基于代價(jià)敏感學(xué)習(xí)的碳酸鹽巖儲(chǔ)層流體識(shí)別

文章編號(hào)：1000-7210（2025）03-0587-11

關(guān)鍵詞： 儲(chǔ)層流體，代價(jià)敏感，碳酸鹽巖，小波變換，機(jī)器學(xué)習(xí)，測井參數(shù)中圖分類號(hào)：P631 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10. 13810/j. cnki. issn. 1000-7210. 20240255

Fluid identification of carbonate reservoirs based on cost?sensitive learning

GAO Guohai1，ZHAO Xiangdong1，JIANG Wei1，WANG Yang1，2，LIU Yong3，WANG Xin1 （1. School of Computer Science and Software Engineering，Southwest Petroleum University，Chengdu，Sichuan 610500，China； 2. College of Artifical Intelligence，Mianyang Teachers’College，Mianyang，Sichuan 621000，China；3. School of Petroleum Engineering，Chongqing University of Science and Technology，Chongqing ，China）

Abstract：Fluid identification in carbonate reservoirs is crucial for reservoir assessment and hydrocarbon devel? opment. However，carbonate reservoirs are strongly non?homogeneous，which makes it difficult to realize their accurate identification by traditional methods. Although machine learning?based methods can deeply explore the intrinsic connection between logging data and oil，gas，and water information to improve the identification ef? fect，they are easily affected by the noise of logging data，and the sample category ratio is imbalanced. In this paper，a reservoir fluid identification method based on cost ? sensitive learning is proposed with carbonate reser? voirs in the Sichuan Basin as the research object. First，the wavelet transform is used to reduce the noise of log? ging data to solve the data noise problem. Then，the correlation test of logging curves is carried out by integra ? ting analysis of variance，decision tree，and reservoir theory to screen out the logging curves that are highly cor? related with the reservoir fluid types. Finally，the neural network model is designed to address sample category imbalance by using the cost ? sensitive learning strategy，so as to improve identification accuracy. The results show that the wavelet transform reduces data noise and improves the accuracy of fluid identification. The log? ging curves AC，CNL，CAL，RT，GR，and RXO are highly correlated with the fluid types in carbonate reser? voirs. The cost ? sensitive learning method effectively addresses the problem of low identification accuracy of a few classes due to the imbalanced data，and the identification accuracy of the model reaches 97.61% ，which is better than that of other comparative models. It provides a feasible solution for fluid identification in carbonate reservoirs.

Keywords：reservoir fluids，cost ? sensitive，carbonate rocks，wavelet transform，machine learning，logging para meters

高國海，趙祥東，蔣薇，等 . 基于代價(jià)敏感學(xué)習(xí)的碳酸鹽巖儲(chǔ)層流體識(shí)別［J］. 石油地球物理勘探，2025，60（3）：587?597.

GAO Guohai，ZHAO Xiangdong，JIANG Wei，et al. Fluid identification of carbonate reservoirs based on cost? sensitive learning［J］. Oil Geophysical Prospecting，2025，60（3）：587?597.

0 引言

隨著石油天然氣工業(yè)的發(fā)展，精準(zhǔn)識(shí)別儲(chǔ)層流體性質(zhì)的需求日益迫切。碳酸鹽巖儲(chǔ)層由于儲(chǔ)集空間類型多樣、儲(chǔ)層性質(zhì)復(fù)雜及非均質(zhì)性極強(qiáng)，導(dǎo)致不同的流體性質(zhì)在測井曲線上響應(yīng)不明顯[1]，給碳酸鹽巖流體性質(zhì)的識(shí)別帶來一定的挑戰(zhàn)。

傳統(tǒng)的儲(chǔ)層流體識(shí)別方法包括交會(huì)圖板法[2]、曲線重疊法[3]、核磁共振法[4]、反演法等[5-6]。這些方法通常依賴專家經(jīng)驗(yàn)，且需要手動(dòng)分析測井曲線或地震數(shù)據(jù)，因此存在主觀性較強(qiáng)、效率低、成本高等問題。為解決這些問題，越來越多的研究員開始采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等先進(jìn)技術(shù)，并提出一系列新的識(shí)別方法，旨在提高儲(chǔ)層流體識(shí)別的效率和準(zhǔn)確性。針對(duì)碳酸鹽巖儲(chǔ)層的流體性質(zhì)在測井曲線上響應(yīng)不明顯的問題，陳鋼花等[7]提出了一種能夠提高測井參數(shù)對(duì)流體的敏感性的方法，通過聚類技術(shù)計(jì)算概率值建立了流體識(shí)別標(biāo)準(zhǔn)。王培麟[8]建立了一種基于常規(guī)測井和電成像測井相結(jié)合的流體識(shí)別模型，實(shí)驗(yàn)表明融入的電成像測井信息大大提升了模型的識(shí)別精度。Liu 等[9]提出一種改進(jìn)的模糊 C^- Means 聚類算法，利用混沌量子粒子群優(yōu)化算法生成聚類中心，有效解決了傳統(tǒng) FCM 算法容易陷入局部收斂的問題，建立了流體性質(zhì)與疊前彈性參數(shù)在多維空間的映射關(guān)系。實(shí)驗(yàn)結(jié)果表明，其流體識(shí)別準(zhǔn)確率達(dá)到 97.10% 。Zhu 等[10]提出了建立混合核 Fisher 判別分析模型（MKFD），使用 6 個(gè)常規(guī)測井參數(shù)，并采用粒子群算法對(duì) MKFD 進(jìn)行超參數(shù)優(yōu)化。實(shí)驗(yàn)結(jié)果顯示，提出的模型在識(shí)別精度上優(yōu)于傳統(tǒng) KFD 和其他傳統(tǒng)機(jī)器學(xué)習(xí)模型。

綜上所述，對(duì)于碳酸鹽巖這種復(fù)雜儲(chǔ)層，深入挖掘測井資料與流體類型之間的潛在關(guān)系，尋找具有高敏感性的信息至關(guān)重要。雖然上述研究在構(gòu)建識(shí)別模型時(shí)，合理地進(jìn)行特征融合可顯著改善識(shí)別效果，但是也存在不少局限性。第一，測井曲線容易受來自地質(zhì)結(jié)構(gòu)的復(fù)雜性、儀器故障或環(huán)境干擾等噪聲的干擾影響識(shí)別精度；第二，在強(qiáng)非均質(zhì)儲(chǔ)層中，各個(gè)流體類型的分布往往是不均衡的，導(dǎo)致建立的分類模型對(duì)少數(shù)樣本流體類型的識(shí)別效果不佳，顯著降低了分類模型的預(yù)測準(zhǔn)確性。

鑒于此，本文針對(duì)碳酸鹽巖儲(chǔ)層提出了一種基于代價(jià)敏感學(xué)習(xí)的方法。首先，利用小波變換對(duì)原始的測井曲線進(jìn)行降噪和修復(fù)，以提升數(shù)據(jù)的質(zhì)量；其次，通過方差分析法、決策樹法以及油氣藏理論篩選出與碳酸鹽巖儲(chǔ)層流體高度相關(guān)的測井曲線；最后，基于神經(jīng)網(wǎng)絡(luò)并采用特征融合技術(shù)對(duì)測井?dāng)?shù)據(jù)和儲(chǔ)層物性參數(shù)進(jìn)行多次特征融合，并引入代價(jià)敏感學(xué)習(xí)的策略處理樣本不平衡問題，解決了少數(shù)類樣本識(shí)別效果差的問題。該方法提升了對(duì)碳酸鹽巖儲(chǔ)層流體性質(zhì)的準(zhǔn)確識(shí)別能力，為碳酸鹽巖儲(chǔ)層油氣的勘探開發(fā)提供了科學(xué)依據(jù)和技術(shù)支持。

1 基于代價(jià)敏感學(xué)習(xí)的儲(chǔ)層流體識(shí)別方法

儲(chǔ)層流體識(shí)別方法主要包括三個(gè)模塊：依托小波變換（Wavelet Transform，WT）的測井修復(fù)模塊、特征分析（Feature Analysis，F(xiàn)A）模塊和融合代價(jià)敏感 學(xué) 習(xí) （Cost-sensitive Learning，CSL）的 儲(chǔ) 層 流 體識(shí)別模塊。該方法（簡稱 WFC）的工作流程（圖 1）如下所述；首先，測井修復(fù)模塊采用小波變換分解測井?dāng)?shù)據(jù)，通過閾值處理技術(shù)有效濾除噪聲信號(hào)，保留有效信息，并通過信號(hào)重構(gòu)得到降噪后的測井?dāng)?shù)據(jù)；其次，特征分析模塊結(jié)合方差分析、決策樹技術(shù)及油氣藏理論，篩選出對(duì)儲(chǔ)層流體類型貢獻(xiàn)顯著的測井曲線，以提升流體類型識(shí)別的準(zhǔn)確性；最后，儲(chǔ)層流體識(shí)別模塊采用神經(jīng)網(wǎng)絡(luò)和特征融合技術(shù)，將篩選后的測井?dāng)?shù)據(jù)與儲(chǔ)層物性參數(shù)特征融合，并運(yùn)用代價(jià)敏感學(xué)習(xí)方法，優(yōu)化少數(shù)流體類型的識(shí)別準(zhǔn)確性。

1. 1 測井修復(fù)模塊

測井?dāng)?shù)據(jù)采集過程因受設(shè)備和地層條件的影響而產(chǎn)生大量的噪聲[11]，會(huì)影響儲(chǔ)層流體特性識(shí)別的準(zhǔn)確性。小波變換是一種在信號(hào)分析領(lǐng)域廣泛使用的噪聲處理技術(shù)，它通過多尺度分析，將信號(hào)分解為不同的頻率成分，在保留關(guān)鍵信號(hào)的同時(shí)有效去除噪聲。考慮到測井?dāng)?shù)據(jù)的離散特性[12]，采用離散小波變換（Discrete Wavelet Transform， DWT）對(duì)其降噪處理。離散小波變換可選用多種小波基函數(shù)，其中 Daubechies 小波在處理非平穩(wěn)信號(hào)方面表現(xiàn)出優(yōu)異性能[13]。Daubechies 小波具有不同的階數(shù)，每個(gè)階數(shù)對(duì)應(yīng)不同的頻率分析范圍，較高的階數(shù)意味著更高的頻率分析范圍，但也增加了信號(hào)失真的風(fēng)險(xiǎn)。在 DWT 中，信號(hào)可以通過多層分解提取不同尺度的特征，分解層數(shù)的選擇決定了信號(hào)分解的深度和所能捕捉到的特征細(xì)節(jié)的層次。隨著分解層數(shù)的增加，能夠捕捉到的信號(hào)細(xì)節(jié)越豐富，但同時(shí)也會(huì)增加計(jì)算量，并可能導(dǎo)致信息的過度分解，丟失某些重要信息。

圖1 儲(chǔ)層流體識(shí)別模型工作流程

為了優(yōu)化 Daubechies 小波的階數(shù)和分解層數(shù)，以信噪比（SNR）作為評(píng)價(jià)指標(biāo)，通過網(wǎng)格搜索確定了合適的 Daubechies 小波階數(shù)范圍為 db2～db8，分解層數(shù)為 1～8 層。通過優(yōu)化階數(shù)和分解層數(shù)，可確保在多尺度信號(hào)分析中，有效去除噪聲的同時(shí)，最大限度地保留關(guān)鍵地質(zhì)信息，進(jìn)而提高測井?dāng)?shù)據(jù)的清晰度，提升流體識(shí)別模型的預(yù)測性能。

1. 2 特征分析

由于碳酸鹽巖儲(chǔ)層顯著的非均質(zhì)性，直接使用測井?dāng)?shù)據(jù)中的參數(shù)可能引入冗余信息，影響流體類型識(shí)別的精度。為了更深入地理解碳酸鹽巖儲(chǔ)層的特殊性，有必要對(duì)其進(jìn)行特征分析，識(shí)別對(duì)流體類型具有高度敏感的關(guān)鍵信息。特征分析增強(qiáng)了對(duì)碳酸鹽巖儲(chǔ)層非均質(zhì)性的認(rèn)識(shí)，為數(shù)據(jù)處理提供了支撐，有助于優(yōu)化流體類型的識(shí)別。本文選取了兩種特征分析方法：方差分析和決策樹重要度分析。

方差分析評(píng)估不同組間的平均值差異，適用于處理分類問題中的數(shù)值數(shù)據(jù)，幫助確定不同流體類型的測井?dāng)?shù)據(jù)是否有顯著差異[14]

式中： F 是方差分析的統(tǒng)計(jì)量，當(dāng) F 值較大時(shí)，表明組間差異顯著大于組內(nèi)差異，意味著不同流體類型在某個(gè)測井參數(shù)上有顯著的統(tǒng)計(jì)差異； M_B 是組間均方差，衡量不同流體類型（如氣、水、干層）的測井?dāng)?shù)據(jù)（如 GR、AC、RT 等）均值與總均值之間的差異；M_w 是組內(nèi)均方差，衡量同一流體類型內(nèi)部不同樣本的測井?dāng)?shù)據(jù)值之間的變異。對(duì)應(yīng)計(jì)算公式如下

式中： n_i 是第 i 類流體的樣本數(shù)量； 是第 i 類流體的測井?dāng)?shù)據(jù)均值； 是所有樣本的總均值； X_ij 是第 i 類流體在第 j 個(gè)樣本的測井?dāng)?shù)據(jù)值； k 是流體類型的總數(shù)； N 是樣本總量。

決策樹是一種常用于分類和回歸的機(jī)器學(xué)習(xí)方法，特別擅長特征選擇和重要性評(píng)估[15]。通過構(gòu)建決策樹，可以直觀地識(shí)別哪些測井參數(shù)對(duì)流體類型貢獻(xiàn)最大。決策樹在每個(gè)節(jié)點(diǎn)上選擇最優(yōu)分割特征，依據(jù)某種準(zhǔn)則最大化信息增益，最小化節(jié)點(diǎn)不純度。信息增益基于熵計(jì)算節(jié)點(diǎn)純度，特征重要度通過計(jì)算該特征在所有節(jié)點(diǎn)中引起的不純度減少來評(píng)估。其計(jì)算公式為

式中： X_f 是一個(gè)特征，例如某個(gè)測井參數(shù)； T 是樹中所有節(jié)點(diǎn)的集合； t 是使用特征 X_f 的節(jié)點(diǎn)； n_t 是被分配到節(jié)點(diǎn) Ψ_t 的樣本數(shù)； ΔI（t，X_f） 是在節(jié)點(diǎn) Ψ_t 使用 X_f 所帶來的信息增益。

信息增益計(jì)算公式為

式中： I（t） 是節(jié)點(diǎn) Ψ_t 的熵； C 是基于特征 X_f 從節(jié)點(diǎn) Ψ_t 劃分形成的子節(jié)點(diǎn)數(shù)量； t_s 表示由特征 X_f 的特定值分出來的第 s 個(gè)節(jié)點(diǎn)； n_s 是被分配到子節(jié)點(diǎn) t_s 中的樣本數(shù)。

熵的計(jì)算公式如下

式中 ?（i|t） 是節(jié)點(diǎn) Ψ_t 中第 i 類流體的樣本比例。

特征重要度反映了一個(gè)特征在決策樹中對(duì)提高分類模型準(zhǔn)確度的貢獻(xiàn)大小，高重要度意味著該特征在模型中起到了關(guān)鍵作用，而低重要度則可能意味著該特征對(duì)模型的貢獻(xiàn)較小。

1. 3 儲(chǔ)層流體識(shí)別

傳統(tǒng)的機(jī)器學(xué)習(xí)方法在儲(chǔ)層流體識(shí)別時(shí)通常只依賴于測井?dāng)?shù)據(jù)，然而儲(chǔ)層的孔隙度、滲透率以及含水飽和度等物性參數(shù)對(duì)儲(chǔ)層流體的特性也起著至關(guān)重要的作用[16]，忽視這些物性參數(shù)也會(huì)影響儲(chǔ)層流體識(shí)別的準(zhǔn)確性。因此，如何結(jié)合測井?dāng)?shù)據(jù)和儲(chǔ)層物性參數(shù)顯得尤為重要[17]。同時(shí)，碳酸鹽巖儲(chǔ)層的流體類型分布通常不均衡，使得傳統(tǒng)分類模型在識(shí)別少數(shù)類樣本時(shí)表現(xiàn)不佳。傳統(tǒng)模型在面對(duì)樣本不平衡時(shí)，往往會(huì)偏向于預(yù)測數(shù)量較多的類別，導(dǎo)致少數(shù)類樣本的識(shí)別準(zhǔn)確性下降。為解決這一問題，引入了代價(jià)敏感學(xué)習(xí)策略，利用損失函數(shù)對(duì)少數(shù)類樣本賦予更大的權(quán)重，從而改善模型對(duì)少數(shù)類樣本的識(shí)別效果[18]。具體而言，采用了加權(quán)交叉熵?fù)p失函數(shù)作為代價(jià)敏感學(xué)習(xí)的基礎(chǔ)，可以根據(jù)類別的相對(duì)頻率自動(dòng)調(diào)整損失權(quán)重，從而在處理復(fù)雜且不均衡的碳酸鹽巖儲(chǔ)層數(shù)據(jù)分布時(shí)，依然保持優(yōu)異的識(shí)別性能。

在此基礎(chǔ)上提出了一種融合儲(chǔ)層物性參數(shù)和測井?dāng)?shù)據(jù)的儲(chǔ)層流體識(shí)別模型，模型架構(gòu)如圖 2。

圖2 儲(chǔ)層流體識(shí)別模型

該模型主要包括三個(gè)組成部分：輸入部分、融合部分和輸出部分。

（1）輸入部分：模型的輸入包括修復(fù)后的測井?dāng)?shù)據(jù)和儲(chǔ)層物性參數(shù)（孔隙度、滲透率、含水飽和度）。這兩部分?jǐn)?shù)據(jù)分別送入各自的多層感知機(jī)（Multi?layer Perceptron，MLP），調(diào)整數(shù)據(jù)維度使兩個(gè)輸出特征向量 V_L1 和 的維度一致，便于后續(xù)融合處理。這兩個(gè)向量分別代表從各自數(shù)據(jù)中提取的關(guān)鍵特征。

（2）融合部分：通過圖 3 所示的融合模塊，多次融合測井?dāng)?shù)據(jù)和儲(chǔ)層物性參數(shù)。初始階段， V_L1 和V_P1 通過向量相加融合成 V_I1 ，反映初步融合的信息，捕捉兩類數(shù)據(jù)的相互作用和互補(bǔ)特性。然后， V_I1 進(jìn)入另一個(gè) MLP 進(jìn)行進(jìn)一步特征提取，生成特征向量 V_L2 。接著， V_L2 與 |V_P1 再次融合，得到特征向量V_I2 。繼續(xù)這一過程， V_I2 再次通過 MLP，輸出特征向量 V_L3 ，隨后與 進(jìn)行最終融合，形成最終特征向量 V_I3 。

圖3 融合模塊

（3）輸出部分：最終特征向量 V_I3 包含融合后的綜合特征，送入 Softmax 層分類，將模型輸出值轉(zhuǎn)化為在[0， 1]之間的概率值，確定概率值最大的儲(chǔ)層流體類型。

代價(jià)敏感損失函數(shù)采用的是加權(quán)交叉熵?fù)p失函數(shù)，其表達(dá)式如下

式中： C 是類型的總數(shù)， y_nc 是樣本 n 是否屬于類型 Ψ_c 的真實(shí)標(biāo)簽（通常為 0 或 1）； 是模型預(yù)測樣本 n 屬于類型 Ψ_c 的概率值； 而 是類型 Ψ_c 的損失權(quán)重。權(quán)重的計(jì)算步驟如下：

（1）計(jì)算每個(gè)類型的逆頻率權(quán)重

式中 f_c 是類型 Ψ_c 的相對(duì)頻率，即 f_c=n_c/N，n_c 為類型 Ψ_c 的樣本數(shù)量。

（2）歸一化權(quán)重

式中 τυ_j^′ 是類型 j 的未歸一化的逆頻率權(quán)重。

2 實(shí)例分析

2. 1 數(shù)據(jù)描述和預(yù)處理

實(shí)驗(yàn)所選取的 19 口井位于特定氣田區(qū)塊內(nèi)，該區(qū)塊儲(chǔ)層類型為碳酸鹽巖，其測井段深度介于

5000～6500m 之間，主要儲(chǔ)集巖石包括頁巖和白云巖，儲(chǔ)層孔隙度分布范圍為 0.5%～15% ，平均值為2.89% ；滲透率分布范圍為 0.001～100.000mD ，平均值為 0.630mD ；儲(chǔ)層含水飽和度分布范圍為1.9%～99.0% ，平均值為 25.31% 。總體來看該地區(qū)儲(chǔ)層以中—低孔、中—低滲儲(chǔ)層為主。

此外，研究區(qū)包含氣層、差氣層、水層、干層、含氣水層和氣水層這六種流體類型，所對(duì)應(yīng)的流體類型分布如圖 4 所示。流體類型分布存在著顯著的不平衡情況。各流體測井的響應(yīng)特征，如側(cè)向電阻率（RT）、校正伽馬射線（CGRN）、井徑（CAL）、補(bǔ)償中子（CNL）、聲波（AC）、自然伽馬（GR）、沖洗帶電阻率（RXO）、補(bǔ)償密度（DEN）以及儲(chǔ)層物性特征包括孔隙度（POR）、滲透率（PERM）、含水飽和度（SW），同時(shí)也包含測井深度信息真垂深（TVD）等已列于表 1 中。

圖4 流體類型數(shù)量分布

將數(shù)據(jù)劃分為訓(xùn)練集和測試集，14 口井用于訓(xùn)練，5 口井用于測試。訓(xùn)練前，采用最大最小值歸一化將數(shù)據(jù)轉(zhuǎn)化為 0 到 1 范圍，消除尺度差異，加快損失函數(shù)收斂，提高訓(xùn)練效率。

2. 2 實(shí)驗(yàn)設(shè)置

為了提升降噪效果，以信噪比為優(yōu)化目標(biāo)，通過網(wǎng)格搜索優(yōu)化 Daubechies 的小波階數(shù)（db2～db8）和分解層數(shù)（1～8）。較大的 SNR 值表示信號(hào)中的噪聲成分被有效去除[19]，同時(shí)重要的地質(zhì)信號(hào)得以保留，這對(duì)提高測井?dāng)?shù)據(jù)的清晰度和流體識(shí)別的準(zhǔn)確性 至 關(guān) 重 要 。 降 噪 測 井 數(shù) 據(jù) 包 括 RT、CGRN、CNL、AC、GR、RXO 和 DEN。

其中閾值處理方式計(jì)算公式如下

式中：λ 是閾值；median （ （|m|） 為計(jì)算小波分解系數(shù) Ω_m 的絕對(duì)值的中位數(shù)； L 是信號(hào)長度。

表1 流體測井響應(yīng)特征以及儲(chǔ)層物性特征

在閾值處理中，采用了軟閾值法來處理小波系數(shù)。軟閾值法能夠有效地將小于閾值的小波系數(shù)設(shè)為零，并對(duì)大于閾值的小波系數(shù)縮放處理來實(shí)現(xiàn)降噪。軟閾值法的數(shù)學(xué)表達(dá)式如下所示

信噪比計(jì)算公式如下

式中： P_s 和 P_n 分別為信號(hào)功率和噪聲功率，其中

式中： s_i 是降噪后信號(hào)在第 i 個(gè)采樣點(diǎn)的值； X_i 是原始信號(hào)在第 i 個(gè)采樣點(diǎn)的值。

儲(chǔ)層流體識(shí)別網(wǎng)絡(luò)模型中，MLP 的隱藏神經(jīng)元個(gè) 數(shù) 都 設(shè) 置 為 256，并 且 使 用 了 ReLU（RectifiedLinear Unit）作為隱藏層的激活函數(shù)，ReLU 激活函數(shù)的特點(diǎn)是對(duì)于小于零的輸入，輸出為零，對(duì)于大于零的輸入，輸出與輸入相同，這種非線性特性有助于模型的學(xué)習(xí)和表達(dá)能力的提升。在網(wǎng)絡(luò)的輸出層采用了 Softmax 激活函數(shù)，能夠?qū)⑸窠?jīng)網(wǎng)絡(luò)的輸出轉(zhuǎn)化為概率分布的形式，從而可以直觀地理解模型對(duì)每個(gè)類型的預(yù)測概率。

為了最小化交叉熵?fù)p失，采用了 Adam 優(yōu)化算法。Adam 是一種基于自適應(yīng)學(xué)習(xí)率的優(yōu)化算法，它結(jié)合了每個(gè)參數(shù)的梯度歷史和當(dāng)前梯度的信息，從而自適應(yīng)地調(diào)整學(xué)習(xí)率，更有效地更新模型參數(shù)。在訓(xùn)練過程中，將訓(xùn)練輪次 epoch 設(shè)置為 1500 次，每次訓(xùn)練大小 batch_size 設(shè)置為 2048。此外，當(dāng)訓(xùn)練輪次達(dá)到 1200 次時(shí)，將學(xué)習(xí)率減半，以更好地控制模型的訓(xùn)練過程。

2. 3 評(píng)價(jià)指標(biāo)

為了評(píng)估每個(gè)儲(chǔ)層流體類型的識(shí)別效果，采用準(zhǔn)確率（Accuracy）、F1 得分來評(píng)估。

準(zhǔn)確率（Accuracy）衡量了分類器在總體樣本的預(yù)測準(zhǔn)確性，即

式中： TP_total 是所有類型中被正確分類的樣本總數(shù)，N_total 是數(shù)據(jù)集中的樣本總數(shù)。

使用 F1 得分作為評(píng)估指標(biāo)，因?yàn)?F1 值綜合了精確率和召回率，能夠更全面地反映分類器在識(shí)別某一類型樣本時(shí)的準(zhǔn)確性和完整性。對(duì)于每個(gè)類型i，F(xiàn)1 值的計(jì)算公式如下

式中：Precisioni 是指分類器在預(yù)測為類型 i 的樣本中 ，真 正 屬 于 類 型 i 的 樣 本 比 例 ，即Precision 是指分類器在所有屬于類型 i 的樣本中，成功識(shí)別出的比例，即Recall_i=TP_i/（TP_i+FN_i）_c 。這里， TP_i 是屬于類型 i 并被正確分類的樣本數(shù)， FP_i 是被錯(cuò)誤分類為類型 i 的樣本數(shù)， FN_i 是屬于類型 i 但被錯(cuò)誤分類為其他類型的樣本數(shù)。F1 值的范圍在 0 到 1 之間，數(shù)值越高表示分類器對(duì)該類型的識(shí)別效果越好。

2. 4 實(shí)驗(yàn)結(jié)果

以 MX41 井為例，分析了小波降噪前后的測井曲線。如圖 5 所示，以測井曲線 AC 和 CNL 為例，原始曲線以黑色呈現(xiàn)，經(jīng)過小波降噪處理后的曲線以紅色呈現(xiàn)。觀察圖片可得，經(jīng)過降噪處理后的曲線表現(xiàn)出以下特征：細(xì)小的波動(dòng)噪聲被有效消除，曲線呈現(xiàn)出更為平滑的趨勢(shì)，數(shù)據(jù)特征更明顯。2. 5節(jié)開展的消融實(shí)驗(yàn)驗(yàn)證了降噪后測井曲線對(duì)儲(chǔ)層流體識(shí)別效果的改善。

實(shí)驗(yàn)首先利用降噪后的所有測井?dāng)?shù)據(jù)（RT、CGRN、CNL、AC、GR、RXO、DEN）、未降噪測井?dāng)?shù)據(jù)（CAL）、儲(chǔ)層物性參數(shù)（POR、PERM、SW）以及深度信息（TVD）進(jìn)行了研究，得出了儲(chǔ)層流體識(shí)別的總體準(zhǔn)確率為 97.25% 。為了更深入地探索碳酸鹽巖儲(chǔ)層測井?dāng)?shù)據(jù)對(duì)識(shí)別儲(chǔ)層流體類型的影響，采用了方差分析和決策樹來計(jì)算測井?dāng)?shù)據(jù)與儲(chǔ)層流體類型之間的相關(guān)程度，結(jié)果分別如圖 6 和圖 7 所示。

圖5 MX41 井小波降噪前、后的測井曲線對(duì)比

圖6 方差分析重要性排序

圖7 決策樹重要性排序

從圖中可以觀察到，相關(guān)性排名前四的測井?dāng)?shù)據(jù)均為 AC、CNL、CAL、RT。根據(jù)油氣藏工程基礎(chǔ)理論可知，通常情況下與流體類型相關(guān)度較高的參數(shù)為 GR、RT、AC、CNL 和 DEN[20]。然而，GR 和DEN 在兩種相關(guān)性分析中都并沒有顯現(xiàn)出顯著的重要度，為了更好地確定碳酸鹽巖儲(chǔ)層下與流體類型高度敏感的測井參數(shù)，設(shè)置多組實(shí)驗(yàn)，結(jié)果如表 2所示。

表2 不同測井?dāng)?shù)據(jù)對(duì)儲(chǔ)層流體類型的影響

通過實(shí)驗(yàn) 1 與實(shí)驗(yàn) 6 的對(duì)比可知，僅保留相關(guān)性排名前四個(gè)參數(shù)會(huì)忽略一些有益信息，因此需要進(jìn)一步分析。結(jié)合實(shí)驗(yàn) 1、實(shí)驗(yàn) 2 和實(shí)驗(yàn) 4，發(fā)現(xiàn)在碳酸鹽巖儲(chǔ)層下，GR 對(duì)儲(chǔ)層流體識(shí)別的正向積極作用明顯高于 DEN。雖然 RXO 在相關(guān)性排名并不顯著，但考慮到其在區(qū)分油氣層與水層的重要性[21]，設(shè)置了實(shí)驗(yàn) 3 和實(shí)驗(yàn) 5 進(jìn)一步驗(yàn)證其作用，根據(jù)實(shí)驗(yàn) 2、實(shí)驗(yàn) 3 和實(shí)驗(yàn) 4、實(shí)驗(yàn) 5 的結(jié)果，可以發(fā)現(xiàn)RXO 對(duì)碳酸鹽巖儲(chǔ)層流體類型識(shí)別具有正向作用。因此可以得出，在碳酸鹽巖儲(chǔ)層下與流體類型高度敏 感 的 測 井 參 數(shù) 為 ：AC、CNL、CAL、RT、GR、RXO。后續(xù)模型的輸入采用篩選出來的這 6 條測井曲線和 3 個(gè)儲(chǔ)層物性參數(shù)以及深度數(shù)據(jù) TVD。

篩選后的測井?dāng)?shù)據(jù)實(shí)驗(yàn)結(jié)果如表 3 所示，模型在多種儲(chǔ)層流體類型識(shí)別任務(wù)中表現(xiàn)出了卓越的性能。

具體而言，針對(duì)每種儲(chǔ)層流體類型，評(píng)估了模型的 F1 值和準(zhǔn)確率，對(duì)于氣水層，模型的 F1 值最高達(dá)到了 98.57% 。對(duì)于含氣水層、差氣層、干層、氣層和水層，模型的 F1 值分別為 98.50%.96.36% 、98.38%.98.22% 和 96.93% 。模型的總體準(zhǔn)確率達(dá)到了 97.61% ，突顯了 WFC 在不同儲(chǔ)層流體類型識(shí)別任務(wù)中具有較高的準(zhǔn)確性。

表3 實(shí)驗(yàn)結(jié)果評(píng)估

2. 5 消融實(shí)驗(yàn)

為驗(yàn)證小波變換在測井降噪以及代價(jià)敏感學(xué)習(xí)對(duì)最終識(shí)別效果的影響，進(jìn)行了幾組消融實(shí)驗(yàn)。其中，消融實(shí)驗(yàn) 1 涉及到的模型從 WFC 中去除降噪處理（WFC-W）；消融實(shí)驗(yàn) 2 涉及到的模型從 WFC中去除代價(jià)敏感學(xué)習(xí)（WFC-C）；消融實(shí)驗(yàn) 3 涉及到的模型從 WFC 中去除降噪處理和代價(jià)敏感學(xué)習(xí)（WFC-WC），實(shí)驗(yàn)結(jié)果如表 4 所示。

表4 消融實(shí)驗(yàn)結(jié)果

與 WFC 相比，WFC-W 在未進(jìn)行降噪處理的情況下，準(zhǔn)確率下降了 3.71% ，且各個(gè)儲(chǔ)層流體類型的 F1 值普遍低于 WFC。具體而言，含氣水層下降了 2.03% ，差氣層下降了 5.19% ，干層下降了0.83% ，氣層下降了 2.51% ，氣水層下降了 4.20% ，水層下降了 1.83% 。對(duì)比 WFC-C，缺少了代價(jià)敏感學(xué)習(xí)，表現(xiàn)為準(zhǔn)確率下降了 1.69% ，尤其是在針對(duì)小樣本類型時(shí)的下降情況更為明顯，如含氣水層下降了 2.03% ，差氣層下降了 2.46% ，氣水層下降了 2.92% 。對(duì)比 WFC-WC，同時(shí)缺少降噪處理和代價(jià)敏感學(xué)習(xí)，表現(xiàn)為準(zhǔn)確率下降了 3.68% ，且所有 F1 值均顯著下降。具體來說，含氣水層下降了6.19% ，差氣層下降了 5.83% ，干層下降了 2.78% ，氣層下降了 2.76% ，氣水層下降了 4.20% ，水層下降了 2.58% 。綜上所述，消融實(shí)驗(yàn)結(jié)果表明小波變換降噪可提升總體識(shí)別效果，而代價(jià)敏感學(xué)習(xí)則可增強(qiáng)對(duì)小樣本類型的識(shí)別效果。

2. 6 對(duì)比實(shí)驗(yàn)

通 過 與 隨 機(jī) 森 林 （Random forest， RF， n_esti?mators _sm=100 ）、極 端 隨 機(jī) 樹 （Extremely RandomizedTrees， ET， n_estimators ）、深 度 神 經(jīng) 網(wǎng) 絡(luò)（Deep Neural Network， DNN， 層數(shù) =20 ， 每層神經(jīng)元數(shù) =128. ）、K 近 鄰 （K-Nearest Neighbor， KNN，k=3， ）進(jìn)行對(duì)比，驗(yàn)證了 WFC 的準(zhǔn)確性和有效性。對(duì)比結(jié)果如表 5 所示。

根據(jù)實(shí)驗(yàn)結(jié)果顯示，WFC 模型在多種機(jī)器學(xué)習(xí)分類模型中展現(xiàn)出了更高的準(zhǔn)確性和有效性。具體而言，準(zhǔn)確率達(dá)到了 97.61% ，相較于其他模型如ET（94.6% ）、 RF（93.85% ）、 DNN（83.67%） ）以及KNN（70.22%） ），顯著表現(xiàn)出更高的分類準(zhǔn)確性。在考慮各個(gè)類型的 F1 值時(shí)，WFC 模型在每個(gè)類型上均展現(xiàn)出了顯著的優(yōu)勢(shì)。具體而言，針對(duì)含氣水層、差氣層、干層、氣層、氣水層以及水層等不同類型 ，WFC 模 型 的 F1 值 分 別 達(dá) 到 了 98.50% 、96.36%.98.38%.98.22%.98.57% 以及 96.93% 。這些結(jié)果明顯優(yōu)于其他模型。ET 在這些類型中的F1 值 范 圍 在 86.40%～97.67% 之 間 ，RF 在88.21%～98.07% 之 間 ，DNN 在 71.68% ～

表5 對(duì)比實(shí)驗(yàn)結(jié)果

93.02% 之 間 ，KNN 在 48.74%～79.26% 之間。這些結(jié)果進(jìn)一步凸顯了 WFC 模型在處理不同類型數(shù)據(jù)時(shí)的魯棒性和穩(wěn)定性，從而證明了其在多分類任務(wù)中的顯著優(yōu)勢(shì)。

為了更清晰地展示 WFC 模型的預(yù)測效果，選取了 GS16 井 5445～5490m 層段的測井?dāng)?shù)據(jù)以及儲(chǔ)層物性參數(shù)識(shí)別的實(shí)驗(yàn)結(jié)果，并將其可視化展示在圖 8 中。該圖展示了不同機(jī)器學(xué)習(xí)模型對(duì) GS16井儲(chǔ)層流體識(shí)別效果的比較。圖中左側(cè)顯示了 6 條測井?dāng)?shù)據(jù)和 3 條儲(chǔ)層物性參數(shù)數(shù)據(jù)，右側(cè)展示了不同模型對(duì)儲(chǔ)層流體類型的識(shí)別結(jié)果。從圖中可以清晰地看出，WFC 模型在不同儲(chǔ)層流體類型識(shí)別的準(zhǔn)確性和解釋性上表現(xiàn)最為突出，尤其是針對(duì)氣水層，呈現(xiàn)出最佳的預(yù)測效果。

圖8 不同模型實(shí)際應(yīng)效果對(duì)比圖

以上結(jié)果充分展現(xiàn)了 WFC 模型在碳酸鹽巖流體識(shí)別任務(wù)上的優(yōu)勢(shì)。究其原因，可以得出以下認(rèn)識(shí)。首先，小波變換有效降低了測井?dāng)?shù)據(jù)中的噪聲，提高了信噪比，使地質(zhì)信號(hào)更清晰。而對(duì)比模型由于缺乏降噪處理，導(dǎo)致模型受噪聲干擾，表現(xiàn)不佳。其次，WFC 模型采用多層次特征融合方法，將測井?dāng)?shù)據(jù)和儲(chǔ)層物性參數(shù)深度結(jié)合，更充分地挖掘了參數(shù)間的復(fù)雜關(guān)系，從而提升了流體識(shí)別的精度，而對(duì)比模型缺乏對(duì)多模態(tài)數(shù)據(jù)的融合。此外，WFC 模型通過代價(jià)敏感學(xué)習(xí)對(duì)少數(shù)類樣本賦予更高權(quán)重，顯著改善了在類別不平衡情況下的表現(xiàn)，有效解決了少數(shù)類樣本識(shí)別不佳的問題。

3 結(jié)論

本文通過結(jié)合小波變換降噪、特征分析及代價(jià)敏感學(xué)習(xí)策略，提出了一種儲(chǔ)層流體識(shí)別方法，得出如下結(jié)論。

（1）首先運(yùn)用小波變換對(duì)測井?dāng)?shù)據(jù)進(jìn)行降噪處理；然后綜合運(yùn)用方差分析、決策樹以及油氣藏理論，篩選出與流體類型相關(guān)性較高的測井曲線；最后采用特征融合技術(shù)將測井?dāng)?shù)據(jù)與儲(chǔ)層物性參數(shù)相結(jié)合，并依托代價(jià)敏感學(xué)習(xí)提升對(duì)少數(shù)類樣本的關(guān)注度，解決樣本不均衡問題，提升流體識(shí)別準(zhǔn)確率。（2）在碳酸鹽巖儲(chǔ)層流體識(shí)別實(shí)驗(yàn)中，提出的模型展現(xiàn)出了顯著的性能優(yōu)勢(shì)，識(shí)別準(zhǔn)確率達(dá)到了97.61% ，遠(yuǎn)超其他機(jī)器學(xué)習(xí)方法。（3）該方法為油氣勘探與開發(fā)提供了強(qiáng)有力的技術(shù)支持，特別是在具有較強(qiáng)非均質(zhì)性強(qiáng)碳酸鹽巖儲(chǔ)層中表現(xiàn)優(yōu)異，同時(shí)還能推廣到致密砂巖、頁巖等其他復(fù)雜儲(chǔ)層的流體識(shí)別，為類似環(huán)境中的油氣勘探提供了切實(shí)可行的解決方案。

參 考 文 獻(xiàn)

［1］ 賴錦， 劉秉昌， 馮慶付， 等. 鄂爾多斯盆地靖邊氣田 馬家溝組五段白云巖沉積微相測井識(shí)別與評(píng)價(jià)[J]. 地質(zhì)學(xué)報(bào)， 2020， 94（5）： 1551?1567. LAI Jin， LIU Bingchang， FENG Qingfu， et al. Well logging identification and evaluation of depositional mi? crofacies in dolostones from the 5th Member of the Or? dovician Majiagou Formation in the Jingbian gas field， Ordos basin [J]. Acta Geologica Sinica， 2020， 94（5）： 1551?1567.

［2］ 魏博， 謝然紅， 趙建斌， 等. 福山凹陷低阻油層成因 分析及流體識(shí)別方法[J]. 中國石油大學(xué)學(xué)報(bào)（自然科 學(xué)版）， 2024，48（2）：57?66. WEI Bo， XIE Ranhong， Zhao Jianbin， et al. Analysis of genesis of low resistivity reservoirs and method of fluid identification in Fushan Sag [J]. Journal of China University of Petroleum （Edition of Natural Science）， 2024，48（2）：57?66.

［3］ 毛克宇 . 梨樹斷陷營城組致密砂巖測井流體識(shí)別方 法及其適應(yīng)性分析[J]. 地球科學(xué)進(jìn)展， 2016， 31（10）： 1056?1066. MAO Keyu. Logs fluid typing methods and adaptive analysis of tight sandstone reservoir of Yingcheng For? mation in Lishu Fault [J]. Advances in Earth Science， 2016， 31（10）： 1056?1066.

［4］ 張家成， 張宮， 覃瑩瑤， 等. 基于核磁共振T2 譜組分 分解的頁巖油儲(chǔ)層流體識(shí)別方法[J]. 地球物理學(xué)進(jìn) 展， 2023， 38（3）：1238?1246. ZHANG Jiacheng， ZHANG Gong， TAN Yingyao， et al. Method for fluid identification in shale oil reser? voirs based on NMR T2 spectrum component decom ? position [J]. Advances in Earth Science， 2023， 38（3）： 1238?1246.

［5］ 丁富峰，吳少波，姚志純，等. 基于精確Zoeppritz 方程 的儲(chǔ)層流體識(shí)別[J]. 石油地球物理勘探，2024，59（6）： 1353?1361. DING Fufeng， WU Shaobo， YAO Zhichun， et al. Reservoir fluid identification based on exact Zoeppritz equation [J]. Oil Geophysical Prospecting， 2024， 59（6）： 1353?1361.

［6］ 吳思，韓波，紀(jì)利祥，等 . 利用疊前 AVO 反演預(yù)測砂 巖儲(chǔ)層有效壓力[J]. 石油地球物理勘探，2024，59（5）： 1165?1173. WU Si， HAN Bo， JI Lixiang， et al. Direct inversion method for fluid factors and anisotropy parameters in VTI media [J]. Oil Geophysical Prospecting， 2024， 59（5）： 1165?1173.

［7］ 陳鋼花， 王軍， 劉有基， 等 . 基于 PSO?FCM 算法的 碳酸鹽巖儲(chǔ)層流體識(shí)別[J]. 測井技術(shù)， 2018， 42（3）： 282?286. CHEN Ganghua， WANG Jun， LIU Youji， et al. Fluid identification in carbonate reservoir based on im ? proved Particle Swarm Optimization and Fuzzy C means Clustering Algorithm （PSO ? FCM） [J]. Well Logging Technology， 2018， 42（3）： 282?286.

［8］ 王培麟. JX 地區(qū)M 組中下組合復(fù)雜碳酸鹽巖儲(chǔ)層流 體識(shí)別方法研究[D]. 荊州： 長江大學(xué)， 2021. WANG Peilin. Study on fluid identification method of complex carbonate reservoir in middle and lower as? semblage of M Formation in JX area[D]. Jingzhou： Yangtze University， 2021.

［ 9 ］ LIU L， SUN S Z， YU H， et al. A modified Fuzzy C? Means （FCM） Clustering algorithm and its application on carbonate fluid identification[J]. Journal of Applied Geophysics， 2016， 129： 28?35.

［10］ ZHU D， LIU Q， WANG J， et al. Differential fault ? fluid alterations and reservoir properties in ultra ? deep carbonates in the Tarim Basin， NW China[J]. Applied Geochemistry， 2024， 170： 106084.

［11］ TONG Z， MENG Y， ZHANG J， et al. Coal struc? ture identification based on geophysical logging data： Insights from Wavelet Transform （WT） and Particle Swarm Optimization Support Vector Machine （PSO SVM） algorithms[J]. International Journal of Coal Geology， 2024， 282： 104435.

［12］ GEETHA K， HOTA M K， KARRAS D A. A novel approach for seismic signal denoising using optimized discrete wavelet transform via honey badger optimiza? tion algorithm[J]. Journal of Applied Geophysics， 2023， 219： 105236.

［13］ ZHANG Q， ZHANG F， LIU J， et al. A method for identifying the thin layer using the wavelet transform of density logging data[J]. Journal of Petroleum Science and Engineering， 2018， 160： 433?441.

［14］ 龔澤宇， 李凱， 黃廷林， 等 . 華南地區(qū) 3 座串聯(lián)調(diào)水 水庫浮游植物群落特征及其驅(qū)動(dòng)因子分析[J]. 環(huán)境 科學(xué)學(xué)報(bào)，2024，44（8）：405?415. GONG Zeyu， LI Kai， HUANG Tinglin， et al. Analy? sis on the characteristics and driving factors of phyto? plankton communities in three water transfer reservoirs in series in South China [J]. Acta Scientiae Circum ? stantiae， 2024， 44（8）： 405?415.

［15］ 桂金詠， 李勝軍， 高建虎， 等. 基于特征變量擴(kuò)展的 含氣飽和度隨機(jī)森林預(yù)測方法[J]. 巖性油氣藏， 2024， 36（2）： 65?75. GUI Jinyong， LI Shengjun， GAO Jianhu， et al. A random forests prediction method for gas saturation based on feature variable extension [J]. Lithologic Re ? servoirs， 2024， 36（2）： 65?75.

［16］ 楊立國， 姬瑞蘭， 彭俊杰， 等 . 綏靖油田延長組長 2 儲(chǔ)層流體識(shí)別方法[J]. 當(dāng)代化工研究， 2024（2）： 76?79. YANG Liguo， JI Ruilan， PENG Junjie， et al. Fluid identification method of extension group 2 reservoir in Suijing oilfield[J]. Modern Chemical Research， 2024（2）： 76?79.

［17］ 劉一茗， 葉加仁， 張飛， 等. 歧口凹陷歧北斜坡帶沙 二段致密砂巖儲(chǔ)層流體識(shí)別與評(píng)價(jià)[J]. 地球科學(xué)， 2022， 47（5）： 1762?1776. LIU Yiming， YE Jiaren， ZHANG Fei， et al. Fluid identification and evaluation of tight sandstone reser? voir in Es2 of Qibei slope belt in Qikou Sag [J]. Earth Science， 2022， 47（5）： 1762?1776.

［18］ 樊俊，張恒汝，余一帆，等. 面向非均勻分布數(shù)據(jù)的代 價(jià)敏感標(biāo)記分布學(xué)習(xí)[J]. 西南大學(xué)學(xué)報(bào)（自然科學(xué) 版），2024，46（5）：40?50. FAN Jun， ZHANG Hengru， YU Yifan， et al. Cost ? sensitive label distribution learning for non?uniform dis? tributed data[J]. Journal of Southwest University （Natural Science Edition）， 2024， 46（5）： 40?50.

［19］ 王海勇，丁顧霏. 引入雙曲正切閾值函數(shù)的平穩(wěn)小波 變換心電信號(hào)去噪方法[OL]. 計(jì)算機(jī)科學(xué)， 2024. http：∥kns. cnki. net/kcms/detail/50. 1075. tp. 20240709. 1031. 002. html. WANG Haiyong， DING Gufei. ECG signal denoi ? sing method based on stationary wavelet transform with hyperbolic tangent threshold function [OL]. Com ? puter Science，2024. http：∥kns. cnki. net/kcms/detail/ 50. 1075. tp. 20240709. 1031. 002. html.

［20］ 雷璨如，羅仁澤，武娟，等. 成本敏感型梯度提升樹識(shí) 別富水致密砂巖流體性質(zhì)——以鄂爾多斯盆地 X 氣 田 為 例 [OL]. 地 球 物 理 學(xué) 進(jìn) 展 ， 2024. http： ∥kns. cnki. net/kcms/detail/11. 2982. P. 20240611. 1102. 008. html. LEI Canru， LUO Renze， WU Juan， et al. Cost?sensi? tive gradient boosting decision tree for identifying fluid of high water ? bearing tight sandstone： A case study of x gas field in ordos basin[OL]. Progress in Geophy sics， 2024. http： ∥kns. cnki. net/kcms/detail/11. 2982. P. 20240611. 1102. 008. html.

［21］ 朱采薇， 楊輝廷， 彭博. 基于機(jī)器學(xué)習(xí)的碳酸鹽巖儲(chǔ) 層流體性質(zhì)識(shí)別——以阿姆河右岸中部為例[J]. 中 國石油和化工標(biāo)準(zhǔn)與質(zhì)量， 2024， 44（7）： 152?154. ZHU Caiwei， YANG Huiting， PENG Bo. Fluid property identification of carbonate reservoirs based on machine learning： a case study of the central right bank of the Amu River [J]. China Petroleum and Chemical Standard and Quality， 2024， 44（7）： 152?154.

（本文編輯：趙君）

作 者 簡 介

高國海 碩士研究生，1999 年生；2022 年獲西南石油大學(xué)軟件工程專業(yè)學(xué)士學(xué)位；現(xiàn)在該校攻讀軟件工程專業(yè)碩士學(xué)位，主要從事深度學(xué)習(xí)及智慧油氣田方面的學(xué)習(xí)和研究。