準噶爾盆地克拉瑪依油田八區(qū)下烏爾禾組分布有一定規(guī)模的低阻油層。數(shù)十年持續(xù)開采導致油氣產量下降,因此準確識別低阻油層是老區(qū)挖潛的前提條件,而測井資料解釋是識別低阻油層最重要和有效的方法。但是,由于低阻油層成因復雜,傳統(tǒng)解釋方法效果不理想,難以有效識別。而且各個油田對低阻油層的測井解釋標準也不盡相同。近年來快速發(fā)展起來的機器學習算法,因其具有運算效率高、泛化能力強的優(yōu)勢,有可能在低阻油層測井解釋方面取得突破。本文以克拉瑪依油田八區(qū)下烏爾禾組256井斷裂上盤為研究對象,以試采資料為基礎選擇訓練樣本,嘗試運用隨機森林、極端隨機樹、K-近鄰及Adaboost四種機器學習算法對測井資料進行解釋,識別低阻油層。結果表明,優(yōu)化后的極端隨機樹算法模型表現(xiàn)最優(yōu),預測精度可達91.5%,進而在主力油區(qū)及擴邊區(qū)進一步測試該算法模型的應用效果。實驗結果表明,極端隨機樹算法在小井距主力油區(qū)的平均預測精度為73.6%,能夠有效識別油層;在大井距的擴邊區(qū)域,平均預測精度為59.3%,效果較差。 

【文章來源】：中國石油大學(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

實驗技術路線

中國石油大學（北京）碩士專業(yè)學位論文-7-第2章研究區(qū)概況2.1油藏基本情況準噶爾盆地克拉瑪依油田八區(qū)下烏爾禾組油藏隸屬克拉瑪依新疆油田分公司，地理位置位于克拉瑪依市區(qū)東南約35km處的白堿灘區(qū)。八區(qū)油田北部為七區(qū)油田，東部為十區(qū)油田，東南方向延伸至準噶爾盆地西北緣斜坡帶，西部以202井古隆起為界。地理位置如圖2.1所示。全區(qū)以平坦地貌為主，相對高差不足10m，地面海拔平均值在270m左右。圖2.1研究區(qū)地理位置Fig.2.1Locationofstudyarea1965年，八區(qū)下烏爾禾組油藏伴隨著JY-1井工業(yè)油流的噴出而誕生，1978年底對該區(qū)正式開發(fā)[22]。迄今為止該區(qū)塊主要經歷了以下幾個生產開發(fā)階段：（1）1979年在油區(qū)基本情況不明的背景下展開試驗開發(fā)工作，至1983年基本完成相關工作，共設計并鉆井71口，井距較大，基本保持在550m-800m之間。（2）1984年展開對該區(qū)的一次加密開發(fā)工作，井距縮小至550m以下，設計并鉆井95口，同時開展調整油區(qū)邊界的外擴工作，于擴邊區(qū)設計并鉆井30口，1990年階段工作結束。

中國石油大學（北京）碩士專業(yè)學位論文-9-圖2.2八區(qū)下烏爾禾組油藏頂面構造圖（涉密原因需隱去坐標，下同）Fig.2.2TopsurfacestructuralmapofLowerWuerheFormationof8thDistrict2.2.2地層特征八區(qū)下烏爾禾組其下沉積了佳木河組（P1j），二者為角度不整合接觸；其上沉積了三疊系下克拉瑪依組（T2k1），二者為角度不整合接觸。八區(qū)下烏爾禾組為楔形沉積體，沉積厚度85m-815m，平均450m。八區(qū)下烏爾禾組為近源快速沉積的產物，故整體為一套巨厚的礫巖油藏，有少量砂礫巖小層夾雜其中，缺少泥質砂質等細粒沉積物[25]。傳統(tǒng)上，下烏爾禾組可分為五個段（P2w1、P2w2、P2w3、P2w4、P2w5），段之間物性變差部分起隔層作用，單段沉積厚度80m-120m。256井斷裂上盤主要發(fā)育3段（P2w3、P2w4、P2w5），油層主要分布在P2w5、P2w4。圖2.3為下烏爾禾組巖性柱狀圖。下烏爾禾五段可細分為3個小層（P2w5-1、P2w5-2、P2w5-3），四段可細分為2個小層（P2w4-1、P2w4-2），均為礫巖，呈灰綠、灰黑、灰白色[26]。下烏爾禾三段和二段，凝灰質礫巖。下烏爾禾一段，含礫泥巖。

【參考文獻】：
期刊論文
[1]大數(shù)據下的機器學習算法綜述——以AlphaGO為例[J]. 趙詣.  信息記錄材料. 2019(01)
[2]基于樣本相關性及SVM的管道泄漏檢測方法研究[J]. 何健安,高煒欣,袁鵬程.  現(xiàn)代電子技術. 2018(23)
[3]基于改進極端隨機樹的異常網絡流量分類[J]. 韋海宇,王勇,柯文龍,俸皓.  計算機工程. 2018(11)
[4]深度學習技術綜述[J]. 周晟頤.  科技傳播. 2018(20)
[5]基于極端隨機樹方法的WRF-CMAQ-MOS模型研究[J]. 黃叢吾,陳報章,馬超群,王體健.  氣象學報. 2018(05)
[6]基于Boosting Tree算法的測井巖性識別模型[J]. 江凱,王守東,胡永靜,浦世照,段航,王政文.  測井技術. 2018(04)
[7]基于數(shù)據空間結構的KNN方法優(yōu)化[J]. 劉通,高世臣.  數(shù)學的實踐與認識. 2018(14)
[8]深度學習進化編年史:一路走來,幾十年的風風雨雨[J]. 房曉楠.  機器人產業(yè). 2017(04)
[9]我國油氣資源大幅增長[J]. 鄭寧來.  石油煉制與化工. 2016(10)
[10]基于FCM聚類算法的電力企業(yè)營銷數(shù)據預處理研究[J]. 程曉榮,劉雨晨.  電腦編程技巧與維護. 2016(19)

博士論文
[1]基于滲流與導電特性的致密砂巖儲層測井解釋與產能預測[D]. 郭宇航.吉林大學 2017
[2]基于粗糙集—支持向量機的油氣儲層參數(shù)預測方法研究[D]. 鄧燕.中國地質大學（北京） 2013
[3]陸相砂礫巖油藏精細描述[D]. 申本科.中國地質大學（北京） 2005

碩士論文
[1]隨機森林自適應特征選擇和參數(shù)優(yōu)化算法研究[D]. 劉凱.長春工業(yè)大學 2018
[2]支持向量機在測井解釋中的應用[D]. 王鵬.長江大學 2017
[3]基于單目相機的運動軌跡與目標檢測技術的研究[D]. 宋少雷.杭州電子科技大學 2017
[4]準噶爾盆地西北緣構造解釋與圈閉綜合評價[D]. 朱哲.西南石油大學 2016
[5]克拉瑪依油田八區(qū)530井區(qū)礫巖油藏特征及調整對策研究[D]. 徐恒.西南石油大學 2013
[6]八區(qū)下烏爾禾組油藏泡沫驅數(shù)值模擬研究[D]. 王睿恒.中國石油大學（華東） 2013
[7]基于GA-SVR和改進的網格搜索SVR的話務量預測研究[D]. 郭美麗.新疆大學 2013
[8]八區(qū)下烏爾禾組裂縫性礫巖油藏壓裂工藝研究[D]. 孟祥燕.中國石油大學 2007



本文編號：3223721