油田沉积相研究(石油地质学)

第1章油田沉积相研究（石油地质学）1. 1目的与意义该课题原属于大庆油田采油三厂沉积相模式识别与绘图系统的一部分，是大庆油田近几年地质研究的重要内容之一，也是油田建设进一步发展所提出的重要课题，运用计算机进行油田沉积相的自动识别具有开创性的实际意义。

沉积相是指在一定沉积环境中岩性与物性的综合反映。

油田沉积相研究的主要目的是为了提高油田开发效率，同时也是正确认识油层的一种途径，即:分析储油的有利环境，进而指导寻找生、储油的有利地区;分析沉积环境的细微变化对沉积岩体的影响。

通过对沉积相的研究，获得储层沉积环境的确切概念，并揭示其宏观的分布规律，从而确定最佳的勘探部署与开发方案，使油田的动态分析与开发方案更加切合油田的实际情况。

因此，对沉积相的识别是进行储层评价的基础工作，也是开发方案制订和调整的重要依据。

对于油层的沉积原理、沉积状况等，地质部门已做了大量工作，但遗憾的是，到目前为止，对储层沉积相的判别工作仍由人工来完成，其判别精度取决于沉积学家和专业人员长期积累的工作经验，而具有丰富经验的专家在地质部门却也为数不多。

此外，人工判别沉积相速度慢、效率低，无法适应当前油田开发的迅速发展，以至于影响采油的进度和质量。

目前，大庆油田的井网密度已经很大，人工识别的工作量也变得越来越大，发展各类油藏的建模技术、计算机处理和显示技术，己成为目前油藏描述的主要攻关内容之一。

因此，运用计算机的高效的特点进行自动化的沉积相模式识别，在提高劳动生产率、确保油田的稳产与高产等方面，将具有重大的实际意义。

目前，大庆油田的开采已进入高含水的后期阶段，储有相当数量的剩余油，但是其分布状况十分复杂，难以寻找。

这就需要对油层的沉积相做比以前更加细致和准确的划分，更近一步地描述储层轮廓。

这也为人工判相带来了困难。

采用沉积相模式的自动识别将会极大的降低完全使用人工进行识别的难度，同时也减少了由于识别角度和经验的不同而带来的识别结果上的歧义性。

此外，油田沉积相模式自动识别的研究也将为沉积相带图、厚度和渗透率等值图的绘制提供可靠的数据来源和依据。

1. 2研究与发展我们通过文献资料的查阅以及向客户方的咨询，了解到目前国内外在油田沉积相模式识别上的研究均处于初始和探索阶段。

而且由于油层沉积的复杂性和不同地区沉积特点的不同，使得研究成果具有地域性，通用性差，识别精度较低。

此外，因为沉积相划分标准和研究对象的不同，其识别方法也相应不同，这更增加了课题研究的难度。

在油田沉积相模式识别上，主要有人工识别、神经网络识别、模式匹配等方法。

当前使用的判别沉积相的方法是人工判相，但是由于其效率低、速度慢、歧义性大等缺点已无法适应快速发展的油田开发要求。

而沉积相的自动识别研究成果大多采用模式匹配等统计模式识别方法或者人工神经网络、模糊技术来进行识别。

虽然方法简单，但是始终没能把人工判相的经验与计算机的能动性很好的结合起来，识别精度较低，智能化程度低。

单纯运用人工神经网络方法进行识别往往要求提取大量的特征，有的甚至直接把测井曲线作为网络的输入，造成资源消耗严重，计算量大，极大的影响了识别效率，也影响了网络的泛化能力。

在基于统计模式识别的模式匹配方法中，也同样存在着先验知识结合能力差以及识别过程难以控制的问题，寻找一种便于过程控制、知识结合的方法是进行岩相识别中一个pR待解决的难题。

下面就对几种常用的沉积相识别方法进行一下简要介绍。

1. 2. 1最近邻法假设有n个模板，则对任意未知类别的样本，其所属类别由与该样本在特征空间上距离最近的点决定。

最近邻法方法简单、直观，并且在理论上其错误率很小，但该方法也存在许多问题。

(1)需要存储大量模板，每次匹配决策分类，都要计算待识样本与全部模板之间的距离并进行比较，因此存储量、计算量很大。

(2)由于不管什么情况，最终都会有分类结果，但当分类结果错误带来的代价很大(如分类错误导致相带图绘制错误，进而导致决策失误，造成经济损失)时，会产生较大的风险。

(3)该方法最小错误率的获得是依赖于大量模板建立，只有当模板数趋于无穷大时，才能达到最佳识别效果，这在实际中是无法达到的(建立模板困难，并且判定的类别因人而异)。

(4)该方法对特征的使用不好控制，只有那些对区分各类别均有贡献的特征才可使用。

否则，会影响识别精度，起到干扰作用。

这样就局限了特征选择的范围，增加了特征选择的难度。

1.2.2人工神经网络方法人工神经网络是一个信号或信息处理系统，它包含大量的简单处理单元(称为节点或神经元)，由“连接”相互链接起来，相互作用以实现并行分布式处理，完成所希望的求解任务。

基于人工神经网络的沉积相识别运用了人工神经网络所具有的自适应能力、容错能力、大规模并行处理能力，在一定程度上提高了识别的精度。

实际中普遍采用的是前馈人工神经网络，即BP网。

如将原始测井曲线点阵化、生成点阵模型后，输入人工网络进行识别，并且针对不同的地质环境，可以建立不同的网络模型。

人工神经网络方法本身是一种非线性方法，它能够有效地解决很多非线性问题，但该方法也有其自身不可避免的缺点。

(1)人工神经网络方法的理论基础差，实际应用中有许多因素需要凭经验确定(如学习率、初始权值、学习步长、节点数等)。

(2)该方法存在权值确定上的局部最小问题、过学习与欠学习问题。

(3)推广性差，在经验误差最小的情况下，并不一定能达到期望误差最小，即对某些区域内的模板训练有效的网络，对识别其它区域的样本不见的有效。

(4)人工神经网络中如果不对输入特征进行选择，容易造成维数灾难，严重影响识别率。

(5)直接把原始测井数据作为网络输入，增加了网络的复杂性，使得计算量大、资源浪费、网络收敛也困难。

(6)由于人工神经网络是把所有特征一次性作为输入，容易忽略对粗分有用的特征，不能充分利用先验知识，阻碍了人工神经网络在岩相识别中的应用。

1.2.3二叉树法二叉树分类器不要求在一步之内将样本所属类别确定下来，往往是经过多个层次的判决，最终才得出结论。

整个决策过程构成了一棵倒置的树，每个判决单元称为节点，因此也叫树分类器。

树分类器在设计时能充分融入现有的先验知识，并且在各节点分类是允许存在冗余，即每节点分类对某类别样本可以不做区分，使得该节点的下层子节点中均含有或部分含有该类别的分类判决规则。

二叉树分类器的关键是特征空间的合理划分(包括树结构设计、节点特征子集选择等)，并在此基础上确定判决规则与学习算法，这也是该方法的灵活所在。

该方法在层数有限时可以有效的提高识别精度，并且容易引入新特征，容易与其他方法进行结Z.但是二叉树分类器也有它的缺点，如:(1)层次不能太深，否则会降低精度、延长时间、累计误差不可控制。

(2)分类特征的选择与判决规则的设定往往依赖于先验概率，造成学习能力受到影响。

(3)如果在某特征子集下，两类之间存在较大的模糊区，(在概率分布上是有较大的相交区)，就必须增加特征或者改变特征子集，造成对该情况下识别性能不好。

1. 3石油地质本课题的研究对象是描述油藏地质特征的沉积模型。

它在客观上决定了研究客体不是我们所熟悉的事物，在没有进行调查了解河流三角洲地质模型的基本原理和大庆油田开发工作的具体细节之前，研究对象对我们来说是一个未知事物。

1. 3. 1沉积相在地质学中，沉积相是指在一定的沉积环境(Depositional Environment)中所形成的沉积岩(物)的组合，它是沉积环境综合的物质反映，通常以地貌单元来命名〔”。

在石油地质学中，地貌单元由储层来表征。

通过沉积岩(物)所具有的各种沉积特征，可以清楚地反映出它形成时的自然地理、气候、沉积介质的物理、化学和生物条件。

大量资料证明，不同成因的砂体具有明显不同的开发特点，从沉积相入手是正确认识油层的一条根本途径。

大庆油田根据浅水湖盆河流一三角洲相的沉积特征，曾选择泥质岩的颜色、研性组合与旋回性、层理类型与沉积层序、生物化石与遗迹化石、特殊研性与特殊矿物，以及特殊构造等沉积现象作为主要的和基本的划相标志，并以其综合沉积层序为主要定相依据，这些都属于传统的划相方法。

就目前国内外的研究状况来看，应用地质统计学方法对复杂储层的河流相预测精度仍然不高。

其关键问题在于对储层详细的分布规律和井间变化状态认识不清，难以建立井间内插模型。

目前大庆油田上更广泛地应用测井曲线来划相，这也是八十年代后期以来比较先进的划相标志。

测井曲线的形态反映了油层的沉积层序和旋回性质。

从地质学的角度讲，用测井曲线来判相的优点是:(1)可以在测井仪器允许精度范围内取得较精确的油藏地质参数。

(2)每一口井都可以进行测井，可以取得大量的、完整的测井资料。

这些优点对于机器识别同样有利，它便于快速直观地进行单井单层的划相和平面上的追加对比。

目前，国内外常用的测井曲线有:自然电位、视电阻率、微电极、自然伽玛、声波测井、密度测井、中子测井等。

本课题主要采用自然电位曲线和微电极(包括微梯度和微电位)三条曲线来进行沉积相识别的研究。

1.3.2地质储层地质储层在沉积史中不同级次的沉积事件的影响下，使其整个沉积剖面会形成不同级次的沉积旋回或沉积层序。

一个旋回是指从岩性较差的位置，经过岩性较好的层段，再一次恢复到岩性较差的位置。

目前地质部门对松辽盆地北部的大庆油田已做了大量的勘探开发工作，实现了在油田范围内的统一分层。

大庆油田对某一个油区的储层划分采用我国对碎屑岩储层一般采用的四级层组划分，从大到小依次为:含油层系、油层组、小层、细分层。

大庆油田的储层由上至下分成三大含油层系:萨尔图油层系、葡萄花油层系、高台子油层系。

其中萨尔图油层系又分为萨一、萨二和萨三个油层组;葡萄花油层系又分为葡一和葡二两个油层组;高台子油层系又分为高一和高二两个油层组。

在实际研究中，人们往往要将地质储层模型化，目前常用的地质模型主要包括如下五种类型:即沉积模型、成岩模型、构造模型、流体分布模型和渗透率模型。

并且有人提出通过上述模型的研究，最终应建立流动单元模型或定量流动模型。

总之，对储层的描述日趋精细化，并力求建立高精度的三维定量储层预测模型。

描述的手段主要还是依靠沉积学和石油地质学的原理方法。

针对松辽盆地北部的具体地质特点，大庆油田采用沉积模型作为表征储层地质特征的主要模型。

沉积模型较好地控制了储层渗透率的空间分布和流体运行的基本特征。

目前大庆油田对沉积模型的研究主要采用测井曲线，并在此基础上定义了八种沉积相:正渐变砂体、复合型实体、块状型砂体、反渐变砂体、小型砂体、渐弃型砂体、突弃型砂体、河间薄层砂等。

石油地质这门科学，技术成分所占的比重很大。

人们无法对储层研究的准确性加以实地追究，越是将储层精细化，对其准确性就越难控制。

根据专家的预测，大庆油田对油层组控制的准确程度达到9506，而砂岩组只在80%一90%之间。