测录井数据是通过专业的测井仪和录井仪在复杂的野外作业环境中获取的。由于野外环境复杂多变、设备性能存在差异性以及人为操作等因素, 使得测录井数据往往存在一定的偏差。这些偏差不仅影响了数据的精度和可信度, 还可能对后续的油气勘探工作产生误导。

为了消除这些偏差, 引入了录测井影响因素的考虑, 并对测录井数据进行校正预处理。通过综合考虑设备性能、野外环境以及人为操作等多种因素, 采用先进的校正算法对原始数据进行修正, 提高了数据的准确性和可靠性。经过校正后的测录井数据, 能够为油气勘探提供更加准确的依据, 从而优化天然气储层的岩性识别决策过程, 提高勘探效率和经济效益。

1.1.1 数据参数转换

在录井数据的处理中, 为了提升数据的精度并满足更细致的分析需求, 采用插值法将钻深参数间隔从1 m转换成0.1 m。这一转换过程涉及对原始数据的整理与清洗, 为了确保数据的准确性和完整性, 在插值计算时, 根据数据的特征和分析目标, 选择合适的插值类型和插值间隔, 并特别注意处理边界数据, 以确保插值结果的合理性。通过精细的数据参数转换, 能够获得精度更高的录井数据, 为后续的油气勘探和开发工作提供更加可靠的依据。

录井数据参数转换方法为：筛选录井数据集内深度间隔超过0.3 m的相邻数据, 使用上一点深度对应的时间减去下一点深度对应的时间^[7], 同时去除停钻时间, 即可得到准确的钻进录井时间, 然后与相邻深度数据的差值相除, 转换成每米钻时, 即可得到录井数据时间参数转换结果T, 公式为：

T=t1-t2-t3D1-D2（1）

式中：t₁、t₂为相邻深度钻进时间; t₃为停钻时间; D₁、D₂为相邻深度值。

使用公式（1）对录井数据的时间参数进行转换后, 依据四舍五入原则, 从录井数据内提取井深间距为0.1 m的录井数据, 再将延迟井深数据恢复到实际深度上, 即可得到步长为0.1 m的连续记录数据。

在测井数据的处理中, 转换过程通常涉及对原始测井数据的解编、校正、插值以及格式转换等步骤。首先, 需要对原始测井数据进行解编, 以提取出各个测井曲线的数值和相关信息。测井数据在采集过程中可能受到多种因素的影响, 如设备性能、野外环境等^[8], 因此需要对数据进行校正处理, 以消除这些因素的影响。接下来, 为了获得更高分辨率的测井数据, 需要采用插值方法。与录井数据类似, 测井数据的插值也是基于已知数据点来估算未知数据点的值。假设有两个已知的测井数据点（x₁, y₁）和（x₂, y₂）, 其中x代表深度, y代表测井曲线的值, 估算一个位于这两个点之间的未知数据点（x_i, y_i）的值。线性插值的公式可以表示为：

yi=y1+（xi-x1）（y2-y1）x2-x1（2）

根据两个已知点的数值和给定未知点的x值求解未知点的坐标, 实现测井数据的转换。

1.1.2 压力平衡校正

在获取气测数据时, 天然气储层内的油气会通过地层缝隙流入钻井液内。对于录井而言, 录井仪会依据当前钻井液压力和地层压力计算二者的差。当差值为负数时, 表明录井数据处于欠平衡状态^{[9, 10, 11]}; 当差值为正数时, 则表明录井数据处于过平衡状态。

当钻井液压力小于地层压力时（欠平衡状态）, 录井数据校正公式为：

S=S01+lg（1+ε）（3）

当钻井液压力大于地层压力时（过平衡状态）, 录井数据校正公式为：

S=S01+lg（1+ε）（4）

以上式中：S为校正后的录井数据; S₀为初始录井数据; ε 为校正系数。

压力的变化对测井有影响, 这种影响主要体现在地层流体与井筒之间的压力平衡上。在测井过程中, 由于井筒处于静止状态, 地层流体可能会因压力差而缓慢渗入井筒, 从而影响测井仪器测量的井筒压力值。为了得到更接近地层真实压力的数据, 需要进行压力平衡校正。通过采用适合井筒静止状态的校正方法和系数, 可以得到校正后的井筒压力值, 这个值更接近地层的真实压力。校正公式为：

Δp=K（pf-pw）toρμrw2（1-expKtoArw2ρμC）（5）

式中： Δp为压力校正量, 需要加到测井仪器测量的井筒压力上, 以得到更接近地层真实压力的值; K为地层渗透率; pf为地层压力; pw为井筒内压力; t_o为测井时间; ρ 为流体密度; μ 为流体粘度; rw为井筒半径; A为一个与井筒形状、流体流动方向等相关的几何因子; C为一个与流体和地层特性相关的常数。

由此, 更接近地层真实压力的测井数据校正公式为：

Sp=Sp01-Δppw（6）

式中：S_p为校正后的测井数据; S_p0为初始测井数据。

1.1.3 钻井液流速影响校正

录井气测数据来源于井下返回钻井液, 数值不同则表明天然气储层岩性不同, 在该过程中会使用脱气装置分离钻井液中的油和气。当钻进速度为恒定值时, 单位时间内钻井液流量越大, 则天然气储层岩石破碎产生的油气量越小, 此时录井气测数据数值较低^[12]; 反之, 当单位时间内钻井液流量越小, 则天然气储层岩石破碎产生的油气量越大, 此时录井气测数据数值较高。因此, 需要消除钻井液流速对录井气测数据精度的影响, 其校正公式为：

Sq1=QSq0Q1η（7）

式中：Q为单位时间内钻井液流量; Q₁为单位时间内录井仪脱浆量; η 为录井仪脱气装置的脱气效率; Sq1为校正后的录井气测数据; Sq0为初始录井气测数据。

由于测井时井筒静止, 不存在钻井液流速的问题, 测井数据校正不需要考虑钻井液流速的影响。

这表明测井与录井在井筒状态和数据校正方面存在显著差异, 在进行测录井数据校正时, 应充分考虑这些差异, 并采用适合各自特点的校正方法和参数。

1.2.1 经验模态分解方法

运用经验模态分解方法（Empirical Mode Decomposition, EMD）对校正后的测录井数据进行分解, 并描述天然气储层岩性特征, 其详细过程如下。

以校正后的测录井数据为基础, 使用3次样条函数拟合测录井数据得到测录井数据包络线, 找到原始测录井数据集中的极大值和极小值, 使用m₁（t）标记测录井数据包络线均值^[13], 则测录井数据ϕ 第1个本征模态函数（Intrinsic Mode Functions, IMF）h₁（t）表达式为：

h₁（t）=S（t）-m₁（t） （8）

式中：S（t）为时刻为t时的测录井数据, S（t）∈ ϕ 。

利用公式（8）对原始测录井数据反复运算, 得到满足经验模态分解的条件后, 即可得到测录井数据第1个经验模态分解分量^[14], 这里用g₁（t）表示, 该分量表示测录井数据内最高频分量。将最高频分量g₁（t）从原始测录井数据S（t）中分离, 可得到去掉最高频分量的差值信号, 其表达式为：

r₁（t）=S（t）-g₁（t） （9）

式中：r₁（t）为去掉最高频分量的差值信号。

将公式（9）的结果作为原始测录井数据, 经过重复运算后, 可得到测录井数据的第2个经验模态分解分量, 该分量由g₂（t）表示。对上述过程重复运算n次后, 可得到测录井数据的n个经验模态分解分量, 组成经验模态分解分量矩阵, 表达式为：

r1（t）-g2（t）=r2（t）rn-1（t）-gn（t）=rn（t）（10）

依据公式（9）、（10）则测录井数据表达式可写为：

S（t）=∑j=1ngj（t）+∑j=1nrj（t）（11）

式中： rn（t）可表示残余函数; g1（t）, …, gj（t）, …, gn（t）为分解后的测录井数据分量, 其中j∈ n。

1.2.2 状态特征谱熵计算

经过上述过程得到分解的该测录井数据分量 g1（t）, …, gj（t）, …, gn（t）后, 计算其状态特征谱熵, 进而使用状态特征谱熵描述天然气储层的岩性特征。对测录井数据经验模态分解分量的空间能量矩阵进行奇异值分解处理^[15], 可得到时频域的测录井数据经验模态分解分量的空间状态特征谱熵, 表达式为：

H=-∑j=1n+1pjlgpj（12）

式中：H为测录井数据经验模态分解分量的空间状态特征谱熵; p_j为第j个经验模态分解分量奇异值在所有特征谱中的比重。

传统捞取砂样识别岩性的方法依赖地质人员的经验和技能, 识别结果可能受到人为判断主观性和操作误差的影响, 且捞取砂样、处理和分析的过程相对繁琐, 需要较长的时间。RBF（Radial Basis Function）神经网络模型在处理非线性问题时具有出色的性能。将获得的测录井数据作为输入项（包括电阻率、声波速度、自然电位、钻井液参数、钻时和钻速等）, 由RBF神经网络自动输出岩性识别结果, 减少了人为因素的干扰, 从而获得更为精准的结果。RBF神经网络模型结构如图1所示。

图1

	Figure Option ViewDownloadNew Window
	图1 RBF神经网络模型结构

运用RBF神经网络模型识别天然气储层岩性详细过程如下。

（1）将1.2.2小节得到的测录井数据状态特征谱熵作为输入, 建立RBF神经网络模型输入样本, 由 H'=H1，H2，…，HN表示, 其中N为测录井数据状态特征谱熵总数, 输入层与隐含层之间利用权值连接, 则第μ 个神经元的输入Z_μ 在网络模型中表达式为：

Z_μ =H′ W_μ （13）

式中：W_μ 为第μ 个神经元输入层与隐含层的连接权值。

（2）以公式（13）的输入为基础, RBF神经网络模型传递测录井数据状态特征谱熵时的传递函数Γ （Z_μ ）表达式为：

Γ（Zμ）=exp（Zμ-1λ2）（14）

式中：λ 为平滑参数。

（3）经过传递函数传递测录井数据状态特征谱熵后, 将其输入到隐含层内, 该层使用基函数捕捉测录井数据状态特征谱熵的特定特征, 其表达式为：

δμ=Gμ（Hμ-cμϕμ）（15）

式中： Hμ为第μ 个隐含层特征谱熵值; δμ为第μ 个隐含层中心点 cμ的基函数; Gμ（· ）表示径向基函数; ϕμ为函数宽度。

（4）以上述各式为基础, RBF神经网络模型识别天然气储层岩性结果y_μ 表达式为：

yμ=∑μ=1mWμδμ（16）

式中：m为隐含层总数。

本文利用测录井仪器获取到X盆地天然气储层测录井数据。以任意两条录井数据作为实验对象, 这两条录井数据分别存在过平衡状态和欠平衡状态, 校正后的结果如图2、图3所示。

图2

	Figure Option ViewDownloadNew Window
	图2 过平衡状态校正

图3

	Figure Option ViewDownloadNew Window
	图3 欠平衡状态校正

由图2、图3可知, 录井数据在过平衡状态和欠平衡状态下, 校正前的气测曲线数值均偏离初始值, 经过本文方法对这些异常数据进行校正后, 在红色标记框内的气测曲线数值均接近于初始值。这一结果表明, 该方法具有录井数据平衡校正能力, 能够显著提高数据的准确性和可靠性, 为后续的天然气储层岩性识别提供了准确可靠的录井数据支持。

以录井数据中的钻时数据作为实验对象, 使用RBF神经网络方法对其进行经验模态分解处理, 获取其高频分量, 结果如图4、图5所示。

图4

	Figure Option ViewDownloadNew Window
	图4 原始钻时结果

图5

	Figure Option ViewDownloadNew Window
	图5 钻时高频分量结果

综合分析可知, 运用RBF神经网络方法可有效对测录井数据进行经验模态分解, 从原始的钻时曲线内获得高频分量, 为后续计算天然气储层岩性空间状态特征谱熵打下良好基础。

在X盆地某区域的天然气储层研究中, 选择关键的测录井数据进行EMD处理, 以应用于岩性识别。将电阻率、声波速度、自然电位等测井数据, 以及钻井液密度、钻井液含气量等录井数据作为输入, 通过EMD方法, 将这些能够反映地层的测录井数据分解成若干个IMF, 每个IMF代表了数据在不同频率段上的特征。计算这些IMF的谱熵, 反映数据的复杂性和不确定性, 以量化不同天然气储层岩性空间状态的特征。将计算得到的谱熵以二维投影图的方式呈现出来, 以便直观地观察和分析不同天然气储层岩性的空间分布特征, 如图6所示。RBF神经网络方法能够精准计算天然气储层岩性的空间状态特征谱熵, 通过二维投影, 直观展现不同岩性空间状态特征谱熵的分布, 为天然气储层岩性识别提供强有力的特征分析依据。这一成果不仅增强了数据解析能力, 还提升了岩性识别的效率和准确性。

图6

	Figure Option ViewDownloadNew Window
	图6 天然气储层岩性空间状态特征谱熵

将天然气储层岩性空间状态特征谱熵输入到RBF神经网络模型内, 通过模型迭代输出天然气储层岩性结果, 以X盆地某区域作为实验对象, 使用本文方法识别该区域天然气储层岩性, 识别结果如表1所示。经过对表1深入分析可以清晰地看到, 在识别天然气储层不同埋藏深度的岩石岩性方面, RBF神经网络方法不仅精确度高, 而且操作性强, 为天然气开采实施提供了有力的技术支持。在实际应用中, 用户可以根据岩石的不同岩性选择合适的开采方式, 从而提高开采效率和安全性。

表1

表1

表1 天然气储层岩性识别结果 埋藏深度/m 岩性类型 582 粉砂岩 814 泥质砂岩 1 102 长石砂岩 1 324 碳质页岩 1 519 碳酸盐岩 1 803 泥晶灰岩 2 117 灰质白云岩 2 513 沥青质页岩

表1 天然气储层岩性识别结果

为进一步验证RBF神经网络方法识别天然气储层岩性的能力, 给出5种不同岩性类型天然气储层的测录井数据共600个, 使用RBF神经网络方法识别这600个测录井数据中不同的岩性类型, 识别结果如表2所示。

表2

表2

表2 天然气储层岩性识别数量 岩性类型 识别数量/个 识别错误数量/个 泥晶灰岩 309 2 长石砂岩 57 0 碳酸盐岩 113 1 泥质砂岩 24 0 沥青质页岩 97 0

表2 天然气储层岩性识别数量

分析表2可知, 在600个测录井数据中, RBF神经网络方法识别长石砂岩、泥质砂岩和沥青质页岩时, 其识别错误数量均为0, 识别泥晶灰岩和碳酸盐岩时的错误数量分别为2个和1个。从精度上来讲, RBF神经网络方法识别天然气储层岩性的精度高达0.995, 说明RBF神经网络方法具备精准的天然气储层岩性识别能力。