基于模式识别融合的低阻油层识别_孙玉强.pdf

2023 年第 3 期计算机与数字工程收稿日期：2022年8月13日，修回日期：2022年9月25日作者简介：孙玉强，男，硕士，研究方向：数据挖掘、人工智能及其应用等。1引言自20世纪50年代起至今，石油这一重要的国民经济命脉依旧占据着能源行业的主体地位，故识别储集油层特征、提高储集油层的采收率具有重要的研究意义。但伴随着高含水、高采出与高度分散总第 401期2023 年第 3期计算机与数字工程Computer&Digital EngineeringVol.51No.3基于模式识别融合的低阻油层识别孙玉强（中国石油大学（华东）计算机科学与技术学院青岛266580）摘要在油田开发生产过程中会产生大量测井、录井以及解释生产数据，且产生的海量数据因时间、地点以及记录方式的不同，其数据表现形式也千差万别。测井数据作为石油勘探开发研究的基石，在油藏识别预测方面发挥着重要作用。由于测井数据受沉积微相、构造、钻井以及上下层等诸多因素作用，其特征表示较为复杂，且不同厚度小层其产生的测井数据样本点也不同，因此如何准确表征测井数据特征并与小层数据融合、实现低阻油层精准识别是一项值得研究的内容。该文结合费雷歇相似性度量方法对小层各测井曲线数据进行特征识别与描述，基于随机森林与XGBoost集成学习方法，以模式识别特征与录井、解释特征为输入，构建低阻油层识别模型，精准识别低阻油层。应用该方法，对港*油田真实数据进行了实例分析，结果表明，基于模式识别融合的低阻油层识别方法能够实现低阻油层的挖潜，识别精准率高达90%，节省人工分析带来的高成本，降低了人工分析的主观性和片面性，该模型的提出是大数据挖掘技术在低阻油层识别的实际应用。关键词模式识别；费雷歇距离；随机森林；XGBoost；低阻油层识别中图分类号TE19DOI：10.3969/j.issn.1672-9722.2023.03.020Low-resistance Oil Layer Recognition Based onPattern Recognition FusionSUN Yuqiang（College of Computer Science and Technology，China University of Petroleum（East China），Qingdao266580）AbstractIn the process of oilfield development and production，a large number of logging，logging and interpretation production data will be generated.Due to the different time，place and recording method，the data forms are also different.As the cornerstone of petroleum exploration and development，logging data plays an important role in reservoir identification and prediction.Dueto the influence of sedimentary microfacies，structure，drilling，upper and lower layers and many other factors，the characteristicsof logging data are more complex，and the sample points of logging data produced by different thickness layers are also different.Therefore，how to accurately characterize the characteristics of logging data and integrate with small layer data to realize the accurate identification of low resistivity reservoirs is a content worthy of study.In this paper，combining with the Fisher similarity measurement method to identify and describe the characteristics of each logging curve data in the small layer，with the pattern of recognition features and the pattern of Logging data as modle input，an integrated learning model based on E-Learning of the Random forestand the XGBoost is built to achieve accurate identification of low resistivity reservoir.Using the method in this article，a case analysis on the real data of the Gang*Oilfield is conducted.The results show that the low-resistance oil layer identification method basedon pattern recognition fusion can realize the potential of low-resistance oil layer，the recognition accuracy rate is as high as 90%，the high cost caused by manual analysis is saved，and the subjectivity and one-sidedness of manual analysis are greatly reduced.The proposed model is the practical application of big data mining technology in the identification of low-resistance oil layers.Key Wordspattern recognition，Frechet distance，random forest，XGBoost，low-resistance oil layerClass NumberTE19645第 51 卷的三高特征以及石油勘探工作的难度加大，人们逐渐将研究的重点转向低阻油层1。低阻油层由于受多种复杂因素的影响，其电阻率明显低于常规油层，并且测井响应特征不明显，使得测井信息对该类储层识别的能力降低，往往被解释为水层甚至被漏掉23。其中从测井曲线中提取地层的储层特性已成为测井分析专家面对的重要课题，也是提高油田采收率的关键技术之一46。传统识别方法主要是通过人工分析建立储层参数识别模型78、运用含油饱和度法、交会图等分析法实现低阻油层识别911，但低阻油层成因机理复杂多样，传统识别方法挖潜效率低，并附有主观性。针对上述存在问题，本文提出基于模式识别方法融合测井、录井与生产数据，更加完备的描述小层信息，分析典型低阻层特征，通过随机森林12与XGBoost13集成方法构建低阻油层识别模型，自动识别低阻油层，通过数据智能算法降低开发成本，提高识别准确率。2基于模式识别融合的低阻油层识别2.1整体框架以测井数据为基准，融合录井与生产监测数据，基于随机森林与XGBoost方法构建低阻油层识别模型。包括数据预处理、相似度计算、多源数据融合、低阻油层识别模块。如图1所示。图1整体框架2.2基于模式识别融合小层测井曲线数据来自于地层测井传感器，以0.125m深度为一个周期进行采样，但各小层厚度大小不一，所获取的采样点个数不同，为解决上述存在问题，采用费雷歇距离（Frchet distance）计算衡量各小层测井曲线之间的相似程度14。设A，B表示任意两个小层测井曲线数据，则费雷歇相似度计算公式如下所示：F()A,B=infmax,t0,1d(A()()t,B(t)上式中d表示欧几里得距离，,是单位区间内两个重参数化函数。设测井参数集U=RA25（2.5m电阻率）、RA45（0.45m电阻率）、RA4（4m电阻率）、AC（声波时差）、GR（自然伽马）、SP（自然电位）、CAL（井径），测井参数u的相似度记为u_similarity，uU，设二维矩阵dp存储小层各分量间距离，i，j表示小层A、B测井参数u的分量索引。小层相似度计算过程如下：1）初始化距离矩阵dp等于-1，若i，j等于0，则计算Au0与Bu0的欧几里得距离并写入矩阵dp 00 中；2）若 i 大于 0 且 j 等于 0，则递归计算 dp i-10，dp i 0 的欧几里得距离，并取集合中最大值写入dp i 0 中；3）同理j大于0且i等于0，dp 0 j 等于集合中最大值；4）若i大于0，j大于0，递归计算dp i-1 j、dpi-1 j-1、dp i j 的欧几里得距离，选取集合中最大值写入dp i j 中；5）返回dp i j 作为两小层测井曲线相似度数值，数值越小表征两小层测井曲线变化趋势越相似。分析典型低阻小层数据，应用费雷歇距离计算典型小层曲线相似度，计算典型层各测井参数相似度均值并设为相似阈值T。将各小层测井数据进行两两计算相似度后，将相似度数值大于T的小层标记为同一种曲线变化模式。2.3低阻油层识别模型以融合的小层测井曲线模式识别标签、录井和生产数据为属性分别构建随机森林与XGBoost作为低阻油层智能识别模型。随机森林作为bagging思想的典型，基于Booststraping有放回随机采样选取基本分类器（决策树1517）训练样本，基于投票机制实现低阻油层识别。基于boosting思想选取XGBoost分类模型，基于模型迭代过程更改目标函数损失值、减小误差。采用网格搜索、交叉验证方式确定最佳模型参数，保存识别精准率与召回率均为90%以上模型对目标小层预测，选取两模型预测结果交集（保证识别准确率与模型泛化能力）实现低阻油层识别。3实例分析针对港*油田641口井真实数据，应用本文提孙玉强：基于模式识别融合的低阻油层识别6462023 年第 3 期计算机与数字工程出的基于模式识别融合的低阻油层识别方法自动实现低阻油层挖潜。本实验环境为Pycharm，在配置为 Intel i7，3.7GHz处理器，16g内存的主机上运行，采用Oracle数据库存储数据。3.1基于模式识别融合选取港*油田641口井，12031个小层数据集的测井数据进行曲线模式识别，计算各小层测井参数费雷歇相似度数值并标记。结合图2进行实例分析。（a）1411小层（b）1924小层图2两小层测井数据曲线1）如图2所示，选取砂层顶深为1411小层与砂层顶深为1924小层进行实例分析，初始化欧几里得度量矩阵 dp 145 125 为-1，迭代计算两小层各测井参数曲线费雷歇相似度数值，相似度计算结果如表1所示。表1费雷歇相似度计算结果参数相似度RA250.83CAL0.8AC0.75GR0.86RA40.89SP0.9RA450.72）选取典型小层相似度计算阈值T为0.85，将上述费雷歇相似度计算结果进行模式匹配后，在描述砂层顶深为1411小层与砂层顶深为1924小层的分析数据中，可将两层中的SP小层测井数据曲线中名为“SP_0”的变化模式信息以小层为基准融合至对应的小层分析数据中，其它参数类似。基于模式识别的小层多源数据融合结果见表2。表2基于模式识别融合结果小层21371288167014111924解释干层干层干层干层干层产油1.517.93.941.281.63ACAC_1-AC_1AC_0GRGR_0GR_0GR_0GR_0GR_0RA4-RA4_1RA4_0RA4_1RA4_1SPSP_2SP_0SP_0SP_0SP_0注：表中-表示该小层缺失测井参数曲线数据。3.2低阻油层识别模型分析典型低阻小层特征，以基于模式识别融合的小层数据为输入，选取70%数据训练，20%数据测试，10%数据验证，基于网格搜索交叉验证选取模型最佳参数，构建随机森林、XGBoost等低阻油层识别模型，基于此模型对目标数据集进行低阻油层识别。X 12=-0.918gini=0.436samples=49value=25，53X 17=-0.207gini=0.198samples=4value=8，1TrueFalseX 4=0.835gini=0.371samples=45value=17，52gini=0.0samples=1value=0，1gini=0.0samples=3value=8，0gini=0.0samples=12value=0，23X 15=-0.93gini=0.466samples=33value=17，29X 21=1.119gini=0.414samples=30value=12，29gini=0.0samples=3value=5，0X 25-0.918 条件、X 4（GR 测井参数）0.835条件将23个油层识别出来，再通过判断条件特征X 15=-0.93（AC测井参数）将5个水层识别出来。构建的随机森林低阻油层识别模型在测试集 与 验 证 集 上 精 准 率 达 到 91%、召 回 率 达 到90.2%；XGBoost 低阻油层识别模型精准率达到91.7%，召回率达到90%。采用基于随机森林与 XGBoost集成学习方法的低阻油层识别模型对12031个目标小层进行识别，取两低阻油层识别模型结果交集作为最终预测结果。部分低阻油层识别结果交集如表3所示。表3低阻油层识别结果交集小层编号东*-*港*-*港*-*港*-*港*-*港*-*预测油层油层油层油层油层油层油层解释描述油层干层干层油层干层气层含油级别荧光荧光油迹油迹油迹荧光荧光颜色亮黄暗黄暗黄暗黄暗黄黄白测井解释油层干层干层、油层干层、含油层干层、含油层气层如表3所示给出了部分低阻油层识别结果交集，结合油田相关专家论证与实际开发环境等因素，选取深度在2000m以下小层进行补开验证，选取了港*-*-*井的 1569.21571.3小层、港*-*-*的1466.8-1468小层进行补开射孔采油，初期日产油11.2t，采油效果显著，专家验证结果如图4、图5所示。（a）港*-*-*标准曲线图（b）港*-*-*标准录井图图4港*-*-*砂层顶深1569低阻油层验证结果（a）港*-*-*标准曲线图（b）港*-*-*综合录井图图5港*-*-*砂层顶深1466.8低阻油层验证结果孙玉强：基于模式识别融合的低阻油层识别6482023 年第 3 期计算机与数字工程4结语本文通过费雷歇相似性度量方法实现对不同厚度小层的测井曲线变化模式识别，并标记测井曲线变化模式标签，结合模式识别结果与小层录井、解释生产数据进行多源融合，更加完备的描述小层特征；分析典型低阻层数据特征，通过随机森林与XGBoost等集成学习方法构建低阻油层识别模型，自动识别低阻油层，从大量的原始小层数据自动分析，代替人工解释，减少了根据经验判断的主观性，能够节约大量的人力成本。应用本文低阻油层识别模型对港*油田641口井的部分相关数据进行了分析，自动智能化识别预测出有利储层82个，经过油田相关专家深入论证，识别低阻油层准确率达90%，并且对其中具备现场实施条件的3个小层进行验证，验证识别准确率达100%，应用本文方法识别低阻油层节省了大量的人力，消除了一定的人为主观性，提高了识别效率。参 考 文 献1何贤英，许学龙，刘勇，等.准噶尔盆地东部阜东斜坡区头屯河组低电阻率油层特征及测井识别研究 J.新疆石油天然气，2019，15（02）：49-53.HE Xianying，XU Xuelong，LIU Yong，et al.Researchon low resistivity pay zone character and logging recognition method of toutunhe formation in east fukang slope ofthe junggar basin J.XinJiang Oil&Gas，2019，15（02）：49-53.2吴应忠，段毅，赵阳，等.陇东地区长_81低阻油层与高阻水层识别标准研究 J.特种油气藏，2017，24（01）：38-42.WU Yingzhong，DUAN Yi，ZHAO Yang，et al.Standardsfor discernment of low-resistivity oil zones and high-resistivity water zones in L81 Formation of the Longdong AreaJ.Special Oil&Gas Reservoirs，2017，24（01）：38-42.3赵军龙，李纲，庶平射，等.神经网络在石油测井解释中的 应 用 综 述J.地 球 物 理 学 进 展，2010，25（5）：1744-1751.ZHAO Junlong，LI Gang，ZHE Pingshe，et al.Summaryof the Application of Neural Network in Oil Log Interpretation J.Progress in Geophysics，2010，25（2）：1744-1751.4Holland J H.Adaptation in Netural and Artificial SystemsM.Ann Arbor，Michigan：The University of MichiganPress，1975；Cambridge，MA：MIT Press，1992.5吴丛文，石国新，路建国，等.准噶尔盆地陆梁油田超薄层低阻油藏水平井开发技术 J.特种油气藏，2018，25（04）：168-173.WU Congwen，SHI Guoxin，LU Jianguo，et al.Development of Ultra-thin Low-resistance eservoirs throughHorizontal Wells in Luliang Oilfield，Junggar BasinJ.Special Oil&Gas Reservoirs，2018，25（04）：168-173.6樊佐春.辽河滩海葵东地区低阻油气层测井评价 J.特种油气藏，2017，24（6）：121-124.FAN Zuochun.Assessments for Low-resistivity Reservoirsin Kuidong Area of Liaohe Beach Zones J.Special Oil&Gas Reservoirs，2017，24（6）：121-124.7李存磊，任伟伟，闫伟，等.基于统计学与专家系统的测井相自动识别 J.地球物理学进展，2011，26（4）：1400-1408.LI Cunlei，REN Weiwei，YAN Wei，et al.Automatic identification of logging facies based on statistics and expertsystemJ.Progress in Geophysics，2011，26（4）：1400-1408.8高海焦.测井曲线的沉积相自动识别 D.武汉：武汉工程大学，2014.GAO Haijiao.Automatic identification of sedimentary facies of logging curvesD.Wuhan：Wuhan Institute ofTechnology，2014.9HUANG Dongan.Identification method of oil and waterlayers with low resistance in Z block in southwest of OrdosbasinJ.Petroleum Geology&Engineering，2017，31（05）：98-100，133-134.10蒋兴才.辽河葵东地区低电阻率油层产能影响因素分析及预测 J.特种油气藏，2019，26（04）：70-75.JIANG Xingcai.Analysis and Prediction of Factors Influencing Productivity of Low Resistivity Reservoir in Kuidong Area，LiaoheJ.Special Oil&Gas Reservoirs，2019，26（04）：70-75.11Congjun F，Murray G，Mengsi S，et al.Logging Characteristics and Identification Methods of Low ResistivityOil Layer：Upper Cretaceous of the Third Member of Qingshankou Formation，Daqingzijing Area，Songliao Basin，China J.Geofluids，2017：1-13.12Breiman L.随机森林算法J.机器学习，2001，45：5-32.Breiman L.Random forest algorithm J.Machine learning，2001，45：5-32.13Chen T，Guestrin C.XGBoost：A Scalable Tree Boosting SystemJ.ArXiv：1603.02754v2（cs），2016：785-794.14Agarwal P K，Avraham R B，Kaplan H，et al.Computing the Discrete Frechet Distance in Subquadratic TimeJ.Siam Journal on Computing，2012，43（2）：171-179.15S.Ruggieri.C4.5 算法 J.IEEE 知识与数据工程汇刊，2002，14（2）：438-444.S.Ruggieri.C4.5 algorithmJ.IEEE Transactions onKnowledge and Data Engineering，2002，14（2）：438-444.16Utgoff P E.ID3算法 C/机器学习国际会议，1988.Utgoff P E.ID3 algorithmC/International Conferenceon Machine Learning，1988.17Breiman L I，Friedman J H，Olshen R A，et al.分类和回归树（CART）J.生物识别，1984，40（3）：35-39.Breiman L I，Friedman J H，Olshen R A，et al.Classification and regression trees J.Biometrics，1984，40（3）：35-39.649