陈 修, 徐守余, 李顺明, 何 辉, 刘 健, 韩业明

(1.中国石油长庆油田勘探开发研究院,陕西西安 710018; 2.中国石油大学(华东)地球科学与技术学院,山东青岛 266580;3.中国石油勘探开发研究院,北京 100083; 4.中国石油集团西部钻探工程有限公司,新疆克拉玛依 834000)

河流相砂体规模大、物性好,是优质的油气储集体[1],其内部夹层是造成储层层内非均质的重要原因[2],也是控制剩余油分布和采收率的关键地质因素[3]。在其影响下,大庆油田、胜利油田等已进入高—特高含水期的老油田剩余油整体上高度分散,局部相对富集,挖潜难度增大[4]。因此有效地识别夹层是提高采收率的重要环节[5]。目前,夹层研究一方面通过现代沉积和野外露头等建立夹层沉积分布模式[6-7];另一方面通过小井距井间对比,结合注采井动态资料等对夹层厚度、倾角及其展布范围进行定性-定量表征[8]。但密井网区(数千口油水井)夹层识别工作往往面临测井数据资料巨大、识别过程重复、效率低等问题。在大数据和机器学习迅速发展的背景下,寻找一种针对砂体内部夹层及其类别的自动识别方法代替人工识别,具有一定的现实意义。对于研究目标与不确定性特征相关的非线性问题,可以运用机器学习方法建立已知样本集的特征和结果之间的预测模型,对未知样本作尽可能准确的推断。支持向量机(SVM)作为一种常用的机器学习算法,在处理地质问题方面已取得重要进展,已被成功地应用于岩性识别[9]、烃源岩预测[10]、储层流动单元识别[11]和剩余油预测[12]等方面,其识别或预测准确率均超过90%。……