻，m(R1)與m(R2)之間的差別大于某一門檻，則R1即為待識別的Ri的判別結果，即Ri為氣層[3，4]。

3 結 論

本文將云模型引入到儲層流體性質判別中，提出了一種基于云模型的判別方法。該方法利用云模型對儲層類別的測井參數進行正態云建模，并且利用云模型的定性定量轉換特性對儲層流體性質進行判別，同時給出了可以動態調整測井參數權值的方法。在這一模型中，對流體性質的判別綜合了各種參數，實現了綜合解釋的綜合性，并且不因人而異，直接面向原始測井資料。

[1] 白雪見.蘇里格氣田南區上古生界盒8段、山1段儲層儲集空間類型研究[J].長江大學學報(自科版)，2014，11(31)：52-55.

[2] 劉 禹.云模型霧化特性及其在進化算法中的應用[J].電子學報，2009,37(8):1651-1658.

[3] 劉常昱.基于云X信息的逆向云新算法[J].系統仿真學報，2004，16(12):2417-2420.

[4] 洪有密.測井原理與綜合解釋[M].東營：石油大學出版社，1993：22-32.

A Method to Identify Reservoir Fluid Property Based on Cloud Model at Shihezi Formation

XU Yong, DING Bangchun, QIU Yi, CHEN Daigang, REN Xiaoquan, FAN Liqun, HUANG Weidong

(WellLoggingCompany,ChuanqingDrillingEngineeringCo.Ltd.,Chongqing, 400021,China)

Because of the coexistence of high and low resistivity water layer, and high low porosity water layer and gas layer, it is difficult to identify the fluid property in Sulige Gas-field, and the resistivity difference is also difficult to be applied in this field. The pattern recognition method is presented, which is established joint matrix by the fluid properties logging curves and reservoir classification-the widely applied cloud model. The membership degree matrix is obtained about all sorts of reservoir, and the fluid property can be identified by applying the introversions between qualitative and quantitative.

Shihezi formation; identification of fluid property; cloud model; membership degree matrix

徐 擁，男，1977年生，工程師，2000年畢業于中國石油大學(華東)計算數學及應用軟件專業，現從事生產管理工作。E-mail：109905832@qq.com

TP391.9

A

2096-0077(2016)06-0039-03

2015-12-20 編輯：韓德林)