非線性模型在儲滲體預測中的應用

任 杰，侯克均，繆祥禧，樊靖宇，熊晨皓，吳曉光，章順利，田鈞名，廖哲淵，徐 兵

（1.中國石化經緯有限公司，四川成都 610100；2.中國石油西南油氣田分公司開發事業部，四川成都 610066；3.中國石化勘探分公司，四成川都 610047；4.中國石化西南油氣分公司勘探開發研究院，四川成都 610047；5.中國石化西南油氣分公司采氣一廠，四川德陽 618000；6.成都理工大學能源學院，四川成都 610059）

川中蓬萊地區處于川中古隆起的中斜平緩帶的中部位置，構造地勢為東南高、西北低，面積約8 500 km2，橫跨遂寧市的船山區和安居區，基底穩定，褶皺平緩，總體上未見大的斷裂分布[1-2]。蓬萊地區的油氣勘探始于20 世紀50 年代，先后發現了侏羅系涼高山組、大安寨段油層和中三疊統雷口坡組氣層。蓬萊地區上三疊統須家河組特征與川中須家河整體特征相同，廣泛分布著具有良好潛力的致密砂巖天然氣藏，不整合-整合于侏羅系紅層之下，假整合于中三疊統雷口坡組海相碳酸鹽巖侵蝕面之上，該組縱向由下到上劃分為須家河組一段至須家河組六段共6 段，其中須二、須四、須六為儲層[3]。蓬萊地區的開發程度已頗具規模，先后發現了蓬萊107 井、蓬萊113 井、蓬萊002-3-X1 井等高產氣井，日均產氣達4.95×104m3[4]。由于蓬萊地區須家河組致密砂巖儲層具有低孔、低滲、非均質性較強的特點，給須家河組的勘探與研究增加了難度。

儲滲體一般被定義為地層中具有一定滲透能力的孔隙與裂縫相互疊加而成的獨立儲集體[5-6]?？偨Y不同地區儲滲體的特征，可發現儲滲體的分布大多與孔、縫、洞的發育存在直接關系。如川北柏埡地區大安寨的高能介屑灘灰巖受重結晶和溶蝕作用而變得易裂、易碎，裂縫發育，分布大量的儲滲體[7]；新場氣田沙溪廟組的致密氣藏由于有微裂縫，所以儲滲體的滲透性在縱向上變化很大[8]。

儲滲體預測與儲層預測基本相同，不同之處在于儲滲體的預測更偏向于尋找地層中的裂縫發育帶。由于儲滲體大多具有非均質性,單純在地質方面使用宏觀與微觀參數來對儲滲體進行預測都具有片面性，所以預測方法也逐漸從早期的單一地質預測向地質、測井、地震等多學科綜合預測發展，所用方法也從單一參數、經驗公式等方法逐漸向多參數、跨學科新算法方向發展。測井儲層預測多采用近幾年流行的人工智能非線性算法，在低孔低滲的致密砂巖儲層方面也取得了一定程度的突破。如宋輝等[9]運用了卷積神經網絡與門控循環單元網絡相結合的算法對儲層孔隙度進行了預測，將兩種深度學習模型結合，對于孔隙度的預測準確率高于單一的深度學習模型。

儲滲體預測與常規儲層預測最大的不同之處在于由于儲滲體常分布在裂縫發育地區，所以需要對裂縫進行預測。國內對于裂縫預測最早可以追溯到20 世紀60 年代，雖然稍晚于國外，但也積累下來了許多適用于國內地層特征的預測方法。早期的裂縫預測方法僅限于地質方面，通過對野外露頭和巖心的觀測來從宏觀和微觀兩方面對裂縫進行描述。這種預測方法僅限于有野外露頭和有鉆井的區域，對于未勘探地區只有進行推測，總得來說這種方法最簡單，但精度非常低[10]。測井裂縫預測也隨著非線性理論和方法運用的成熟，由傳統的觀察測井曲線對裂縫的響應發展到利用單一或多測井曲線建立與裂縫之間的線性關系來定量預測裂縫，再發展到多測井曲線建立與裂縫之間的非線性關系來預測裂縫。

國外對于裂縫的預測比國內開始得更早，PRICE[11]在分析裂縫形成過程時表示，巖石由于破裂形成裂縫，隨著巖石的彈性形變增加，裂縫越多，發育程度越高。MURRAY[12]在分析構造裂縫時使用了幾何學的方法計算出了曲率與裂縫孔隙度的經驗公式。NELSON[13]認為由于斷層而產生的裂縫與其巖性、斷面的位移和距離、埋深等有關，并構建了相關函數。BARTON[14]在研究中指出，當構造裂縫的分維度大于1.34 時，此裂縫就屬于具有滲流能力的裂縫網絡。

20 世紀90 年代后，國外在裂縫測井識別上有較大的發展，測井識別技術方面同國內一樣主要聚焦在成像測井和微波長測井上，這些方法對于裂縫和微裂縫的發育層位都有直觀的識別能力。

1 工區地質特征及儲集性分級評價與儲滲體定義

1.1 工區地質特征

研究區位于川中蓬萊地區的蓬萊107 井區，屬于川中蓬萊地區主體部分中蓬萊107 井及其附近井所在地區，面積約300 km2。研究區內共有33 口井，其中在須家河組具有中、高產能的工業氣井6 口，低產及主要產水井共6 口，干井4 口。

研究區須家河組普遍發育致密砂巖，其孔隙度分布在2.0%～15.0%，平均孔隙度只有6.8%，滲透率分布在0.01～5.00 mD，已探明的須家河組天然氣儲量為4 162.43×108m3，已開采儲量僅為110.00×108m3，剩余儲量開采難度較大[15-16]。

1.2 儲集性分級評價與儲滲體定義

由于研究區孔隙結構復雜，孔滲相關性較差。因此，在綜合考慮儲層類型的前提下，將儲層劃分為孔隙型和裂縫-孔隙型，分別根據兩類儲層各自的孔滲關系（圖1），在上述滲透率下限基礎上，確定出兩種儲層的孔隙度分級評價下限。即須二段工業產能儲層的孔隙度下限分別為：孔隙型儲層-孔隙度大于8.0%，裂縫-孔隙型儲層-孔隙度大于4.0%；中高產儲層的孔隙度下限分別為：孔隙型儲層-孔隙度大于14.5%，裂縫-孔隙型儲層-孔隙度大于9.0%（表1）。

表1 蓬萊107 井區須二段儲層分類評價標準

圖1 蓬萊107 井區須二段不同儲集類型砂巖孔滲關系圖

根據上述孔滲分級下限，結合研究區須二段已有鉆井的含氣性、測試、試采等與孔滲分布區間的相關性，將滲透率大于0.500 mD，且孔隙度大于14.5%的孔隙型儲層和孔隙度大于9.0%的裂縫-孔隙型儲層評價為好儲層，滲透率在0.300～0.500 mD，孔隙度大于12.5%的孔隙型儲層與孔隙度大于7.5%的裂縫-孔隙型儲層評價為較好儲層，滲透率在0.085～0.300 mD，孔隙度大于8.0%的孔隙型儲層和孔隙度大于4.0%的裂縫-孔隙型儲層評價為中等儲層，滲透率小于0.085 mD，孔隙度小于8.0%的孔隙型儲層和孔隙度小于4.0%的裂縫-孔隙型儲層評價為差儲層。

本次研究將中等儲層、較好儲層和好儲層較為發育的層段和區域定義為儲滲體，也就是說儲滲體下限為滲透率大于0.085 mD，孔隙度大于8.0%的孔隙型儲層和孔隙度大于4.0%的裂縫-孔隙型儲層，它們是儲滲體內的主要儲層，研究區須二段儲滲體發育層段在圈閉有效時具有產出工業氣流的能力。

2 儲滲體預測模型分析

2.1 須二段砂巖測井響應特征

蓬萊107 井區須二段儲集巖巖石類型為中粒巖屑長石砂巖及長石巖屑砂巖；物性表現為低孔、低滲、高束縛水飽和度特征；電性特征表現為低自然伽馬、低電阻、高聲波時差特征，從聲波時差、自然伽馬、電阻關系圖可知，儲滲體電性特征表現為：GR 集中在60～90 API，聲波時差在64～72 μs/ft，電阻率在15 Ω·m 以上，集中在15～35 Ω·m。雖然通過曲線可大致總結出儲滲體的電性特征，但此特征被包含在了砂巖的電性特征區間值之內，依然無法與砂巖電性特征所區分開來。

根據研究區須二段取心井巖心發育裂縫與砂巖滲透性關系可知，巖心裂縫發育程度與滲透性關系密切，裂縫發育時，滲透性好，易于形成儲滲體，同時成像測井上裂縫發育層段也表現出較好的滲透性，如蓬萊107 井在成像測井資料2 405、2 414 m 見多條明顯構造縫，滲透性好，加砂壓裂后測試獲高產油氣流，獲氣51.99×104m3/d，油9.6 t/d（圖2）。但裂縫發育特征在常規測井信息上的表現并不明顯。

圖2 蓬萊107 井須二段裂縫電性響應特征

由此可知蓬萊地區須二段儲滲體和一般砂巖在常規測井上的特征較為相似，因此，無法直接根據常規測井信息區分儲滲體與其他的一般砂巖。本次研究中也曾嘗試過直接預測滲透率來識別儲滲體，但滲透率與單一的常規測井信息關系也不明顯，無論是線性預測模型還是非線性預測模型，預測準確率均達不到要求。這可能是須二段復雜的儲層類型造成的結果。

2.2 儲層類型非線性預測模型

針對蓬萊地區測井曲線與儲層類型非線性的特點，本次研究選擇了適用于此情況的隨機森林分類算法來對須二段儲層類型進行預測，以達到在砂巖中區分不同類型儲層的目的。隨機森林分類算法具有參數少，建?？斓奶攸c，可運用隨機森林算法中的分類算法來建立分類模型。

隨機森林分類算法，即是運用隨機森林算法對樣本進行分類預測。隨機森林就是通過集成學習的思想將多棵樹集成的一種算法，它的基本單元是決策樹，而它的本質屬于機器學習的一大分支-集成學習方法。從直觀角度來解釋，每個決策樹都是一個分類器，那么對于一個輸入樣本，N 個樹會有N 個分類結果。而隨機森林集成了所有的分類投票結果，將投票次數最多的類別指定為最終的輸出。

隨機森林通過構造不同的訓練集增加分類模型間的差異，從而提高組合分類模型的外推預測能力。通過k 輪訓練，得到一個分類模型序列{h1（X），h2（X），…，hk（X）}，再用它們構成一個多分類模型系統，該系統的最終分類結果采用簡單多數投票法。最終的分類決策：

式中：H（x）-組合分類模型；hi-單個決策樹分類模型；Y-輸出變量；I（·）-示性函數。式（1）說明了使用多少投票決策的方式來確定最終的分類。

將原始數據中的輸出參數（本文參與計算數據為AC、DEN、GR、RT 等測井曲線）向下傳遞給每一個決策樹，每一個決策樹單獨做出分類決策，最后以投票的形式，看哪種類別最多就判斷為輸出值（圖3）。

圖3 隨機森林原理示意圖

3 儲滲體預測應用

本文模型的建立，使用了Python 語言，所用程序為Python3.6。選用取心數據較多的蓬萊107 井和蓬萊6 井進行建模。將未參與建模的蓬萊11 井取心數據作為檢驗數據。通過對比模型預測儲層類型與實際取心儲層類型可知，模型對于儲層類型的預測較為準確。同時，與作為檢驗數據的蓬萊11 井實測數據相比，儲層預測正確率為96%，達到了預測要求精度。將預測模型應用于蓬萊002-X7 井可得到其儲滲體預測結果（圖4），該井部分井段電成像圖見圖5。

圖4 蓬萊002-X7 井儲滲體預測圖

圖5 蓬萊002-X7 井2 391～2 395 m、2 401～2 405 m 電成像圖

將預測模型應用于蓬萊002-1-X1、蓬萊002-2-X1 等多口井，對其須二段進行儲層類型預測，獲得了重點井須二段砂巖中的儲層類型分布。

對典型井須二段中裂縫-孔隙型儲層的厚度以及射孔段中裂縫-孔隙型儲層所占比例進行了統計，見表2，同時獲得了典型井須二段砂巖裂縫-孔隙型儲層厚度分布。從表2 可以看出，蓬萊002-1-X1、蓬萊002-3-X1 等中高產井的裂縫-孔隙型儲層厚度較厚，干井和蓬萊002-2-X1 井的裂縫-孔隙型儲層厚度較薄，與實際相符。

表2 須二段裂縫-孔隙型儲層厚度及在射孔段砂巖中的比例分布表

4 結論

（1）綜合運用研究區現有鉆井的含氣性、測試、試采等資料以及孔滲分布區間的相關性分析，重新確定了本文的儲滲體定義。針對蓬萊地區須二段砂巖取心少且不系統、孔隙結構復雜導致孔滲相關關系差的特點，利用隨機森林分類算法實現了單井儲層類型縱向分布預測。

（2）研究區須二段儲滲體裂縫發育程度與滲透性關系密切。但裂縫發育特征在常規測井信息上的表現并不明顯，識別有一定的難度。

（3）運用隨機森林分類算法建立的儲層類型分類模型，儲層預測正確率為96%，達到了預測要求精度。由此進行的儲滲體測井解釋，蓬萊002-1-X1、蓬萊002-3-X1 等中高產井的裂縫-孔隙型儲層厚度較厚，與實際相符。