蚁群算法在天然气水合物储层识别中的应用

何星，李维，唐彩瑞，谢小国，罗兵，陶俊利，田银川，陈彩玲

蚁群算法在天然气水合物储层识别中的应用

何星1，李维2，唐彩瑞3，谢小国2，罗兵2，陶俊利2，田银川2，陈彩玲2

（1. 青海煤炭地质一0五勘探队，西宁 810007；2. 四川省华地建设工程有限责任公司，成都 610036；3. 四川华地勘探股份有限公司，成都 610200）

我国青藏高原冻土层天然气水合物主要为裂隙型水合物和孔隙型水合物两种类型，利用常规的测井数据识别两种类型的水合物难度较大。本文通过研究裂隙型水合物、孔隙型水合物和普通岩层的测井响应特征的差异，建立交会图版法判断流体性质并识别了水合物类型。研究表明，交会图版法识别效果较好，精度达到66.7%，但是对于泥岩裂隙型水合物和砂岩水层以及粉砂岩孔隙型水合物和细砂岩孔隙型水合物的识别效果较差。为了解决交会图版法的局限性，本文通过具有收敛快，精度高的蚁群算法结合交会图版法对乌丽地区的两口钻孔的水合物类型进行识别，识别结果与岩心分析结果吻合度较高，精度达到73.3%，蚁群算法能够很好地识别出水合物类型，为测井识别天然气储层识别提供参考。

乌丽地区；天然气水合物；蚁群算法；储层识别方法

天然气水合物（natural gas hydrate）又名“可燃冰”，是在低温高压条件下自然产生的一种白色结晶状固体物质，主要由水分子形成的众多笼形结构以及结构内所包含的天然气分子（大部分为甲烷）所组成，主要分布于海底沉积物和陆域永久冻土带中（祝有海等，2009；侯军等，2019）。全球大于27%的陆域和90%海域存在天然气水合物，储量达2×1016m3，碳含量超过所有已探明化石燃料碳含量总和的2倍（付亚荣等，2018）。

我国的青藏高原和大兴安岭地区存在大片冻土区，经学者研究具备较好的天然气水合物形成条件，并于2008年11月5日在祁连山木里地区的DK-1钻孔133.5～135.5m层段首次获得水合物样品，之后又陆续获得了更多的水合物样品，这也是首次在中纬度地区的冻土带发现天然气水合物（王平康等，2011）。但是天然气水合物的识别难度较大，常规的识别方法主要是依据测井响应特征，即高电阻率和高声波时差（田贵发等，2013）。曲璐等（2015）利用交会图版法对地层岩性进行识别。覃瑞东等（2017）通过研究水合物储层的岩性测井响应特征，并结合贝叶斯函数法和BP神经网络算法对木里地区的天然气水合物储层岩性进行识别。侯颉等（2015）在测井岩性识别的基础上，综合利用常规测井和超声波成像测井等资料，总结裂缝型和孔隙型天然气水合物储层的测井响应特征，并形成了基于测井资料识别水合物储层的方法。虽然上述介绍的方法在识别天然气水合物上都取得了不错的效果，但是都具有一定的局限性。曲璐和覃瑞东介绍的交会图版法、贝叶斯函数法和BP神经网络算法对识别储层的岩性具有一定的优势，但却无法直接定性解释天然气水合物储层的类别；侯颉综合利用测井资料的解释天然气水合物储层类别，但却很大程度上依靠超声波成像的测井技术，这对于部分未进行超声波成像测井的钻孔储层类别识别带来难度。

1.地体缝合线及编号；2.断裂；3.山峰；Ⅰ.西昆仑-阿尔金-北祁连缝合带；Ⅱ.昆仑山南缘缝合带；Ⅲ.金沙江缝合带；Ⅳ.班公湖-怒江缝合带；Ⅴ.雅鲁藏布江缝合带

为了解决在天然气水合物储层类别识别过程中的困难，本文通过研究两类常见天然气水合物的测井曲线响应特征，获得了裂缝型和孔隙型天然气水合物的交会图识别图版，结合具有收敛快、精度高的蚁群算法，对储层类别进行识别，对乌丽地区2口井实际测井资料的处理，取得了较好的效果。

1 地质概况

乌丽地区位于青海南部玉树藏族自治州境内沱沱河一带，深处青藏高原可可可西腹地，区内海拔4 473～5 200m，平均海拔在4 800m左右，年平均地温为-4.4℃，盆地内主要出露二叠系、三叠系和第四系（杨若羿等，2014）。全区发育面状连片型永久冻土，冻土厚度约40～120m（李靖等，2012），具备天然气水合物的形成条件。经历了复杂而完整的演化历史：从晚前寒武纪-早古生代泛大陆解体与原特提斯洋形成，经古特提斯多岛弧盆系发育与古生代-中生代增生造山/盆山转换，到新生代印度-亚洲大陆碰撞与叠加改造，完好地记录了超级大陆裂解→增生→碰撞的完整演化历史和大陆动力学过程（邓军等，2013）。乌丽研究区除北部和中东部分布新生代地层外，南侧主要发育晚二叠系世乌丽群那益雄组（Pn）和拉卜查日组（Plb），呈条带状近东西向延展。乌丽地区大地构造单元属羌塘地体，北侧以金沙江接合带与松潘-甘孜-可可西里地体毗邻，南侧以班公湖-怒江接合带与拉萨地体相隔（图1）。

图2 泥岩裂隙型水合物与泥岩测井响应特征

2 水合物测井响应特征

研究区水合物储层类型复杂，主要分为裂隙型和孔隙型两类，且发育的岩性种类较多，主要包括细砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩、油页岩、煤等。裂隙型天然气水合物储层岩性以泥岩为主，孔隙型天然气水合物储层岩性以孔隙度较大的细砂岩、粉砂岩层为主。

2.1 裂隙型水合物

裂隙型水合物主要存在于泥岩储层中，研究含天然气水合物裂隙型的泥岩和不含天然气水合物的泥岩测井响应差异，图2为泥岩裂隙型水合物和泥岩测井响应特征图。从图中可以看出，泥岩裂隙型水合物与泥岩在电阻率和声波时差测井响应特征上的具有明显差异，即泥岩裂隙型水合物具有高电阻率和低声波时差且密度较大，自然伽马较小。

利用直方图统计法分别统计泥岩裂隙型水合物和泥岩的电阻率和声波时差的差异，如图3、4所示。泥岩裂隙型水合物的电阻率测井值主要分布在90～130Ω·m，声波时差测井值主要分布在280～440μs/m；泥岩的电阻率测井值主要分布在50～90Ω·m，声波时差测井值主要分布在320～560μs/m。

2.2 孔隙型水合物

图3　泥岩裂隙型水合物和泥岩电阻率响应特征

图4　泥岩裂隙型水合物和泥岩声波时差响应特征

孔隙型水合物主要存在于细砂岩和粉砂岩储层中，研究含天然气水合物孔隙型的砂岩和流体性质为水的砂岩层测井响应差异，图5为砂岩层孔隙型水合物，图6为砂岩水层。从图中可以看出砂岩水层具有低自然伽马、低中子孔隙度、密度较高、声波时差中等、电阻率较高等。与之相比，孔隙型水合物具有更高的电阻率、声波时差更低、密度更大以及自然伽马更大。

图5 砂岩孔隙型水合物测井响应特征

图6 砂岩水层测井响应特征

利用直方图统计法分别统计砂岩孔隙型水合物和砂岩水层的电阻率和声波时差的差异，如图7、8所示。粉砂岩孔隙型水合物的电阻率测井值主要分布在130～170Ω·m，声波时差测井值主要分布在220～240μs/m；细砂岩孔隙型水合物的电阻率测井值主要分布在130～170Ω·m，声波时差测井值主要分布在200～240μs/m；砂岩水层的电阻率测井值主要分布在70～110Ω·m，声波时差测井值主要分布在240～300μs/m。

2.3 交会图版

裂隙型天然气水合物和孔隙型天然气水合物的测井响应特征表明，含与不含天然气水合物其在电阻率和声波时差测井值中具有一定的差异。通过选取储层的电阻率和声波时差特征值，建立交会图版能够较好地区分出两种水合物的类型。泥岩裂隙型水合物的自然伽马测井值大，声波时差值大；细砂岩孔隙型水合物的自然伽马测井值小，声波时差值小；粉砂岩孔隙型水合物的自然伽马测井值较小，声波时差较小。交会图版能够很好地识别出两种类型的水合物，但是在对于砂岩水层和泥岩裂隙型水合物以及细砂岩孔隙型水合物和粉砂岩孔隙型水合物的识别效果较差，识别精度较低。

3 水合物识别结果及分析

3.1 蚁群算法

优先选用对储层类型敏感的测井曲线（电阻率、密度、自然伽马和声波时差），采用蚁群算法来进行判别。蚁群算法实际上是一种寻优算法，有很好的寻找最优解的能力，并且其有很好的适应性，同时在解决问题过程中，蚁群可以同时进行独立搜索，快速解决问题，已广泛应用于解决聚类问题。蚁群算法中，信息素代表可以不断更新的N*n矩阵，n为类别数，N为样本量。算法初始，矩阵设定为同一值τ，表示为样品，表示为样品类别。将目标函数设定为样本到聚类中心的距离之和最小值，变现为：

图7 砂岩孔隙型水合物和砂岩水层电阻率响应特征

图8 砂岩孔隙型水合物和砂岩水层声波时差响应特征

其中：

式中，x为第个样本的第个属性；c为第个中心的第个属性；为路线中信息素浓度；为启发函数影响程度大小。

在算法过程中，信息素的累积可以实现样本集的近似分类，当几轮迭代结束后，可以对样本集进行局部的搜索来提高分类精度，并以此更新矩阵，重复这个过程，直到满足条件后循环终止。迭代过程中，每只蚂蚁都会根据上一次遗留的信息素进行判断后分类，蚂蚁个体所构成的样本系统中会生成一个概率，与初始定义的概率0进行比较：

（1）<0时，认为拥有最大信息素的类别为所属类别；

（2）>0时，根据转换概率选择转换类别。

图9 天然气水合物测井电阻率—声波时差交会图版

转换概率公式表示为：

使用蚁群算法解决聚类问题的具体实现步骤如下：

（1）设定蚁群初始参数，包含蚂蚁总量M，聚类类别N，信息素挥发系数ρ等。

（2）对信息矩阵进行初始化，对τ赋予相同的初始值。

（3）输入训练样本数据以及储层类别，首先对训练样本数据进行归一化处理，计算出不同储层类别对应的聚类中心作为计算的初始聚类中心，计算公式为：

式中，为类的样本点数据量。

（4）计算出不同储层类别的聚类半径。

表1 蚁群算法判别储层类型结果统计表

（5）根据式4计算转移概率，其中η=1/d，其中d为路径长度。

（6）重新计算聚类中心，完成后根据更新方程修改信息素矩阵，公式为：

式中，为挥发系数，通常取值0.1～0.5；∆τ为该次循环路径中信息素增量；Q为常数；n为迭代次数。

（7）当聚类中心不再发生变化时，根据式8计算隶属度，按照最大隶属原则对数据点进行分类。

式中，为第p条曲线权重；P为曲线总条数；为归一化后第p条曲线数值。蚁群算法具体流程图如图10。

图11 B井储层类型解释结论

3.2 水合物识别结果

利用蚁群算法结合交会图版法对B井的水合物储层类型进行判别，并将判别结果与钻孔岩心资料进行对比（图11）。蚁群算法判别结论为细砂岩孔隙型水合物层，岩心资料显示该段为细砂岩层，岩心实验分析的结果表明该段含有天然气水合物，岩心资料与实验分析资料综合显示该段为细砂岩孔隙型水合物，这与蚁群算法判断的一致。

利用蚁群算法和交会图版法对研究区块2口井共15个储层进行类型判别，并与岩心分析和岩心实验分析资料进行了对比，结果如下表所示。

从对比结果来看，15个储层样本中，交会图版法判别结果错误5层，符合率66.7%；蚁群算法判别结果错误4层，符合率73.3%。该结果表明经蚁群算法对储层类型的判别准确性得到了有效的提高。

4 结论

（1）分析不同储层类型的测井响应特征，泥岩裂隙型水合物电阻率较泥岩大，声波时差较泥岩小；砂岩孔隙型水合物电阻率较砂岩大，声波时差较砂岩小；细砂岩孔隙型水合物电阻率较粉砂岩孔隙型水合物稍大，声波时差稍小。

（2）选用对岩性响应敏感的测井曲线，利用蚁群算法对储层类型进行连续识别，将识别的结果与岩心分析的数据相比较，储层类型的识别精度达到了73.3%；利用蚁群算法识别储层类型与交会图版法相比，有效地提高了判别的准确度。

祝有海，张永勤，文怀军，卢振权，贾志耀，李永红，李清海，刘昌岭，王平康，郭星旺．2009．青海祁连山冻土区发现天然气水合物[J]．地质学报，83(11)：1762-1771．

侯军，徐冬，徐永军．2019．西藏自治区季节冻土区最大冻结深度及动态变化特征研究[J]．四川地质学报，39(04)：612-621．

王平康，祝有海，卢振权，郭星旺，黄霞．2011．祁连山冻土区天然气水合物岩性和分布特征[J]．地质通报，30(12)：1839-1850．

付亚荣，李明磊，王树义，李云峰，李莉．2018．中国陆域冻土层可燃冰勘探开发现状与前景[J]．工程研究-跨学科视野中的工程，10（5）：440-450．

田贵发，栾安辉，赵平，弓佩章．2013．天然气水合物储集类型的测井响应特征[J]．中国煤炭地质，25(8)：55-61．

曲璐，邹长春，宗青颖，侯颉，朱吉昌，李康，岳旭媛，李宁．2015．青海木里三露天天然气水合物钻孔岩性测井识别[J]．现代地质，29（5）：1122-1129．

覃瑞东，林振洲，潘和平，秦臻，邓呈祥，纪扬，徐伟．2017．木里地区水合物及岩性测井识别方法[J]．物探与化探，41(6)：1088-1098．

侯颉，邹长春，曲璐，朱吉昌，李康，岳旭媛，彭诚，李宁．2015．青海木里三露天天然气水合物储层测井识别与划分[J]．现代地质，29（5）：1110-1121．

杨若羿，史建南，田景春，李小豫，杨德寿，王惠东，秦建发，肖龙．2014．青海乌丽地区天然气水合物形成条件研究[J]．科学技术与工程，14(12)：131-135．

李靖，曹代勇，豆旭谦，王丹．2012．木里地区天然气水合物成藏模式[J]．辽宁工程技术大学学报(自然科学版)，31(04)：484-488．

邓军，葛良胜，杨立强．2013．构造动力体制与复合造山作用——兼论三江复合造山带时空演化[J]．岩石学报，29(04)：1099-1114．

The Application of Ant Colony Algorithm to the Reservoir Identification of Natural Gas Hydrate

HE Xing1LI Wei2TANG Cai-rui3XIE Xiao-guo2LUO Bing2TAO Jun-li2TIAN Yin-chuan2CHEN Cai-ling2

(1-The 105th Team, Qinghai Bureau of Coal Geology, Xining 810007; 2-Sichuan Huadi Construction Engineering Co. Ltd, Chengdu 610036; 3- Sichuan Huadi Exploration Co. Ltd, Chengdu 610200)

Natural gas hydrates in the frozen soil layer on the Qinghai-Tibet Plateau in China are mainly of two types: fractured hydrates and pore hydrates. It is difficult to identify the two types of hydrates using conventional logging data. This study uses an cross plot chart method based on the differences in logging response characteristics of fractured hydrates, pore hydrates, and common rock formations for judging the fluid properties and identifying hydrate types. The study indicates that the cross plot chart method had a better recognition effect with an accuracy of 67.7%, butthe effect of identifying shale fractured hydrate, sandstone aquifer, siltstone pore hydrate and fine sandstone fractured hydrate is poor. In order to overcome the limitation of the cross plot chart method, this study uses the ant colony algorithm with fast convergence and high accuracy combined with the cross plot chart method for identifying the hydrate type in two boreholes, Wuli area. The identification results are in good agreement with the core analyses with an accuracy of 73.3%. This indicates the ant colony algorithm can well identify the hydrate type, providing a reference for logging identification of natural gas reservoirs.

natural gas hydrate; ant colony algorithm; reservoir identification method; Wuli area

P931.8+1；P618.13

A

1006-0995（2021）03-0512-06

10.3969/j.issn.1006-0995.2021.03.033

2020-11-12

何星（1983— ），男，青海西宁人，副高级物探工程师，现主要从事物探与地质工程技术与管理工作