新场气田须二气藏单井气水层识别模型研究*

2014-06-01庞河清匡建超蔡左花廖开贵王众

西南石油大学学报(自然科学版) 2014年2期

庞河清，匡建超，蔡左花，廖开贵，王众

1.中国石化西南油气分公司博士后科研工作站，四川成都610041；2.成都理工大学能源学院，四川成都610059；3.成都理工大学管理科学学院，四川成都610059；4.中国石化西南油气分公司勘探开发研究院，四川成都610041

庞河清1，匡建超2，3，蔡左花4，廖开贵4，王众2，3

川西新场气田须二气藏为典型的低渗致密碎屑岩气藏，由于地质条件复杂，储层非均质性严重，气水分布十分复杂，束缚水含量较高，气层、气水同层电阻率界限模糊不清，测井解释往往造成很大误判。针对这一难点，应用基于粒子群算法（PSO）的核主成分分析与支持向量机（KPCA–SVM）模型进行气水层识别。模型先通过核主成分分析（KPCA）进行非线性属性变量提取，再将提取的属性变量作为支持向量机（SVM）的输入变量，在识别过程中利用粒子群算法（PSO）寻优，最终实现气水层识别。将模型应用于新场气田须二气藏气水层识别，识别结果符合研究区的实际情况。

粒子群算法；核主成分分析；支持向量机；气水层识别；新场须二气藏

庞河清，匡建超，蔡左花，等．新场气田须二气藏单井气水层识别模型研究[J]．西南石油大学学报：自然科学版，2014，36（2）：71–78．

Pang Heqing,Kuang Jianchao,Cai Zuohua,et al．Study on Gas-water Layer Identification Model in the Single Well of Xu 2 Gas Reservoir of Xinchang Gas Field[J]．Journal of Southwest Petroleum University：Science&Technology Edition，2014，36（2）：71–78．

川西新场气田是浅、中、深层多气藏连片叠置的大型气田。该气田须二气藏为低渗超致密裂缝–孔隙型边水气藏，自2000年X851井在须二段取得重大发现（38×104m3/d）后，相继部署的X856、X2等井均获得高产，展示出新场气田超深层致密气藏具有广阔的勘探前景。然而，近几年随着该气藏的快速开采，南北部边水快速入侵，该气藏气井产量、压力快速下降，对气藏正常生产造成严重影响。为了遏制产量压力递减趋势，提高气藏采收率和经济效益，摸清气藏气水层分布、总结边水侵入规律就显得十分重要。致密碎屑岩气水层识别历来都是油气勘探开发的重点与难点，识别精度的高低直接影响后续工作的顺利开展。目前针对致密碎屑岩气水层发展起来的偶极横波测井、核磁共振测井、井温测井等非常规方法在识别流体方面取得一定成效[1]，但是应用大量非常规测井方法，一方面势必增加测井的成本，影响收益；另一方面，也对解释人员的要求更高，在错综复杂的资料里很难准确把握流体的性质。基于此，本文致力于综合地质、常规测井、人工智能方法来进行气水层识别，建立更加符合须二气藏气水层的识别模型，形成须二气藏致密碎屑岩气水层识别技术，力求更深入认识该区气水层的分布，为气田开发规划部署、开发方案设计、开发动态分析、气井配产及开发方案调整提供参考依据[2]。

1 区域概况

川西拗陷中段的新场构造为一个西高东低呈北东东走向的背斜构造，区域上隶属于孝泉—丰谷构造带。构造带的南边为成都凹陷，北为梓潼凹陷，西为安县—鸭子河—大邑断褶带[2]。平面上新场构造南北两翼不对称，整体表现为南陡北缓；纵向上该构造从中浅层侏罗系至深层须家河组都具有一定的相似性，具有多层叠置发育特征，但深层是由多个构造高点组成的完整复式背斜、断裂较为发育，而中浅层则渐变为向东倾没的鼻状构造，断裂发育程度明显减弱。由于该构造形成时间为燕山、印支期，早于油气运移的高峰期，有利于油气的运移聚集，加之该构造带紧临彭州—德阳大向斜厚度较大的烃源岩，油气资源丰富，保存条件较好，成藏条件优越，为有利的油气构造[3]（图1）。

图1 区域构造图Fig.1 Regional tectonic map

1.1 储层特征

研究区新场气田须二段埋藏较深，一般在4 500～5 300 m，平均4 900 m；沉积厚度较大，钻厚560.00～661.08 m，平均地层厚度约600.00 m，是一套砂泥岩频繁互层不等厚沉积，主要为砂岩，砂体呈层状、块状分布，厚度相对稳定。砂岩储层孔隙度最大为12.28%，最小仅为0.34%，平均为3.36%（未剔除非储集岩），普遍在1.50%～4.50%；渗透率最大为526.488 00 mD，最小仅为0.000 19 mD，平均为1.701 00 mD，主要分布在0.020 00～0.080 00 mD。属典型的超低孔、超低渗致密储层，储集类型以裂缝–孔隙型为主[4]。

由于该气藏储层孔隙结构十分复杂，非均质性强，裂缝的差异发育使得储层的储渗能力、运聚能力、产出能力都大大降低，储层物性总体较差，相对优质储层较少，加上试采阶段开发不够合理，边水入侵严重，气井产出率低下。

1.2 气水层特征

研究区须二气藏经证实气水同层段较多，如CX560井和CX565井。根据目前的试气情况，典型水层的电阻率在30 Ω·m以下或在30 Ω·m左右，但当储层含气或微含气时，混合流体的存在使得深浅侧向电阻率变化复杂。综合分析气水层的电性、物性特征，可将水层分为孔隙型水层和裂缝型水层两大类。孔隙型水层的孔隙度较高，但裂缝相对不发育，其地层水主要是原生孔隙水，如XC7井砂组和X11井砂组，都是典型的孔隙型水层（图2，图3）。这类水层由于裂缝相对不发育，储层渗透率较低，产液量较低，如X11井平均日产气量0.94×104m3，平均日产水量11.13×104m3，水体矿化度在10×104mg/L左右，属于典型的孔隙型原生地层水[4-6]。

图2 XC7井电性曲线图Fig.1 Electrical diagram of Well XC7

图3 X11井电性曲线图Fig.3 Electrical diagram of Well XC7and

裂缝型水层按来源可分为原生裂缝型水层和边水侵入裂缝型水层，该类水层的裂缝较孔隙型水层发育，声波时差具有明显跳波特征。典型的原生裂缝型水层有构造北翼的CX560井砂组底部的水层，测试产水360×104m3/d，电阻率只有2～3 Ω·m，声波时差跳波明显，为典型的原生裂缝型水层（图4）；构造中部的X301井于2009年9月初投产，该井在钻进过程中漏失泥浆388.6 m3，声波时差跳波明显，裂缝很发育（图5）。该井试采阶段平均产气量为5.24×104m3/d，平均产水量为17.85×104m3/d，水体矿化度大于10×104mg/L，分析该井的生产动态特征，发现其动态特征与南部先前投产的X3井特征十分接近，故认为这两口井是彼此连通的。由于X3井在试采初期并不产水，那么后期投产的X301井产出地层水应为边水沿着气田中部南北向断层侵入高部位的裂缝型水[7-9]。

图4 XC560井电性曲线图Fig.4 Electrical diagram of Well XC560

图5 X301井电性曲线图Fig.5 Electrical diagram of Well XC301

2 支持向量机气水层识别技术

基于粒子群算法（PSO）的核主成分支持向量机气水层识别模型（KPCA–SVM）是充分考虑与气水层密切相关的测井参数、地质影响因素而建立起来的模型。由于该模型综合了粒子群、核函数、主成分和支持向量机等数学方法的优点，能在小样本的情况下快速解决非线性问题，达到高效识别气水层的目的，其具体原理详见文献[10-16]。

2.1 气水层识别特征参数挑选

新场须二段致密砂岩储层非均质性严重，气水分布复杂，而且理论上每种测井方法都是基于表征岩石物理性质某一方面而设计的，以唯一性为前提，并不能兼顾多方面的影响因素，这就为测井参数刻度气水层带来更大的难度，所以准确挑选参数对气水层识别来说至关重要[17]。由上述可知，影响气水层预测的因素较多，虽然绝大部分测井参数之间互不相关，但重叠信息却不可避免。为了拾取气水层有效信息，而又不至于冗余，在用SVM来实现气水层识别时，属性变量的优选是关键，那么如何挑选与气水层关系密切的测井属性呢？笔者在仔细分析各测井响应特征和查阅前人的相关研究后，认为交会图法是用来判识气、水、干层和确定气层的各种参数下限值的一种有效方法[18-19]。该方法快速直观，能形象地刻画气水干层的关系。笔者对研究区已测试砂层段的多种测井曲线进行标准化后，得到工区气水层电性判别的初步标准（如表1）。

根据常规交会图法，笔者选出了自然伽马（GR）、自然电位（SP）、声波时差（AC）、中子（CNL）、密度（DEN）、深浅侧向电阻率（RD、RS）、深浅侧向电阻率幅度差（ΔR）、孔隙度（POR）、渗透率（PERM）、含水饱和度（Sw）共11个与气层、气水同层、水层相关的常规测井参数，作为气水层识别的属性变量。

表1 气水层电性标准表Tab.1 Electric standard of gas&water layer

2.2 识别模型实现步骤

单井气水层识别历来都是开发方案编制人员首要考虑的问题，识别的准确与否直接影响到气藏后续的开发效果，这就要求测井解释人员能够准确解释气水层。针对本区气水层分布十分复杂的情况，传统的经验解释方法具有随意性和多解性，因此需借助人工智能方法进行识别。而人工智能方法的优越性能取决于属性变量的噪音大小，也就是说通过降噪来减少重叠信息，从而达到消除多解性与提高识别精度的目的。该模型的实现步骤如下：

（1）首先通过声电交会法确认模型的属性变量，然后从99个样本中随机筛选83个（85%）作为模型的训练样本，剩下16个（15%）作为检验样本。

（2）在MATLAB软件环境下，通过编程挑选合适的核函数（KPCA）或不使用核函数（PCA），实现主成分提取。

（3）将KPCA降维后主成分输入SVM中，在Faruto二次开发的MATLAB工具箱中通过嫁接粒子群算法来提高SVM的收敛速度和识别精度。一般而言，当训练样本回判率大于85%时，认为此时SVM核参数（c）和惩罚因子（g）达到了优化，可对检验样本进行识别，识别结果检验模型的可靠性[20]。

（4）用建立起的模型对未测试样本数据进行识别。

3 应用实例

3.1 已测试层模型构建及效果对比

本模型以新场须二气藏X856井区19口井已测试的99个层位作为建模样本（其中，气层53个，气水同层22个，含气层16个，干层8个）（表2）。根据前面模型的构建思路，笔者分别采用具有高斯核核函数的KPCA与不应用核函数的PCA来提取主成分。比较可知：当应用KPCA时，调整适当的参数，就能使得累积贡献率达到95%以上的主成分只有6个；而PCA则需要8个主成分其累计贡献率才能＞95%。表明在样本数据为非线性情况下KPCA降维效果较PCA好。因此，本研究以KPCA为降维基础构建KPCA–SVM单井气水层识别模型。

表2 已知样本属性汇总表Tab.2 Attributes of known-samples

为了比较KPCA–SVM模型的应用效果，本文分别用判别分析（Fisher）、支持向量机（SVM）、主成分支持向量机（PCA–SVM）、粗糙集支持向量机（RS–SVM）及核主成分判别分析（KPCA–Fish-er）模型对样本数据进行分类识别。由表3、表4可知，KPCA–SVM模型与KPCA–Fisher模型的检验样本吻合度最高（100%）；SVM、PCA–SVM模型以及RS–SVM模型次之（93.75%）；Fisher的最低（87.50%），表明使用KPCA降维后，Fisher和SVM分类性能得到较大提升（图6，图7）。

表3 各模型判别结果展示Tab.3 Model identification results

表4 判别结果对比Tab.4 Contrast of identification results

图6 网格搜索c和g的最优值图Fig.6 The optimal value c&g of grid search

图7 模型回判吻合度图Fig.7 Recognition precision of the trained classifier

尽管KPCA–SVM模型与KPCA–Fisher模型的检验样本吻合度都达到100%，但是前者的训练样本吻合度（93.98%）比后者（87.95%）的要高，说明前者比后者的精度更高。对于模型运行耗时方面，由表4可以看出，KPCA–SVM模型的耗时最低（5.856 7 s）；PCA–SVM模型与RS–SVM模型次之（分别为6.927 0 s和7.327 5 s）；SVM最高（10.219 7 s），表明KPCA、PCA和RS等3个降噪方法都有利于提高模型的运行速度，但以KPCA的降噪效果最好。

3.2 未测试层识别与评价

运用已建立的识别模型对须二气藏40个未测试层进行识别，识别结果除了X203井、X101井的判识结果与录井显示、测试、试采情况有差异之外，其他井的判识结果都基本吻合。对于X203井，虽然该井的测井参数特征与交会图法预测结论一致，但从邻井X201和X11井的测试及试采情况来看，两井测试时在砂组并没有发现水层，由于X201井和X11井在该砂组的底深分别为4761.0m、 4 766.2 m，都比X203井砂组底深4 736.5 m要低，故可认为X203识别结果有误，X203井在上亚段不存在水层。对于X101井，该井的识别为气层，但该井的录井解释为含气层，气测与泥浆密度都较低，考虑到该井裂缝不甚发育，储层物性较差，气井产量较低，识别为气层应为误判。

4 结论

（1）新场气田须二气藏属于边底水气藏，砂体物性普遍较差，非均质性强，为典型的裂缝–孔隙型储层。由于目前气井普遍产水，根据试采动态以及产出水化学特征，将本区产出水分为裂缝型水和孔隙型水两大类。

（2）考虑到本区储层非均质性强，气水分布十分复杂，束缚水含量较高，使得气层、气水同层电阻率界限模糊不清，给测井解释带来很大的困难。因此，在进行复杂边底水气藏气水层识别时，有机整合录井、测井、试气成果以及人工智能方法开展气水层识别显得尤为重要。

（3）本文引进的基于粒子群优化的核主成分支持向量机模型在新场气田须二气藏气水层识别过程中，取得很好的应用效果。充分表明，集成了粒子群算法、核函数、主成分以及支持向量分类机等技术方法优点的模型，不仅能大大提高模型的收敛速度和识别精度，而且符合研究区的实际情况，能在实际生产过程中推广应用。

[1]张筠，朱小红，李阳兵，等.川西深层致密碎屑岩储层测井评价[J].天然气工业，2010，30（1）：31–35. Zhang Yun，Zhu Xiaohong，Li Yangbing，et al.Log evaluation of tight clastic reservoirs in the deep of westernSichuanBasin[J].NaturalGasIndustry，2010，30（1）：31–35.

[2]石磊，匡建超，曾剑毅，等.川西新场气田沙溪庙组致密碎屑岩储层单井产能评价与预测[J].石油实验地质，2009，31（4），338–342.

[3]庞河清.龙门山中段前缘构造特征及油气保存条件研究[D].成都：成都理工大学，2010.

[4]王泽明，鲁宝菊，段传丽，等.苏里格气田苏20区块气水分布规律[J].天然气工业，2010，30（12）：37–40. Wang Zeming，Lu Baoju，Duan Chuanli，et al.Gas-water distribution pattern in Block 20 of the Sulige Gas Field[J]. Natural Gas Industry，2010，30（12）：37–40.

[5]单高军，杜志敏，敖科.涩北一号气田出水动态分析[J].新疆石油地质，2010，31（1）：75–77. Shan Gaojun，Du Zhimin，Ao Ke.Water producing performance analysis in Sebei No.1 Gas Field in Qaidam Basin[J].Xinjiang Petroleum Geology，2010，31（1）：75–77.

[6]冯方，牟泽辉，张克银，等.鄂尔多斯盆地TBM气田下二叠统低渗透储层测井解释模型建立及气、水层识别[J].成都理工大学学报：自然科学版，2002，29（2）：157–160.

[7]庞河清，匡建超，罗桂滨.川西新场气田须二气藏水体动态分布与水化学特征[J].天然气地球科学，2012，23（1）：190–196. Pang Heqing，Kuang Jianchao，Luo Guibin Water dynamic distribution and chemical character in Xu 2 Member gas reservoir of Xinchang Gas Field，western Sichuan Basin[J].Natural Gas Geoscience，2012，23（1）：190–197.

[8]李伟，秦胜飞.四川盆地须家河组地层水微量元素与氢氧同位素特征[J].石油学报，2012，33（1）：55–63. Li Wei，Qin Shengfei.Characteristics of trace elements and hydrogen and oxygen isotopes in the formation water of the Xujiahe Formation，Sichuan Basin[J].Acta Petrolei inica，2012，33（1）：55–63.

[9]赵爽，雍自权.川中充西须四段致密砂岩气田气水分布特征及成因[J].成都理工大学学报：自然科学版，2012，39（2）：164–169.Zhao Shuang，Yong Ziquan.Gas-water distribution and genesis of the tight sangstone gas field in Member 4 of Xujiahe Formation in Chongxi of central Sichuan，China[J].Journal of Chengdu University of Technology：Natural Science Edition，2012，39（2）：164–169.

[10]唐耀华，张向君，高静怀.基于地震属性优选与支持向量机的油气预测方法[J].石油地球物理勘探，2009，44（1）：75–80. Tang Yaohua，Zhang Xiangjun，Gao Jinghuai.Method of oil/gas prediction based on optimization of seismic attributes and support vector machine[J].Oil Geophysical Prospecting，2009，44（1）：75–80.

[11]庞河清，匡建超，蔡左花，等.逐类组合支持向量机在致密储层判识和产能预测中的应用[J].大庆石油学院学报，2011，35（6）：34–39. Pang Heqing，Kuang Jianchao，Cai Zuohua，et al.Applyingofthetermwise-combinationsipportvectormachineto identification of reservoir and prediction of deliverability in tight reservoirs[J].Journal of Daqing Petroleum Institute，2011，35（6）：35–40.

[12]李岳，温熙森，吕克洪.基于核主成分分析的铁谱磨粒特征提取方法研究[J].国防科技大学学报，2007，29（2）：113–116.

[13]Bernhard Schölkopf，Alexander Smola，Klaus–Robert Müller.Nonlinear component analysis as a kernel eigenvalue problem[J].Neural Computation，1998，10：1299–1319.

[14]Vapink V N.The nature of statistical learning theory[M]. New York：Springer–Verlag，1995.

[15]孙德山.支持向量机分类与回归方法研究[D].长沙：中南大学，2004.

[16]曾剑毅.基于支持向量机的储层缝洞预测方法研究及应用[D].成都：成都理工大学，2009.

[17]曾焱，李涛，叶素娟.川西须家河组二段超致密储层有效性测井综合评价[J].天然气工业，2010，30（6）：35–38. Zeng Yan，Li Tao，Ye Sujuan.Comprehensive logging evaluation of effectiveness of super-tight reservoirs in the Second Member of the Xujiahe Formation，western Sichuan Basin[J].Natural Gas Industry，2010，30（6）：35–38.

[18]朱亚东，王允诚，童孝华，等.苏里格气田盒8气藏气水层测井识别研究[J].成都理工大学学报：自然科学版，2008，35（1）：28–33. Zhu Yadong，Wang Yuncheng，Tong Xiaohua，et al.Identification of gas zone and water zone by logging characters of the He 8 gas pool formation water in the Sulige Gas Field of Ordos Basin，China[J].Journal of Chengdu University of Technology：Natural Science Edition，2008，35（1）：28–33.

[19]李山生，赵辉，司马立强，等.利用弹性参数识别气、水层[J].西南石油大学学报：自然科学版，2012，34（3）：83–88. Li Shansheng，Zhao Hui，Sima Liqiang，et al.Identification of water and gas reservoirs with elastic parameters[J]. Journal of Southwest Petroleum University：Science& Technology Edition，2012，34（3）：83–88.

[20]王众，张哨楠，匡建超，等.基于主成份分析和支持向量机的PCA–SVM储层识别模型研究[J].物探化探计算技术，2010，32（6）：636–640.

编辑：张云云

编辑部网址：http：//zk.swpuxb.com

Study on Gas-water Layer Identification Model in the Single Well of Xu 2 Gas Reservoir of Xinchang Gas Field

Pang Heqing1,Kuang Jianchao2，3,Cai Zuohua4,Liao Kaigui4,Wang Zhong2，3
1.Post-doctoral Research Station，SWPB，SINOPEC，Chengdu，Sichuan 610041，China 2.College of Energy Resources，Chengdu University of Technology，Chengdu，Sichuan 610059，China 3.College of Management Science，Chengdu University of Technology，Chengdu，Sichuan 610059，China 4.Exploration and Development Institute，SWPB，SINOPEC，Chengdu，Sichuan 610041，China

Xu2GasReservoir，whichisinXinchangGasFieldinwesternSichuanBasin，isatypicallow-permeabilityandtight clastic gas reservoir.Due to the complicated geological conditions and serious heterogeneity in this area，the gas-water layer distribution is very complicated，and the bound water’s content is high.The boundaries of resistivity between gas reservoir and gas-water layer are blurred，so that some mistakes arise in log interpretation.We use kernel principal component analysis and support vector machine，also known as KPCA–SVM model，which is based on particle swarm optimization（PSO），to solve the problem.Firstly，the model extracts non-linear properties of variables by kernel principal component analysis（KPCA），and then inputs the properties of a variable into the support vector machine（SVM）.And in the identification process，we use the particle swarm optimization（PSO）to seek the optimization algorithm.Finally，the gas-water layer identification is implemented in the SVM.We applied this model to gas&water layer prediction of Xu 2 Member gas reservoir of Xinchang Gas Field，and the recognition result is in line with the actual situation of the study area.

particle swarm optimization；kernel principal component analysis；support vector machine；gas-water layer identification；Xu 2 Member gas reservoir of Xinchang Gas Field

http：//www.cnki.net/kcms/detail/51.1718.TE.20131114.0923.012.html