靖西地區馬家溝組高阻水層影響因素分析與識別方法

黎瑤， 張占松*， 張超謨， 周雪晴

(1.長江大學地球物理與石油資源學院， 武漢 430100； 2.油氣資源與勘探技術教育部重點實驗室(長江大學)， 武漢 430100)

隨著鄂爾多斯盆地下古生界勘探開發的不斷深入，諸如高阻出水等常規測井解釋手段難以解決的問題不斷出現[1]，準確識別高阻水層成為勘探開采的關鍵環節。靖西地區54口井試氣資料顯示水層共65層，其中40層存在高阻出水現象，占比高達61.5%。水層高阻現象給現場測井解釋工作帶來誤導，解釋符合率遠遠不能滿足生產要求。

文獻[2-6]針對印度尼西亞納土納盆地、塔中4油田、長慶油田、尼日爾三角洲油田等的高阻水層現象給出了合理解釋，提出了包括儲層致密、瀝青、黏土礦物、地層水低礦化度以及儲層所處構造等可能因素。吳應忠等[2]在分析長81儲層巖性后，發現儲層含有大量粉末狀填隙物，填隙物堵塞了孔隙喉道，連通孔隙被孤立，使得儲層電阻率增加。張志升等[3]在總結了華慶地區延長組儲層發育特點后，認為延長組高阻水層儲層親油，發育的綠泥石膜及瀝青填充了孔隙，導致當油氣富集程度低時儲層會表現出高阻水層現象。Mode等[4]在研究尼日爾三角洲區塊E3油藏時發現發育的砂頁巖薄互層增大了儲層電阻率測量值，在沒有高分辨率測井手段的情況下采用Thomas-Stieber模型來校正油氣對測井的響應能夠有效提高對儲層的評價準確度。綜上所述，高阻水層成因復雜多樣，不同地質背景條件下高阻水層的主控因素也具有差異。目前，針對高阻水層問題比較流行的流體判別方法主要分為傳統交會圖版法[7]、剝層法、數理統計法[8]和機器學習類方法[9-10]。其中圖版法等傳統方法簡單高效，但是當儲層非均質性強，引起測井響應特征非線性變化時，傳統方法很難區分出不同流體性質的差異。高阻水層成因多元化以成趨勢，傳統解釋方法已經開始滿足不了實際生產需求。隨著機器學習方法的不斷發展，具有不易過擬合、預測精度高、容錯率高等優點的隨機森林(random forests, RF)算法成為生產與研究工作中的熱點領域，越來越多的行業引進了這一算法[11]。隨機森林是一種基于多決策樹進行回歸預測和分類預測的算法。隨機森林通過隨機重復采樣技術和節點隨機分裂技術組建多棵決策樹[12]，匯總大量決策樹的預測結果并將其作為一個整體輸出。相較于支持向量機、K鄰近、神經網絡等方法，隨機森林模型泛化能力更強、預測精度更高，對異常值也有很好的容忍性，在油氣預測方向也取得了較好的效果：秦敏等[13]在研究東方X油田的高溫、高壓儲層流體時對比了不同機器學習算法的優劣，結果顯示隨機森林算法識別高溫高壓環境下的流體效果更好。馮明剛等[14]為解決頁巖氣總有機碳含量預測難的問題，提出了基于隨機森林回歸算法的預測方法，發現預測結果較其他方法更為準確合理。郭建宏等[15]分析出與煤層氣含量敏感的測井參數，將斜率關聯度法與隨機森林算法相結合，準確預測出非夾矸段煤層氣含量，為煤層氣產能評價與預測提供了新方法。

結合上述內容，高阻水層的影響因素眾多，包括地質條件與儲層孔隙結構，這為研究提供了一定的指導方向。現根據已有的測井、薄片、掃描電鏡、壓汞等資料，詳細分析靖西地區馬家溝組氣藏不同流體類型的測井響應特征，并探究儲層孔隙結構和廣泛發育的薄互層對水層電阻率測井響應特征的影響規律。在明確成因的基礎上如何選擇合理方法識別出正確流體類型成為另一難題。分析高阻水層識別的難點，引入隨機森林分類算法到靖西地區高阻水層流體識別這類高維分類問題中，建立常規地球物理測井與電成像測井資料相結合的隨機森林流體識別方法，并將建立模型應用于盲井以驗證模型的準確性與泛化性。

1 高阻水層及其測井響應特征

高阻水層在地球物理測井資料響應上與正常水層具有明顯差異，但與高含氣層的響應特征具有很高的相似度，這造成了實際生產中對高阻類型的水層錯判誤判。詳細整理分析了靖西地區馬家溝組高阻水層的儲層特征和地球物理測井響應特征。

1.1 高阻水層

結合生產需要與水層電阻率值分布差異，把日產水大于4 m3，日產氣小于1 000 m3且電阻率高于200 Ω·m的具有一定儲集能力的儲層定義為高阻水層。高阻水層主要發育兩類巖性，分別為海侵時期形成的致密粗粉晶-細晶白云巖與海退時期形成的致密泥晶-細粉晶白云巖。高阻水層巖性較純，含泥較少，泥質含量分布在0.5%～4.5%，平均泥質含量1.95%。高阻水層孔隙類型多樣，主要包含晶間孔、晶間溶孔等6種不同類型(圖1)，孔隙度主要分布在2.14%～6.09%，平均孔隙度為4.53%，正常水層孔隙度主要分布在3.69%～9.50%，平均孔隙度為5.87%。高阻水層具有一定的儲集能力，但是物性較正常水層差；裂縫不發育，滲透性取決于孔隙發育情況。

圖1 不同類型孔隙鑄體薄片Fig.1 Casting thin sections of different types of pores

1.2 高阻水層測井響應特征

表1、表2分別為高阻水層與正常水層的地球物理測井響應特征，表3為氣層的測井響應特征，可以看出，高阻水層地球物理測井曲線響應表現出“兩高三低”的特征。高阻水層深側向電阻率(214.0～834.5 Ω·m，平均值467.5 Ω·m)、測井密度(2.69～2.82 g/cm3，平均值2.74 g/cm3)均為高值，測井聲波時差(151.84～181.23 μs/m，平均值164.14 μs/m)、自然伽馬(7.98～24.79 API，平均值17.30 API)、中子孔隙度(1.64%～9.56%，平均值6.45%)為低值。測井響應特征可以總結如下：①從巖性來看，高阻水層整體自然伽馬值分布與氣層、正常水層存在差異，雖然同為碳酸鹽巖儲層，但是高阻水層泥質含量低，氣層泥質含量相對高；②從物性[聲波(AC)、密度(DEN)、中子(CNL)]來看，高阻水層物性最差，三孔隙度曲線測井響應為低孔趨勢，巖性致密；③從電阻率變化特征來看，高阻水層電性響應分布廣，整體電阻率值分布在中高值范圍，與氣層測井響應范圍重合度高。

不同曲線測井響應對不同流體類型具有不同程度的區分能力，但是僅依據常規測井曲線響應差異難以實現流體類型準確劃分。建立Fisher機器學習模型后發現判別正確率僅為76.6%，且未能準確識別出高阻水層。因此解決這類具有高阻水層的流體識別問題需要進一步分析高阻成因，深度挖掘流體響應的敏感信息進行識別分類。

表1 高阻水層測井響應匯總表Table 1 Summary of logging response for high-resistivity water layers

表2 水層測井響應匯總表

表3 氣層測井響應匯總表

圖2 不同類型水層巖心結構圖Fig.2 Core structure diagrams of different types of water layers

2 高阻水層成因分析

考慮到高阻水層與正常水層測井響應特征和物性差異，重點分析了水層的孔隙結構與層內發育特征對儲層電阻率變化特征的影響，確定了復雜的孔隙結構和廣泛發育的薄互層是靖西地區水層高阻的主要原因。

2.1 孔隙結構特征

孔隙結構與儲層發育的孔隙和吼道的幾何形狀、半徑大小、空間分布以及孔隙之間連通情況有關[16]，孔隙與喉道的配置關系也決定著孔隙流體的物理性質[17]。如圖2(a)、圖2(d)所示, 從宏觀看來，具有高阻現象的水層與正常水層在巖心照片上呈現出明顯區別，前者巖心照片上孔隙顯示為肉眼不易觀測的孔隙形態，孔徑不一，以小孔為主。在微觀上，掃描電鏡圖顯示高阻水層[圖2(b)]受后期改造作用明顯，顆粒之間膠結緊密，大部分孔隙被擠壓填充改造，孔隙半徑主要分布在10～100 μm；CT掃描[圖2(c)]發現高阻水層孔隙連通通道主要為縮頸型吼道，相比正常水層[圖2(f)]孔隙彎曲程度更復雜，難以見到成規模的有效溝通路徑。壓汞資料更加直觀地揭示了高阻水層的孔隙結構特征。壓汞巖樣(高阻水層6塊、正常水層4塊)統計數據如圖3所示，其中高阻水層巖心電阻率分布在273.9～730.9 Ω·m，平均電阻率為507.2 Ω·m。統計結果表明高阻水層具有以下特征：①細喉道，高阻水層平均中值半徑僅為0.19 μm，較正常水層孔喉中值半徑平均值小一個數量級，平均歪度(偏態)為0.093，孔喉分布均勻，這表明高阻水層孔喉類型主要為細孔喉；②差滲流能力，較平均排驅壓力為0.646 MPa的正常水層，高阻水層平均排驅壓力為正常水層的2倍，流體難以流動，滲流性相對較差，孔隙通道連通性不強；③強非均質性，高阻水層平均變異系數(相對分選系數)高，為正常水層的2.7倍，表明高阻水層整體孔隙大小分布不均勻，非均質性強。

圖3 不同類型水層巖心壓汞參數直方圖Fig.3 Histogram of core mercury injection parameters for different types of water layers

2.2 薄互層發育特征

受中央古隆起控制，靖西地區馬家溝組沉積相呈環帶狀分布，白云巖厚度整體呈“西厚東薄”的特點。位于盆地西部的臺坪相帶和蒸發期的含膏云坪相儲層單體厚度一般在50～250 cm，其中發育薄互層井數占比25.4%。以發育薄互層的四口井為例，由井位分布圖[圖(4)]可知，薄互層發育于沉積盆地環形邊緣西部。地質上，盆地邊緣水體較淺，受海平面快速升降的影響，盆地邊緣水動力變化劇烈。隨著高鹽度鹵水中石膏和其他鹽類礦物沉淀與后期溶蝕作用易形成薄互層晶間孔型與膏溶孔型白云巖[18]。由此推測薄互層發育程度受沉積環境與后期改造作用影響。從測井響應上分析，以B12井3 741.5～3 742.5 m、3 744.3～3 745.3 m、3 747.3～3 748.8 m為例，三層合試結果日產水12.0 m3，日產氣1 246.9 m3。試氣層物性較好，但是深側向電阻率值分別高達259.5、293.6、216.7 Ω·m，為典型的高阻水層。B12井儲層中發育薄互層，層內各向異性強，其測井響應圖(圖5)倒數第二道紅色為深側向測井曲線RLLD，曲線僅顯示了地層電阻率整體起伏變化情況，未能有效地反映薄層電阻變化特征。測井響應圖右側第二道主峰電阻率曲線PEAKBIN(主峰電阻率曲線，為某一深度下統計的電阻率頻率分布直方圖中峰值所對應的橫坐標電阻率值)明顯地區分出儲層段與非儲層段的差異：儲層顯示低值，非儲層顯示高值，大小存在明顯差異。圖5右側H2井試氣層為正常水層，儲層厚度大，深側向測井曲線能夠真實地反映儲層流體電阻率特征。鑒于雙側向縱向分辨率一般為60 cm，而電成像測井縱向分辨率為0.5 cm，這證明薄互層對不同分辨率測量儀器的測量精度具有很大影響。

圖4 靖西地區薄層井井位分布圖Fig.4 Distribution of thin-layer wells in Jingxi area

PHIT_AVE為孔隙度譜均值；PEAKBIN為主峰電阻率曲線；XRMI_DYN為增強型微電阻率成像測井圖像圖5 薄厚層測井響應圖Fig.5 Logging response graph of thin and thick reservoirs

2.3 綜合成因分析

靖西地區馬家溝組高阻水層孔隙結構復雜，層內非均質性強。儲層發育多種類型孔隙，顆粒之間膠結緊密，孔隙半徑小，主要集中于10～100 μm，孔隙連通通道以縮頸型喉道為主，孔隙喉道細且連通性差，使得水層電阻率增高[19-21]。部分儲層發育的薄互層使層內各向異性得到增強，影響了整個儲層的電性特征。綜上所述，儲層孔隙結構復雜、薄互層廣泛發育是致使水層地球物理測井響應表現為高阻特征的主要因素。

3 流體識別模型建立與分析

根據上述高阻水層形成原因，采用了常規地球物理測井資料與電成像測井資料相結合的思路，建立了隨機森林判別模型對儲層流體進行識別，識別效果良好。

3.1 曲線優選

在復雜地質條件下，單一的常規地球物理測井方法很難解決實際問題，具有高分辨率、高信息量的成像測井不僅可以彌補常規測井縱向分辨率不足的問題，而且也因為孔隙度譜與電阻率譜包含大量孔隙結構信息使得模型更能反映真實儲層性質[22-24]。選取了常規地球物理測井曲線以及電成像曲線作為模型訓練數據。

在建模之前為驗證曲線選擇的正確性，對曲線進行單參數分析。如圖6所示，電成像測井中PEAKBIN曲線對判別結果具有很高的貢獻，φSDEV曲線對識別結果同樣貢獻較大，二者單參數正確率分別可以達到44.4%與38.9%。這證明曲線的選擇方向與成因分析結果保持一致。

圖6 單參數流體判別正確率統計圖Fig.6 Histogram of single parameter fluid identification’s accuracy

模型數據中常規曲線包括自然伽馬(GR)、聲波時差(AC)、密度(DEN)、補償中子(CNL)、深淺側向電阻率(RLLD、RLLS)，電成像測井曲線分別為孔隙度譜均值φAVE、孔隙度譜方差φSDEV、主峰電阻率曲線(PEAKBIN)、分選系數(SORT)。所使用的電成像測井曲線的計算公式如下。

孔隙度譜均值φAVE計算公式為

(1)

式(1)中：φi為圖像窗口中第i個像素點(即第i個電極)的視孔隙度，v/v；Pφi為對應的視孔隙度頻率。孔隙度譜均值表示孔隙度譜主峰偏離基線的程度，均值越大，儲層性能越好，高阻水層物性較差，孔隙度譜均值相對正常水層偏小。

孔隙度譜方差φSDEV計算公式為

(2)

孔隙度譜方差表示孔隙度譜的分布離散程度，方差越大，儲層非均質性越強。高阻水層由于具有強非均質性，所以整體孔隙度譜方差小于正常水層。

主峰電阻率曲線(PEAKBIN)為某一深度下統計的井壁微電阻率頻率分布直方圖中峰值所對應的橫坐標數值。經過歸一化處理的主峰電阻率曲線為無量綱參數，曲線數值越大，儲層相對電阻率越大。

電阻率譜分選系數[25-26]計算公式為

(3)

式(3)中：R70、R50、R30分別為電阻率直方圖上頻率分布占70%、50%以及30%所對應的頻數。電阻率譜分選系數表征地層均質性強弱，分選系數越大，儲層井壁微電阻率分布集中程度越高。由于高阻水層井壁電阻率分布較為集中，分選系數較正常水層小。

3.2 數據樣本建立

為提高儲層流體識別準確度，選取了16口井33個試氣層段共10條曲線20 658個數據點作為建模訓練集，4 535樣本點作為測試集。為保證模型的正確性，測試集為隨機抽取組成。訓練數據分為氣層、氣水同層、含氣水層、水層、高阻水層、差氣層以及干層7類，每類樣本數量2 098～4 135個，數據均衡，使模型對不同流體的識別能力趨近一致。

3.3 判別模型選擇及參數尋優

模型所用訓練數據所涉及的參數數量多、流體類型多，且不同流體類型測井響應交會圖(圖7)表明不同流體類型測井響應差異微弱，沒有明顯的線性關系。在眾多機器學習算法中，隨機森林算法在面對維數多、體量大、類間差異小的樣本數據時表現出的準確性、魯棒性、泛化性上優于K鄰近、支持向量機、Fisher等機器學習算法。隨機森林用bootstrap方法[27]生成m個訓練集，然后用每個訓練集構造一棵決策樹，獲得m個弱分類器，通過組合多個弱分類器進行投票得到結果，使得模型具有較高的精確度與泛化性能。

圖7 不同類型流體的測井響應交會圖Fig.7 Conventional logging crossplots of different types of fluids

圖8 不同參數模型袋外誤差圖Fig.8 Out-of-bag error diagram of different parameter models

隨機森林算法采用Python語言實現，環境為Python 3.8，隨機森林分類核心算法使用了sklearn.ensemble庫。由于隨機森林模型性能受參數選取的影響較大，為避免人為因素對模型造成誤差，故模型采用5折交叉驗證網格尋優方法確定超參數。尋參結果如圖8所示，當最大特征數max_feature與決策樹最大深度max_depth一定時，決策樹數量為150 棵時模型袋外誤差已經收斂至最低值；當決策樹棵樹與最大深度一定時，最大特征數為4個的模型袋外誤差為最低值。隨著決策樹最大深度的增加，袋外誤差隨之減小，但是不限制決策樹最大深度容易造成過擬合現象，經過驗證決策樹最大深度設為9層比較合適。使用最優參數獲得的模型對測試盲井進行識別，整體判別正確率達到了84.1%，高阻水層識別率為80.2%，這表明模型具有很好的正確率與泛化性。測試集預測結果分別如表4所示，由于驗證數據有限，模型缺乏對干層、差氣層、含氣水層這三類流體類型判別效果的檢驗，后期需要加以驗證。

表4 測試集判別結果

圖9 D1井隨機森林識別結果Fig.9 Fluid identification results of random forest model in well D1

3.4 模型驗證與實例分析

圖9為驗證井D1井在3 016.0～3 018.0 m和3632.0～3 634.0 m的隨機森林模型流體識別結果圖。D1井為雙層試氣，日產水197.0 m3，日產氣量500.0 m3，為典型高阻水層。由圖9可知，71、72號層電阻率分別為421.1 Ω·m和228.9 Ω·m，常規測井解釋(圖9右側第二道)結果為差氣層、水層，這與試氣結論不符。圖9最右側為隨機森林模型給出的結果：水層、水層，模型判別結果與試氣結論相符。這表明基于隨機森林建立的模型具有很好的準確率和適用性。分析巖心物性資料發現該層平均孔隙度3.14%，平均滲透率0.178 mD，儲層物性較好。鑄體薄片[圖10(a)]表明儲層顆粒膠結緊密，無明顯裂縫發育，主要為小孔隙且分布不均，壓汞曲線[圖10(b)]表現出小斜率的線性增長形態，高排驅壓力1.851 MPa，高變異系數9.191，表明試氣層段非均質性極強。由此表明，復雜的孔隙結構是D1井水層高電阻率的主要原因，建立的模型可以很好地識別復雜孔隙結構造成的高阻水層。

圖11為E1井測井解釋成果圖，該井在3 681.0～3 685.0 m日產水4.2 m3，未見產氣，測井響應為高阻特征。測井解釋中僅利用常規測井資料難以正確解釋這一水層，在借助成像資料后發現試氣段發育薄互層，儲層主要厚度分布在10～30 cm范圍內。圖11右側第三道電成像動態圖XRMI_DYN顯示儲層孔隙發育良好，電成像圖像呈現為暗黑色條紋狀，主峰電阻率曲線PEAKABIN(圖11右側圖第二道紅色曲線)呈現劇烈波動，反映高阻地層中發育低厚度儲層。儲層厚度過小導致了層間各向異性強，深側向電阻率值未能反映真實儲集空間電性特征，整體電阻率值偏高，表現出高阻水層特征。

圖10 高阻水層巖心測試資料Fig.10 Core test data of high-resistivity water layers

圖11 E1井測井解釋成果圖Fig.11 Logging interpretation results of well E1

4 結論

(1)高阻水層的成因分析對于油氣藏流體精細評價工作具有十分重要的意義，不同地區的高阻水層成因是復雜多樣的。通過對地球物理測井與巖心實驗等資料分析認為靖西地區高阻水層的成因是由多重因素共同導致的，儲層孔隙結構復雜、薄互層廣泛發育是致使水層地球物理測井響應表現為高阻特征的主要因素。這種宏觀與微觀成因相結合的高阻水層成因分析思路為儲層流體評價提供了新思路。

(2)提出的將常規地球物理測井曲線與特殊電成像測井曲線相結合建立的隨機森林判別模型可以在保持高識別精度的前提下有效識別高阻水層，實現流體類型的正確判別。這證明隨機森林算法在流體識別應用中的可行性與有效性，對油氣評價新方法具有很好的參考價值。但仍然涉及眾多關鍵參數的調節，相信在未來技術革新的推動下算法將不斷被完善，穩定性與復雜度會得以改善。

(3)由于高阻水層的特殊性和復雜性，油氣精細評價還有諸多難題需要解決。因此，對于油氣評價不能僅限于常規手段，數字時代帶來的新技術也可以為油氣評價帶來新方法新途徑。