龐國印，田 兵，王 琪，郝樂偉，唐 俊，3，廖 朋

（1．中國科學院地質與地球物理研究所 油氣資源研究重點實驗室，甘肅 蘭州 730000；2．中國科學院大學，北京 100049；3．內蒙古科技大學 數(shù)理與生物工程學院，內蒙古 包頭 014010）

0 引 言

沉積相分析是研究沉積環(huán)境、尋找隱蔽油藏及油氣評價中十分重要的問題。長期以來，沉積環(huán)境及沉積相研究主要是通過對鉆井取芯、巖屑錄井資料的分析來實現(xiàn)的，這不僅成本高、時效低，而且由于海上取芯難度大，取芯井很少，巖屑錄井又不準，因而很難做到對油田各井剖面地層沉積相的精確劃分和描述。利用地震相研究成果和測井曲線參數(shù)，通過神經(jīng)網(wǎng)絡進行沉積微相識別能解決這一問題。

神經(jīng)網(wǎng)絡是一種應用類似于大腦神經(jīng)突觸連接結構，進行分布式并行信息處理的算法數(shù)學模型，具有非線性、非局限性、非常定性、非凸性4個基本特征，其依靠改變內部結構來對輸入和輸出間復雜的關系進行建模。神經(jīng)網(wǎng)絡的結構是由大量神經(jīng)元（又稱節(jié)點或單元）之間相互連接構成的。每個神經(jīng)元代表一種特定的輸出函數(shù)，稱為激勵函數(shù)。每2個神經(jīng)元間的連接都代表一個通過該連接信號的加權值，稱之為權重，這相當于神經(jīng)網(wǎng)絡的記憶。神經(jīng)網(wǎng)絡的輸出則因網(wǎng)絡的連接方式、權重值和激勵函數(shù)的不同而不同。因而，神經(jīng)網(wǎng)絡提供了一種取代傳統(tǒng)統(tǒng)計判別方法的途徑［1－7］。

各種神經(jīng)網(wǎng)絡在神經(jīng)元內執(zhí)行的計算以及訓練算法上存在差異。在沉積微相識別中，相對于常用的BP神經(jīng)網(wǎng)絡［8－13］，概率神經(jīng)網(wǎng)絡訓練速度快，容錯性強，不需要指定拓撲結構（隱含層和隱含節(jié)點的數(shù)目），而且概率神經(jīng)網(wǎng)絡不僅可以用于分類，還可以返回樣本落在其他因變量范疇的概率［14］。基于此，筆者利用概率神經(jīng)網(wǎng)絡對東海陸架盆地麗水—椒江凹陷古新統(tǒng)月桂峰組進行沉積微相識別，以期對該區(qū)下一步油氣勘探部署、提交油氣后備儲量以及合理開發(fā)油氣田提供借鑒。

1 區(qū)域地質特征

東海陸架盆地是位于歐亞板塊中國東部大陸架東緣的中新生代裂谷型復合盆地，是中國海域最大的含油氣盆地之一［15］。麗水—椒江凹陷位于盆地的西南部，東部與雁蕩凸起、福州凹陷、閩江凹陷相鄰，西部和南部與閩江隆起區(qū)相隔，北部與錢塘凹陷相接，面積約2．3×104km2（圖1）。自中生代以來，該凹陷以聚斂型板塊構造為特征，由一系列北東—南西向延伸、平行排列、形成時間向東逐漸變新的構造單元組成，主要包括麗東凹陷、麗南凹陷、麗西凹陷、椒江凹陷以及麗南凸起、靈峰凸起［16－18］。古近紀時期，研究區(qū)接受巨厚的蓋層沉積，自下而上發(fā)育古新統(tǒng)月桂峰組、靈峰組、明月峰組以及始新統(tǒng)甌江組、溫州組地層。

2 沉積體系和沉積微相類型厘定

沉積體系指在某一段時間地層單元內，根據(jù)物源性質、搬運過程、沉積作用和發(fā)育演變，把有內在聯(lián)系的各沉積相組成起來的一個連續(xù)體系，它能與相鄰的體系區(qū)分開。沉積體系類型及其空間分布規(guī)律的研究，對于進行各種尺度的儲層預測具有重要意義。沉積體系的空間分布特征主要取決于沉積動力學、氣候和物源特征以及構造破壞活動及控制作用等［19］。麗水—椒江凹陷古新統(tǒng)月桂峰組主體為湖相沉積環(huán)境，西側緩坡形成多個三角洲－淺湖－深湖沉積體系；東側陡坡由雁蕩凸起向西形成扇三角洲－淺湖沉積體系（圖2）。

在參照研究區(qū)沉積體系研究結果的基礎上，根據(jù)有限的鉆井取芯資料，依據(jù)巖性、沉積構造、生物化石、巖相類型及組合規(guī)律詳細刻畫了巖芯與沉積微相之間的關系和面貌；結合地震相，劃分出東海陸架盆地麗水—椒江凹陷月桂峰組典型的沉積微相類型（表1）。

3 概率神經(jīng)網(wǎng)絡原理

概率神經(jīng)網(wǎng)絡（PNN）基于類似的理念，主要用于范疇預測和分類［20－21］。概率神經(jīng)網(wǎng)絡主要由4部分組成：神經(jīng)元、網(wǎng)絡結構、訓練算法和分類過程。

圖1 麗水—椒江凹陷區(qū)域位置及構造Fig．1 Tectonic Location and Structure of Lishui－Jiaojiang Sag

圖2 月桂峰組沉積體系平面展布Fig．2 Distribution of Sedimentary System of Yueguifeng Formation

3．1 神經(jīng)元

神經(jīng)元是神經(jīng)網(wǎng)絡的基本計算單元，是具有多個輸入和一個輸出的非線性結構體。圖3為單個神經(jīng) 元模型，其中x1，x2，…，xn為神經(jīng)元的輸入，n為輸入信號的數(shù)目，xi為第i個神經(jīng)元的輸入；w1，w2，…，wn為連接到神經(jīng)元信號的權值，wi為第i個連接到神經(jīng)元信號的權值；y是神經(jīng)元的輸出；f（x）是激活函數(shù)，最常見的有階躍型、線性型和S型3種形式。概率神經(jīng)網(wǎng)絡以指數(shù)函數(shù)替代神經(jīng)網(wǎng)絡中常用的S型激活函數(shù)。

表1 月桂峰組典型沉積微相類型Tab．1 Typical Sedimentary Microfacies of Yueguifeng Formation

3．2 網(wǎng)絡結構

概率神經(jīng)網(wǎng)絡結構是由神經(jīng)元經(jīng)連接弧連接而成的，網(wǎng)絡分為輸入層、模式層、累加層和輸出層（圖4）。輸入信息（x1，x2，…，xn）的神經(jīng)元組成輸入層，輸入層的神經(jīng)元無輸入連接弧，輸出信息（y1，y2，…，yn）的神經(jīng)元組成輸出層，它們不具有輸出連接弧，其余神經(jīng)元為中間層（又稱隱藏層）。需

圖3 單個神經(jīng)元模型Fig．3 Single Neuron Model

圖4 概率神經(jīng)網(wǎng)絡結構Fig．4 Structure of Probabilistic Neural Network

3．3 訓練算法

訓練神經(jīng)網(wǎng)絡的目的是為了能用一組輸入矢量通過預先確定的算法調整網(wǎng)絡權值來產生一組所希望的輸出矢量。在訓練過程中，網(wǎng)絡權值是慢慢變更的。訓練概率神經(jīng)網(wǎng)絡就是優(yōu)化平滑因子，以盡量降低訓練集的誤差，并使用多層感知器優(yōu)化。訓練時用來評估不同組平滑因子的誤差標準是根據(jù)累加層神經(jīng)元返回的所有訓練樣本的所有值計算出來的。這種標準不僅考慮了正確范疇的概率分布，還考慮了不正確范疇的概率分布。而且，在計算一個訓練樣本的誤差時，會將該樣本從模式層暫時排除。這是因為在計算時被排除的神經(jīng)元會算作一個零距離，降低其他神經(jīng)元在計算中的重要程度。

3．4 分類過程

對于概率神經(jīng)網(wǎng)絡，每向網(wǎng)絡提供一個樣本，模式層中每個神經(jīng)元就計算自己所代表的訓練樣本和輸入樣本之間的距離，傳遞給累加層神經(jīng)元的值則是距離和平滑因子的函數(shù)，因此，模式層每個單元的輸出f（X，Wi）為

式中：X為輸入向量；δ是平滑因子；Wi為第i個連接輸入層到模式層的權值向量。

在累加層，每個范疇因變量都有一個神經(jīng)元，每個神經(jīng)元將該范疇內的訓練樣本所對應的所有神經(jīng)元的輸出值相加得到輸出f（Y）為

式中：Y為屬于某個范疇的樣本向量；Yij為屬于某個范疇的第i個樣本向量；m為范疇因變量的個數(shù)；ki為屬于該范疇的模式樣本個數(shù)。

累加層神經(jīng)元的輸出值可視為每個類的概率密度函數(shù)預測。輸出神經(jīng)元選擇概率密度函數(shù)值最高的范疇作為預測的范疇。

4 沉積微相單元的分層

單井上沉積微相單元的劃分方法主要有利用測井曲線自動分層和人工分層2種。利用測井曲線自動分層的方法有多種：層內差異法、拐點法、活度法、組合分層法等。這些方法使測井曲線分層實現(xiàn)了自動化，提高了效率，但在解決分層問題時，都存在一定的缺陷［22］。因此，在利用層內差異法進行自動分層的基礎上，筆者進行適當?shù)娜斯ふ{整，提高了分層效率和分層精度，有效減小了概率神經(jīng)網(wǎng)絡訓練樣本和輸入項的誤差。

5 輸入層參數(shù)的選擇

5．1 沉積相與地震相的關系

地震相是沉積體在地震反射剖面上各種特征的綜合反映。根據(jù)這些特征的不同，可以在剖面和平面上劃分出性質各異的地震相區(qū)。地震相在剖面上的分布特征間接反映了地震層序所對應沉積時期內沉積環(huán)境的剖面變化。按Brown等的概念［23］，地震相是指有一定分布面積的三維地震反射單元，其地震參數(shù)（如反射結構、振幅、連續(xù)性、頻率和層速度）與相鄰單元不同，它代表了產生其反射的沉積物的一定巖性組合、層理和沉積特征。因此，地震相是地下地質體的一個綜合反映，是沉積相在地震剖面上表現(xiàn)的總和［24－25］。研究區(qū)地震相和沉積相之間存在耦合對應關系（表2）。因此，在利用概率神經(jīng)網(wǎng)絡預測沉積相時，選擇地震相作為概率神經(jīng)網(wǎng)絡輸入項中的范疇自變量參數(shù)。

表2 地震相－沉積相對應模式Tab．2 Corresponding Patterns of Seismic Facies－sedimentary Facies

5．2 測井曲線的選擇

為了有效劃分地層沉積相與鑒別地層的巖性，應盡可能多地采用各種測井參數(shù)；但各測井參數(shù)之間往往具有相關性，所反映的沉積微相信息往往有一定的重復，給隨后的神經(jīng)網(wǎng)絡判別分析帶來很大困難［26］。因此，先采用主成分分析法，從a個樣本層具有復雜相關關系的b個測井參數(shù)中，提取最能反映沉積微相特征的少數(shù)幾個（p個）非相關的主成分（p＜b），使其能有效地綜合原有b個測井參數(shù)所反映的沉積微相信息，從而僅用p個主成分作神經(jīng)網(wǎng)絡判別分析，就能達到有效劃分標準樣本層沉積微相的目的。

根據(jù)研究區(qū)實際測井曲線類型和主成分分析，提取出能對沉積微相區(qū)分較好的自然伽馬（γGR）、自然電位（VSP）、聲波時差（ΔtDT）、密度測井（ρDEN）、補償中子（ΦCNL）、井徑測井（DCALI）曲線值作為概率神經(jīng)網(wǎng)絡輸入項的數(shù)值自變量。這6個互不相關的主成分累計貢獻率達到原信息量的95%，既有效綜合了原m個測井參數(shù)反映的沉積微相信息，又大大減少了樣本層的維數(shù)，簡化了隨后的神經(jīng)網(wǎng)絡判別分析。

6 模型的建立及沉積微相識別

利用MATLAB軟件工具箱建立概率神經(jīng)網(wǎng)絡模型，包括輸入層、模式層、累加層和輸出層。輸入層參數(shù)為每個層段的地震相類型和測井參數(shù)平均值，包括1個范疇自變量和6個數(shù)值自變量。

通過東海陸架盆地麗水—椒江凹陷內數(shù)口井的詳細研究以及地質解釋資料，選取月桂峰組若干沉積微相層段作為概率神經(jīng)網(wǎng)絡的學習樣本（在訓練概率神經(jīng)網(wǎng)絡時，為了增大訓練樣本，提高神經(jīng)網(wǎng)絡的識別精度和穩(wěn)定性，可將每個測井深度點的每組數(shù)據(jù)作為一個學習樣本輸入進行訓練）。部分學習樣本參數(shù)見表3。

總共選用2 199個學習樣本對神經(jīng)網(wǎng)絡進行訓練，經(jīng)過65次試驗，搜索出變量的最佳平滑因子，建立研究區(qū)20種沉積微相類型的判別模式。最終，訓練誤差預測百分率、平均不正確概率和不正確概率標準差分別為 0．227 4%、1．099 4%、5．667 4%。測試參數(shù)的概率神經(jīng)網(wǎng)絡訓練誤差見圖5。原始數(shù)據(jù)的回判檢驗效果也較好，測試參數(shù)的概率神經(jīng)網(wǎng)絡檢驗誤差見圖6。

表3 概率神經(jīng)網(wǎng)絡部分學習樣本Tab．3 Part Learning Samples of Probabilistic Neural Network

圖5 不正確范疇的概率直方圖（訓練）Fig．5 Probability Histogram of Incorrect Categories（Train）

圖6 不正確范疇的概率直方圖（檢驗）Fig．6 Probability Histogram of Incorrect Categories（Test）

表4是將概率神經(jīng)網(wǎng)絡分析的沉積微相結果與地質專家分析的沉積微相結果進行了對比，發(fā)現(xiàn)利用概率神經(jīng)網(wǎng)絡預測結果的準確率達到90%以上。因此，利用地震相研究成果和測井特征參數(shù)進行的沉積微相識別效果顯著，對沉積微相的識別精確度比較高。但由于各種地質因素和非地質因素的影響，不同類型的沉積微相（特別是差別較小的沉積微相之間）可能有近似的地震和測井響應，而相同的微相類型在不同井中也可能有不同的地震和測井響應，這使得利用關鍵井中數(shù)據(jù)建立的神經(jīng)網(wǎng)絡判別模式的代表性和典型性受到損失，在識別上仍然不可避免產生誤判現(xiàn)象［27］。此時，對于不正確概率較高的預測結果應綜合各因素進行人工分析校正。

表4 概率神經(jīng)網(wǎng)絡和巖芯解釋成果對比Tab．4 Comparison of PNN Interpretation and Well Core Interpretation

7 結 語

（1）在鉆井取芯較少的海上油氣資源勘探開發(fā)中，使用概率神經(jīng)網(wǎng)絡對沉積微相進行預測，不僅能解決未取芯井沉積微相的識別劃分問題，而且識別速度快、穩(wěn)定性高。

（2）研究區(qū)地震相和沉積相之間存在較好的耦合對應關系，且不同沉積微相具有不同的測井響應。沉積微相間的這些差異是利用概率神經(jīng)網(wǎng)絡判別沉積微相的基礎。

（3）研究區(qū)最適合進行沉積微相分析的范疇自變量是地震相，最適合的測井數(shù)據(jù)是自然伽馬、自然電位、聲波時差、密度測井、補償中子、井徑測井曲線。

（4）將利用概率神經(jīng)網(wǎng)絡識別后的結果與巖芯微相劃分結果相對比，發(fā)現(xiàn)前者的準確率達到90%以上。因此，該方法對沉積相研究具有很好的應用價值。但對于地震響應和測井響應相似的沉積微相的神經(jīng)網(wǎng)絡判別方法還有待進一步探索。

［1］ 李雙成，鄭 度．人工神經(jīng)網(wǎng)絡模型在地學研究中的應用進展［J］．地球科學進展，2003，18（1）：68－76．LI Shuang－cheng，ZHENG Du．Applications of Artificial Neural Networks to Geosciences：Review and Prospect［J］．Advance in Earth Sciences，2003，18（1）：68－76．

［2］ 周金應，桂碧雯，李 茂，等．基于巖控的人工神經(jīng)網(wǎng)絡在滲透率預測中的應用［J］．石油學報，2010，31（6）：985－988．ZHOU Jin－ying，GUI Bi－wen，LI Mao，et al．An Application of the Artificial Neural Net Dominated by Lithology to Permeability Prediction［J］．Acta Petrolei Sinica，2010，31（6）：985－988．

［3］ 李道倫，盧德唐，孔祥言，等．BP神經(jīng)網(wǎng)絡隱式法在測井數(shù)據(jù)處理中的應用［J］．石油學報，2007，28（3）：105－108．LI Dao－lun，LU De－tang，KONG Xiang－yan，et al．Processing of Well Log Data Based on Backpropagation Neural Network Implicit Approximation［J］．Acta Petrolei Sinica，2007，28（3）：105－108．

［4］ 潘文超．以廣義回歸神經(jīng)網(wǎng)絡預測共同基金報酬［J］．長安大學學報：社會科學版，2007，9（4）：55－58．PAN Wen－chao．Forecast for Mutual Fund Returns with General Regression Neural Network［J］．Journal of Chang'an University：Social Science Edition，2007，9（4）：55－58．

［5］ 胡世鵬，吳小林，馬利敏，等．基于BP神經(jīng)網(wǎng)絡和遺傳算法的天然氣脫水裝置能耗優(yōu)化［J］．天然氣工業(yè)，2012，32（11）：89－94．HU Shi－peng，WU Xiao－lin，MA Li－min，et al．BP－and GA－based Energy Consumption Optimization of Gas Dehydration Plants［J］．Natural Gas Industry，2012，32（11）：89－94．

［6］ 劉文超，盧祥國，劉進祥，等．一種基于BP神經(jīng)網(wǎng)絡的調驅增油預測方法［J］．西安石油大學學報：自然科學版，2012，27（1）：47－52．LIU Wen－chao，LU Xiang－guo，LIU Jin－xiang，et al．Prediction Method of Oil Increment of Profile－control and Flooding Measures Using BP Neural Network Based on Core Flooding Parameters［J］．Journal of Xi'an Shiyou University：Natural Science Edition，2012，27（1）：47－52．

［7］ 唐勝利，唐 皓，郭 輝．基于BP神經(jīng)網(wǎng)絡的空洞型采空區(qū)穩(wěn)定性評價研究［J］．西安科技大學學報，2012，32（2）：234－238．TANG Sheng－li，TANG Hao，GUO Hui．Stability Evaluation of Empty Mine Goaf Based on BP Neural Network［J］．Journal of Xi'an University of Science and Technology，2012，32（2）：234－238．

［8］ 吳燦燦，李壯福．基于BP神經(jīng)網(wǎng)絡的測井相分析及沉積相識別［J］．煤田地質與勘探，2012，40（1）：68－71．WU Can－can，LI Zhuang－fu．Logging Facies Analysis and Sedimentary Facies Identification Based on BP Neural Network［J］．Coal Geology and Exploration，2012，40（1）：68－71．

［9］ 吳永良，田景春，朱迎堂．神經(jīng)網(wǎng)絡判識沉積微相的應用——以樁241塊為例［J］．地質找礦論叢，2009，24（4）：317－321．WU Yong－liang，TIAN Jing－chun，ZHU Ying－tang．Application of the Neural Net－discrimated Micro－sedimentary Facies—A Case of Block Z241［J］．Contributions to Geology and Mineral Resources Research，2009，24（4）：317－321．

［10］ 郭曦榕，黃地龍．一種基于神經(jīng)網(wǎng)絡的沉積相識別方法［J］．計算機應用與軟件，2007，24（3）：132－134．GUO Xi－rong，HUANG Di－long．A Kind of Sedimentary Facies Recognition Method Based on BP Neural Network［J］．Computer Applications and Software，2007，24（3）：132－134．

［11］ 許少華，陳可為，梁久禎，等．基于遺傳－BP神經(jīng)網(wǎng)絡的沉積微相自動識別［J］．大慶石油學院學報，2001，25（1）：51－54．XU Shao－h(huán)ua，CHEN Ke－wei，LIANG Jiu－zhen，et al．Automatic Sedimentary Facies Identification Method Based on Genetic－BP Neural Networks［J］．Journal of Daqing Petroleum Institute，2001，25（1）：51－54．

［12］ 秦亞玲，計 平，鄭宇霞，等．神經(jīng)網(wǎng)絡自動識別沉積微相在胡狀集油田的應用［J］．斷塊油氣田，2001，8（1）：10－12．QIN Ya－ling，JI Ping，ZHENG Yu－xia，et al．Nerve Network Automatically Identification of Sedimentary Microfacies in Huzhuangji Oilfield［J］．Fault－block Oil and Gas Field，2001，8（1）：10－12．

［13］ 楊莉娜，楊 斌，魯洪江，等．五百梯氣田長興組儲層裂縫發(fā)育程度的常規(guī)測井神經(jīng)網(wǎng)絡預測［J］．中國石油勘探，2011，16（1）：63－69．YANG Li－na，YANG Bin，LU Hong－jiang，et al．Prediction of Fracture Development in Changxing Formation Reservoir of Wubaiti Gas Field from Conventional Logging Data Using Neural Networks［J］．China Petroleum Exploration，2011，16（1）：63－69．

［14］ 龐國印，唐 俊，王 琪，等．利用概率神經(jīng)網(wǎng)絡預測成巖相［J］．特種油氣藏，2013，20（2）：43－47．PANG Guo－yin，TANG Jun，WANG Qi，et al．Prediction of Diagenetic Facies with Probabilistic Neural Network［J］．Special Oil and Gas Reservoirs，2013，20（2）：43－47．

［15］ 黃正吉．中國近海優(yōu)質烴源巖的發(fā)育特征及古生態(tài)標志［J］．中國石油勘探，2012，17（5）：10－16．HUANG Zheng－ji．Growth and Paleoecological Marker of High－grade Source Rocks in China Marginal Seas［J］．China Petroleum Exploration，2012，17（5）：10－16．

［16］ 張勝利，夏 斌．麗水—椒江凹陷構造演化特征與油氣聚集［J］．天然氣地球科學，2005，16（3）：324－328．ZHANG Sheng－li，XIA Bin．Characters of Tectonic Evolution of the Lishui－Jiaojiang Sag and Oil Accumulation［J］．Natural Gas Geoscience，2005，16（3）：324－328．

［17］ 王 毅，姜 亮，楊偉利．麗水—椒江凹陷斷裂構造運動學［J］．地質科學，2000，35（4）：441－448．WANG Yi，JIANG Liang，YANG Wei－li．Kinematical Analysis on Faults in the Lishui－Jiaojiang Sag［J］．Scientia Geologica Sinica，2000，35（4）：441－448．

［18］ 仝志剛，趙志剛，楊樹春，等．低勘探程度盆地烴源巖熱演化及排烴史研究——以東海椒江凹陷為例［J］．石油實驗地質，2012，34（3）：319－324．TONG Zhi－gang，ZHAO Zhi－gang，YANG Shu－chun，et al．Research on Thermal Evolution and Hydrocarbon Expulsion History of Source Rocks in Low－exploration Basins—A Case Study on Jiaojiang Sag，East China Sea Basin［J］．Petroleum Geology and Experiment，2012，34（3）：319－324．

［19］ 紀友亮，李清山，王 勇，等．高郵凹陷古近系戴南組扇三角洲沉積體系及其沉積相模式［J］．地球科學與環(huán)境學報，2012，34（1）：9－19．JI You－liang，LI Qing－shan，WANG Yong，et al．Fan Delta Sedimentary System and Facies Models of Dainan Formation of Paleogene in Gaoyou Sag［J］．Journal of Earth Sciences and Environment，2012，34（1）：9－19．

［20］ 張紹紅．概率神經(jīng)網(wǎng)絡技術在非均質地層巖性反演中的應用［J］．石油學報，2008，29（4）：549－552．ZHANG Shao－h(huán)ong．Application of Probabilistic Neural Network Technique to Lithology Inversion of Hetero－geneous Stratum ［J］．Acta Petrolei Sinica，2008，29（4）：549－552．

［21］ 李曙光，徐天吉，唐建明，等．概率神經(jīng)網(wǎng)絡儲層流體密度反演及應用［J］．地質科技情報，2011，30（1）：76－79．LI Shu－guang，XU Tian－ji，TANG Jian－ming，et al．Reservoir Fluid－density Inversion and Application Based on PNN［J］．Geological Science and Technology，2011，30（1）：76－79．

［22］ 肖 波，韓學輝，周開金，等．測井曲線自動分層方法回顧與展望［J］．地球物理學進展，2010，25（5）：1802－1810．XIAO Bo，HAN Xue－h(huán)ui，ZHOU Kai－jin，et al．A Review and Outlook of Automatic Zonation Methods of Well Log［J］．Progress in Geophysics，2010，25（5）：1802－1810．

［23］ BROWN L F，F(xiàn)ISHER J W L．Seismic Stratigraphic Interpretation and Petroleum Exploration［M］．Boulder：AAPG，1980．

［24］ 黃 鋒，李志榮，廖 玲，等．利用地震資料進行沉積相分析［J］．物探化探計算技術，2003，25（3）：197－200．HUANG Feng，LI Zhi－rong，LIAO Ling，et al．Sedimentary Facies Analysis Using Seismic Data［J］．Computing Techniques for Geophysical and Geochemical Exploration，2003，25（3）：197－200．

［25］ 陳恭洋，陳 玲，朱潔瓊，等．地震屬性分析在河流相儲層預測中的應用［J］．西南石油大學學報：自然科學版，2012，34（3）：1－8．CHEN Gong－yang，CHEN Ling，ZHU Jie－qiong，et al．Application of Seismic Attributes Analysis Fluvial Reservoir to Prediction［J］．Journal of Southwest Petroleum University：Science and Technology Edition，2012，34（3）：1－8．

［26］ 唐為清，郭榮坤，王忠東，等．沉積微相測井資料神經(jīng)網(wǎng)絡判別方法研究［J］．沉積學報，2001，19（4）：581－585．TANG Wei－qing，GUO Rong－kun，WANG Zhongdong，et al．The Study on Method of Depositional Microfacies Discrimination with Well－logging Information［J］．Acta Sedimentologica Sinica，2001，19（4）：581－585．

［27］ 張福明，李洪奇，邵才瑞，等．應用神經(jīng)網(wǎng)絡模式識別技術進行測井沉積學研究［J］．石油勘探與開發(fā)，2003，30（3）：121－123．ZHANG Fu－ming，LI Hong－qi，SHAO Cai－rui，et al．Application of Artificial Neural Network Pattern Recognition Technology to the Study of Well－logging Sedimentology［J］．Petroleum Exploration and Development，2003，30（3）：121－123．