基于可优化支持向量机的超深层基岩储层含气性综合评价

《Scientific Reports》：Comprehensive evaluation of gas-bearing properties in ultra-deep basement reservoirs based on an optimizable support vector machine

　　

超深层基岩气藏是全球油气勘探的重要新领域，但其岩性复杂、非均质性强、测井响应重叠严重，导致常规测井方法在流体识别中存在显著局限。针对柴达木盆地北缘昆特依构造带K2区块的超深层基岩储层，研究人员提出了一种基于可优化支持向量机（Optimizable Support Vector Machine, SVM）的含气层识别方法。该模型以自然伽马（GR）、声波时差（AC）、密度（DEN）、补偿中子（CNL）、深侧向电阻率（RD）、浅侧向电阻率（RS）及全烃（TG）为输入特征，以气层、含气层和干层为输出标签，结合交叉验证优化核函数与惩罚参数，实现了对超深层基岩储层含气性的高精度识别。模型训练集准确率达97.5%，测试集准确率达95.3%，受试者工作特征曲线（ROC）下的面积（AUC）均超过0.97。该模型在K2、K1-1、K101井及新钻井K2-2中表现出良好的解释一致性与泛化能力，射孔层段优选与实际产能高度吻合。在此基础上，研究人员建立了涵盖样本筛选、分类标准制定、模型构建、综合解释及动态验证的标准化识别工作流程，为超深层基岩气藏的测井评价提供了有效的技术支撑。

本研究针对全球首个埋深超过6500 m的超深层基岩气藏——柴达木盆地北缘昆特依构造带K2区块，系统开展了含气性智能识别与标准化评价研究。当前，超深层基岩油气已成为勘探新领域，但该类储层岩性复杂、成岩作用强、储集空间多样，加之低变质酸性岩与中基性岩的测井响应差异，使得传统中子—密度孔隙度曲线重叠法因广泛的“挖掘效应”及矿物蚀变导致的氢指数变化而失效，常规测井面临流体识别的重大挑战。为此，研究人员首次将可优化支持向量机（SVM）引入该领域，旨在解决小样本、高维非线性数据下的含气性精准预测问题，研究成果发表于《Scientific Reports》。

为开展此项研究，研究人员主要采用以下关键技术方法：首先，基于K2、K1-1、K101等井的测井与试气数据构建样本集，涵盖气层、含气层、干层三类标签；其次，选取自然伽马、声波时差、密度、补偿中子、深浅侧向电阻率及全烃作为输入特征，经异常值剔除与归一化预处理后，采用交叉验证法优化SVM的核函数类型、惩罚参数c与核函数宽度σ；最终，通过混淆矩阵、ROC曲线及AUC值评估模型性能，并在新钻井K2-2中进行独立验证，据此建立标准化工作流程。

研究结果部分的主要结论如下：

地质背景：研究区位于柴达木盆地北缘昆特依构造带K2区块，目标层为埋深超过6500 m的泥盆系基岩，岩性以片麻岩为主，顶部发育风化壳带，半风化带溶孔裂缝发育为有利储集段。烃源岩为中侏罗统大煤沟组七段湖相页岩，成熟度高，生烃模式为“上生下储”，天然气沿断裂与不整合面运移至基岩聚集成藏。

岩性与流体下限特征：基岩气藏具常温高压特征，压力系数1.64。低钾长英质区与混合片麻岩区为储层发育带，镁铁质侵入岩区为非储层。基质孔隙度一般为2%~7%，储层物性下限对应孔隙度为2%。气藏为底水驱动类型，气水界面位于海拔-4565 m。

气层分类标准：基于试气结果将储层分为三类：气层（日产气>5×10⁴m³）、含气层（微量至5×10⁴m³/d）、干层（无产量）。气层测井响应表现为高阻背景下的相对低阻、深浅侧向电阻率差异、密度降低、中子与密度呈镜像关系、声波时差增大及全烃升高。

可优化SVM模型的构建与精度分析：模型训练集592个样本点，测试集148个样本点。训练集准确率97.5%，测试集准确率95.3%。气层、含气层、干层的识别精度分别达96.9%、99.3%、96.8%，AUC值均大于0.97。最优超参数为惩罚参数c≈32、核函数宽度σ≈0.5，模型收敛快且无过拟合风险。相较于传统方法，该模型能有效克服岩性复杂与测井响应重叠的难题。

基岩含气层测井解释结果分析：在K2井（构造高部位），模型解释为厚层连续气层，试气初期日产气12.8×10⁴m³，生产稳定；在K1-1井（构造低部位），气层薄且含水风险高，日产气仅1.9×10⁴m³；在K101井（中低构造部位），虽气层厚度大但避水高度仅18.0 m，后期见底水锥进，产气量快速下降。模型解释结果与生产动态高度一致。

新井验证与分析：在新钻井K2-2（未参与训练）中，模型预测上部与中部含气性好，下部较差。据此优选7049.00~7188.00 m射孔，获日产气21.15×10⁴m³，无水，验证了模型的现场适用性。

基岩气层识别标准化工作流程构建：研究人员建立了六阶段标准化流程：样本数据收集与可靠性评估、基岩气层分类标准建立、SVM模型构建与含气层预测、纵向对比与综合评价、动态验证与模型反馈、射孔与测试层段建议。该流程强调需结合构造位置、避水高度与裂缝发育程度综合决策，并建议优先射开顶部气层以延缓底水锥进。

讨论部分指出，该模型在区块内具有良好的泛化能力，但受限于样本来自特定温压条件下的片麻岩储层，直接推广至其他基岩类型（如火成岩、不同变质相）及其他盆地（如四川、塔里木）尚需进一步验证。

研究结论表明：第一，基于可优化SVM的超深层基岩储层含气性预测模型可实现气层、含气层与干层的高精度分类；第二，模型训练集准确率97.5%，测试集准确率95.3%，AUC值均超0.97，具备优异的分类性能与泛化能力；第三，在K2、K1-1、K101及新井K2-2中的应用验证了模型在含气性识别与射孔优化中的可靠性；第四，融合地质要素的标准化工作流程为同类复杂储层测井评价与开发决策提供了系统性技术支持；第五，该方法有效克服了基岩储层测井响应复杂与岩性影响强的难题，具有重要的推广应用潜力。