煤层气水平井是一种成本不高但可以提高煤层气单井产量的有效技术措施[1],为确保煤层气水平井的有效钻遇率,对钻井施工过程实施地质导向,就需要对钻遇的地层进行随钻岩性判识。
目前,国外的地质导向钻井技术主要是通过近钻头测量工具来提高井下地质信息获取的准确率,同时结合地质模型随钻更新技术来提高对地层岩性和流体类型识别的精确度,以提高水平井对目的层的有效钻遇率。国内普遍是采用MWD+自然伽马+综合录井仪采集测井数据,对测井数据分析进行地层判识,进而实施地质导向[2]。
对地层判识模型的研究较多,文献[3]提出了一种基于BP神经网络的煤层气钻井岩性识别方法;文献[4]使用了自然电位、自然伽马、声波时差、4米底部梯度电阻率和补偿中子共五种测井数据作为特征输入参数,提出了一种基于最小二乘支持向量机的地层识别方法;文献[5]使用了自然伽马,补偿中子,钍,地层电位,井口电位,补偿密度,声波时差,深侧向电阻率共八种测井数据作为特征输入参数,提出了一种基于向量机的地层岩性识别方法。现有的利用向量机进行地层判识的方法普遍存在的问题有:较多的特征参数,导致复杂的运算量和较长的运算时间;核函数的选取不准确,关键参数未进行优化导致判识结果与真实结果误差较大。
将井下测量工具的测量信息与随钻地层判识模型相结合,才能更加精确地实施地质导向,提高煤层气水平井的钻遇率。在满足较高判识精度的前提下,优选能明显表征地层岩性变化的特征输入参数。因此,本文选取了通过井下测量工具随钻获取的能明显表征不同岩石物理特征的自然伽马(GR)、声波时差(AC)、补偿密度(DEN)、补偿中子(CNL)4个测井参数作为特征输入参数,基于支持向量机(SVM)建立随钻地层判识模型,优选支持向量机的核函数并对关键参数进行优化,继而对以上测井参数进行分类,输出分类结果,从而实现煤层气水平井的随钻地层判识。
1 煤层气水平井随钻地层判识模型 1.1 支持向量机(SVM)算法支持向量机算法(Support Vector Machine)以统计学高维理论和降维控制结构风险方法为基础,可以对给定的训练样本进行数据分析和模式识别[6-7],以其建立的高维空间对数据进行线性或非线性分类,引入相关的核函数获得有限训练样本的高维分类函数,获取较好的分类效果和识别能力[8]。
SVM从本质上来看是一种建立算法函数进行线性优化分类的方法,通过不同的核函数定义与建立,实现如神经网络、贝叶斯分类等现有算法对训练样本数据进行分类与分析处理,以得到理论上的最优解,因此支持向量机算法不存在局部最优化问题。
在煤层气水平井随钻地层判识中采用支持向量机模型的主要优势有:
(1) 经典的(参数)统计估计方法,如模式识别、神经网络等,是对趋于无限大的样本数据进行统计估计,SVM的研究对象则是给定的有限样本数据,其目标是根据现有信息得到最优解,适用于在测井数据不全面的条件下进行聚类分析;
(2) SVM的求解实质上是把原始训练样本数据进行非线性变换以获得最优输出,有效地避免了一些统计方法产生的复杂极值问题,同时也避免了由于工程和其他因素产生的非正常数据对最终聚类结果的影响;
(3) SVM将作为原始训练样本的测井数据映射到高维空间中,构造线性变换的判别函数作为核函数,避免了高维空间带来的非线性判别函数复杂求解问题,因此,即使训练样本测井数据处在高维空间里,也可降低算法函数的复杂程度。
如图 1所示(其中,
以高维空间
把原始训练样本数据映射到特征空间中,则对偶形式为
$ \left\{ \begin{array}{l} \underset{a}{\mathop{{\rm max}}}\, \left\{ \sum\limits_{i=1}^{l}{{{a}_{i}}}-\dfrac{1}{2}\sum\limits_{i=1}^{l}{\sum\limits_{j=1}^{l}{{{a}_{i}}{{y}_{i}}{{a}_{j}}{{y}_{j}}\left[\phi \left( {{x}_{i}} \right), \phi \left( {{x}_{j}} \right) \right]}} \right\} \\ \sum\limits_{i=1}^{l}{{{a}_{i}}{{y}_{i}}}=0, {\kern 8pt}0\leqslant {{a}_{i}}\leqslant C;i=1, \cdots, l \end{array} \right. $ | (1) |
式中:
分离超平面,有
$ \sum\limits_{{{x}_{i}}=l}{{{a}_{i}}{{y}_{i}}\left\{ \phi \left( {{x}_{i}} \right), \phi \left( x \right) \right\}}+b=0 $ | (2) |
式中:
核函数定义式为[9]
$ \phi \left( {{x}_{i}} \right), \phi \left( {{x}_{j}} \right) =K\left( {{x}_{i}}, {{x}_{j}} \right) $ | (3) |
把核函数代入对偶,有
$ \left\{ \begin{array}{l} \underset{a}{\mathop{\max }}\, \sum\limits_{i=1}^{l}{{{a}_{i}}}-\dfrac{1}{2}\sum\limits_{i=1}^{l}{\sum\limits_{j=1}^{l}{{{a}_{i}}{{y}_{i}}{{a}_{j}}{{y}_{j}}k\left( {{x}_{i}}, {{x}_{j}} \right)}} \\ \sum\limits_{i=1}^{l}{{{a}_{i}}{{y}_{i}}}=0, {\kern 8pt}0\leqslant {{a}_{i}}\leqslant C; i=1, \cdots, l \\ \end{array} \right. $ |
分离面的方程,有
$ \sum\limits_{{{x}_{i}}=l}{{{a}_{i}}{{y}_{i}}k\left( {{x}_{i}}, {{x}_{j}} \right)}+b=0 $ |
SVM的判别函数形式为
$ y={\rm sgn} \left[\sum\limits_{{{x}_{i}}\in S_{\rm V}}{{{a}_{i}}{{y}_{i}}k\left( {{x}_{i}}, {{x}_{j}} \right)+b} \right] $ | (4) |
$ b=-\dfrac{1}{2} \mathop {\max }\limits_{l:{y_i} = - 1} \, \left[\sum\limits_{{{x}_{j}}\in S_{\rm V}}^{l}{{{a}_{j}}{{y}_{j}}k\left( {{x}_{i}}, {{x}_{j}} \right)} \right]-\\{\kern 40pt}\dfrac{1}{2}\mathop {\max }\limits_{l:{y_i} = + 1} \, \left[\sum\limits_{{{x}_{j}}\in S_{\rm V}}^{l}{{{a}_{j}}{{y}_{j}}k\left( {{x}_{i}}, {{x}_{j}} \right)} \right] $ | (5) |
式中:
对支持向量机而言,欲得到准确的分类数据和输出结果,需要确定正确的训练样本输入参数,只有确定合理的输入参数,才能凭借输出结果对煤层气水平井随钻地层进行有效的判识。
调研发现,自然伽马[10-11]、声波时差、补偿密度以及补偿中子能较好地表征不同地层的岩性情况[12-13],若地层岩性发生变化,这四种测井参数的变化趋势较为显著[14-15]。因此,本文选择由井下工具随钻获取的自然伽马、声波时差、补偿密度以及补偿中子作为煤层气水平井地层判识模型的输入参数[5]。
这4种参数的原始测井数据映射到高维空间
为了建立煤层气水平井随钻地层判识模型并进行模型测试,从某区块的两口煤层气水平井采集上述4种所选测井参数,一号井的数据作为模型训练样本,共采集450组测井数据;二号井的数据作为模型测试样本。训练样本数据需通过训练学习和参数优选等过程,用以对地层岩性进行判识;测试样本数据用以检验所建立模型的判识能力。
训练样本和测试样本均由输入参数和输出结果两部分构成,将自然伽马、声波时差、补偿密度、补偿中子作为模型的输入参数;地层岩性信息作为模型的输出结果。
1.3 输入参数的归一化处理由于各原始测井数据的单位量级存在差异,物理意义也有所不同,为了避免将原始测井数据直接作为输入参数而导致较大的结果数据误差,需要对原始测井数据进行处理。采用线性归一化的处理方法将原始数据转化为到[0, 1]区间
$ {{\bar{x}}_{i}}=\dfrac{{{x}_{i}}-{{x}_{\min }}}{{{x}_{\max }}-{{x}_{\min }}} $ | (6) |
式中:
通过上式将原始测井数据进行线性归一化处理后作为输入参数,输入参数可以用以下向量来表示
$ X=({{x}_{1}}, {{x}_{2}}, \cdots, {{x}_{i}}) $ | (7) |
式中:
支持向量机中在特征空间的求解是以点积的形式完成的,根据不同的分类需求,选择合适的核函数可以有效提高分类的准确率,常用的核函数有
(1) 多项式核函数
$ K\left( {{x}_{i}}_{.}, {{x}_{j}} \right)={{\left( \left\langle {{x}_{i}}_{.}, {{x}_{j}} \right\rangle +1 \right)}^{d}} $ | (8) |
多项式核函数对应的支持向量机是一个
(2) 高斯径向基核函数
$ K\left( {{x}_{i}}, {{x}_{j}} \right)={{\rm e}^{-\dfrac{{{\left| {{x}_{i}}-{{x}_{j}} \right|}^{2}}}{2{{\sigma }^{2}}}}} $ | (9) |
式中:
对应的支持向量机是一个径向基函数分类器。
(3) Sigmoid核函数
$ K\left( {{x}_{i}}, {{x}_{j}} \right)={\rm tanh}~\left[b\left( {{x}_{i}}, {{x}_{j}} \right)+c\right] $ | (10) |
式中:
为提升地层判识结果的准确性,使用一号井的450组训练样本数据对核函数进行选择,将训练样本数据归一化处理后,使用上述3种常规核函数的支持向量机模型输出地层判识结果,并与理想输出结果(真实地层信息)对比,优选出最适合地层判识的核函数。结果如表 1所示。
由表 1可见,高斯径向基核的平均判识正确率为90.2%,Sigmoid核的平均判识正确率为77.2%,多项式核的平均判识正确率为68.4%。高斯径向基核作为地层判识模型核函数的输出结果正确率远高于其他两种核函数,同时,鉴于本文中所涉及的分类问题属于非线性问题,高斯径向基核函数能够适应任意分布样本,特别是样本有限或缺少先验分布时,高斯径向基核函数也能取得较好的分类效果。此外,高斯径向基核函数的参数选择较容易,当参数在有效范围内改变时,空间复杂度变化较小,易于实现[17-18]。因此,选择高斯径向基核函数作为煤层气水平井随钻地层判识模型的核函数。
高斯径向基核函数中,随着参数
本文建立的基于SVM的随钻地层判识模型,其核参数
当寻求
由图 2可知,在一定范围内,训练精度随着
为了使基于支持向量机的地层判识模型获得最优判识性能,在确定最优的
基于SVM的煤层气水平井地层判识模型对地层的判识流程如图 4所示,判识的主要步骤为:(1)确定支持向量机的输入参数和输出参数,采集所需的输入参数,完成训练样本和测试样本的制作;(2)将输入参数进行归一化处理;(3)选择符合分析要求的核函数
基于上述分类方法建立煤层气水平井随钻地层判识模型,%开发了一套煤层气水平井随钻地层判识系统,并针对研究区块内的各井普遍采用的随钻测井工具组合模式和采集数据种类,选取了自然伽马、声波时差、补偿密度,以及补偿中子4条曲线进行随钻地层判识分析[19-20, 21]。
该系统对研究区块内多口水平井进行了随钻地层判识,应用效果良好。以某水平井的部分测井数据作为测试样本进行说明。该井为一口开发井,其所在的区块总体构造形态为马蹄形斜坡,东、西、南三个方向为隆起区,区域内的地层平缓,其地层倾角处于2°
于1 890.000
图 5中,自然伽马曲线有明显波动,但高低值并无明显呈现,地层泥质含量并没有明显层状沉积,再结合区块沉积有明显的沼泽相沉积特征,又由于该区块内存在地层平行不整合的现象,泥盆系和志留系的缺失也在一定程度上造成了自然伽马测量曲线的较大波动;此外,在煤层沉积过程中可能还形成了较多的泥岩条状带,这也会引起煤层段自然伽马测量值的升高。而补偿密度曲线在1 895.000
采用基于SVM的煤层气水平井随钻地层判识模型对1 890.000
SVM模型聚类分析表明,1 894.750 m处钻具进入煤层,现场气测录井全烃显示高值;在井深1899.875 m处离开煤层,现场气测录井全烃显示低值;在1 915.250
基于SVM的随钻地层判识模型在该井1 890.000
(1) 煤层气水平井随钻地层判识模型仅使用自然伽马、声波时差、补偿密度,补偿中子4个测井参数进行运算,该模型运算量小,运算速度快,在判识准确度较高的前提下实现了对地层岩性的随钻判识。
(2) 将判识模型的输入参数进行归一化处理,根据训练样本数据优选了核函数并对核参数
(3) 建立的煤层气水平井随钻地层判识模型现场应用表明,随钻地层判识结果正确率较高,能够满足地层判识的要求。
[1] |
SCHLACHTER G. Using wireline formation evaluation tools to characterize coalbed methane formations[J]. SPE 111213-MS, 2007. doi: 10.2118/111213-MS |
[2] |
AL-MUDHHI M A, AL-HAJARI A A, BERBERIAN G, et al. Geo-steering with advanced LWD technologiesplacement of maximum reservoir contact wells in a thinly layered carbonate reservoir[J]. IPTC 10077-MS, 2005. doi: 10.2523/10077-MS |
[3] |
李建民, 李黔, 梁海波, 等. 煤层气水平井的煤层实时识别技术[J]. 天然气工业, 2010, 30(10): 60-63. LI Jianmin, LI Qian, LIANG Haibo, et al. Real-time identification of coal beds in coalbed methane horizontal wells[J]. Natural Gas Industry, 2010, 30(10): 60-63. doi: 10.3787/j.issn.1000-0976.2010.10.015 |
[4] |
钟仪华, 李榕. 基于主成分分析的最小二乘支持向量机岩性识别方法[J]. 测井技术, 2009, 33(5): 425-429. ZHONG Yihua, LI Rong. Application of principal component analysis and least square support vector machine to lithology identification[J]. Well Logging Technology, 2009, 33(5): 425-429. doi: 10.16489/j.issn.1004-1338.2009.05.008 |
[5] |
刘跃辉, 郑建东. 基于支持向量机原理的复杂地层岩性识别方法[J]. 国外测井技术, 2011, 31(4): 22-24. LIU Yuehui, ZHENG Jiandong. The lithology identification method based on support vector machine principle[J]. Foreign Logging Technology, 2011, 31(4): 22-24. |
[6] |
于代国, 孙建孟, 王焕增, 等. 测井识别岩性新方法——支持向量机方法[J]. 大庆石油地质与开发, 2005, 24(5): 93-95. YU Daiguo, SUN Jianmeng, WANG Huanzeng, et al. A new method for logging lithology identification-SVM[J]. PetroChina Geology & Development, 2005, 24(5): 93-95. doi: 10.3969/j.issn.1000-3754.2005.05.033 |
[7] |
张学工. 关于统计学习理论与支持向量机[J]. 自动化学报, 2000, 26(1): 32-42. ZHANG Xuegong. Introduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica, 2000, 26(1): 32-42. doi: 10.16383/j.aas.2000.01.005 |
[8] |
AL-HAJARI A, SOREMI A, MA S M, et al. Proactive geosteering in thin reservoir bounded by anhydrite in Saudi Arabia[J]. IPTC 13304-MS, 2009. doi: 10.2523/IPTC-13304-MS |
[9] |
THOMAS S P, J. AL-THUWAINI J K, PETRICK M, et al. Breakthrough drilling performance in horizontal deep gas wells with application of geo-steering technique in Saudi Arabia[J]. SPE/IADC 96362, 2005. |
[10] |
张莹, 潘保芝. 松辽盆地火山岩岩性识别中测井数据的选择及判别方法[J]. 石油学报, 2012, 33(5): 831-834. ZHANG Ying, PAN Baozhi. Selection and identification of logging data for lithology recognition of volcanic rocks in Songliao Basin[J]. Acta Petrolei Sinica, 2012, 33(5): 831-834. |
[11] |
CRIPPS A C, MCCANN D M. The use of the natural gamma log in engineering geological investigations[J]. Engineering Geology, 2000, 55(4): 313-324. doi: 10.1016/S0013-7952(99)00085-X |
[12] |
史謌, 黄联捷, 沈联蒂. 声波时差与岩石岩性参数关系的统计分析研究[J]. 北京大学学报(自然科学版), 1990, 26(4): 506-512. SHI Yu, HUANG Lianjie, SHEN Liandi. Study of the relationships among acoustic travel-time differences and related parameters of a medium using statistical analysis method[J]. Journal of Peking University(Science and Technology), 1990, 26(4): 506-512. doi: 10.13209/j.0479-8023.1990.066 |
[13] |
KITHAS B A. Lithology, gas detection, and rock properties from acoustic logging systems[C]. SPWLA 17th Annual Logging Symposium, 1976.
|
[14] |
于振锋, 程日辉, 赵小青, 等. 砂岩补偿中子补偿密度响应与孔隙类型研究——以海拉尔盆地乌南凹陷下白垩统砂岩为例[J]. 中国矿业大学学报, 2012, 41(4): 589-596. YU Zhenfeng, CHENG Rihui, ZHAO Xiaoqing, et al. CNL-DEN response and pore types of sandstones:A case study on sandstones in Lower Cretaceous of Wunan Depression in Hailar Basin[J]. Journal of China University of Mining & Technology, 2012, 41(4): 589-596. doi: 10.3969/j.issn.2095-2686.2012.04.025 |
[15] |
王泽华, 朱筱敏, 孙中春, 等. 测井资料用于盆地中火成岩岩性识别及岩相划分:以准噶尔盆地为例[J]. 地学前缘, 2015, 22(3): 254-268. WANG Zehua, ZHU Xiaomin, SUN Zhongchun, et al. Igneous lithology identification and lithofacies classification in the basin using logging data:Taking Junggar Basin as an example[J]. Earth Science Frontiers, 2015, 22(3): 254-268. doi: 10.13745/j.esf.2015.03.022 |
[16] |
荣海娜, 张葛祥, 金炜东. 系统辨识中支持向量机核函数及其参数的研究[J]. 系统仿真学报, 2006, 18(11): 3204-3208. RONG Haina, ZHANG Gexiang, JIN Weidong. Selection of kernel functions and parameters for support vector machines in system identification[J]. Journal of System Simulation, 2006, 18(11): 3204-3208. doi: 10.16182/j.cnki.joss.2006.11.050 |
[17] |
PANG Hongxia, DONG Wende, XU Zhihai, et al. Novel linear search for support vector machine parameter selection[J]. Frontiers of Information Technology & Electronic Engineering, 2011, 12(11): 885-896. doi: 10.1631/jzus.C1100006 |
[18] |
HEIDENREICH K M. Combining slimhole rotarysteerable technology with real-time geosteering to rejuvenate a mature North Sea Field[J]. SPE 96801, 2005. doi: 10.2118/96801-MS |
[19] |
MOESTOPO H S, JACOBS E, NUR H, et al. Utilizing geosteering in horizontal wells to maximize value in mature fields, Central Sumatra, Indonesia[J]. SPE 109844MS, 2007. doi: 10.2118/109844-MS |
[20] |
JOHN U J, STEWART A A, TRIBE I, et al. Dumbarton Field, UKCS:rapid redevelopment of a complex, mature northsea asset using new rotary-steerable and geosteering technologies[J]. SPE 112365-MS, 2008. doi: 10.2118/112365-MS |