基于SSOM 的流動單元劃分方法及生產應用
——以渤海灣盆地F 油田古近系沙三中亞段湖底濁積水道為例

王 亞，劉宗賓，路 研，王永平，劉 超

（中海石油（中國）有限公司天津分公司，天津 300452）

0 引言

濁積扇低滲透儲層地下構型結構復雜，內部砂體形態、規模、延伸狀況存在明顯差異，砂體內廣泛發育的隔層和夾層使得厚油層被分割成了多個連通或不連通的滲流單元。目前，已有不少學者開展了濁積扇儲層構型模式的研究［1-3］，國外以Mutti等［4］的五級劃分方案應用最為廣泛，而國內比較有代表性的是林煜等［5］和李志鵬等［6］的六級劃分方案。這些濁積扇儲層構型模式的研究為油田開發初期的井位部署提供了重要的指導作用，隨著油田開發進入中后期，層間、層內的干擾導致開發效果變差，構型模式的認識難以對該階段儲層油水運動規律的表征形成指導作用，亟需在構型模式的基礎上明確不同滲流單元的空間展布，以期為完善開發井網和注采結構調整提供重要依據。

流動單元是表征儲層滲流性能好壞的地質單元，自Hearn 等［7］1984 年首次提出流動單元的概念以來，被廣泛應用于儲層精細油藏描述［8-9］。流動單元的劃分方法由最早的統計學方法，如線性判別分析、聚類分析、模糊數學逐漸向人工智能（支持向量機、人工神經網絡等）領域邁進［10-12］，其評價參數也由單一的靜態參數向多參數融合分析轉變［13］。以往研究表明，2 種或多種方法的組合通常比單一方法具有更好的識別效果［12-14］。精細的儲層構型模式研究是滲流屏障識別及連通體劃分的基礎［15-17］，對流動單元研究至關重要。一方面，儲層構型模式研究可以找到識別和預測的成因單元，并在此結構內部依據巖性、物性及滲流特征等開展流動單元識別；另一方面，構型模式研究與滲流屏障識別關系密切，能夠為滲流屏障識別和級別劃分提供理論參考依據。然而，以往對基于儲層構型模式的流動單元研究相對較少。

以渤海灣盆地F 油田沙三中亞段湖底濁積水道儲層為例，綜合運用巖心、測井及生產動態等資料，以取心層段定性劃分的流動單元作為訓練樣本，采用監督模式下的自組織映射神經網絡算法與因子分析法相結合的方式開展未取心層段的流動單元定量識別，并對構型模式控制下的流動單元分布規律進行分析，以期為后續剩余油挖潛、優化注采井網及提高開發效果等提供依據。

1 地質概況

F 油田位于渤海灣盆地東南部，構造斷裂活動較弱，構造形態相對簡單，是一被斷層切割的穹隆背斜構造，東部由北東向和南東向的2 條斷層交叉遮擋，對砂體沉積及油氣聚集起控制作用（圖1a，1b）。沙三中亞段4 砂層組為其主要含油層系，垂向上根據隔夾層發育特征可劃分出4 個小層以滿足油田開發。目的層油藏埋深為2 800～3 100 m，為典型的湖底濁積扇沉積，以中扇、外扇亞相為沉積主體（圖1c）。其中，濁積水道砂體發育，單砂層厚度為6.6～13.7 m，平均為10.7 m，垂向上水道砂體多期疊置，平面上呈大面積連片分布。受濁積水道垂向加積和側向遷移變化快的影響，對于儲層空間展布特征及連通性的研究難度較大。

圖1 渤海灣盆地F 油田古近系沙三中亞段構造特征（a，b）及巖性地層綜合柱狀圖（c）Fig.1 Structural features（a，b）and stratigraphic column（c）of middle Es3in F oilfield，Bohai Bay Basin

研究區沙三中亞段4 砂層組濁積扇沉積特征復雜、巖性多樣，發育含礫砂巖、中—粗砂巖、中—細砂巖、粉砂巖、泥質粉砂巖及泥巖。儲層巖石類型主要為巖屑長石砂巖，碎屑顆粒中石英體積分數占39.67%，長石體積分數占33.60%，巖屑體積分數占26.73%，成分成熟度較低。砂巖分選中等，分選系數為1.3～1.9，粒度中值為0.12～0.16 mm。粒間填隙物以碳酸鹽膠結物為主，呈孔隙式膠結，體積分數平均為8.7%。受埋藏壓實作用和碳酸鹽膠結作用的影響，儲層物性、滲流能力均較差，儲層孔隙度平均為15.9%，滲透率平均為11.6 mD，且不同小層間非均質性較強（圖2a）。開發進入中后期，受儲層非均質性的影響，層間、層內干擾顯著，注水開發效果變差，各層的采出程度差異大，造成水竄嚴重（圖2b，2c）。因此亟需開展流動單元的相關研究，以明確不同滲流單元的空間展布，為完善開發井網、細分開發層系以及改善開發效果提供依據。

圖2 渤海灣盆地F 油田古近系沙三中亞段各小層的滲透率（a）、相對吸水強度（b）和采出程度（c）對比Fig.2 Comparison of permeability（a），relative water absorption strength（b）and recovery degree（c）of sublayers of middle Es3 in F oilfield，Bohai Bay Basin

2 基于儲層構型模式的流動單元分類

2.1 基于構型的滲流屏障及連通體分析

根據Mutti 等［4］和林煜等［5］針對濁積水道的構型劃分方案，結合濁積水道儲層的分布特征及其對油田開發的影響，建立了渤海灣盆地F 油田沙三中亞段湖底濁積水道儲層8 個級次的構型界面劃分方案：構型級次由高到低依次為湖底扇復合體—單一湖底扇—水道體系—復合水道—單一水道—水道內部增生體或韻律層—紋層組—紋層。此外，依據濁積水道的成因類型和沉積模式可將研究區進一步劃分為3 類單一水道，分別為一類單一水道（以塊狀砂礫巖相及中—粗砂巖相為主）、二類單一水道（以中—細砂巖相為主）及三類單一水道（以泥質粉砂巖相為主），3 種類型的單一水道在垂向上具有不同的沉積模式（圖3）。

圖3 渤海灣盆地F 油田古近系沙三中亞段單一水道類型及沉積模式Fig.3 Single channel types and sedimentary model of middle Es3 in F oilfield，Bohai Bay Basin

一類單一水道形成于濁積水道體系演化的早期，是高密度濁流沉積的產物，自水道底部向頂部依次發育塊狀砂礫巖相、塊狀粗砂巖相、中—粗砂巖夾薄層粉—細砂巖相；鮑馬序列的底部遞變層理段最發育，頂層沉積不發育，序列模式為AB 組合；自然伽馬曲線（GR）和電阻率曲線（Rt）呈齒化箱形。二類單一水道形成于濁積水道體系演化的中期，屬低密度濁流沉積，水道底部以塊狀砂礫巖相和塊狀中—粗砂巖相為主，主體部位主要發育塊狀中—細砂巖相及少量的薄層細砂巖，頂部主要發育泥質粉砂巖相，沉積物粒度自下而上逐漸變細，為典型的正韻律沉積；鮑馬序列發育有ABCD 組合和ABC組合；GR與Rt曲線呈鐘形、箱形或箱形-鐘形組合，內部存在回返。三類單一水道形成于濁積水道體系演化的晚期，屬濁流消亡期的泥質濁流沉積，沉積物粒度較細，以泥質粉砂巖為主；鮑馬序列發育最為完整，包括ABCDE 組合和ABCD 組合，以上平行紋層段的泥質粉砂巖和粉砂巖沉積為主，底部遞變層理發育較少；GR與Rt曲線呈齒化嚴重的鐘形，內部回返明顯（圖3）。

從水道體系、復合水道與單一水道3 個級次開展滲流屏障分析。研究區為簡單的背斜構造，鈣質膠結物在儲層中難以形成穩定分布的層間滲流屏障，以局部的層內滲流屏障存在，因此主要分析泥質滲流屏障。水道體系的劃分界面為不同水道體系間區域穩定分布的泥質隔層，對應構型級次劃分的六級（⑥）界面，為一級滲流屏障；復合水道的泥巖屏障往往為發育廣泛、分布相對穩定的垂向泥質隔層，對應構型級次劃分的五級（⑤）界面，為二級滲流屏障；單一水道間的滲流屏障為水道側緣沉積或水道間的漫溢沉積，對應構型級次劃分的四級（④）界面，為三級滲流屏障；水道內部充填的泥質夾層和鈣質夾層，對應構型級次劃分的三級（③）界面，為四級滲流屏障。其中，一級、二級滲流屏障分布穩定，所限定的儲層連通體之間沒有流體流動；三級滲流屏障呈不連續分布，將連通體分割成了若干個連通或不連通的儲集單元；四級滲流屏障所限定的儲層連通體內部再無滲流屏障的存在，連通體內的滲流特征差異只與巖相充填特征有關（圖4）。

圖4 渤海灣盆地F 油田古近系沙三中亞段滲流屏障級別與儲層構型的關系Fig.4 Relationship between seepage barriers and reservoir architecture of middle Es3 in F oilfield，Bohai Bay Basin

2.2 流動單元劃分

基于濁積水道構型和滲流屏障的分析，明確濁積扇沉積體內部水道體系、復合水道與單一水道3 個級次的構型要素及對應級次的滲流屏障分布，對單一水道開展流動單元劃分及識別。采用流動分層指標法（FZI）法，結合儲集物性、微觀孔隙結構和生產動態等特征劃分取心層段的流動單元類型，根據巖心物性分析數據計算的IFZ值（流動分層指標）的累計概率曲線確定4 個主要的分布區間（圖5a）。以FZI 法為主，結合儲層的巖石物理特征和生產動態特征，可將取心層段的巖心樣本劃分為Ⅰ，Ⅱ，Ⅲ，Ⅳ等4 類儲層流動單元（圖5、表1）。其中，Ⅰ類儲層流動單元的儲集物性和滲流能力最好，滲透率大于12.1 mD，平均為23.0 mD，初期產能最高，日產液量平均為34.2 t。Ⅱ類儲層流動單元儲集物性和滲流能力相對較好，滲透率為5.9～33.2 mD，平均為12.9 mD，初期產能較高，日產液量平均為22.1 t。Ⅲ類儲層流動單元的儲集物性和滲流能力一般，滲透率為3.6～28.6 mD，平均為11.3 mD，初期產能較差，日產液量平均為13.7 t。Ⅳ類儲層流動單元的儲集物性和滲流能力最差，滲透率平均為8.6 mD，初期產能最差，動用程度較低（表1）。

表1 渤海灣盆地F 油田古近系沙三中亞段流動單元特征參數統計Table 1 Characteristic parameters of different types of flow units of middle Es3in F oilfield，Bohai Bay Basin

圖5 渤海灣盆地F 油田古近系沙三中亞段基于流動分層指標法（FZI）劃分流動單元Fig.5 Flow units division based on FZI method of middle Es3in F oilfield，Bohai Bay Basin

2.3 單井流動單元

單井流動單元能夠反映儲層內部的滲流特征分布，因此，在構型模式的指導下進行了單井流動單元研究。首先，在垂向上區分儲層與非儲層；其次，針對儲層的物性特征、孔隙結構特征及流動特征差異開展單井流動單元識別。如圖6 所示，單井流動單元劃分結果與初期產能分布具有較好的匹配關系。Ⅰ類流動單元與Ⅱ類流動單元初期產能較高，Ⅲ類流動單元初期產能一般。此外，由于同一單井的不同單一水道發育于不同的水道體系演化階段，水道內部充填特征不同，導致流動單元類型及分布存在差異。對于不同單井的同一單層，由于水道發育位置不同，水道內部充填特征也存在差異，導致井間流動單元分布不同（圖6）。

圖6 渤海灣盆地F 油田古近系沙三中亞段單井流動單元劃分結果Fig.6 Division results of flow units in single wells of middle Es3 in F oilfield，Bohai Bay Basin

3 基于SSOM 的流動單元測井定量識別

3.1 自組織映射神經網絡算法原理

自組織映射（SOM，Self-Organizing Maps）神經網絡算法是Kohonen［18］于1982 年提出的一種無監督模式下的聚類分析算法，包括輸入層和競爭層2層神經網絡結構（圖7a）。輸入層的節點數即為流動單元輸入樣本的維數，當接收到流動單元樣本的輸入特征時，位于競爭層的神經元相互競爭對輸入模式獲取響應的機會。最終，獲勝的神經元興奮，失敗的神經元受到抑制，獲勝的神經元即為輸入樣本的流動單元分類。

圖7 自組織映射神經網絡結構示意圖［19］Fig.7 Structure diagram showing self-organizing map neural network

SOM 算法在巖性識別、流體預測及遙感圖像分類等方面取得了較好的應用效果［19-20］，但在解決非線性關系強烈的模式分類問題時，存在分類準確度不高、樣本統計困難、難以挖掘出非顯著信息等缺點［21］。因此，國內外學者對其進行了改進，提出了一種監督模式下的自組織神經網絡（SSOM）算法［21-23］。相比SOM 算法，SSOM 算法增加了輸出層，其神經網絡結構如圖7b所示。監督模式下的學習訓練過程，通過調整獲勝神經元節點鄰域內所有節點與輸入層和輸出層節點之間的權值完成競爭層與輸入層、輸出層之間的權值校正。其算法的實質是通過分析流動單元輸入樣本的預測類別和巖心定性分析流動單元類別之間的吻合程度，進行權值調整，從而建立流動單元預測模型，對未取心井的流動單元進行預測。

3.2 基于SSOM 神經網絡的流動單元預測

（1）特征曲線的選取及數據預處理

輸入特征的選取直接影響著訓練結果的準確性，本研究選取了影響巖石滲流能力的4 類參數，包括儲集物性參數：孔隙度（φ）、滲透率（k）、泥質含量（Vsh）、含油飽和度（So）、儲層品質指數（IRQ）、滲透率突進系數（Tk）、滲透率級差（Jk）；沉積特征參數：沉積微相、砂巖厚度（H）、夾層厚度（hd）及夾層密度（ρd）；微觀孔隙結構參數：孔喉半徑（R35）及流動分層指標（IFZ）等在內的13 個儲層評價參數。為避免維度過高導致運算困難，在進行神經網絡運算之前，采用因子分析算法，對輸入參數進行了降維處理。當選取前5 個主因子時，累計方差貢獻率大于80%（表2）。因此，選取前5 個主因子（F1，F2，F3，F4和F5）作為神經網絡模型的輸入特征；以FZI 法獲取的流動單元類型作為模型的輸出類型，即可構建神經網絡運算所必須的樣本數據集。

表2 方差分析結果Table 2 Rsults of variance analysis

（2）網絡結構初始化

本次采用的神經網絡為10×10 的對稱網絡，每個競爭層的神經網絡節點代表一種流動單元儲層參數響應特征，輸出層的神經網絡節點代表巖心樣本的流動單元類別。對神經網絡數據進行隨機初始化，學習速率η的初始值選0.5，隨著訓練時間和迭代次數的增加逐漸減少至0.000 1（學習率閾值）后結束訓練；鄰域距離的初始值設為2，隨著迭代的進行逐漸縮短鄰域距離；設置輸入層與競爭層之間的權值（Wij）以及競爭層與輸出層之間的權值（Wjk）為0～1 的相異隨機數。

（3）計算獲勝神經元節點g

本次研究改進了傳統的最小歐式距離法，通過引入最大概率法以實現定量計算獲勝神經元節點的目的。首先，計算輸入樣本xi與所有競爭層神經元節點j的歐式距離Dj

其次，根據歐式距離進行反距離加權，即可計算出神經元節點的獲勝概率值P（j）

式中：P（j）為單個神經元獲勝的概率；P（g）為獲勝神經元的獲勝概率；μ為任意正實數（通常取2）。

（4）權系數調整

訓練獲勝神經元鄰域距離內的所有神經元，調整他們的權系數，包括獲勝神經元節點鄰域內所有節點與輸入層的權值Wij及其與輸出層的權值Wjk。當學習率η小于閾值0.000 1 時，訓練結束。

式中：Yk為取心井樣本所屬的流動單元類別；η1，η2均為學習率，隨著訓練時間及迭代次數的增加而線性降低。

（5）預測模型輸出與分析

圖8 為反映流動單元分類結果的自組織映射拓撲圖及3D Sammon 投影圖。拓撲圖中保留了流動單元樣本的輸入特征及輸出類別，每一個神經元節點都代表了一種儲層參數響應特征，方格顏色代表該神經元節點所屬的流動單元類別，且落在同一類流動單元內的數據點具有相同的巖石物理特征。3D Sammon 投影圖是拓撲圖在三維空間的投影，直觀地反映了SSOM 模型分類情況和各個競爭層神經元節點之間的距離。

圖8 自組織映射聚類網絡拓撲圖（a）及競爭神經元節點3D Sammon 投影（b）Fig.8 Self-organizing map topology（a）and 3D Sammon mapping projection of competing neuron nodes（b）

3.3 流動單元識別結果與分析

以取心井定性劃分的366 個流動單元樣本數據作為模型訓練和驗證過程中的樣本數據集，隨機選取70%的樣本數據作為訓練樣本，其余30%的樣本作為測試樣本對模型進行回判檢驗。基于SSOM 算法的流動單元識別結果表明，256 組訓練樣本僅出現44 個錯判，訓練樣本的整體回判準確率為82.81%，且110 組測試樣本的識別準確率為80.91%，表現出較高的預測準確率（表3）。測試樣本中有21 個樣本發生錯判，其中19 個錯判樣本的流動單元類型被識別為相鄰類別，主要是由于濁積水道非均質性強，僅靠4 類流動單元類型難以全面表征其非均質性特征，而更加精細化的流動單元分類方案又需要大量巖心分析數據作為支撐，在有限的取心資料情況下，總體錯判率能夠滿足地質油藏研究的需求。因此，監督模式下的自組織映射神經網絡算法通過神經元競爭學習、相互監督的方式，能夠輸出最優的流動單元預測模型，為流動單元的研究提供了一種新的手段。

表3 渤海灣盆地F 油田古近系沙三中亞段基于SSOM 的流動單元預測精度統計Table 3 Statistics of flow unit prediction accuracy based on SSOM of middle Es3in F oilfield，Bohai Bay Basin

4 儲層構型控制下的流動單元分布規律

渤海灣盆地F 油田未取心井段流動單元的分類識別可以借助SSOM 模型實現，在單井識別的基礎上開展了井間剖面和平面流動單元分布預測［24-25］。

4.1 剖面分布規律

受沉積物源、水動力條件、水道的遷移疊置等因素的影響，濁積水道體系不同演化時期發育的單一水道類型存在差異。自水道體系演化的早期—晚期，單一水道類型表現出自一類向三類過渡的趨勢。通過單一水道與流動單元剖面分布的對比分析發現，單一水道類型的差異性造成了流動單元剖面分布的差異性，即流動單元剖面展布特征受水道垂向演化控制作用顯著，主要表現在以下2 個方面。

（1）垂向上，Ⅰ，Ⅱ，Ⅲ，Ⅳ等4 類流動單元在F油田4砂層組的分布差異明顯。總體表現為Ⅲ類流動單元分布廣泛，Ⅱ類次之，Ⅰ類、Ⅳ類流動單元發育較少。從水道體系級次來看，Ⅰ類、Ⅱ類優質流動單元發育在濁積水道體系演化的中期，Ⅲ類、Ⅳ類流動單元發育在濁積水道體系演化的早期和晚期。從單一水道來看，不同類型單一水道成因類型和沉積模式的差異性，導致不同類型單一水道內部發育的流動單元類型存在明顯差異。Ⅰ類、Ⅱ類流動單元分布在二類單一水道；Ⅲ類流動單元分布廣泛，在一類、二類、三類單一水道均有分布；Ⅳ類流動單元發育在一類、三類單一水道（圖9）。

圖9 渤海灣盆地F 油田古近系沙三中亞段流動單元與單一水道剖面分布特征Fig.9 Distribution of flow units and single channels of middle Es3 in F oilfield，Bohai Bay Basin

（2）側向上，流動單元間呈2 種接觸樣式，分別為流動單元與非滲透層（即隔層）直接接觸和流動單元間的相互接觸。前者發育在濁積水道體系早期沉積旋回中，接觸界面明顯，屬于一類水道沉積砂體（如44、45小層沉積砂體側向上發育流動單元與非滲透層的直接接觸）。后者接觸界面不明顯，通常顯示出側向上流動單元滲流特征的差異，發育在水道體系中晚期沉積旋回中，屬于二類、三類水道沉積砂體（如42、43小層沉積砂體側向上多發育流動單元間的相互接觸）（圖9）。

4.2 平面分布規律

平面上以43-2單砂體為例，分析復合水道級次流動單元的平面分布規律。受單一水道側向遷移和垂向加積作用的影響，復合水道內部泥質滲流屏障較為發育，水道內部滲流差異明顯，造成了復合水道內部流動單元平面展布的差異性。研究結果表明，43-2單砂體內部主要發育Ⅲ類流動單元，井間連續性好，在濁積主水道、濁積水道及水道漫溢沉積砂體處均有發育；滲流能力較好的Ⅰ類、Ⅱ類流動單元分布局限、連續性差，僅在濁積水道主流線方向及主水道砂體處有分布，呈不連續的點狀或帶狀分布；Ⅳ類流動單元呈環帶狀分布在Ⅲ類流動單元的外緣，在濁積水道漫溢沉積砂體處發育。總體來說，43-2單砂體平面非均質性較強，流動單元平面分布差異性明顯（圖10）。

圖10 渤海灣盆地F 油田古近系沙三中亞段43-2單砂體流動單元分布與構型單元平面分布對比Fig.10 Planar distribution of flow units and architecture elements of 43-2 single sand layer of middle Es3in F oilfield，Bohai Bay Basin

5 結論

（1）研究區湖底濁積水道砂體構型級次由高到低依次為湖底扇復合體—單一湖底扇—水道體系—復合水道—單一水道—水道內部增生體或韻律層—紋層組—紋層。濁積水道砂體可進一步劃分為一類單一水道（以塊狀砂礫巖相及中—粗砂巖相為主）、二類單一水道（以中—細砂巖相為主）及三類單一水道（以泥質粉砂巖相為主）。

（2）在取心層段流動單元劃分的基礎上，采用SSOM 算法開展未取心層段的流動單元定量識別，測試樣本正判率達80.91%，具有較高的預測精度和顯著的分類效果。

（3）流動單元垂向展布受水道垂向演化控制作用明顯。從水道體系來看，優質流動單元主要發育在水道體系演化的中期，而滲流能力較差的流動單元多發育在水道體系演化的早期和晚期，且不同演化階段的流動單元側向分割方式不同；從單一水道來看，不同類型的單一水道內部流動單元類型不同。

（4）復合水道級次的流動單元的平面展布差異性明顯，優質流動單元僅發育在濁積水道主流線方向及主水道砂體處，滲流能力較差的流動單元多發育在水道漫溢沉積砂體處。