文档介绍：储层分类评价技术
第一页，共11页
引言
储层分类评价是油藏研究的重要内容，为了使储层分类更准确、合理，本文采用Q 型聚类分析和贝叶斯判别算法相结合的方法，进行储层分类评价研究。综合优选砂岩厚度、孔隙度、渗透率、碳酸盐含量及泥质含量等各种储层参数，应用数理统计方法将这些参数集合起来，采用Q 型聚类分析的算法对储层进行分类；在此基础上，采用贝叶斯判别算法，建立这些储层参数与储层分类评价的定量判别关系，即建立进行储层分类评价的判别函数，依据此判别函数对非取心井的目的层进行了定量分类评价。实例证明，应用Q 型聚类分析和贝叶斯判别算法相结合进行储层分类评价是有效的，其应用效果良好。
储层评价工作贯穿于油气田开发的始终，当前国内外储层评价的特点是紧紧围绕勘探开发的需要，进行多学科结合的综合性评价，其总的发展趋势是从宏观到微观、从静态到动态、从定性向定量发展。国内外学者针对储层评价进行了大量的工作，1966 年Leveson 首次提出用宏观参数（孔隙
度、渗透率）作为储层分类评价的标准，随后WeKeng 和罗蛰潭等提出应用通过岩石毛管压力曲线求取的微观孔隙结构参数进行储层分类评价等。
第二页，共11页
由于储层的非均质性，单纯用宏观或微观参数对储层进行分类评价存在片面性。因此，必须选用综合方法对储层多参数进行评价。评价方法的选择必须符合研究地区的地质特征，为勘探开发决策提供依据，另外还要具备综合性及定量化。因此本文采用综合宏观、微观等参数的一种新的储层评价方法———Q 型聚类和贝叶斯判别法，对储层的多个影响因素进行评价，最终得到一个综合评价指标，并据此对储层分类。
1. Q 型聚类分析
聚类分析是一种逐级归类的方法，主要思想是根据一定的相似性指标，按照研究对象的相似程度合理地进行归并和分类，当利用其解决样品的分类问题时称为Q 型聚类，解决变量的分类问题时称为R 型聚类。本文主要利用聚类分析解决储层的分类评价问题，储层类型划分的研究流程如图1 所示，根据样品的观测指标和Q 型聚类算法，计算样品间的相似程度，把相似的样品归为一类，不相似的归为另一类，把关系密切的归到一个小的分类单位，把关系不密切的归到一个大的分类单位，总之，Q 型聚类分析的结果是形成一个由大到小的分类谱系图或聚类图。聚类图不仅可以直观地表示研究对象之间的相似关系和分类情况，反映各类储层，而且可以定量地指示相似程度，从而为地质解释提供良好的依据。进行储层定量分类，首先必须确定一些划分类型的定量指标，它们是反映样品（或变量）相似（或相关）程度的度量。
第三页，共11页
距离系数
距离系数是Q 型聚类分析常用的分类统计量。如果把在m 个变量上进行观测的N 个样品看成m 维空间的N 个点，则任意两样品点xj与xk之间的相似程度可用m 维空间两点间的距离表示，则距离系数定义为
第四页，共11页
其中，xij为样品j 的第i 个特征参数变量，xik为样品k 的第i个特征参数变量。除以m 是为了得到一个与变量数无关的相对距离。
由式（1）可以看出，当各变量的单位和数量级不同时，如果直接用原始数据计算，就会强化那些绝对值大的变量而淡化绝对值小的变量，因此在计算前要对原始数据作一些处理或变换，常用归一化方法对原数据进行预处理，计算公式为
其中，ximin为样品i 的特征参数变量的最小值，ximax为样品i 的特征参数变量的最大值。根据式（1），对所有样品两两求距离系数djk，可得到距离矩阵D，
则该矩阵为对角线元素为0 的对称矩阵，样品j 与样品k 越相似，djk越趋于0。
相似系数
相似系数是描述样品之间相似程度的度量。把每个样品看作m 维空间的向量，两样品xj与xk的相似程度定义为两向量夹角的余弦，即式（4）。
类似于距离矩阵，根据式（4）对所有样品两两求相似系数，可得到相似矩阵[cosθjk]，则该矩阵为主对角线元素为1 的对称矩阵，样品j 与样品k 越相似，相似系数越趋近于1，反之则趋于0。本次分类评价在样品之间定义某种距离系数，然后按距离系数进行亲近类的逐次合并，最后以分类谱系图表示样品
间的亲疏关系，从而达到分类评价的目的。
第五页，共11页
2 贝叶斯判别分析
确定了储层划分的类型后，将标准样品分组，建立判别分析的输入文件，利用贝叶斯判别分析法建立各类储层的判别函数模型。
第i 类储层的判别函数为
其中α0i为判别系数，xij为i 类储层的第j 个特征变量，Pi为待判储层属