超深层致密砂岩裂缝测井识别深度核方法

A deep kernel method for fracture identification in ultra-deep tight sandstones using well logs

摘要

裂缝是超深层致密油气运移的主要渗流通道,对超深层油气勘探开发至关重要。高温高压环境下的岩石物理性质更为复杂,裂缝测井响应弱且多解性强。针对这一难题,本文提出一种基于深度核方法(DKM)的超深层致密砂岩裂缝测井识别方法,该方法通过核主成分分析提取裂缝非线性特征,通过深度学习级联结构深度挖掘用于裂缝识别的不同尺度测井响应特征,通过无梯度优化算法自动确定最优模型结构及参数,避免了深度学习需要进行的超参数调整的问题。以塔里木盆地克深气田下白垩统巴什基奇克组的超深层致密砂岩储层为例,对所提方法进行了实例应用和验证,在测井裂缝响应敏感性分析的基础上,优选了6种测井曲线用于裂缝识别,前3种DEN、RD和RM为实测测井数据,后3种RSD、nT1和nT2是为了获取更多裂缝信息而重构的曲线,并厘清了裂缝段与无裂缝段在测井参数方面的差异。裂缝识别结果与岩心裂缝描述对比表明,深度核方法可以较为准确地识别超深层致密砂岩裂缝,相比常规多核方法,精度可以提升5%以上,在实际单井裂缝识别工作中具有较强的适用性。

关键词

裂缝识别 / 测井 / 深度学习 / 核方法 / 超深层致密砂岩储层

Key words

fracture identification / well log / deep learning / kernel method / ultra-deep tight sandstone reservoirs

0 引言

塔里木盆地库车坳陷克深气田的主要含气层系为下白垩统巴什基奇克组的厚层砂岩,埋深为6 000~8 000 m,基质孔隙度平均为4.25%,基质渗透率主要为(0.05~0.5)×10^-3 μm²,为典型的超深层致密砂岩储层。由于经历了燕山晚期、喜马拉雅早期、喜马拉雅晚期—第四纪3个构造演化阶段,巴什基奇克组储层普遍发育缝网系统^[1-2]。缝网系统对于致密气开发具有双重影响。一方面,裂缝是致密砂岩气的重要渗流通道^[3-4],是该类气藏高产的地质基础,对气井产能有重要影响^[5-6];另一方面,气藏气水分布情况复杂,开发过程中,储层裂缝网络可以为水侵提供运移通道,裂缝是开发井水侵预警、防控水方案制定和调整不容忽视的因素,开发井一旦发生水侵会导致产能下降,严重影响气藏的稳定开发^[7]。因此,储层裂缝的准确识别对于超深层致密气藏的高效开发至关重要。

裂缝发育处储层物理性质相比背景值会发生变化,从而使得常规测井呈现一定响应^[8],理想情况下,裂缝发育处测井响应会出现密度降低、中子孔隙度变大、深浅电阻率分异、井径变化等现象,因此常规测井可用于识别和评价单井裂缝发育情况^[9⇓-11]。由于常规测井基本每口井都会测量,数据量大,因此,常规测井裂缝解释是了解全区目的层段裂缝发育规律的有效手段。研究区克深气田巴什基奇克组埋深普遍大于6 000 m^[12-13],属于典型的超深层致密砂岩储层,储层中裂缝极其复杂的地质-地球物理响应特征,使得超深层致密储层裂缝识别面临测井响应有效信号弱和多解性等难题,严重制约着单井裂缝的识别精度^[14]。

近年来,人工智能的迅猛发展为解决裂缝识别这一难题带来了新的契机。常用的人工智能方法可以分为常规统计方法^[15]、核方法^[9,16]、集成学习方法^[17]和人工神经网络算法^[18-19]等。其中,核方法是一种利用核函数将原有低维度不可区分的测井解释问题映射到高维非线性特征空间中进行分类和预测的一种方法,适用于解决复杂测井解释问题^[20]。常用的核方法可分为单核方法(如支持向量机SVM、核Fisher判别分析KFD和核主成分分析KPCA)和多核方法(如多核支持向量机MSVM、多核相关向量机MKRVM和多核Fisher判别分析MKFD)。近年来核方法在复杂储层岩性识别^[21⇓-23]、致密碳酸盐储层裂缝识别^[24]和致密低渗透砂岩储层裂缝识别^[9,25]中均有较好的应用。在阿曼盆地Daleel断块-岩性油藏,使用支持向量机算法综合储层岩性、物性和裂缝特征等多种因素建立裂缝识别模型,选取9口取心井的后验分析表明SVM对于无裂缝、无效裂缝和有效裂缝的识别结果与岩心裂缝描述结果较为符合^[20]。当储层的非均质性增加,并且受到流体和复杂岩性等因素的影响时,常规测井裂缝识别会变得更加困难,此时单核方法裂缝识别精度有时会欠佳,而多核方法则可以利用多尺度非线性裂缝测井响应特征,从而降低裂缝预测的不确定性^[16]。例如在鄂尔多斯盆地致密砂岩储层裂缝识别中,单核方法虽然也可以达到一定的裂缝识别精度,但多核的融合相比单核方法裂缝识别提升了13.4%^[16]。

近年来,如何高效地提取非线性测井响应特征和从测井信息深度挖掘裂缝导致的差异,逐渐成为常规测井裂缝识别领域中识别精度提升的突破口。因此,本文引入深度核方法(DKM)进行超深层致密砂岩储层裂缝识别。该方法是一种自动优化确定参数的方法,集成了神经网络算法和核方法的优点,避免了神经网络算法在确定网络层数和学习率等关键超参数时对人为经验和烦琐调优过程的依赖性。具体而言,DKM通过引入神经网络残差跳跃连接来加深网络结构,这不仅促进了网络对深层次特征的学习,还增强了模型捕捉细微裂缝引起的测井数据变化的能力。同时,利用核技巧,DKM能够高效地提取由裂缝产生的非线性测井响应特征^[26]。该方法减少了对先验超参数设定的需求,显著降低了在使用神经网络时对专业知识和经验的依赖。为验证方法的有效性,选取库车凹陷克深气田巴什基奇克组致密砂岩储层进行了裂缝识别效果检验,综合分析该方法在超深层致密砂岩储层裂缝识别中的可行性。

1 地质背景

库车坳陷位于塔里木盆地北部,是在古生代被动大陆边缘基础之上发育起来的以中、新生代沉积为主的叠合型前陆盆地^[27-28]。库车坳陷经历了多期构造运动,其中燕山期和喜马拉雅期两幕构造运动形成了天山山前大型逆冲褶皱带和一系列逆冲断层^[29],如图1a^[12]所示,可将其自北而南分为北部单斜带、克拉苏构造带、依奇克里克构造带、秋里塔格构造带、拜城凹陷、阳霞凹陷、乌什凹陷和南部斜坡带共8个二级构造单元^[30-31]。克深气田位于克拉苏前陆冲断带,东西长约50 km,南北宽约20 km,整体呈近EW向展布;紧邻拜城生烃凹陷,区域内受近NS向强烈挤压推覆作用发育的多个大型断背斜^[32](图1b^[33])和区域性的膏岩层形成了良好的生储盖组合,探明地质储量超过万亿方^[34]。

库车坳陷地层发育比较齐全,钻井揭示研究区地层自上而下发育第四系(Q),新近系库车组(N₂k)、康村组(N_1-2k)、吉迪克组(N₁j),古近系苏维依组(E_2-3s)、库姆格列木群(E_1-2km),下白垩统巴什基奇克组(K₁bs)和巴西改组(K₁bx)^[35-36]。克深气田的主要含气层系为下白垩统的巴什基奇克组的厚层砂岩,是本文研究的目的层段,其沉积环境为辫状河三角洲-扇三角洲前缘亚相^[27,37],岩性以红褐色岩屑长石砂岩为主,含有少量长石岩屑砂岩,平均厚度为260~310 m,埋深为6 000~8 000 m。巴什基奇克组与下伏下白垩统巴西改组呈整合接触(图1c^[38]),与上覆古近系库姆格列木群的膏盐岩层呈角度不整合接触^[39]。

巴什基奇克组垂向上可以细分为3段,巴二段是主要的产气层段。受构造抬升的影响,克深地区的巴一段遭受不同程度的剥蚀,岩性以红褐色中、细砂岩为主,夹红褐色泥岩和粉砂质泥岩;巴二段岩性以褐色中、细砂岩夹薄层红褐色泥岩为主,砂体厚度大且连片分布;巴三段岩性以含砾砂岩和砂砾岩为主,砾石成分主要是泥砾。区域内不同成因的水下分流河道、河口坝砂体相互叠置^[40],组成单井剖面上主要的气层单元。岩心常规物性测试结果表明,基质孔隙度一般为1.0%~8.9%,平均为4.25%,基质渗透率主要为(0.05~0.5)×10^-3 μm^{2 [37]}。储集空间主要为粒间溶蚀扩大孔、残余粒间孔、粒内溶孔和微裂缝等,储层整体致密,为特低孔、低渗-特低渗储层。岩心及成像测井显示,巴什基奇克组构造裂缝普遍发育,构造裂缝以直立缝和高角度缝为主,剪切裂缝和张性裂缝均有不同程度的发育^[27]。整体上,巴什基奇克组砂岩储层的沉积背景复杂,岩相变化快,成岩作用复杂,构造挤压裂缝发育且非均质性强,裂缝的发育对基质孔隙的提升不大,但对基质渗透率的提升可达多个数量级^[3,41],可有效改善油气储层品质,降低有效储层的物性下限。

2 裂缝识别深度核方法

DKM是一种将核方法进行深度学习扩展的方法,深度核方法模型有两部分:特征提取模块(图2b)和线性分类器(图2c)。特征提取模块通过神经网络的级联结构将核主成分分析(KPCA)进行连接,其中KPCA是一种非线性降维方法,通过将原始数据映射到高维特征空间中,然后在此空间中进行线性主成分分析(PCA),从而实现对非线性数据的降维和特征提取,而神经网络级联结构和跳跃连接则可以避免因为某个特征提取模块失效导致整个裂缝识别模型失效,保证级联结构层数足够深,以深度挖掘测井响应中由于裂缝导致的非线性特征。不同于神经网络算法,DKM在引入KPCA作为特征提取模块时,抛弃了神经网络算法中的链式法则和梯度等,原有的梯度优化算法不再可用,因此DKM引入了无梯度优化算法(随机坐标收缩算法RACOS)来实现KPCA中核函数参数的优选。RACOS是一种全局无梯度的基于模型的优化算法,其核心在于建立一个迭代过程,通过这个过程来确定最优参数的选择范围。从超参数空间来看,RACOS始终保持超立方体的形状,轮流对其进行采样并标记,根据标记结果给出假设,使用假设来确定下一轮采样点,不断迭代出最优解^[26]。由于DKM不受梯度的约束,所以网络层数、网络结构参数都可以通过控制损失函数来进行优化获得,从而避免了神经网络算法超参数调参的问题,可以使裂缝识别模型建立更加客观。

有标签样本的获取是裂缝识别模型建立的基础。如图2a所示,利用岩心裂缝描述结果标定常规测井,可以获得多个有标签的样本,样本属性为某一深度的测井曲线值组合,标签为裂缝发育与否,0为不发育,1为发育。裂缝网络空间分布具有较强的非均质性。岩心上未观察到裂缝的存在,并不能确定其附近区域同样缺乏裂缝,而常规测井具有一定的探测深度。因此,本文筛选出在较大长度范围内未观察到裂缝发育的岩心段的中间部分作为无裂缝可靠样本,以保证岩心描述和常规测井数据匹配。

裂缝识别的深度核方法模型的训练过程见图2b-d。裂缝识别模型参数随机初始化后,输入样本属性,首先从m₁个KPCA层中提取n₁维的特征,为了与残差单元连接,第m₁+1层将提取n₂维的特征,然后利用m₂层的KPCA残差单元进一步提取n₂维的特征。残差单元结构有串联和并联两条路径,两条输出结果相叠加,见式(1)。最后,将KPCA逐级提取的非线性裂缝测井响应特征输入到线性SVM中,即可获得预测标签。通过与岩心描述获得的标签对比即可得出偏差,利用无梯度优化算法指导深度核方法中参数寻优,包括常规KPCA层数m₁,跳跃连接的KPCA层数(m₂-m₁),每层KPCA的核函数参数σ和线性分类器中的参数。SVM作为二分类的有监督学习模型,在解决小样本、非线性及高维模式识别中表现出许多特有的优势,其通过最大化有裂缝和无裂缝样本之间的间隔实现预测模型的建立,利用核函数将原始数据映射到高维特征空间中,在该空间中寻找最优超平面来分隔不同类别的数据,因此DKM选用线性SVM作为分类器。

(1)H(X)=X+F(X;σ_i)

式中:X为测井输入,为多种测井响应组成的向量;F(X;σ_i)为核心特征提取模块;H(X)是每个残差单元的输出,也是下一个残差单元的输入;σ_i为第i个核函数的参数。

当一口新井获得测井数据后,就可以将每个深度处的测井曲线输入到预先训练好的DKM模型中。经过特征提取模块和分类器的处理,即可获取每个深度处裂缝发育的情况,如图2e所示。

3 超深层致密砂岩储层裂缝识别

3.1 裂缝测井响应特征分析

测井曲线敏感性分析是裂缝测井识别的基础,利用岩心描述结果和井壁成像测井裂缝解释标定常规测井曲线,进行交会图分析,优选测井参数,确定研究区巴什基奇克组裂缝的测井响应特征。

通常情况下,测井曲线的响应特征会由于裂缝的存在而受到一定的影响,在常规测井曲线中,通常会表现为GR升高、CAL升高或降低、DEN降低、AC升高、CNL升高等特征,但目的层段巴什基奇克组为超深层致密砂岩储层,其测井响应特征会受岩性、流体等其他因素影响,致使单一的测井曲线,如GR、CAL和CNL等曲线在标定的裂缝样本中很难与裂缝信息对应良好,因此为提高储层裂缝识别的精度,需要剔除非裂缝因素对测井曲线响应特征的影响,放大裂缝测井响应特征。

通过比较裂缝标签数据和可靠的无裂缝数据的测井参数,共优选了6种测井参数进行裂缝测井识别,分别是密度(DEN)、深侧向电阻率(RD)、泥浆电阻率(RM)、深浅电阻率差(RSD)、nT1和nT2。其中,DEN、RD和RM为实测的测井数据,RSD、nT1和nT2是为了获取更多裂缝信息而重构的曲线。RSD为归一化后的深、浅电阻率幅度差,如公式(2)所示,RT90和RT10分别代表深部和浅部的电阻率值;nT1则由归一化后的GR和AC曲线进行处理获得,如公式(3)所示,式中norm(·)为归一化函数,p为常数,取0.01,以处理分母值为0的情况;nT2由重构曲线RSD和nT1相乘后归一化处理获得,如公式(4)所示。整体上,这6种优选出的测井曲线参数都可以直接或间接从常规测井系列中获得。对优选出的6种测井参数进行交会图分析,结果如图3、4和5所示,其中红色代表裂缝发育段,蓝色则为无裂缝段。

(2)RSD= \frac{\left|\mathrm{l}\mathrm{g}\left(\mathrm{R}\mathrm{T}90\right)-\mathrm{l}\mathrm{g}\left(\mathrm{R}\mathrm{T}10\right)\right|}{\mathrm{m}\mathrm{a}\mathrm{x}\left(\left|\mathrm{l}\mathrm{g}\left(\mathrm{R}\mathrm{T}90\right)-\mathrm{l}\mathrm{g}\left(\mathrm{R}\mathrm{T}10\right)\right|\right)}

(3)nT1= \frac{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}\left(\mathrm{A}\mathrm{C}\right)-\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}\left(\mathrm{G}\mathrm{R}\right)}{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}\left(\mathrm{G}\mathrm{R}\right)+p}*norm(AC)

(4)nT2=norm(RSD*nT1)

裂缝发育段大多具有DEN值偏低、RM值偏低(图3)、RD值偏低(图4)、重构参数RSD值较高、nT1值较高(图5)和nT2值较高的特点;其中,裂缝样本与无裂缝样本的DEN和nT1值分异最为明显,但裂缝样本与无裂缝样本仍有较多重叠区域,其他曲线的分异效果较差,有裂缝段与无裂缝段的重叠区域更多。这些数据的特征表明,实际应用中,裂缝测井响应十分复杂;由于受到岩性、流体等其他因素的影响,裂缝段的测井响应整体上与无裂缝段的差异较小,因此需要放大裂缝测井响应的强度,剔除非裂缝因素产生的影响。

3.2 基于深度核方法的裂缝识别模型

本文采用的基于深度核方法的裂缝识别模型,其主体结构由m₁个KPCA层和m₂个KPCA残差单元组成,每层KPCA核方法使用高斯核函数,同时会产生核参数,KPCA与残差单元的特征提取维度需要优化,最后使用SVM分类器对提取后的裂缝特征进行分类(图6)。

在实际模型中,将优选出的6种测井曲线参数作为训练样本,框定一组核参数和层数、维度范围,再经过RACOS更新迭代,获得一组最优深度核参数模型,不断框定参数范围,然后对比模型在测试集的识别结果。

对比结果显示,在不进行KPCA提取(KPCA层数为0),只进行简单的KPCA残差单元堆叠时,模型对裂缝的识别效果最好;此时,模型利用8层KPCA残差单元提取裂缝特征,当迭代次数为347时,模型的训练效果达到最优,此时的损失值最低;获得的每层核参数的最优解如图6所示,每层KPCA残差单元提取602维特征。RACOS采用超立方体随机收缩坐标,可以获得较高的优化速率,优化训练集的损失函数仅需21s,且在DKM模型中训练集的准确率可以达到99.3%,对训练好参数的裂缝识别模型测试样本进行分析,其准确率为97.2%。

3.3 裂缝识别结果及检验

以巴什基奇克组X-01井实例作为后验井验证基于深度核方法的裂缝识别模型的效果,该盲井的目的层段深度范围为7 311~7 535 m,目的层段厚度为224 m。以7 315~7 395 m层段为例,结合岩心观察与描述的结果,对模型识别效果进行验证(图7),图中前5道为深度道和优选出的测井参数曲线,第6道为DKM模型识别出的裂缝发育情况,其针对裂缝的有无进行识别,有裂缝赋值为1,即图中的红色区域,无裂缝赋值为0,即图中的空白区域;第7道为MSVM模型识别出的结果,第8道为岩心裂缝的发育标记。

DKM本质上是利用深度学习的级联思想对多核方法进行改进,而MSVM在传统支持向量机的基础上,将多个核函数使用线性组合方式进行融合,然后基于该核函数训练一个支持向量机分类器,是一种典型的多核方法,因此将上述两种方法进行对比分析DKM方法对于多核方法裂缝识别的改进。

整体来看,该盲井裂缝发育程度较高,主要的裂缝发育区域为7 315~7 323.5、7 334~7 346、7 350~7 355和7 372~7 381 m,上述深度范围内裂缝多呈带状发育(图7)。对比DKM模型识别出的裂缝与岩心观察和描述中发育的裂缝,结果显示,DKM与岩心描述存在良好的对应性,岩心裂缝基本都被正确地识别,而MSVM仅能对部分岩心裂缝做出正确的识别,如7 050 m处的岩心裂缝被识别了出来,但7 345和7 353 m处的岩心裂缝均没有被识别到,这进一步证实了本文所引入方法的优越性。相较于MSVM,DKM在裂缝测井识别方面的精度可以提升5%以上。

模型在后验井上的检验结果体现了良好的应用效果,同时,利用DKM可以自动根据训练数据的特征确定网络深度和相关参数,获得较好的预测效果,操作简便,无需大量调参。相较于传统多核方法的识别结果,基于DKM的裂缝识别模型对裂缝信息更加敏感,能够更好地提取非线性特征,准确地识别目的层段的裂缝。

4 讨论

DKM方法既是多核方法的一种改进,也是将深度学习算法往常规人工智能算法扩展的一种改进。裂缝测井识别是一个复杂的非线性问题,在通常情况下,多核方法的裂缝识别效果优于单核方法,表明非线性特征处理能力的增强有助于提升裂缝识别的精度。而DKM将核特征提取与深度学习相结合,理论上,深度学习思想的加入,有助于增强核方法处理非线性特征的能力;在本文的实验中,盲井测试的结果也佐证了该观点,与传统多核方法(MSVM)相比,DKM在裂缝测井识别方面的表现更加优越。

区别于深度学习中的神经网络存在学习率这类需要预先设定的超参数,DKM根据数据集本身调整关键参数,不依赖人为经验设定,仅需要规定好需要优化的参数选择范围即可。DKM的关键参数包括核参数、KPCA层数及维数、KPCA残差结构层数及维数和模型训练的优化迭代次数,针对常规测井裂缝识别问题,在关键参数确定方面,DKM核参数的范围为0.01~0.5,KPCA层数和维度分别为0~5和100~500,KPCA残差结构层数和维度分别为0~10和500~1 000,建议迭代优化次数为300~400。

本文所提出的DKM方法是一种有监督方法,对样本量的依赖性强,需要大量的数据才能训练出高精度的裂缝预测模型。当训练数据量不足时,所建立的DKM模型的预测能力会显著下降。此外,高质量的常规测井裂缝数据集同样是保障DKM模型裂缝识别精度的关键,因此,在利用岩心裂缝描述结果标定常规测井时,需要关注标签数据的选择,在进行标签制作时,应当优选置信度高的标签数据。对于有裂缝标签数据的制作,尽量选择位于岩心裂缝发育段中部的数据,而舍弃位于岩心发育段边缘的数据;对于无裂缝标签数据,选择较长的无裂缝段,从而保证在进行DKM模型训练时,模型能够充分学习有裂缝标签数据和无裂缝标签数据之间的差异。

测井裂缝识别是典型的数据不平衡问题。在本文的原始数据集中,标签数据共5 310个,其中无裂缝标签数据有4 920个,占数据集样本总数的92.6%,有裂缝标签数据仅占样本总数的7.4%,数据失衡严重。忽略这一问题,建立DKM模型往往会将所有样本都识别为无裂缝,导致整体准确率较高(85%以上),但对于有裂缝标签样本的准确率非常低。为了解决这个问题,必须进行数据平衡处理。数据平衡是指通过减小样本大小的差异来平衡有裂缝标签数据和无裂缝标签数据分布的过程,考虑到裂缝识别的本质是异常检测,本文采用的方法为过采样,以对有裂缝标签数据进行一定的增强,过采样处理后的有裂缝标签数据的比例得到提高,数据相对均衡。

DKM本身也存在一定的局限性,主要体现在以下两个方面:一方面,DKM在全局优化方面可能会遇到困难;RACOS算法在高维特征空间中具有精度高和寻优速度快的优势,但如果迭代次数不够,该算法仅可以收敛到局部最小值,而放弃寻找全局最小值。另一方面,在模型结构上,跳跃连接的使用增加了参数数量和计算量问题,且只考虑了模型深度,因此需要增加模型的宽度并进行参数重用与共享,以进一步提高模型的性能。故未来模型可在核特征提取结构和参数优化方法开展进一步研究以改进DKM。本文利用过采样增强有裂缝标签数据以处理数据不平衡问题,可能会使用过多人为生成的合成样本,从而引入噪声,导致原始数据变形,使得类别之间的边界变得模糊,从而影响模型对数据的理解和分类,降低模型性能,未来可以综合考虑其他方法,例如欠采样、合成抽样并使用适当的评估指标来评估模型性能。此外,本文针对裂缝测井识别问题开展相关研究,对于复杂岩性、流体和不同沉积环境等因素对裂缝识别问题产生的影响尚未进行深入探讨;未来的工作将更加关注相关地质因素,开展知识驱动的单井裂缝解释是进一步发展DKM方法的一个重要方向。

5 结论

本文在常规测井曲线裂缝敏感性分析的基础上,优选测井参数训练DKM模型,对塔里木盆地克深气田下白垩统巴什基奇克组的超深层致密砂岩储层进行实例应用,并开展裂缝测井识别,将模型识别结果与岩心裂缝描述进行对比,得到的具体结论如下。

(1)DKM将核特征提取与深度学习相结合,可以模拟深度神经网络逐层特征提取、模型内特征转换的性质,且可以根据数据集特征自动确定相关参数,操作简便,避免了深度学习需要进行大量的参数调整的问题。

(2)通过常规测井曲线裂缝敏感性分析,优选了6种测井参数进行裂缝测井识别,前3者DEN、RD和RM为实测测井数据,后3者RSD、nT1和nT2是为了获取更多裂缝信息而重构的曲线,厘清了裂缝段与无裂缝段在测井参数方面的差异。

(3)所建立的DKM裂缝识别模型在测试集上的准确率为97.2%,能够对致密砂岩储层实例进行准确识别;并开展盲井识别,将DKM与传统的多核方法进行对比,结果表明DKM对致密储层的裂缝识别效果更好,裂缝识别的准确率可提升5%以上,在实际的单井裂缝识别工作中具有较强的适用性。

参考文献

[1] 王志民, 王翠丽, 徐珂, 超深层致密砂岩构造裂缝发育特征及控制因素: 以塔里木盆地库车坳陷博孜-大北地区下白垩统储集层为例[J]. 天然气地球科学, 2023, 34(9): 1535-1551.

[2] 袁龙, 信毅, 吴思仪, 深层白垩系致密砂岩裂缝定性识别、参数建模与控制因素分析: 以塔里木盆地库车坳陷克深地区白垩系巴什基奇克组储层为例[J]. 东北石油大学学报, 2021, 45(1): 20-31, 72.

[3] 曾联波, 吕鹏, 屈雪峰, 致密低渗透储层多尺度裂缝及其形成地质条件[J]. 石油与天然气地质, 2020, 41(3): 449-454.

[4] 丁文龙, 王兴华, 胡秋嘉, 致密砂岩储层裂缝研究进展[J]. 地球科学进展, 2015, 30(7): 737-750.

[5] LI H, FAN C W, JIANG Z X, et al. Natural fractures in low-permeability sandstone reservoirs in the LD-a HPHT gas field, Yinggehai Basin: implications for hydrocarbon exploration and development[J]. Frontiers in Earth Science, 2022, 10: 934097.

[6] 丁文龙, 尹帅, 王兴华, 致密砂岩气储层裂缝评价方法与表征[J]. 地学前缘, 2015, 22(4): 173-187.

[7] HUANG S L, LIU J Y, SUN J D, et al. Water invasion mode of carbonate gas reservoirs controlled by edge water: three invasion modes[J]. Frontiers in Energy Research, 2022, 10: 860527.

[8] 汪明锐, 张冲, 聂昕, 基于测井曲线重构的致密砂岩储层裂缝识别[J]. 西安石油大学学报(自然科学版), 2022, 37(5): 10-20.

[9] DONG S Q, ZENG L B, LYU W Y, et al. Fracture identification by semi-supervised learning using conventional logs in tight sandstones of Ordos Basin, China[J]. Journal of Natural Gas Science and Engineering, 2020, 76: 103131.

[10] DONG S Q, ZENG L B, LYU W Y, et al. Fracture identification and evaluation using conventional logs in tight sandstones: a case study in the Ordos Basin, China[J]. Energy Geoscience, 2020, 1(3/4): 115-123.

[11] LYU W Y, ZENG L B, LIAO Z H, et al. Fault damage zone characterization in tight-oil sandstones of the Upper Triassic Yanchang Formation in the southwest Ordos Basin, China: integrating cores, image logs, and conventional logs[J]. Interpretation, 2017, 5(4): SP27-SP39.

[12] 王珂, 张荣虎, 王俊鹏, 超深层致密砂岩储层构造裂缝分布特征及其成因: 以塔里木盆地库车前陆冲断带克深气田为例[J]. 石油与天然气地质, 2021, 42(2): 338-353.

[13] 常宝华, 唐永亮, 朱松柏, 超深层裂缝性致密砂岩气藏试井特征及认识: 以塔里木盆地克深气田为例[J]. 大庆石油地质与开发, 2021, 40(3): 167-174.

[14] ZENG L B, GONG L, GUAN C, et al. Natural fractures and their contribution to tight gas conglomerate reservoirs: a case study in the northwestern Sichuan Basin, China[J]. Journal of Petroleum Science and Engineering, 2022, 210: 110028.

[15] BHATTACHARYA S, MISHRA S. Applications of machine learning for facies and fracture prediction using Bayesian Network Theory and Random Forest: case studies from the Appalachian Basin, USA[J]. Journal of Petroleum Science and Engineering, 2018, 170: 1005-1017.

[16] DONG S Q, ZENG L B, LIU J J, et al. Fracture identification in tight reservoirs by multiple kernel Fisher discriminant analysis using conventional logs[J]. Interpretation, 2020, 8(4): SP215-SP225.

[17] 程超, 何亮, 张本健, 中坝气田须二段气藏裂缝分级评价方法[J]. 大庆石油地质与开发, 2020, 39(2): 56-64.

[18] TIAN M, OMRE H, XU H M. Inversion of well logs into lithology classes accounting for spatial dependencies by using hidden Markov models and recurrent neural networks[J]. Journal of Petroleum Science and Engineering, 2021, 196: 107598.

[19] NOURI-TALEGHANI M, MAHMOUDIFAR M, SHOKROLLAHI A, et al. Fracture density determination using a novel hybrid computational scheme: a case study on an Iranian Marun oil field reservoir[J]. Journal of Geophysics and Engineering, 2015, 12(2): 188-198.

[20] 郑军, 刘鸿博, 周文, 阿曼五区块Daleel油田储层裂缝识别方法研究[J]. 测井技术, 2010, 34(3): 251-256.

[21] 武中原, 张欣, 张春雷, 基于LSTM循环神经网络的岩性识别方法[J]. 岩性油气藏, 2021, 33(3): 120-128.

[22] 孙予舒, 黄芸, 梁婷, 基于XGBoost算法的复杂碳酸盐岩岩性测井识别[J]. 岩性油气藏, 2020, 32(4): 98-106.

[23] 谷宇峰, 张道勇, 鲍志东. 利用混合模型CRBM-PSO-XGBoost识别致密砂岩储层岩性[J]. 石油与天然气地质, 2021, 42(5): 1210-1222.

[24] DONG S Q, ZENG L B, DU X Y, et al. An intelligent prediction method of fractures in tight carbonate reservoirs[J]. Petroleum Exploration and Development, 2022, 49(6): 1364-1376.

[25] XU J L, WANG R T, ZAN L, et al. Geomechanical log responses and identification of fractures in tight sandstone, West Sichuan Xinchang Gas Field[J]. Scientific Reports, 2022, 12: 15543.

[26] DONG S Q, ZHONG Z H, CUI X H, et al. A deep kernel method for lithofacies identification using conventional well logs[J]. Petroleum Science, 2023, 20(3):1411-1428.

[27] 王珂, 张荣虎, 王俊鹏, 塔里木盆地库车坳陷侏罗系阿合组与白垩系巴什基奇克组储层特征对比与勘探开发启示[J]. 天然气地球科学, 2022, 33(4): 556-571.

[28] 曾联波, 刘国平, 朱如凯, 库车前陆盆地深层致密砂岩储层构造成岩强度的定量评价方法[J]. 石油学报, 2020, 41(12): 1601-1609.

[29] 何登发, 周新源, 杨海军, 库车坳陷的地质结构及其对大油气田的控制作用[J]. 大地构造与成矿学, 2009, 33(1): 19-32.

[30] 魏强, 李贤庆, 孙可欣, 塔里木盆地库车坳陷克深大气田深层天然气成藏地球化学特征[J]. 天然气地球科学, 2019, 30(6): 897-907.

[31] 付晓飞, 贾茹, 王海学, 断层-盖层封闭性定量评价: 以塔里木盆地库车坳陷大北—克拉苏构造带为例[J]. 石油勘探与开发, 2015, 42(3): 300-309.

[32] 王招明, 李勇, 谢会文, 库车前陆盆地超深层大油气田形成的地质认识[J]. 中国石油勘探, 2016, 21(1): 37-43.

[33] 宋泽章, 吕明阳, 赵力彬, 基于分形理论的致密砂岩渗透率预测模型[J]. 沉积学报, 2023, 41(6): 1847-1858.

[34] 赖锦, 王贵文, 孙思勉, 致密砂岩储层裂缝测井识别评价方法研究进展[J]. 地球物理学进展, 2015, 30(4): 1712-1724.

[35] 赖锦, 王贵文, 郑新华, 油基泥浆微电阻率扫描成像测井裂缝识别与评价方法[J]. 油气地质与采收率, 2015, 22(6): 47-54.

[36] 汪林波, 韩登林, 王晨晨, 库车坳陷克深井区白垩系巴什基奇克组孔缝充填特征及流体来源[J]. 岩性油气藏, 2022, 34(3): 49-59.

[37] 张荣虎, 王珂, 王俊鹏, 塔里木盆地库车坳陷克深构造带克深8区块裂缝性低孔砂岩储层地质模型[J]. 天然气地球科学, 2018, 29(9): 1264-1273.

[38] 王珂, 张荣虎, 赵继龙, 塔里木盆地库车坳陷克拉苏构造带走滑作用对构造裂缝的影响[J]. 天然气地球科学, 2023, 34(8): 1316-1327.

[39] 高文杰, 李贤庆, 张光武, 塔里木盆地库车坳陷克拉苏构造带深层致密砂岩气藏储层致密化与成藏关系[J]. 天然气地球科学, 2018, 29(2): 226-235.

[40] 毛亚昆, 钟大康, 李勇, 构造挤压背景下深层砂岩压实分异特征: 以塔里木盆地库车前陆冲断带白垩系储层为例[J]. 石油与天然气地质, 2017, 38(6): 1113-1122.

[41] 年涛, 王贵文, 肖承文, 库车坳陷巴什基奇克组裂缝密度的控制因素分析[J]. 石油科学通报, 2016, 1(3): 319-329.

基金资助

国家自然科学基金青年资助项目“致密油气储层三维裂缝网络连通性智能评价方法研究”(42002134)

中国博士后科学基金第14批特别资助项目“基于半监督深度学习的致密储层裂缝智能识别方法研究”(2021T140735)