油气储层测井裂缝识别方法研究及软件研制

论文摘要

裂缝既是油气储集的空间,也是油气运移的通道,在油气藏的勘探开发中有着非常重要的地位。储层裂缝的识别与裂缝的准确描述、预测是裂缝性储层勘探开发的关键。致密砂岩层中由于大量裂缝存在形成了具有有效孔隙度和渗透率的储层。准确识别裂缝是对此类储层进行有效评价的前提。对于碳酸盐岩储层,裂缝是非常常见的一种储集空间类型,因此,对裂缝以及裂缝类型的识别显得尤为重要。本文在总结前人研究成果的基础上,总结出常规测井裂缝响应特征和成像测井裂缝响应特征。对裂缝反映较为敏感的常规测井系列主要包括:深浅双侧向测井、微球型聚焦测井、深中双感应测井、声波时差测井、中子孔隙度测井等。这些测井系列是基于常规测井资料的单井裂缝识别的依据和参照。基于常规测井资料的单井裂缝识别一直以来都是研究的热点,但至今仍没有一种方法能够单独的对裂缝进行很好地识别。鉴于此,本文引入了逐步判别分析、BP神经网络、概率神经网络、KNN（K最邻近结点）、SVM（支持向量机）、R/S分形等方法,介绍了这些方法的识别原理,并将这些方法应用于测井裂缝识别,其中BP神经网络、KNN、SVM这3种方法是初次应用测井裂缝是识别。以新场地区为例,我们从岩心上观察到的裂缝段,参照常规测井裂缝响应特征,分两类,即裂缝与非裂缝,共选取了34个样本,其中裂缝样本28个,非裂缝样本6个。采用极值归一化方法,根据“属性值呈正态分布的直接进行归一化,属性值呈非正态分布（如深侧向电阻率）的取对数后再进行归一化”对建模样本的属性值进行归一化处理,最终将样本的属性值映射到[0,1]区间。对归一化后的样本进行判别分析,得出引入变量F临界值为56,剔除变量F临界值为0时,回判正确率最高为94.117%,得到的判别函数变量为AC（声波时差）,CNL（中子孔隙度）,RT（深侧向电阻率）。在此基础上,我们去掉除AC,CNL,DEN（密度）,RT之外的参数,分别得到三参数（AC、CNL、RT）样本和四参数（AC、CNL、DEN、RT）样本。再用这两个样本作为建模样本建立对应的BP神经网络识别模型,概率神经网络识别模型,KNN识别模型,SVM识别模型,并分别对建模本回判。三参数样本建立的BP神经网络识别模型,回判正确率最高为88.235%;三参数样本建立的概率神经网络模型与四参数样本建立的神经网络模型回判正确率都为82.235%;三参数样本（K=3,K=6）时建立的KNN识别模型,四参数样本（K=3,K=4,K=6）建立的KNN识别模型回判效果最好,回判正确率为91.176%;核函数分别选取“线性核函数”、“二次核函数”、“多项式核函数”、“径向基核函数”等,建立SVM识别模型识别正确率最高为97.06%。分别使用这些模型对新场地区具有取心资料的14口井进行裂缝识别,相对而言,应用效果最好的有逐步判别分析法、BP神经网络法;应用效果较好的有KNN、SVM;应用效果较差的是概率神经网络法。最后得出,这5种方法应用于单井裂缝识别是可行的,有效的,为以后测井裂缝识别研究,提供了方法依据。对于R/S分形法,以新场地区有取心资料的8口井为例,计算各测井曲线的R/S与N之间的对数关系曲线,然后与岩心所观察到的裂缝层段进行比对,得出吻合性最好的是声波时差和深侧向感应电阻率。对各单井各层段的声波时差和深侧向电阻率进行计算和绘图,图中曲线下凹段作为裂缝的识别段。通过进行标定发现该法对裂缝的识别效果较好,能对岩心上观察到的大部分裂缝进行识别。现有的裂缝识别软件大都是针对一种识别方法编制的,本文主要利用常规测井资料对储层裂缝进行识别,将多种识别方法集成到一个软件中。故在本次研究中,我们研制了测井裂缝识别软件。该软件集成了逐步判别分析、BP神经网络、概率神经网络、KNN、R/S等5种方法。软件框架设计采用的是单文档视图结构、单机版的Windows应用程序,包括逐步判别分析模块、BP神经网络识别模块、KNN识别模块、R/S识别模块和绘图模块等6大模块。软件开发平台是Visual Studio 2008集成开发平台,开发语言是Visual C++,项目类型是MFC应用程序。软件开发过程中采用了可视化界面技术、面向对象技术、自动化接口技术。该软件界面友好,操作简单,一种识别方法对应一个对话框,数据读写方便快捷,还可以通过绘图对话框方便地调用外部绘图软件。软件通过调试,测试,试用。本文中除SVM识别方法外其他5种方法的应用都是通过该测井裂缝识别软件来实现的,使用过程中,软件易操作,数据读写速度较快,反应较快,没有出现任何异常。由此,可以得出该软件功能完整,性能较好,为以后进行测井裂缝识别研究提供了一个有利的工具,方便研究人员进行裂缝识别,提高工作效率。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 选题依据及研究意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 研究内容及思路
• 1.3.1 研究的主要内容
• 1.3.2 研究思路
• 1.4 主要成果
• 第2章 测井裂缝特征
• 2.1 常规测井裂缝响应特征
• 2.2 成像测井裂缝响应特征
• 第3章 测井裂缝识别方法及应用
• 3.1 逐步判别分析法
• 3.1.1 逐步判别分析原理
• 3.1.2 判别函数建立及单井裂缝识别
• 3.2 BP 神经网络法
• 3.2.1 BP 神经网络基本概念
• 3.2.2 BP 神经网络分类器设计
• 3.2.3 BP 神经网络单井裂缝识别
• 3.3 概率神经网络法
• 3.3.1 概率神经网络模式识别原理
• 3.3.2 概率神经网络单井裂缝识别
• 3.4 K 最邻近结点法
• 3.4.1 K 最领近结点算法分类原理
• 3.4.2 K 最邻近结点单井裂缝识别
• 3.5 支持向量机法
• 3.5.1 支持向量机基本概念
• 3.5.2 支持向量分类模型
• 3.5.3 支持向量机单井裂缝识别
• 3.6 R/S 分形法
• 3.6.1 R/S 分形原理
• 3.6.2 R/S 法单井裂缝识别
• 第4章 软件的设计与开发
• 4.1 需求分析
• 4.2 可行性分析
• 4.3 软件结构设计
• 4.3.1 软件体系结构
• 4.3.2 主要模块详细设计
• 4.3.3 软件架构模式
• 4.4 开发环境及关键技术
• 4.4.1 开发环境
• 4.4.2 关键技术
• 4.5 运行环境
• 4.6 输入文件数据格式要求
• 结论及建议
• 致谢
• 参考文献
• 攻读学位期间取得学术成果
• 附表