姜龍燕 楊 斌 王 巍 劉 璐

（1.中國(guó)石化華北油氣分公司，河南 鄭州 450000；2.成都理工大學(xué)能源學(xué)院，四川 成都 610059）

0 引言

奧陶系馬家溝組是鄂爾多斯盆地重要的油氣勘探層位。富縣地區(qū)馬家溝組的主要巖性為石灰?guī)r、白云巖以及二者的混合，另外在部分層位含有硬石膏與泥巖、坍塌角礫巖。勘探實(shí)踐證明，白云巖儲(chǔ)層往往對(duì)應(yīng)于更為優(yōu)質(zhì)的儲(chǔ)層品質(zhì)，儲(chǔ)層巖性識(shí)別準(zhǔn)確與否直接關(guān)乎后續(xù)儲(chǔ)層評(píng)價(jià)的精度與可信度以及壓裂施工的設(shè)計(jì)。目前測(cè)井解釋多使用交會(huì)圖法，并借助專業(yè)的測(cè)井解釋軟件如Forward 進(jìn)行剖面處理［1］，此外還有神經(jīng)網(wǎng)絡(luò)等數(shù)據(jù)分析方法［2-3］、成像測(cè)井與地層元素測(cè)井等特殊測(cè)井方法，但是多數(shù)地質(zhì)研究人員并不擅長(zhǎng)操作專業(yè)測(cè)井軟件，特殊測(cè)井成本高昂，數(shù)據(jù)分析方法對(duì)樣本依賴性高。鑒于此，以期提供給地質(zhì)研究人員更加簡(jiǎn)便易行的巖性識(shí)別方法，使其能夠在只有測(cè)井曲線沒有測(cè)井解釋的巖性剖面情況下，依然能夠快速判斷碳酸鹽巖的大概成分，在沒有測(cè)井解釋軟件的情況下依然能精確識(shí)別巖性。

1 包絡(luò)法定性識(shí)別巖性

筆者針對(duì)富縣地區(qū)下古生界馬家溝組地層開展巖性識(shí)別，為了方便地質(zhì)人員快速識(shí)別巖性，本次研究利用各種礦物骨架值的不同創(chuàng)建包絡(luò)法（表1）。在巖性識(shí)別方面，所有的研究基本上都是基于不同的測(cè)井系列對(duì)不同的礦物敏感性不同［4-8］而開展，包絡(luò)法亦如此。研究中選取對(duì)巖性敏感的光電吸收截面指數(shù)（PE）曲線、補(bǔ)償密度（DEN）曲線與補(bǔ)償中子（CNL）曲線進(jìn)行兩兩交會(huì)，結(jié)合自然伽馬（GR）曲線，即可快速判斷出基本巖性。

表1 碳酸鹽巖中主要礦物的測(cè)井響應(yīng)數(shù)值表

1.1 PE-DEN包絡(luò)

PE-DEN包絡(luò)法是將PE曲線與DEN曲線置于同一曲線道中，調(diào)整二者的左右刻度值，使二者在石灰?guī)r段重合（圖1）。彼時(shí)，在白云巖段，此二曲線亦會(huì)重合，但其與石灰?guī)r段重合的位置并不相同：石灰?guī)r段曲線重合在密度值為2.7 g／cm3處，當(dāng)巖石方解石與白云石成分同時(shí)存在混雜時(shí)，曲線的重合位置會(huì)有所變化，白云石含量越高，重合的位置越偏向曲線道的右側(cè)，即密度值更高一側(cè)，當(dāng)巖性為白云巖時(shí)，重合在密度值為2.8 g／cm3處。當(dāng)含有硬石膏時(shí)，巖石密度值與PE值都會(huì)增大，進(jìn)而形成一個(gè)包絡(luò)面積，面積越大，代表硬石膏含量越高。需要注意的是，由于巖石中含有不同程度的泥巖，所以曲線的重合刻度在不同地區(qū)會(huì)稍有差別。

圖1 包絡(luò)法識(shí)別富縣地區(qū)碳酸鹽巖巖性示意圖

1.2 DEN-CNL包絡(luò)

DEN-CNL包絡(luò)法源于補(bǔ)償密度、補(bǔ)償中子交會(huì)圖版，操作方法同PE-DEN包絡(luò)法，即將二者置于同一數(shù)據(jù)道內(nèi)，調(diào)整DEN刻度左右值分別為2 g／cm3與3 g／cm3，CNL曲線左右刻度值分別為45%與-15%，此時(shí)，二者在石灰?guī)r段基本重合，在其他巖性段與擴(kuò)徑段，二者處于分開狀態(tài)形成包絡(luò)面積。包絡(luò)法粗略便捷，但是對(duì)經(jīng)驗(yàn)要求較高，更適合于研究人員在現(xiàn)場(chǎng)快速判別巖性種類。

2 基于MRGC的巖性聚類

為了更精確地對(duì)巖性進(jìn)行劃分，筆者利用MRGC［9-10］-KNN 巖性識(shí)別模型進(jìn)行巖性識(shí)別的研究。研究中以取心段詳細(xì)描述為基準(zhǔn)，參考巖屑錄井巖性，在前述包絡(luò)法巖性識(shí)別研究的基礎(chǔ)上對(duì)研究區(qū)巖性進(jìn)行細(xì)化歸類，具體研究思路如圖2所示。

圖2 巖性識(shí)別技術(shù)流程圖

2.1 訓(xùn)練數(shù)據(jù)準(zhǔn)備

根據(jù)前述研究，選擇出能較好地反映研究區(qū)馬家溝組巖性變化的GR、補(bǔ)償聲波（AC）、CNL、DEN、深側(cè)向電阻率（LLD）和PE六條測(cè)井曲線進(jìn)行聚類分析，并采用歐式距離［11］進(jìn)行歸一化處理，將輸入數(shù)據(jù)均壓縮至0～1。

2.2 聚類分析與結(jié)果

在調(diào)節(jié)MRGC 聚類范圍在200～300 類后，開始建立聚類模型，最終通過模型聚類出286類具有一定相關(guān)性的巖性。之后將無監(jiān)督學(xué)習(xí)的結(jié)果導(dǎo)入到單井圖中，使其為錄井剖面、巖心、工區(qū)典型測(cè)井響應(yīng)特征等提供參考，并加以人工干預(yù)，為小類定名，之后再將相同巖性的小類合并。期間會(huì)有一些因?yàn)閿?shù)據(jù)繁雜而導(dǎo)致的誤差，此時(shí)可采用三維交會(huì)圖進(jìn)行修正，最終將富縣地區(qū)馬家溝組馬五段286個(gè)聚類合并為8類巖性（圖3）。

圖3 馬五段聚類結(jié)果定名合并矩陣圖

3 建立最小臨近算法測(cè)井巖性識(shí)別統(tǒng)計(jì)模型

最小臨近算法（KNN）是通過測(cè)量不同特征值之間的距離進(jìn)行分類。其思路是如果一個(gè)樣本在特征空間中的K個(gè)最相似，即特征空間中最鄰近樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別［12-18］。在KNN 中，通過計(jì)算對(duì)象間距離來作為各個(gè)對(duì)象之間的距離、相識(shí)度或非相似性指標(biāo)，避免了對(duì)象之間的匹配問題。

3.1 KNN分類建模流程

以Python3.6 為開發(fā)環(huán)境，將經(jīng)過處理之后、各巖性占比較為均勻的馬五段超過2 000個(gè)樣本點(diǎn)按照9∶1 的比例劃分為訓(xùn)練樣本子集、檢驗(yàn)樣本子集兩部分。在確立了輸入曲線的歸一化參數(shù)和歸一化處理后，在訓(xùn)練樣本子集中首先通過交叉驗(yàn)證優(yōu)化Kneighbors 數(shù)和距離準(zhǔn)則這兩項(xiàng)重要的參數(shù)，然后開始建立模型。

3.2 KNN建模輸入曲線數(shù)據(jù)的預(yù)處理

為了排除數(shù)據(jù)量級(jí)對(duì)建模產(chǎn)生的影響，需要對(duì)建模數(shù)據(jù)進(jìn)行歸一化操作，并且今后參與預(yù)測(cè)的數(shù)據(jù)都需要按照相同的歸一化參數(shù)進(jìn)行歸一化。對(duì)于具有近似線性特征的測(cè)井曲線，如GR等測(cè)井曲線采用線性歸一。對(duì)于具有非線性對(duì)數(shù)特征的測(cè)井曲線，如LLD則采用對(duì)數(shù)歸一化公式［19］。通過對(duì)數(shù)據(jù)樣本的分析，排除異常點(diǎn)，得到研究區(qū)馬五段測(cè)井曲線極值Xmin、Xmax（表2）。值得一提的是，在此提出歸一化參數(shù)是因?yàn)橹挥袩o論是模型建模過程還是模型的使用過程，在數(shù)據(jù)歸一化過程中必須采用此參數(shù)。

表2 馬五段巖性識(shí)別模型的輸入測(cè)井曲線歸一化數(shù)據(jù)表

3.3 KNN建模參數(shù)的選擇

KNN 建模中有K-neighbors 數(shù)和距離準(zhǔn)則兩個(gè)參數(shù)需要確定，通過對(duì)訓(xùn)練數(shù)據(jù)的交叉驗(yàn)證調(diào)試獲得。將訓(xùn)練樣本隨機(jī)劃分為10 份，選取其中一份作為檢驗(yàn)樣本，其余作為訓(xùn)練樣本，計(jì)算出預(yù)測(cè)符合率（score），并重復(fù)10 次，直到每一份都可以作為檢驗(yàn)樣本，求得所有10 次預(yù)測(cè)符合率的平均值，最終確定使用曼哈頓距離，K值取7（圖4）。

圖4 馬五段KNN交叉驗(yàn)證符合率隨K取值變化曲線圖

3.4 KNN模型精度檢驗(yàn)與應(yīng)用

模型建立完成后，將預(yù)留的未參與KNN 建模過程的1／10 檢驗(yàn)樣本集輸入KNN 模型中，得到預(yù)測(cè)類輸出，將預(yù)測(cè)類輸出與檢驗(yàn)樣本的期望巖性類標(biāo)簽進(jìn)行符合與否的對(duì)比，在2 224個(gè)檢驗(yàn)樣本中，預(yù)測(cè)錯(cuò)誤171個(gè)，預(yù)測(cè)符合率高達(dá)92.31%。利用上述建立好的KNN 模型對(duì)富縣地區(qū)多口井進(jìn)行巖性識(shí)別，富X 井巖性識(shí)別結(jié)果如圖5 所示，從圖5 中可見，KNN 巖性識(shí)別結(jié)果比錄井巖性、SOM 巖性等識(shí)別結(jié)果要更加精細(xì)、合理，更加符合地質(zhì)特征。

圖5 運(yùn)用KNN模型對(duì)富X井巖性識(shí)別結(jié)果圖

4 結(jié)論

1）包絡(luò)法簡(jiǎn)單直觀、可操作性強(qiáng)，能夠快速進(jìn)行巖性類別的判斷。其關(guān)鍵在于兩相包絡(luò)曲線左右刻度值的調(diào)整，對(duì)于操作者的經(jīng)驗(yàn)要求較高。

2）MRGC-KNN法結(jié)果更精確，但是由于取心數(shù)量所限，在實(shí)際操作過程中難免有誤判的情況發(fā)生，此時(shí)可以參考包絡(luò)結(jié)果、錄井結(jié)論進(jìn)行調(diào)整。

3）因坍塌角礫巖的測(cè)井響應(yīng)基本與云質(zhì)泥巖、泥質(zhì)云巖無異，所以目前無論是包絡(luò)法還是MRGC-KNN 法都還無法有效地識(shí)別坍塌角礫巖。對(duì)于此種巖性的確定主要是運(yùn)用電成像資料，同時(shí)參考大的地質(zhì)背景，即先確定大范圍的巖溶坍塌主要發(fā)生在哪一個(gè)小層，進(jìn)而確定大致的角礫巖發(fā)育段。