1．数据挖掘方法应用——沉积微相自动识别
在不同地区的地质条件限制下，各种测井曲线反映沉积信息的灵敏程度不同，需要在岩芯观察及地区经验基础上，优选指示灵敏性较好的曲线组合。经过分析，本研究区SP、GR、RT、AC这4条测井曲线反映沉积微相的效果最好。首先以取芯井W23为模型井，建立沉积微相与测井相的映射关系，然后应用该模型对剩下井做了预测(图9-38)，符合率为80．3%。可见，采用这种方法可以大大地减轻储层地质研究人员的工作量，提高了研究效率。
图9-38 利用神经网络识别沉积微相界面
2．地质统计学知识
不同成因类型的砂体在平面上和垂向上的演化必然会形成层内的非均质性和层间非均质性。层间的非均质性通过垂向上分旋回解决，层内的非均质性通过统计变差函数来解决。通过在平面上每隔30°计算变差函数，发现方位角30°(或150°)的时候，非均质性最严重。垂向上变差函数变程的大小就说明了非均质性程度。变差函数也有可能是几个函数的套合，通过对变差函数的分析，便可以得到某个旋回的各岩相非均质性程度。
地质统计学参数的确定往往带有艺术性，在本次研究过程中，由于井距在400m左右，采取了精细的储层地质研究，首先由程序自动计算变差函数，然后根据储层地质逐一检查，最终得到的变差函数参数如表9-6～表9-11所示。
表9-6 各旋回平面沉积微相指示变差函数参数表
表9-7 各旋回垂直沉积微相指示变差函数参数表
表9-8 各旋回孔隙度水平变差函数参数表
表9-9 各旋回孔隙度垂直变差函数参数表
表9-10 各旋回渗透率水平变差函数参数表
表9-11 各旋回渗透率垂直变差函数参数表
3．储层模型连通性参数的计算
根据开发的针对储层模型的连通性参数的统计程序，就可以得到表9-12这样的报表。该报表主要从四个方面来统计，一是基本信息，说明了该模型的基本特征，如其百分含量，连通体数目及各连通组分的输出所对应的文件;二是统计了所有连通组分的平均值，如其大小等;三是最大连通组分的信息，其对应的编号、连通体积沿X、Y、Z轴方向的延伸长度等;四是最小连通组分的基本信息。本次研究用J2s1油组的储层沉积微相模型进行了试算，针对分流河道沉积微相而言，连通性算法统计了该微相的百分含量及其连通数目，岩相比例略大于井的统计比例，共有连通分量58个，这也说明了砂体在空间中的连通性不是很好。
表9-12 连通参数提取输出报表
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
