基于機器學習勘探資源評價方法的應用

宋歌

本文以儲集層含油氣作為研究對象，用機器學習為基于測井解釋的儲層評價提供了一種自動有效的方法，提出了測井儲層評價的機器學習框架，并在2個測井數據集上對其性能進行了驗證。實驗結果表明，測井解釋結論與試油結果一致，與傳統的評價方法相比，該方法效率高，為石油勘探開發大數據平臺的建設提供了參考。

儲層評價的基本思路是充分利用測井資料等多種資料，對儲層特性進行評價，如含油性評價、儲層分類、儲層參數預測和產能估算等。隨著測井資料的不斷積累，勘探開發的重要難點是如何更加充分地挖掘和分析地質數據。機器學習提供了一種新的有效方法，被認為是石油勘探開發領域十大技術之一，被成功地應用于油藏實時動態監測、石油工程工作最佳實踐識別以及油藏描述酬等領域，這些非線性方法優于線性統計分析技術，在石油勘探開發中得到了廣泛應用。在測井解釋方面，機器學習的優點是不需要事先具備巖石物理機制等專業知識，只需要少量的背景知識，直接從地質資料中構建模型。機器學習中的分類技術是儲層評價中最密切相關的工作，廣泛應用于巖性識別、沉積相劃分、儲層參數預測和油氣水層識別等。本文分析了基于測井解釋的儲層評價流程，提出了一套基于機器學習的測井儲層評價框架。

一種基于機器學習的測井儲層評價框架

地球物理測井是利用物理原理解決地球物理問題的一種方法。利用儲層電化學性質、傳導特性、聲學特性和放射性等來預測地球物理參數，主要有數據采集和測井解釋兩大任務。

儲層評價的主要任務是利用測井原始資料對儲層的孔隙度、含油飽和度和巖性特征等進行綜合評價。測井原始數據主要包括電位曲線（SP）、伽馬曲線（GR）、電阻率曲線（RT，RI，RXO、密度測井（DEN）、聲波測井（AC）和補償中子測井（CNL）等測井曲線，除原始測井數據外，還采集了關鍵井的實驗數據。對于關鍵井，不僅要進行綜合錄井采集原始資料，還要進行取芯井巖石樣品的實驗。通過對非臨界井的孔隙度和滲透率等實驗數據的分析，得到巖性和含油性質。

機器學習提供了一種新的有效方法。在測井儲層評價中，孔隙度、滲透率及飽和度等參數的計算，與監督學習中的回歸任務相對應。油層識別、巖性識別和沉積相劃分對應監督學習中的分類任務。油氣勘探開發專家在計算完儲層參數后，結合計算結果和給出最終評價結論。這完全取決于專家經驗，而機器學習為儲層測井評價提供了一種自動、數據驅動的方法。

儲層勘探實驗與分析

屬性選擇

由于輸入數據的維數比傳統方法高得多，可能導致數據擬合過度，建模時需要進行特征選擇。測井解釋常用的特征選擇方法有交會圖法、相關分析法和專家經驗法。特征選擇有嵌入方法、過濾方法和包裝方法3種工作模式。特征選擇是嵌入式算法的一部分。濾波方法是一種獨立于分類器的方法，如基于相關性的特征選擇。

模型優化

不同算法的性能在很大程度上取決于模型參數的設置。因此有必要對模型進行優化。在大多數情況下，設置參數只能依靠經驗或對比實驗，對模型參數優化的研究也很少。一種有效的方法是K交叉驗證和網格搜索相結合。K交叉驗證：訓練數據集將被拆分為個大小相同的獨立文件。選擇-1作為訓練數據集，其余作為測試數據集。建模過程將重復次，并選擇次迭代后的MSE平均值來估計預期的泛化誤差。

模型評估

由于鉆井取心的成本很高，因此很少有可用于訓練的數據。模型評估應采用交叉驗證，除了對分類器進行評價外，還需要進行統計檢驗。

新區塊、新層儲層評價一直面臨新的問題，不同的預測建模方法難以從理論上分析其優缺點，只能通過實驗來確定其適用性。比較了前面提到的框架與傳統的儲層測井評價方法在2種測井數據上的性能，訓練數據集由盆地致密砂巖巖心測井曲線和數據組成，分類標簽為含油氣評價結果，算法用Python語言開發。

（1）儲層參數預測對于第一個數據集，回歸任務是由MRA構造的，因為通常是一個線性問題。由于第二個數據集的非線性，采用了LSSVM，用F檢驗驗證方程的有效性，t檢驗驗證方程系數的有效性。對于修正后的最終模型，第一個數據集的F檢驗P值為4.645E-08，第二個數據集的F檢驗P值為6.996E-07，這表明回歸模型是有效的。

（2）基于機器學習的儲層測井解釋，使用支持向量機、決策樹、貝葉斯、人工神經網絡（ANN）對預測模型進行訓練，并使用十折交叉驗證對模型進行驗證。

總之，機器學習提供了多種建模方法，擴展了儲層評價方法，使分析不僅可以進行預測，而且可以發現新的知識。特別是面對大數據的挑戰，在面臨新問題的同時，快速給出解決方案。為了提高效率，建議開發與現有測井解釋評價軟件相結合的機器學習軟件，不斷豐富算法庫，為解決這一問題提供最佳方案。