深部致密砂岩气藏测井流体识别中的特征级融合方法

《Journal of Applied Geophysics》：Feature-level fusion for well-log fluid identification in deep tight sandstone gas reservoirs

　　

• •
  特征融合技术将电阻率、孔隙度以及核磁共振测井参数结合在一起。
• •
  SMOTE与成本敏感随机森林算法可有效改善类别不平衡条件下的分类效果。
• •
  五折交叉验证结果显示，该方法的准确率为91.5%，平均F1值为94.14%。
• •
  对于难以识别的流体类型，该工作流程的AUC值可超过0.975。

引言

深层及超深层致密砂岩气藏在中国天然气储备补充中起着关键作用。这类气藏是现代非常规油气勘探中的重要目标。（Jia等人，2022年）强烈的构造挤压与复杂的成岩作用形成了大量但分布不均的微裂缝，导致常规测井数据在含气层与含水层之间仅能显示出细微差异。因此，在此类地质条件下进行流体识别时，往往面临孔隙度低、渗透率低以及测井对比度弱等问题（Su等人，2022年；Lu等人，2018年；Jiang等人，2021年；Liu等人，2025年）。

人们为解决超深层、低孔隙度、低渗透率致密砂岩气藏中的流体识别问题付出了诸多努力。现有的方法大致可分为重叠法、交叉图法以及智能识别法三类。其中，重叠法和交叉图法应用最为广泛，其效果在很大程度上取决于对与流体相关的测井参数的构建与整合程度。

近期的国际研究还将基于测井数据的深层非均质地层分类从流体类型判定拓展到了成岩相预测领域。例如，Li等人（2022年）将多元测井分析技术与神经网络相结合，用于识别库车坳陷阿合致密砂岩中的成岩相，结果表明具有物理意义的相划分有助于提高气藏识别精度。Yang等人（2024年）提出了两种基于重叠法的流体识别方法，即结合束缚水饱和度与水饱和度的重叠分析方法，以及双孔隙度重叠分析方法。通过整合多种测井参数，这些方法有效弥补了传统电阻率测井和声波测井在复杂气藏中的不足。Cai等人（2025年）提出了单位孔隙率电阻率指标，并进一步建立了该指标与声速的交叉图，用于区分含气水层与普通水层。Zhang等人（2020年）发现核磁共振差分谱的几何平均值与有效孔隙度差值对流体性质较为敏感，由这些参数构成的交叉图能够有效区分油层与水层，若再结合核磁共振数据，则可实现流体类型判定。此外，Wang等人（2024年）表明，基于图的半监督学习方法能够在井测数据不平衡的情况下，提升薄层及少数类岩性的识别精度，这进一步体现了结构化特征整合在复杂气藏解释中的重要性。

传统方法通常存在精度有限且主观性较强的问题，难以满足当前勘探中对客观、高精度评估的需求。随着机器学习技术在石油数据分析中应用的日益增多，智能流体识别技术取得了显著进步（Misra和He，2020年；Zhang等人，2025年；Mao等人，2024年；Xu等人，2024年）。

近期的国际研究进一步指出，在样本量小、数据存在噪声以及数据不完整的情况下实现模型泛化仍是一个核心挑战。Luo等人（2022年）提出了一种基于并行LSTM-CNN架构的层次化方法，而Li等人分别在2025a、2025b、2025c年中表明，将深度学习模型与不平衡学习策略相结合，可提升那些容易混淆的气藏类型的识别精度。Dong等人（2023年）提出了一种利用传统井测数据进行岩相识别的深度核方法，研究表明深度特征提取能够在保留核分类器优势的同时提升非线性分离能力。Dong等人（2024年）还引入了用于复杂岩相识别的半监督神经网络，证明了在标记岩相数据不足时利用未标记井测样本的价值。针对丹玉德地区的低电阻率气藏，Han（2022年）提出了一种基于AdaBoost的智能识别方法，该方法选取了自然伽马值和声速等敏感参数，并将多个弱分类器整合为一个强分类器，从而提升了识别的准确性与效率。Shi等人（2024年）通过将经过MIV优化的测井参数与SVM、MLP、LightGBM以及元学习器相结合，为库车坳陷的致密砂岩气藏开发出了改进型的堆叠模型。对于地质结构极为复杂的致密砂岩气藏，Bai等人（2021年）提出了一种动态分类委员会-机器学习方法，Chen等人（2025年）则进一步证明了在复杂流体性质识别中采用委员会-机器学习策略的优越性。

尽管这些方法提升了整体的识别性能，但在深度勘探初期常见的样本量有限、类别不平衡以及特征重叠等问题作用下，复杂的模型仍然需要更大的训练集和更完善的特征体系。此外，这类模型的可解释性与可移植性也存在一定限制。近期的国际流体识别研究也指向了类似的方向。Liang等人（2025年）指出，混合ResNet-ViT框架能够提升致密气藏的流体类型判定精度，Yi等人（2025年）则提出了一种专门用于致密砂岩气体流体识别的类别不平衡学习框架。这些研究都表明，结合对特征形成机制的理解与对类别不平衡问题的处理，正逐渐成为井测数据解释领域的重要发展趋势。

为解决上述问题，本研究提出了一种基于特征级的融合方法，用于深层致密砂岩气藏的井测数据流体识别。该方法以测井响应机制为指导，构建与流体特性相关的属性，并在特征层面整合电阻率、孔隙度以及核磁共振信息。同时，通过引入SMOTE过采样技术和成本敏感随机森林，来减少因样本量少和类别不平衡导致的分类偏差。研究采用了博孜地区的多口井测数据来进行训练、对比以及现场验证，以此获得稳定可靠的流体识别结果，同时保持结果的物理可解释性。

章节摘要

特征级融合框架

多源数据融合技术通过整合多个传感器或数据源的信息，能够得出比单一数据源更准确、更可靠的结论。根据融合操作的阶段不同，融合策略通常可分为数据级融合、特征级融合以及决策级融合（Hall和Llinas，1997年；Schmitt和Zhu，2016年）。

在特征级融合中，需要从各个单独的测井项目中提取与流体相关的特征向量。

研究区域

库车坳陷位于塔里木盆地的北部边缘，是由南天山造山带向盆地内部挤压而形成的新生前陆盆地。克拉斯乌构造带的西部存在博孜-大北构造带，它是由晚喜马拉雅期强烈的挤压作用所形成的深层叠瓦状逆冲系统。

本研究的目标地层为下白垩统巴什吉克组，该地层是该区域的主要产气层位。

讨论

研究结果表明，借助物理机制指导特征构建，无需依赖过于复杂的模型，即可有效降低深层致密砂岩中的类别重叠问题。由于随机森林算法对超参数的调整要求较低，且所需数据量也不大，因此该工作流程非常适合深度勘探中样本稀缺的阶段。这种在物理指导与算法简洁性之间的平衡，与近期国际上为提升基于测井数据的解释精度所做的努力是一致的。

结论

为解决库车坳陷博孜地区超深层致密砂岩气藏中的流体识别难题，本研究提出了一种将物理机制与成本敏感学习相结合的智能识别方法。主要结论如下：

• (1)
  基于测井响应机制构建的与流体特性相关的属性，包括电阻率差值、电阻率比值、孔隙度差值以及基于核磁共振的指标等，能够有效强化弱含气层的特征表现。

CRediT作者贡献说明

郭庆斌：方法设计、数据采集、正式分析、数据整理。谭茂金：项目指导、项目管理、资金筹措。赵新健：结果验证、数据采集分析。黄远亮：结果可视化、软件应用。徐思辉：论文撰写与修改、结果验证。龚宇：资源协调、数据整理。

未引用参考文献

Chen等人，2024年

Ge等人，2015年

Liu等人，2023年

Zhang和Fan，2002年

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

本研究得到了国家自然科学基金委员会的重点项目[项目编号：42430810]以及中国石油集团塔里木深地研究项目的支持[项目编号：671025055085]。

郭庆斌|谭茂金|赵新健|黄远亮|徐思辉|龚宇