新场气田须二气藏单井气水层识别模型研究

doi:10.11885/j.issn.1674-5086.2013.08.30.01

摘要/Abstract

摘要：

川西新场气田须二气藏为典型的低渗致密碎屑岩气藏，由于地质条件复杂，储层非均质性严重，气水分布十分复
杂，束缚水含量较高，气层、气水同层电阻率界限模糊不清，测井解释往往造成很大误判。针对这一难点，应用基于粒子群
算法（PSO）的核主成分分析与支持向量机（KPCA–SVM）模型进行气水层识别。模型先通过核主成分分析（KPCA）进行
非线性属性变量提取，再将提取的属性变量作为支持向量机（SVM）的输入变量，在识别过程中利用粒子群算法（PSO）寻
优，最终实现气水层识别。将模型应用于新场气田须二气藏气水层识别，识别结果符合研究区的实际情况。

关键词: 粒子群算法, 核主成分分析, 支持向量机, 气水层识别, 新场须二气藏

Abstract:

Xu 2 Gas Reservoir，which is in Xinchang Gas Field in western Sichuan Basin，is a typical low-permeability and tight
clastic gas reservoir. Due to the complicated geological conditions and serious heterogeneity in this area，the gas-water layer
distribution is very complicated，and the bound water’s content is high. The boundaries of resistivity between gas reservoir and
gas-water layer are blurred，so that some mistakes arise in log interpretation. We use kernel principal component analysis and
support vector machine，also known as KPCA–SVM model，which is based on particle swarm optimization（PSO），to solve
the problem. Firstly，the model extracts non-linear properties of variables by kernel principal component analysis（KPCA），
and then inputs the properties of a variable into the support vector machine（SVM）. And in the identification process，we
use the particle swarm optimization（PSO）to seek the optimization algorithm. Finally，the gas-water layer identification is
implemented in the SVM. We applied this model to gas & water layer prediction of Xu 2 Member gas reservoir of Xinchang
Gas Field，and the recognition result is in line with the actual situation of the study area.

Key words: particle swarm optimization, kernel principal component analysis, support vector machine, gas-water layer identification,
Xu 2 Member gas reservoir of Xinchang Gas Field

庞河清1，匡建超2，3，蔡左花4，廖开贵4，王众2，3. 新场气田须二气藏单井气水层识别模型研究[J]. 西南石油大学学报(自然科学版), DOI: 10.11885/j.issn.1674-5086.2013.08.30.01.

Pang Heqing1, Kuang Jianchao2，3, Cai Zuohua4, Liao Kaigui4, Wang Zhong2，3. Study on Gas-water Layer Identification Model in the Single Well
of Xu 2 Gas Reservoir of Xinchang Gas Field[J]. 西南石油大学学报(自然科学版), DOI: 10.11885/j.issn.1674-5086.2013.08.30.01.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://journal15.magtechjournal.com/Jwk_xnzk/CN/10.11885/j.issn.1674-5086.2013.08.30.01

http://journal15.magtechjournal.com/Jwk_xnzk/CN/Y2014/V36/I2/71

参考文献

[1] 张筠，朱小红，李阳兵，等. 川西深层致密碎屑岩储层

测井评价[J]. 天然气工业，2010，30（1）：31–35.

Zhang Yun，Zhu Xiaohong，Li Yangbing，et al. Log evaluation

of tight clastic reservoirs in the deep of western

Sichuan Basin[J]. Natural Gas Industry，2010，30（1）：

31–35.

[2] 石磊，匡建超，曾剑毅，等. 川西新场气田沙溪庙组致

密碎屑岩储层单井产能评价与预测[J]. 石油实验地质，

2009，31（4），338–342.

[3] 庞河清. 龙门山中段前缘构造特征及油气保存条件研

究[D]. 成都：成都理工大学，2010.

[4] 王泽明，鲁宝菊，段传丽，等. 苏里格气田苏20 区块气

水分布规律[J]. 天然气工业，2010，30（12）：37–40.

Wang Zeming，Lu Baoju，Duan Chuanli，et al. Gas-water

distribution pattern in Block 20 of the Sulige Gas Field[J].

Natural Gas Industry，2010，30（12）：37–40.

[5] 单高军，杜志敏，敖科. 涩北一号气田出水动态分析[J].

新疆石油地质，2010，31（1）：75–77.

Shan Gaojun，Du Zhimin，Ao Ke. Water producing performance

analysis in Sebei No.1 Gas Field in Qaidam

Basin[J]. Xinjiang Petroleum Geology，2010，31（1）：

75–77.

[6] 冯方，牟泽辉，张克银，等. 鄂尔多斯盆地TBM 气田

下二叠统低渗透储层测井解释模型建立及气、水层识

别[J]. 成都理工大学学报：自然科学版，2002，29（2）：

157–160.

[7] 庞河清，匡建超，罗桂滨. 川西新场气田须二气藏水

体动态分布与水化学特征[J]. 天然气地球科学，2012，

23（1）：190–196.

Pang Heqing，Kuang Jianchao，Luo Guibin Water dynamic

distribution and chemical character in Xu 2

Member gas reservoir of Xinchang Gas Field，western

Sichuan Basin[J]. Natural Gas Geoscience，2012，23（1）：

190–197.

[8] 李伟，秦胜飞. 四川盆地须家河组地层水微量元素与

氢氧同位素特征[J]. 石油学报，2012，33（1）：55–63.

Li Wei，Qin Shengfei. Characteristics of trace elements

and hydrogen and oxygen isotopes in the formation water

of the Xujiahe Formation，Sichuan Basin[J]. Acta Petrolei

inica，2012，33（1）：55–63.

[9] 赵爽，雍自权. 川中充西须四段致密砂岩气田气水分

布特征及成因[J]. 成都理工大学学报：自然科学版，

2012，39（2）：164–169.Zhao Shuang，Yong Ziquan. Gas-water distribution and

genesis of the tight sangstone gas field in Member 4 of

Xujiahe Formation in Chongxi of central Sichuan，China[

J]. Journal of Chengdu University of Technology：Natural

Science Edition，2012，39（2）：164–169.

[10] 唐耀华，张向君，高静怀. 基于地震属性优选与支持

向量机的油气预测方法[J]. 石油地球物理勘探，2009，

44（1）：75–80.

Tang Yaohua，Zhang Xiangjun，Gao Jinghuai. Method

of oil/gas prediction based on optimization of seismic attributes

and support vector machine[J]. Oil Geophysical

Prospecting，2009，44（1）：75–80.

[11] 庞河清，匡建超，蔡左花，等. 逐类组合支持向量机在

致密储层判识和产能预测中的应用[J]. 大庆石油学院

学报，2011，35（6）：34–39.

Pang Heqing，Kuang Jianchao，Cai Zuohua，et al. Applying

of the termwise-combination sipport vector machine to

identification of reservoir and prediction of deliverability

in tight reservoirs[J]. Journal of Daqing Petroleum Institute，

2011，35（6）：35–40.

[12] 李岳，温熙森，吕克洪. 基于核主成分分析的铁谱磨

粒特征提取方法研究[J]. 国防科技大学学报，2007，

29（2）：113–116.

[13] Bernhard Schölkopf，Alexander Smola，Klaus–Robert

Müller. Nonlinear component analysis as a kernel

eigenvalue problem[J]. Neural Computation，1998，10：

1299–1319.

[14] Vapink V N. The nature of statistical learning theory[M].

New York：Springer–Verlag，1995.

[15] 孙德山. 支持向量机分类与回归方法研究[D]. 长沙：中

南大学，2004.

[16] 曾剑毅. 基于支持向量机的储层缝洞预测方法研究及

应用[D]. 成都：成都理工大学，2009.

[17] 曾焱，李涛，叶素娟. 川西须家河组二段超致密储层

有效性测井综合评价[J]. 天然气工业，2010，30（6）：

35–38.

Zeng Yan，Li Tao，Ye Sujuan. Comprehensive logging

evaluation of effectiveness of super-tight reservoirs in

the Second Member of the Xujiahe Formation，western

Sichuan Basin[J]. Natural Gas Industry，2010，30（6）：

35–38.

[18] 朱亚东，王允诚，童孝华，等. 苏里格气田盒8 气藏气

水层测井识别研究[J]. 成都理工大学学报：自然科学

版，2008，35（1）：28–33.

Zhu Yadong，Wang Yuncheng，Tong Xiaohua，et al. Identification

of gas zone and water zone by logging characters

of the He 8 gas pool formation water in the Sulige

Gas Field of Ordos Basin，China[J]. Journal of Chengdu

University of Technology：Natural Science Edition，

2008，35（1）：28–33.

[19] 李山生，赵辉，司马立强，等. 利用弹性参数识别气、水

层[J]. 西南石油大学学报：自然科学版，2012，34（3）：

83–88.

Li Shansheng，Zhao Hui，Sima Liqiang，et al. Identification

of water and gas reservoirs with elastic parameters[J].

Journal of Southwest Petroleum University：Science &

Technology Edition，2012，34（3）：83–88.

[20] 王众，张哨楠，匡建超，等. 基于主成份分析和支持向

量机的PCA–SVM 储层识别模型研究[J]. 物探化探计

算技术，2010，32（6）：636–640.