引用本文
黄开展, 陈沛, 刘薇, 钟鹏, 夏洋, 莫国炎. 南海乌石凹陷浅层气测组分倒序异常成因分析与流体智能识别模型构建[J]. 录井工程, 2026,37(1): 87-92.
HUANG Kaizhan, CHEN Pei, LIU Wei, ZHONG Peng, XIA Yang, MO Guoyan. Analysis of the abnormal causes for the reverse order of gas logging components and fluid intelligent identification model construction for shallow Wushi Sag, South China Sea[J]. Mud Logging Engineering, 2026,37(1): 87-92.
Doi:10.3969/j.issn.1672-9803.2026.01.012  
Permissions
Copyright©2026, 《录井工程》杂志社
《录井工程》杂志社 所有
南海乌石凹陷浅层气测组分倒序异常成因分析与流体智能识别模型构建
黄开展①, 陈沛②, 刘薇②, 钟鹏②, 夏洋①, 莫国炎①
①中海油能源发展股份有限公司工程技术湛江分公司
②中海石油（中国）有限公司湛江分公司

作者简介：黄开展 工程师,1994年生,2018年毕业于中国石油大学（华东）地质资源与地质工程专业,现在中海油能源发展股份有限公司工程技术湛江分公司从事现场地质作业及勘探开发工作。通信地址：524057 广东省湛江市坡头区南油一区档案楼。E-mail：1534873246@qq.com

收稿日期: 2026-01-15
摘要

针对南海西部乌石凹陷新近系浅层钻遇的“高重烃、低轻烃”气测组分倒序异常,及其引发的流体性质识别困难、储层评价精度低等问题,以乌石A油田为例,结合地质背景、气测数据特征明确该异常主要分布于斜坡带、反转构造带等部位,提出研究区“横向运移分馏+纵向重力分异”气测异常形成机理;在此基础上,构建了基于随机森林算法的储层流体智能识别模型,该模型以气测全烃及C1-C5等组分为特征,利用研究区40口井的历史数据进行训练与优化。实际应用表明,该模型在21口井气测组分倒序异常层段流体识别中整体符合率达80.1%。该研究结果为南海西部浅层低阻油藏及同类复杂油气藏的流体精准识别提供了新的理论依据与技术支撑,对提升油气勘探开发效率具有重要的指导意义。

关键词: 气测组分; 倒序异常; 流体智能识别; 次生油气藏; 机器学习; 乌石凹陷; 新近系浅层
中图分类号:TE132.1 文献标志码:A
Analysis of the abnormal causes for the reverse order of gas logging components and fluid intelligent identification model construction for shallow Wushi Sag, South China Sea
HUANG Kaizhan①, CHEN Pei②, LIU Wei②, ZHONG Peng②, XIA Yang②, MO Guoyan①
①Zhanjiang Branch, CNOOC Ener Tech-Drilling & Production Co., Zhanjiang, Guangdong 524057, China
②CNOOC China Limited Zhanjiang Company, Zhanjiang, Cuangdong 524057, China
Abstract

Regarding the reverse order anomaly of the "high heavy hydrocarbon, low light hydrocarbon" gas logging components encountered in Neogene shallow layers of Wushi Sag in the western South China Sea, and the problems it causes in fluid property identification and low reservoir evaluation accuracy, taking Wushi A oilfield as an example and combining with the geological background and the characteristics of the gas logging data, it is clear that the anomalies are mainly distributed in areas such as the slope belt and the inversional structure belt. The formation mechanism of gas logging anomalies in the study area is proposed as "lateral migration fractionation+vertical gravitational differentiation". On this basis, a reservoir fluid intelligent identification model based on random forest algorithm is constructed. The model is characterized by total hydrocarbon and C1-C5 components of gas logging, and is trained and optimized by using historical data of 40 wells in the study area. Practical applications have shown that the model achieves an overall coincidence rate of 80.1% in identifying fluids of abnormal intervals for gas logging components with reverse order in 21 wells. The study results provide new theoretical and technical basis support for the precise identification of fluids in shallow low-resistivity reservoirs and similar complex hydrocarbon reservoirs in the western South China Sea, and have important guiding significance for improving the efficiency of oil and gas exploration and development.

Keyword: gas logging component; reverse order anomaly; fluid intelligent identification; secondary hydrocarbon reservoir; machine learning; Wushi Sag; Neogene shallow layer
0 引言

气测录井通过现场连续检测与分析钻井液中的烃类气体含量, 实现对地层油气的实时监测, 是识别油气层的关键技术[1, 2]。其核心监测参数包括全烃及烃类气体组分（C1-C5）, 通常情况下, 油气层的气测组分数据遵循C1>C2>C3>C4>C5的递减规律。然而, 在南海西部乌石凹陷新近系浅层钻探中, 频繁钻遇气测组分倒序异常现象, 气测组分表现为C3>（C4、C5）>C2>C1的“高重烃、低轻烃”特征。这一异常使得基于传统组分模式的解释图板（如三角图板、皮克斯勒法等）完全失效, 并且随钻录测井解释和生产结果相矛盾, 导致流体性质判识困难, 严重影响了现场地质作业的实时决策与储层评价精度。

前人对南海西部气测组分倒序异常层段的组分特征进行过统计, 此现象主要分为两大类, 表现为“高C3, C4、C5次之, 低C1、C2”和“高C4、C5, 低C3、C2、C1”, 但是对气测组分倒序异常形成机理以及定量化、高精度流体识别尚未形成一套适用方法[3]。因此, 本文以乌石凹陷A油田为例, 结合地质分析与录测井资料, 厘清异常的空间分布规律, 并提出其成因机理, 创新性地引入机器学习算法, 充分利用研究区积累的大量录井、测井及生产测试数据, 构建以随机森林模型为核心的流体识别分类器。本研究将地质成因机理分析与大数据驱动的智能识别方法结合, 为浅层气测组分倒序异常的成因解释与流体识别提供了新思路。

1 研究背景
1.1 区域地质概况

乌石凹陷位于北部湾盆地南部坳陷中部, 北接企西隆起、纪家凹陷, 南临流沙凸起, 面积约为2 600 km²（图1）[4]。乌石凹陷构造演化主要经历古近纪裂陷期与新近纪坳陷期两个阶段, 在前古近系基底之上, 依次发育古近系断陷湖盆沉积与新近系浅海相沉积, 始新统流沙港组沉积期为湖盆发育的主要时期, 分别在流沙港组二段顶部与底部发育深湖相泥页岩及油页岩, 被认为是该区的主力烃源岩[5, 6]。

图1 北部湾盆地乌石凹陷构造位置图

乌石A油田位于乌石凹陷东部中央反转背斜构造带上的脊倾末端, 构造演化受到古近纪以来的伸展-反转活动控制[7]。该油田主要油气层位于下洋组、流沙港组一段, 其中, 下洋组含油储层段主要为滨海相临滨砂坝沉积, 可进一步分为两段：下洋组一段砂体厚度大、分选较好, 包括XⅠ、XⅡ两个油组, 属于低幅披覆构造底水油藏; 下洋组二段为前滨沉积, 泥质含量较高, 储层物性相对较差。乌石A油田下洋组开发主力目的层为下洋组一段XⅡ油组。

1.2 作业情况

乌石A油田是乌石凹陷首个投入开发的项目, 其主力层系下洋组普遍发育气测组分倒序异常[8]。以关键开发井WS-A-3 H井为例（图2）, 其水平段钻遇了气测组分正常段（解释为油层）与倒序异常段。倒序异常段气测呈典型的高重烃特征, 常规测井（如电阻率）与专项录井（热解、轻烃）均指示含水特征, 综合解释倾向于含油水层或油水同层。然而, 该井投产一年来持续稳产纯油（约200 m³ /d）, 未见水侵, 说明基于传统测录井手段的解释方法在倒序异常段已完全失效。

图2 WS-A-3 H井水平段钻遇情况

区块内多口井均钻遇类似倒序异常段, 其中, 下洋组XⅠ油组全层呈现倒序特征, 已被证实为含油水层; 而下洋组主力产层XⅡ油组则呈现由上部的正常气测序列向下部的倒序序列过渡的复杂特征。该异常导致了严重的流体识别困难与生产矛盾。由于缺乏有效的实时流体识别技术, 此类矛盾严重影响了开发决策的时效性与准确性。因此, 厘清异常成因并建立新的流体识别方法迫在眉睫。

2 成因机理

据统计, 南海西部油田气测组分倒序异常层段埋深较浅, 70%位于新近系地层, 如北部湾盆地角尾组、下洋组和文昌凹陷的珠江组一段, 同时, 这些浅层气测组分倒序异常层段往往伴随着低幅低阻油层的发育, 电阻率普遍偏低（2~3 Ω· m）, 与邻井油层电阻率（9 Ω· m）存在显著差异, 反映原油组分存在变化。

地层烃类气体组分含量主要受油气性质控制, 此外, 生物降解、构造破坏等地质作用, 以及钻井液等钻井工程因素也会对气测录井结果产生影响[8, 9, 10]。为厘清研究区气测组分倒序异常的主控因素, 对异常井的构造位置进行了统计分析。结果表明：出现该异常的井大多位于斜坡带、反转构造带和构造高部位, 这些区域普遍烃源供给充足、运移条件优越、油气运移活跃并处于油气运移主要指向位置; 另外有部分井位于断裂带以及盖层封堵性较差、存在油气二次运聚可能性的部位。在排除原生油气性质、钻井工程等因素影响后分析认为, 早期原生油藏受后期改造或破坏而引发二次运移聚集, 是导致部分层段出现高重烃气测组分异常现象的主要地质成因。李安琪[10]在涠西南南部斜坡带浅层发现“底钙层”和残余油气显示, 也证明此层位油藏晚期存在运移调整。

基于上述认识, 结合乌石A油田的地质分析、录测井联合解释, 并类比南海西部油田涠洲和文昌区块浅层低阻油藏成藏模式（文昌13区珠江组一段低阻油藏是其下覆高阻油藏的次生油藏, 油气沿T 50和T 41高孔渗的砂岩侧向运移至背斜圈闭形成高阻油藏后, 由于油源充足, 油气溢出再通过断层向上运移, 形成低阻油藏（图3）[11]）, 本文提出了乌石A油田下洋组“横向运移分馏+纵向重力分异”气测异常形成机理认识。其具体过程为：原生油藏中的油气沿高孔渗砂岩发生长距离侧向运移, 运移分馏作用导致轻烃散失、重烃滞留; 而重力分异作用则导致油气组分在纵向上分异, 从顶部到底部呈现C1、C2轻烃占比逐渐降低, C3、C4、C5等重烃占比逐渐升高的特征（图4）。

图3 文昌13区“晚期断裂调整、晚期聚集”油气成藏模式

图4 乌石A油田气测组分倒序异常层位气测组分纵向变化

3 储层流体智能识别技术

乌石A油田浅层下洋组XⅡ油组气测组分倒序异常特征随深度变化存在差异, 圈闭内各构造点气测异常顶深不统一, 表明不能简单地将气测组分倒序等同于含水储层特征。鉴于气测组分倒序异常层段成因复杂, 流体性质分布无明显规律, 为解决研究区异常段流体性质判识难题, 以多源历史数据为基础, 采用随机森林算法构建用于现场快速、定量判别流体性质的智能分类模型。整体研究技术路线如图5所示。

图5 研究技术路线

3.1 数据准备

本研究从数据湖中筛选出所有钻遇气测组分倒序异常层段的井及其对应数据, 获得岩性、气测、层位、地化等录井参数, 随钻、电缆测井及解释数据, 以及包括生产排液情况、PVT分析数据等生产动态数据。本文的主要工作包括：搜集研究区40口井的录井、测井及生产数据, 构建包含3万余条数据记录的专业数据集; 聚焦于气测异常的核心表征, 以全烃（Tg）、C₁-C5组分含量及层位等作为关键特征, 对该数据集进行清洗、筛选与特征优化; 最终, 基于上述处理后的高质量数据集, 采用随机森林算法进行模型训练, 从而构建出储层流体智能识别模型。

3.2 模型建立及操作

从上述数据准备包含的40口井3万余条记录的数据集中, 筛选出所有气测组分倒序异常段的高质量数据集, 共计100条, 用于模型训练, 其中含测压取样及地层测试的数据共 25条, 将这部分数据作为测试集, 剩下75条数据分别按60%、40%的数据量作为训练集和验证集。训练集用于模型学习, 测试集仅用于评估模型性能, 不参与训练过程。为提升模型稳健性, 研究将进行50次独立随机训练, 每次记录相应的随机种子, 选取其中预测精度较高的模型作为分类预测的最终模型。为简化建模目标, 将干层与油水同层合并划入水层范畴, 进而建立油层与水层的二分类识别模型。自变量涵盖全烃（Tg）、C₁-C5各烃组分（包括异构体）的相对百分占比（为方便计算, 将各烃组分进行归一化处理, 由含量转换为相对百分含量）及层位信息。

综合采用ROC曲线（受试者工作特征曲线）下的面积（AUC）、准确率（Accuracy）及F1分数作为模型性能的评价指标。最终模型在验证集上表现优异, AUC值达0.967, 准确率与F1分数分别为0.913和0.918, 显示出良好的判别能力与稳定性。

针对气测组分倒序异常段流体性质判别, 本文优选随机森林算法。一方面是基于前人研究[12]已证实该算法在处理类似气测数据上的有效性; 另一方面则源于其本身作为集成学习模型, 能够高效分析复杂关联的特征, 且对数据预处理要求不高[13, 14]。利用随机森林算法完成模型训练、参数优选, 并通过随机重采样与二次训练提升模型性能, 最终构建出适用于乌石凹陷地质条件的储层流体智能识别模型。该模型仅需要输入数据集内的全烃（Tg）、气测组分C1-C5相对百分含量及层位等特征参数, 即可实时调用内嵌的智能识别模型进行计算, 并输出流体性质的识别结论与相应的预测置信度, 为现场决策提供实时、量化的技术支持。

4 应用效果

本次利用40口井3万余条记录中筛选的异常段高质量数据构建的流体智能识别模型应用成效显著, 在南海西部21口井的气测组分倒序异常层段流体识别中, 将该模型计算的流体性质结果与电缆取样结果进行对比, 整体符合率达80.1%（表1）, 符合率较高, 可基本满足现场识别要求。后续改进将重点补充样本数据库, 持续优化模型性能, 以期实现更精细的流体性质识别。

表1 模型在南海西部21口井上的流体识别验证结果
5 结论

（1）南海西部油田气测组分倒序异常特征表现为“高C3, C4、C5次之, 低C1、C2”和“高C4、C5, 低C3、C2、C1”两种模式, C1组分含量随埋深变浅呈逐渐降低趋势, C4、C5组分含量则随埋深变浅呈逐渐升高趋势; 研究区气测组分倒序异常则表现为“C3>（C4、C5）>C2>C1”的特征, 该倒序特征可作为浅层低阻油藏的识别标志。

（2）研究区气测组分倒序异常层段多分布于斜坡带、反转构造带和构造高部位, 其形成机理主要为“横向运移分馏+纵向重力分异”。原生储层受地质条件影响发生二次运移, 油气沿高孔渗砂岩发生长距离侧向运移, 运移分馏作用导致轻烃散失, 重烃滞留; 重力分异作用则使油气组分在纵向上形成从浅部到深部C1、C2轻烃占比逐渐降低、C3-C5等重烃占比逐渐升高的特征。

（3）本文以研究区大量录井、测井及开发生产数据为基础, 构建了基于随机森林算法的储层流体智能识别模型。该模型在21口井的测试中整体符合率达80.1%, 有效解决了传统方法在此类难题中的失效问题, 后续将持续优化改进, 以期为研究区同类复杂油气藏开发提供支持。

编辑 卜丽媛

参考文献
[1] 李祖遥, 胡文亮, 夏瑜, 等. 利用气测录井资料识别油气层类型方法研究[J]. 海洋石油, 2015, 35(1): 78-85.
LI Zuyao, HU Wenliang, XIA Yu, et al. Studies about the method for identification of the oil and gas layer types with gas logging data[J]. Offshore Oil, 2015, 35(1): 78-85. [本文引用:1]
[2] 方锡贤, 程岩, 熊玉芹, 等. P 2井特殊烃组分气测异常显示层探讨[J]. 录井工程, 2006, 17(1): 43-46.
FANG Xixian, CHENG Yan, XIONG Yuqin, et al. Discussion on the layers with gas logging abnormal shows in special hydrocarbon components of well P 2[J]. Mud Logging Engineering, 2006, 17(1): 43-46. [本文引用:1]
[3] 胡益涛, 曾烃详, 陈沛, 等. 气测录井高重烃组分异常特征及流体性质快速识别方法[J]. 特种油气藏, 2025, 32(2): 51-58.
HU Yitao, ZENG Tingxiang, CHEN Pei, et al. Anomaly characterization of high heavy hydrocarbon fractions and rapid identification method of fluid properties in gas logging[J]. Special Oil & Gas Reservoirs, 2025, 32(2): 51-58. [本文引用:1]
[4] 尹嘉, 魏琳, 侯读杰, 等. 南海北部湾盆地乌石凹陷原油地球化学特征与油源对比[J]. 地球科学, 2023, 48(11): 4135-4152.
YIN Jia, WEI Lin, HOU Dujie, et al. Geochemical characteristics and oil-source correlation of crude oils in Wushi Sag, Beibuwan Basin, South China Sea[J]. Earth Science, 2023, 48(11): 4135-4152. [本文引用:1]
[5] 甘军, 杨希冰, 胡林, 等. 乌石凹陷烃源岩生烃特征及差异成藏模式[J]. 地质科技情报, 2019, 38(3): 174-179.
GAN Jun, YANG Xibing, HU Lin, et al. Hydrocarbon generation characteristics and hydrocarbon differential accumulation model in Wushi Sag[J]. Geological Science and Technology Information, 2019, 38(3): 174-179. [本文引用:1]
[6] 胡德胜, 满晓, 高铭恒, 等. 北部湾盆地乌石凹陷西洼烃源岩特征与勘探前景[J]. 中国海上油气, 2025, 37(1): 13-25.
HU Desheng, MAN Xiao, GAO Mingheng, et al. Source rock characteristics and exploration prospect in western sunsag of Wushi Sag in Beibu Gulf Basin[J]. China Offshore Oil and Gas, 2025, 37(1): 13-25. [本文引用:1]
[7] 王征, 佟殿君, 高铭恒, 等. 北部湾盆地乌石凹陷东洼伸展滑脱构造发育演化模式及其油气地质意义[J]. 地球科学, 2022, 47(7): 2509-2520.
WANG Zheng, TONG Dianjun, GAO Mingheng, et al. Development of extensional decollement faults and its petroleum implications in Wushi East Subsag, Beibuwan Basin[J]. Earth Science, 2022, 47(7): 2509-2520. [本文引用:1]
[8] 范彩伟, 周刚, 唐蓿, 等. 北部湾盆地乌石油田成藏条件及勘探开发关键技术[J]. 石油学报, 2025, 46(2): 466-482.
FAN Caiwei, ZHOU Gang, TANG Xu, et al. Accumulation conditions and key technologies for exploration and development of Wushi Oilfield in Beibuwan Basin[J]. Acta Petrolei Sinica, 2025, 46(2): 466-482. [本文引用:2]
[9] 师良, 范柏江, 李忠厚, 等. 鄂尔多斯盆地中部三叠系延长组7段烃组分的运移分异作用[J]. 石油与天然气地质, 2024, 45(1): 157-168.
SHI Liang, FAN Bojiang, LI Zhonghou, et al. Migration differentiation of hydrocarbon components in the 7th Member of the Triassic Yanchang Formation, central Ordos Basin[J]. Oil & Gas Geology, 2024, 45(1): 157-168. [本文引用:1]
[10] 李安琪, 叶绮, 胡德胜, 等. 涠西南凹陷南部斜坡次生油藏成藏模式及启示[J]. 西南石油大学学报(自然科学版), 2021, 43(2): 36-45.
LI Anqi, YE Qi, HU Desheng, et al. Accumulation model of the secondary oil reservoir in southern slope, Weixi′nan Sag and the implications for future exploration[J]. Journal of Southwest Petroleum University (Science & Technology Edition), 2021, 43(2): 36-45. [本文引用:2]
[11] 张迎朝, 朱伟林, 高阳东. 珠江口盆地琼海凸起断裂调整聚集成藏模式[J]. 西南石油大学学报(自然科学版), 2015, 37(5): 55-63.
ZHANG Yingzhao, ZHU Weilin, GAO Yangdong, et al. Late fault adjustment and late accumulation pool-forming model in Qionghai uplift, Pearl River Mouth Basin[J]. Journal of Southwest Petroleum University (Science & Technology Edition), 2015, 37(5): 55-63. [本文引用:1]
[12] 刘娟霞, 王昕, 吴昊晟, 等. 凝析气与轻质油的气测识别方法及应用[J]. 特种油气藏, 2017, 24(5): 48-53.
LIU Juanxia, WANG Xin, WU Haosheng, et al. Identification method for condensate gas and light oil by gas logging and its application[J]. Special Oil & Gas Reservoirs, 2017, 24(5): 48-53. [本文引用:1]
[13] 付君豪, 陈再贺, 付宪, 等. 利用随机森林算法预测束鹿凹陷束21井区馆陶组储层砂地比[J]. 大庆石油地质与开发, 2023, 42(6): 34-41.
FU Junhao, CHEN Zaihe, FU Xian, et al. Prediction of sand stone-strata thickness ratio of Guantao Formation reservoir in Shu 21 well area of Shulu Sag via rand om forest algorithm[J]. Petroleum Geology & Oilfield Development in Daqing, 2023, 42(6): 34-41. [本文引用:1]
[14] 姚登举, 杨静, 詹晓娟. 基于随机森林的特征选择算法[J]. 吉林大学学报(工学版), 2014, 44(1): 137-141.
YAO Dengju, YANG Jing, ZHAN Xiaojuan, et al. Feature selection algorithm based on rand om forest[J]. Journal of Jilin University (Engineering and Technology Edition), 2014, 44(1): 137-141. [本文引用:1]