河流―三角洲储层沉积相模式识别技

1河流—三角洲储层沉积相模式识别技术及绘图系统研究一、研究目的及意义萨北开发区经过了三十多年的注水开发，目前已进入了高含水后期开采阶段，内部仍有相当数量的剩余油，但其分布状况十分复杂，难以寻找。这就需要对油层的沉积微相做比以前更加细致和准确的划分，近几年油藏工程系统逐步探索以精细储层研究为基础，建立精细地质模型的新思路，从而进一步精细地描述储层轮廓，但直到现在，我们仍是利用测井曲线进行人工判相。由于人工判相工作周期长，判别精度又因人的经验而异，这就给沉积相识别带来不稳定性等一系列难度。为了适应当前油田开发调整的需要，避免出现基础地质研究滞后于开发工作的不利情况，我们研究运用计算机模式识别法判定沉积微相。使用计算机自动识别沉积微相其速度远远将超过人工判相的速度，同时也解决了由于操作人员经验的不同而带来的判相结果的差异，具有较大的稳定性，不易产生误判，这样将大大提高油田开发工作的效率，并带来很大的经济效益。地质制图软件研制是目前地质资料自动处理和精细地质研究急需解决的问题，虽然经过多年的研究、积累，油田各单位已陆续开发出一些地质绘图软件，在油田生产和地质研究中发挥了重要作用，但通过几年在生产中的实际使用发现也存在若干问题。主要体现在：（1）人工交互工作量较为繁重；（2）在连通关系处理上存在较大误差。利用目前成熟的精细地质研究方法、计算机模式识别技术以及现有软硬件资源，开发出一套实用性强，功能完备的测井曲线沉积微相识别与地质制图一体化软件，对于充分利用现有勘探开发数据库信息资源，测试信息和生产动态信息，提高油藏地质描述的客观性和地质工作效率具有重要意义，为油田动态开发提供可靠的地质依据。2二、完成的主要工作项目自01年开题，到02年年底结束，计划研制内容包括两大部份：一是沉积微相模式识别软件；二是相带图绘制系统。目前，所有研究内容已全部按计划完成。1．基础数据的准备在北二东密井网区选取了149口井的小区块，对已有的小层数据库进行提取，并把该149口井的测井曲线矢量化数据库进行格式转化，形成统一的DBF数据格式。2．河流-三角洲储层不同沉积微相的典型模板的建立针对萨北开发区储层沉积微相类型，在萨、葡、高118个小层里建立了8种旋回的典型模板共400个，作为模式识别的典型模板和系统训练的模板。3．选择与提取曲线特征；根据对测井曲线形态特点的观察和分析，首先提取的特征结果17个。然后，根据特征子集选择的原则，即子集内的元素彼此有很强的独立性，分析其相关性，从17个候选特征中，选出9个特征子集，作为模式识别的特征。4．完成识别系统的程序编制以测井曲线数据库、小层基础数据库、小层界线数据库为数据支持，以大庆油田河流—三角洲储层沉积特征为背景，完成了采用神经网络法及最小距离法对萨、葡、高油层各沉积单元的沉积微相进行识别。实现了对沉积微相的计算机自动识别，使识别符合率达到90.1%。5．采用AUTOLISP语言完成了绘图系统的程序编制。三、研究难点及相应解决方案测井曲线是模式识别沉积相的主要依据。但是由于曲线形态的复杂性、多变性，人工处理也有一定的难度，我们如何使计算机识别这些曲线，区别它们在形态上的相似或相异性，并进一步判定曲线所对应的沉积相类型，这是模式识别沉积相的关键。（1）形态相异性3测井曲线在宏观上有相似性，不利于对曲线特征进行分类。因此我们通过具体分析观察，总结归纳出曲线在微观上的明显差异。并以自然电位曲线为例（见图1），区分出箱状，塔状，倒塔状，纺缍状，葫芦状，倒葫芦状和枣核状等几种曲线类型。图1形态相异性（2）寻找完整形态的起止点进行两条测井曲线的对比，必须找出曲线的完整形态。而由界定的单砂层的砂岩顶深和砂岩厚度并不能截得该层的完整曲线形态。因为砂岩顶深和砂岩厚度一般划分在曲线侧偏的中值处，因此我们采用向上、向下的搜索算法，并跳过局部最小点，找到曲线的完整形态，此外添加了手动调整欲识别的曲线段的起止边界，用以保证截取的曲线形态完整。（3）分相带建库对于建立模板库来说，由于大庆油田河流—三角洲沉积体系各相带分异完善，各相带之间沉积特点具有明显的差异。如果用一套模板库来进行识别计算，其误差相对较大，识别率较低。因此我们采取分相带建库的方法，建立了河流相模板库和三角洲相模板库。四、储层沉积相模式识别（一）模式特征的提取和选择模式特征的选择与提取是模式识别中的关键问题。任何模式的识别，都离不开模式的特征。特征选择的优劣，直接影响到识别的结果，因为所选择的特征将代表相应的模式参与识别。1．特征的提取我们从各种沉积旋回的沉积特征，结合相应的测井曲线形态进行研究4分析，提取了以下一些特征：A．表外砂岩厚度B．有效厚度C．渗透率D．自然电位曲线侧偏所围成的面积E．自然电位曲线幅值的最大值F．自然电位曲线的齿中线斜率G．一阶原点矩（Moment1）H．二阶中心距(Moment2)I．自然电位曲线面积和绝对厚度的比值J．Ratio(纯表外厚度与总厚度之比)K．自然电位曲线的弯曲程度L．自然电位曲线的平均幅值M．微电位和微梯度的平均幅值差N．两条微电极曲线侧偏所围成的面积O．微梯度的过零点个数P．自然电位和微梯度的平均幅值比Q．相对重心（RM）2．特征选择任何识别分类过程的第一步，不论用计算机还是由人工识别，都要首先分析各种特征的有效性并选出最有代表件的特征。特征选择的目的是：（1）寻找最优特征子集，优化分类器的性能（2）降低特征空间维数5我们根据类别可分性准则，即特征子集选择的原则，也就是子集内的元素彼此有很强的独立性，或者说相关性较小。从上面的候选特征集合中，选出特征子集如下：①渗透率（stl）②有效厚度(yxhd)③微电位与微梯度有平均幅值差(RMN-RMG)④自然电位曲线的最大幅值SPmax⑤自然电位曲线重心（RM）⑥自然电位曲线齿中线斜率（Slope）⑦一阶原点距monent1⑧二阶中心距monent2⑨纯表外的薄差层与总厚度之比ratio（二）模板库的建立1．模板的建立模板库的建立是模式识别的一项重要内容。它包括两个方面：一是建立典型图版，二是建立模板库。在建立模板库之前，首先要建立各种模式的典型图版，从而才能进行模板库的建立工作。因此我们对各沉积微相的大量测井曲线形态进行整理归纳，从各微相的沉积旋回出发，建立了八种典型图版，包括正渐变（1501）、均匀-复合型（1502）、块状型（1503）、反渐变（1504）、小型河道砂（1505）、突弃河道砂（1506）、渐弃河道砂（1507）、河间薄层砂（1508），并以此来指导模板库的建立（如图2）。2．模板选取范围及模板数对识别效果的影响应当提出，模板作为后续识别工作的一种基础数据，其选取范围过窄6及数据量不足将在很大程度上影响识别效果。一是缺乏大量的典型数据资料做模板，难以提高系统的普适性。二是对每一种沉积相模式的模板都又一定的数量要求。如果一种沉积相模式的模板数量超过了另一种的几十倍，在识别时很容易将模板数量少的模式错分成模板数量多的模式。（三）模式识别分类器设计分类器设计是整个模式识别过程的最后一个阶段，也是影响模式识别符合率最重要的部分。1．确定模式识别方法为了使沉积微相的识别获得较高的符合率，就必须要采用较为先进和科学的模式识别方法。因此我们对目前模式识别领域里常用的几种模式识别方法进行了调研和论证，确定采用一种基于神经网络树结构的模式识别方法。2．分类器设计（1）神经网络树分类器的优越性采取二叉树和神经网络相结合的方法来设计分类器，目的是要最小化树分类器和神经网络各自的缺陷，提高分类器的综合性能。该方法是使用小规模的神经网络作为分类树的节点，来提取模式中非线性的特征信息。也就是说在树分类器的各节点设计上，采用了神经网络来提高节点的识别率，增加模糊性。使用这种设计方法，第一扩大了树分类器的分类能力，降低了树分类器的差错累积，缩小了分类误差。第二，提供了一种神经网络分类器的结构化设计方法。由于各神经网络节点仅涉及少量的特征和输出类别，因此有效的降低了神经网络的设计难度，缩短了训练神经网络的时间，提高了系统的泛化能力和识别精度。（2）分类器树形结构7在沉积微相的模式识别中，我们采用的分类器整体框架是一个树型结构，总共分四层，如图3所示。对于树分类器的每一个节点，我们采用神经网络来作为它们各自的分类器。在树分类器的每一个非叶子节点上，其父节点的输出直接作为该节点神经网络的输入向量，经由神经网络的计算，得到输出，再为下一级子节点的输入，直到最终识别出待识模式的类型。图3分类器树形结构图（3）差错累积与回溯前面提到的树分类器的一个缺点就是具有差错累积，也就是指在某一层节点上的识别错误率将会随着层次的加深，逐渐累积。因此，树分类器的层次越深，最后叶子节点的识别错误率也越大。为了改善树分类器的性能，降低它的差错累积，进一步提高识别率，我们在整个识别结构中引入了差错累积和回溯功能。即：每计算完一层的神经网络节点，就对各类别的差错情况进行累积，当差错累积到一定程度后，回溯到父节点，搜索树分类器的其他节点，作为新的分类节点。差错123456150115021503150415051506150715088累积与回溯如图4所示。图4差错累积与回溯流程图3．分类器的对沉积微相的识别神经网络树分类器各层次的识别流程如图5所示。为了使每个节点的图5树分类器识别流程图网络得到更好的训练和学习，并使每个节点上所用的识别特征为最优，我节点i分类对节点i所分类别进行差错累积处理下层子节点拒识回溯到父节点错误率Emax？有未处理子节点？是根节点？是叶子节点？YYYNNN结束YN区分河间薄层砂与其他类别砂体区分正渐变-反渐变与其它河道砂区分正旋回与反旋回区分块状与复合型砂体区分小型与突弃型砂体9们输入了大量的测井数据进行实验，并不断地对系统进行调整，以达到最佳识别效果。（1）区分河间薄层砂与其他类别砂体图6有效厚度、渗透率、微电极幅度差根据河间薄层砂与其它类别砂体在沉积特征和曲线形态特征上的差100-10-20-30-40-50-60SSPPmmaaxx图7有效厚度与SPmax异，我们采用多个特征进行试验，最终确定用有效厚度、渗透率、微电位(RMN-RMG)yxhdstl样本序号有有效效厚厚度度((yyxxhhdd))10与微梯度平均幅值差三个特征对其进行识别，结果如图6。（2）区分正渐变、块状、复合型、反渐变与其它类型河道砂在这个节点上我们主要将前七种类型分为两大类即可，所采用的特征为有效厚度和SPmax（结果如图）图8相对重心与斜率（3）区分正旋回砂体与反旋回砂体在第三个节点上我们主要区分正渐变和反渐变两个类型，块状和复合型暂时不与区分，直接输入下一个子节点，识别情况见图8。（4）区分渐弃型河道砂在这个节点上主要是将渐弃型河道砂从小型河道和突弃型里区别出来，所用特征与同层次的第3个节点一样。（5）区分块状与复合型砂体在这个节点上主要区分块状和复合型砂体。实际上这两种类型就人工操作也是较难区分的。两者都是发育比较好的沉积相类型，在自然电位测井曲线上两者都表现为含有一个高幅值区，不同的是在测井曲线上，块状8765432111型砂体两侧变化更尖锐，而复合型砂体更趋于平缓。在实际中，我们采用了完整测井曲线段的一阶原点矩（均值）和二阶中心矩（方差）来进行识别分类（如图9）。（6）区分小型与突弃型砂体图9一阶原点矩与二阶中心矩图10斜率与长度比值小型河道砂体和突弃型河道砂体都具有厚度较小的特点，它们最大的区别在于突弃河道砂体顶部存在明显的突变界面，并且从测井曲线形态上12来看，小型河道砂体比突弃型河道砂体更具有正渐变的倾向。因此我们采用的特征为纯表外的薄差层与总厚度之比（ratio）和曲线的斜率（slope）来区分这两种类型的砂体（如图10所示）。四、应用效果1．软件系统流程图及界面系统对沉积微相的识别流程如图11所示，软件操作界面如图12所示。开始原始测井数据结束格式转换选择井位并设置识别类型参数设置根据识别井位读入测井数据和小层数据测井数据库小层基础数据库小层界限数据库模式识别支持向量机识别?训练读入样本数据