引用本文
李建成, 徐声驰, 李立, 李晨, 董彪, 和丽安. 准东阜康凹陷XRD录井多层感知器法储层物性评价探索[J]. 录井工程, 2024,35(1): 74-78.
LI Jiancheng, XU Shengchi, LI Li, LI Chen, DONG Biao, HE Li'an. Evaluation and exploration of reservoir physical property by XRD logging multi-layer perceptron method of Fukang sag in eastern Junggar Basin[J]. Mud Logging Engineering, 2024,35(1): 74-78.
Doi:10.3969/j.issn.1672-9803.2024.01.012  
Permissions
Copyright©2024, 《录井工程》杂志社
《录井工程》杂志社 所有
准东阜康凹陷XRD录井多层感知器法储层物性评价探索
李建成, 徐声驰, 李立, 李晨, 董彪, 和丽安
中国石油西部钻探地质研究院

作者简介：李建成 高级工程师,1972年生,1995年毕业于江汉石油学院石油地质勘查专业,现在西部钻探地质研究院地质研究中心从事录井解释评价及油藏地质综合研究工作。通信地址：834000 新疆克拉玛依市南新路2号。电话：（0990）6840539。E-mail：Lijiancheng2009@cnpc.com.cn

收稿日期: 2023-11-08
基金: 中国石油西部钻探工程有限公司科技项目“阜康断裂带深层录井智能油气评价技术研究”（编号：2022XZ303）
摘要

快速准确评价储层物性是试油选层及压裂定段的关键。为研究准东阜康凹陷二叠系上乌尔禾组优质储层分布层段,探索了多层感知器法在准东阜康凹陷XRD录井储层物性评价中的应用。通过收集大量的XRD录井数据,优选5种特征矿物构建多层感知器法神经网络模型,验证发现所建立的模型能够较好地拟合储层物性参数与矿物含量之间的关系。经过训练的模型在测试数据集上取得了较高的预测准确率,为快速、准确评价储层物性提供了新途径。在KT 5及F 47井应用取得了较好的评价效果,具有一定的推广应用价值。

关键词: XRD; 储层; 物性评价; 多层感知器; 神经网络
中图分类号:TE132.1 文献标志码:A
Evaluation and exploration of reservoir physical property by XRD logging multi-layer perceptron method of Fukang sag in eastern Junggar Basin
LI Jiancheng, XU Shengchi, LI Li, LI Chen, DONG Biao, HE Li′an
Geological Research Institute of CNPC Xibu Drilling Engineering Company Limited, Karamay, Xinjiang 834000,China
Abstract

Rapid and accurate evaluation of reservoir physical properties is the key to oil test and fracturing stage selection. In order to study the distribution interval of high-quality reservoir in Shangwuerhe Formation of Permian in Fukang Sag, Jundong, the application of multi-layer perceptron method in the evaluation of reservoir physical properties with XRD logging has been explored. By collecting a large amount of XRD logging data, five characteristic minerals are selected to construct a multi-layer perceptron neural network model. Through verification, it is found that the established model can better fit the relationship between reservoir physical property parameters and mineral content. The trained model achieves high prediction accuracy on the test data set, which provides a new way to evaluate reservoir physical properties quickly and accurately. The application of wells KT 5 and F 47 has achieved a good evaluation effect, which has a certain popularization and application value.

Keyword: XRD; reservoir; physical property evaluation; multi-layer perceptron; neural network
0 引言

近年来, XRD录井分析技术在准噶尔盆地油气勘探中应用较为广泛, 在火成岩岩性识别、水平井轨迹控制及石炭系卡层方面发挥了显著作用[1, 2]。

准噶尔盆地东部阜康凹陷二叠系上乌尔禾组为扇三角洲沉积体系, 其中乌一段、乌二段储层集中发育, 乌三段为厚层泥岩段, 具备优良的储盖条件。乌一段为扇中部位的厚层砾岩砂体; 乌二段有利储层位于前缘亚相沉积层段, 呈砂泥交互、砂岩下粗上细的正韵律特征, 储层纵向非均质性强。岩心及壁心反映储层胶结致密, 但裂缝较发育, 表现为基质及裂缝双重介质的储集特征。阜康凹陷KT 1井二叠系上乌尔禾组试油获日产油132 t、天然气1.12× 104 m3的高产工业油气流, 展现出广阔的勘探前景。为提高试油选层及压裂定段的及时性与科学性, 快速准确评价储层随钻物性尤为重要。

本文基于XRD录井分析取得的矿物资料, 优选5种特征矿物, 尝试多层感知器法探索随钻物性评价方法。通过新井应用验证, 取得了较好的评价效果, 具有一定的推广价值。

1 多层感知器法简介

人工神经网络技术简称为神经网络, 是一种模仿生物神经网络结构和功能的数学模型或计算模型, 由大量的人工神经元联结进行计算。人工神经网络具有较强的学习能力以及高度的并行结构和并行实现能力, 有较好的耐故障能力、信息融合能力、综合推理能力和较快的总体处理能力, 能有效解决地质学数据处理中常见的困难[3], 是近年来地质学应用领域里一个热门研究课题。

多层感知器是人工神经网络中非常重要的一种类型, 它使用输入与输出之间的多层加权连接, 其结构基本类似于一套级联的感知器, 该网络可以包含一层或者多层隐藏神经元, 这些隐藏层神经元逐步从输入模式中提取多种有用特征, 可以使网络学习复杂的任务。由于其具有优异性能, 多层感知器网络模型已在储层预测、成矿预测、地质灾害预测、地震预报等方面有广泛的应用[4]。

多层感知器的特点如下：

（1）每层由单元组成; （2）输入层为训练集的实例特征向量; （3）经过连接点的权重传入下一层, 上一层输出是下一层输入; （4）隐藏层神经元个数可以是任意的; （5）每个单元也可以称为神经结点, 根据生物学来源定义; （6）一层中加权卷积求和, 然后根据非线性方程转化输出; （7）作为多层向前神经网络, 理论上, 如果有足够的隐藏层和足够的训练集, 可以模拟出任何方程。

2 XRD录井多层感知器法储层物性随钻评价

钻井工程中不断应用各种先进的钻井工具, 使得钻井速度加快, 钻探周期大幅缩减, 因而录井对快速、实时、准确的随钻解释评价方法的研究已显得尤为重要。为此, 立足于随钻录井物性评价的实际需求, 基于XRD录井分析技术, 通过研究储层敏感矿物含量与孔渗关系, 优选能够反映储层基质孔隙与裂缝发育程度的敏感矿物, 尝试采用多层感知器法进行随钻录井物性评价。

多层感知器法能够从数据样本中自动学习并揭示出其所蕴含的非线性关系, 可用于分类、函数逼近、参数估计等问题。同时其结构简单、性能优异, 在多种领域得到广泛应用[5, 6]。

2.1 评价特征矿物优选

阜康凹陷XRD录井分析共检测出石英、斜长石、方解石、蒙脱石、伊利石、高岭土、硬石膏、浊沸石、方沸石9种矿物及其他非晶成分。石英、斜长石是典型的砂质矿物成分; 方解石在沉积岩中具有双重角色, 既可以代表胶结物成分, 又可能是裂缝发育段的次生矿物; 蒙脱石、伊利石、高岭土是泥质矿物成分, 因蒙脱石、伊/蒙混层都具有吸水膨胀性, 导致储层水敏性较强, 是该区上乌尔禾组物性差的主要原因[7]; 硬石膏、浊沸石、方沸石则是特殊环境下的产物。一般情况下, 泥质成分含量高是导致沉积岩储层物性变差的主要原因, 硅质、铁质及灰质胶结物则是物性差的次要原因。

因此, 优选石英、斜长石、蒙脱石、伊利石及高岭土5种特征矿物, 尝试进行多层感知器法探索随钻物性评价方法。

2.2 评价方法

2.2.1 数据准备

阜康凹陷上乌尔禾组共收集6口井883条XRD录井分析资料, 指定训练集541条数据, 检验集342条, 分配比例为61:39。

根据测井解释资料, 对基质孔隙及裂缝发育段物性综合评价标注为1, 不发育段则标注为0。分区变量标注：1为训练集, 0为检验集。

2.2.2 评价流程

采用统计分析软件SPSS 26.0中的神经网络法（多层感知器）进行分析。定义物性综合评价为因变量, 属性为名义变量, 5种矿物含量为标度变量。将5种矿物含量及1个分区变量作为输入层的自变量, 默认1个隐藏层, 基于有监督学习方式进行模型训练, 输出（物性综合评价）层为因变量（图1）。

图1 多层感知器法神经网络模型

2.3 模型评价效果分析

从模型训练分类结果汇总中可以看出, 训练集的总体正确率为68.9%, 检验集的总体正确率为64.9%（表1）。因此, 神经网络模型对于样本的预测能力较强。

表1 物性综合评价模型训练分类结果汇总

分类模型性能的优劣评价通常使用ROC曲线, 其全称为受试者工作特征曲线（Receiver Operating Characteristic curve）, 是反映敏感性和特异性连续变量的综合指标, 用构图法揭示敏感性和特异性的相互关系。ROC曲线下面积越大, 反映模型分类越优, 准确性越高。图2表明分类模型预测能力较好。

图2 物性综合评价多层感知器分类模型ROC曲线图

从自变量重要性程度（表2）可以看出, 在本次模型预测中认为斜长石、蒙脱石这两个变量最重要, 伊利石、高岭土次之, 石英的重要性程度不明显。这与前述的泥质成分含量高是导致沉积岩储层物性变差的主要原因基本一致。

表2 自变量重要性排序
3 应用实例

应用所训练的多层感知器法储层物性评价模型对准噶尔盆地阜康凹陷新完钻探井KT 5井及F 47井共172条记录进行XRD录井随钻物性评价, 所识别出的孔隙及裂缝发育段与测井解释结果相吻合, 评价效果较好。

3.1 KT 5井

KT 5井上乌尔禾组储层物性发育段主要集中在5 964.00~5 984.00 m、5 990.00~6 054.00 m及6 068.00~6 086.00 m井段。井段5 964.00~5 984.00 m, 层位上乌尔禾组二段（P3w1）内5 976.22~5 989.13 m取心获油斑级11.71 m, 油迹级0.73 m, 荧光级0.47 m。岩心纵向上部以含砾中砂岩为主, 偶夹细砂岩、砾状砂岩、砂砾岩, 中下部为小砾岩、细砾岩, 偶夹泥质粉砂岩、细砂岩、含砾细砂岩。物性观察：岩心整体上胶结致密, 但直劈裂缝发育, 气孔不发育, 含油性自上而下逐渐变好; 岩心断面较干燥, 含油部分滴水呈珠状, 不含油部分滴水速渗。

成像测井资料反映KT 5井发育张开缝、半张开缝及闭合缝, 裂缝方向与诱导缝一致, 走向为北西-南东向, 倾向北东向, 中高角度。全井段共划分5个裂缝发育段, 裂缝最发育层段主要集中在烧房沟组下部（T1s）、上乌尔禾组中下部（P3w）及芦草沟组底部（P2l）（表3）。

表3 KT 5井裂缝参数分层段统计

根据XRD录井资料采用多层感知器法进行的储层物性评价结果与岩心资料及测井评价裂缝发育段相吻合（图3）, 进一步说明了该方法的有效性。该井井段5 978.00~5 984.00 m、6 010.00~6 015.00 m、6 030.00~6 036.00 m试油, 压裂后自喷, 4 mm油嘴日产油14.56 m3、水68.16 m3, 试油结果为油水同层。油水产量较高, 反映储层物性较好, 渗流能力较强。

图3 KT 5井多层感知器法随钻物性评价图

3.2 F 47井

F 47井上乌尔禾组储层物性发育段主要集中在5 140.00~5 146.00 m, 石炭系储层物性发育段主要集中在5 151.00~5 159.00 m。

井段5 117.48~5 160.38 m取心获油斑级13.17 m, 油迹级15.54 m, 荧光级9.78 m。岩心纵向上部以中砂岩、粗砂岩为主, 下部以砂砾岩为主。物性观察：岩心胶结致密、干燥, 个别处发育裂缝, 个别断面见黑色干沥青及黄铁矿。岩心出筒时柱面及裂缝面见浅黄褐色轻质原油外渗, 油气味较浓, 自上而下含油性逐渐变好。

岩心见数条水平缝与直劈缝, 缝长7~42 cm, 平均20 cm, 缝宽1 mm, 无充填-半充填。成像测井反映裂缝以闭合缝为主, 孔隙度主要为基质孔隙贡献, 孔渗结构最好段在上乌尔禾组下部（井段5 126.00~5 132.00 m、5 141.00~5 151.00 m）、石炭系顶部（井段5 151.00~5 159.00 m）。

根据XRD录井资料采用多层感知器法进行的储层物性评价结果与岩心资料及测井评价低岩性密度优质储层基本吻合（图4）, 说明了该方法的有效性。该井石炭系井段5 153.00~5 156.00 m压裂试油后自喷, 4 mm油嘴日产气1 370 m3、水122.31 m3, 试油结果为含气水层。气水产量高, 储层物性好, 渗流能力强。

图4 F 47井多层感知器法随钻物性评价图

4 结论及认识

（1）本文探索了多层感知器法在准东阜康凹陷XRD录井储层物性评价中的应用, 为提高评价准确性和效率提供了新的途径。（2）多层感知器法评价储层随钻物性在准噶尔盆地只是初步尝试, 具有一定的应用价值, 也存在一定的局限性, 如数据依赖性问题等, 需要进一步改进和完善。要想获得更加满意的评价效果, 需要进一步探讨如何建立更加精确的分类评价模型。（3）下一步研究方向包括进一步提高神经网络模型的泛化能力, 使其能够更好地适应未知情况; 探索更加有效的数据预处理方法, 提高数据的质量和准确性; 结合地球物理技术, 综合评价储层物性参数, 提高评价结果可靠性。

编辑 陈 娟

参考文献
[1] 付连明, 申延晴, 曹光福, 等. XRD衍射岩性识别技术在准噶尔盆地的应用[J]. 河南科技, 2016(13): 84-86.
FU Lianming, SHEN Yanqing, CAO Guangfu, et al. Application of XRD diffraction technique of lithological identification in Junggar Basin[J]. Journal of Henan Science and Technology, 2016(13): 84-86. [本文引用:1]
[2] 马树明, 李秀彬, 李怀军, 等. X射线衍射矿物分析技术在准噶尔盆地火成岩识别中的应用[J]. 录井工程, 2020, 31(4): 16-21.
MA Shuming, LI Xiubin, LI Huaijun, et al. Application of X-ray diffraction mineralogical analysis technology to igneous rock identification in Junggar Basin[J]. Mud Logging Engineering, 2020, 31(4): 16-21. [本文引用:1]
[3] 邵飞. 基于人工神经网络的遥感影像变化信息提取方法研究[D]. 青岛: 山东科技大学, 2006.
SHAO Fei. Research on change information extraction of remote sensing image based on artificial neural network[D]. Qingdao: Shand ong University of Science and Technology, 2006. [本文引用:1]
[4] 王良玉, 张明林, 祝洪涛, 等. 人工神经网络及其在地学中的应用综述[J]. 世界核地质科学, 2021, 38(1): 15-26.
WANG Liangyu, ZHANG Minglin, ZHU Hongtao, et al. Review on artificial neural networks and their applications in geoscience[J]. World Nuclear Geoscience, 2021, 38(1): 15-26. [本文引用:1]
[5] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.
ZHOU Zhihua. Machine learning[M]. Beijing: Tsinghua University, 2016. [本文引用:1]
[6] 张涛, 张金功, 张小莉, 等. 基于元素组成的多层感知器神经网络岩性识别[J]. 地下水, 2016, 38(5): 107-109.
ZHANG Tao, ZHANG Jingong, ZHANG Xiaoli, et al. Lithology recognition of multi-layer perceptron neural network based on element composition[J]. Ground Water, 2016, 38(5): 107-109. [本文引用:1]
[7] 王秋玉, 李树博, 闫文琦, 等. 深层特低孔—特低渗砂砾岩储层特征及主控因素: 以准噶尔盆地阜康凹陷二叠系上乌尔禾组为例[J]. 东北石油大学学报: 2023, 47(2): 31-43.
WANG Qiuyu, LI Shubo, YAN Wenqi, et al. Characteristics and main controlling factors of deep ultra-low porosity and ultra-low permeability glutenite reservoir: A case study of upper Wuerhe Formation of Permian in Fukang sag, Junggar Basin[J]. Journal of Northeast Petroleum University: 2023, 47(2): 31-43. [本文引用:1]