论文部分内容阅读
砾岩油藏由于近物源、多水系和快速多变的沉积环境导致储层非均质性严重，岩性物性复杂以及油层电阻率变化幅度大等特点，水淹层的定性识别和定量评价已经成为油田二次调整开发的重点和难点。本文以克拉玛依油田六中区三叠系克下组砾岩油藏为研究对象，在分析目前水淹层评价中所遇到问题的基础上，基于数据挖掘的研究方法，结合密闭取心井资料对砾岩油藏的岩性进行了有效识别，对储层类型进行了合理划分，利用丰富的测井资料建立主要含油岩性的水淹层定量评价参数模型，优选水淹特征参数并结合储层电阻率作为砾岩油藏水淹层定量评价的标准，制定了相应的定量识别规则，最终在岩石物理研究的基础上，结合计算智能的理论和知识形成了一套完整的石油勘探开发中的数据挖掘方法和技术，并且在砾岩油藏水淹层的评价中取得了很好的应用效果。研究中取得了以下成果：(1)利用决策树的分析方法，优选出原状地层电阻率、声波时差和自然伽马3个测井响应值作为砾岩油藏岩性识别的特征参数，建立高精度非线性拟合的岩性识别模型，综合判断准确率达到96.97％。(2)选取密闭取心井的物性参数、压汞驱替参数以及微观孔隙结构参数共计12项作为砾岩油藏储层类型划分的参数组合，对比研究了基于划分、基于层次、基于模型和基于密度的4种聚类算法建立的储层划分标准，结果表明基于划分的k-means算法建立的聚类标准最符合砾岩油藏的地质特征和储层类型的划分精度。(3)分岩性建立砾岩油藏各种测井解释模型，发现砾岩油藏中岩性是影响储层物性参数的第一要素，提出了以砾岩油藏产水率、含油饱和度和采出指数三个水淹层特征参数为主，以储层电阻率为辅的水淹层定量评价方法和规则。(4)提出了一套系统的石油勘探开发中数据挖掘的应用方法，目的是如何准确地获得高性能的地质、油藏、储层以及流体性质评价的预测模型。方法由特征选择、模型参数优化、性能评估3大循环组成，核心技术是遗传算法用于特征选择和参数优化。在砾岩油藏水淹层的评价中，研究了6种特征子集方案和决策树、神经网络、支持向量机、贝叶斯网络和组合学习等5种方法，综合考虑预测模型的准确率和生成规则的可操作性，选择决策树模型作为砾岩油藏水淹级别评价的最终预测模型。数据挖掘与岩石物理两种方法的有效结合为更好的解决油田勘探和开发中的复杂问题提供了一种新思路和新方法。