摘要：在钻井过程中，取心及岩屑录井资料都十分有限，以往通过岩心观察或者综合分析岩屑录井资料来进行岩性和沉积环境研究的方法受到很大限制，而利用各种测井资料所提供的丰富信息来进行沉积相研究已成为发展趋势。通过研究曲流河沉积相中各沉积微相的特征及在测井曲线上的响应特征，提取各不同沉积微相的测井相特征参数，建立曲流河沉积环境的各沉积微相的测井相模式及特征参数样本，利用BP神经网络技术反馈学习，获得一套适合研究区曲流河沉积微相的判别系数，并对其他实际测井资料进行沉积微相自动识别，所得结果与地质专家解释结果吻合率在84%以上，效果显著。由此表明在油气勘探进程中采用该方法进行沉积微相自动识别是切实可行的，可大大提高储层解释的速度和精度。
关键词：曲流河；沉积微相；测井相；模糊数学；特征；解释
0 引言
以往的岩性和沉积环境的研究工作[1～2]都是主要通过岩心观察或者综合分析岩屑录井资料，但取心及岩屑录井资料都有限。而事实上，每口井的各种测井资料所提供的丰富的地质信息并未得到充分的利用，高效利用测井资料中丰富地质信息已成为沉积相的研究工作从定性解释向定量解释发展的方向了。近年来，于民凤等[3]通过蜘蛛网图和梯形图的方法，展示了不同沉积相的特征；唐洪等[4]应用直方图或频率交会图等方法，从测井相等展示了不同沉积相的特征；严科等[5]实现了沉积微相的人机交互识别，应用Bayes统计方法，建立测井相-沉积微相线性判别模型，取得了明显的成效。
测井相研究的目的是通过其测井响应，客观地描述探测得到的穿过层系，并识别出现有的不同的基本测井相，用以研究它的垂直序列的排列，由此推断侧向演变，并达到重建沉积环境的目的。该研究需要结合研究区的地质特征和测井曲线响应特征，但实际往往受到研究区地质特征和测井响应特征的约束。因此，建立适应研究区域的分析方法及判别模型，用测井资料信息接合人工智能技术直接转换成地质信息是一项新的探索。
1 曲流河环境沉积微相及测井相特征
该研究区域发育为曲流河沉积[1、6]，主要亚相确河道亚相、堤岸亚相、河漫亚相以及牛轭湖亚相。其中牛轭湖亚相在该区不发育。
1.1 曲流河沉积亚相类型及其沉积特征
1.1.1河道亚相
岩石类型以砂岩为主，次为砾岩，碎屑粒度是河流相中最粗的。层理发育，类型丰富多彩。缺少动植物化石，仅见破的植物枝、干等残体，岩体形态多具有透镜状，底部具有明显的冲刷界面。学者们又把河道亚相分为河床滞留和边滩两个微相。
1.1.2堤岸亚相
堤岸亚相在垂向上发育在河床沉积的上部，属河流相的顶层沉积。与河道沉积相比，其岩石类型简单，粒度较细，浊型交错层理为主。主要由天然堤和决口扇两个微相组成。
1.1.3河漫沉积
河漫沉积类型很简单，主要为粉砂岩和黏土岩。粒度是河流沉积中最细的，层理类型单调，主要为波状层理和水平层理。平面上位于堤岸亚相外侧，分布面积广泛；垂向上位于河床或堤岸亚相之上，以下为河漫沉积的3个沉积微相(河漫滩、河漫湖泊、河漫沼泽)。
1.2 测井相特征
沉积环境和岩石粒度的不同，使得测井曲线的形态特征[4～8]上也不同，主要表现在以下几方面。
河床滞留沉积：自然电位曲线常为光滑的箱形或钟形曲线，曲线顶、底部常为突变，但顶部有时可能为渐变，电阻率曲线的异常则可能很小，泥质含量较低。
边滩沉积：自然电位曲线上常为钟形或齿化钟形，也有时会出现钟形或齿化钟形的叠加；电阻率偏高，泥质含量较低。
天然堤：岩性主要为薄的砂泥岩薄互层，自然电位和自然伽马曲线为中-低幅度的指形或锯齿状。
决口扇：自然电位和自然伽马曲线为中-低幅度扁钟形，顶、底界面通常为突变型，但也存在底部突变型和顶部渐变型。
河漫滩：自然电位和自然伽马常为中-低幅度齿化箱形，电阻率异常较小。
河漫湖泊：主要为黏土岩沉积，夹有粉砂岩，测井曲线一般表现为平直型(夹有小尖峰)。
河漫沼泽：测井曲线形态常为平直型(夹有齿化小尖峰)，当有碳质泥岩沉积时，自然伽马曲线出现低值，形态表现为指状。
2 测井特征参数提取
测井相分析利用自然伽马(GR)、自然电位(SP)等能够表征沉积环境的测井曲线定性特征以及定量计算出的各种测井参数值来描述地层的沉积相。由于测井资料具有间接性导致测井解释不可避免地具有多解性。这种多解性可以由测井系统的完善，测井资料质量的提高以及地质资料的约束来克服。应用高质量的测井资料，可以从中提取出反演地层沉积环境的相关信息。
2.1 岩性自动划分
根据地层岩性[8]粒度大小进行层段划分，主要可分为粗砂层，中砂层，细砂层，粉砂层，泥岩层(含碳质泥岩)5种岩性地层(表1)，不同的岩性对应的各曲线的测井值不同(图1)，结合研究区域录井资料，选取各不同粒度岩性测井响应样本，运用Bayes判别方法[9]，得出概率分布函数。
表1 粒度大小划分岩性对照表 mm
|
岩性
|
粗砂岩
|
中砂岩
|
细砂岩
|
粉砂岩
|
泥岩
|
|
粒度大小
|
1～0.5
|
0.5～0.25
|
0.25～0.1
|
0.1～0.01
|
＜0.01
|
泥岩层：SH＞50%
粗砂岩层：
Y1=3.853GR-0.566ILD+152.26DEN-2.942SH+1.107POR-285.383
中砂岩层：
Y2=2.981GR-0.436ILD+148.482DEN-2.257SH+1.092POR-236.048
细砂岩层：
Y3=4.731GR-0.555ILD+149.567DEN-3.291SH+1.213POR-334.931
粉砂岩层：
Y4=4.829GR-0.368ILD+149.609DEN-3.943SH+0.991POR-360.4
式中：SH为泥质含量值；GR为自然伽马测井值；ILD为深感应测井值；DEN为密度测井值；POR为孔隙度；Y1、Y2、Y3、Y4分别为粗砂岩、中砂岩、细砂岩、粉砂岩的概率值。
运用各岩性的概率分布函数对各原始样本的回判验证中，正确率在95%以上，效果明显。
2.2 测井曲线归一化
为了使各特征参数有利于对比，对测井曲线进行归一化[10～12]处理，即
式中：Y为归一化后的测井数据；X为原始测井数据；Xmin为测井曲线最小值；Xmax为测井曲线最大值。
2.3 特征参数
2.3.1相对重心(RM)
主要反映曲线形态的变化，钟形的重心偏下方，RM＞0.5；漏斗形的重心偏上方，RM＜0.5；箱形的重心居中，RM=0.5。
式中：N为微相段内数据点数；x(i)为测井曲线值。
2.3.2变差方差根(GS)
综合反映微相段内曲线段整体波动性程度和锯齿的多少，波动大锯齿多，则GS值大；反之GS小。即
式中：x(i)为测井曲线值；M(1)、M(2)分别是间隔为1、2的数据对[x(i)，x(i+1)]、[x(i)，x(i+2)]的数目。
2.3.3微相段测井平均值(xa)
主要反映曲线幅度大小。即
2.3.4 微相段中粒度均值(
)
)主要反映沉积环境能量的高低。即
式中：Md(i)为岩石粒度值。
3 BP网络识别沉积微相
BP网络是一种多层前馈神经网络，其神经元的变换函数是S型函数。因此输出量为0～1之间的连续量，可以实现从输入到输出的任意非线形映射，权值调整采用的是反向传播的学习算法。在确定了BP网络结构之后，利用输出、输入样本集对其进行训练，即对网络的权值和阈值进行学习和调整，以使网络实现给定的输入、输出的映射关系。经过训练的BP网络，对于不是样本集中的输入就能给出合适的输出。但是，样本集所包含的信息必须与样本集所包含的信息类似，否则，需重新训练寻找合适的权重，才能做出精确预测(图2)。
通过对几口关键井的详细研究以及地质专家解释资料，选取若干沉积微相层段作为神经网络学习样本，建立曲流河环境7种微相的测井相判别模式。其BP训练误差见图3。
结合曲流河环境的测井曲线特征，测井特征参数主要有自然伽马曲线和自然电位曲线的重心、幅值、波动及锯齿大小、岩性粒度平均值作为BP神经网络的输入层，中间节点数为18，隐含层学习率为0.1，输出层学习率为0.05。训练所得训练误差达到0.0114，原始数据的回判效果达到100%，效果显著。
4 实际井资料处理
根据以上分析原则，编制了相应的软件，用已确定了沉积微相的测井特征参数进行训练，得出相关权值和阈值，并对某区域曲流河相井段资料进行了实际处理。
根据BP进行训练后得到的神经网络进行传递识别所得的解释成果，处理井段为80m，由测井分析得出的19段微相层与地质专家划分结果(共15段)吻合较好，所划分的微相层段顶底界面基本一致，自动识别的沉积微相与地质专家解释的结果吻合率在84%以上(图4)。
结合测井特征参数进行识别的映射效果是明显的，神经网络会对薄地层产生响应。正因如此，在两个地质沉积特征相似的微相层中，会相应地产生误判现象。例如，边滩环境与河床滞留环境在测井曲线值、形状等都是相近的，只有粒度大小上有微小的差别；河漫滩与河漫沼泽中的薄泥质粉砂层的测井特征相似。所以，在测井特征参数没有差别时，通过测井对微相的识别是有局限性的，但对不同特征沉积微相的识别效果明显。
5 结论
1) 可以根据不同训练样本进行训练学习，应用于不同的区域和沉积微相，摆脱了传统应用岩心等录井资料进行微相识别的局限性，提高了测井资料的利用效率。
2) 需注意的是训练样本的选择要准确，因为之后的识别完全是通过之前训练所得的一套映射权值和阈值决定的。
3) 通过实际资料的处理，进一步证实了结合测井相特征参数并应用BP神经网络方法进行沉积微相识别的显著效果。
参考文献
[1] 王良忱.沉积环境和沉积相[M].北京：石油工业出版社，1996.
[2] 王金荣，刘洪涛.测井沉积微相识别方法及应用[J].大庆石油学院学报，2004，29(4)：18-20.
[3] 于民凤，程日辉.陆相盆地主要沉积微相的测井特征[J].世界地质，2005，124(2)：182-187.
[4] 唐洪.综合利用测井资料划分河流沉积微相[J].中国海上油气：地质，1998，12(5)：349-352.
[5] 严科，杨少春，任怀强.吐哈盆地红台气田测井相分析[J].石油天然气学报，2008，30(4)：99-103.
[6] 陈钢花，王中文.河流相沉积微相与测井相研究[J].测井技术，1996，20(5)：335-340.
[7] 马正.应用自然电位测井曲线解释沉积环境[J].石油与天然气地质，1982，3(1)：25-39.
[8] 潘和平，牛一雄.测井资料提取中国大陆科学钻探PPII孔岩石物性[J].工程地球物理学报，2004，1(1)：10-16.
[9] 向东进.实用多元统计[M].武汉：中国地质大学出版社，2005.
[10] 雍世和，洪有密.测井资料综合解释与数字处理[M].北京：石油工业出版社，1982.
[11] 潘和平，马火林，蔡柏林，等.地球物理测井与井中物探[M].北京：科学出版社，2009.
[12] 黄坚，张红杰，赵卫平，等.测井资料质量控制与评价[J].工程地球物理学报，2005，2(2)：134-138.
(本文作者：常文会1，2 赵永刚2 卢松1 1.中国地质大学地球物理与空间信息学院；2.中国石化集团华北石油局测井公司)
您可以选择一种方式赞助本站
支付宝转账赞助
微信转账赞助
- 注解：本资料由会员及群友提供仅供阅读交流学习，不得用于商业用途！
