测井岩性识别方法研究_杨玲

合集下载

岩性识别测井新方法

２０１５年第３０卷第５期２０１５，３０（５）：２３４２－２３４８地球物理学进展　Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｇｅｏｐｈｙｓｉｃｓｈｔｔｐ／／ｗｗｗ．ｐｒｏｇｅｏｐｈｙｓ．ｃｎＩＳＳＮ　１００４－２９０３ＣＮ　１１－２９８２／Ｐ赵军，杨阳，陈伟中，等．２０１５．基于ＥＣＳ测井的岩性识别方法．地球物理学进展，３０（５）：２３４２－２３４８，ｄｏｉ：１０．６０３８／ｐｇ２０１５０５４８．ＺＨＡＯ　Ｊｕｎ，ＹＡＮＧ　Ｙａｎｇ，ＣＨＥＮ　Ｗｅｉ－ｚｈｏｎｇ，ｅｔ　ａｌ．２０１５．Ｎｅｗ　ｍｅｔｈｏｄ　ｆｏｒ　ｗｅｌｌ　ｌｏｇｇｉｎｇ　ｌｉｔｈｏｌｏｇｉｃ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｅｌｅｍｅｎｔａｌ　ｃａｐｔｕｒｅｓｐｅｃｔｒｏｓｃｏｐｙ．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｇｅｏｐｈｙｓｉｃｓ（ｉｎ　Ｃｈｉｎｅｓｅ），３０（５）：２３４２－２３４８，ｄｏｉ：１０．６０３８／ｐｇ２０１５０５４８．基于ＥＣＳ测井的岩性识别方法Ｎｅｗ　ｍｅｔｈｏｄ　ｆｏｒ　ｗｅｌｌ　ｌｏｇｇｉｎｇ　ｌｉｔｈｏｌｏｇｉｃ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｅｌｅｍｅｎｔａｌ　ｃａｐｔｕｒｅｓｐｅｃｔｒｏｓｃｏｐｙ赵军１，杨阳１，陈伟中２，李进福２ＺＨＡＯ　Ｊｕｎ　１，ＹＡＮＧ　Ｙａｎｇ１，ＣＨＥＮ　Ｗｅｉ－ｚｈｏｎｇ２，ＬＩ　Ｊｉｎ－ｆｕ２收稿日期　２０１４－１１－２３；　修回日期　２０１５－０８－０７．投稿网址　ｈｔｔｐ／／ｗｗｗ．ｐｒｏｇｅｏｐｈｙｓ．ｃｎ基金项目　国家“十二五”重大专项“特低渗油藏有效开发技术”（２０１１ＺＸ０５０１３－００６－００８）资助．作者简介　赵军，男，１９７０年生，１９９８年获西南石油学院博士学位，现为西南石油大学教授，主要从事油气测井、地质工程研究工作．（Ｅ－ｍａｉｌ：ｚｈａｏｊｕｎ＿７０＠１２６．ｃｏｍ）１．西南石油大学，地球科学与技术学院，成都　６１０５００２．中国石油塔里木油田公司研究院，库尔勒　８４３０００１．Ｓｏｕｔｈｗｅｓｔ　Ｐｅｔｒｏｌｅｕｍ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｃｈｏｏｌ　ｏｆ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈｅｎｇｄｕ６１０５００，Ｃｈｉｎａ２．Ｒｅｓｅａｒｃｈ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｔａｒｉｍ　Ｏｉｌｆｉｅｌｄ　Ｃｏｍｐａｎｙ，ＣＮＰＣ，Ｋｕｒｅｌｅ　８４３０００，Ｃｈｉｎａ摘　要　地球化学元素测井（ＥＣＳ测井）可以定量地提供地层中的Ｓｉ、Ｃａ、Ｆｅ、Ｓ、Ｔｉ、Ｇｄ等化学元素的含量，利用这些元素与地层矿物之间的关系可以分析岩石矿物含量．在研究区利用ＥＣＳ测井对岩石矿物含量进行定量评价时，由于矿物组合类型选择有误，导致矿物解释结果与岩心和录井资料分析结果存在偏差．针对这一问题，本文基于ＥＣＳ测井岩性识别常规方法，提出两点改进：１），利用岩石薄片资料对ＥＣＳ测井所选矿物组合进行校正；２）利用矿物和指示元素相关关系建立方解石和石膏的快速评价模型，模型相关系数分别０．９９、０．９６．应用表明，建立的快速评价模型计算更简洁，并且具有和矿物闭合模型相同的精度，此外，其解释结果与录井、岩心分析结果吻合度更高，说明该方法的可靠性．该方法可为测井识别岩性提供一种新的选择．关键词　ＥＣＳ测井；岩石薄片；校正；快速评价模型；矿物闭合模型　中图分类号　Ｐ６３１文献标识码　Ａｄｏｉ：１０．６０３８／ｐｇ２０１５０５４８Ａｂｓｔｒａｃｔ　Ｅｌｅｍｅｎｔ　ｃａｐｔｕｒｅ　ｓｅｒｖｉｃｅ（ＥＣＳ）ｃａｎ　ｂｅ　ｕｓｅｄ　ｔｏｑｕａｎｔｉｔａｔｉｖｅ　ｄｅｔｅｒｍｉｎａｔｉｏｎ　ｏｆ　ｔｈｅ　ｃｏｎｔｅｎｔｓ　ｏｆ　Ｓｉ，Ｃａ，Ｆｅ，Ｓ，Ｔｉ，Ｇｄ　ｉｎ　ｓｔｒａｔｕｍ．Ｔｈｅ　ｃｏｒｒｅｌａｔｉｏｎ　ｏｆ　ｔｈｅｓｅ　ｅｌｅｍｅｎｔｓ　ａｎｄ　ｌｉｔｈｏｌｏｇｙｃａｎ　ｂｅ　ｕｓｅｄ　ｆｏｒ　ｄｉｓｔｉｎｃｔ　ｌｉｔｈｏｌｏｇｙ．Ｈｏｗｅｖｅｒ，ｗｈｅｎ　ｕｓｉｎｇ　ｔｈｅＥＣＳ　ｔｏ　ｑｕａｎｔｉｔａｔｉｖｅｌｙ　ｅｖａｌｕａｔｅ　ｔｈｅ　ｍｉｎｅｒａｌ　ｃｏｎｔｅｎｔ，ｄｕｅ　ｔｏ　ｔｈｅｉｎｃｏｒｒｅｃｔｌｙ　ｃｈｏｏｓｅ　ｏｆ　ｍｉｎｅｒａｌ　ｋｉｎｄｓ，ｔｈｅｒｅ　ｉｓ　ａ　ｂｉｇ　ｄｅｖｉａｔｉｏｎｂｅｔｗｅｅｎ　ｔｈｅ　ｒｅｓｕｌｔ　ｆｒｏｍ　ＥＣＳ　ｉｎｔｅｒｐｒｅｔａｔｉｏｎ　ａｎｄ　ｔｈｅ　ｒｅｓｕｌｔ　ｆｒｏｍｃｏｒｉｎｇ　ａｎｄ　ｌｏｇｇｉｎｇ　ｄａｔａ　ａｎａｌｙｓｉｓ．Ｔｏ　ｓｏｌｖｅ　ｔｈｉｓ　ｐｒｏｂｌｅｍ，Ｔｈｉｓｐａｐｅｒ　ｐｕｔｓ　ｆｏｒｗａｒｄ　ｔｗｏ　ｉｍｐｒｏｖｅｍｅｎｔｓ　ｂａｓｅｄ　ｏｎ　ＥＣＳ　ｌｏｇｇｉｎｇｉｎｔｅｒｐｒｅｔａｔｉｏｎ　ｍｅｔｈｏｄｓ：Ｆｉｒｓｔｌｙ，ｕｓｉｎｇ　ｔｈｅ　ｄａｔａ　ｏｆ　ｒｏｃｋ　ｆｌａｋｅｓ　ｔｏｃｏｒｒｅｃｔ　ｔｈｅ　ｍｉｎｅｒａｌ　ｋｉｎｄｓ　ｗｈｉｃｈ　ｗｅｒｅ　ｃｈｏｏｓｅｄ　ｔｏ　ｂｕｉｌｄ　ｍｉｎｅｒａｌｃａｌｃｕｌａｔｉｏｎ　ｍｏｄｅｌ．Ｓｅｃｏｎｄｌｙ，ｔｈｅ　ｒａｐｉｄ　ａｓｓｅｓｓｍｅｎｔ　ｍｏｄｅｌ　ｗａｓｂｕｉｌｔ　ｂｙ　ａｎａｌｙｚｉｎｇ　ｔｈｅ　ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｃｈｏｏｓｅｄ　ｍｉｎｅｓａｎｄ　ｅｌｅｍｅｎｔｓ，ｔｈｅ　ｃｏｒｒｅｌａｔｉｏｎ　ｃｏｅｆｆｉｃｉｅｎｔｓ　ｗｅｒｅ　０．９９ａｎｄ　０．９６ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅ　ｐｒｏｃｅｓｓｉｎｇ　ｏｆ　ｓｏｍｅ　ｐｒａｃｔｉｃａｌ　ｄａｔａ　ｗａｓ　ｕｓｅｄ　ｔｏｉｌｌｕｓｔｒａｔｅ　ｔｈｅ　ｅｆｆｅｃｔ　ｏｆ　ｔｈｉｓ　ｎｅｗ　ｍｅｔｈｏｄ，ａｎｄ　ｔｈｅ　ｒｅｓｕｌｔ　ｓｈｏｗｓｔｈａｔ　ａ　ｇｏｏｄ　ａｃｃｏｒｄａｎｃｅ　ｂｅｔｗｅｅｎ　ＥＣＳ＇ｓ　ｌｉｔｈｏｌｏｇｙ　ａｎｄ　ｃｏｒｅ－ｄｅｓｃｒｉｂｅ　ｌｉｔｈｏｌｏｇｙ　ａｎｄ　ｌｏｇｇｉｎｇ’ｓ　ｌｉｔｈｏｌｏｇｙ　ｉｓ　ｇａｉｎｅｄ．Ａｂｏｖｅ　ａｌｌ，ｔｈｉｓ　ｎｅｗ　ｍｅｔｈｏｄ　ｐｒｏｖｉｄｅｓ　ａ　ｎｅｗ　ｏｐｔｉｏｎ　ｆｏｒ　ｌｏｇｇｉｎｇ　ｔｏ　ｉｄｅｎｔｉｆｙｌｉｔｈｏｌｏｇｙ．Ｋｅｙｗｏｒｄｓ　ＥＣＳ　ｌｏｇｇｉｎｇ；ｒｏｃｋ　ｆｌａｋｅｓ；ｃｏｒｒｅｃｔｉｏｎ；ｔｈｅ　ｒａｐｉｄａｓｓｅｓｓｍｅｎｔ　ｍｏｄｅｌ；ｍｉｎｅｒａｌ　ｃｌｏｓｕｒｅ　ｍｏｄｅｌ０　引　言岩性识别是储层评价的首要工作，准确识别岩性是精确计算孔隙度和含油饱和度等储层参数的前提，也是储层综合评价与预测、储量计算和地质建模以及油藏描述的基础（范宜仁等，２０１２；匡朝阳等，２００９）．目前对储层进行岩性识别，常用的测井方法有：交会图法（张晓峰和范晓敏，２００７；陶宏根等，２０１１；徐德龙等；２０１２）、成像测井（张莹等，２００７）以及各种数学判别分析方法（张学工等，１９９７；田玉昆等，２０１３），其中神经网络法（刘争平和何永富，１９９５；张治国等，２００５）、支持向量机法（张尔华等，２０１１；韩学辉等，２０１３）和Ｋ近邻方法（王淑盛等，２００４）较为常用，这些方法各有其优势和局限性．元素俘获测井（Ｅｌｅｍｅｎｔａｌ　ＣａｐｔｕｒｅＳｐｅｃｔｒｏｓｃｏｐｙ，简称　２０１５，３０（５）赵军，等：基于ＥＣＳ测井的岩性识别方法　（ｗｗｗ．ｐｒｏｇｅｏｐｈｙｓ．ｃｎ）ＥＣＳ）是斯伦贝谢公司推出的一种地层元素测井仪器（袁祖贵等，２００３；刘绪纲等，２００５；程华国和袁祖贵，２００５；龚劲松等，２０１４），它利用中子与地层各元素作用发生辐射俘获核反应时瞬发的伽马射线能量和数量不同，这些不同取决于特定的核，每一种核具有与众不同的俘获伽马射线谱特征，因此，通过测量和分析俘获伽马能谱，来确定地层的主要元素和含量（Ｇｒａｕ　ａｎｄ　Ｓｃｈｗｅｉｔｚｅｒ，１９８９；程希和任战利，２００８）．ＥＣＳ测井也是唯一能从岩石成分角度解决岩性识别问题的测井方法，对识别那些成分差异较大而颜色、结构、构造差异不明显的复杂岩性具有极其重要的意义（程希和任战利，２００８；张小莉等，２０１０）．对研究区采用ＥＣＳ测井进行储层岩性识别时，发现ＥＣＳ测井解释的矿物类型与录井、岩石心分析结果差异较大，这是由于在确定主要矿物组分时，利用的是主成分分析方法，该数理统计方法受解释人员经验影响较大，容易造成解释中认识的矿物特征与实际地质特征不吻合情况．针对这一问题，本文提出利用岩石薄片资料所选矿物组分进行校正，在此基础上再对岩石矿物组分进行重新解释和评价．此外，在建立元素与矿物转换关系时，常用的是Ｈｅｒｒｏｎ矿物闭合模型（程希和任战利，２００８；张峰等，２０１１），但该模型计算过程十分复杂，在实际资料研究和应用中受到很大限制，故本文提出利用矿物指示元素与矿物相关关系，建立矿物快速评价模型，以满足生产现场应用需要．１　ＥＣＳ测井进行岩性识别效果分析１．１　ＥＣＳ测井矿物定量计算步骤利用ＥＣＳ测井进行储层岩性定量计算时，需要确定三个方面的内容，其一是利用ＥＣＳ测井探测岩石中Ｓｉ、Ｃａ、Ｆｅ、Ｓ、Ｔｉ、Ｃｌ、Ｃｒ、Ｇｄ等重要元素含量（袁祖贵等，２００３；张峰等，２０１１），该测井不受岩石孔隙流体的影响，仅研究在岩石骨架中存在的元素；其二是利用主成分分析法，选取４种或６种因子成分大的矿物，作为该区的主要矿物类型；其三是建立矿物闭合模型，确定所选元素和矿物的转换关系．Ｓｃｈｌｕｍｂｅｒｇｅｒ公司Ｈｅｒｒｏｎ采用数理统计中的因子分析法对取自世界各地的岩心的元素和矿物资料进行分析研究，归纳出元素与矿物含量的转换关系，转换关系如下：Ｅｉ＝∑ｍｊＣｉｊＭｊ，（１）其中ｉ＝１，２，３…．ｎ．Ｅｉ为第ｉ种元素的含量；Ｍｊ为第ｊ种矿物的含量；系数Ｃｉｊ为第ｊ种矿物中第ｉ种元素的含量，其转换系数可以查有关参考文献（Ｈｅｒｒｏｒ　ａｎｄ　Ｈｅｒｒｏｎ，１９９０；Ｒａｍａｍｏｏｒｔｈｙ，２００１；程希和任战利，２００８）．１．２　原ＥＣＳ测井进行岩性识别的应用效果分析应用ＥＣＳ测井对研究区Ｄ１０２井进行测井解释，解释结果如下图所示（图１）．该段录井中显示多个层段的泥膏岩地层（如５２６８～５２７８ｍ、５２９１～５２９３ｍ、５３１６～５３２３ｍ段），但ＥＣＳ测井解释出碳酸盐岩、黄铁矿含量高，而无石膏组分，这与岩层的实际特征和岩屑录井信息明显不吻合．经分析表明，因矿物定量计算时所选矿物组分与实际地层不符，导致属于石膏组分的那部分钙元素闭合到方解石中，同时，属于石膏组分的那部分硫元素含量闭合入黄铁矿中，故导致解释结果无石膏显示．因此，矿物组合的选择对解释结果有直接的影响，故有必要对所选矿物组分进行校正．２　利用岩石薄片资料对所选矿物组分进行校正研究区域主要为砂砾岩储集层，胶结物、充填物质涉及黏土、方解石、石膏、黄铁矿等组分．该区９口井岩石薄片及全岩矿物分析矿物含量统计表表明（表１），除Ｄ２０１井、Ｄ２２井局部层段见到明显黄铁矿矿物，其他各井黄铁矿并不明显，或者含量较低．此外，对比分析９口井的薄片资料，除黏土外，特殊胶结物组分中，方解石组分是主要类型；石膏在岩屑录井中普遍观察到，在岩石薄片中也比较常见，是比较重要的特殊组分；黄铁矿仅在部分井局部出现，且很多时候主要伴生在泥岩和泥质粉砂岩层段，如Ｄ２２井薄片资料表明，粉砂岩、细砂岩样品少量见到黄铁矿，平均含量低于１％；泥岩和砂质泥岩样品中含黄铁矿明显，平均含量６．８％．针对砂砾岩储集层，由上述统计分析可知，应将石英、黏土、方解石和石膏列为主要矿物组分进行分析，而黄铁矿主要存在于泥岩和泥质粉砂岩层段，在研究区不做重点研究．在实际处理过程中可利用ＦＯＲＷＡＲＤ软件编程排除泥岩和泥质粉砂岩层段黄铁矿的干扰．表１　研究区９口井岩石薄片及全岩矿物分析矿物含量统计表（矿物含量单位：％）Ｔａｂｌｅ　１　Ｔｈｅ　ｍｉｎｅｒａｌ　ｃｏｎｔｅｎｔ　ａｎａｌｙｓｉｓ　ｏｆ　ｎｉｎｅ　ｗｅｌｌｓ　ｉｎ　ｔｈｅ　ｓｔｕｄｙ　ｚｏｎｅ（Ｔｈｅ　ｕｎｉｔ　ｏｆ　Ｍｉｎｅｒａｌ　ｃｏｎｔｅｎｔ：％）Ｄ１０２Ｄ２０１Ｄ２０２Ｄ２０３Ｄ２２ＤＢ１０２ＤＢ１０３ＤＢ１０４ＤＢ２０２石英５１．３　５３　４５．８　４７．３　４８．６　５０．７　４６．２　５１．４长石７．７　１９．７　１２．２　１４．３　２３．４　２３．４　２４．１　２８．３白云石１．３　１．７泥质８．３　３．２　１１．５　５．７　２０．５　５．１　８．６　６．８　６．３方解石９．３　８．４　１４．３　５．８　１３．６　８．２　８．７　６．５　１０．２石膏４．６　１．３　２．１黄铁矿３．１　２．６３４３２地球物理学进展　ｗｗｗ．ｐｒｏｇｅｏｐｈｙｓ．ｃｎ　２０１５，３０（５）图１　Ｄ１０２井ＥＣＳ测井资料与录井剖面对比Ｆｉｇ．１　Ｔｈｅ　ｃｏｍｐａｒｉｔｉｏｎ　ｃｈａｒｔ　ｂｅｔｗｅｅｎ　ＥＣＳ　ｌｏｇｇｉｎｇ　ａｎｄ　ｌｏｇｇｉｎｇ　ｐｒｏｆｉｌｅ　ｏｆ　Ｄ１０２图２　Ｄ２２井原ＥＣＳ测井原解释成果图Ｆｉｇ．２　Ｔｈｅ　ｒｅｓｕｌｔ　ｃｈａｒｔ　ｏｆ　ＥＣＳ　ｌｏｇｇｉｎｇ　ｉｎ　ｗｅｌｌ　Ｄ２２４４３２　２０１５，３０（５）赵军，等：基于ＥＣＳ测井的岩性识别方法　（ｗｗｗ．ｐｒｏｇｅｏｐｈｙｓ．ｃｎ）图３　Ｄ２２井ＥＣＳ解释石膏与硫元素含量（ａ）和方解石与钙元素含量（ｂ）关系图Ｆｉｇ．３　Ｔｈｅ　ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｇｙｐｓｕｍ　ａｎｄ　ｓｕｌｆｕｒ（ａ），ａｓ　ｗｅｌｌ　ａｓ　ｔｈｅ　ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｃａｌｃｉｔｅ　ａｎｄｃａｌｃｉｕｍ（ｂ）ｅｘｐｌａｉｎｅｄ　ｂｙ　ＥＣＳ　ｉｎ　ｄ２２图４　快速评价模型和矿物评价模型计算的石膏（ａ）和方解石（ｂ）含量对比图Ｆｉｇ．４　Ｔｈｅ　ｇｙｐｓｕｍ（ａ）ａｎｄ　ｃａｌｃｉｔｅ（ｂ）ｃｏｎｔｅｎｔ　ｃｏｍｐａｒｉｓｏｎ　ｃｈａｒｔ　ｃａｌｃｕｌａｔｅｄ　ｔｈｒｏｕｇｈ　ｒａｐｉｄａｓｓｅｓｓｍｅｎｔ　ｍｏｄｅｌ　ａｎｄ　ｍｉｎｅｒａｌ　ｃｌｏｓｕｒｅ　ｍｏｄｅｌ３　矿物快速评价模型的建立３．１　矿物指示元素的确定ＥＣＳ测井主要提供Ｓｉ、Ｃａ、Ｆｅ、Ｓ、Ｔｉ、Ｇｄ等元素的含量，其中Ｓｉ与石英密切相关，Ｃａ与方解石密切相关，Ｓ可以指示石膏含量，Ｆｅ与黄铁矿有关，Ａｌ和黏土含量密切相关（吕复苏等，２００６；李保华和卢颖忠，２００６；袁祖贵等，２００４）．由Ｄ２２井（４７０６～４７３８ｍ）的原ＥＣＳ测井解释结果可以看到（图２），计算的黏土、石英长石比例可能存在系统偏差；但计算的石膏、方解石含量符合取心和岩屑薄片的分析结果；且由岩性测井曲线可知，在粗岩性层段，出现钙元素、硫元素含量上升的情况较多，同时，石膏和方解石也相应较高，说明这些层段应以钙质、膏质胶结为主，这与前述岩心薄片统计结果相符．由于硫元素、钙元素分别与石膏、方解石变化趋势相同，故选择将硫元素、钙元素作为石膏、方解石的指示元素，这是认识胶结物特征的重要信息．３．２　快速评价模型的建立由上可知，由于Ｄ２２井原ＥＣＳ测井解释的石膏和方解石含量精度较高，故可以利用该解释结果与ＥＣＳ测井探测的Ｓ、Ｃａ元素含量做单相关分析（如图３），可知，当硫元素仅来自石膏组分贡献时，石膏含量（ＶＣＡＳ）与硫含量（Ｓ）关系为ＶＣＡＳ＝４．０８４Ｓ＋０．９８６．（１）当钙元素仅来自含碳酸盐岩组分贡献时，方解石含量（ＶＣＡ）与钙含量（Ｃａ）的关系为ＶＣＡ＝２．６７３８Ｃａ－０．０６９５．（２）为提高模型的相关性，对Ｄ２０１、Ｄ２０２、Ｄ２０３、Ｄｂ１０４等４口井，利用ＥＣＳ测井提供的硫元素（Ｓ）与钙元素（Ｃａ）含量，以及对应井岩心薄片分析获得的石膏（ＶＣＡＳ）与方解石（ＶＣＡ）含量分别进行多元回归分析，建立计算石膏（ＶＣＡＳ）与方解石（ＶＣＡ）含量的快速评价模型，公式为ＶＣＡＳ＝４．６７３×Ｓ＋０．０３１３１×Ｃａ－０．０８２６８×ＳＣａ，Ｒ２＝０．９９，（３）５４３２地球物理学进展　ｗｗｗ．ｐｒｏｇｅｏｐｈｙｓ．ｃｎ　２０１５，３０（５）图５　Ｄ１０２井ＥＣＳ快速评价模型重新解释成果图Ｆｉｇ．５　Ｔｈｅ　ｒｅｉｎｔｅｒｐｒｅｔ　ｏｕｔｃｏｍｅ　ｄｉａｇｒａｍ　ｏｆ　ｒｅｇｒｅｓｓｉｏｎ　ｍｏｄｅｌ　ｉｎ　Ｄ１０２图６　校正后快速计算模型计算方解石与薄片分析方解石含量对比图Ｆｉｇ．６　Ｔｈｅ　ｃｏｍｐａｒｉｓｏｎ　ｃｈａｒｔ　ｏｆ　ｃａｌｃｉｔｅ　ｃｏｎｔｅｎｔ　ｂｅｔｗｅｅｎｒｅｉｎｔｅｒｐｒｅｔａｔｉｏｎ　ａｎｄ　ｃｏｒｅ　ａｎａｌｙｓｉｓＶＣＡ＝－０．０７４３－３．４１９７×Ｓ＋２．６８２３×Ｃａ＋０．０９６７１×ＳＣａ，Ｒ２＝０．９６，（４）（３）、（４）的相关系数均超过了０．９５，相关性较好，说明模型精度较高．３．３　两种计算模型的对比图４为Ｄ２２井４６５０～４９１０ｍ段，分别运用快速评价模型和矿物闭合模型计算的石膏和方解石含量的对比图，由图可知，两种模型计算的石膏和方解石含量基本位于对角线上，说明两种模型计算结果具有较好的一致性，均可以用于储层矿物定量评价．４　模型的应用与分析利用ＥＣＳ测井资料对Ｄ１０２井５４４０～５５２０ｍ段进行重新处理（图４），原解释结果为黄铁矿和方解石，无石膏组分．６４３２　２０１５，３０（５）赵军，等：基于ＥＣＳ测井的岩性识别方法　（ｗｗｗ．ｐｒｏｇｅｏｐｈｙｓ．ｃｎ）但是利用岩石薄片资料将矿物组合校正后，运用建立的快速评价模型重新处理，解释结果为石膏、方解石，与录井描述情况吻合．且在不存在石膏的层段，运用快速评价模型重新解释，计算的方解石含量与矿物闭合模型（ＥＣＳ原解释）以及岩心分析方解石含量一致（５５０４～５５２２ｍ），表明快速评价模型对于整个研究区域都具有都一定的实用性．５　模型精度检验对Ｄｂ２０２、Ｄｂ１０２、Ｄｂ１０３、Ｄ２２、Ｄ１０２等井，对比分析了经矿物组合校正后建立的快速评价模型计算的方解石含量与岩石薄片分析的方解石含量（见图５），两种方解石含量均位于对角线两侧，表明计算的方解石含量与岩心薄片分析情况吻合．统计上述５口井岩石薄片１４１块，划分的３８个岩性段，薄片分析方解石含量为４．２～２２．７％，平均１３．７８％；快速计算模型解释方解石含量为２．５～２４．３％，平均１３．７０％，二者的一致性较好．表明利用岩石薄片资料对矿物组分校正后建立的快速评价模型，在研究区进行岩性识别以及岩石矿物定量评价具有一定的可靠性．６　结　论６．１　岩石薄片更能反映地层真实情况，利用岩石薄片资料以及全岩矿物分析资料，可对ＥＣＳ测井选择的矿物组合进行校正，以保证储层岩性评价结果的准确性．６．２　Ｓｃｈｌｕｍｂｅｒｇｅｒ公司的Ｈｅｒｒｏｎ矿物闭合模型精度较高，但是计算较复杂，并且在研究区运用时容易受现场条件的限制，本文利用研究区矿物指示元素与矿物相关关系，建立了矿物快速评价模型，该模型计算起来快速简洁，且与矿物闭合模型具有相同的精度，同时与岩石薄片和录井分析结果符合性也较好，可以满足该区生产现场应用需要．致　谢　感谢审稿专家提出的宝贵修改意见和编辑部的大力支持！ＲｅｆｅｒｅｎｃｅｓＣｈｅｎｇ　Ｈ　Ｇ，Ｙｕａｎ　Ｚ　Ｇ．２００５．Ｅｖａｌｕａｔｉｏｎ　ｏｆ　ｆｏｒｍａｔｉｏｎ　ｌｉｔｈｏｌｏｇｙｃｈａｎｇｅｓ　ｕｓｉｎｇ　ｅｌｅｍｅｎｔａｌ　ｃａｐｔｕｒｅ　ｓｐｅｃｔｒｏｓｃｏｐｙ（ＥＣＳ）ｌｏｇｇｉｎｇ［Ｊ］．Ｎｕｃｌｅａｒ　Ｅｌｅｃｔｒｏｎｉｃｓ　＆Ｄｅｔｅｃｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ（ｉｎ　Ｃｈｉｎｅｓｅ），２５（３）：２３３－２３８．Ｃｈｅｎｇ　Ｘ，Ｒｅｎ　Ｚ　Ｌ．２００８．Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　Ｇａｎｃｈａｉｇｏｕ　ｇｒｏｕｐ　ｒｏｃｋｌｉｔｈｏｌｏｇｙ　ｉｎ　ｔｈｅ　ＧＳ　Ｏｉｌｆｉｅｌｄ　ｂｙ　Ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｅｌｅｍｅｎｔｓａｎｄ　ｍｉｎｅｒａｌｓ　ｕｓｉｎｇ　ｇｅｏｃｈｅｍｉｃａｌ　ｌｏｇｇｉｎｇ　ｔｅｃｈｎｏｌｏｇｙ［Ｊ］．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｇｅｏｐｈｙｓｉｃｓ（ｉｎ　Ｃｈｉｎｅｓｅ），２３（６）：１９０３－１９０８．Ｆａｎ　Ｙ　Ｒ，Ｚｈｕ　Ｘ　Ｊ，Ｄｅｎｇ　Ｓ　Ｇ，ｅｔ　ａｌ．２０１２．Ｒｅｓｅａｒｃｈ　ｏｎ　ｔｈｅｔｅｃｈｎｏｌｏｇｙ　ｏｆ　ｌｉｔｈｏｌｏｇｙ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　ｖｏｌｃａｎｉｃ　ｒｏｃｋ　ｉｎ　Ｎａｎｐｕ５ｔｈ　ｓｔｒｕｃｔｕｒｅ［Ｊ］．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｇｅｏｐｈｙｓ．（ｉｎ　Ｃｈｉｎｅｓｅ），２７（４）：１６４０－１６４７，ｄｏｉ：１０．６０３８／ｊ．ｉｓｓｎ．１００４－２９０３．２０１２．０４．０４２．Ｇｏｎｇ　Ｊ　Ｓ，Ｙａｎｇ　Ｍ　Ｙ，Ｗａｎｇ　Ｊ，ｅｔ　ａｌ．２０１４．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ＥＳＣｌｏｇｇｉｎｇ　ｔｅｃｈｎｏｌｏｇｙ　ｉｎ　ｕｎｃｏｎｖｅｎｔｉｏｎａｌ　ｒｅｓｅｒｖｏｉｒ　ｅｖａｌｕａｔｉｏｎ［Ｊ］．Ｒｅｓｅｒｖｏｉｒ　Ｅｖａｌｕａｔｉｏｎ　ａｎｄ　Ｄｅｖｅｌｏｐｍｅｎｔ（ｉｎ　Ｃｈｉｎｅｓｅ），４（２）：７６－８０．Ｇｒａｕ　Ｊ　Ａ，Ｓｃｈｗｅｉｔｚｅｒ　Ｊ　Ｓ．１９８９．Ｅｌｅｍｅｎｔａｌ　ｃｏｎｃｅｎｔｒａｔｉｏｎ　ｆｒｏｍｔｈｅｒｍａｌ　ｃａｐｔｕｒｅ　ｇａｍｍａ　ｒａｙ　ｓｐｅｃｔｒａ　ｉｎ　ｇｅｏｌｏｇｉｃａｌ　ｆｏｒｍａｔｉｏｎ［Ｊ］．Ｎｕｃｌｅａｒ　Ｇｅｏｐｈｙｓｉｃｓ，２（３）：１－９．Ｈａｎ　Ｘ　Ｈ，Ｚｈｉ　Ｌ　Ｆ，Ｌｉｕ　Ｒ，ｅｔ　ａｌ．２０１３．Ａ　ｌｉｔｈｏｌｏｇｉｃ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ　ｉｎ　Ｅｓ４ｒｅｓｅｒｖｏｉｒ　ｏｆ　Ｇｕａｎｇｌｉ　ｏｉｌｆｉｅｌｄ　ｗｉｔｈ　Ｌｅａｓｔ　ｓｑｕａｒｅｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ［Ｊ］．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｇｅｏｐｈｙｓｉｃｓ（ｉｎＣｈｉｎｅｓｅ），２８（４）：１８８６－１８９２，ｄｏｉ：１０．６０３８／ｐｇ２０１３０４３０．Ｈｅｒｒｏｎ　Ｍ　Ｍ．１９８６．Ｍｉｎｅｒａｌｏｇｙ　ｆｒｏｍ　ｇｅｏｃｈｅｍｉｃａｌ　ｗｅｌｌ　ｌｏｇｇｉｎｇ［Ｊ］．Ｃｌａｙｓ　ａｎｄ　Ｃｌａｙ　Ｍｉｎｅｒａｌｓ，３４（２）：２０４－２１３．Ｈｅｒｒｏｒ　Ｍ　Ｍ，Ｈｅｒｒｏｎ　Ｓ　Ｌ．１９９０．Ｇｅｏｌｏｇｉｃａｌ　ａｐｐｌｉｃａｔｉｏｎｓ　ｏｆｇｅｏｃｈｅｍｉｃａｌ　ｗｅｌｌ　ｌｏｇｇｉｎｇ［Ｃ］／／Ｈｕｒｓｔ　Ａ，Ｌｏｖｅｌｌ　Ｍ　Ａ，ＭｏｒｔｏｎＡ　Ｃ，ｅｄｓ．Ｇｅｏｌｏｇｉｃａｌ　Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　Ｗｉｒｅｌｉｎｅ　Ｌｏｇｓ．ＧｅｏｌｏｇｉｃａｌＳｏｃｉｅｔｙ　Ｌｏｎｄｏｎ　Ｓｐｅｃｉａｌ　Ｐｕｂｌｉｃａｔｉｏｎｓ，４８（１）：１６５－１７５．Ｈｅｒｔｚｏｇ　Ｒ，Ｃｏｌｓｏｎ　Ｌ，Ｓｅｅｍａｎ　Ｏ，ｅｔ　ａｌ．１９８９．Ｇｅｏｃｈｅｍｉｃａｌ　ｌｏｇｇｉｎｇｗｉｔｈ　ｓｐｅｃｔｒｏｍｅｔｒｙ　ｔｏｏｌｓ［Ｊ］．ＳＰＥ　Ｆｏｒｍａｔｉｏｎ　Ｅｖａｌｕａｔｉｏｎ，４（２）：１５３－１６２．Ｋｕａｎｇ　Ｚ　Ｙ，Ｈｅ　Ｒ　Ｚ，Ｇａｏ　Ｒ，ｅｔ　ａｌ．２００９．Ａ　ｔｅｃｈｎｉｑｕｅ　ｏｆ　ｆｏｒｅｃａｓｔｉｎｇａｎｄ　ｅｘｐｌｏｒｉｎｇ　ｖｏｌｃａｎｉｃ　ｒｅｓｅｒｖｏｉｒｓ－ａｎ　ｅｘａｍｐｌｅ　ｏｆ　Ｃｈａｎｇｌｉｎｇ　Ｆａｕｌｔ－ｄｅｐｒｅｓｓｉｏｎ　ｉｎ　Ｓｏｎｇｌｉａｏ　Ｂａｓｉｎ［Ｊ］．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｇｅｏｐｈｙｓｉｃｓ（ｉｎＣｈｉｎｅｓｅ），２４（２）：６０２－６０８，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００４－２９０３．２００９．０２．０３１．Ｌｉ　Ｂ　Ｈ，Ｌｕ　Ｙ　Ｚ．２００６．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｅｌｅｍｅｎｔ　ｃａｐｔｕｒｅ　ｓｐｅｃｔｒｕｍｌｏｇｇｉｎｇ　ｉｎ　ｔｈｅ　Ｙｏｎｇｊｉｎ　Ａｒｅａ，ｔｈｅ　Ｊｕｎｇｇａｒ　Ｂａｓｉｎ［Ｊ］．Ｗｅｓｔ　ＣｈｉｎａＰｅｔｒｏｌｅｕｍ　Ｇｅｏｓｃｉｅｎｃｅｓ（ｉｎ　Ｃｈｉｎｅｓｅ），２（２）：２１９－２２６．Ｌｉｕ　Ｘ　Ｇ，Ｓｕｎ　Ｊ　Ｍ，Ｇｕｏ　Ｙ　Ｆ．２００５．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｅｌｅｍｅｎｔａｌ　ｃａｐｔｕｒｅｓｐｅｃｔｒｏｓｃｏｐｙ　ｔｏ　ｒｅｓｅｒｖｏｉｒ　ｅｖａｌｕａｔｉｏｎ［Ｊ］．Ｗｅｌｌ　ＬｏｇｇｉｎｇＴｅｃｈｎｏｌｏｇｙ（ｉｎ　Ｃｈｉｎｅｓｅ），２９（３）：２３６－２３９．Ｌｉｕ　Ｚ　Ｐ，Ｈｅ　Ｙ　Ｆ．１９９５．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ｉｎｌｏｇ　ａｎａｌｙｓｉｓ［Ｊ］．Ａｃｔａ　Ｇｅｏｐｈｙｓｉｃａ　Ｓｉｎｉｃａ（ｉｎ　Ｃｈｉｎｅｓｅ），３８（Ｓ１）：３２３－３３０．ＬüＦ　Ｓ，Ｈａｎ　Ｊ，Ｍｉａｏ　Ｈ　Ｓ，ｅｔ　ａｌ．２００６．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ＥＣＳ　ｌｏｇｇｉｎｇｄａｔａ　ｔｏ　Ｗｅｌｌｂｌｏｃｋ　Ｃａｉ－３１ｉｎ　Ｃａｉｎａｎ　ｏｉｌｆｉｅｌｄ［Ｊ］．ＸｉｎｊｉａｎｇＰｅｔｒｏｌｅｕｍ　Ｇｅｏｌｏｇｙ（ｉｎ　Ｃｈｉｎｅｓｅ），２７（２）：２３６－２３８．Ｒａｍａｍｏｏｒｔｈｙ　Ｒ．２００１．Ａ　ｌｏｏｋ　ａｔ　ｓｐｅｃｔｒｏｓｃｏｐｙ［Ｊ］．ＦｏｒｍａｔｉｏｎＥｖａｌｕａｔｉｏｎ　Ｒｅｖｉｅｗ，２（６）：１－３．Ｔａｏ　Ｈ　Ｇ，Ｃｈｅｎｇ　Ｒ　Ｈ，Ｚｈａｏ　Ｘ　Ｑ，ｅｔ　ａｌ．２０１１．Ｗｅｌｌ　ｌｏｇｇｉｎｇｒｅｓｐｏｎｓｅ　ｔｏ　ｔｈｅ　ｖｏｌｃａｎｉｃｌａｓｔｉｃ　ｒｏｃｋｓ　ｏｆ　Ｈａｉｌａｒ　ｂａｓｉｎ　ａｎｄａｐｐｌｉｃａｔｉｏｎ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｇｅｏｐｈｙｓｉｃｓ（ｉｎ　Ｃｈｉｎｅｓｅ），５４（２）：５３４－５４４，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０００１－５７３３．２０１１．０２．０３３．Ｔｉａｎ　Ｙ　Ｋ，Ｚｈｏｕ　Ｈ，Ｙｕａｎ　Ｓ　Ｙ．２０１３．Ｌｉｔｈｏｌｏｇｉｃ　ｄｉｓｃｒｉｍｉｎａｔｉｏｎｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　Ｍａｒｋｏｖ　ｒａｎｄｏｍ－ｆｉｅｌｄ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆＧｅｏｐｈｙｓｉｃｓ（ｉｎ　Ｃｈｉｎｅｓｅ），５６（４）：１３６０－１３６８，ｄｏｉ：１０．６０３８／ｃｊｇ２０１３０４３０．Ｗａｎｇ　Ｓ　Ｓ，Ｘｕ　Ｚ　Ｇ，Ｌｉｕ　Ｈ　Ｗ，ｅｔ　ａｌ．２００４．Ｔｈｅ　ａｄｖａｎｃｅｄ　ｋ－ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｈｏｏｄ　ｍｅｔｈｏｄ　ｕｓｅｄ　ｉｎ　ｔｈｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　ｌｉｔｈｏｌｏｇｙ［Ｊ］．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｇｅｏｐｈｙｓｉｃｓ（ｉｎ　Ｃｈｉｎｅｓｅ），１９（２）：４７８－４８０．Ｘｕ　Ｄ　Ｌ，Ｌｉ　Ｔ，Ｈｕａｎｇ　Ｂ　Ｈ，ｅｔ　ａｌ．２０１２．Ｒｅｓｅａｒｃｈ　ｏｎ　ｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　ｔｈｅ　ｌｉｔｈｏｌｏｇｙ　ａｎｄ　ｆｌｕｉｄ　ｔｙｐｅ　ｏｆ　ｆｏｒｅｉｇｎ　Ｍ　ｏｉｌｆｉｅｌｄｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｃｒｏｓｓｐｌｏｔ　ｍｅｔｈｏｄ［Ｊ］．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｇｅｏｐｈｙｓｉｃｓ（ｉｎＣｈｉｎｅｓｅ），２７（３）：１１２３－１１３２，ｄｏｉ：１０．６０３８／ｊ．ｉｓｓｎ．１００４－２９０３．２０１２．０３．０３７．Ｙｕａｎ　Ｚ　Ｇ，Ｃｈｕ　Ｚ　Ｈ．２００３．Ｔｈｅ　ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｅｌｅｍｅｎｔａｌ　ｃａｐｔｕｒｅｓｐｅｃｔｒｏｓｃｏｐｙ（ＥＣＳ）ｌｏｇｇｉｎｇ　ｉｎ　Ｗａｎｇｚｈｕａｎｇ　ｈｅａｖｙ　ｏｉｌ　ｒｅｓｅｒｖｏｉｒｓ［Ｊ］．Ｎｕｃｌｅａｒ　Ｅｌｅｃｔｒｏｎｉｃｓ　＆Ｄｅｔｅｃｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ（ｉｎ　Ｃｈｉｎｅｓｅ），２３（５）：４１７－４２３．Ｙｕａｎ　Ｚ　Ｇ，Ｃｈｕ　Ｚ　Ｈ，Ｊｉ　Ｙ　Ｍ．２００３．Ｔｈｅ　ｐｒｉｎｃｉｐｌｅ　ａｎｄ　ｇｅｏｌｏｇｉｃａｌａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｅｌｅｍｅｎｔ　ｃａｐｔｕｒｅ　ｓｐｅｃｔｒｏｓｃｏｐｙ（ＥＣＳ）［Ｃ］．Ｂｅｉｊｉｎｇ．ｔｈｅ　Ｆｏｕｒｔｈ　Ｎｕｃｌｅａｒ　Ｉｎｓｔｒｕｍｅｎｔ　ａｎｄ　ｉｔｓ　Ａｐｐｌｉｃａｔｉｏｎ　ＣｏｎｆｅｒｅｎｃｅＳｙｍｐｏｓｉｕｍ，Ｂｅｉｊｉｎｇ．Ｙｕａｎ　Ｚ　Ｇ，Ｃｈｅｎｇ　Ｘ　Ｎ，Ｓｕｎ　Ｊ．２００４．ＥＣＳ———ｎｅｗ　ｗｅｌｌ－ｌｏｇｇｉｎｇｔｅｃｈｎｉｑｕｅ　ｆｏｒ　ｃｏｍｐｌｅｔｅｌｙ　ｅｖａｌｕａｔｉｎｇ　ｔｈｅ　ｒｅｓｅｒｖｉｏｒ［Ｊ］．ＮｕｃｌｅａｒＥｌｅｃｔｒｏｎｉｃｓ　＆Ｄｅｔｅｃｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ（ｉｎ　Ｃｈｉｎｅｓｅ），３８（Ｓｕｐｐｌ．）：２０８－２１３．Ｚｈａｎｇ　Ｅ　Ｈ，Ｇｕａｎ　Ｘ　Ｗ，Ｚｈａｎｇ　Ｙ　Ｇ．２０１１．Ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅｉｎ　ｖｏｌｃａｎｉｃ　ｒｅｓｅｒｖｏｉｒ　ｆｏｒｅｃａｓｔ：Ｅａｓｔ　ｓｌｏｐｅ　ｉｎ　Ｘｕｊｉａｗｅｉｚｉｄｅｐｒｅｓｓｉｏｎ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊ．Ｇｅｏｐｈｙｓ．（ｉｎ　Ｃｈｉｎｅｓｅ），５４（２）：４２８－４３２，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０００１－５７３３．２０１１．０２．０２０．Ｚｈａｎｇ　Ｆ，Ｌｉｕ　Ｊ　Ｔ，Ｊｉ　Ｘ　Ｗ，ｅｔ　ａｌ．２０１１．Ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　ｆｏｒｍａｔｉｏｎｅｌｅｍｅｎｔ　ｌｏｇｇｉｎｇ　ｔｅｃｈｎｉｑｕｅ　ａｎｄ　ｉｔｓ　ａｐｐｌｉｃａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆＩｓｏｔｏｐｅｓ（ｉｎ　Ｃｈｉｎｅｓｅ），２４（Ｓｕｐｐｌ．）：２１－２８．Ｚｈａｎｇ　Ｘ　Ｆ，Ｆａｎ　Ｘ　Ｍ．２００７．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｃｒｏｓｓｐｌｏｔ　ａｎｄ　ｃａｒｂｏｎｓｏｆｔｗａｒｅ　ｔｏ　ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　ｐｙｒｏｃｌａｓｔｉｃ　ｒｏｃｋ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　ＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ（Ｅａｒｔｈ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ）（ｉｎ　Ｃｈｉｎｅｓｅ），３７（Ｓｕｐｐｌ．）：１０２－１０４．Ｚｈａｎｇ　Ｘ　Ｇ，Ｌｉ　Ｙ　Ｄ，Ｓｈｅｎｇ　Ｓ．１９９７．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｓｏｍｅ　ｍｏｄｅｒｎ７４３２地球物理学进展　ｗｗｗ．ｐｒｏｇｅｏｐｈｙｓ．ｃｎ　２０１５，３０（５）　ｉｎｆｏｒｍａｔｉｏｎ　ｐｒｏｃｅｓｓｉｎｇ　ａｎｄ　ｃｏｍｐｕｔｅｒ　ｎｅｔｗｏｒｋ　ｔｅｃｈｎｉｑｕｅｓ　ｉｎｅｘｐｌｏｒａｔｉｏｎ　ｇｅｏｐｈｙｓｉｃｓ［Ｊ］．Ａｃｔａ　Ｇｅｏｐｈｙｓｉｃａ　Ｓｉｎｉｃａ（ｉｎＣｈｉｎｅｓｅ），４０（Ｓｕｐｐｌ．）：２７５－２８７．Ｚｈａｎｇ　Ｘ　Ｌ，Ｆｅｎｇ　Ｑ，Ｓｕｎ　Ｐ，ｅｔ　ａｌ．２０１０．Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｈｉｇｈｇａｍｍａ　ｒａｙ　ｒｅｓｅｒｖｏｉｒ　ｏｆ　Ｙａｎｃｈａｎｇ　ｆｏｒｍａｔｉｏｎ　ｉｎ　Ｏｒｄｏｓ　ｂａｓｉｎ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊ．Ｇｅｏｐｈｙｓ．（ｉｎ　Ｃｈｉｎｅｓｅ），５３（１）：２０５－２１３，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０００１－５７３３．２０１０．０１．０２３．Ｚｈａｎｇ　Ｙ，Ｐａｎ　Ｂ　Ｚ，Ｙｉｎ　Ｃ　Ｈ，ｅｔ　ａｌ．２００７．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｉｍａｇｉｎｇｌｏｇｇｉｎｇ　ｍａｐｓ　ｉｎ　ｌｉｔｈｏｌｏｇｉｃ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　ｖｏｌｃａｎｉｃｓ［Ｊ］．Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ　ｆｏｒ　Ｐｅｔｒｏｌｅｕｍ（ｉｎ　Ｃｈｉｎｅｓｅ），４６（３）：２８８－２９３．Ｚｈａｎｇ　Ｚ　Ｇ，Ｙａｎｇ　Ｙ　Ｈ，Ｘｉａ　Ｌ　Ｘ．２００５．Ｔｈｅ　ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ　ｆｅａｔｕｒｅ　ｍａｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｔｏ　ｌｏｇｇｉｎｇ　ｌｉｔｈｏｌｏｇｉｃａｌｉｄｅｎｔｉｆｉｃａｔｉｏｎ［Ｊ］．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｇｅｏｐｈｙｓｉｃｓ（ｉｎ　Ｃｈｉｎｅｓｅ），２０（２）：３３２－３３６．附中文参考文献程华国，袁祖贵．２００５．用地层元素测井（ＥＣＳ）资料评价复杂地层岩性变化［Ｊ］．核电子学与探测技术，２５（３）：２３３－２３８．程希，任战利．２００８．利用地球化学元素与矿物关系识别ＧＳ油田下干柴沟组地层岩性［Ｊ］．地球物理学进展，２３（６）：１９０３－１９０８．范宜仁，朱学娟，邓少贵，等．２０１２．南堡５号构造火山岩岩性识别技术研究［Ｊ］．地球物理学进展，２７（４）：１６４０－１６４７，ｄｏｉ：１０．６０３８／ｊ．ｉｓｓｎ．１００４－２９０３．２０１２．０４．０４２．龚劲松，杨鸣宇，王静，等．２０１４．ＥＣＳ元素测井技术在非常规储层评价中的应用［Ｊ］．油气藏评价与开发，４（２）：７６－８０．韩学辉，支乐菲，刘荣，等．２０１３．应用最小二乘支持向量机识别广利油田沙四段储层岩性［Ｊ］．地球物理学进展，２８（４）：１８８６－１８９２，ｄｏｉ：１０．６０３８／ｐｇ２０１３０４３０．匡朝阳，贺日政，高锐，等．２００９．火成岩气藏储层预测及勘探技术———以松辽盆地长岭断陷为例［Ｊ］．球物理学进展，２４（２）：６０２－６０８，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００４－２９０３．２００９．０２．０３１．李保华，卢颖忠．２００６．元素俘获谱测井在永进地区的应用［Ｊ］．中国西部油气地质，２（２）：２１９－２２６．刘绪纲，孙建孟，郭云峰．２００５．元素俘获谱测井在储层综合评价中的应用［Ｊ］．测井技术，２９（３）：２３６－２３９．刘争平，何永富．１９９５．人工神经网络在测井解释中的应用［Ｊ］．地球物理学报，３８（Ｓ１）：３２３－３３０．吕复苏，韩军，苗红升，等．２００６．元素俘获测井（ＥＣＳ）资料在彩３１井区的应用［Ｊ］．新疆石油地质，２７（２）：２３６－２３８．陶宏根，程日辉，赵小青，等．２０１１．海拉尔盆地火山碎屑岩的测井响应与应用［Ｊ］．地球物理学报，５４（２）：５３４－５４４，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０００１－５７３３．２０１１．０２．０３３．田玉昆，周辉，袁三一．２０１３．基于马尔科夫随机场的岩性识别方法［Ｊ］．地球物理学报，５６（４）：１３６０－１３６８，ｄｏｉ：１０．６０３８／ｃｊｇ２０１３０４３０．王淑盛，徐正光，刘黄伟，等．２００４．改进的Ｋ近邻方法在岩性识别中的应用［Ｊ］．地球物理学进展，１９（２）：４７８－４８０．徐德龙，李涛，黄宝华，等．２０１２．利用交会图法识别国外Ｍ油田岩性与流体类型的研究［Ｊ］．地球物理学进展，２７（３）：１１２３－１１３２，ｄｏｉ：１０．６０３８／ｊ．ｉｓｓｎ．１００４－２９０３．２０１２．０３．０３７．袁祖贵，楚泽涵．２００３．一种新的测井方法（ＥＣＳ）在王庄稠油油藏中的应用［Ｊ］．核电子学与探测技术，２３（５）：４１７－４２３．袁祖贵，楚泽涵，纪玉民．２００３．地层元素测井（ＥＣＳ）的原理及地质应用［Ｃ］．／／全国第四届核仪器及其应用学术会议论文集．北京．袁祖贵，成晓宁，孙娟．２００４．地层元素测井（ＥＣＳ）—一种全面评价储层的测井新技术［Ｊ］．原子能科学技术，３８（Ｓｕｐｐｌ．）：２０８－２１３．张尔华，关晓巍，张元高．２０１１．支持向量机模型在火山岩储层预测中的应用—以徐家围子断陷徐东斜坡带为例［Ｊ］．地球物理学报，５４（２）：４２８－４３２，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０００１－５７３３．２０１１．０２．０２０．张峰，刘军涛，冀秀文，等．２０１１．地层元素测井技术最新进展及其应用［Ｊ］．同位素，２４（Ｓｕｐｐｌ．）：２１－２８．张晓峰，范晓敏．２００７．交会图和Ｃａｒｂｏｎ软件在火山碎屑岩识别中的应用［Ｊ］．吉林大学学报（地球科学版），３７（增刊）：１０２－１０４．张学工，李衍达，盛硕．１９９７．几种现代信息处理技术和计算机网络在勘探地球物理中的应用［Ｊ］．地球物理学报，４０（Ｓｕｐｐｌ．）：２７５－２８７．张小莉，冯乔，孙佩，等．２０１０．鄂尔多斯盆地延长组高自然伽马砂岩储层特征［Ｊ］．地球物理学报，５３（１）：２０５－２１３，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０００１－５７３３．２０１０．０１．０２３．张莹，潘保芝，印长海，等．２００７．成像测井图像在火山岩岩性识别中的应用［Ｊ］．石油物探，４６（３）：２８８－２９３．张治国，杨毅恒，夏立显．２００５．自组织特征映射神经网络在测井岩性识别中的应用［Ｊ］．地球物理学进展，２０（２）：３３２－３３６．８４３２。

基于测井曲线自动分层的岩性识别方法研究

基于测井曲线自动分层的岩性识别方法研究吴非1王卫1王佳琦2摘要：根据测井曲线数据，运用移动平均方法实现自动分层，再对得到的分层数据，采用交会图、BP神经网络、支持向量机这三种岩性识别方法，对比分析每种方法使用相同的测井资料作为样本，对相同的测井数据做预测分析，与此同时与MATLAB识别结果进行对比，从中选出比较合适的岩性识别方法。

关键词：测井数据；曲线分层；交会图；BP神经网络；支持向量机；岩性识别1 绪论地层岩性识别在水平井与地层关系解释、及随钻导向评价等方面具有的重要的研究意义。

目前，可以通过岩屑录井、取芯和测井资料的处理解释等方式来获取地下三维空间的岩性信息]。

在岩性识别过程中，主要以SP、GR、AC、RT、DEN和CN等曲线作为岩性响应特征数据，实现对测井曲线分层、岩性识别和预测进行分析。

而测井曲线分层、不同岩性识别方法对识别结果影响很大。

测井曲线分层一直是关注的热点。

目前，测井曲线分层主流的方法有人工智能、数理统计和非数理统计等方法。

雍世和认为测井曲线的数值变化不大的可以归为同一层，不同的层其差别比较大，就是所谓的层内差异法，基于统计学方法的测井曲线分层有李广场的有序聚类分析和Danilo R.Velis的变点分析法。

阎辉等提出了小波变换方法的非数理统计方法。

近年来人工智能的兴起，相关的算法也在测井曲线分层中有较多方法的应用，如刘春桃等提出了基于神经网络的测井曲线分层方法，梁亚纳等提出了基于支持向量机测井曲线分层方法等。

上述方法各有优劣，数理统计方法计算量大，但数学理论严密；非数理统计方法一般只考虑局部或整体，不适合于多因素综合；人工智能方法受样本数据影响较大，如果样本训练准确率较高，则识别的效果相对较好。

岩性识别方法更是受专家和学者探讨和研究的热点之一。

国内外关于这两方面的研究比较成熟，交会图技术法是利用测井资料进行岩性识别的常用方法[8]，随着IT技术的发展和多学科的交叉融合应用，模式识别领域的人工智能方法也被引入到岩性识别中来，比如：聚类分析法[9]、BP神经网络[10]等方法。

地下复杂火山岩岩性测井识别方法——以准噶尔盆地克拉美丽气田为例

地下复杂火山岩岩性测井识别方法——以准噶尔盆地克拉美丽气田为例张勇;查明;孔玉华;陈中红【摘要】以准噶尔盆地克拉美丽气田为例,利用常规测井响应和常规测井交会图识别地下复杂火山岩岩性,以微电阻率扫描成像测井识别火山岩结构构造.结果表明:熔岩和次火山岩以高电阻率、低声波时差和低中子的特征区别于火山碎屑岩.根据从基性到酸性熔岩自然伽马增大的特征可以区分各种熔岩.次火山岩以高自然伽马和低密度的特征区别于玄武岩和安山岩,二长玢岩以低自然伽马的特征区别于流纹岩和花岗斑岩,进一步以自然伽马-电阻率交会图区分花岗斑岩和流纹岩.火山角砾岩以较高的密度和电阻率以及锯齿状声波时差和中子曲线区别于凝灰岩.在FMI图像上,熔岩特有的气孔构造、杏仁构造、流纹构造、块状构造、熔结结构等特征区别于火山碎屑岩的凝灰结构和火山角砾结构以及火山沉积-碎屑岩的层理构造.可以根据气孔构造、杏仁构造区分熔岩与次火山岩.%The lithology of the underground complex volcanics in Kelameili Gasfield, Junggar Basin is identified by the convention-al logging data and cross plots,and the structure of the volcanics is identified by FML The results show that the lava and subvoicanic rocks are different from the pyroclastic rocks by high resistivity, low interval transit time and low neutron. Different kinds of lava can be distinguished by the characteristic of gradually increasing gamma from basic lava to acidic lava. Subvolcanic is different from basalt and andeske by higher gamma and lower density. Mangerite porphyrite is different from granite porphyry and rhyolite by lower gamma. Gran-ite porphyry can further be distinguished with rhyolite by gamma-resistivity cross-plot.Volcanic breccia can be distinguished with tuff by higher density and resistivity and serrated interval transit time curve and neutron curve. In the image of FMI,the stomatal structure, almond structure, fluxion structure and welded texture et al of lava are obviously different from the tuff texture and volcanic breccia tex-ture of pyroclastics and the bedding structure of volcanic sedimentary clastic rocks- Lava can be distinguished with subvolcanic by stom-atal structure and almond structure.【期刊名称】《西安石油大学学报（自然科学版）》【年(卷),期】2012(027)005【总页数】6页(P21-26)【关键词】地下复杂火山岩;岩性识别;克拉美丽气田;准噶尔盆地【作者】张勇;查明;孔玉华;陈中红【作者单位】中国石油大学(华东)地球科学与技术学院,山东青岛266580;中国石油大学(华东)地球科学与技术学院,山东青岛266580;中国石油新疆油田公司勘探开发研究院,新疆克拉玛依834000;中国石油大学(华东)地球科学与技术学院,山东青岛266580【正文语种】中文【中图分类】TE122.2火山岩岩石类型复杂多样，储层非均质性强［1-5］，识别火山岩岩性是划分火山岩岩相、研究储集空间及储层发育规律的基础［6-7］.火山岩岩性识别方法主要有重磁电震识别、手标本与薄片识别、地球化学识别、测井识别等，但是重磁电震识别仅适应于大范围的火山岩圈定;因为取心有限，所以手标本和薄片识别不能普及;地球化学方法则仅适应于点的识别［8-9］.测井资料在纵向上具有连续性、横向上具有可对比性，因此，根据测井曲线进行火山岩识别具有更加普遍的实际应用价值［9］.前人对火山岩岩性测井识别已有所研究，目前测井识别岩性的方法主要有常规测井识别法、常规测井交会图识别法、成像测井识别法、主成分分析法、神经网络法、横波信息交会识别法等［10-15］，可以较准确地判别岩性较简单的火山岩，但是缺乏地下深埋复杂火山岩岩性判别的有效依据，也尚未建立复杂火山岩岩性测井识别流程.新疆油田公司于2008年在准噶尔盆地陆东地区石炭系火山岩中发现了千亿方级克拉美丽大气田，该气田火山岩埋深大，岩石类型复杂多样.本文以克拉美丽气田为例，探索复杂火山岩岩性测井识别方法.该项工作不仅为克拉美丽气田储层判别提供有效依据，而且可为其他地区火山岩测井识别提供一定借鉴.克拉美丽气田位于准噶尔盆地陆梁隆起东南部滴南凸起西端.石炭系顶面构造形态上表现为南北被2条边界断裂切割，向西倾伏的大型鼻状凸起.该区火山岩广泛发育，且岩性、岩相类型非常复杂.从岩相类型来看，本区主要发育火山通道相、溢流相、爆发相、火山沉积相和侵出相5种火山岩相类型(表1).从岩性来看，本区既有溢流的火山熔岩，又有爆发的火山碎屑岩，还有超浅成侵入的次火山岩.在目前已探明4个火山岩气藏中，其储层岩性非常复杂，主要有玄武岩、流纹岩、花岗斑岩等，多种火山岩均能成为储层.2.1 常规测井响应特征火山岩测井响应特征是对岩石成分、孔隙发育程度和流体性质等多种因素的综合反映［16］，因此利用测井信息能够区分火山岩岩性［6］.依据岩心刻度测井，优选对火山岩岩性敏感的自然伽马(GR)、电阻率(RT)、密度(DEN)、声波时差(AC)和中子(CNL)等测井曲线［16］，建立克拉美丽气田石炭系地下复杂火山岩常规测井响应图版(图1).2.1.1 火山熔岩该区常见的火山熔岩有玄武岩、安山岩和流纹岩.由图1可知，火山熔岩普遍具有高电阻率，低声波时差和低中子的特点，这是与火山碎屑岩和沉积岩的典型区别标志.一般从基性熔岩到酸性熔岩，岩石中钾的含量逐渐增高，酸性岩中的铀、釷含量最高，因而放射性最强，自然伽马曲线值最大［16］.该区火山熔岩中，基性玄武岩自然伽马值最低，中性安山岩居中，酸性流纹岩最高，区别明显.相反，从基性到酸性，熔岩的密度和中子总体上呈现降低趋势(图1)，但是各岩性之间的区别不如自然伽马明显(图2(a)).声波时差和电阻率曲线对不同熔岩敏感度较差，从基性到酸性并没有明显的规律性［16］.在自然伽马-密度和自然伽马-电阻率交会图上，基性、中性和酸性熔岩聚类效应都很明显，可以清楚地区别开来.2.1.2 次火山岩次火山岩是火山喷发同期或者后期的熔浆侵入到围岩中缓慢冷凝结晶形成的超浅成侵入岩类，其代表性特征是岩石结晶程度高于所有其他火山岩亚相［17］.与火山熔岩类似，次火山岩电阻率也较高，也具有低声波时差和低中子的特征而明显区别于火山碎屑岩.以其高自然伽马、低密度的特征可以与玄武岩和安山岩区别(图1).中性二长玢岩以低自然伽马特征区别于酸性花岗斑岩和流纹岩(图2(a)).花岗斑岩和流纹岩的常规测井曲线响应特征差别不大，在自然伽马-密度交会图上也难以区分，但是在电阻率-密度交会图上，二者聚类效应较明显，可以区分开来(图2(b)).2.1.3 火山碎屑岩火山碎屑岩中火山碎屑体积分数＞90%.该区最常见火山碎屑岩有凝灰岩和火山角砾岩，以低电阻率、高声波时差和高中子特征明显区别于火山岩熔岩和次火山岩.火山角砾岩的电阻率和密度一般高于凝灰岩，并且其声波时差和中子曲线一般呈锯齿状，而凝灰岩则一般呈平直状，区别明显(图1).2.1.4 火山-沉积碎屑岩火山-沉积碎屑岩是火山碎屑岩向沉积岩的过渡岩石类型，其火山碎屑体积分数＜90%，经压实作用形成.其孔隙度、渗透率一般较差而成为非渗透层.由图1可知，该区沉凝灰岩以其低电阻率特征区别于普通火山碎屑岩，容易区分.2.2 成像测井识别结构构造对火山岩岩性的识别离不开结构构造上的识别［18］.成像测井资料能够提供环井壁地层电阻率随深度变化的图像，在探测地层构造、裂缝方面具有独特优势，可以用来识别火山岩的结构构造，并进一步推测岩性［19-20］.熔岩中常见气孔构造、杏仁构造(图3(a))、熔结结构(图3(b))、流纹构造(图3(b))和块状构造等，据此可以将其与火山碎屑岩、沉积岩有效区分开来.次火山岩由于没有喷出地表，所以一般不发育气孔，据此可以用气孔构造和杏仁构造来区别熔岩和次火山岩.火山碎屑岩标志性结构有集块结构、火山角砾结构、凝灰结构.集块结构:火山碎屑大于64 mm，在FMI图像上，火山集块表现为单个高亮棱角状团块，火山集块岩整体上表现为不规则块状堆积.角砾结构:火山碎屑介于2～64mm，在FMI图像上，火山角砾表现为棱角状或者模糊边缘状(分别为压实成因或熔结成因)(图3(e)、图3(f)).凝灰结构:火山碎屑小于2 mm，在FMI图像上表现出细小的斑点，经常出现塑性变形特征的晶屑、玻屑等较粗的颗粒(图3(d)).沉积岩、火山-沉积碎屑岩尤其是砂泥岩互层的沉积岩在FMI静态图像上显现出较好的成层性，而火山岩FMI静态图像不具备成层性特点［15］.该区凝灰质粉砂岩、沉凝灰岩和沉积岩等一般具有层理构造(图3(c))，据此可以判别为火山-沉积碎屑岩或者沉积岩.在利用火山岩常规测井响应图版、常规测井交会图和FMI识别该区各种常见火山岩岩性之后，统计各种常见火山岩测井响应特征值(表2).可以依据这些特征值来定量识别火山岩岩性［11］.在该区实际的火山岩岩性识别过程中，依据火山岩常规测井的响应以及FMI显示结构构造特征，按步骤(图4)进行岩性识别，先判断岩性大类，然后进行岩性细判.根据电阻率RT数值，判断火山碎屑岩和熔岩、次火山岩大类，然后依据各种常见火山岩的常规测井响应值和常规测井曲线特征以及典型结构构造特征判别出准确的岩性.实际应用效果表明，该流程图可以提高火山岩岩性判别的效率和准确性. (1)熔岩和次火山岩以高电阻率、低声波时差和低密度的测井响应特征区别于火山碎屑岩.根据从基性到酸性熔岩自然伽马值增大的特征可以区分不同类型熔岩.次火山岩以高自然伽马、低密度特征区别于玄武岩和安山岩，中性二长玢岩以低自然伽马特征区别于酸性流纹岩和花岗斑岩，进一步利用自然伽马-电阻率交会图可以区分花岗斑岩和流纹岩.火山角砾岩以较高的密度和电阻率、锯齿状声波时差和中子曲线区别于凝灰岩.(2)在FMI图像上，气孔构造、杏仁构造、流纹构造、块状构造、熔结结构等火山熔岩特有的结构和构造与火山碎屑岩的凝灰结构、角砾结构、火山-沉积碎屑岩的层理构造具有完全不同的特征.据此可以有效区分熔岩与火山碎屑岩或火山-沉积碎屑岩.根据气孔构造、杏仁构造可以区分熔岩与次火山岩.(3)根据常见火山岩常规测井响应特征值，按照克拉美丽气田火山岩岩性判别流程图可准确判别各类火山岩岩性.【相关文献】［1］林承焰，丁圣，李坚，等.贝尔凹陷火山岩相类型及石油地质意义［J］.西南石油大学学报:自然科学版，2010，32(3):180-185.LIN Cheng-yan，DING Sheng，LIJian，et al.Igneous lithofacies type and its significances of petroleum geology in Beier sag［J］.Journal of Southwest Petroleum University:Science ＆ Technology Edition，2010，32(3):180-185.［2］胡治华，姜大巍，马艳荣，等.徐家围子汪深1区块火山岩岩相特征及识别标志研究［J］.西安石油大学学报:自然科学版，2008，23(5):32-36.HU Zhi-hua，JIANG Da-wei，MA Yan-rong，et al.Characteristics and recognition marks ofvolcanic lithofacies in Wangshen 1 block of Xujiaweizi area in the north of Songliao Basin ［J］.Journal of Xi＇an Shiyou University:Natural Science Edition，2008，23(5):32-36. ［3］晏军，杨正明，韩有信，等.徐深火山岩气藏中天然气的扩散能力及其影响因素试验研究［J］.西安石油大学学报:自然科学版，2011，26(7):56-59.YAN Jun，YANG Zheng-ming，HAN You-xin，et al.Diffusion capacity of the natural gas in volcanic gas reservoir in Xushen area and the experimental research of its influencing factors［J］.Journal of Xi＇an Shiyou University:Natural Science Edition，2011，26(7):56-59.［4］汤小燕.克拉玛依九区火山岩储层主控因素与物性下限［J］.西南石油大学学报:自然科学版，2011，33(6):7-12.TANG Xiao-yan.Main controlling factors and lower limit of physical property of the volcanic reservoir in northwestern Junggar Basin［J］.Journal of Southwest Petroleum U-niversity:Science ＆ Technology Edition，2011，33(6):7-12.［5］徐振永，陈福友，黄继新，等.克拉玛依油田二区克92井区火山岩储层地质模型［J］.西安石油大学学报:自然科学版，2009，24(3):21-24.XU Zhen-yong，CHEN You-fu，HUANG Ji-xin，et al.Geologicmodeling of the volcanic reservoir of Ke 92 block in Karamay Oilfield［J］.Journal of Xian Shiyou University:Natural Science Edition，2009，24(3):21-24.［6］王建国，耿师江，庞彦明，等.火山岩岩性测井识别方法以及对储层物性的控制作用［J］.大庆石油地质与开发，2008，27(2):136-139.WANG Jian-guo，GENG Shi-jiang，PANG Yan-ming，et al.Volcanite lithology log identification method and control of volcanite to reservoir property［J］.Petroleum Geology ＆ Oilfield Development in Daqing，2008，27(2):136-139.［7］赵健，高福红.测井资料交会图法在火山岩岩性识别中的应用［J］.世界地质，2003，22(2):136-140.ZHAO Jian，GAO Fu-hong.Application of cross plots based on well log data in identifying volcanic lithology［J］.Global Geology，2003，22(2):136-140.［8］陈小军，罗顺社，张凌.火山熔岩特征及岩性识别方法［J］.油气地球物理，2009，7(2):18-21.CHEN Xiao-jun，LUO Shun-she，ZHANG Ling.The lithology identification method and characteristics of volcanic lava［J］.Petroleum Geophysics，2009，7(2):18-21.［9］覃豪，李洪娟.应用测井资料进行火山岩岩性识别［J］.石油天然气学报，2007，29(3):234-236.QIN Hao，LI Hong-juan.The identification of volcanic rocks by logging data［J］.Journalof Oil and Gas Technology，2007，29(3):234-236.［10］黄布宙，潘保芝.松辽盆地北部深层火成岩测井响应特征及岩性划分［J］.石油物探，2001，40(3):42-47.HUANG Bu-zhou，PAN Bao-zhi.The log characteristics of deep igneous rocks and lithology determination in the northern Songliao Basin［J］.Geophysical Prospecting For Petroleum，2001，40(3):42-47.［11］邵维志，梁巧峰，李俊国，等.黄骅凹陷火成岩储层测井响应特征研究［J］.测井技术，2006，30(2):149-153.SHAOWei-zhi，LIANG Qiao-feng，LI Jun-guo，et al.On log response characteristics of igneous reservoir in Huanghua depression ［J］.Well Logging Technology，2006，30(2):149-153.［12］张守谦.成像测井技术及应用［M］.北京:石油工业出版社，1997.［13］周波，李舟波，潘保芝.火山岩岩性识别方法研究［J］.吉林大学学报，2005，35(3):395-397.ZHOU Bo，LIZhou-bo，PAN Bao-zhi.A study on lithology identification methods for volcanic rocks［J］.Journal of Jinlin University:Earth Science Edition，2005，35(3):395-397. ［14］冉启泉，胡永乐，任宝生.火成岩岩性识别方法及其应用研究:以大港枣园油田枣35块火成岩油藏为例［J］.中国海上油气，2005，17(1):25-29.RAN Qi-quan，HU Yong-le，REN Bao-sheng.A lithologic identification method of igneous rocks and its application:a case of the igneous reservoir in Block Zao-35［J］.China Offshore Oil and Gas，2005，17(1):25-29.［15］张莹，潘保芝，印长海，等.成像测井图像在火山岩岩性识别中的应用［J］.石油物探，2007，46(3):288-293.ZHANG Ying，PAN Bao-zhi，YIN Chang-hai，et al.Application of imaging logging mapsin lithologic identification of volcanics［J］.Geophysical Prospecting For Petroleum，2007，46(3):288-293.［16］寇彧，师永民，李珀任，等.克拉美丽气田石炭系火山岩复杂岩性岩电特征［J］.岩石学报，2010，26(1):291-300.KOU Yu，SHIYong-min，LIPo-ren，et al.The complex lithology rock-electricity features of volcanic rocks in Kelameili gas field ［J］.Acta Petrologica Sinica，2010，26(1):291-301. ［17］王璞珺，迟元林，刘万洙，等.松辽盆地火山岩相:类型、特征和储层意义［J］.吉林大学学报:地球科学版，2003，33(4):449-456.WANG Pu-jun，CHIYuan-lin，LIUWan-zhu，et al.Volcanicfacies of the SongliaoBasin:Classification characteristics and reservoir significance［J］.Journalof Jilin University:Earth Science Edition，2003，33(4):449-456.［18］王洛，李江海，师永民，等.准噶尔盆地滴西地区石炭系火山岩识别与预测［J］.岩石学报，2010，26(1):242-254.WANG Luo，LIJiang-hai，SHIYong-min，et al.The identification and prediction of Carboniferous volcanic rocks in Dixi area，Junggar basin ［J］.Aca Petrologica Sinica，2010，26(1):242-254.［19］张建民，李超炜，张继业，等.长深1井区火成岩岩性识别方法及应用［J］.吉林大学学报:地球科学版，2008，38:106-109.ZHANG Jian-min，LIChao-wei，ZHANG Ji-ye，et al.A lithologic identificationmethod of igneous rocks and its application in Changling area［J］.Journal of Jinlin University:Earth Science Edition，2008，38:106-109.［20］王智，金立新，关强，等.基于 FMI和 ECS的火山岩储层综合评价方法［J］.西南石油大学学报:自然科学版，2010，32(5):58-64.WANG Zhi，JIN Li-xin，GUAN Qiang，et prehensive evaluation of volcanic reservoir based on FMI and ECS［J］.Journal of Southwest Petroleum University:Science ＆ Technology Edition，2010，32(3):58-64.。

3- 让人工智能学会用测井曲线识别地层岩性

深度学习算法求取最优解的过程主要通过循环迭代过程中的梯度下降算法得到最小化的损失函数和模型参数值，从而求取最优解。常用的梯度下降算法有随机梯度下降法（SGD）、Momentum梯度下降法和自适应梯度下降法（Adagrad）等。本文通过反复训练和测试对比，选用了自适应梯度下降算法，该方法在本次训练中神经网络收敛速度快、效果较好。优化结果：选用自适应梯度下降算法。
岩心照片
岩心归位
机器学习样本库
（2）对构建的人工智能架构及算法进行优化
➢ 激活函数的优化
➢ 梯度下降算法优化
➢ 损失函数及正则化方法优选
深度学习过程中，为了提高神经网络的学习能力，加入一些非线性的激活函数，作用于神经网络，使得它能更好地解决比较复杂的非线性问题。常用的激活函数有sigmoid函数、Tanh函数、Relu 函数等。通过对比三种激活函数的训练效果，发现用Sigmoid函数时，深度学习网络的损失函数收敛速度快，学习效果好。Relu函数和Tanh函数容易出现梯度消失和梯度爆炸的问题。优化结果：选用sigmoid激活函数。
3、解决对策
（1）选取有可靠标签和沉积稳定的地层作为深度学习样本
选取长庆油田合水地区63口取芯井作为数据集（建立样本库），通过深度校正，对岩心进行归位。其次，对有扩径的井段数据进行剔除（数据清洗）。其中输入数据有：自然伽马、声波时差、深中浅电阻率、补偿中子、密度测井、岩性密度和自然电位九条测井曲线。输出：砂岩、泥质粉砂岩、粉砂质泥岩和泥岩，四种岩性。采用经过深度校正后用采样间隔为0.125m的测井曲线作为样本，筛选出7000个样本，其中泥岩、砂质泥岩、泥质砂岩和砂岩样本个数相等，其中6000个作为学习样本，1000个作为测试样本。
让人工智能学会用测井曲线识别地层岩性

基于深度学习方法的测井岩性识别研究

基于深度学习方法的测井岩性识别研究
周渊凯;刘祜
【期刊名称】《铀矿地质》
【年(卷),期】2024(40)2
【摘要】采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。

当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。

文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。

结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。

以上模型可应用于不同环境和需求。

文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。

【总页数】10页(P336-345)
【作者】周渊凯;刘祜
【作者单位】核工业北京地质研究院
【正文语种】中文
【中图分类】P631;TP39
【相关文献】
1.基于测井相分析技术的复杂岩性识别方法研究
2.基于支持向量机的测井岩性识别在松散沉积物调查中的应用研究
3.基于测井曲线自动分层的岩性识别方法研究
4.基于形态相似度识别的大数据分析方法在测井岩性识别中的研究
5.基于改进集成学习的测井岩性识别方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于集成学习的测井岩性识别模型的构建

基于集成学习的测井岩性识别模型的构建; 集成学习; 融合模型; Stacking【Abstract】Lithology identification plays an important role in geological surveys such as stratigraphic evaluation，reservoir description and drilling monitoring. Aiming at the low efficiency and information redundancy of traditional logging lithology identification methods based on logging response equation，this paper proposes a logging lithology identification method based on Stacking in ensemble learning.This method establishes a fusion model with Naive Bayes，Random Forest，Support Vector Machine and Logistic Regression.Three machine learning models，Naive Bayes，Random Forest and Support Vector Machine are used as a primary training device to separately train the data，and then Logistic Regression model is used as a secondary learning device to predict.The fusion model improves the logging lithology identification efficiency，realizes automatic processing of logging data，and improves the working efficiency of geological survey personnel. In this paper，the borehole logging data of the Ordos Basin is used as the training pared with the results of other machine learning models，the prediction results of the model are better than the actual results，and the recognition rate is better than other learning models.【Key words】lithology identification; ensemble learning; fusion model; Stacking引言地层岩性是指岩石颜色、成分、结构、特殊矿物等特征的总和，岩性识别是通过一些特定的方法来判定和区别岩性的过程。

一种快速实用的测井岩性自动识别方法

一种快速实用的测井岩性自动识别方法高松洋【摘要】针对海拉尔盆地贝尔地区岩性复杂、岩性识别难的问题,在岩心分析资料的刻度下采用交会图法优选对岩性识别敏感的参数,利用主成分分析方法提取第1、第2主成分建立岩性识别图版;根据各种岩性的分布区域,将主成分分析图版程序化,挂接到卡奔软件中,可以对单井目的层进行快速连续操作处理.该方法省去了曲线方波化取值的繁琐以及人工读值误差.通过对该区域3口新取心井的处理分析,岩性自动识别精度达到91.2％.该方法易于操作,岩性识别精度高,满足了研究区储量提交以及油田勘探开发需求.【期刊名称】《测井技术》【年(卷),期】2016(040)006【总页数】5页(P689-693)【关键词】测井解释;主成分分析;岩性识别【作者】高松洋【作者单位】大庆油田有限责任公司勘探开发研究院,黑龙江大庆163712【正文语种】中文【中图分类】P631.840 引言海拉尔盆地贝尔地区岩性复杂,主要有泥岩、粉砂岩、细砂岩、含凝灰质粉砂岩、含砾细砂岩以及砂砾岩等。

多数地层含有泥质和少量凝灰成分,测井响应特征相似,岩性识别难度大,严重制约着对储层的认识,影响了该区块的储量提交和进一步的勘探开发。

以往针对砂泥岩的岩性识别方法主要有交会图法[1]、多元统计分析方法[2]以及基于各种不同数学演绎算法等形成的方法[3-4],这些岩性识别方法涉及到的测井曲线较多,处理繁琐且不易操作,在该区域很难达到满意的效果。

本文综合分析以上各种岩性识别方法的优缺点,在岩心分析资料的刻度下,利用交会图技术结合测试分析资料提取了对岩性识别敏感的关键参数,利用主成分分析方法对该地区的复杂岩性进行了有效识别,识别效果显著。

1 岩性识别方法及应用1.1 参数优选对研究区的所有取心井的资料进行收集整理,包括单井测井曲线、岩心实验分析和薄片分析等相关数据。

在此基础上进行岩心归位工作,该区块以正式的综合柱状图为准,结合测井曲线以及岩屑录井剖面进行岩心归位工作(见图1)。

测井识别岩性的新方法：自组织神经网络法

利用测井资料识别岩性是一种特殊的模式识别问题。传统的岩性识别技术主要基于交会图技术和统计学理论，如主成分分析、聚类分析等。近年来人工神经网络方法如反向传播算法等应用于岩性识别，取得了一定的效果［。本文利用自组织神经网络对测井数据进行岩性１］识别，该方法具有较强的自组织性、自适应性，有较高的的匹配程度。如果要求最佳匹配，须满足：
［要］利用自摘组织神经网络对测井数据进行岩性识别，具有较强的自组织性、适应性和较高的容错能力，与其他神经网络算法相比，计算量小、收效速度快。实验结果表明：自组织特征映射神经网络对测井数据进行岩性识别是可行的，而且识别率较高，一种行之有效的岩性识别的好方法。是［关键词］测井资料；神经网络；岩性识别；式识别模［中图分类号］Ｔ３７８［Ｅ５．文献标识码］Ｂ［文章编号］１０—３１（ｏ６０一ｏ５— ０ｏ９０Ｘ２０）６０４２
应用编写的自组织神经网络模式识别程序对某地
区的１２３井进行了测井岩性识别（２Ｌｔｏｏ道中的图，ｉｌｙｈｇ
［收稿日期］２Ｏ６５３５Ｏ一Ｏ一Ｏ［第一作者简介］贺新蔚（９ｏ，湖南人，１７一）男，工程师，博士研究生，主要从事测井资料处理解释、震反演与油气检测及油藏描述。地
（）１
图中ＸＸ，，，ｍ）一（１ … ｘ表示输入模式，一｛Ｉｗ１ ≤ Ｍ， ≤ｃ为权值矩阵，１｝Ｙ一（１ｙ，ｙ）ｙ，２…，ｃ为输入
节点的匹配响应，时刻ｔ在有

测井岩性识别方法研究_杨玲

2015年第2期（总第317期）NO.2.2015 ( CumulativetyNO.317 )1　概述识别储层岩性最直接最有效的方法是岩心分析，但考虑到油田上的生产效益，深层钻井成本很高，因此不能在每口井中都取心，测井岩性识别方法作为一种简单而有效的技术方法，已经得到了广泛的应用。

尤其是近年来岩性识别方法得到了迅猛的发展，2009年李祖兵利用M-N交会图对具有不同结构和构造的同类岩性进行了识别；2010年张伯新以准噶尔盆地六九区石炭系火山岩为研究对象，构建了测井相-岩性建模数据库，应用模糊数学方法建立了工区内火山岩岩性识别标准模型；2013年杨辉运用BP神经网络模型对研究区域复杂岩性进行识别，识别结果与岩心岩性和录井岩性较为相符，对该区域的储层识别和沉积相的研究具有一定的参考价值。

2014年刘国全针对沧东凹陷孔二段源储互层型致密储层岩性识别的难点，利用散点图、交会图及ECS测井进行岩性的识别，形成了源储互层型致密油岩性识别的有效方法等。

测井岩性识别方法是根据已有的测井曲线资料来划分地下地层的岩性，传统岩性识别方法的方法为交会图法。

测井曲线资料包含有丰富的岩性信息，地下的岩性主要包括岩石的物理组成、排列结构、孔隙度及孔隙流体的性质直接着影响测井曲线的测量结果，其中自然伽马（GR）、自然电位（SP）及泥质含量（Vsh）等测井曲线对地下岩性的变化反应最为灵敏。

实际应用中，特定的岩性对应着特定的测井参数组合，因此，测井解释人员可以根据特定的测井参数组合来确定地下地层的岩性。

2　基础数据整理测井曲线的质量直接影响整个研究工作的顺利开展。

实际测量过程中一方面由于环境因素的影响会造成测井资料中出现一些不稳定的跳跃状态，需要对测井曲线进行滤波处理；另一方面由于仪器刻度的不精确性会引起刻度误差，需要进一步做标准化处理。

其中频率直方图是测井标准化处理的一种基础方法，首先选取一套岩性稳定、厚度大、分布范围广的地层作为标准层，然后对选定的标准层分别做自然伽马、补偿声波、补偿密度、补偿中子孔隙度等测井资料频率直方图，确定每项测井资料在每口井的主要分布范围和峰值，确定对应关键井相应的测井资料分布范围和峰值确定校正值并进行校正。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

2015年第2期（总第317期）
NO.2.2015 ( Cumulativety
NO.317 )
1　概述
识别储层岩性最直接最有效的方法是岩心分析，但考虑到油田上的生产效益，深层钻井成本很高，因此不能在每口井中都取心，测井岩性识别方法作为一种简单而有效的技术方法，已经得到了广泛的应用。

测井岩性识别方法是根据已有的测井曲线资料来划分地下地层的岩性，传统岩性识别方法的方法为交会图法。

实际应用中，特定的岩性对应着特定的测井参数组合，因此，测井解释人员可以根据特定的测井参数组合来确定地下地层的岩性。

2　基础数据整理
测井曲线的质量直接影响整个研究工作的顺利开展。

3　常规测井资料识别地层岩性
实际情况中，考虑成本及效率因素，绝大部分油田都采用常规的测井系列，常规的测井资料主要包括自然伽马（GR）、自然电位（SP）、声波时差（DT）、密度（DEN）、电阻率（Rt、Rxo）、放射性（CNL）等岩石物理参数，这些测井曲线包含了地下地层的岩性、物性和含油性信息，是一套比较全面而灵敏的测量组合系统。

大量理论及实践资料表明，常规测井识别岩性是可靠并且有效的。

利用常规测井资料识别地层岩性运用最多的是交会图法。

交汇图法是选用两种对岩性反应敏感的物理量进行交会来识别地层的岩性，主要是依据不同储层的岩性和流体类型异常在交会图平面上占有不同区域的特点，进行异常划分。

常用的有中子-密度交会图、声波时差-密度交会图、中子-声波时差交会图等。

交会图具有制作简单、使用方便和快捷的优点，是一种被广泛采用的岩性识别方法。

但其缺点是对复杂岩性识别率低。

根据某工区18口井不同岩性测井响应的差别，针对泥岩、砂岩干层、油层、水层及盐岩等5种岩性建立的GR-波阻抗交会图样板，利用该样板可以直观有效地进
测井岩性识别方法研究
杨　玲1　李鹏飞2
（1.山西省煤炭地质114勘查院，山西长治 046011；2.长江大学，湖北武汉 430100）
摘要：地层的岩性是岩石颜色、成分、结构、构造等特征的总和，识别钻井剖面上地层的岩性，尤其是储层的岩性，是石油勘探和开发中的一项重要的基础性工作。

其能有效进行测井储层识别，岩性识别是前提，因此，岩性识别方法在油气层识别中占有不可或缺的地位。

关键词：测井技术；岩性识别方法；储层；石油勘探；石油开发文献标识码：A
中图分类号：P631 文章编号：1009-2374（2015）02-0176-02 DOI：10.13535/ki.11-4406/n.2015.0184
- 176 -
行岩性划分。

4　特殊测井
随着油气勘探的进展，需要解决的问题也越来越多，需要进行识别的岩性也越来越复杂。

为了加强复杂岩性储层的研究，增强油气后备储量一些新的测井识别方法陆续涌现，这些方法主要包括：M-N交汇图、元素测井（ECS）、BP神经网络等。

M-N交汇图是将密度、中子及声波三种岩性曲线适当组合来达到划分岩性的目的，国外最早是Khatchikian于1982采用该方法对阿根廷某盆地的两种火成岩地层层序进行了研究。

大量实践资料表明，M-N 交汇图技术在一定成程度上能够有效识别火成岩的岩性和裂缝发育情况。

元素测井识别岩性的方法主要以斯伦贝谢（Schlumberger）公司研发的新一代元素俘获谱洲井仪（ECS）为典型。

通过精确测量地层组成元素的含量来鉴别地层沉积矿物含量，以便达到岩性识别的目的。

神经网络岩性识别法是选择一定的测井曲线形态特征作为输入向量，并用与此对应的岩性作为输出向量，二者组成一个训练对，由多个训练对组成一个样本集，这样就建立起一系列与实际地质状况相对应的测井相特征。

前人在利用神经网络进行岩性识别方面做了大量的研究工作。

1999年卢新卫等利用BP神经网络对胜利油田某测井岩性进行了识别。

2005年周波等采用神经网络方法识别火山岩岩性，并指出利用自组织神经网络SOM 和反馈神经网络BP对85块火山岩样品的识别率分别为78.82%和81.18%。

其特点是方法简单易于操作，且识别准确率高。

5　结语
基于测井曲线资料的岩性识别方法，是以基础数据整理为前提，相较于岩心识别方法较经济有效的一种方法，随着测井技术的发展，这些测井资料识别岩性的方法必将得到不断完善与进步。

参考文献
[1] 赵建，高富红．测井资料交会图法在火山岩岩性识别
中的应用[J]．世界地质，2003，22（2）．
[2] 卜勤生，杜环虹．测井在油藏描述中的应用[M]．北
京：石油工业出版社，1992．
[3] 刘秀娟，陈超，曾冲，兰磊．利用测井数据进行岩
性识别的多元统计方法[J]．地质科技情报，2007，26（3）．
[4] 杨斌．神经网络及其在石油测井中的应用[M]．北
京：石油工业出版社，2005．
[5] 李先鹏．测井曲线的深度校正[J]．科技资讯，2009，
18（3）．
[6] M.H.Fredric，I.Kostanic．Principles of Neurocomputing
for Science and Engineering[J]．International Journal of Pattern Recognition and Artificial Intelligence，2001，（12）．
[7] 王新洲，舒海翅．模糊相似矩阵的构造[J]．吉林大学
学报，2003，24（3）．
[8] 马小刚，李子峰，张春梅．测井相分析在岩性油气藏
储层预测中的应用[J]．勘探地球物理进展，2010，33（1）．
[9] 黄平，李坦，胡相滋．测并相分析方法及研究[J]．工
业技术，2008，（3）．
[10] 刘明军．BP神经网络模型在彬长矿区测井数据岩性
识别中的应用研究[D]．煤炭总院西安研究院，2009.
[11] 王立柱，赵大宇．BP神经网络的改进及应用[J]．沈
阳师范大学学报，2007，25（1）．
[12] 蔡曲林．基于概率神经网络的模式识别[D]．国防科
学技术大学，2005．
作者简介：杨玲（1976-），女，山西长治人，山西省煤炭地质114勘查院助理工程师，研究方向：页岩气及其煤田资料处理。

（责任编辑：王　波）
- 177 -。