隴東油田長8 致密砂巖儲層流體性質識別方法研究

楊文豪，趙軍龍，楊嘉慧，毛樊晶

（1.西安石油大學地球科學與工程學院，陜西西安 710065；2.西安石油大學陜西省油氣成藏地質學重點實驗室，陜西西安 710065）

近年來，隨著石油探勘工作的不斷深入，致密砂巖儲層在石油勘探中的占比逐漸增加[1]。致密砂巖儲層勘探開發對于我國能源安全保障十分重要，在低孔低滲砂巖儲層油氣勘探關鍵技術中，致密砂巖儲層的流體性質識別問題顯得尤為重要。

儲層流體性質識別通常借助聲波時差、電阻率測井特征等來研究[2]。而低孔低滲致密砂巖儲層流體性質識別與常規儲層流體性質識別有所不同[3-7]，低孔低滲儲層流體性質識別難度較大[8-10]，常用的低孔低滲儲層流體性質識別方法有電阻率特征判別法[11-13]、曲線重疊法[14-15]、參數交會圖法[16-18]、核磁共振測井法[19-21]、機器學習法等[22-23]。楊克兵等[13]采用深側向電阻率與沖洗帶電阻率的比值來識別油水層，應用到低阻油層的識別上效果好。黃濤梅[14]利用由密度、中子、聲波曲線求取的不同孔隙度進行重疊識別氣層效果較好。秦杰[18]采用束縛水飽和度與含水飽和度交會圖法和“無侵線”圖版法在淡水泥漿侵入條件下識別油水層，提高了吉林油區低阻油層的識別精度。梁則亮等[20]采用核磁共振測井法來研究致密砂巖儲層孔隙結構，并進一步計算出儲層孔隙結構評估的參數，識別出研究區的有效儲層。秦敏等[22]在決策樹、支持向量機、隨機森林和極端梯度提升等算法的融合下，建立了一種Stacking 模型，通過交叉驗證法對各個算法進行迭代優化，使模型達到最優，在應用到高溫、高壓儲層流體性質識別取得了良好效果。

隴東油田長8 致密砂巖儲層為目標儲層，流體性質識別難度較大。為了破解研究區長8 儲層流體性質識別難題，本文在使用致密砂巖儲層流體性質常規識別方法的基礎上，尋找合適的機器學習算法應用于研究區流體性質識別，通過對比優選出適合該研究區的流體性質識別方法。

1 隴東長8 致密砂巖儲層流體性質識別難點分析

常規儲層的流體性質識別主要通過不同流體的測井曲線特征差異進行識別，其中區分油水層主要通過電阻率測井曲線進行識別。而低孔低滲致密砂巖儲層的流體測井響應特征差異模糊，增加了流體性質識別難度[3]，研究區位于隴東油田，主力油層為長8 致密砂巖儲層，低孔低滲致密砂巖儲層流體性質識別困難的主要原因分析如下：

（1）低孔低滲儲層的宏觀成因主要有巖性、泥質含量及膠結物、砂泥巖薄互層等[4]。低孔低滲儲層的巖性對電阻率的影響較大，一般來說細砂巖的電阻率低于粉砂巖的電阻率，巖性不同會導致流體性質識別困難[5]；泥質含量以及膠結物含量與常規儲層相比含量較高，泥質含量的增多會導致低孔低滲儲層的電性發生變化，低孔低滲儲層的電性與含油性關系復雜，雖然利用常規的曲線特性和區域經驗對儲層流體性質識別方面有一定效果，但針對低孔低滲儲層流體性質識別效果一般[6]；砂泥巖薄互層會導致低分辨率測井值精準度降低，在砂巖段泥質較多的情況下，測井響應的特殊性造成油水層識別困難[7]。研究區長8 儲層巖性多為中、細砂巖，泥質含量較高以及砂泥巖薄互層較多，這些因素是造成研究區流體性質識別困難的部分原因。

（2）低孔低滲儲層的微觀成因受復雜孔隙結構影響較大。低孔低滲儲層本身的孔隙度較小，孔隙結構差，巖石孔隙的表面會形成更多的微孔，此外礦物溶解引起的復雜孔隙結構也會造成流體性質識別困難[8]，復雜孔隙結構會造成儲層喉道更為扭曲進而使得在相同孔隙度條件下具有復雜孔隙結構的水層與常規油層具有相近的電阻率，導致油水層難以區分。長8 致密砂巖儲層的巖石潤濕性也會影響地層的電阻率，一般情況下巖石潤濕性是均勻的，整個巖石表面對水或油具有均一的分子親和力，也有巖石的潤濕性是非均質的，巖石表面的不同區域對水或油具有不同的分子親和力，而長8 儲層巖石主要表現為弱親油特征，當儲層的含水飽和度較低時，弱油濕巖石會影響導電性，造成電阻率升高給流體性質識別工作帶來較大的困難[9]。研究區長8 儲層的孔隙結構較為復雜，孔隙度約為10%，屬于低孔低滲儲層，導致流體性質識別困難。

（3）從孔隙流體性質方面來看，低孔低滲儲層成因受地層水及泥漿濾液性質的影響較大。長8 致密砂巖儲層的地層水礦化度大，除了在微觀上可以提高地層的導電能力外，也會對地層電阻率產生影響，地層水礦化度會隨著區域的不同存在差異，一般來說，地層水礦化度相對高的區域，地層電阻率相對較低，地層水礦化度相對低的區域，地層電阻率相對較高，由于地層水礦化度存在的區域差異影響了地層電阻率的測井響應，進而影響流體性質的識別，此外強烈的非均質性也會增加儲層中束縛水含量導致儲層電阻率降低。低孔低滲儲層中束縛水飽和度相對較高，油氣飽和度相對較低，油層電阻率與水層電阻率的差異不大，尤其是采用淡水泥漿鉆井時，由于鉆井液侵入導致水層電阻率升高，甚至出現水層電阻率高于油層、氣層的情況，從而導致使用圖版法識別流體性質時界限模糊，解釋符合率下降[10]。研究區長8 儲層的地層水礦化度存在差異，沒有統一的礦化度，這一因素同樣影響到流體性質識別問題。

綜上可知低孔低滲致密砂巖儲層的成因十分復雜，往往是由一種或多種因素共同作用導致，而不同地區或不同儲層類型的巖石物理特征不同，導致低孔低滲儲層的成因機理也存在差異，進而導致識別低孔低滲儲層流體性質時難度較大。

2 致密砂巖儲層流體性質識別方法對比

研究低孔低滲致密砂巖儲層的流體性質識別問題較為復雜，而低孔、低滲油氣藏往往反映為低對比度特征，因此低孔低滲儲層流體性質識別問題就可以視為低對比度流體性質識別研究。

表1 對不同的流體性質識別方法進行了分類，并且系統的分析了它們的識別原理、適用條件和局限性。電阻率特征判別法與曲線重疊法使用條件較為簡單，可以直接判識油水層，其中電阻率特征判別法適用于電阻率特征差異明顯的地區，在低孔低滲儲層使用效果一般；曲線重疊法的好處是識別氣層相對容易，但需要盡量選擇巖性穩定的井段。參數交會圖法與無侵線法的關鍵在于參數選擇，這一過程容易受到人為影響導致判別標準不同，此外無侵線法主要依賴于鉆井液的侵入特性，普適性不強。核磁共振測井法精準性高，但在全區域使用該方法成本較大。模糊識別法在研究油、水層時效果較好，但是建立的油層和水層標準模型在研究區適用，應用到其他地區還需修改模型。機器學習法的應用前景較好，但需要基于巖石物理實驗的數據和測井解釋方法原理進一步學習和預測研究區儲層流體類型。

表1 常用流體性質識別方法表（據文獻整理總結）

3 研究區流體性質識別方法應用研究

研究區位于鄂爾多斯盆地隴東油田，長8 致密砂巖儲層為該區主力油層，長8 儲層孔隙度在10%附近分布較多，滲透率在0.5×10-3μm2附近分布較多，屬于低孔低滲儲層。本區流體主要分為三類：油層、油水層、水層。根據巖心分析及試油資料可知分類標準為：油層：Sw＜50%、油水同層：50%＜Sw＜70%、水層：Sw＞70%，并將三類流體分別編碼：油層為1，油水同層為2，水層為3。這里擬用電阻率特征判別法、參數交會圖法和機器學習法等開展流體性質識別。

3.1 電阻率特征判別法識別流體類型

電阻率特征判別法是使用不同探測深度的電阻率曲線進行比較區分出油水層。本文擬使用深感應電阻率RILD 與中感應電阻率RILM 進行比較。遵循的原理是油層多為低侵特征，中感應電阻率小于深感應電阻率；水層多為高侵特征，中感應電阻率大于深感應電阻率。將深感應電阻率與中感應電阻率進行比較。電阻率特征判別法識別流體性質結果與試油結果對比見圖1，利用該區8 口井300 個數據點開展流體性質識別分析，由于區分水層和含油氣層較好，無法精準區分油層和油水同層，識別正確率為58%。

圖1 Y642-95 井電阻率特征判別法解釋結論圖

3.2 參數交會圖法識別流體性質

不同流體的測井響應特征可以在圖版上顯示[22]，能夠用于圖版法的測井信息眾多，但是建立圖版需要選擇的測井曲線以及測井曲線組合的形式需根據不同流體類型變換。本文擬使用雙孔隙度交會圖版法來判別流體性質。含水孔隙度Φw根據阿爾奇公式利用電阻率測井數據反算得出，孔隙度Φ 由聲波測井孔隙度計算得出。

該區Y642-95 井含水孔隙度與總孔隙度交會圖見圖2，該交會圖遵循的油水層識別標準和試油結論的標準一致。從圖2 可以看出，油層主要在圖版的左上部，水層主要分布在圖版45°線附近，油水同層主要分布在水層和油層的中間部分。值得指出，圖中油層識別效果較好，但是油水同層與含水層有交會點重疊情況，導致油水同層和水層識別精度下降。該區流體性質雙孔隙度交會圖版法識別結果與試油結果的對比（部分結果）見表2。共在該區8 口井300 個數據點開展識別分析，使用交會圖識別正確率為64%。

表2 雙孔隙度交會圖識別流體性質結果（部分結果）（續表）

圖2 Y642-95 井雙孔隙度交會圖

表2 雙孔隙度交會圖識別流體性質結果（部分結果）

3.3 基于GBDT 梯度提升樹的流體性質識別研究

由于使用電阻率特征判別法識別流體性質時對水層識別效果較好，但無法準確區分出油層和油水同層問題，使用參數交會圖版法識別流體性質無法有效區分出水層和油水同層，而且工作量和難度都明顯上升。為了解決上述問題，快速精準的完成流體性質識別的任務，需要使用到機器學習來輔助測井解釋人員完成工作。本文擬使用GBDT 梯度提升樹算法，通過學習輸入的測井曲線信息與已知流體類別間的關系來預測未知流體的類別。

3.3.1 GBDT 梯度提升樹原理 GBDT（Gradient Boosting Decision Tree）梯度提升樹是一種迭代的決策樹算法，該算法由多棵決策樹組成，將所有樹的結論累加起來的結果當作最終答案[23]。GBDT 中的樹是回歸樹，可以用來做回歸預測，經過調整后也可以用來分類。GBDT梯度提升樹的優勢在于計算速度快，處理數據的泛化能力和表達能力較強，而流體性質識別問題就需要對多種數據的分析和分類，最終綜合各種數據得出結論。本文擬使用GBDT 決策樹中的分類和回歸部分來研究流體性質識別問題。

一個完整的決策樹學習算法包含三個主要步驟：

（1）特征的選擇：本文以測井資料中的GR、SP、AC、RILD、RILM 和Φ 為輸入特征，以1（代表油層）、2（代表油水同層）、3（代表水層）為輸出特征。輸入特征重要性分析見圖3。

圖3 輸入特征重要性分析圖

（2）決策樹的生成：GBDT 決策樹的初始狀態只有一個葉子節點，該節點為所有樣本的初始預測值。

式中：F0為模型的初始狀態，上述公式代表：找到一個γ，使所有樣本的Loss（損失函數）最小。初始化完成后開始進行循環過程，循環過程首要是確定樹的上限。

通過計算確定樹的上限。此處為使用m-1 棵樹的模型，計算每個樣本的殘差γim，這里樹的個數設置為100。對每個葉子節點j，計算γim：

在剛構建的樹m 中，找到每個節點j 的輸出γim，能使該節點的Loss 最小。找到葉子節點之后通過多輪迭代，每輪迭代產生一個弱分類器，每個分類器在上一輪分類器的殘差基礎上進行訓練。

（3）決策樹的剪枝。決策樹的剪枝過程是自下而上的，為了將樹變得更加簡單，從而使它具有更好的泛化能力，解決過度擬合問題，這一過程主要依靠Loss 損失函數，通過極小化決策樹整體的損失函數來完成剪枝過程。

主要流程步驟如下：

（1）初始化GBDT 決策樹，并準備由測井曲線數據和流體編碼組成的樣本訓練集。

（2）找到葉子節點之后進行多輪迭代，每次迭代過程產生一個弱分類器，確定出每個分類器的概率殘差。

（3）將概率殘差當作訓練目標，通過多次迭代的分類樹進行樣本分類和學習。

（4）訓練之后得到基于概率殘差的概率模型，利用該模型預測樣本集，得到所有樣本的流體分類預測值。

（5）將預測得到的流體分類值與試油結果編碼的流體分類值進行對比，確定GBDT 決策樹算法的精度。

基于GBDT 決策樹識別流體性質結果與試油結果對比見表3。

表3 基于GBDT 決策樹的流體性質識別結果（部分結果）

共在該區8 口井300 個數據點開展識別分析，通過學習已知試油結果，經過回歸和分類預測出流體的類型，與試油結果對比發現效果理想，精度可達95%。

4 結論

（1）致密砂巖儲層流體性質識別難度較大，從儲層宏觀結構來看，容易受到巖性、泥質含量及膠結物、砂泥巖薄互層等因素的影響；從儲層微觀結構來看，復雜孔隙結構也會造成流體性質識別困難；從孔隙流體性質方面來看，容易受到地層水及泥漿濾液的影響。其中主要原因為低孔低滲儲層的測井響應不明顯，油水層電阻率區別度不大。

（2）常用的致密砂巖儲層的流體性質識別方法有多種。電阻率特征判別法與曲線重疊法使用較為簡單，參數交會圖法和無侵線法需要研究人員根據地區的不同選用合適的參數，核磁共振測井法成本較高，模糊識別法和機器學習法應用前景較好。

（3）基于GBDT 決策樹的流體性質識別方法的準確性依賴于輸入參數的選擇，在考慮輸入參數時需要參考輸入參數對結果的影響效果，盡可能選擇對結果影響較大的參數當作輸入參數。同常規的流體性質識別方法相比，基于GBDT 決策樹的流體性質識別方法準確率高、穩定性好，同時考慮了低對比度油層的測井響應特征，通過學習敏感參數的概率殘差，來對流體類別進行預測，識別結果與試油結果較為接近。