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。各级储层的形成时间、各区域储层的成因都不相同，反映在测井曲

线形态上也是千差万别。油田工作随机性大、定量性差的特点，使我们欲研

究的客体就好像一个“灰箱”，我们的结论归根结底要

接受实际工作的检验。

1.3.2自然电位

在早期的电阻率测井生产过程中发现，当供电电极没有供电时，在两个

测量电极之间仍然可以测的电位差，这种电位差是井内客观存在的，称之为

自然电位〔29]。井内自然电位的变化与井下地层岩性有密切的关系，因此可以

根据自然电位曲线来研究岩性，区分渗透层。

自然电位测井曲线就是测量自然电位随井深变化而得到的曲线。测量自

然电位时，仪器可以不用通电，测量方法简单，使用价值高，是测井曲线获

得方法中最简单，应用较普遍的一种，也是国内外油田必测项目之一。

自然电位的测量原理线路如图1. 1所示。

自然电位的测量不需要供电线路，只需要测量线路和记录仪器即可。在

图中，M电极可以是井下电极系的某个电极，N电极固定在地面上，一般放在

泥浆池中。底面N电极的电位是稳定的，M电极的电位随着井内自然电位的

变化而变化。当上提电极时，变测的井内自然电位随深度变化的曲线，即自然电位测井曲线。1.3.3微电极

微电极是使用特制的短电极距电极贴附井壁测量井壁附近的地层电阻率

而得到的一组测井曲线，它由微梯度曲线和微电位曲线构成微电极系。微电

极采用很短的电极距来避免高阻邻层和围岩的影响，又将电极系嵌在绝缘板

上贴附井壁测量以避免泥浆的影响。整个微电极钡l井仪器包括主体、弹簧片、绝缘板和铜制电极四部分，图

中AMI}I组成微梯度，电极距为0.0375m, AN组成微电位，电极距为0. 05m.

测井时，微电位与微梯度同时测量，这样不仅可以提高效率，而且可以

避免不同时间测量时井壁与极板接触不同而引起的差异，以便于对微电位和

微梯度曲线进行比较。

在对微电位与微梯度进行比较和各种测井曲线共同对地层状态进行解释时，微电位与微梯度曲线一般都重绘在一起，通常微电位曲线用虚线表示，

微梯度曲线用实线表示。

微电极作为一种测井曲线集，主要用于对地层界面的划分和对渗透层的

划分，并可用于对地层岩性的判断，在油田沉积相模式识别中有广泛的应用。

1. 4主要研究内容

课题的研究内容就是在现有资源条件下，以油田提供的测井曲线数据(自

然电位、微电极)为依据，根据油田对井下小层的划分为标准，油田提供的

沉积相模板为基础，对油田各井、各层的沉积相模式类别进行科学、有效的

识别分类，达到一定的识别精度(}85)要求，为油田沉积相带图的绘制提

供基础，并为提高油田的开采效率提供依据。包括在数据获取、预处理、特

征选择与提取、分类器设计等方面进行细致的研究，并对整个模式识别系统的

性能进行提高。具体如下:

(1)完整的模式识别理论与方法的应用。

(2)现场提取实际的原始数据及规格化。缺乏大量原始真实的数据资料，

将造成特征分析不全面，普适性差，识别率测定不准。本课题首要任务就是

到现场提取实际的原始数据，以作为后续工作的基础。

(3)在采集大量原始真实数据，并对系统进行分析和设计的基础上，提

高系统的识别率。

(4)在方法设计，数据采集等方面扩大系统的应用范围，提高系统的普

适性。

(5)由于各类之间相似性极强，将待识样本与各模板进行逐一匹配的最

小距离法分类效果不理想，并且识别过程难以控制。希望能将树分类器与人

工神经网络或支持向量机相结合，支持向量机作为节点，以便将支持向量机

较好的推广能力与树分类器的经验组织能力结合起来，已达到比较好的识别

效果。

(6)特征的选择与提取是模式识别的关键，选取的特征作为类别代表参

与识别过程，特征选取的好与坏，直接影响着识别效果。特征选取的重要原

则是:特征应能有效的反映类别的本质，不易受环境因素影响，也就是要有

良好的鲁棒性。原先选取的特征大多是曲线形态特征，并且反映类别本质的

能力不强。因此，需要采用其他有效的方法，提取更能反映沉积相本质的特

征。

(7)如果直接按照油田给定的小层划分界限进行识别，往往会因为曲线

形态不完整(正确得到曲线的起止点)，而造成识别结果不准确，甚至错误。

改进寻找完整曲线形态的算法也是我们的任务之一。此外，也可以考虑，在

系统识别前，由用户手动调整欲识别的曲线段的起止边界。

(8)整个系统的连贯性需要调整，产品化程度弱。需要考虑拒识问题、

用户接口设计、产品化设计。整个系统设计力求简单、有效。