基于梯度和贝叶斯判别的夹层自动识别方法

张庆国，葛云龙，李一赫

(东北石油大学地球科学学院，黑龙江大庆163318)

夹层是指位于单砂层内部的相对低渗透层或非渗透性岩层，是陆相储集层中流体非均质流动形成的主要原因之一。当油田进入高含水期采油阶段，隔夹层会产生渗流屏障和渗流差异的现象，对水驱油的过程会产生很大影响［1－3］。然而人为识别夹层工作量大，现存的定量区分的方法应用效果不理想［4－8］。为此，笔者分析扶余油田夹层测井相应特征，建立基于梯度和贝叶斯判别的夹层自动识别方法，以期实现夹层的自动化划分。

1 夹层自动划分方法

1.1 测井曲线主成分分析

各个井的测井系类不一，为了统一处理，需要对所有测井系类进行主成分分析，从而选取可以代表所有测井系类的曲线。由于测井曲线单位不一，数值大小范围相差甚远，故在进行主成分分析之前，首先对测井曲线进行标准化处理。选取各类夹层的测井曲线，根据式(1)进行标准化处理［9］。

式中:X——归一化后的数据，X∈［0，1］;

X*——原始数据;

对标准化处理后的测井曲线进行相关系数计算，得到相关系数矩阵，根据相关系数矩阵计算特征值λ，从而计算主成分贡献率和累计贡献率，最终得到可以代表所有测井系类的曲线。构成第一主成分和第二主成分的各测井曲线系数如表1所示。由式(2)、(3)计算得第一主成分和第二主成分累计贡献率为87.751%。

主成分贡献率

累计贡献率

由于存在多种测井曲线反映同一种特征现象，为了简化，故从表1中选择ρRLLS、GR、ρRLLD、CAL、AC为判别夹层的测井曲线。

1.2 新测井曲线的构造

当地层无夹层发育且仅仅是储集层内细微的粒度以及物性变化时，测井曲线相对平滑［10］。对各类反映夹层的测井曲线进行滤波后，原始值与新构建的曲线在夹层出现时会出现明显的差值，所以利用算术平均滤波法对测井曲线进行平滑处理。研究发现，滤波窗口大小会影响识别夹层的准确性。经过多次实验后，采用11点滤波，并在窗口内去除最大值和最小值，使得到的曲线尽量不受夹层等因素影响。X井滤波前后测井曲线对比结果如图1所示。

表1 各曲线主成分系数Table 1 Each curve principal component factor

图1 X井滤波前后测井曲线对比Fig.1 X well filtering and original curves comparison chart

1.3 测井曲线尖峰和低谷的确定

由于泥质夹层和物性夹层在测井曲线上表现为低凹的电阻率曲线，自然伽马曲线(GR)、有异常幅度回返，钙质夹层在测井曲线上，电阻率为高值，声波时差(AC)相对降低，故针对该地区地质条件，设定测井曲线的回返程度(图2)和各类夹层原有曲线、新曲线的差值门槛。对于钙质夹层，设定电阻率增大量大于原来的15%，声波时差差值小于0;对于泥质夹层和物性夹层，设定电阻率差值小于0，自然伽马差值大于0，得到符合条件的“尖峰”和“低谷”。

图2 深侧向电阻率回返程度Fig.2 Deep lateral resistivity returning extent

1.4 夹层类型的确定

根据该地区夹层的测井曲线特征，选取泥质夹层、物性夹层、钙质夹层各三个，共读取36个数据点，将数据以每个砂体为单元进行标准化后带入式(4)，建立各类夹层的Bayes判别模型［9］。

式中:y——待判“尖峰”和“低谷”的测井参数向量，y=(y1，y2，…，yp)T;

C——判别系数。

根据各类样本的测井参数计算求得各类夹层判别公式:

式中:tAC——声波时差;

γGR——自然伽马曲线;

nGAL——GAL值。

将各测井曲线值分别代入式(5)～(7)，如果Z1(y)为正数，Z2(y)、Z3(y)为负数，则为钙质夹层;如果Z2(y)为正数，Z1(y)、Z3(y)为负数，则为泥质夹层;如果Z3(y)为正数，Z1(y)、Z2(y)为负数，则为物性夹层。

对36个数据点样本进行回归检验，正确率为100%。应用判别公式时，首先对每个“尖峰”和“低谷”进行以砂体为单元的标准化处理，之后将数据点带入判别公式进行夹层类型判别。

1.5 梯度判别

由于自然伽马变化梯度(GR)、深侧向变化梯度(RLLD)、声波时差变化梯度(AC)三个参数在该地区反应夹层的性质方面更加灵敏，故利用这三个参数识别夹层的性质［10］。

梯度是指单位距离内原始测井曲线偏离滤波后的测井曲线差值多少，对每个“尖峰”和“低谷”进行梯度判别。以深侧向电阻率变化梯度为例，计算式如下:

式中:dRLLD——梯度，Ω;

ΔρRLLD——深侧向电阻率变化量，Ω·m;

ρRLLDY——原始深侧向电阻率值，Ω·m;

ρRLLDX——新深侧向电阻率值，Ω·m;

Δh——该“尖峰”和“低谷”的厚度，由半幅点确定，m。

钙质夹层、泥质夹层、物性夹层测井曲线梯度特征如图3所示。

图3 不同夹层测井曲线梯度特征Fig.3 Different interlayer log gradient feature

从图3可以看出，钙质夹层深侧向电阻率梯度大于30 Ω;泥质夹层深、浅测向电阻率梯度大于－3 Ω小于0 Ω;而物性夹层深、浅测向电阻率梯度小于－4 Ω。

2 应用效果

2.1 计算结果与取心结果对比

综合利用BAYES判别模型和梯度判别的方法，对扶余油田VI区块进行划分。以其中一口井为例，与取心井进行对比，结果如表2所示。对于取心井共识别出10个夹层，其中八个符合，通过对岩心识别发现，当小层较薄且周围岩性有一定变化时，很有可能误认为夹层，如图4所示。

表2 岩心识别校对夹层Table 2 Core identification proof sandwich

图4 非夹层的综合解释Fig.4 Non interlayer comprehensive interpretation picture

图5为取心井XX的夹层自动识别结果。从图5中可以看出，深侧向电阻率梯度、浅测向电阻率梯度、声波梯度为负数时，一般为物性夹层;深侧向电阻率梯度、浅测向电阻率梯度为负数，声波梯度为正数时，一般为泥质夹层;深侧向电阻率梯度、浅测向电阻率梯度为正且声波梯度很大正时，一般为钙质夹层。上述结果表明，该方法提高了对夹层的判别精度。

图5 XX井夹层判别结果Fig.5 XX well discriminating result

2.2 计算结果与沉积环境对比

应用分类得到的夹层，绘制整个工区夹层的平面分布图，如图6所示。

图6 X层夹层平面Fig.6 X layer inter layer plan

由于工区断层较少，且成中部高、南北低的地势，不发育，所以，其夹层的分布受构造影响较小，但夹层的分布受沉积相影响较大，而识别出的夹层与沉积中的河道(图7)分布比较吻合。

图7 X层沉积微相平面Fig.7 X layer deposition microfacies plan

3 结束语

文中所提出的夹层自动划分方法，首先分析测井曲线主成分，得到适合判别夹层的曲线。之后，对曲线进行滤波，使之尽量不受夹层等因素干扰。再以回返程度和各类夹层原有曲线和新曲线的差值门槛为条件，得到“尖峰”和“低谷”。通过建立的夹层类型判别模型，结合梯度判别，最终实现夹层的自动划分。对比分析结果验证了该方法的准确性。

［1］ 陈程，孙义梅.厚油层内部夹层分布模式及对开发效果的影响［J］.大庆石油地质与开发，2003，22(2):24－28.

［2］ 李阳.储集层流动单元模式及剩余油分布规律研究［J］.石油学报，2003，24(3):52－55.

［3］ 王延章，林承焰，温长云，等.夹层分布模式及其对剩余油的控制作用［J］.西南石油学院学报，2006，28(5):6－10.

［4］ 李阳，王端平，刘建民.陆相水驱油藏剩余油富集区研究［J］.石油勘探与开发，2005，32(3):91－96.

［5］ 阎海龙，孙卫.水下分流河道砂体中夹层的识别及定量分析——以靖安油田盘古梁长6油层为例［J］.西北大学学报:自然科学版，2006，36(1):133－136.

［6］ 张吉，张烈辉，胡书勇.陆相碎屑岩储集层隔夹层成因、特征及其识别［J］.大庆石油地质与开发，2003，22(4):1－3.

［7］ 郭长春，李阳.河流相储集层中夹层的发育规律及预测［J］.石油天然气学报(江汉石油学院学报)，2006，28(4):200－203.

［8］ 林博，戴俊生，陆先亮，等.孤岛油田中一区馆5段隔夹层划分与展布［J］.西安石油大学学报:自然科学版，2006，21(4):11－14.

［9］ 曹翠.胜坨油田一区沙二段储层夹层定量表征［D］.北京:中国石油大学，2010.

［10］ 辛治国，冯伟光，郭士博，等.夹层自动识别方法［J］.新疆石油地质，2010，31(3):307－310.