36、利用宽带电磁测井的马尔可夫链蒙特卡罗随机反演表征地下油气/水饱和度

利用宽带电磁测井的马尔可夫链蒙特卡罗随机反演表征地下油气/水饱和度

1. 引言

在机器学习和数据分析中，数据反演是一项关键技术，其目的是最小化测量数据与模型数据之间的误差。通过系统地从允许的值域中选择模型参数，找到使误差最小的参数组合，即为数据反演问题的最优解。与确定性反演方法不同，随机反演方法基于概率分布迭代和更新模型参数，能找到所有可能的非唯一解及其出现的可能性，适用于处理含噪声、有不确定性或由难以用确定性规律建模的异质过程产生的数据。

本文采用马尔可夫链蒙特卡罗（MCMC）随机反演方法，对页岩地层中的多频电磁测量数据进行处理，以可靠地量化水/油气饱和度。马尔可夫链是一种随机模型，每个事件仅依赖于前一个事件的状态；蒙特卡罗方法则是通过重复随机采样和统计分析来解决具有概率解释的物理/数学问题的计算技术。MCMC方法结合了两者的优点，旨在从具有复杂概率分布的大总体中采样，使样本分布与实际期望分布相匹配。然而，当维度增加时，MCMC方法会受到维度诅咒的影响，导致计算量大幅增加。

1.1 页岩气储层中的饱和度估计

本文聚焦于下古生界盆地中含黏土和黄铁矿的页岩储层，利用MCMC随机反演多频电磁测量数据来估计水饱和度。该页岩储层的矿物成分主要包括石英、伊利石、绿泥石、高岭石、干酪根、方解石和磷酸盐，具有高黏土含量、高总有机碳（TOC）、低孔隙度、高曲折度以及存在黄铁矿等导电矿物的特点。在这种复杂的近井眼储层条件下，通过解释各种地下电磁测井（如感应电阻率测井和介电色散测井）以及多矿物分析求解器得到的油气/水饱和度估计值并不一致。此外，传统饱和度模型在富含有机质的页岩气地层中往往失效，因为它们没有考虑黏土和黄铁矿等导电矿物的界面极化（IP）效应。