复杂油气藏的电相识别和渗透率预测-.pdf

2 0 0 3年 第 2期 测 井与 射孔 测 井方 法研 究 复杂油气藏的电相识别和渗透率预测 S a n g He o n L e e等 著 黄 亚丽 编译 胜利测 井公 司 张 占松校 胜利测 井公 司 摘要 给 出利 用测井 数据预测 渗透 率 的方法 ， 该 方法 使用 非 参数 回归 技 术和 多变量 统计 分 析技 术 分 两步完成 。首先 ， 采 用 主成分分析 P C A 、 基于模型 的聚类分析 MC A 和判别分析 的组合 方法 ， 将测 井 数据划 分成不 同的 电相 。这种划 分仅依据测 井测量反 映 的矿物 和岩 相特 征 ， 而不 需要任 何人 工干 预。然 后 ， 在 每一 类 电相 中应用 非参数 回归技 术 预测渗 透率 。这里 检验 了三种 非参 数 回归技 术 ， 即交 错 条件 期 望 法 A C E 、 广义 加法模 型 GAM 和神经 网络 NN E T 。 探讨 了每种方 法的优点 和不足 。 将 这一技术 用于 P e r mi a n盆地 中的一个具有强烈 非均质性 的碳 酸盐岩储层 的 S a l t Gr e e k 油 田单元 ， 并将 预测结果 同另外 三种分别 基于 分层 、 岩 相 、 流动 单元 分 类法 的渗 透率 预测 结果 进行 了 比较 。对非 取 心井数 据 的预测 结果所 做的判 别分析误 差率检验 表明 。 基 于 电相 的数据 分类 方法要 优 于其它方 法 。对 于 渗透 率预测而 言 ， A CE方 法要 优于其它方 法 。 关键词 渗透率 预测 电相识别 非参数 回归 非均质 性碳 酸盐岩储 层 1 引言 在没有取心的井 中， 利用测井 数据估计 岩石 的渗透率是油藏描述 中一个重要 而困难的任务 。 通常采用经验关系或者某 种形式 的统计 回归 参 数或非参数 技术评价渗透率 ， 但经验模 型中的常 数或者指数如果不做适 当的调整 ， 该模型将 不能 应用 于 沉 积环 境 不 同 的 区域 ； 同时 ， 在这 些 模 型 中 确定束缚水饱和度和胶结指数也存在很 大的不确 定性 。统计 回归方法是一种更通用的解决渗透率 估计 问题 的方法 。常规 的统计 回归 总是要 用参 数 ， 建立多元线性或非线性模型 ， 需要事先假设这 些模 型 的 函数 形式 。 近 年来 引 入 的 AC E、 NNE T 等 非参 数 回归方 法 克服 了常规 多 元 回归 方 法 的局 限性 ， 运 用 于 复 杂碳酸盐岩储层 时 ， 在处理岩 石的多种非均质性 问题 上 显示 出很好 的效 果 。然 而 要 识别 沉 积 环境 突变引起的储层性质 的局部剧烈变化仍存在很大 困难 。碳酸盐岩储层 的另一个 明显特征是孔隙度 和渗透率的不匹配 即低渗透性地 层有高 的孔 隙 度， 或者相反 。从预测 流体流动性 的观点来说 ， 以上这些特征都非常重要 ， 尤其是沿高渗透性条 带发生的早期突破现象 。 为 了提高渗透率预测 的准 确性 ， 我们 提 出几 种 方 法 用 于测 井 数据 分 类 。最 简 单 的方 法 是 利用 流动带信息或储层分层信 息， 其它还 有利用岩 心 识 别 的岩 相 以及 流体 流 动 单元 概 念 的方 法 。然 而 由于成岩作用和复 杂的孔隙结构的影 响 ， 储层 物 理性质变化得 十分剧烈 ， 即使在 同一地层单元 或 同类岩相中也难以在渗透率和测井 曲线之间建立 一 种可靠 的相关关系。其中最大的困难就是对非 取心 井 测井 数 据 的分 类 问题 。 通常 ， 一套测井 曲线能够提供储层关 于矿 物 成分 、 结构 、 沉积构造 、 流体成分 、 水动力性质等非 常有用的但却是间接 的信息。不同的测井响应 表 征 地 层 的 电相 ， 电 相 与 岩 心 表 达 的沉 积 和 成 岩 特 征 的岩相之 间也经常能够建立起相关性 。储层描 述和油藏管理 中也已普遍认识到电相 的重要性 。 本文的 目的是采用电相识别方法结合非参数 回归技术进一步提高在非均质性碳酸盐 岩储层 中 渗透率预测 的准 确 度。我 们在 P e r mi a n盆地 的 S a l t Gr e e k油 田应用此 项技术 ， 并 同另外 三种 常 用 的渗 透率 预 测 方法 进行 了 比较 。 收稿 日期 2 0 0 2 1 2 1 6 译 者简介 黄亚丽 ， 女 ， 助理工程 师． 1 9 6 3年生 ， 1 9 8 9年毕业于胜利 油田职工大学地 质专业 ， 现在 胜利测 井公 司资 料解释研 究 中心从 事 资 料解释研究 、 复查工作 。 维普资讯 学兔兔 w w w .x u e t u t u .c o m 测 井与 射孔 2 0 0 3血 2 方法 我们的方法是建立在测井数据的分 区性和相 关性基础上的统计 回归渗透率预测方法 。概括起 来 ， 该方法 主要分 两步 a 通过 确定 电相 划分数 据 ． b 用非参数 回归技术 确定渗透率相关性 。我 们使用 P C A、 MCA 和判 别分 析方法对测 井数据 进行多变量分析来表征和识 别电相 。该方法以矿 物和岩相的测井响应值 为依 据 ， 不 需要对数据做 任何人工细分 。采用 AC E、 GAM 和 NNE T三种 不同的非参数 回归技术确定 渗透率关 系， 并分析 了这三 种方 法 的优 缺 点 。 2 ． 1 电相识 别 电相分类是用试算法来 识别具有相似特征的 测井响应数据簇， 分为三个步骤 1 主成分分析 主成分分析 P CA 用于有 效地归纳数据 ， 在不 丢失 主要信 息的情况下减少 数 据维 数 。 2 聚类分析 聚类分析 的 目的是将数据集 分成组 ， 根据测量法之间相似性或非相似性 ， 将数 据划分成组 内是相 似的 ， 组问是无关 的。我们使 用基于模型的分级聚类方法 MAC 对数据分类 ， 这种方法在执行结果上要优于传统的“ 最近邻” 或 “K均值” 聚类 方法。分类后 的数据组 可看成 是 反映了水动力、 岩性以及成岩特征 的各个 电相组。 如果有岩心观察 和地质分 析的数据 ， 可以对 电相 组进行刻度 ， 以确保其地质意义。 3 判别分析 判 别分析是一种 多变 量分析 方法 ， 该方法将各个观 测向量按 照测 量值 分配到 两个或更多个预先定义的组中。 判别分析需要事先将 数据 分为小组 ， 每个 小 组具有分组变量 的统 计分布特 征。典 型情 况是， 可以依据测井响应的唯一特 征值或者已知的某种 地质判别准则来定义不同的组 ， 对数据进行分类 。 然而在很 多情况下完全意义 上的分类是不易获得 的， 所以通常使用类 似 MCA 的分类 方法。这 里 由 MC A方法定义的 电相 中， 由一 组训练数据集 确定每一相的概率密度函数 。 2 ． 2 渗透 率 相 关性 一 旦确 定 了 电相 ， 下 一 步 就 是 在 每 一 类 电 相 中建立渗透率和测井响应 的相关性关 系， 我们 使 用 的非参数回归方法不需要 事先假设方程形式 ， 特别的 ， 我们对三种非参数回归方法 GAM、 AC E 和 NNE T 做 了 比较 。 3 应用结果 我 们将 该 项 技 术 用 于 P e r mi a n盆 地 的 S a l t Gr e e k油田单元 ， 该 单元是一个 非均质 性很强 的 碳酸盐 岩储层 。在这里使用常规 的多元 回归方法 预测渗透率不能给出满意的结果 。我们用“ 盲检” 的方 法 进行 了验 证 ， 结 果 表 明我 们 的 方 法 具 有 优 异的预测 能力 ， 同时还将计算结果 同另外三种 分 别基于地层分层、 岩相特征 和流体 流动单元概 念 的方法 进 行 了 比较 。图 1给 出 了方法 的流 程 图 。 第一步 选择一 套 1 r 毫二 步 D c 处 曩 ． 缩 数 据 1 r 第三步 用聚类 分 析定义 电相 ； 1 r 薯四 别 分 折 识 别 电 旧 利 用 电 榻 相 美 曲 线 曛测 j ．遗 率 ． 图 1 基于电相识 别的渗透率预测 方法 示意流程 图 研究 区域位于该单元的西北延 伸区 ， 分布有 8 9口井 。按照 古生物化石 和测井地 层对 比的结 果 ， 该区域在垂向上可分 为 7层 分别是 C 5 、 C 4 、 C 3 、 C 2 b 、 C 2 a 、 Cl b 、 Cl a 。通 过 岩心 分 析 和薄 片 分析确定 了 1 O个岩相 泥岩 、 粉砂岩 、 骨屑粒泥状 灰岩、 海藻粒泥状灰岩、 海藻泥粒灰岩 、 内碎屑 泥 粒灰岩 、 骨屑／ 球状粒泥粒灰岩 、 含粒状碳 酸盐 岩 的球状粒／ 骨屑泥岩、 球状粒／ 骨粒碳 酸盐岩 、 鲡粒 碳 酸盐 岩 。 第一步 数据准备。共有 7口井 数据 用 于分 析 ， 留出 2口有岩心数据 的井用 于测 试相关 性 。 首先对测井数据进行多井标准化 处理 ； 然后通过 维普资讯 学兔兔 w w w .x u e t u t u .c o m 第 2期 复杂 油 气藏 的 电相 识 别和 渗 透 率预 测 比较岩心孔隙度和密度孔 隙度曲线 ， 将岩 心深度 归位到测井曲线上 ； 最后 考虑到 曲线 的质量和在 整个油 田范围内的可使用性 ， 确定 出 1 O条曲线用 于计算 ， 分别是 井径 、 自然 电位 、 自然伽 马、 深侧 向、 浅侧向、 微 球聚焦 、 声波 时差、 中子孔 隙度 、 体 积密度和光电吸收截面指数 ， 只选择其 中的 7条 自然伽马 G R、 深侧 向 L L D、 微球 聚焦 MS F L、 声 波时差 DT、 中子孔 隙度 、 体 积密度 p b 和光 电 吸收截面指数 P E F 用 于电相识别 ， 因为深测 向 和浅测 向的响应是近似 的， 而 自然电位和井径 的 纵 向分辨率低 。 第 二 步 主 成 分 分 析。应 用 主 成 分 分 析 P C A 方法从标 准化后 的测井 数据 中获取 主成 分 P c ， 一1 ， ⋯， 7 ， 主成分由 艺 ／ t r a c e ∑ 定 义 。对于整个数据集合来说 ， 大约 9 O 的方差来 自于四种 主成分。我们可以通过散点 图 图 2 了 解储层性质与 三种 最重要 的主成 分 P C1 、 P C2 、 P C3 之间的关 系 ， P C1与地层 孔隙度有关 ， P C2 与 自然伽马有很强 的相关性 。 协方差矩阵 的特征 向量给出了主成分变换的系数 表 1 ， 例如 P C1 、 P C2可分别用下式表示 P C1 0 ． 1 5 GR 0 ． 3 6 1 o g L LD 0 ． 4 6 1 o g MSFL 一 0 ． 4 6 DT 0 ． 4 7 p d一 0 ． 4 8 N 0 ． 1 PEF 1 P C2 0 ． 6 2 G R 0 ． 3 1 l o g L LD一 0 ． 4 l l o g MSFL 一 0 ．1 3 DT 0． 09 p d一 0 ． O8 N 一 0 ．6 8PEF 2 表 1 P CA 处 理 结 果 PC1 PC2 Pc3 PC4 P C 5 PC6 PC7 GR 0 ． 1 5 0 ． 62 0 ． 7 4 O ．1 7 0 ． 0 7 0 ． 0 0 0 ． 0 2 l O g LL D 0 ． 3 6 0 ．3 1 0 ． 2 7 一 O ．5 g 0 ． 5 8 一 O ．1 0． 0 2 l o g MSFL 0 ． 4 2 0 ．1 4 0 ． 1 9 0 ．3 6 0 ． 7 9 O ． O1 0 ． 0 7 D丁 0 ． 4 6 0 ．1 3 0 ． 2 4 0 ．1 1 一 O ． 1 5 0 ． 8 0． 1 7 p d 0 ． 4 7 0 ． 0 9 0 ． 2 5 0 ． 27 0 ． 0 8 一 O ． 5 4 0． 5 9 N 一 0 ． 4 8 0 ． Og 0 ． 2 0 0 ．2 2 0 ． 0 2 0 ． 2 2 0 ． 7 g P EF 0 ． 1 0 ．6 8 0 ． 4 1 一 O ．5 g O ． O O O ． O 9 一 O ． O 2 特 征 值 3 ． 7 4 1 ． 3 4 0 ． 6 8 0 ． 66 0 ． 3 2 0 ．1 8 0． 0 9 分 布 5 3 ． 5 1 9 ． 1 9 ． 7 9 ． 4 4 ． 5 2 ． 6 1 ． 2 累 积 分 布 5 3 ． 5 7 2 ．6 8 2 ． 3 91 ． 7 9 6 ． 2 9 8 ． 8 1 0 0 第三步 基 于模 型 的聚类 分析 。基 于模 型的 聚类分析方法 MC A 根据 测井特 征值 定义 8个 数据类 图 3 a ， 每一个类都 可看成是反映一定 水 动力、 岩性 、 成 岩特征 的电相。定性 地说 ， 第一类 电相 E F 1指示 了具有低 GR读数 的致密岩性 ， 而 第 8类 电相 E F 8则指示具 有高 GR特征 的孔 隙 性 地层 。 第 四步 数据相关 性。将测 井数据 划分成 电 相后 ， 应用统计 回归技术在 每一类 电相 中建立 渗 图 2 C A t 、 岩 心孔隙度 、 岩心渗透 率、 流 动带指数 F Z I 以及 测井数据 主成分 P C1 、 P C2 、 P C 3的散点 图 透率和测井响应 的关系 。这里使用 了三种非参数 回归技术 AC E、 G AM 和 NNE T ， 并分 别对 它们 的预测结果进行 了评价 。在 NNE T模 型 中使用 5口井 9 0 4个样点的数据 ， 把这些数据分成两组 ， 分别用 于神经网络的训练和监督 。监督数据集合 用于测试能否从训练数据集产生神经网络 。对每 一 个电相都建立 了含有隐含层最优节点数 的神经 网络模 型 ， 并 产 生 监 督 数 据 集 的最 小 均 方 差 MAE。表 2比较了三种建立相关 性 的模 型 的 回 归误 差 ， 表 中列 出了回归过程 中的均方 差 MS E 和平均绝对误差 MAE， 可 以看 出 G AM 方法在数 据 的拟合上要优于另外两种方法 。 表 2 AC E 、 GAM、 NNE T的 回归 误差 与预 测误 差 比较 误 差 ACE GAM NNET 回归误 差 平 均绝对误 差 0 ． 9 7 0 ． 9 2 1 ． 0 6 5口井 ， 9 0 4个数据点 均方 差 1 - 5 8 1 ． 4 5 2 ． 8 5 预测误 差 平 均绝对误 差 1 ． 1 5 1 ． 2 5 1 ． 4 3 G5 1 7井 ， 1 7 4个数据点 均方差 2 ． 2 5 2 ． 9 4 3 ． 7 0 预测误 差 平 均绝对误 差 1 ． 0 4 1 ． 1 9 2 ． 3 7 G5 2 O井 ， 1 8 3个数据点 均方差 1 ． 7 4 2 ． 3 O 9 ． 3 4 第五步 方法有效性 。使 用没 有参 加建模 的 两 口取心井 G5 1 7 、 G5 2 0 来验证预 测渗透率方法 的有效性 。首先在这两 口井 中确定电相 。根据第 三步确定 的 8类 数据 ， 用判别分 析确定一 个判别 函数 ， 通过这个判别 函数 ， 我们可 以在新井或没有 取心数据 的井中确定测井 响应 的分类 。图 3 b给 出了 G5 1 7井中 电相剖 面， 对 每个 电相应 用 相关 性模 型得 到 渗 透率 图 3 c和 3 d 。总 体 说 来 ， G5 1 7井 中用测井数 据预测 的渗透率 同岩心 渗透 率吻合得很好 。表 2列出了 G5 1 7 、 G5 2 0井 的误 维普资讯 学兔兔 w w w .x u e t u t u .c o m 测 井与 射孔 2 0 0 3卑 差结果 。可以看 出在预测 能力上 AC E模型要优 于其它两种非参数回归方法 。神经网络模型在一 些井段估计偏高或偏低 。广义加法模 型 GAM 在 测试井 中的大多数井段都获得 了令人满意的预测 结果 。 图 3 a 电相 在 主 成 分 P C1 、 P C2上 的分 布 图 ； b G 5 1 7井。 由判别分 析确定 的 8个 电相剖面 ；I C 基于 电 相分类和 AC E方 法．的 实测 与 预 测渗 透率 曲线 图 ； d 基于电相和 AC E方 法的 实测与预 测渗透率散点 图 4 同其它渗透率预测技术的比较 在非取心井 中， 三 种不 同的渗 透率预测方法 同我们 的技术做了比较 。第一种方法把测井数据 划分 6个不同的地层组 ， 第 二种 方法是基于岩相 信息的数据分类 ， 第 三种方法则使 用流动单元的 概念预测渗透率。 4 ． 1 基 于地 层 分层 的 数 据 分 类 前 面 的研究 中测 井数 据 被 划分 成 6个不 同的 地层 ， 这 6 层 由古生物 化石分析 和测井 地层 对 比 确定 ， 分别是 c 5 、 c 4 、 c 3 、 c 2 b 、 c 2 a 、 c l b 和c l a。这种 分类方法 的优点在 于 ， 在每一层 中建立起来 的相 关性方程可直接用于该层 的测井数据 。这些层是 由地质家而非判别分 析程序 预先 确定 ， 这样就避 免了分类 法 中低判 别 能力 带来 的预测错 误。另 外 ， 每一层 中都有 足够 的有效数据点去建立稳定 的相关 性 模 型 。 然而在一个单层 中， 由于成岩作用和不 同的 沉积环境造成 的非均 质性 ， 使我们难 以在渗透率 和测井值之 间建立一种 可靠 的关系 。图 4 a和图 4 b中给 出对 G5 1 7井所做 的基于地层分层 的渗透 率预测结果 。可 以看 出， 其预测 结果的均方误 差 比用我们的方法预测高 出近 4 O ， 在 G5 2 0井 中 也得到了相似的结果 。 图 4 a 基于地 质分 层和 AC E方 法的 实 测与 预 测渗 透率对 比 曲线 图； b 基于 地质 分 层和 AC E方 法的 实 测 与预测渗透 率对比散点 图 4 ． 2 基于岩相的数据分类 还可以根据岩心描述和薄片分析确定 的岩相 信息来划分 测井 数据 。S a l t Gr e e k油 田可 由 1 O 种不 同类 型的岩相来描述 。与岩相相关 的岩心渗 透率和孔 隙度值 的分布情况见 图 5 ， 可 以看 出岩 相分组能够反映孔隙度和渗透率之间的非线性关 系。例如 ， 岩相 L T4和 L T5的渗透率是重叠 的， 但它们的孔 隙度是不同的。另一方 面 ， 岩 相 L T3 和 L T 4的孔隙度重叠 ， 但它们的渗透率是明显不 同。图 6 a是不同岩相在 主成分 P C1 、 P C2散 点 图上的分布情况 。图上严重 的重叠突出说 明了划 分和识别分组数据的困难程度 。 为了评价不 同分类方法 的预测能力 ， 定义 一 种简单形式的错误率 小数 为被错分 的训练和试 验数据的比率。表 3列 出了测试井 G5 1 7的错误 率 。很明显 ， 基于岩相信息的判别分 析其预测 能 力要低 于基于电相的分类方法 ， 图 6 b也反映了这 种情况 岩心 描述 和判别 分 析结 果 的吻 合 率 为 5 2 。正像 图 6 c和图 6 d中 G5 1 7井 数据 显示 的那样 ， 测井岩相的错 误识 别使渗 透率预测结果 不好 。这种方法 同我们提 出的方法相 比较 ， 其预 测结果 的均方差高 出近 7 O 9 ， 6 。在 G5 2 0井的计算 也得 到了类似的结果 。 维普资讯 学兔兔 w w w .x u e t u t u .c o m 第 2期 复杂油气j | 【 的电相识 别和渗透率预测 3 9 圈 5 由岩心描述 和薄片分 析确 定的 岩相 内的孔 隙度 和渗透 事分布方块 圈 表 3 不 同分类 方法的错误 率 比较 数据 方 法 错误 率 线性判 别 0 ． 2 2 电相 二次判 别 0 。 1 4 线性判 别 0 ． 4 1 岩 相 二次判 别 n ／ a 线性判 别 O 。 6 6 流动单 元 二次判 别 O 。 6 3 树 形分类法 O ． 6 8 4 。 3 流 动单 元 识别 方 法 近几年出现的基于流动单元概念的渗透率预 测技术其成功之处在于它能够利用测井资料预测 无取心井 中的流动单元。一般是使用贝叶斯概率 法建立由岩心数据分析求得的流动单元与测井响 应 之 间 的关 系 。 利用直方图分 析和 Wa r d的聚类算 法 ， 根 据 岩心资料确 定 了 S a l t Gr e e k油 田的 6个 流动 单 元 。图 7 a 是流动单元在测井数据的主成分 P c1 、 P C Z上的分 布情 况。流动单 元数 据组 与组之 间 的重叠又一 次说 明 了用 该方 法划 分数据 的 困难 性 。使用几种统计学模式 识别技术 包括判别 分 析和树型结构分类 建立 流动单元模型 和测 井响 应之间的关 系， 结果见表 3 。流动单元 分类方 法 在这几种方法中错误率最高 。图 7 b显示 由 G5 1 7 井测井数据计算得到的流动单元 同岩心数据分析 得到的流动单元 明显 不 一致 。图 7 c和 图 7 d表 明， 不合适 的流动单元分类 方法会导致渗透 率预 测结果不好 。然而值得注意 的是 ， 只要 给出岩心 圈 6 a 在 井数 据 的前 两个 主成 分 上 ■ 的 岩相 数 据分布 b 判尉分 析确 定 的 G5 1 7井 岩相 翻面 ； c 基 于岩相 和 A CE方法的 实 与预 渗透 事对 比曲线 圈 ； d 基 于岩相和 A C E方法的 实 与预 渗透 事对 比傲 点圈 孔隙度和岩心流动单元 ， 预测 的渗透率就会很 好 地与岩心渗透率吻合。看来最主要的困难是在非 取心 井 中识别 流动单元 的 问题 。表 4比较 了在 G5 1 7 、 G5 2 0井 中四种预测方 法的均方差 ， 我们的 方法要优 于其它三种方法 。 最近在北部 R o b e r t s o n单元 的应用也得到 了 相似的结果 。R o b e r t s o n单元是 一个非均质性 很 强的碳酸盐岩储层 。虽然我们关注的是碳酸盐岩 储层 ， 但给出的方法具有通用性 ， 可 以应用 于任何 复杂油气储层的渗透率预测。 表 4 四种 渗透搴预 方法在 试 井 中的 预 误差 均方羞 比较 渗透 率预测方法 G5 1 7 G5 2 0 层序地层 3 ． 1 8 2 ． 7 1 岩相分类 3 ． 8 5 3 ． 2 2 流动单元 识别 2 ． 4 1 2 ． 7 7 电相分类 2 ． 2 5 1 ． 7 4 5 结论 该方法的主要思想是将测井数据预先划分成 几个数据类或者 电相 ， 在每一类 数据 中寻找最优 化的渗透率相关模 型， 这样我们 就可 以获得更准 确的渗透率预测结果。使用基 于模型的聚类 方法 一种方便 的‘ ‘ 非监督 型模式识别方法 划分测井 维普资讯 学兔兔 w w w .x u e t u t u .c o m 4 0 测 井与 射孔 2 0 0 3血 图 7 a 流 动 单元 在 主成 分 P C1 、 P C2上 的分 布 图 ； b 判别分 析确定的 G5 1 7井漉动单 元剖 面 ； c 基于流 动单 元特 征的 实测与预测渗透率 对比 曲线 图 ； d 基 于 流 动单 元特征 的实测与预测渗透率 对 比散点 图 数据 。这一技术仅利用测井测量特征 ， 不需要人 为干预。使用判别分析技术 一种简易 的“ 监督” 型模式识别技术 在非取心井中划分电相 ， 可以 提高在非均质性 很强 的环 境 中的渗透 率估计 能 力 。 本文得出以下几点结论 1 结合非参数 回归方 法的电相识别技术在 复杂碳酸盐岩储层 的渗透率预测中显示出明显的 潜力 ； 2 在非取心井 中的判别分析误差率检验说 明基于电相 的数据分类方法要优于基于岩相或流 动单元的数据分类方法 ； 3 在难 以建立渗透率一测井响应函数关 系 的非均质性碳酸盐岩储层 中， 非参数 回归技术是 个实用的渗透率预测工具 ； 4 因为渗透率预测使用 了数据划分和数据 相关技术 ， 所 以该方法 的成功在很 大程度上依赖 于数据分类的判 断能力和模式识别技术。在无取 心井中识别岩相或流动单元的困难会导致使用不 正确的相关性方程 ， 因而也就得不 到准确的渗透 率预测结果 ； 5 相对于三种非参数 回归技术的预测能力 而言 ， 交错条件 期望 AC E方法 要优 于其它两 种 方 法 。 译 自 S P E R e s e r v o i r E v a l u a t i o n E n g i ne e r i ng， 2 0 02 上接第 2 2页 图 2 7 实 测资 料 处 理 。 用试 验 井 AN N 反 演 的 6 子阵 列的结果与 标准处理 结果 比较 。 二者 基本 重合 6 结论 我们提 出了一种处理 HR AI 数据的新 的反 演方法 ， 这种方法是基 于 ANN算法 ， 从所有接收 子阵列得到的数据都分别进 行处理 ， 即使电阻率 差异较大， 也可 以得 到令 人满意 的合成地层的反 演结果。通常情况下 ， 由于较深子 阵列反演时噪 声较大 ， 对 1 子阵列反演 最 困难 。注意 1 子阵 列的数据并不与较浅子阵列数据结合 ， 结果表明， ANN反演能得 到包括 l 子 阵列在内的满意的输 出结果 。 得到的结果表 明了 ANN反演是可 以替代标 准反演的一种可行 的方法 。ANN方法 比传统 的 迭代方法要快三个数量级 。因此 ANN在井场处 理测井资料是很理想的。 译 自 S P WL A 4 2 An n u a l L o g g i n g S y m po s i u m ， 20 01， U ■ t ■王 J i E■ - - - 维普资讯 学兔兔 w w w .x u e t u t u .c o m