粒子群優(yōu)化支持向量機(jī)算法在頁巖儲(chǔ)層總有機(jī)碳含量預(yù)測(cè)中的應(yīng)用

陳愿愿,鄧小江,王小蘭,何 奇,黃東山,程莉莉,張耀云,李秋婉

(中國(guó)石油集團(tuán)東方地球物理勘探有限責(zé)任公司西南物探研究院,四川成都610213)

頁巖氣作為典型的非常規(guī)油氣,已成為我國(guó)油氣勘探開發(fā)的重要領(lǐng)域。而頁巖總有機(jī)碳(TOC)含量是評(píng)價(jià)該類氣藏的關(guān)鍵指標(biāo)之一,該指數(shù)的高低決定了產(chǎn)氣能力的大小[1-2]。巖心總有機(jī)碳含量分析數(shù)據(jù)離散且數(shù)量有限,而利用地震資料直接預(yù)測(cè)頁巖儲(chǔ)層總有機(jī)碳含量的研究文獻(xiàn)也比較少,因此為了有效預(yù)測(cè)頁巖儲(chǔ)層的總有機(jī)碳含量,需要測(cè)井和地震資料相結(jié)合,提高總有機(jī)碳含量預(yù)測(cè)精度。

目前,利用測(cè)井資料預(yù)測(cè)總有機(jī)碳含量曲線的研究有:SCHMOKER[3]利用體積密度法;AUTRI等[4]利用聲波時(shí)差、電阻率和放射性資料;PASSEY等[5]利用ΔlogR法;ALTOWAIRQI等[6]利用總有機(jī)碳含量與彈性參數(shù)的線性關(guān)系,采用多元回歸分析方法;以及孟召平等[7]利用BP神經(jīng)網(wǎng)絡(luò)算法計(jì)算總有機(jī)碳含量曲線。盡管這些方法對(duì)總有機(jī)碳含量曲線的預(yù)測(cè)有一定實(shí)際意義,但都只是根據(jù)巖心總有機(jī)碳含量數(shù)據(jù)與測(cè)井曲線的相關(guān)性,在二維平面中開展頁巖總有機(jī)碳含量測(cè)井曲線預(yù)測(cè),無法定量預(yù)測(cè)總有機(jī)碳含量的三維空間分布。利用地震資料獲取總有機(jī)碳含量的研究目前有:金吉能等[8]、尹俊等[9]利用地震多屬性反演技術(shù)預(yù)測(cè)總有機(jī)碳含量平面分布,雖然總有機(jī)碳含量預(yù)測(cè)值與實(shí)測(cè)值較為吻合,但該方法存在較強(qiáng)的多解性;許杰等[10]基于地質(zhì)統(tǒng)計(jì)學(xué)反演的地震儲(chǔ)層預(yù)測(cè)技術(shù)對(duì)頁巖儲(chǔ)層總有機(jī)碳含量進(jìn)行預(yù)測(cè),但該技術(shù)沒有考慮頁巖儲(chǔ)層的特殊性,只適用于常規(guī)氣藏儲(chǔ)層預(yù)測(cè);陳祖慶[11]、鄧宇等[12]和王健等[13]通過總有機(jī)碳含量與密度交會(huì)分析,建立總有機(jī)碳含量與密度的線性擬合方程,得到計(jì)算總有機(jī)碳含量的經(jīng)驗(yàn)公式,再結(jié)合疊前地震反演獲得的密度數(shù)據(jù)體計(jì)算出總有機(jī)碳含量數(shù)據(jù)體,但該方法只考慮總有機(jī)碳含量與密度的關(guān)系,存在相關(guān)性不夠、預(yù)測(cè)精度低的問題,無法滿足頁巖儲(chǔ)層精細(xì)預(yù)測(cè)的需求[14]。

針對(duì)上述研究存在的不足,以四川盆地渝西地區(qū)Z井區(qū)為例,基于總有機(jī)碳含量與彈性參數(shù)存在多因素、多變量的相關(guān)性,提出了一種基于粒子群優(yōu)化(particle swarm optimization,PSO)的支持向量機(jī)(support vector machine,SVM)計(jì)算頁巖氣儲(chǔ)層總有機(jī)碳含量預(yù)測(cè)算法。雖然國(guó)內(nèi)一些學(xué)者如張成龍等[15]已經(jīng)用支持向量機(jī)算法進(jìn)行總有機(jī)碳含量預(yù)測(cè),但是他們的研究只是針對(duì)特定井段上的總有機(jī)碳含量測(cè)井曲線預(yù)測(cè),并沒有利用地震反演數(shù)據(jù)體獲得總有機(jī)碳含量數(shù)據(jù)體,進(jìn)行總有機(jī)碳含量平面和三維空間分布的預(yù)測(cè)。因此,本文嘗試將粒子群優(yōu)化支持向量機(jī)算法運(yùn)用于三維空間中總有機(jī)碳含量數(shù)據(jù)體的求取,該算法是借助于地質(zhì)、測(cè)井和地震等資料建立總有機(jī)碳含量與敏感參數(shù)復(fù)雜的非線性關(guān)系,在非均質(zhì)性較強(qiáng)的頁巖氣儲(chǔ)層中,利用該算法進(jìn)行總有機(jī)碳含量的預(yù)測(cè),有效提高頁巖氣儲(chǔ)層總有機(jī)碳含量的預(yù)測(cè)精度。

1 工區(qū)概況

渝西地區(qū)中部銅梁、大足、璧山一帶是頁巖勘探有利地區(qū),其中彌陀場(chǎng)向斜、蒲呂場(chǎng)向斜及西山背斜頁巖氣資源儲(chǔ)量豐富,顯示渝西地區(qū)龍馬溪組—五峰組具有豐富的資源。Z井區(qū)位于西山構(gòu)造西側(cè)、蒲呂場(chǎng)向斜中部,區(qū)內(nèi)地腹構(gòu)造平緩,斷裂不發(fā)育,是頁巖氣勘探有利區(qū)[16-17]。

沉積相帶是控制頁巖氣富集的關(guān)鍵因素,據(jù)研究[18],將龍馬溪組劃分為淺水泥質(zhì)陸棚亞相、半深水陸棚亞相和深水陸棚亞相3種沉積亞相類型。其中,深水陸棚亞相頁巖具有有機(jī)質(zhì)含量高、巖石脆性高、有機(jī)質(zhì)孔發(fā)育和孔隙保存條件好等特征,是龍馬溪組頁巖氣富集的最有利相帶。渝西地區(qū)Z井區(qū)主要發(fā)育深水陸棚-淺水泥質(zhì)陸棚亞相,表明該區(qū)具有廣闊的頁巖氣勘探開發(fā)前景。

由鉆井和測(cè)試資料可知,研究區(qū)鉆達(dá)五峰組的井有5口,即Z1井、Z2井、Z3井、Z5井和Z6井。主要目的層為龍馬溪組龍一1—五峰組,根據(jù)總有機(jī)碳含量值將研究區(qū)頁巖儲(chǔ)層劃分為3類:總有機(jī)碳含量>3%為Ⅰ類優(yōu)質(zhì)頁巖,2%<總有機(jī)碳含量<3%為Ⅱ類優(yōu)質(zhì)頁巖,總有機(jī)碳含量<2%為Ⅲ類非優(yōu)質(zhì)頁巖。由Z井區(qū)龍馬溪組+五峰組優(yōu)質(zhì)頁巖儲(chǔ)層參數(shù)表(表1)可知,Z1井儲(chǔ)層段Ⅰ類優(yōu)質(zhì)頁巖厚度為9.4m,Z2井儲(chǔ)層段Ⅰ類優(yōu)質(zhì)頁巖厚度為8.3m,Z3井儲(chǔ)層段Ⅰ類優(yōu)質(zhì)頁巖厚度為13.5m,Z5井儲(chǔ)層段Ⅰ類優(yōu)質(zhì)頁巖厚度為12.2m,Z6井儲(chǔ)層段Ⅰ類優(yōu)質(zhì)頁巖厚度為10.9m。可以看出,Z井區(qū)主要目的層儲(chǔ)層段Ⅰ類優(yōu)質(zhì)頁巖薄,儲(chǔ)層預(yù)測(cè)難度大,需要精細(xì)的儲(chǔ)層預(yù)測(cè)支撐該地區(qū)頁巖氣整體勘探開發(fā)。

表1 Z井區(qū)龍馬溪組+五峰組優(yōu)質(zhì)頁巖儲(chǔ)層參數(shù)

由Z6井測(cè)井曲線(圖1)可以看出,優(yōu)質(zhì)頁巖儲(chǔ)層發(fā)育段與上、下圍巖在縱波速度、橫波速度、自然伽馬、密度和縱橫波速度比等方面有明顯差異,優(yōu)質(zhì)儲(chǔ)層(龍一1—五峰組段)具有明顯的高伽馬、低速度、低密度和低縱橫波速度比等特征[19-21]。

圖1 Z6井測(cè)井曲線特征

對(duì)研究區(qū)5口井龍馬溪組實(shí)測(cè)巖心總有機(jī)碳含量數(shù)據(jù)和測(cè)井資料進(jìn)行敏感參數(shù)分析(圖2),發(fā)現(xiàn)總有機(jī)碳含量與密度、自然伽馬和縱橫波速度比等參數(shù)相關(guān)性較好,表現(xiàn)為密度、縱橫波速度比與總有機(jī)碳含量呈負(fù)相關(guān)性(圖2a和圖2c),自然伽馬與總有機(jī)碳含量呈正相關(guān)性(圖2b),而總有機(jī)碳含量與楊氏模量的相關(guān)性較差(圖2d)。原因在于:①泥頁巖中有機(jī)質(zhì)的密度為1.03～1.10g/cm3,圍巖基質(zhì)中黏土骨架的密度為2.30～3.10g/cm3,富含有機(jī)質(zhì)的頁巖密度小于泥頁巖密度,有機(jī)質(zhì)含量的增加導(dǎo)致頁巖密度降低,因此,總有機(jī)碳含量隨著密度的增加而減小,與密度曲線呈負(fù)相關(guān);②通常泥質(zhì)含量越高,自然伽馬放射性也越高。頁巖中泥質(zhì)含量較高,高放射性物質(zhì)的含量也更多?？傆袡C(jī)碳含量高的烴源巖具有粒度小、表面積大的性質(zhì),可以吸附較多的放射性元素,導(dǎo)致總有機(jī)碳含量隨著自然伽馬的增加而上升,因此總有機(jī)碳含量與自然伽馬曲線呈正相關(guān);③頁巖比砂泥巖致密,孔隙度小,頁巖的縱波速度介于泥巖和砂巖之間。聲波在有機(jī)質(zhì)中傳播速度較慢,有機(jī)質(zhì)含量的增加導(dǎo)致頁巖縱波速度降低,因此總有機(jī)碳含量隨著縱橫波速度比的增加而減小,與縱橫波速度比曲線呈正相關(guān)。

綜上所述,選擇自然伽馬、密度和縱橫波速度比作為敏感參數(shù),進(jìn)行總有機(jī)碳含量預(yù)測(cè)[22]。

圖2 總有機(jī)碳含量敏感參數(shù)統(tǒng)計(jì)分析a 密度; b 自然伽馬; c 縱橫波速度比; d 楊氏模量

常規(guī)方法中,頁巖總有機(jī)碳含量預(yù)測(cè)是通過建立總有機(jī)碳含量與密度的交會(huì)關(guān)系,由疊前反演得到的密度參數(shù)數(shù)據(jù)體計(jì)算得到[23-25]。研究區(qū)總有機(jī)碳含量與密度、自然伽馬、縱橫波速度比和楊氏模量的擬合公式如表2所示,總有機(jī)碳含量受多種地質(zhì)因素影響,與測(cè)井?dāng)?shù)據(jù)存在復(fù)雜的非線性關(guān)系,僅用單一的密度通過線性交匯法求總有機(jī)碳含量時(shí)準(zhǔn)確性較低。為了得到更準(zhǔn)確的總有機(jī)碳含量,本文提出利用支持向量機(jī)算法計(jì)算總有機(jī)碳含量。

表2 總有機(jī)碳含量與測(cè)井參數(shù)擬合關(guān)系

2 方法原理

2.1 支持向量機(jī)原理

支持向量機(jī)(SVM)是VAPNIK等[26]在1996年提出的以統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化為基礎(chǔ)的新型機(jī)器學(xué)習(xí)方法?；舅枷胧抢煤撕瘮?shù),將低維空間的自變量x通過非線性關(guān)系φ(·)映射到高維空間,然后在高維空間使用線性判別函數(shù)解決低維空間的非線性問題,通過建立決策函數(shù)輸出預(yù)測(cè)值y。

對(duì)于總有機(jī)碳含量預(yù)測(cè),給定樣本集{(xi,yi),i=1,2,3,…,m},xi是二維空間的屬性向量,為{自然伽馬、密度、縱橫波速度比}曲線的隨機(jī)輸入值;yi是對(duì)應(yīng)的預(yù)測(cè)目標(biāo)值,m是樣本數(shù)。

對(duì)于低維非線性空間的頁巖總有機(jī)碳含量預(yù)測(cè)模型,通過非線性函數(shù)φ(x)將樣本集數(shù)據(jù)x映射到高維線性空間,在高維線性空間中建立決策函數(shù),即:

Φ(x)=ω·φ(x)+b

(1)

式中:ω是權(quán)值向量,b是偏置參數(shù)。

基于統(tǒng)計(jì)學(xué)習(xí)理論的結(jié)構(gòu)風(fēng)險(xiǎn)最小化思想,算法可以利用極小化優(yōu)化模型來建立決策函數(shù),即

(2)

(3)

約束條件為:

本文選擇徑向基函數(shù)作為核函數(shù):

(4)

因此,算法計(jì)算中涉及懲罰因子C和核函數(shù)參數(shù)σ兩個(gè)主要參數(shù)[27]。

2.2 粒子群算法原理

(5)

式中:v為粒子速度,β為慣性權(quán)重,c1、c2為學(xué)習(xí)因子,r1和r2為[0,1]的隨機(jī)數(shù)。

β具有平衡全局和局部搜索的能力,β的值越大越具有較好的全局收斂能力,反之則有較強(qiáng)的局部收斂能力。學(xué)習(xí)因子c1和c2分別控制著粒子尋找個(gè)體最優(yōu)位置和全局最優(yōu)位置的能力。

參數(shù)優(yōu)選中,將自然伽馬、密度和縱橫波速度比作為輸入量回歸預(yù)測(cè)總有機(jī)碳含量,若預(yù)測(cè)的總有機(jī)碳含量與實(shí)測(cè)總有機(jī)碳含量之間的誤差在誤差范圍內(nèi),則結(jié)束參數(shù)選優(yōu)程序,此時(shí)粒子群的最優(yōu)位置即為懲罰因子C和核函數(shù)參數(shù)σ的最優(yōu)解;若預(yù)測(cè)的總有機(jī)碳含量與實(shí)測(cè)總有機(jī)碳含量超出了設(shè)定的誤差范圍,則繼續(xù)執(zhí)行程序,直至兩者的誤差在設(shè)定的誤差范圍內(nèi)。通過粒子群算法尋找最優(yōu)支持向量機(jī)參數(shù),利用尋找的最優(yōu)參數(shù)構(gòu)建總有機(jī)碳含量預(yù)測(cè)的支持向量機(jī)模型。因此粒子群算法作為優(yōu)化領(lǐng)域中的有效算法,在支持向量機(jī)參數(shù)尋優(yōu)過程中可以取得良好的效果[29]。

2.3 粒子群優(yōu)化支持向量機(jī)算法實(shí)現(xiàn)步驟

本文提出的粒子群優(yōu)化支持向量機(jī)算法實(shí)現(xiàn)步驟如下。

1) 將模型的適應(yīng)度函數(shù)定義為訓(xùn)練樣本的預(yù)測(cè)誤差,即最小預(yù)測(cè)誤差所對(duì)應(yīng)的粒子位置便是函數(shù)所對(duì)應(yīng)的最優(yōu)解;

2) 隨機(jī)初始化粒子群位置和粒子速度;

3) 計(jì)算每個(gè)粒子的適應(yīng)值;

4) 將當(dāng)前適應(yīng)值和個(gè)體歷史最佳位置適應(yīng)值進(jìn)行對(duì)照。若前者值較高,則用當(dāng)前位置代替?zhèn)€體歷史最佳位置;

5) 將當(dāng)前適應(yīng)值和全局最佳位置適應(yīng)值進(jìn)行對(duì)照。若前者值較高,則用當(dāng)前位置代替全局最佳位置;

6) 利用粒子群算法進(jìn)行粒子速度和位置的更新;

7) 如未滿足結(jié)束條件,則返回步驟3)。反之則執(zhí)行下一步。最后得到最優(yōu)參數(shù)C和σ值;

8) 將最優(yōu)參數(shù)C和σ值進(jìn)行SVM算法訓(xùn)練,再運(yùn)用驗(yàn)證集驗(yàn)證算法的預(yù)測(cè)精準(zhǔn)度,得到儲(chǔ)層總有機(jī)碳含量的預(yù)測(cè)結(jié)果。

相應(yīng)的算法流程如圖3所示。

圖3 粒子群優(yōu)化支持向量機(jī)算法流程

3 實(shí)際應(yīng)用及效果分析

3.1 數(shù)據(jù)實(shí)驗(yàn)與分析

由圖2分析可知,對(duì)總有機(jī)碳含量反應(yīng)較為敏感的測(cè)井曲線主要為自然伽馬、密度和縱橫波速度比測(cè)井曲線。因此,選取上述3條曲線數(shù)據(jù)作為總有機(jī)碳含量識(shí)別的原始樣本輸入數(shù)據(jù),輸出結(jié)果為粒子群-支持向量機(jī)算法計(jì)算的總有機(jī)碳含量曲線。從已知5口井中,選擇Z2、Z3、Z5和Z6井作為訓(xùn)練井,參與粒子群優(yōu)化支持向量機(jī)算法計(jì)算;Z1井作為驗(yàn)證井不參與計(jì)算,用來檢驗(yàn)算法的精準(zhǔn)性。隨機(jī)在訓(xùn)練井選取400個(gè)龍一1—五峰組段樣本數(shù)據(jù)作為粒子群優(yōu)化支持向量機(jī)算法的訓(xùn)練集,用于預(yù)測(cè)總有機(jī)碳含量曲線;驗(yàn)證井選取100個(gè)樣本作為驗(yàn)證集,訓(xùn)練集和驗(yàn)證集數(shù)據(jù)是分別來自5口井的自然伽馬、密度和縱橫波速度比測(cè)井解釋數(shù)據(jù)。

粒子群算法的參數(shù)設(shè)置依據(jù)為:核函數(shù)采用徑向基函數(shù);種群規(guī)模影響著算法的搜索能力和計(jì)算量,依據(jù)模型大小和算法性能,通過多次經(jīng)驗(yàn)嘗試,把粒子群算法初始規(guī)模設(shè)置為20可以達(dá)到很好的求解效果;懲罰因子和核函數(shù)參數(shù)的范圍影響算法的精度和預(yù)測(cè)率,參數(shù)過大,降低泛化能力,增加訓(xùn)練時(shí)間,反之則預(yù)測(cè)精度較低。為了保證算法的穩(wěn)定性和高效性,懲罰因子C的粒子群搜索區(qū)間設(shè)置為[0.1,100.0],核函數(shù)參數(shù)σ的粒子群搜索區(qū)間設(shè)置為[0.01,1000.00],粒子群的最大進(jìn)化代數(shù)為200;合適的c1,c2可以加快收斂且不易陷入局部最優(yōu),根據(jù)研究區(qū)運(yùn)算條件,設(shè)置學(xué)習(xí)因子c1=1.5,c2=1.7。圖4為粒子群算法對(duì)支持向量機(jī)進(jìn)行參數(shù)優(yōu)化的適應(yīng)度曲線,計(jì)算得到最優(yōu)參數(shù)C=1024和σ=0.25。

圖4 粒子群優(yōu)化算法的適應(yīng)度曲線

將搜索到的最優(yōu)參數(shù)C和σ代入支持向量機(jī)算法,利用粒子群優(yōu)化支持向量機(jī)算法對(duì)訓(xùn)練集進(jìn)行訓(xùn)練,總有機(jī)碳含量曲線的預(yù)測(cè)正確率達(dá)到了95%以上,如圖5所示,表明算法參數(shù)設(shè)置合理,進(jìn)行總有機(jī)碳含量曲線預(yù)測(cè)可以獲得較高的精確度。

圖5 粒子群優(yōu)化支持向量機(jī)算法預(yù)測(cè)測(cè)試集與真實(shí)值結(jié)果對(duì)比

3.2 總有機(jī)碳含量曲線預(yù)測(cè)

利用粒子群優(yōu)化支持向量機(jī)算法進(jìn)行總有機(jī)碳含量曲線預(yù)測(cè),相關(guān)的預(yù)測(cè)結(jié)果如圖6所示,并與表2 中總有機(jī)碳含量與密度的關(guān)系式擬合的總有機(jī)碳含量曲線進(jìn)行對(duì)比。圖6中第6道紅色實(shí)線為粒子群優(yōu)化支持向量機(jī)算法預(yù)測(cè)的總有機(jī)碳含量曲線,第7道黑色實(shí)線為總有機(jī)碳含量與密度關(guān)系式擬合的總有機(jī)碳含量曲線,黑色圓點(diǎn)為巖心總有機(jī)碳含量值,可以看到粒子群優(yōu)化支持向量機(jī)算法具有極強(qiáng)的非線性逼近能力,能真實(shí)反映總有機(jī)碳含量與測(cè)井參數(shù)的關(guān)系,由粒子群優(yōu)化支持向量機(jī)算法預(yù)測(cè)的總有機(jī)碳含量曲線與巖心總有機(jī)碳含量吻合度較高。表3 給出了粒子群優(yōu)化支持向量機(jī)算法在5口井中總有機(jī)碳含量預(yù)測(cè)正確率統(tǒng)計(jì),計(jì)算正確率較高,均超過了95%,說明該算法計(jì)算結(jié)果精度較高,可用于頁巖氣儲(chǔ)層總有機(jī)碳含量的地震預(yù)測(cè)。

表3 研究區(qū)5口井總有機(jī)碳含量預(yù)測(cè)誤差統(tǒng)計(jì)

圖6 Z1井預(yù)測(cè)的總有機(jī)碳含量與巖心總有機(jī)碳含量對(duì)比(1ft≈30.48cm)

3.3 總有機(jī)碳含量地震預(yù)測(cè)

基于總有機(jī)碳含量敏感參數(shù)統(tǒng)計(jì)分析結(jié)果,密度、自然伽馬和縱橫波速度比反演數(shù)據(jù)體是總有機(jī)碳含量數(shù)據(jù)體地震預(yù)測(cè)的基礎(chǔ)。密度反演數(shù)據(jù)體和縱橫波速度比反演數(shù)據(jù)體可以利用疊前同時(shí)反演直接獲得,自然伽馬反演數(shù)據(jù)體可以通過測(cè)井參數(shù)反演得到。圖7a、圖7b和圖7c分別是過Z1和Z6井連井密度、縱橫波速度比和自然伽馬反演剖面,井旁反演結(jié)果與測(cè)井曲線相比,吻合度均較高。圖7a中龍馬溪組龍一1—五峰組底儲(chǔ)層段密度較低,主要在2.50～2.62g/cm3,呈紅黃色條帶。圖7b中龍馬溪組龍一1—五峰組底儲(chǔ)層段縱橫波速度比較低,主要分布于1.40～1.64,呈紅黃色條帶。圖7c龍馬溪組龍一1—五峰組底儲(chǔ)層段自然伽馬值較高,主要分布于150～190API,呈紅色條帶。

圖7 過Z1和Z6井密度(a)、縱橫波速度比(b)和自然伽馬反演剖面(c)

在密度、自然伽馬和縱橫波速度比反演數(shù)據(jù)體的基礎(chǔ)上,利用粒子群優(yōu)化支持向量機(jī)算法就可以計(jì)算出總有機(jī)碳含量反演數(shù)據(jù)體。圖8為Z1和Z6連井總有機(jī)碳含量反演剖面,紅色部分為優(yōu)質(zhì)頁巖,總有機(jī)碳含量相對(duì)較高,龍馬溪組龍一1—五峰組底儲(chǔ)層段優(yōu)質(zhì)頁巖總有機(jī)碳含量較高,主要分布于2.0%～3.5%,剖面從上到下總有機(jī)碳含量逐漸增大,五峰組儲(chǔ)層特征明顯,橫向上展布穩(wěn)定。Z1和Z6井井旁總有機(jī)碳含量預(yù)測(cè)結(jié)果與井的分析結(jié)果較為一致,表明反演結(jié)果真實(shí)可靠。圖9為利用密度與總有機(jī)碳含量擬合公式計(jì)算的Z1和Z6連井總有機(jī)碳含量反演剖面,圖中,五峰組儲(chǔ)層特征不明顯,表明利用粒子群優(yōu)化支持向量機(jī)算法預(yù)測(cè)總有機(jī)碳含量的效果比利用密度法預(yù)測(cè)更好。

圖8 粒子群優(yōu)化支持向量機(jī)算法預(yù)測(cè)的過Z1和Z6井總有機(jī)碳含量反演剖面

圖9 利用密度與總有機(jī)碳含量擬合公式預(yù)測(cè)的過Z1和Z6井總有機(jī)碳含量反演剖面

根據(jù)總有機(jī)碳含量預(yù)測(cè)數(shù)據(jù)體,繪制出龍一1段—五峰組底優(yōu)質(zhì)頁巖總有機(jī)碳含量平面分布(圖10),從圖中可以看出,工區(qū)內(nèi)龍一1段—五峰組底優(yōu)質(zhì)頁巖總有機(jī)碳含量整體較高,大多在2.0%～2.7%之間變化。Z1,Z2,Z3,Z5和Z6井的預(yù)測(cè)評(píng)價(jià)總有機(jī)碳含量值分別為2.27%,2.38%,2.49%,2.57%和2.42%,與實(shí)測(cè)結(jié)果基本一致,相對(duì)誤差較小。

圖10 研究區(qū)龍一1段—五峰組優(yōu)質(zhì)頁巖總有機(jī)碳含量預(yù)測(cè)平面分布

圖11 研究區(qū)龍段頂—五峰組底優(yōu)質(zhì)頁巖總有機(jī)碳含量預(yù)測(cè)平面分布

表4對(duì)比了龍馬溪組龍一1段—五峰組底優(yōu)質(zhì)頁巖總有機(jī)碳含量預(yù)測(cè)結(jié)果與實(shí)際測(cè)井解釋結(jié)果,可以看出,本區(qū)龍馬溪組優(yōu)質(zhì)頁巖各項(xiàng)特征均比較穩(wěn)定,優(yōu)質(zhì)頁巖總有機(jī)碳含量預(yù)測(cè)結(jié)果與測(cè)井解釋結(jié)果誤差較小,絕對(duì)誤差在0.03%以內(nèi),相對(duì)誤差在1.4%以內(nèi),優(yōu)質(zhì)頁巖總有機(jī)碳含量預(yù)測(cè)結(jié)果可靠。

表4 總有機(jī)碳含量?jī)?yōu)質(zhì)頁巖預(yù)測(cè)結(jié)果與測(cè)井解釋結(jié)果對(duì)比

4 結(jié)論

利用粒子群優(yōu)化算法得到支持向量機(jī)算法的最優(yōu)參數(shù),利用最優(yōu)參數(shù)創(chuàng)建總有機(jī)碳含量預(yù)測(cè)模型,將算法應(yīng)用于四川盆地渝西地區(qū)Z井區(qū)優(yōu)質(zhì)頁巖總有機(jī)碳含量預(yù)測(cè),具有較好的應(yīng)用效果。

1) 粒子群優(yōu)化支持向量機(jī)算法通過在高維空間進(jìn)行總有機(jī)碳含量與敏感參數(shù)的線性擬合,解決了低維空間中非線性關(guān)系,為頁巖氣儲(chǔ)層總有機(jī)碳含量的預(yù)測(cè)提供了更加準(zhǔn)確的數(shù)學(xué)算法;

2) 粒子群優(yōu)化支持向量機(jī)算法在測(cè)井曲線預(yù)測(cè)中,預(yù)測(cè)的總有機(jī)碳含量曲線和巖心總有機(jī)碳含量吻合度較高,達(dá)到了95%,表明算法參數(shù)設(shè)置合理;

3) 通過粒子群優(yōu)化支持向量機(jī)算法對(duì)儲(chǔ)層總有機(jī)碳含量進(jìn)行地震反演預(yù)測(cè),井旁反演結(jié)果、平面預(yù)測(cè)結(jié)果與井位處總有機(jī)碳含量曲線較為吻合;表明算法具有較好的實(shí)用性,能夠提高儲(chǔ)層預(yù)測(cè)精度,對(duì)四川盆地渝西地區(qū)頁巖氣勘探開發(fā)具有指導(dǎo)意義。