基于云模型的苏五区块石盒子组流体性质判别方法

徐 拥，丁邦春，邱 毅，陈代刚，任小权，范利群，黄卫东

(川庆钻探工程有限公司测井公司 重庆 400021)

·开发设计·

基于云模型的苏五区块石盒子组流体性质判别方法

徐 拥，丁邦春，邱 毅，陈代刚，任小权，范利群，黄卫东

(川庆钻探工程有限公司测井公司 重庆 400021)

苏五区块石盒子组流体性质难以判别，这是由于在该区高阻与低阻水层、气层并存，高孔隙度气层、水层并存，电阻率差异性在本区也难以应用。基于这一困难，参考云模型在其他领域的广泛应用，提出了由识别流体性质的测井曲线与储层类别建立联合判别矩阵进行模式判别的方法——云模型识别方法。该方法利用云模型对各类储层测井参数进行指标集的构建与正态云建模，从而得到各类储层隶属度矩阵，然后利用云模型的定性定量转换特性进行流体性质判别。

石盒子组；流体性质判别；云模型；隶属度矩阵

0 引 言

在苏五区块的石盒子组储层流体性质判别中，由于储层受沉积相、成岩作用以及分流河道沉积等因素的控制，造成测井解释上的储层识别难、流体性质判别更难的特点，使得该区的测井解释符合率比较低，解释结论具有一定的随机性和模糊性[1]。如何对储层流体性质进行正确判别，从而减少试油的盲目性和降低勘探成本，显得尤为重要。

云模型是用语言值表示的某个定性概念与其定量表示之间的不确定性转换模型。它主要反映客观世界中存在的事物(定量)与人类知识中关于此事物的概念(定性)间的映射的不确定性：模糊性(边界的亦此亦彼性)和随机性(发生的概率)，并把二者完全集成在一起，构成定性和定量相互间的映射[2]。

在苏五区块的石盒子组储层当中，主要产层有石盒子组的盒8段、盒7段；有高阻气井，也有低阻气井，也有高阻气水井；既有高阻水井(产水高达100多立方米)，也有低阻水井；有物性好的气井，也有物性好的干层；既有电阻率呈正差异的气井，也有负差异的水井，还有负差异的气井；有邻井高产，井距500 m左右却是干层；有全烃较高的气井，也有全烃较低的气井，也有全烃较高的干层。

由此可以看出苏五石盒子组的储层流体性质判别既有模糊性又有随机性，有必要利用云模型的判别方法，以实现定量的测井资料与定性的解释结论之间的有机结合，从而提高测井解释符合率[1]。

1 云模型

云模型是一种定性定量不确定性转换模型，它将模糊集理论中的模糊性和概率理论中的随机性有机地结合起来。它通过期望Ex，熵En，超熵He三个数字特征来整体表征一个概念。期望Ex反映了云滴群的重心位置；熵En反映了在论域空间中这个定性概念的可接受范围，即模糊度，是定性概念亦此亦彼性的度量，而且还反映了论域空间中的点能够代表这个定性概念的概率，即定性概念的云滴出现的随机性；超熵He反映了在论域空间中代表定性概念所有点的不确定度的凝聚性，即云滴的凝聚。

如图1所示，在“青年人”这一模型中，期望是24，熵是3，超熵是0.2。在图1中，25附近的点最密，离25越远点越稀，即25属于“青年”的可能性最大，离25越远属于“青年”的可能性越小。靠近概念中心或远离概念中心处隶属度的随机性较小，离概念中心不远不近的位置隶属度的随机性大，符合期望和熵的特点；中间云厚，两头云薄，符合超熵的特点[3]。

图1 定性概念为“青年人”的一维正态云模型

2 基于云模型的流体性质判别方法

储层的流体性质判别，是将测井采集的各项资料数据与常规的油气水层的特征进行匹配，从而得到该储层的流体性质的过程。用到常规测井参数据主要有：补偿声波，补偿中子，补偿密度，深电阻率，电阻率差异等测井资料以及录井的全烃资料[4]。

2.1 指标集构建

假设把储层类型分为4类，即气层(包括含水气层)、气水层、水层(包括含气水层)、干层(包括微气、产水层)。对于每一类储层的测井特征都可以用上述的6个测井参数进行表征。即R1，R2，R3，R4对应于4类储层(气层、气水层、水层、干层)[4]；对于每一类储层Ri都有 6个特征参数，即

Ri=(xi1,xi2,…,xi6)

(1)

xij表示第i类储层的第j个特征参数，如x22表示的是气水层的补偿中子值。建立集合U含有6个相应的参数指标，即

(2)

其中Uxj(j=1,2，…)为指标集中的第j个指标

2.2 云模型建模

对于每个指标，都可以用云模型来表示。对于所用的指标变量，即各测井参数都可以表示为区间型变量，如声波时差，存在着双边约束[Δtmin,Δtmax]，可以用期望值作为约束条件的中值，主要作用区域为双边约束区域的云来近似建模(可以采用正态云建模)，云参数计算公式如下所示：

(3)

在上式中，Cmax为每个指标的最大值，Cmin为每个指标的最小值；k为常数，可以根据具体指标的模糊性和随机性而做出具体调整。

2.3 隶属度计算

设测井过程中测取的某一层的6个测井参数，即X=(x1,x2,…)，xj(j=1,2,…)为测得储层的第j个特征参数。由上述确定的云模型，可以通过计算每个特征参数的云滴，得到该储层的每个特征参数相对于4类储层(即气、气水、水、干层)的确定度(即隶属度)[3]。6个测井参数均为连续型区间变量，则其隶属度公式为：

(4)

其中Exij为第i类储层第j个测井参数的期望，Enij’为根据第i类储层第j个测井参数的熵Enij和超熵Heij求得的方差。

由上述的隶属度公式可以构造一个关于测井参数的隶属度矩阵，即一个4×6矩阵：

(5)

2.4 权值确定

在流体性质判别中各参数权值的确定很重要。一般在先验条件下，即没有试油结论的情况下，权系数可以用等概率来代替，即

ωij=1/6,i=1,2,…,n;j=1,2,…,m

(6)

n为储层类型个数，m为测井参数个数，ωij为待判别储层的第j个测井参数相对于第i类储层的第j个测井参数在总的隶属度中所占的权值。

在有试油结果的情况下，根据各参数在储层流体性质判别中的重要性对权值作出相应动态调整。具体方法如下：

首先计算每个特征参数识别结果的熵，即：

Cij=-μRijln(μRij)

(7)

其中Ci j为待识别储层的第j个测井参数相对于第i类储层的第j个测井参数隶属度的熵。则权值可以确定为

(8)

由上式可以看出，待识别储层相对于模板库每类储层的测井参数的权值是不同的，随着各测井参数的变化而变化。

将各参数的权值代入，可以得到总的隶属度矩阵B：

(9)

(10)

2.5 流体性质判别准则

依据式(10)求得的隶属度矩阵，采用以下判别准则进行判别：

设任意两类储层R1，R2⊂R，满足

(11)

如果有

(12)

则R1即为判别结果，ε1、ε2为预先设定的门槛，R为储层类集合，m(Ri)为待识别储层相对于储层类别Ri的隶属度，即bi。换句话说，假设现有两类储层R1为气层，R2为气水层。对于待识别的储层Ri，可以求出Ri对于四类储层的隶属度m(Ri)=bi。如果m(R1)为最大，m(R2)为除m(R1)外最大，且有m(R1)大于某一预先设定的门槛，m(R1)与m(R2)之间的差别大于某一门槛，则R1即为待识别的Ri的判别结果，即Ri为气层[3，4]。

3 结 论

本文将云模型引入到储层流体性质判别中，提出了一种基于云模型的判别方法。该方法利用云模型对储层类别的测井参数进行正态云建模，并且利用云模型的定性定量转换特性对储层流体性质进行判别，同时给出了可以动态调整测井参数权值的方法。在这一模型中，对流体性质的判别综合了各种参数，实现了综合解释的综合性，并且不因人而异，直接面向原始测井资料。

[1] 白雪见.苏里格气田南区上古生界盒8段、山1段储层储集空间类型研究[J].长江大学学报(自科版)，2014，11(31)：52-55.

[2] 刘 禹.云模型雾化特性及其在进化算法中的应用[J].电子学报，2009,37(8):1651-1658.

[3] 刘常昱.基于云X信息的逆向云新算法[J].系统仿真学报，2004，16(12):2417-2420.

[4] 洪有密.测井原理与综合解释[M].东营：石油大学出版社，1993：22-32.

A Method to Identify Reservoir Fluid Property Based on Cloud Model at Shihezi Formation

XU Yong, DING Bangchun, QIU Yi, CHEN Daigang, REN Xiaoquan, FAN Liqun, HUANG Weidong

(WellLoggingCompany,ChuanqingDrillingEngineeringCo.Ltd.,Chongqing, 400021,China)

Because of the coexistence of high and low resistivity water layer, and high low porosity water layer and gas layer, it is difficult to identify the fluid property in Sulige Gas-field, and the resistivity difference is also difficult to be applied in this field. The pattern recognition method is presented, which is established joint matrix by the fluid properties logging curves and reservoir classification-the widely applied cloud model. The membership degree matrix is obtained about all sorts of reservoir, and the fluid property can be identified by applying the introversions between qualitative and quantitative.

Shihezi formation; identification of fluid property; cloud model; membership degree matrix

徐 拥，男，1977年生，工程师，2000年毕业于中国石油大学(华东)计算数学及应用软件专业，现从事生产管理工作。E-mail：109905832@qq.com

TP391.9

A

2096-0077(2016)06-0039-03

2015-12-20 编辑：韩德林)