張 艷，張春雷，成育紅，高世臣，黃文輝

(1.中國地質(zhì)大學(xué)(北京)，北京 100083；2.北京中地潤德石油科技有限公司，北京 100083；3.中國石油長慶油田分公司，陜西 西安 710016)

0 引 言

沉積相揭示了目的層段的沉積環(huán)境及其分布規(guī)律，結(jié)合地震資料研究其特征對油氣勘探具有重要意義[1-2]。機(jī)器學(xué)習(xí)方法在數(shù)據(jù)挖掘、圖像處理等方面的成功應(yīng)用，促使該方法在儲層預(yù)測方面快速發(fā)展[3-5]。機(jī)器學(xué)習(xí)方法分為無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)方法。無監(jiān)督學(xué)習(xí)方法根據(jù)數(shù)據(jù)結(jié)構(gòu)建立數(shù)學(xué)模型，聚類過程中無標(biāo)記數(shù)據(jù)，致使學(xué)習(xí)過程具有盲目性；有監(jiān)督學(xué)習(xí)根據(jù)已知標(biāo)記數(shù)據(jù)建立數(shù)學(xué)模型，進(jìn)而預(yù)測未知數(shù)據(jù)。該方法獲取標(biāo)記樣本費(fèi)時(shí)費(fèi)力，而且當(dāng)標(biāo)記樣本較少時(shí)，所獲得的分類器泛化能力較差[6-9]。為此，形成一種介于2種方法之間的新方法——半監(jiān)督學(xué)習(xí)，此次研究主要采用半監(jiān)督模糊C均值(Semi-Fuzzy C Means，SFCM)方法[10-11]，通過隸屬度表征樣本歸屬每種類別的不確定性。預(yù)測過程中以井點(diǎn)數(shù)據(jù)作為標(biāo)記數(shù)據(jù)，以地震數(shù)據(jù)作為未標(biāo)記數(shù)據(jù)，指導(dǎo)SFCM預(yù)測過程。豐富的地震數(shù)據(jù)能夠改善預(yù)測的準(zhǔn)確度，該方法在儲層預(yù)測過程中具有廣泛的應(yīng)用前景。

1 地質(zhì)背景

研究區(qū)召30區(qū)塊位于蘇里格氣田東部，主要產(chǎn)氣層為上古生界下二疊統(tǒng)石盒子組盒8段，三維地震資料采集于2010年，滿覆蓋面積為252 km2，地震有效頻寬為8～65 Hz，視主頻為36 Hz[12]。取心井段觀察和測井相分析，結(jié)合構(gòu)造背景、物源供給等因素，認(rèn)為研究區(qū)屬砂質(zhì)河流相沉積體系[13]，主要發(fā)育辮狀河沉積，頂部有向曲流河過渡的趨勢，發(fā)育心灘、河道、河道側(cè)緣以及河道間4種沉積類型。有效儲層受控于沉積相，多發(fā)育于心灘或河道沉積砂體。沉積儲層中,砂巖厚度為8～15 m，砂巖孔隙度為5%～15%，滲透率為0.1×10-3～0.5×10-3μm3，含氣飽和度平均值在65%左右，總體表現(xiàn)為低孔、低滲、致密的儲層特征[14]。

2 方法原理及可行性分析

模糊C均值是一種常用的聚類方法，采用隸屬度表征聚類過程的模糊性。半監(jiān)督學(xué)習(xí)聚類過程中根據(jù)已標(biāo)記樣本得到初始模型，未標(biāo)記樣本引導(dǎo)聚類過程，改進(jìn)初始模型[15]。

假設(shè)X={x1,x2,…,xn}是n個(gè)樣本組成的集合，SFCM算法迭代過程與FCM算法相同，但是在聚類過程中，引入影響因子α平衡2種數(shù)據(jù)的比例，該算法最終目標(biāo)是使目標(biāo)函數(shù)達(dá)到最小，其目標(biāo)函數(shù)如下：

(1)

式中：C和n分別為聚類中心和樣本的數(shù)量；nl和nu表示已知標(biāo)簽數(shù)據(jù)和未知標(biāo)記樣本點(diǎn)個(gè)數(shù)；uij表示第i個(gè)樣本屬于第j種類型的隸屬度；d(xi,vj)是樣本點(diǎn)xi到聚類中心點(diǎn)vj的距離；m∈(1,∞) ，用于控制聚類過程中模糊度，通常取2；α為已知標(biāo)記數(shù)據(jù)與無標(biāo)記數(shù)據(jù)的比例，用于控制半監(jiān)督與完全監(jiān)督函數(shù)之間的平衡；fij=1表示已知標(biāo)簽數(shù)據(jù)的隸屬度矩陣，當(dāng)樣本xi屬于第j種類別時(shí)，fij=1，否則fij=0 。迭代過程中，對應(yīng)的中心和隸屬度公式更新為：

(2)

(3)

為了驗(yàn)證算法的可行性，采用UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫中的標(biāo)準(zhǔn)Iris數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。Iris數(shù)據(jù)集包含150個(gè)樣本數(shù)據(jù)、4個(gè)特征值、3種不同的類型。隨機(jī)選擇α分別為10%、20%、30%、40%和50%作為訓(xùn)練集，剩余數(shù)據(jù)作為測試集，為了減少聚類過程中的隨機(jī)性，重復(fù)實(shí)驗(yàn)10次，得到不同α參數(shù)下的平均正確率分別為87.72%、88.76%、89.37%、89.80%、90.04%。該結(jié)果表明，隨著監(jiān)督信息的增加，識別的正確率增大，同時(shí)當(dāng)參數(shù)α增加到30%時(shí)，正確率增加的速率變慢。從標(biāo)準(zhǔn)數(shù)據(jù)集Iris的識別精度上驗(yàn)證了該算法的合理性和有效性，并且說明了參數(shù)α在預(yù)測過程中重要性。

結(jié)合上述分析過程可知，在聚類過程中有標(biāo)記數(shù)據(jù)增加會提高識別的精度，故在使用SFCM聚類過程中應(yīng)盡可能擴(kuò)大已知標(biāo)記數(shù)據(jù)的比例。召30區(qū)塊18口水平井鉆遇盒8段，為了擴(kuò)充有標(biāo)記數(shù)據(jù)的比例，聚類過程中對鉆遇的18口水平井的水平段進(jìn)行分割，每個(gè)分割點(diǎn)的沉積類型均為已知，進(jìn)而豐富已知標(biāo)記數(shù)據(jù)，為SFCM方法聚類過程提供數(shù)據(jù)基礎(chǔ)。

3 實(shí)例應(yīng)用

3.1 地震屬性分析

地震屬性分析逐漸成為油氣藏地球物理的核心技術(shù)，在儲層預(yù)測過程中有著重要作用。不同沉積或砂體的儲層在地震記錄上的響應(yīng)特征不同，進(jìn)而在地震屬性上有所反映。針對不同的儲層和不同的預(yù)測對象，地震屬性的選取也不相同。針對沉積相展布特征的分析，主要提取均方根振幅、平均瞬時(shí)頻率、有效帶寬等疊后屬性。圖1為提取這3個(gè)疊后屬性與井點(diǎn)處氣層厚度疊合圖。由圖1可知，高振幅、低瞬時(shí)頻率、低有效帶寬的范圍內(nèi)主要分布厚度大于10 m的氣層；而氣層厚度低于5m的范圍主要分布在振幅小于4 750、頻率大于30 Hz、有效帶寬大于115 Hz內(nèi)。同時(shí)通過井點(diǎn)氣層厚度與地震屬性疊合圖之間的關(guān)系可知，不同氣層厚度的測井在單一的地震屬性上呈現(xiàn)一定的分布趨勢，但單一的地震屬性存在一定的重疊。因此，預(yù)測過程中需要綜合多個(gè)地震屬性開展沉積相研究。

圖1 疊后地震屬性分布及氣層厚度疊合

3.2 聚類結(jié)果分析

以測井?dāng)?shù)據(jù)得到的沉積相及地震屬性作為已標(biāo)記數(shù)據(jù)，采用SFCM方法得到研究區(qū)沉積相分布圖(圖2a、b)。

首先對比分析預(yù)測結(jié)果和地震屬性平面分布特征，整體上看，SFCM得到的結(jié)果和每種地震屬性分布趨勢保持一致，但是不同屬性之間作用存在差異，如西部預(yù)測得到的心灘(圖2a和2b中品紅色部分)，相比均方根振幅，平均瞬時(shí)頻率和有效帶寬起著主導(dǎo)作用；而對于中南部無井區(qū)域得到的心灘和河道類型(圖2a和2b中藍(lán)色部分)，均方根振幅作用更為明顯，進(jìn)一步說明單屬性預(yù)測得到的結(jié)果存在一定的不確定性，所以有必要進(jìn)行多屬性分析的研究。

其次，根據(jù)前面分析，SFCM方法中有標(biāo)記數(shù)據(jù)的比例α對預(yù)測的精度有著重要影響，為此，在聚類過程中分析了不同α值對應(yīng)的沉積相分布(圖2a和2b)。聚類結(jié)果表明，不同的α值對應(yīng)的沉積相展布特征與先驗(yàn)地質(zhì)認(rèn)識一致(圖2d)。研究區(qū)整體發(fā)育4條完整河道，均呈南北向條帶狀展布，中部河道交匯連片分布，至南部匯聚為3條主河道；河道側(cè)緣及河道間分布面積較小。不同的α值聚類結(jié)果在無井控地區(qū)存在細(xì)微差別，如中西部部分井區(qū)。與地質(zhì)人員預(yù)測無井控地區(qū)認(rèn)識相比，該方法對井間沉積相的刻畫更為精細(xì)，特別是針對東部無井控地區(qū)，相對于粗略表征河道形態(tài)，該方法預(yù)測的井間信息更為詳盡豐富。為了分析SFCM預(yù)測結(jié)果，基于多地震屬性，采用傳統(tǒng)的FCM開展無監(jiān)督聚類方法研究，得到盒8段沉積相分布(圖2c)。相比SFCM結(jié)果，傳統(tǒng)FCM方法是一種無監(jiān)督聚類的過程，聚類過程中忽略測井資料，結(jié)果隨機(jī)性較大，得到結(jié)果和先驗(yàn)認(rèn)識相似，但預(yù)測結(jié)果表現(xiàn)為河道間類型分布范圍較廣，隨機(jī)性大，不能表征完整的河道形態(tài)。特別是在東部無井區(qū)域刻畫的也較為粗糙，無法用于地質(zhì)解釋。

圖2 SFCM與傳統(tǒng)FCM聚類結(jié)果對比分析

最后，通過統(tǒng)計(jì)測井處的預(yù)測沉積相及砂體厚度，分析不同沉積類型的砂體厚度(表1)。由表1可知，不同的沉積類型對應(yīng)的砂體厚度存在一定的差異，心灘及河道交匯處沉積砂體最厚，平均厚度為36.00 m；河道沉積砂體厚度為27.00～30.00 m，平均為28.00 m；河道側(cè)緣沉積砂體略小，主要為20.00～27.00 m，平均為25.00 m；河道間沉積對應(yīng)砂體厚度通常小于20 .00 m，平均為17.00 m。而圖2c傳統(tǒng)半監(jiān)督方法得到的結(jié)果則與井點(diǎn)處的砂體厚度存在很大的差異。

表1 不同沉積類型對應(yīng)的砂體厚度(部分井)

4 結(jié) 論

(1) SFCM方法在沉積相預(yù)測過程中的成功應(yīng)用，證明了機(jī)器學(xué)習(xí)方法在儲層預(yù)測過程中的可行性和有效性，同時(shí)說明結(jié)合井震數(shù)據(jù)，采用機(jī)器學(xué)習(xí)方法解決致密砂巖儲層預(yù)測的問題是必然的。

(2) 根據(jù)巖心照片及測井資料分析，召30區(qū)塊沉積環(huán)境主要為辮狀河，共發(fā)育心灘、河道、河道側(cè)緣及河道間沉積相類型。根據(jù)研究區(qū)的測井資料及水平井資料，開展了SFCM方法的沉積相預(yù)測，結(jié)果表明該方法能夠得到與先驗(yàn)地質(zhì)認(rèn)識較為一致的沉積相展布特征。

(3) 從定性和定量角度分析SFCM聚類結(jié)果，研究區(qū)整體發(fā)育4條較為明顯的主河道，呈南北向連續(xù)分布，而河道側(cè)緣及河道間沉積類型呈零星分布，和先驗(yàn)地質(zhì)認(rèn)識較為一致，并且改善了無井區(qū)域的地質(zhì)認(rèn)識。

(4) SFCM在沉積相預(yù)測中的成功應(yīng)用為儲層預(yù)測提供新的思路，需要進(jìn)一步探討機(jī)器學(xué)習(xí)中的其他方法在儲層預(yù)測中的應(yīng)用。

[1] 袁照威，陳龍，高世臣，等.基于馬爾科夫-貝葉斯模擬算法的多地震屬性沉積相建模方法——以蘇里格氣田蘇10區(qū)塊為例[J].油氣地質(zhì)與采收率，2017，24(3)：37-43.

[2] 賴生華, 柳偉明, 趙永剛, 等. 利用地震信息研究沉積體系平面分布特征:以鄂爾多斯盆地延長探區(qū)高家河三維區(qū)盒八段為例[J].石油實(shí)驗(yàn)地質(zhì), 2017, 39(2): 272-277.

[3] 周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016：293-317.

[4] ANTOINE C,LORENZO P,ERWAN G, et al. Machine learning as a tool for geologists[J].The Leading Edge, 2017,36(3):215-219.

[5] 郭繼剛，郭凱，宮鵬騏，等. 鄂爾多斯盆地延長組儲層致密化及其影響下的致密油充注特征[J].石油實(shí)驗(yàn)地質(zhì), 2017, 39(2): 169-179.

[6] 唐俊，王琪，馬曉峰，等.Q型聚類分析和判別分析法在儲層評價(jià)中的應(yīng)用[J].特種油氣藏，2012，19(6)：28-31.

[7] 唐銜，侯加根，鄧強(qiáng)，等.基于模糊C均值聚類的流動單元劃分方法——以克拉瑪依油田五3中區(qū)克下組為例[J].油氣地質(zhì)與采收率，2009,16(4)：34-37.

[8] MAJID B,MOHAMMADAR.Seismicfacies analysis from well logs based on supervised classification scheme with different machine learning techniques[J]. Arabian Journal of Geoscience,2015,8(9):7153-7161

[9] BRENDON H. Facies classification using machine learning[J].The Leading Edge,2016,35(10)：906-909.

[10] 張陽，邱隆偉，李際，等.基于模糊C均值地震屬性聚類的地震相分析[J].中國石油大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015,39(4)：53-61.

[11] FORESTIER G,WEMMERT C. Semi-supervised learning using multiple clusterings with limited labeled data[J].Information Sciences,2016,361-362(C)：48-65.

[12] 高世臣，袁照威.地震屬性在沉積相預(yù)測中的方法研究——序貫隨機(jī)模式識別[J].地球物理學(xué)進(jìn)展，2016,31(3):1066-1072.

[13] 郭智，賈愛林，何東博，等.鄂爾多斯盆地蘇里格氣田辮狀河體系帶特征[J].石油與天然氣地質(zhì)，2016,37(2):197-204.

[14] 袁照威，強(qiáng)小龍，高世臣，等.蘇里格氣田不同沉積相建模方法及空間結(jié)構(gòu)特征評價(jià)[J].特種油氣藏，2017,24(1):77-83.

[15] QI J,LIN TF,ZHAO T,et al.Semi-supervisedmultiattribute seismic faciesanalysis[J]. Interpretation, 2016, 4(1):SB91-SB106.