基于可优化支持向量机的超深基底储层含气性综合评价

在最深处寻找天然气

在地表之下深处，那些曾被认为过于古老和致密而无价值的岩层中，地质学家正在发现新的天然气储藏。这些位于六公里以下的超深“基底”岩体中，热力、压力以及复杂的岩性使得判断气体藏匿位置变得困难。本研究探讨一种机器学习方法如何从这些深处纷繁复杂的测量数据中筛选出真正含气的岩层，帮助企业减少干井并更安全地管理这些难以开发的储层。

一种新的深层天然气目标类型

研究聚焦于中国柴达木盆地的K2区块，这里拥有全球首个埋深超过6500米的超深基底气藏。在此处，天然气并非储存在常见的砂岩中，而是存在于变质的古老基底岩如片麻岩和闪长岩的断裂带与风化圈中。这些岩体被天然裂缝和风化层切割，可用于存储和传输气体。来自侏罗纪更新生代的烃源不断沿断层向下迁移进入这些破碎基底区，在气体位于含盐层形成水之上的位置聚集形成圈闭。由于岩性高度多样，井下测量响应更多地反映岩性变化，而非孔隙中是气还是水。

传统工具为何失灵

在许多浅层储层中，工程师常通过中子与密度测孔曲线的对比来识别气层：当存在气体时，这两条曲线会以特征性的方式相交。在K2区块的基底中，这一经验法则失效。一些酸性岩石本身密度低、氢含量也低，会在无气时就呈现出类似“气体特征”的信号。另一些经热液改造的岩石则显示出高氢信号和不同的密度响应，同样会干扰判读。因此，熟悉的曲线重叠或偏移的现象无法可靠反映流体类型，肉眼几乎无法在岩层间画出明显的含气与干燥界限。

教机器读懂岩层

为了解决这一问题，研究团队采用了一种可优化的支持向量机，这是一种适用于样本量较小但复杂的数据集的成熟机器学习方法。模型不是依赖单一模式，而是同时输入多种测井量，包括自然伽马、声波时差、岩石密度、中子测孔、深浅电阻率以及测井气显示的总烃读数。井中每个深度点都依据实际试油试气结果被标注为强含气层、弱含气层或干层。算法在高维空间中寻找将这三类样本分隔开的最佳方式，并自动调优关键参数以在准确性与稳健性间取得平衡。

在真实井中的表现如何

在数百个深度样本上训练后，模型对训练集的分类正确率超过97%，对独立测试集约为95%，性能评分显示各类之间存在很强的可分性。应用于不同构造位置的既有井时，机器的预测与实际产能表现高度一致：处于构造高位、模型预测出厚实含气层的井通常产气稳定且含水少；位于下方、预测含气带较薄且距油水接触高度不足的井则产气量低且早期出现返水。在一口未参与训练的新井中，该工具指导了基底上部和中部的射孔间隔选择。该间隔日产气量超过20万立方米且无含水，证明了预测的实用价值。

更智能深井钻探的路线图

基于这些成果，作者提出了分步骤工作流程：谨慎选择并清理数据；定义与实际产能对应的一致性含气、含气弱和干层类别；训练并调优机器学习模型；比较各井之间的预测含气层；并用持续的产量数据对模型进行校核和更新。对运营者而言，结论明确：在老方法失效的超深基底岩中，融合多种测井信号的良好训练的机器学习模型，能更清晰地显示气体的真实分布和安全的采油间隔，从而支持对这些复杂资源更高效、更有根据的开发。

引用: Huang, X., Tang, J., Zhao, J. et al. Comprehensive evaluation of gas-bearing properties in ultra-deep basement reservoirs based on an optimizable support vector machine. Sci Rep 16, 15492 (2026). https://doi.org/10.1038/s41598-026-53786-9

关键词: 超深气藏, 基底岩, 测井分析, 支持向量机, 含气性预测