0 引言

高分辨率阵列感应测井(HDIL)是一种基于电磁感应原理的新型电阻率测井技术(Yu et al., 2004；宋超等，2015；王飞等，2015；刘丹，2016；王健等，2016).它采用共用一个发射线圈的单发多收、多频工作的结构，利用软件数字聚焦技术，可以提供3种纵向分辨率(1、2、4 ft，1 ft=30.48 cm)、6种探测深度(10、20、30、60、90、120 in，1 in=2.54 cm)的电阻率曲线.与常规电阻率测井系列相比，其优越性主要体现在2个方面：(1) 探测深度为120 in的电阻率曲线受围岩和泥浆侵入影响低，能准确地反映原状地层的信息；(2)6种不同径向探测深度(10~120 in)电阻率曲线的差异能够反映储层流体性质：当储层受泥浆滤液侵入时，侵入带的电阻率将发生变化，储层流体性质不同，侵入带电阻率变化程度不同.目前，基于HDIL技术进行流体识别的方法主要是基于测井曲线的差异，利用常规图版法定性识别(丁娱娇等，2009；周凡等，2011).这类方法没有考虑到测井曲线与储层含气性之间的非线性关系，在储层电性参数复杂情况下，往往难以找准气水层电性界限，识别准确率不高.

测井解释领域追求的目标是资料处理与解释的自动化及智能化，而各种非线性智能算法的引入，使得这种目标成为可能(岳文正和陶果，2003；刘立峰等，2014).鉴于此，本文提出利用遗传算法(GA，Genetic Algorithm)优化支持向量机(SVM，Support Vector Machine)获得遗传支持向量机(GA-SVM，Genetic Algorithm-Support Vector Machine)，然后充分利用高分辨率阵列感应测井和常规测井数据中的隐含信息，建立流体识别的非线性模型，能够较大地提高计算效率和解释的精度，满足实际生产的需要.

1 基于HDIL资料的交会图识别

高分辨率阵列感应测井在同一纵向分辨率下，可以得到探测深度不同的6条电阻率曲线，并且探测深度范围较大.一般情况下，可以测量到原状地层电阻率.因此，高分辨率阵列感应测井电阻率曲线的变化可以很好地反映侵入剖面电阻率的变化.

交会图法在流体识别方面，一直以来都是一种很经典、很实用的方法.因此，可以利用高分辨率阵列感应测井电阻率曲线的变化建立交会图，对苏里格致密砂岩流体性质进行基础的定性或半定量判断.

通常情况下，淡水泥浆侵入后，气层径向电阻率常出现正差异变化，即探测深度越深电阻率值越大，水层径向电阻率常出现负差异变化，即探测深度越浅电阻率值越小.因此，可以应用累积法建立不同径向探测深度电阻率曲线总差异参数D_R，公式为

(1)

式(1) 中，M₂R₁~M₂R_X为高分辨率阵列感应测井在纵向分辨率为2 ft、径向探测深度为10~120 in的电阻率曲线.电阻率曲线总差异参数D_R可以定量地描述侵入剖面电阻率的变化特征.即低阻侵入时，因泥浆电阻率小于原状地层电阻率，所以电阻率曲线总差异参数D_R为一个大于1的数；高阻侵入时，因泥浆电阻率大于原状地层电阻率，所以电阻率曲线总差异参数D_R为一个小于1的数.此外，因考虑到在识别气水层时，为加大判定流体性质参数的取值范围，更好地反映流体性质，取深探测电阻率M₂R_X(反映原状地层电阻率)与电阻率曲线总差异参数D_R的乘积作为另一电阻率综合识别参数RD_R，它与电阻率曲线总差异参数D_R的区分效果一致，其计算公式为

(2)

式(2) 中，D_R为无量纲参数.图 1a为电阻率曲线总差异参数D_R与高分辨率阵列感应测井电阻率M₂R_X交会图.图 1b为电阻率曲线总差异参数D_R与电阻率综合识别参数RD_R交会图.从图中可以看出，当地层中存在干层、含气层、含气水层、气层、气水同层以及水层时，图 1a和图 1b都有一定的流体识别效果.因为气层是主要的生产层，所以交会图的首要目的是识别出气层段.从图中可以看出，气层的高分辨率阵列感应测井电阻率M₂R_X基本上大于10 Ω·m，电阻率曲线总差异参数D_R基本上大于1，而电阻率综合识别参数RD_R是一个综合参数，加大了高分辨率阵列感应测井电阻率M₂R_X和电阻率曲线总差异参数D_R的识别力度，使气层数据点基本上位于图 1b的右上部，减少了与其他层段数据的交汇部分.

这种识别图版法只能大致展现不同流体类别间的差异，实际上不同径向探测深度电阻率曲线间的差异不仅仅与储层的含气性有关，还与原状地层电阻率、泥浆滤液矿化度和地层的渗透性等因素有关.单个图版只能综合分析较少的测井资料，难以综合多方面的因素，因此基于这类图版的解释往往存在主观性和不确定性.而且由于地质条件和沉积环境的复杂性，测井响应和实际地质储层之间存在非线性关系，基于交会图的线性测井响应方程和统计经验公式很难表征储层的真实特性，进而不能满足实际生产需要.

2 求取拟高分辨率阵列感应测井曲线

在实际生产中，很多井并没有高分辨率阵列感应测井电阻率数据.为了在建立致密砂岩流体识别模型时有足够的数据支持，需要通过研究近井壁曲线(M₂R₁、M₂R₂、M₂R₃)、远井壁曲线(M₂R₆、M₂R₉、M₂R_X)与三孔隙度曲线(声波时差测井曲线AC、中子测井曲线CNL、密度测井曲线DEN)、反映泥质含量的自然伽马曲线(GR)、深、浅侧向电阻率曲线(RLLD、RLLS)的内在关系，由常规测井给出类似于高分辨率阵列感应测井的电阻率曲线，进而利用侵入剖面电阻率差异判断流体性质.拟阵列计算方程如下：

(1) 10 in响应值(R_{10 in})：利用声波时差AC、中子CNL、密度DEN、自然伽马GR、深侧向RLLD、浅侧向RLLS六个测井响应值回归得到.公式为

(3)

相关系数为0.97，相对误差为14.353%.

(2) 20 in响应值(R_{20 in})：利用声波时差AC、中子CNL、密度DEN、自然伽马GR、深侧向RLLD、浅侧向RLLS六个测井响应值回归得到.公式为

(4)

相关系数为0.983，相对误差为10.452%.

(3) 30 in响应值(R_{30 in})：利用声波时差AC、中子CNL、密度DEN、自然伽马GR、深侧向RLLD、浅侧向RLLS六个测井响应值回归得到.公式为

(5)

相关系数为0.983，相对误差为10.815%.

(4) 60 in响应值(R_{60 in})：利用声波时差AC、中子CNL、密度DEN、自然伽马GR、深侧向RLLD、浅侧向RLLS六个测井响应值回归得到.公式为

(6)

相关系数为0.982，相对误差为11.245%.

(5) 90 in响应值(R_{90 in})：利用声波时差AC、中子CNL、密度DEN、自然伽马GR、深侧向RLLD、浅侧向RLLS六个测井响应值回归得到.公式为

(7)

相关系数为0.981，相对误差为7.432%.

(6) 120 in响应值(R_{120 in})：利用声波时差AC、中子CNL、密度DEN、自然伽马GR、深侧向RLLD、浅侧向RLLS六个测井响应值回归得到.公式为

(8)

相关系数为0.982，相对误差为11.489%.

3 GA-SVM气水层识别方法

遗传法(GA)是Holland教授提出的模拟自然界遗传机制和生物进化论而形成的一种并行随机搜索最优化方法，按照所选的适应度函数通过遗传中的选择、交叉和变异实现对个体的筛选.本文选取的适应度函数值是对训练集采取K-CV(K-fold Cross Validation)算法下取其准确率.支持向量机(SVM)主要思想是利用核函数对特征空间建立分类超平面来决定样本的归属类别.SVM是一种非常有前景的学习机器，它的回归算法已经成功地用于解决非线性函数的逼近问题.但是SVM参数的选择大多数是凭经验选取，这种方法依赖于使用者的水平，这样不仅不能获得最佳的函数逼近效果，而且采用人工的方法选择SVM参数比较浪费时间，这在很大程度上限制了它的应用.本文选用的核函数是径向基函数(RBF，Radial Basis Function).分类的好坏与选择SVM的惩罚参数c和核函数g有很大关系，为了能够自动地获得最佳的SVM参数，提出了基于自适应遗传算法(GA)的SVM参数选取方法.该方法根据适应度值自动调整交叉概率和变异概率，减少了遗传算法的收敛时间并且提高了遗传算法的精度，从而确保了SVM参数选择的准确性.其流程如图 8所示.

应用GA-SVM方法与神经网络方法进行识别的思路基本一致：识别模型的建立都是基于一定的训练样本，即将已知的测井曲线作为GA-SVM模型的输入向量，将已知的含气性结论作为识别目标，从而建立GA-SVM方法的学习样本.依据学习样本利用GA-SVM进行训练，进而建立识别模型.高分辨率阵列感应资料在储层流体性质识别方面具有较大优势，但单独使用一种测井资料的识别方法具有局限性，应该将高分辨率阵列感应测井资料和常规测井资料结合起来，充分挖掘隐藏在高分辨率阵列感应测井和常规测井数据中气层的含气信息.以传统的交会图识别模型为背景知识，通过对测井资料(包括常规测井和高分辨率阵列感应测井)和试气资料的分析，本文选取的输入特征有：电阻率曲线总差异参数(D_R)、深探测电阻率(M₂R_X)、自然电位(SP)、自然伽马(GR)和声波时差(AC)5条曲线，输出特征以正整数表示：1为干层、2为含气层、3为含气水层、4为气层、5为气水同层、6为水层.将输入特征和对应的输出特征结合构成模型的训练样本.在研究层段内，选取可靠的90个储集层的数据作为样本集，其中60个为训练样本，30个为预测样本.为了保证模型具有较好的泛化能力，达到对流体性质进行识别的目的，选取的训练样本和预测样本都分布在研究区块的同一储层段(盒8层段)内.另外，如果训练样本中不同类型数目差异较大，会对模型的学习和预测效果有较大影响.为了避免这种不利影响，选取的训练样本中干层、含气层、含气水层、气层、气水同层、水层均为10个.另外预测样本中干层、含气层、含气水层、气层、气水同层、水层均为5个.为避免各量纲差异对识别效果的影响，需对样本集的特征进行归一化处理，最终将样本属性值映射到[0, 1]区间上.表 1是建立的GA-SVM流体识别模型的回判准确率和预测准确率统计表.从表 1中可以看出，利用GA-SVM方法可以很好地识别致密砂岩储层中的流体.

图 9为苏里格致密砂岩气藏X128井盒8段测井解释成果图.常规电阻率测井上，43号层段电阻率没有明显的侵入特征，原解释为气层.但基于高分辨率阵列感应测井电阻率数据的GA-SVM预测分类上为气水同层，复查结果为气水同层，纠正了常规测井方法识别流体性质的错误.

4 结论

本文以GA-SVM方法为基础，研究了基于高分辨率阵列感应测井的非线性气水层识别方法，主要结论有：

(1) 将高分辨阵列感应测井与常规测井资料结合，充分挖掘高分辨率阵列感应测井和常规测井数据中的含气、水信息，可以提高资料的综合利用程度，从而提高致密砂岩储层流体识别的精度.

(2) 在无高分辨率阵列感应测井或高分辨率阵列感应测井资料不足的条件下，通过有高分辨率阵列感应测井(HDIL)数据的井点建立与常规测井之间的关系，进而可以使得常规测井也具备高分辨率阵列感应测井的优势.

(3) 利用GA-SVM方法，综合高分辨率阵列感应测井和常规测井资料建立的非线性流体识别模型考虑了储层物性和流体性质等多种因素对测井响应的影响，充分发挥了高分辨率阵列感应测井的工作原理优势和利用遗传算法优化的支持向量机的理论优势，能够较大地提高计算效率和解释精度，满足实际生产的需要.

致谢 感谢审稿专家提出的修改意见和编辑部的大力支持！