基于井控多屬性機器學習的縫洞型儲層預測方法

田建華，朱博華，盧志強，冉 琦，張勝寒，高睿語，陳海洋

（1.中國石化石油物探技術研究院，江蘇南京211103；2.中國石化西北油田分公司勘探開發研究院，新疆烏魯木齊830011）

縫洞型儲層預測技術的發展和應用，對指導碳酸鹽巖油氣藏的勘探開發具有重要意義。尤其在塔里木盆地深層縫洞型儲層的研究中，高質量儲層預測成果可優化鉆井靶點、提升儲集體刻畫精度，為縫洞型油氣藏勘探突破和效益開發奠定堅實基礎。目前，不少學者在縫洞型儲層特征響應分析和儲層預測方面開展了細致的研究工作，并取得了一定的應用效果［1-26］。針對縫洞型儲層表現出的“串珠狀”反射特征，學者從儲層物理模擬［1-4］、數值模擬［5-7］等不同角度系統剖析其形成機理和響應特征，建立地震識別模式，為儲層精細預測奠定了很好的理論基礎?？p洞型儲層預測技術和方法種類較多，目前主要為單一地震屬性和常規地震屬性融合方法，鉆井信息利用較少，預測結果的井震匹配性有待進一步提高。

單一地震屬性預測技術和方法主要有巖相分類技術［8］、疊前同時反演方法［9-10］、AVO分析技術［11-12］、頻譜分解技術［13-14］和分頻屬性預測方法［15-17］等。能量類、頻率類屬性預測方法雖有一定效果，但由于縫洞型儲層非均質性強的特點，縫洞體位置、尺度大小預測難度大，井震吻合率較低，且在儲層特征與漏失點的關系方面缺乏研究。地震反演方法能消除子波旁瓣效應，預測精度有明顯提高，但是波阻抗閾值還存在一定的不確定性，井震波阻抗關系的建立也存在一定的困難。

針對單一地震屬性預測帶來的局限，多屬性優選和融合地震預測發展成為一個主流的研究方向［18-19］。李弘等構建出反射強度調諧累積頻率衰減屬性，較好地識別了碳酸鹽巖縫洞型儲層［20］。劉立峰等開展地震多屬性優化研究，優選敏感屬性，較好地預測了儲層的分布［21］。張顯文等構建了一種儲層孔隙因子進行儲層反演，得到的參數反演體能直接表征有利儲層特征［22］。閆家偉等采用支持向量機的數據融合方法，將參數反演數據和敏感地震屬性進行多數據融合，預測儲層展布具有較高的鉆井吻合率［23］。楊宏偉等采用基于概率核地震屬性融合方法，實現了砂體的精細預測［24］。張軍華等開展基于敏感測井曲線的多屬性井震關系研究，采用多元線性回歸和SVM 實現儲層預測［25］。鄭笑雪等開展多種優勢地震屬性聚類分析研究，提高了儲層預測精度，井震吻合率較高［26］。上述研究較好地實現了井震聯合研究，但是在鉆井信息利用方面相對欠缺。在碳酸鹽巖縫洞型儲層鉆井過程中，會出現鉆頭放空、鉆井液漏失等現象，放空代表鉆遇較大尺度儲集體，漏失代表鉆遇小尺度儲集體或裂縫發育帶，且漏失量的大小也是儲層類型和規模的反映，這一類信息還沒有得到充分利用。

針對上述問題，為了充分利用不同地震屬性預測結果和鉆井信息，提高井震一致性，筆者將儲層不同地震屬性預測成果與鉆井漏失點處儲層類型結合起來，提出了一種基于井控多屬性機器學習的縫洞型儲層預測方法。該方法不僅實現了地震多屬性的融合，而且將井上放空、漏失信息作為約束條件開展儲層預測，提高了井震相關關系，滿足了縫洞型儲層精細預測和分類的要求，在實踐中具有較高的研究價值和應用前景。以塔里木盆地順北地區為例，在保證較高井震一致的條件下，將表征縫洞體的不同地震敏感屬性進行綜合利用，實現縫洞型儲層的精細預測，為后續井位部署和靶點軌跡優化調整提供有效依據，最終提高鉆井成功率。

1 SVM方法原理

支持向量機（SVM）方法由VAPNIK 等提出，在很多分類問題上取得較好的效果，是機器學習業內最有影響力的模型之一［27-28］，具有泛化性能好、適合小樣本和可訓練高維特征等優點，應用較為廣泛。其基本思想是基于訓練數據樣本集T在樣本空間中找到一個劃分超平面，能夠將不同類別的樣本正確分離。在二分類問題當中，給出訓練數據樣本集T如下：

式中，xi∈Rn,yi={-1,1}。當yi= 1 時，訓練樣本向量xi為正樣本；當yi= -1 時，訓練樣本向量xi為負樣本。

劃分超平面用如下線性方程來描述：

ω決定了超平面的方向，高維超平面ωTx+b=0 將所有的訓練數據分成兩部分，其中法向量正方向的一側是正類樣本，反方向的一側是負類樣本。樣本空間中任意點x到超平面的幾何距離可表示為：

支持向量機方法通過求解一個能夠將訓練樣本正確分類的高維超平面，并將樣本點距該超平面的幾何距離最大化（幾何距離最大化的直觀理解即訓練樣本點距分離超平面足夠遠）來使得分類效果置信度達到最高。這樣的分類模型理論上面對未知測試數據集有最好的預測期望。求解一個幾何距離最大化的分離超平面參數，將這個問題表述為約束最優化問題，即，其約束條件為：

求解該優化問題的方法是使用Lagrange 對偶性，構造Lagrange函數，對于每一個不等式約束相應的引入Lagrange乘子αi≥0，定義Lagrange函數為：

2 方法流程

優選采用阻抗、均方根能量、瞬時振幅、儲層甜點和地震張量5種屬性作為表征儲層特征的敏感屬性。地震反演較好地消除了子波旁瓣效應，得到的縱波阻抗能較好地反映儲層的真實特征，更貼近于地下實際地質體。振幅類屬性主要來自于地震振幅信息，強能量表示儲層發育區，但是單一振幅不能真正反映不同儲層的特征，存在局限性。儲層甜點參數是振幅隨頻率的變化，能較好突出儲層響應特征。地震張量屬性是利用地震張量場判斷地震同相軸的走向，能很好地識別隱藏在同相軸下的振幅異常。

將上述敏感屬性優選和實鉆井放空、漏失特征相結合，形成基于井控多屬性機器學習的縫洞型儲層預測方法，主要包括以下步驟：①基于原始地震數據，結合井震標定結果，提取每口井放空和漏失點位置處的5 種地震敏感屬性值，形成屬性數組作為輸入數據。②根據工區實鉆井井震標定結果，統計放空和漏失點特征，依據泥漿漏失量大小，標記儲層類型，得到儲層類型數組作為輸出數據，形成訓練集數據。③利用上述5種地震敏感屬性數組及其相對應的儲層類型數組，開展基于支持向量機方法的模型訓練，得到符合先驗信息的井震一致的預測模型，建立地震屬性特征和儲層分類之間的相關關系。④將此預測模型應用于全區，基于全區多屬性數據體，得到全區儲層類型預測結果，最終明確儲層發育特征。

3 實例應用

塔里木盆地順北地區發育典型的奧陶系碳酸鹽巖斷控縫洞型儲層。其目的層埋藏深，平均深度超過7 300 m，多期活動的走滑斷裂帶經深部酸性流體溶蝕改造形成縫洞型儲層［30］，經后期油氣充注后形成一系列沿深大斷裂帶分布的特殊油氣藏。儲層縱橫向非均質性強，分布規律性差，地震上主要表現為“串珠狀”的反射特征。研究區內共有鉆井11 口，鉆探目標均為斷裂+縫洞體的組合，斷裂代表有較好的儲層發育基本條件，縫洞體代表有利儲層發育區。鉆井鉆遇儲層時會出現泥漿漏失或鉆頭放空等現象，這11口井在目的層段均出現不同程度的泥漿漏失特征，代表鉆遇儲層，但漏失量存在差異。筆者探索將已鉆井泥漿漏失特征與地震屬性建立關系，開展儲層分類預測，進而提高井震匹配性和預測精度。

3.1 儲層類型劃分及敏感地震屬性提取

鉆井漏失點是儲層發育位置最直接的反應，根據泥漿漏失量的大小，可以定義該漏失點處儲層的類型。通過已鉆井泥漿漏失量大小和振幅屬性分析可知，泥漿漏失量越大，代表鉆遇規模儲層的概率就越高。當泥漿漏失量較大時（大于30 m3），定義為儲層的核心區，儲層類型標記為1；當漏失量中等時（2～30 m3），定義為儲層到非儲層的過渡區，儲層類型標記為2；當漏失量較小時（小于2 m3），為局部裂縫發育區，地震上沒有明顯的響應，定義為非儲層區，儲層類型標記為3。

如圖1所示，A井有3個漏失點，ls_1位置和ls_3位置的漏失量均大于30 m3，定義為儲層的核心區，儲層類型標記為1；ls_2 位置漏失量小于2 m3，定義為非儲層區，儲層類型標記為3。B井ls_2位置漏失量小于2 m3，定義為非儲層區，儲層類型標記為3；ls_3 位置漏失量大于30 m3，定義為儲層的核心區，儲層類型標記為1；ls_4位置漏失量為2～30 m3，定義為儲層到非儲層的過渡區，儲層類型標記為2。

圖1 過井地震剖面Fig.1 Through-well seismic profiles

通過統計分析，研究區內11 口井共21 個漏失點；其中漏失量較大（大于30 m3）的漏失點有4 個，儲層類型標記為1；漏失量中等（2～30 m3）的漏失點有7 個，儲層類型標記為2；漏失量較?。ㄐ∮? m3）的漏失點一共10 個，儲層類型標記為3。這樣就將區內21個漏失點定義為不同的儲層類型，形成儲層類型數組。

利用5 種地震敏感屬性預測成果，提取21 個漏失點位置處相應的地震屬性值，得到井點漏失點位置屬性值和儲層類型相關關系（表1）。將此表作為輸入數據集，為后續模型訓練做好數據基礎。

表1 漏失點位置地震敏感屬性值與儲層類型相關關系（部分數據）Table1 Relationships between attribute values and reservoir types at leakage points（partial data）

3.2 模型訓練

將5 種不同的地震敏感屬性值作為輸入參數，通過漏失特征確定的儲層類型作為輸出類型，利用支持向量機方法進行機器學習，建立地震屬性和儲層類型之間的映射關系，訓練得到預測模型。

模型訓練過程中，采用交叉驗證的方式防止過擬合。由混淆矩陣（圖2）可看出，模型的整體吻合率達到90.5%，多屬性和儲層類型之間的映射關系較好。由于儲層核心區和過渡區的不確定性較突出，所以兩者的預測結果會存在一定的偏差；儲層類型1 預測準確率為75%，有25%的概率會預測為類型2；其他2種分類在地震屬性上具有明顯的差異性，所以在模型中表現出很高的預測準確度，儲層類型2 預測準確率為100%，儲層類型3 預測準確率為90%，有10%的概率會預測為類型2。由此可見，通過SVM 方法建立預測模型，能很好地表征地震屬性和儲層類型之間的關系，井震匹配度很高，為提高碳酸鹽巖儲層類型的預測精度奠定了良好基礎。利用此預測模型，可以開展全區儲層類型的預測。

圖2 混淆矩陣Fig.2 Confusion matrix

3.3 預測效果分析

利用單一地震屬性預測具有一定的局限性（圖3）。瞬時屬性和均方根能量屬于振幅類屬性，能定性的判別縫洞型儲層的發育特征，但很難對儲層類型進行細化分析。振幅屬性存在閾值選取的問題，如果閾值選取不合理，預測可靠性會大大降低（圖3b，3c）?？v波阻抗反演剖面理論上能識別有利儲層的分布，但由于縫洞型儲層具有非均質性強的特征，反演結果存在一定的誤差，同時阻抗閾值確定也存在一定困難，用單一屬性判別的準確性較低（圖3d）。甜點屬性展示的效果和振幅類屬性接近，難以對儲層進行分類表征（圖3e）。地震張量屬性能較好表征縫洞型儲層引起的同相軸差異，但同時也出現了一些其他非儲層因素導致的屬性異常（圖3f）。由上述5 種地震屬性進行井震分析可知，每種屬性有其自身優勢，單一屬性很難全面表征儲層特征，某些屬性與井的吻合率相對較低。通過井控多屬性機器學習分類預測，在鉆井漏失點定義的儲層類型約束下，將5種地震屬性進行融合，能很好地綜合不同地震屬性的優勢，在儲層定性預測的同時，也能更好地進行儲層分類，具有較明顯的技術優勢。

圖3 過C井地震剖面及屬性剖面Fig.3 Seismic profile and attribute profiles through Well C

將上述預測模型應用于整個三維屬性體，得到研究區的儲層類型預測結果。由圖4 可知，最終預測結果分為3類；紅色區域為儲層核心區，代表儲層最發育的位置；淡藍色區域為儲層過渡區，代表儲層相對欠發育；白色區域代表非儲層區。2 個漏失點漏失量中等（2～30 m3），為儲層過渡區。預測結果較好地反映了儲層發育部位，與井上的漏失特征具有很好的吻合效果，直觀、準確，可以更好的為后期井位部署和評價、井軌跡優化調整提供有效依據。在該井的下一步側鉆計劃中，圖中黑色箭頭指示位置（紅色區域，儲層核心區）為儲層發育概率最大的區域，由此可以實現精準入靶，提高優質儲層的鉆遇率，指導精細勘探開發工作。

圖4 C井儲層類型預測結果Fig.4 Prediction of reservoir types through Well C

4 結論

基于常規多屬性縫洞型儲層預測方法，充分考慮鉆井過程中泥漿漏失特征，提出將漏失特征定義的儲層類型與地震敏感屬性參數相結合，利用機器學習方法建立實鉆井控約束下的多屬性預測模型，實現對縫洞型儲層的分類預測。對塔里木盆地順北地區儲層的分類預測結果反映真實儲層類型特征，井震吻合率達到90.5%，提高了井震匹配關系，提高了優質儲層的鉆遇率和成功率，為井位部署和井軌跡優選提供有效參考，為縫洞型儲層精細研究提供了新的思路。后續研究將在樣本點選取和擴展、屬性優選、機器學習方法等關鍵環節開展深入研究，進一步提高方法的適用性和預測效果。

符號解釋

b——超平面位移項；

d——超平面垂向法向量維度；

i——個體，i= 1,2,…,N；

j——個體，j= 1,2,…,N；

L(ω,b,α)——Lagrange函數；

n——實數向量空間維度；

N——個體上限；

R——實數集；

T——訓練數據樣本集；

x——特征向量；

xi——第i個訓練樣本對應的特征向量；

xj——第j個訓練樣本對應的特征向量；

(xi,yi)——訓練樣本數據點；

y——特征向量的標簽；

yi——xi的標簽；

yj——xj的標簽；

α——αi組成的矢量；

αi——Lagrange函數中的Lagrange乘子；

αj——另一組Lagrange乘子；

γi——樣本空間中任意點x到超平面的幾何距離；

ω——超平面垂向法向量，ω=(ω1;ω2;…;ωd)。