劉 昕，張如玉，孫 琦，孫玉強(qiáng)，牛慶威，徐思遠(yuǎn)

（1.中國(guó)石油大學(xué)（華東）計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東 青島266580；2.中國(guó)石油大港油田分公司第一采油廠，天津 300280）

20 世紀(jì)90 年代以來(lái)，伴隨著已開(kāi)發(fā)油藏高含 水、高采出與高分散的顯著三高特性以及石油勘探開(kāi)發(fā)工作難度加大，研究的重點(diǎn)逐漸轉(zhuǎn)向低阻油層。低阻油層因其具有分布廣、儲(chǔ)量大、評(píng)價(jià)難、易遺漏等特點(diǎn)，一直倍受關(guān)注，成為老井復(fù)查、油田二次開(kāi)發(fā)、成熟油田精細(xì)勘探階段的主要研究?jī)?nèi)容和提高經(jīng)濟(jì)儲(chǔ)量的重要對(duì)象，在石油開(kāi)發(fā)生產(chǎn)中具有重要意義［1］。低阻油層由于受多種復(fù)雜因素影響，其電阻率明顯低于常規(guī)油層，并且測(cè)井響應(yīng)特征不明顯，使得測(cè)井信息對(duì)該類(lèi)儲(chǔ)層識(shí)別的能力降低，往往被解釋為水層甚至被漏掉［2］。

根據(jù)區(qū)塊地質(zhì)特征與測(cè)井資料研究，定義低阻油層，形成基于低阻油層成因機(jī)理研究的低阻油層識(shí)別方法［3-6］，目前傳統(tǒng)方法是根據(jù)勘探測(cè)量得到的測(cè)井資料（如淺、中、深電阻率及自然電位等不同物理參數(shù)），運(yùn)用含油飽和度法、雙孔隙度法、雙電阻率法、交會(huì)圖版法、重疊法、核磁測(cè)井等技術(shù)實(shí)現(xiàn)低阻油層識(shí)別［7-14］，但低阻油層成因機(jī)理復(fù)雜，傳統(tǒng)識(shí)別方法大多基于專(zhuān)家經(jīng)驗(yàn)法、油藏工程法以及基本統(tǒng)計(jì)分析實(shí)現(xiàn)低阻油層識(shí)別，導(dǎo)致低阻油層挖潛準(zhǔn)確率并不高。

應(yīng)用大數(shù)據(jù)挖掘技術(shù)提高低阻油層識(shí)別準(zhǔn)確率，相關(guān)學(xué)者進(jìn)行了多項(xiàng)研究，包括分類(lèi)歸納算法中的支持向量機(jī)分類(lèi)模型與決策樹(shù)等模型的應(yīng)用［15-18］，但監(jiān)督分類(lèi)方法往往需要大量帶有標(biāo)簽的低阻層數(shù)據(jù)，而有標(biāo)簽低阻層數(shù)據(jù)的獲取需要消耗大量人力、物力和財(cái)力，且標(biāo)簽小層因不同解釋時(shí)間、不同井況信息存在一定解釋誤差，分類(lèi)識(shí)別效果不佳。另有相關(guān)學(xué)者使用神經(jīng)網(wǎng)絡(luò)識(shí)別低阻油層［19-20］，將小層數(shù)據(jù)放入大量神經(jīng)元連接而成的網(wǎng)絡(luò)中，使其自動(dòng)提取特征、調(diào)整參數(shù)，建立分類(lèi)模型實(shí)現(xiàn)低阻油層識(shí)別，但神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)選擇不一，結(jié)構(gòu)過(guò)大易過(guò)擬合、過(guò)小導(dǎo)致模型不收斂，且泛化能力較弱、樣本集依賴(lài)性強(qiáng)、可解釋性差。為此，筆者提出以小層數(shù)據(jù)為切入點(diǎn)，融合測(cè)井與研究成果資料篩選并核實(shí)低阻層，基于已核實(shí)低阻層數(shù)據(jù)，應(yīng)用并行關(guān)聯(lián)規(guī)則深度挖潛影響小層的含油性參數(shù)關(guān)聯(lián)關(guān)系，分析已核實(shí)低阻油層數(shù)據(jù)特征，通過(guò)自動(dòng)小層聚類(lèi)和包含典型低阻油層的相似度計(jì)算，實(shí)現(xiàn)低阻油層識(shí)別，通過(guò)數(shù)據(jù)智能算法降低開(kāi)發(fā)成本，提高識(shí)別準(zhǔn)確率。

1 相關(guān)概念

1.1 關(guān)聯(lián)分析

支持度 支持度（sup(a?b)）是指小層數(shù)據(jù)中出現(xiàn){a,b}的數(shù)據(jù)記錄占所有數(shù)據(jù)記錄的百分比，支持度計(jì)算式為：

置信度 置信度（conf(a?b)）是指小層數(shù)據(jù)中出現(xiàn){a,b}的數(shù)據(jù)記錄與出現(xiàn){a}的數(shù)據(jù)記錄之比，置信度計(jì)算式為：

關(guān)鍵參數(shù)集 由k個(gè)滿(mǎn)足支持度閾值的關(guān)鍵參數(shù)組成的集合為k項(xiàng)頻繁關(guān)鍵參數(shù)集，k項(xiàng)頻繁關(guān)鍵參數(shù)集為：

1.2 t-SNE降維

t-分布隨機(jī)鄰域嵌入（t-SNE）［21］應(yīng)用距離計(jì)算結(jié)果表征原始小層數(shù)據(jù)的相似關(guān)系特征，再將此相似關(guān)系轉(zhuǎn)化成概率分布形式，作為低維空間轉(zhuǎn)換的輸入，得到P(mj|mi)，其表達(dá)式為：

計(jì)算小層數(shù)據(jù)樣本概率分布獲得原始樣本數(shù)據(jù)在低維數(shù)據(jù)空間中的輸出表現(xiàn)形式，即Q(nj|ni)，其表達(dá)式為：

t-SNE 算法的優(yōu)化目標(biāo)是保證P概率分布與Q概率分布之差等于0，即使得高維概率分布表示與低維空間概率分布表示間的Kullback-Leibler（KL）散度最小，KL［22］計(jì)算式為：

1.3 聚類(lèi)分析

將物理或抽象對(duì)象集合分成相似對(duì)象類(lèi)的過(guò)程稱(chēng)為聚類(lèi)，在無(wú)監(jiān)督情況下根據(jù)對(duì)象間相似程度自動(dòng)地將其分割為一組有意義類(lèi)的處理過(guò)程［23］。聚類(lèi)分析三要素為相似性測(cè)度、聚類(lèi)準(zhǔn)則和聚類(lèi)算法。按照不同試油結(jié)論進(jìn)行聚類(lèi)，可以間接獲取不同參數(shù)組合對(duì)目標(biāo)儲(chǔ)層的敏感性。

采用基于局部密度的快速聚類(lèi)算法［24］進(jìn)行分析，選擇的聚類(lèi)中心應(yīng)同時(shí)具有以下2個(gè)特性：本身局部密度大、與其他局部密度大的數(shù)據(jù)點(diǎn)間的相對(duì)距離更大。通過(guò)計(jì)算數(shù)據(jù)點(diǎn)的局部密度與相對(duì)距離，自動(dòng)尋找聚類(lèi)中心點(diǎn)，避免人為初始設(shè)置聚類(lèi)中心步驟。

1.3.1 局部密度

局部密度是以i為中心點(diǎn)，計(jì)算與點(diǎn)i距離小于dc的點(diǎn)的個(gè)數(shù)，局部密度越大說(shuō)明該節(jié)點(diǎn)數(shù)據(jù)分布越密集，反之越稀疏，局部密度的表達(dá)式為：

1.3.2 相對(duì)距離

相對(duì)距離是點(diǎn)i到其他較高密度點(diǎn)之間的最小距離，其表達(dá)式為：

局部密度大、相對(duì)距離小的節(jié)點(diǎn)具有聚類(lèi)中心的特征，而局部密度小且相對(duì)距離大的節(jié)點(diǎn)則具有孤立點(diǎn)的特征。計(jì)算其他數(shù)據(jù)節(jié)點(diǎn)與聚類(lèi)中心的距離，將與其距離最近且局部密度更大的節(jié)點(diǎn)聚為一類(lèi)。

1.4 相似度計(jì)算

通過(guò)計(jì)算小層特征之間距離進(jìn)行相似度評(píng)定，分別定義2個(gè)小層（已核實(shí)低阻油層與低阻層）X,Y，X={x1,x2,...,x5},Y={y1,y2,...,y5}，包含五維特征（含油飽和度、泥質(zhì)含量、孔隙度、滲透率、砂層厚度）?；谟嘞蚁嗨贫壤碚撚?jì)算小層相似性，余弦相似度取值為-1~1，其值越趨于1，表示兩向量相似度越高，其值越趨于-1，表示兩向量變化方向完全相反，相似度越低。余弦相似度表達(dá)式為：

2 大數(shù)據(jù)驅(qū)動(dòng)的低阻油層精準(zhǔn)識(shí)別

2.1 識(shí)別流程

基于大數(shù)據(jù)驅(qū)動(dòng)的低阻油層精準(zhǔn)識(shí)別整體框架流程如圖1所示。

圖1 低阻油層精準(zhǔn)識(shí)別整體框架流程Fig.1 Flowchart of identification of low-resistance oil layers

2.2 低阻層數(shù)據(jù)融合

在完成數(shù)據(jù)異常值處理、缺失值處理以及層位修正等基礎(chǔ)上，將井號(hào)為同一名稱(chēng)且深度在低阻層井段埋深之間的測(cè)井?dāng)?shù)據(jù)與低阻層數(shù)據(jù)進(jìn)行融合，形成以深度為主鍵的小層測(cè)井?dāng)?shù)據(jù)（表1）。

表1 部分小層測(cè)井?dāng)?shù)據(jù)Table1 Part of sub-layer logging data

綜合研究成果資料與油田專(zhuān)家經(jīng)驗(yàn)篩選的低阻層數(shù)據(jù)并進(jìn)行油、水層標(biāo)記。低阻層定義為2.5 m電阻率為2~5 Ω·m 的小層。共篩選出3 866 個(gè)低阻層，其中已核實(shí)低阻層（標(biāo)記油、水層標(biāo)簽）共160個(gè)，未標(biāo)記低阻層共3 706個(gè)。

2.3 參數(shù)關(guān)聯(lián)性分析

選取已核實(shí)低阻層的孔隙度、滲透率、含油飽和度、泥質(zhì)含量、砂層厚度以及油、水層標(biāo)簽等小層參數(shù)進(jìn)行關(guān)聯(lián)分析。因選取數(shù)據(jù)為連續(xù)性參數(shù)，需對(duì)其分區(qū)間離散化處理，結(jié)合專(zhuān)家經(jīng)驗(yàn)與參數(shù)實(shí)際分布對(duì)小層進(jìn)行分區(qū)間處理；基于（1）式計(jì)算小層參數(shù)支持度，設(shè)置支持度閾值，選取大于等于支持度閾值參數(shù)構(gòu)成1 項(xiàng)頻繁關(guān)鍵參數(shù)集；組合1 項(xiàng)頻繁關(guān)鍵參數(shù)集通過(guò)支持度閾值篩選獲取2項(xiàng)頻繁關(guān)鍵參數(shù)集，直到獲取k項(xiàng)頻繁關(guān)鍵參數(shù)集；基于（2）式計(jì)算所有k項(xiàng)頻繁關(guān)鍵參數(shù)集生成的關(guān)聯(lián)規(guī)則置信度，設(shè)置置信度閾值，輸出大于等于置信度閾值的關(guān)鍵參數(shù)組合規(guī)則，深度挖掘各小層參數(shù)與含油性間潛在關(guān)聯(lián)關(guān)系及參數(shù)分布區(qū)間。

2.4 小層數(shù)據(jù)分析

2.4.1 小層快速聚類(lèi)分析

選取同區(qū)塊下低阻層數(shù)據(jù)（已核實(shí)低阻層與預(yù)測(cè)層）中孔隙度、滲透率、含油飽和度、泥質(zhì)含量、砂層厚度等5 列小層數(shù)據(jù)應(yīng)用t-SNE 將小層數(shù)據(jù)融合降到二維輸入到快速聚類(lèi)模型中，用低維數(shù)據(jù)融合表征原始特征，提高計(jì)算效率；計(jì)算小層數(shù)據(jù)局部密度與相對(duì)距離，選取局部密度大且相對(duì)距離遠(yuǎn)的小層為聚類(lèi)中心，計(jì)算聚類(lèi)中心與其他低阻層相對(duì)距離與局部密度進(jìn)行分類(lèi)。

2.4.2 小層相似度計(jì)算

分析已核實(shí)低阻層特征，選取包含已核實(shí)低阻層類(lèi)內(nèi)的低阻層數(shù)據(jù)進(jìn)行相似度計(jì)算。選取孔隙度、滲透率、泥質(zhì)含量、含油飽和度及砂層厚度等5列參數(shù)作為特征輸入，以已核實(shí)低阻層數(shù)據(jù)為標(biāo)簽數(shù)據(jù)，分別計(jì)算其他低阻層與已核實(shí)低阻層間余弦相似度，選取相似度最大的低阻層為潛力油層并進(jìn)行標(biāo)記，直到所有已核實(shí)低阻層數(shù)據(jù)計(jì)算完畢結(jié)束。

3 應(yīng)用實(shí)例

東部地區(qū)某油田受斷層和巖石性質(zhì)雙重控制，構(gòu)造形態(tài)被多條斷層切割，屬于復(fù)雜斷塊構(gòu)造油氣藏。沉積類(lèi)型多以曲流河、辮狀河為主。儲(chǔ)層以中-細(xì)砂巖為主，膠結(jié)類(lèi)型為孔隙式和接觸式，膠結(jié)成份以泥質(zhì)為主，屬高孔隙度、高滲透率的疏松砂巖儲(chǔ)層。針對(duì)東部地區(qū)某油田641 口井小層數(shù)據(jù)，應(yīng)用筆者提出的大數(shù)據(jù)驅(qū)動(dòng)的低阻油層精準(zhǔn)識(shí)別方法進(jìn)行油層挖潛。基于并行關(guān)聯(lián)規(guī)則算法對(duì)已核實(shí)低阻層的含油性進(jìn)行分析；利用聚類(lèi)分析算法對(duì)低阻層數(shù)據(jù)分類(lèi)，對(duì)包含已核實(shí)油層類(lèi)小層進(jìn)行相似度計(jì)算，自動(dòng)識(shí)別與已核實(shí)低阻油層相似小層。

3.1 參數(shù)關(guān)聯(lián)性分析

選取油田160 個(gè)已核實(shí)低阻層數(shù)據(jù)中的孔隙度、泥質(zhì)含量、滲透率、含油飽和度、砂層厚度等小層參數(shù)進(jìn)行數(shù)值分布統(tǒng)計(jì)，參數(shù)數(shù)值分布情況如圖2所示。

圖2 小層參數(shù)分布情況Fig.2 Distribution of sub-layer parameters

由圖2 可知，橫坐標(biāo)表示160 個(gè)小層的層號(hào)，縱坐標(biāo)分別表示孔隙度（圖2a）、泥質(zhì)含量（圖2b）、滲透率（圖2c）以及砂層厚度（圖2d）的數(shù)值大小。依據(jù)油田專(zhuān)家經(jīng)驗(yàn)與參數(shù)實(shí)際分布情況（表2）將孔隙度、泥質(zhì)含量、滲透率、砂層厚度和含油飽和度進(jìn)行劃分。將劃分好的參數(shù)區(qū)間輸入到并行關(guān)聯(lián)規(guī)則模型中進(jìn)行分析，設(shè)置支持度閾值參數(shù)為8%，置信度閾值參數(shù)為10%，關(guān)聯(lián)分析結(jié)果如表2所示。

表2 參數(shù)關(guān)聯(lián)分析結(jié)果Table2 Results of parameter association analysis

分析已核實(shí)低阻小層數(shù)據(jù)關(guān)聯(lián)關(guān)系可知，當(dāng)小層的含油飽和度大于20%、孔隙度大于30%、滲透率大于800 mD、泥質(zhì)含量為0~10%、砂層厚度為1.5~2.5 m 時(shí)，該層為油層的可能性較大；當(dāng)含油飽和度為0~10%、孔隙度為20%~30%、泥質(zhì)含量為10%~20%、滲透率為300~800 mD 時(shí)，該層為水層的可能性較大，同時(shí)基于上述模型分析結(jié)果也驗(yàn)證了含油飽和度、孔隙度、滲透率、泥質(zhì)含量等小層解釋參數(shù)對(duì)含油性具有重要影響作用。

3.2 小層數(shù)據(jù)分析

選取東部地區(qū)某油田小層的泥質(zhì)含量、孔隙度、滲透率、含油飽和度、砂層厚度等5 項(xiàng)參數(shù)共3 866 個(gè)小層數(shù)據(jù)應(yīng)用t-SNE 將小層數(shù)據(jù)融合降到二維；計(jì)算各小層的局部密度與相對(duì)距離，將具有不同參數(shù)特征的小層數(shù)據(jù)聚類(lèi)分析劃分為10類(lèi)，設(shè)置相對(duì)距離參數(shù)值為6.8，局部密度參數(shù)值為3，聚類(lèi)分析結(jié)果如圖3所示。

圖3 小層聚類(lèi)分析結(jié)果Fig.3 Results of sub-layer clustering analysis

將泥質(zhì)含量、孔隙度、滲透率、含油飽和度和砂層厚度降為二維后，用參數(shù)1 和參數(shù)2 分別表示小層不同維度，不同顏色代表不同類(lèi)別，分析已核實(shí)低阻油層數(shù)據(jù)特征，以第6 類(lèi)小層數(shù)據(jù)分析為例進(jìn)行已核實(shí)油層相似度計(jì)算，選取低阻小層泥質(zhì)含量、孔隙度、滲透率、含油飽和度以及砂層厚度作為X和Y的輸入特征，應(yīng)用（9）式計(jì)算該類(lèi)小層內(nèi)已核實(shí)低阻油層與其他低阻小層的余弦相似度。在第6類(lèi)小層數(shù)據(jù)中將9個(gè)已核實(shí)低阻油層數(shù)據(jù)分別與67個(gè)低阻小層數(shù)據(jù)進(jìn)行相似度計(jì)算，選取與已核實(shí)低阻油層數(shù)據(jù)相似度最大的小層作為最終的低阻潛力預(yù)測(cè)油層。應(yīng)用大數(shù)據(jù)驅(qū)動(dòng)的低阻油層精準(zhǔn)識(shí)別方法識(shí)別的低阻油層結(jié)果如表3所示。

表3 應(yīng)用本文模型識(shí)別的低阻油層結(jié)果Table3 Low-resistance oil layers identified by model

3.3 應(yīng)用效果分析

由表3 可見(jiàn)，基于大數(shù)據(jù)驅(qū)動(dòng)的低阻油層精準(zhǔn)識(shí)別方法共識(shí)別出9 個(gè)低阻油層，結(jié)合油田現(xiàn)場(chǎng)補(bǔ)開(kāi)生產(chǎn)情況進(jìn)行分析驗(yàn)證，其中8 個(gè)小層補(bǔ)開(kāi)出油且年累積增油量均在400 t 以上，識(shí)別準(zhǔn)確率達(dá)90%。其中B6 井埋深1 826.2~1 827.6 m 井段增油效果最佳，該層錄井曲線顯示測(cè)井解釋為油水同層，錄井解釋為差油層，有熒光顯示；補(bǔ)開(kāi)后初期日產(chǎn)液量為36 m3/d，日產(chǎn)油量為11.58 t/d，含水率為68%，穩(wěn)定生產(chǎn)516 d，年累積增油量為2 000 t。

4 結(jié)論

基于小層數(shù)據(jù)、研究成果資料以及測(cè)井?dāng)?shù)據(jù)分析提出了一種大數(shù)據(jù)驅(qū)動(dòng)的低阻油層精準(zhǔn)識(shí)別方法。該方法首先基于并行關(guān)聯(lián)規(guī)則挖掘各小層參數(shù)與含油性之間潛在關(guān)聯(lián)關(guān)系，描述小層各參數(shù)指標(biāo)同時(shí)出現(xiàn)的規(guī)律和模式；隨后建立了小層數(shù)據(jù)聚類(lèi)模型，自動(dòng)將具有相似油層、低阻層特征的小層識(shí)別為一類(lèi)，克服了解釋數(shù)據(jù)中各小層的解釋結(jié)論描述不準(zhǔn)確問(wèn)題；在同類(lèi)數(shù)據(jù)中建立了小層相似度計(jì)算模型，深度挖潛與已核實(shí)低阻油層相似小層，更好地提高采收率。

通過(guò)大數(shù)據(jù)驅(qū)動(dòng)的低阻油層精準(zhǔn)識(shí)別方法深度挖掘出各小層參數(shù)之間潛在關(guān)系，智能化識(shí)別低阻油層與油田實(shí)際生產(chǎn)進(jìn)行對(duì)比評(píng)測(cè)發(fā)現(xiàn)，基于大數(shù)據(jù)驅(qū)動(dòng)的低阻油層精準(zhǔn)識(shí)別方法可以高效準(zhǔn)確地識(shí)別出潛在的低阻油層，識(shí)別準(zhǔn)確率達(dá)90%。應(yīng)用該方法對(duì)東部地區(qū)某油田641口井的小層數(shù)據(jù)進(jìn)行低阻油層智能識(shí)別，優(yōu)選潛力層，通過(guò)油田現(xiàn)場(chǎng)實(shí)施驗(yàn)證，獲得了良好增油效果。該方法降低了對(duì)專(zhuān)家經(jīng)驗(yàn)的依賴(lài)性，減少了主觀性影響，節(jié)省了大量人力，且提高了油田采收率。

符號(hào)解釋

a,b——小層的解釋參數(shù)集合；

dc——超參數(shù)截?cái)嗑嚯x；

dij——點(diǎn)i與點(diǎn)j的距離；

dist(mi,mj)——高維空間中mi與mj兩點(diǎn)之間的距離；

dist(mi,ml)——高維空間中mi與ml兩點(diǎn)之間的距離；

dist(ni,nj)——低維空間中ni與nj兩點(diǎn)之間的距離；

dist(ni,nl)——低維空間中ni與nl兩點(diǎn)之間的距離；

i——第i個(gè)小層數(shù)據(jù)；

j——第j個(gè)小層數(shù)據(jù)，j≠i；

k——頻繁關(guān)鍵參數(shù)集中包含的頻繁關(guān)鍵參數(shù)數(shù)量，個(gè)；

I——低阻小層數(shù)據(jù)集；

KLvalue——數(shù)據(jù)集中所有數(shù)據(jù)點(diǎn)在高維空間的概率分布表示與低維空間的概率分布表示之間的KL散度；

Lk——k項(xiàng)頻繁關(guān)鍵參數(shù)集；

mi,mj——高維數(shù)據(jù)點(diǎn)坐標(biāo)；

ni,nj——低維數(shù)據(jù)點(diǎn)坐標(biāo)；

num(a)——關(guān)鍵參數(shù)集{a}在數(shù)據(jù)集中出現(xiàn)的次數(shù)；

num(a∪b)——關(guān)鍵參數(shù)集{a,b}在數(shù)據(jù)集中出現(xiàn)的次數(shù)；

num(I)——低阻小層數(shù)據(jù)集中數(shù)據(jù)記錄的總條數(shù)；

P(mj|mi)——高維數(shù)據(jù)空間中選擇數(shù)據(jù)點(diǎn)mj作為數(shù)據(jù)點(diǎn)mi近鄰點(diǎn)的條件概率；

Q(nj|ni)——低維數(shù)據(jù)空間中選擇數(shù)據(jù)點(diǎn)nj作為數(shù)據(jù)點(diǎn)

ni近鄰點(diǎn)的條件概率；

x1,2,3,4,5,y1,2,3,4,5——小層的X，Y特征分量；

wi——第i個(gè)支持度滿(mǎn)足支持度閾值的頻繁關(guān)鍵參數(shù)；

ρi——點(diǎn)i處的局部密度；

ρj——點(diǎn)j處的局部密度；

δi——點(diǎn)i到其他較高密度點(diǎn)之間的最小距離；

χ——分段函數(shù)。