准噶尔盆地八区下乌尔禾组低阻油层测井解释方法研究
发布时间：2021-06-11 03:32
准噶尔盆地克拉玛依油田八区下乌尔禾组分布有一定规模的低阻油层。数十年持续开采导致油气产量下降,因此准确识别低阻油层是老区挖潜的前提条件,而测井资料解释是识别低阻油层最重要和有效的方法。但是,由于低阻油层成因复杂,传统解释方法效果不理想,难以有效识别。而且各个油田对低阻油层的测井解释标准也不尽相同。近年来快速发展起来的机器学习算法,因其具有运算效率高、泛化能力强的优势,有可能在低阻油层测井解释方面取得突破。本文以克拉玛依油田八区下乌尔禾组256井断裂上盘为研究对象,以试采资料为基础选择训练样本,尝试运用随机森林、极端随机树、K-近邻及Adaboost四种机器学习算法对测井资料进行解释,识别低阻油层。结果表明,优化后的极端随机树算法模型表现最优,预测精度可达91.5%,进而在主力油区及扩边区进一步测试该算法模型的应用效果。实验结果表明,极端随机树算法在小井距主力油区的平均预测精度为73.6%,能够有效识别油层;在大井距的扩边区域,平均预测精度为59.3%,效果较差。
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
实验技术路线
中国石油大学（北京）硕士专业学位论文-7-第2章研究区概况2.1油藏基本情况准噶尔盆地克拉玛依油田八区下乌尔禾组油藏隶属克拉玛依新疆油田分公司，地理位置位于克拉玛依市区东南约35km处的白碱滩区。八区油田北部为七区油田，东部为十区油田，东南方向延伸至准噶尔盆地西北缘斜坡带，西部以202井古隆起为界。地理位置如图2.1所示。全区以平坦地貌为主，相对高差不足10m，地面海拔平均值在270m左右。图2.1研究区地理位置Fig.2.1Locationofstudyarea1965年，八区下乌尔禾组油藏伴随着JY-1井工业油流的喷出而诞生，1978年底对该区正式开发[22]。迄今为止该区块主要经历了以下几个生产开发阶段：（1）1979年在油区基本情况不明的背景下展开试验开发工作，至1983年基本完成相关工作，共设计并钻井71口，井距较大，基本保持在550m-800m之间。（2）1984年展开对该区的一次加密开发工作，井距缩小至550m以下，设计并钻井95口，同时开展调整油区边界的外扩工作，于扩边区设计并钻井30口，1990年阶段工作结束。
中国石油大学（北京）硕士专业学位论文-9-图2.2八区下乌尔禾组油藏顶面构造图（涉密原因需隐去坐标，下同）Fig.2.2TopsurfacestructuralmapofLowerWuerheFormationof8thDistrict2.2.2地层特征八区下乌尔禾组其下沉积了佳木河组（P1j），二者为角度不整合接触；其上沉积了三叠系下克拉玛依组（T2k1），二者为角度不整合接触。八区下乌尔禾组为楔形沉积体，沉积厚度85m-815m，平均450m。八区下乌尔禾组为近源快速沉积的产物，故整体为一套巨厚的砾岩油藏，有少量砂砾岩小层夹杂其中，缺少泥质砂质等细粒沉积物[25]。传统上，下乌尔禾组可分为五个段（P2w1、P2w2、P2w3、P2w4、P2w5），段之间物性变差部分起隔层作用，单段沉积厚度80m-120m。256井断裂上盘主要发育3段（P2w3、P2w4、P2w5），油层主要分布在P2w5、P2w4。图2.3为下乌尔禾组岩性柱状图。下乌尔禾五段可细分为3个小层（P2w5-1、P2w5-2、P2w5-3），四段可细分为2个小层（P2w4-1、P2w4-2），均为砾岩，呈灰绿、灰黑、灰白色[26]。下乌尔禾三段和二段，凝灰质砾岩。下乌尔禾一段，含砾泥岩。
【参考文献】：
期刊论文
[1]大数据下的机器学习算法综述——以AlphaGO为例[J]. 赵诣. 信息记录材料. 2019(01)
[2]基于样本相关性及SVM的管道泄漏检测方法研究[J]. 何健安,高炜欣,袁鹏程. 现代电子技术. 2018(23)
[3]基于改进极端随机树的异常网络流量分类[J]. 韦海宇,王勇,柯文龙,俸皓. 计算机工程. 2018(11)
[4]深度学习技术综述[J]. 周晟颐. 科技传播. 2018(20)
[5]基于极端随机树方法的WRF-CMAQ-MOS模型研究[J]. 黄丛吾,陈报章,马超群,王体健. 气象学报. 2018(05)
[6]基于Boosting Tree算法的测井岩性识别模型[J]. 江凯,王守东,胡永静,浦世照,段航,王政文. 测井技术. 2018(04)
[7]基于数据空间结构的KNN方法优化[J]. 刘通,高世臣. 数学的实践与认识. 2018(14)
[8]深度学习进化编年史:一路走来,几十年的风风雨雨[J]. 房晓楠. 机器人产业. 2017(04)
[9]我国油气资源大幅增长[J]. 郑宁来. 石油炼制与化工. 2016(10)
[10]基于FCM聚类算法的电力企业营销数据预处理研究[J]. 程晓荣,刘雨晨. 电脑编程技巧与维护. 2016(19)
博士论文
[1]基于渗流与导电特性的致密砂岩储层测井解释与产能预测[D]. 郭宇航.吉林大学 2017
[2]基于粗糙集—支持向量机的油气储层参数预测方法研究[D]. 邓燕.中国地质大学（北京） 2013
[3]陆相砂砾岩油藏精细描述[D]. 申本科.中国地质大学（北京） 2005
硕士论文
[1]随机森林自适应特征选择和参数优化算法研究[D]. 刘凯.长春工业大学 2018
[2]支持向量机在测井解释中的应用[D]. 王鹏.长江大学 2017
[3]基于单目相机的运动轨迹与目标检测技术的研究[D]. 宋少雷.杭州电子科技大学 2017
[4]准噶尔盆地西北缘构造解释与圈闭综合评价[D]. 朱哲.西南石油大学 2016
[5]克拉玛依油田八区530井区砾岩油藏特征及调整对策研究[D]. 徐恒.西南石油大学 2013
[6]八区下乌尔禾组油藏泡沫驱数值模拟研究[D]. 王睿恒.中国石油大学（华东） 2013
[7]基于GA-SVR和改进的网格搜索SVR的话务量预测研究[D]. 郭美丽.新疆大学 2013
[8]八区下乌尔禾组裂缝性砾岩油藏压裂工艺研究[D]. 孟祥燕.中国石油大学 2007
本文编号：3223721
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
实验技术路线
中国石油大学（北京）硕士专业学位论文-7-第2章研究区概况2.1油藏基本情况准噶尔盆地克拉玛依油田八区下乌尔禾组油藏隶属克拉玛依新疆油田分公司，地理位置位于克拉玛依市区东南约35km处的白碱滩区。八区油田北部为七区油田，东部为十区油田，东南方向延伸至准噶尔盆地西北缘斜坡带，西部以202井古隆起为界。地理位置如图2.1所示。全区以平坦地貌为主，相对高差不足10m，地面海拔平均值在270m左右。图2.1研究区地理位置Fig.2.1Locationofstudyarea1965年，八区下乌尔禾组油藏伴随着JY-1井工业油流的喷出而诞生，1978年底对该区正式开发[22]。迄今为止该区块主要经历了以下几个生产开发阶段：（1）1979年在油区基本情况不明的背景下展开试验开发工作，至1983年基本完成相关工作，共设计并钻井71口，井距较大，基本保持在550m-800m之间。（2）1984年展开对该区的一次加密开发工作，井距缩小至550m以下，设计并钻井95口，同时开展调整油区边界的外扩工作，于扩边区设计并钻井30口，1990年阶段工作结束。
中国石油大学（北京）硕士专业学位论文-9-图2.2八区下乌尔禾组油藏顶面构造图（涉密原因需隐去坐标，下同）Fig.2.2TopsurfacestructuralmapofLowerWuerheFormationof8thDistrict2.2.2地层特征八区下乌尔禾组其下沉积了佳木河组（P1j），二者为角度不整合接触；其上沉积了三叠系下克拉玛依组（T2k1），二者为角度不整合接触。八区下乌尔禾组为楔形沉积体，沉积厚度85m-815m，平均450m。八区下乌尔禾组为近源快速沉积的产物，故整体为一套巨厚的砾岩油藏，有少量砂砾岩小层夹杂其中，缺少泥质砂质等细粒沉积物[25]。传统上，下乌尔禾组可分为五个段（P2w1、P2w2、P2w3、P2w4、P2w5），段之间物性变差部分起隔层作用，单段沉积厚度80m-120m。256井断裂上盘主要发育3段（P2w3、P2w4、P2w5），油层主要分布在P2w5、P2w4。图2.3为下乌尔禾组岩性柱状图。下乌尔禾五段可细分为3个小层（P2w5-1、P2w5-2、P2w5-3），四段可细分为2个小层（P2w4-1、P2w4-2），均为砾岩，呈灰绿、灰黑、灰白色[26]。下乌尔禾三段和二段，凝灰质砾岩。下乌尔禾一段，含砾泥岩。
【参考文献】：
期刊论文
[1]大数据下的机器学习算法综述——以AlphaGO为例[J]. 赵诣. 信息记录材料. 2019(01)
[2]基于样本相关性及SVM的管道泄漏检测方法研究[J]. 何健安,高炜欣,袁鹏程. 现代电子技术. 2018(23)
[3]基于改进极端随机树的异常网络流量分类[J]. 韦海宇,王勇,柯文龙,俸皓. 计算机工程. 2018(11)
[4]深度学习技术综述[J]. 周晟颐. 科技传播. 2018(20)
[5]基于极端随机树方法的WRF-CMAQ-MOS模型研究[J]. 黄丛吾,陈报章,马超群,王体健. 气象学报. 2018(05)
[6]基于Boosting Tree算法的测井岩性识别模型[J]. 江凯,王守东,胡永静,浦世照,段航,王政文. 测井技术. 2018(04)
[7]基于数据空间结构的KNN方法优化[J]. 刘通,高世臣. 数学的实践与认识. 2018(14)
[8]深度学习进化编年史:一路走来,几十年的风风雨雨[J]. 房晓楠. 机器人产业. 2017(04)
[9]我国油气资源大幅增长[J]. 郑宁来. 石油炼制与化工. 2016(10)
[10]基于FCM聚类算法的电力企业营销数据预处理研究[J]. 程晓荣,刘雨晨. 电脑编程技巧与维护. 2016(19)
博士论文
[1]基于渗流与导电特性的致密砂岩储层测井解释与产能预测[D]. 郭宇航.吉林大学 2017
[2]基于粗糙集—支持向量机的油气储层参数预测方法研究[D]. 邓燕.中国地质大学（北京） 2013
[3]陆相砂砾岩油藏精细描述[D]. 申本科.中国地质大学（北京） 2005
硕士论文
[1]随机森林自适应特征选择和参数优化算法研究[D]. 刘凯.长春工业大学 2018
[2]支持向量机在测井解释中的应用[D]. 王鹏.长江大学 2017
[3]基于单目相机的运动轨迹与目标检测技术的研究[D]. 宋少雷.杭州电子科技大学 2017
[4]准噶尔盆地西北缘构造解释与圈闭综合评价[D]. 朱哲.西南石油大学 2016
[5]克拉玛依油田八区530井区砾岩油藏特征及调整对策研究[D]. 徐恒.西南石油大学 2013
[6]八区下乌尔禾组油藏泡沫驱数值模拟研究[D]. 王睿恒.中国石油大学（华东） 2013
[7]基于GA-SVR和改进的网格搜索SVR的话务量预测研究[D]. 郭美丽.新疆大学 2013
[8]八区下乌尔禾组裂缝性砾岩油藏压裂工艺研究[D]. 孟祥燕.中国石油大学 2007
本文编号：3223721
本文链接：https://www.wllwen.com/kejilunwen/diqiudizhi/3223721.html
