2. 低渗透油气田勘探开发国家工程实验室;
3. 中国石油长庆油田公司第七采油厂
, Shi Jianchao1,2
, Chen Xiaodong1,2
, Jing Wenping3
, Zhang Baojuan1,2
, Xie Qichao1,2
, Shi Jian1,2
2. National Engineering Laboratory for Exploration and Development of Low Permeability Oil & Gas Fields;
3. No.7 Oil Production Plant, PetroChina Changqing Oilfield Company
随着近年来鄂尔多斯盆地的勘探开发对象向深层、源内、盆地周边及外围新领域转变[1-3]，处于盆地西缘中段的山城—洪德—演武一带勘探发现了较为丰富的长8储量资源，打破了多年来困扰盆地石油勘探开发的西翼“禁区”，近年来已发现D5、H66、Y54等多条长8有利勘探区带，砂体厚度大、储层物性好，预测潜力资源量超亿吨，展现出良好的勘探开发前景。该区域构造成藏环境复杂，靠近西缘冲断带，受构造断裂、源储配置、储层物性等多因素控制，油水关系复杂，其特殊地质背景、成藏以及储层特征，与传统油藏有着显著的差异[4-5]。统计发现该区长8油层电阻率普遍分布于3.0~15.0Ω·m之间，识别难度较大，对后续勘探增储的部署、开发方案的制定与开发政策的优化等造成了较大的影响，困扰该区域高效勘探开发与建产。因此加强低阻油层的评价研究在该区域就显得尤为重要。
对于低阻油层，国内外学者有不同的观点，总体来说，有两种定义低阻油层的方向，即含油饱和度和电阻增大率。一种是将含油饱和度接近或低于50%、电阻增大率小于3的油气层定义为低阻油气层；另一种是指在同一油水系统内油层与纯水层的电阻率之比小于2，即相对低阻油层，通常定义为低阻油层；而油层电阻率小于围岩电阻率或小于水层电阻率即绝对低阻油层[6-7]。一个油层是否为低阻油层，唯一的参照对象是同一油水系统内的水层电阻率，而不是邻近的泥岩层（围岩）或干层，更不能以油层电阻率值的高低来划定。研究区长8油藏成因与油水关系复杂且含油饱和度低，电阻增大率小于2.5，油层与同一系统内纯水层的电阻率之比小于2.0，呈现典型的低阻特征，严重制约着该区域的精准测井解释与储层流体识别。由于常规测井解释方法对低阻储层流体识别精度不高，而人工智能神经网络算法因其普适性强、学习与抗干扰能力强等特点，在各个领域逐步推广应用[8-12]。本文着重总结鄂尔多斯盆地西缘长8储层低阻特征，分析其具体成因，进而在人工神经网络模型基础上提出QRw和PC1两项敏感参数交会图版，从现有的测试资料与实际应用效果来看，可以较大程度地提高对该区域储层流体识别的精度，从而较好地指导盆地西缘中段地区长8储层勘探增储与建产开发的方案部署与政策制定。
1 区域地质概况盆地西缘中段的山城—洪德—演武一带覆盖面积约为1050km2，区域构造总体较为复杂。研究区构造上横跨天环坳陷和西缘冲断带（图 1）。中生代以后经历了4期主要的构造运动[4]，以挤压为主，晚三叠世早期，华北地台解体，鄂尔多斯盆地进入台内拗陷阶段，形成闭塞—半闭塞的内陆湖盆；三叠纪末，受印支运动的影响，盆地抬升，山城—洪德—演武一带延长组顶部遭受不同程度的剥蚀，形成沟壑纵横、丘陵起伏的古地貌景观；晚侏罗世—早白垩世的挤压推覆最为强烈，基本奠定了现今构造和沉积格局。研究区3期断裂发育，断层从深到浅有一定的继承性发育特征，深层印支期多为逆断层，到浅层喜马拉雅期则多为正断层。区内天环坳陷轴部位于该区山城—罗山川东一线[3]，西部地层东倾，坡度陡，东部西倾，坡度缓。长8发育的主要沉积微相类型有辫状分流河道[13]、泛滥平原、河口坝、水下分流河道和水下分流间湾，储层孔隙类型以粒间孔为主，占总孔隙的60%以上，长石溶孔、岩屑溶孔、杂基溶孔次之，区内断层发育，从后期分析看对低阻具有一定的控制作用。
|
图 1 鄂尔多斯盆地西缘中段构造位置图 Fig. 1 Structural location of the middle section of the western margin of Ordos Basin |
鉴于K均值聚类分析方法具有计算大规模数据处理速度快、对凸形簇结构处理效果好等优势，为定量表征研究区与研究区东部邻区的储层在测井相上表现差异，选取该方法进行两个区域的对比分类研究，聚类前须选择储层特征影响指标，选择原则为：（1）对储层电阻差异有显著影响的特征因子；（2）能获取这些指标的数值。以研究区北部长8段东西部储层在测井曲线上表现为例（图 2、图 3）编写程序进行分类。在储层测井曲线标准参数选择中，选取了反映储层“四性”的电阻率、声波时差、自然电位、泥质含量、孔隙度、渗透率等测井参数构建6维输入变量。
|
图 2 研究区井1长81测井解释成果图（井1位置见图 1） Fig. 2 Logging interpretation results of the first sub-member of the eighth member of Yanchang Formation in Well 1 in the study area (well location is in Fig. 1) |
|
图 3 盆地本部典型井2长82测井解释成果图（井2位置见图 1） Fig. 3 Logging interpretation results of the second sub-member of the eighth member of Yanchang Formation in typical Well 2 in the basin (well location is in Fig. 1) |
通过计算各类测井参数指标到各聚类中心距离来判别盆地西缘与盆地本部储层在测井相上的区分特征（表 1）。利用K均值聚类分析方法，可将输入变量划分为两类，分类结果与区域位置分布具有极高的符合性（图 4）。
|
表 1 研究区及邻区长8段储层K均值聚类中心统计表 Table 1 Statistics of K-means cluster centers of reservoir in the eighth member of Yanchang Formation in the study area and adjacent areas |
|
图 4 研究区长8储层孔隙度与电阻率交会图 Fig. 4 Cross plot between porosity and resistivity of reservoir in the eighth member of Yanchang Formation in the study area |
结果表明，研究区储层整体呈现为低电阻率、低自然电位、高声波时差的电性特征。从典型井的曲线特征也可以发现，盆地本部与研究区相邻的典型井2测井曲线表现为低声波时差、低孔隙度、低渗透率、高电阻率的特征，储层物性差，影响自然电位曲线质量，参考价值较低（图 3）；而研究区典型井1测井曲线表现为高声波时差、高孔隙度、高渗透率、低电阻率、自然电位负异常程度高，反映高矿化度环境（图 2）。
3 低阻油层成因分析造成油层电阻率低的原因分为内因和外因[6]。导致油层低阻的内因主要包含高束缚水饱和度、黏土矿物附加导电性、导电矿物、油水分异作用及高地层水矿化度等；外因主要是钻井液入侵造成油层电阻率降低等。结合储层特征主要从以下几个方面对研究区低阻成因进行分析论述。
3.1 高地层水矿化度当地层水矿化度变化大时，油层中的高地层水矿化度会形成发达的导电网络，使得油层电阻率降低，将较大的影响储层电阻率，使得油层与水层的界限不易识别。研究区地层水水型主要为CaCl2型，Cl-浓度介于22~35g/L，平均浓度为28.5g/L；总矿物质浓度介于32~58g/L，平均浓度为46.7g/L。而与研究区相邻的东部区域，Cl-浓度介于4~18g/L，平均浓度为10.5g/L；总矿物质浓度介于15~22g/L，平均浓度18.1g/L。分别绘制地层水Cl-浓度与电阻率曲线图和地层水总矿化度浓度与电阻率曲线图（图 5、图 6），随着地层水Cl-浓度和总矿化度浓度增加，油层电阻率下降，且低阻段变化斜率明显大于高阻段，说明研究区高地层水矿化度是低阻油层形成的主要因素之一。
|
图 5 研究区与邻区长8储层Cl-浓度与电阻率交会图 Fig. 5 Cross plot between Cl- concentration and resistivity of reservoir in the eighth member of Yanchang Formation in the study area and adjacent areas |
|
图 6 研究区与邻区长8储层地层水矿化度与电阻率交会图 Fig. 6 Cross plot between formation water salinity and resistivity of reservoir in the eighth member of Yanchang Formation in the study area and adjacent areas |
进一步分析研究区高矿化度地层水成因，表明沉积环境、成藏驱替作用以及后期地层水活动均会导致地层水矿化度的不同[14]。地震资料显示研究区经历了喜马拉雅期、燕山期与印支期3期较为复杂的构造运动，各期次断层在研究区普遍发育（图 7）。从盆地西缘地表水取样，化验分析结果显示该区地表水矿化度高（20000mg/L以上），在后期构造运动地层水活动过程中，各期次断层可能为地表水提供活动通道。有较大概率导致部分高矿化度地表水进入优质储层。
|
图 7 研究区断裂属性平面图（a、b）及三维典型连井地震剖面（c） Fig. 7 Plane distribution of fault attributes (a、b) and 3D typical well connected seismic profile (c) in the study area |
为进一步论证，在研究区开展流体包裹体实验，检测到大量沥青，印证了早期充注原油，并遭受后期破坏的观点（图 8）。表明研究区地表水侵入破坏古油藏可能性较大。
|
图 8 洪德油田典型井（H39）测井解释图及流体包裹体微观照片 Fig. 8 Logging interpretation results and microscopic photos of fluid inclusions in a typical well (H39) in Hongde Oilfield |
影响束缚水饱和度的因素主要有岩石颗粒粒度细、泥质含量高以及复杂孔隙结构等[15]。成岩过程中泥质含量高、岩性细的储层因比表面积大、吸附能力强等，可吸附水中的离子而在颗粒表面形成矿化度较高的水膜；在成藏过程中，微、小孔喉中的地层水难驱替，从而保留了较高矿化度的地层水。油层含有大量的束缚水，就会形成发达的导电网络，导致油层电阻率低，随着束缚水饱和度的升高，电阻率呈下降趋势。通过开展水驱油实验分析与核磁共振流体可动性分析，研究区束缚水饱和度分布范围达到35%~66%（表 2、图 9），平均束缚水饱和度高达40.8%，高束缚水饱和度是研究区低阻重要成因之一。
|
|
表 2 研究区水驱油实验数据统计表 Table 2 Statistics of water driving oil experimental data in the study area |
|
图 9 核磁共振流体可动性分析化验T2分布图 Fig. 9 NMR T2 spectrum of fluid mobility analysis |
岩石颗粒越细，比表面积就越大，从而吸附更多的薄膜水，也会形成更多的微孔隙，使得孔隙的弯曲度变大，造成毛细管压力变大，最终导致毛细管滞留水增多。低阻油层的岩石颗粒粒度一般较细，岩性以细砂岩和粉砂岩为主。研究表明岩石颗粒越细，导致电阻率下降程度越大[16-17]。研究区岩心孔隙度低（8.6%~14.2%），细砂以下占比大（52%~75%），其中长81储层较长82储层岩石颗粒粒度更细（表 3），而统计研究区油层束缚水含量与油层率发现，长81较长82束缚水含量更高，电阻率更低，说明岩石颗粒粒度细是形成高束缚水饱和度的因素之一。
|
|
表 3 研究区长8砂岩粒度特征统计表 Table 3 Statistics of grain size characteristics of sandstone in the eighth member of Yanchang Formation in the study area |
研究区黏土矿物包括绿泥石、水云母、铁方解石和高岭石等。黏土矿物对电阻率影响主要包含两个方面：一是随着黏土矿物含量增加，会造成岩石孔隙的堵塞，使得岩石颗粒的表面积变得更小，同时受制于黏土矿物的吸水膨胀及其他矿物组合，导致储层中束缚水含量的提高，从而造成储层电阻率的降低。二是伊利石、蒙皂石等在黏土矿物表面产生的负电性，使黏土表层上累积较多的阴离子，而黏土矿物中则由于附加导电作用，产生低阻油层[18]。
X射线衍射分析结果表明，研究区的泥质含量介于4.5%~17.6%，平均为9.6%，其中，以绿泥石（含量为46.7%）和铁方解石（含量为14.2%）为主（表 4）。从扫描电镜照片可以看出，黏土矿物多以分散质点状充填于粒间孔隙或者贴附在颗粒表面（图 10）。研究区岩石颗粒粒度细，以细砂岩为主，粒径主要介于0.12~0.28mm（图 11）。因此，研究区发育的高含量和分散状的黏土矿物为形成高束缚水饱和度提供了物质基础[19]，但蒙皂石等附加导电性强的黏土矿物含量低，所以黏土矿物附加导电性对研究区低阻影响作用小。
|
|
表 4 研究区长8砂岩填隙物组成特征统计表 Table 4 Statistics of interstitial material composition characteristics of sandstone in the eighth member of Yanchang Formation in the study area |
|
图 10 研究区长8低阻油层扫描电镜照片 Fig. 10 SEM image of low-resistivity oil layer in the eighth member of Yanchang Formation in the study area （a) H208井，2803.6m，石英及高岭石胶结充填部分残余粒间孔喉中；(b) H201井，2752.4m，长石可见溶蚀产生粒内孔；（c）D-5井，2652.4m，伊利石黏土矿物充填孔隙中；(d) D-42井，2852.2m，颗粒具定向性，绿泥石薄膜沿颗粒边缘发育，局部少量铁方解石呈星散状分布，连晶状充填孔隙 |
|
图 11 研究区长8低阻油层铸体薄片照片 Fig. 11 Thin section photos of low-resistivity oil layer in the eighth member of Yanchang Formation in the study area (a) YQ-030井，2811.6m, 黑云母水化、泥化，少量铁方解石呈斑状分布，连晶状充填孔隙并交代颗粒，石英次生加大；(b）YQ-029井，2844.7m，颗粒具定向性，绿泥石薄膜沿颗粒边缘发育，局部少量铁方解石呈星散状分布，连晶状充填孔隙；(c) D-38井，2651.8m，少量方解石局部连晶状充填孔隙，绿泥石薄膜沿颗粒边缘发育，3~5μm，石英次生加大；(d) D-1井，2799.9m铁方解石呈斑状分布，连晶状充填大部分粒间孔隙并交代颗粒，绿泥石薄膜呈孔隙衬里状发育，厚8~10μm |
由研究区长8低阻油层泥质含量与束缚水饱和度关系（图 12）可以看出，随着泥质含量的增多，束缚水饱和度呈增加趋势，二者呈正相关，说明泥质含量高是形成高束缚水饱和度的因素之一。
|
图 12 研究区长8低阻油层泥质含量与束缚水饱和度关系图 Fig. 12 Relationship between mud content and bound water saturation of low-resistivity oil layer in the eighth member of Yanchang Formation in the study area |
人工智能研究主要包含模糊聚类和神经网络两种方法：一是模糊聚类，主要用于研究多要素对象的分类问题，在测井自动分层研究中，一般选择纵向连续性较好和岩性特征较明显的测井曲线进行测井相位分析，模糊聚类方法在测井相位分析中的应用就是基于每个采样点的特征向量。二是神经网络，分为监督式学习与非监督式学习两类方法[20]，目前在测井解释中应用比较广泛。测井解释本身就是一种对测井数据的统计归类及识别的过程，非监督式学习神经网络就是一种分类的方法，所以它可以用于测井曲线分层中，而监督式神经网络则可用来进行模式训练，以提高解释资料重复利用率[21]。
4.1.1 选取输入、输出参数，建立分类器模型本次研究选取自然电位、声波时差、孔隙度、渗透率、电阻率、泥质含量6个变量作为输入变量，选取P（水层）、P（油水同层）、P（油层）作为输出值。选用152组数据样本进行学习，构建包含10个分类器模型（图 13、表 5、表 6）的集成算法，取得了良好的储层流体类型识别效果，识别精度为87.5%。
|
图 13 人工神经网络分类器模型结构示意图（表征储层电阻率） Fig. 13 Schematic structural diagram of artificial neural network classifier model (reservoir resistivity characterization) |
|
|
表 5 模型输入层到隐藏层权重系数统计表 Table 5 Statistics of weight coefficients from input layer to hidden layer of the model |
|
|
表 6 模型隐藏层到输出层权重系数统计表 Table 6 Statistics of weight coefficients from hidden layer to output layer of the model |
根据相关性分析，在测井曲线中，多个参数存在较高的相关性。为消除不同指标量纲差异，避免不同测井值不同量级数据引起神经网络计算过程偏差，采用Z-Score归一化方法，将数据进行归一化处理，ZRT、ZAC等符号分别表示RT、AC等归一化后数据。通过主成分分析等无监督降维机器学习方法，将包含电阻率、声波时差等参数在内的六维原始变量，转换为由这6个变量的线性组合所表示的新变量，称为主成分，表达式为
| $ \begin{aligned} P C_1= & -0.645 \times \mathrm{ZRT}+0.887 \times \mathrm{ZAC}-0.774 \times \mathrm{ZSSP}-0.300 \times \\ & \mathrm{ZSH}+0.905 \times \mathrm{ZPOR}+0.713 \times \mathrm{ZPERM} \end{aligned} $ | (1) |
式中 ZRT——电阻率RT归一化后数据；
ZAC——声波时差AC归一化后数据；
ZSSP——自然电位SP归一化后数据；
ZSH——泥质含量SH归一化后数据；
ZPOR——孔隙度POR归一化后数据；
ZPERM——渗透率PERM归一化后数据。
从分布频率结果看对油层、水层的识别精度较高（表 7、图 14）。
|
|
表 7 研究区长8段测井参数相关系数统计表 Table 7 Statistics of correlation coefficients of logging parameters of the eighth member of Yanchang Formation in the study area |
|
图 14 主成分分布频率与流体类型对应关系图 Fig. 14 Corresponding relationship between principal component distribution frequency and fluid type |
利用自然电位和储层电阻率均可计算出地层水电阻率，其中利用自然电位计算的地层水电阻率近似反映真实的地层水环境，表达式为
| $ R_{\mathrm{w}}(\mathrm{SSP})=R_{\mathrm{mf}} \times 10^{S S P / K} $ | (2) |
式中 Rw(SSP)——利用自然电位计算的地层水电阻率，Ω·m；
Rmf——钻井液滤液电阻率，Ω·m；
SSP——自然电位，mV；
K——自然电位系数。
而基于储层电阻率得出的地层水电阻率其数值易受含油性影响，表达式为
| $ R_{\mathrm{w}}(\mathrm{RT})=R_{\mathrm{t}} \times \phi^{m / a} $ | (3) |
式中 Rw(RT)——基于储层电阻率计算的地层水电阻率，Ω·m；
Rt——地层真电阻率，Ω·m；
ф——地层孔隙度；
m——胶结指数；
a——岩性系数。
产油层段，Rw(RT) > Rw(SSP)；反之亦然（图 15）。利用Rw(RT)与Rw(SSP）交会图，可以区分产油层段和产纯水层段，但是尚无法有效区分油层、油水同层、水层，需要继续构建敏感参数。令QRw= Rw(RT)/Rw(SSP），构建新的敏感参数以突出油层、油水同层、水层的差异。水层主要集中分布在QRw≤0.9区域，油层主要分布在QRw≥1.5区域，油水同层主要分布在两者之间（图 16）。
|
图 15 不同算法下地层水电阻率交会图 Fig. 15 Cross plot of formation water resistivities with different algorithms |
|
图 16 QRw分布频率与流体类型对应关系 Fig. 16 Corresponding relationship between QRw distribution frequency and fluid type |
根据国内外研究现状，低阻油层的识别主要包括定性和定量识别两方面，但是现应用最为广泛的是定性识别，这主要是因为定性识别能够更好地针对特定油气藏进行精准识别，较定量识别有更高的准确度[22-25]，依据研究区现有的地质及测井资料在定性识别方面更加完善。本研究创新采用两项研究特征参数建立交会图版法提高对低阻油层进行识别。
通过以QRw和PC1为输入变量，建立机器学习模型。仅需建立单一分类器，识别精度便与基于常规测井参数的集成分类器一致（值为87.5%），这说明了基于电性特征成因提取敏感参数的重要性。绘制QRw与PC1交会图，油层、油水同层、水层呈现出良好的分区性，其中油层区样本数66个，水层区样本数73个，油水层区样本数43个，整体该分区模型准确率达到91.8%，其中油层精准率达到90.9%，油水层精准率达到90.7%，水层精准率达到93.2%（表 8、图 17、图 18）。同时针对该模型开展试油验证，围绕研究区洪德油田长8开展试油验证，共开展试油验证9层/7口井，其中8层试油结果与模型预测相符，初步认为该方法形成的识别图版对长8储层流体类型识别精度可以达到88.9%。
|
|
表 8 人工神经网络模型输入层到隐藏层权重系数统计表 Table 8 Statistics of weight coefficients from input layer to hidden layer of artificial neural network model |
|
图 17 人工神经网络分类器模型结构示意图（QRw和PC1为输入变量） Fig. 17 Schematic structural diagram of artificial neural network classifier model (input variables of QRw and PC1) |
|
图 18 以QRw和PC1神经元建立的研究区长8储层流体类型识别图版 Fig. 18 Fluid type identification plate for reservoir in the eighth member of Yanchang Formation in the study area based on neurons of QRw and PC1 |
在围绕研究区D5长8油藏开发过程中，对H66单元东北部扩边井H66-67井开展低阻油层识别，常规测井图版识别解释该井长811钻遇差油层及水层，通过研究区长8储层流体类型识别图版认为该井钻遇长8均为油层（图 19）。为了进一步验证该识别结果的准确性，对该井进行试油验证，结合传统油水层判识方法选取长81两段出油潜力最大的小层开展压裂试油，试油抽汲结果分别为日产油11.2t和18.6t（图 20），该区具备向外扩边潜力，有效扩大了产能建设实施有利区。
|
图 19 研究区长8储层流体类型识别图版应用 Fig. 19 Application of fluid type identification plate for reservoir in the eighth member of Yanchang Formation in the study area |
|
图 20 研究区H66-67井测井曲线及试油示意图 Fig. 20 Logging curve and oil testing diagram of Well H66-67 in the study area |
（1）研究区低阻油层的主要成因包括高地层水矿化度、高束缚水饱和度等，其中高地层水矿化度形成与该区高矿化度地表水及后期成藏破坏相关性较大；高束缚水饱和度形成与该区岩石颗粒粒度细、黏土矿物含量高等因素相关性强。
（2）针对研究区低阻油层流体识别难题，通过人工神经网络分类器模型以6类关键影响参数为变量形成了主影响参数PC1，同时构建了储层表征参数QRw，最终综合建立了QRw与PC1交会图版，油层、油水同层、水层呈现出良好的分区性。
（3）应用研究创新的基于神经网络形成的低阻油层图版识别方法，针对研究区D5长8油藏开发过程中试验应用，共解释9层/7口井，其中8层试油结果与模型预测相符，识别精度较高。
| [1] |
付金华, 郭正权, 邓秀芹. 鄂尔多斯盆地西南地区上三叠统延长组沉积相及石油地质意义[J]. 古地理学报, 2005(1): 34-44. Fu Jinhua, Guo Zhengquan, Deng Xiuqin. Sedimentary facies of the Yanchang Formation of Upper Triassic and petroleum geological implication in southwestern Ordos Basin[J]. Journal of Paleogeography, 2005(1): 34-44. |
| [2] |
杨华, 梁晓伟, 牛小兵, 等. 陆相致密油形成地质条件及富集主控因素: 以鄂尔多斯盆地三叠系延长组7段为例[J]. 石油勘探与开发, 2017, 44(1): 12-20. Yang Hua, Liang Xiaowei, Niu Xiaobing, et al. Geological conditions and main controlling factors for the formation and enrichment of terrestrial tight oil: taking the 7th member of the Triassic Yanchang Formation in the Ordos Basin as an example[J]. Petroleum Exploration and Development, 2017, 44(1): 12-20. |
| [3] |
杨华, 田景春, 夏青松, 等. 短期基准面旋回叠加样式与储层物性变化模式关系研究: 以陇东地区三叠系延长组长6—长8油层组为例[J]. 成都理工大学学报(自然科学版), 2004(5): 478-483. Yang Hua, Tian Jingchun, Xia Qingsong, et al. Research on the relationship between short term base level cycle overlay patterns and reservoir physical property change patterns: a case study of the Chang 6-Chang 8 oil layers in the Triassic Yanchang Formation of Longdong area[J]. Journal of Chengdu University of Technology (Science & Technology Edition), 2004(5): 478-483. |
| [4] |
赵红格, 刘池洋, 王峰, 等. 鄂尔多斯盆地西缘构造分区及其特征[J]. 石油与天然气地质, 2006(2): 173-179. Zhao Hongge, Liu Chiyang, Wang Feng, et al. Structural zoning and characteristics of the western margin of the Ordos Basin[J]. Oil & Gas Geology, 2006(2): 173-179. |
| [5] |
席胜利, 李文厚, 李荣西. 烃源岩生烃期次与油气成藏: 以鄂尔多斯盆地西缘马家滩地区长7烃源岩为例[J]. 石油勘探与开发, 2008, 35(6): 657-663. Xi Shengli, Li Wenhou, Li Rongxi. The hydrocarbon generation stages of source rocks and the formation of oil and gas reservoirs: a case study of Chang-7 source rocks in the Majiatan area of the western margin of the Ordos Basin[J]. Petroleum Exploration and Development, 2008, 35(6): 657-663. |
| [6] |
孙建孟, 陈钢花, 杨玉征, 等. 低阻油气层评价方法[J]. 石油学报, 1998(3): 95-100. Sun Jianmeng, Chen Ganghua, Yang Yuzheng, et al. Evaluation method for low resistance oil and gas reservoirs[J]. Acta Petrolei Sinica, 1998(3): 95-100. |
| [7] |
张冲, 毛志强, 张超, 等. 低阻油层的成因机理及测井识别方法研究[J]. 工程地球物理学报, 2008(1): 48-53. Zhang Chong, Mao Zhiqiang, Zhang Chao, et al. Research on the genesis mechanism and logging identification method of low resistivity oil reservoirs[J]. Chinese Journal of Engineering Geophysics, 2008(1): 48-53. |
| [8] |
刘威, 刘尚, 白润才, 等. 互学习神经网络训练方法研究[J]. 计算机学报, 2017, 40(6): 1291-1308. Liu Wei, Liu Shang, Bai Runcai, et al. Research of mutual learning neural networks training method[J]. Chinese Journal of Computers, 2017, 40(6): 1291-1308. |
| [9] |
刘合. 油气勘探开发数字化转型: 人工智能应用大势所趋[J]. 石油科技论坛, 2023, 42(3): 1-9. Liu He. Digital transformation of oil and gas exploration and development: unstoppable artificial intelligence application[J]. Petroleum Science and Technology Forum, 2023, 42(3): 1-9. |
| [10] |
Li Fei, Song Haolan, Wang Yifan. Drilling dynamics measurement of drilling motors and its application in recognition of motor operation states through machine learning[J]. Petroleum, 2024, 10(4): 608-619. DOI:10.1016/j.petlm.2024.06.003 |
| [11] |
孙龙祥, 韩宏伟, 冯德永, 等. 基于人工智能的测井地层划分方法研究现状与展望[J]. 油气地质与采收率, 2023, 30(3): 49-58. Sun Longxiang, Han Hongwei, Feng Deyong, et al. Research status and outlook of logging stratigraphic division methods based on artificial intelligence[J]. Petroleum Geology and Recovery Efficiency, 2023, 30(3): 49-58. |
| [12] |
Anand D Kulkarni, Pratiksha D Khurpade, Somnath Nandi. Estimation of SARA composition of crudes purely from density and viscosity using machine learning based models[J]. Petroleum, 2024, 10(4): 620-630. DOI:10.1016/j.petlm.2024.06.001 |
| [13] |
杨华, 付金华, 欧阳征健, 等. 鄂尔多斯盆地西缘晚三叠世构造—沉积环境分析[J]. 沉积学报, 2011, 29(3): 427-439. Yang Hua, Fu Jinhua, Ouyang Zhengjian, et al. Analysis of late Triassic structures and sedimentary environment in the western margin of the Ordos Basin[J]. Acta Sedimentologica Sinica, 2011, 29(3): 427-439. |
| [14] |
王祝文, 刘菁华, 任莉. 基于K均值动态聚类分析的地球物理测井岩性分类方法[J]. 东华理工大学学报(自然科学版), 2009, 32(2): 152-156. Wang Zhuwen, Liu Jinghua, Ren Li. Geophysical logging lithology classification method based on K-means dynamic clustering analysis[J]. Journal of East China University of Technology (Natural Science), 2009, 32(2): 152-156. |
| [15] |
王赛英, 赵冠军, 张萍, 等. 低阻油层形成机理及测井识别方法研究[J]. 特种油气藏, 2010, 17(4): 10-14, 120. Wang Saiying, Zhao Guanjun, Zhang Ping, et al. Research on the formation mechanism and logging identification method of low resistance oil layers[J]. Special Oil & Gas Reservoirs, 2010, 17(4): 10-14, 120. |
| [16] |
左银卿, 郝以岭, 安霞, 等. 高束缚水饱和度低阻油层测井解释技术[J]. 西南石油学院学报, 2000(2): 27-31. Zuo Yinqing, Hao Yiling, An Xia, et al. Logging interpretation technology for low resistivity oil reservoirs with high bound water saturation[J]. Journal of Southwest Petroleum Institute, 2000(2): 27-31. |
| [17] |
赵虹, 党犇, 姚泾利, 等. 鄂尔多斯盆地姬塬地区延长组长2低阻油层成因机理[J]. 石油实验地质, 2009, 31(6): 588-592. Zhao Hong, Dang Ben, Yao Jingli, et al. The genesis mechanism of the Chang 2 low resistivity oil reservoir in the Jiyuan area of the Ordos Basin[J]. Petroleum Geology & Experiment, 2009, 31(6): 588-592. |
| [18] |
李国欣, 欧阳健, 周灿灿, 等. 中国石油低阻油层岩石物理研究与测井识别评价技术进展[J]. 中国石油勘探, 2006(2): 43-50, 72. Li Guoxin, Ouyang Jian, Zhou Cancan, et al. Progress in rock physics research and logging identification and evaluation technology for low resistivity oil reservoirs in China Petroleum[J]. China Petroleum Exploration, 2006(2): 43-50, 72. |
| [19] |
赵军龙, 李甘, 朱广社, 等. 低阻油层成因机理及测井评价方法综述[J]. 地球物理学进展, 2011, 26(4): 1334-1342. Zhao Junlong, Li Gan, Zhu Guangshe, et al. A review of the genesis mechanism and logging evaluation methods of low resistivity oil reservoirs[J]. Progress in Geophysics, 2011, 26(4): 1334-1342. |
| [20] |
印森林, 陈旭, 杨毅, 等. 细粒沉积岩典型低阻油层成因及甜点分布[J]. 石油与天然气地质, 2023, 44(4): 946-961. Yin Senlin, Chen Xu, Yang Yi, et al. The genesis and sweet spot distribution of typical low resistivity oil reservoirs in fine-grained sedimentary rocks[J]. Oil & Gas Geology, 2023, 44(4): 946-961. |
| [21] |
翟利华, 林艳波, 秦智, 等. 鄂尔多斯盆地姬塬地区延长组长4+5低阻油层成因及识别方法[J]. 油气地质与采收率, 2018, 25(2): 50-57. Zhai Lihua, Lin Yanbo, Qin Zhi, et al. Genetic mechanism and identification methods of low resistivity oil reservoirs in Chang4+5 member of Yanchang Formation in Jiyuan area, Ordos Basin[J]. Petroleum Geology and Recovery Efficiency, 2018, 25(2): 50-57. |
| [22] |
王海更, 张博文, 张俊. L油田低阻油层成因分析及挖潜研究[J]. 石化技术, 2024, 31(12): 220-222. Wang Haigeng, Zhang Bowen, Zhang Jun. Genetic analysis and potential research of low resistance oil reservoirs in Bohai L oilfield[J]. Petrochemical Industry Technology, 2024, 31(12): 220-222. |
| [23] |
李晓峰, 刘光中. 人工神经网络BP算法的改进及其应用[J]. 四川大学学报(工程科学版), 2000(2): 105-109. Li Xiaofeng, Liu Guangzhong. Improvement and application of artificial neural network BP algorithm[J]. Journal of Sichuan University (Engineering Science Edition), 2000(2): 105-109. |
| [24] |
杨庆军, 邓春呈, 杨永利, 等. 人工神经网络在低阻油层识别上的应用[J]. 特种油气藏, 2001(2): 8-10, 104. Yang Qingjun, Deng Chuncheng, Yang Yongli, et al. Application of artificial neural networks in identification of low resistance oil layers[J]. Special Oil & Gas Reservoirs, 2001(2): 8-10, 104. |
| [25] |
于红岩, 李洪奇, 郭兵, 等. 基于成因机理的低阻油层精细评价方法[J]. 吉林大学学报(地球科学版), 2012, 42(2): 335-343. Yu Hongyan, Li Hongqi, Guo Bing, et al. Fine evaluation method for low resistivity oil reservoirs based on genesis mechanism[J]. Journal of Jilin University (Earth Science Edition), 2012, 42(2): 335-343. |