宋延杰 任一菱 唐曉敏 等

摘 要：首先通過統(tǒng)計方法對D凹陷沙四段致密油儲層中的油頁巖、粉砂巖和泥質(zhì)云巖3類巖性測井曲線敏感性進行分析，優(yōu)選出聲波時差、密度和自然伽馬。其次基于敏感測井響應(yīng)，分別建立了測井響應(yīng)交會圖巖性識別方法以及決策樹和量子神經(jīng)網(wǎng)絡(luò)巖性識別模型。在測井響應(yīng)交會圖法中，首先利用密度-標準化自然伽馬交會圖區(qū)分油頁巖與粉砂巖和泥質(zhì)云巖，然后利用密度-聲波時差交會圖區(qū)分粉砂巖和泥質(zhì)云巖；在決策樹模型中，構(gòu)建了3層巖性判別樹狀圖，直觀映射出4條分類規(guī)則；在量子神經(jīng)網(wǎng)絡(luò)模型中，構(gòu)建了三層前饋量子神經(jīng)網(wǎng)絡(luò)模型，并優(yōu)選出精度最高的樣本構(gòu)造方法。通過與實際取心結(jié)果對比分析發(fā)現(xiàn)，決策樹和量子神經(jīng)網(wǎng)絡(luò)模型均能很好地識別致密油儲層復雜巖性，而測井響應(yīng)交會圖法難以對致密儲層復雜巖性進行有效識別。

關(guān) 鍵 詞：致密油儲層；油頁巖、粉砂巖和泥質(zhì)云巖；巖性識別；量子神經(jīng)網(wǎng)絡(luò)；決策樹；測井響應(yīng)交會圖

中圖分類號：P 631.84 文獻標識碼： A 文章編號： 1671-0460（2015）10-2341-04

Research on the Method of Lithology Identification of

Tight Oil Reservoirs in S4 Formation of D Sag

SONG Yan-jie 1，2，REN Yi-ling 1，3，TANG Xiao-min 1，2，DENG Xin 1，LIU Yue 1

（1. College of Geoscience， Northeast Petroleum University， Heilongjiang Daqing 163318，China；

2. State Key Laboratory Cultivation Base of Accumulation and Development of Unconventional Oil and Gas， Jointly-constructed by Heilongjiang Province and the Ministry of Science and Technology， Heilongjiang Daqing 163318，China；

3. Exploration and Development Research Institute of Liaohe Oilfield Company， PetroChina， Liaoning Panjin 124010，China）

Abstract： The lithologies of tight oil reservoirs in S4 Formation of D Sag can be divided into oil shale， siltstone and shaly dolomite. Based on statistical methods， the sensitivity of logging curves for lithology identification was analyzed， by which interval transit time， density and gamma ray were optimized. Log response cross plot， decision tree model and quantum neural network model were established to determine the lithology with selected sensitive log responses. In the process of lithology identification by the log response cross plot， oil shale was first identified by standardized gamma ray vs. interval transit time， after that， siltstone and shaly dolomite were distinguished with density vs. interval transit time. In the process of lithology identification by decision tree model， a dendrogram with three levels was built. The model mapped four rules intuitively. In the process of lithology identification by quantum neural network model， a three-layer feedforward quantum neural network was built， and the sample construction method with the highest accuracy was screened out. By comparing with the practical coring results， both the decision tree model and the quantum neural network model can determine the lithologies in tight oil reservoirs much better than the conventional log response cross plot， and they can be applied in lithology identification of tight oil reservoirs perfectly.

Key words： Tight oil reservoirs； Oil shale， siltstone and argillaceous dolomite； Lithology identification； Quantum neural network model； Decision tree model； Log response cross plot

D凹陷沙四段致密油儲層巖性復雜，測井響應(yīng)變化無規(guī)律，不同巖性測井響應(yīng)存在重疊。目前的巖性識別技術(shù)中，常規(guī)的取心分析識別巖性直觀準確，但成本高、資料有限；巖屑錄井識別巖性存在滯后性，且依賴巖屑錄井資料質(zhì)量。1982年wollf[1]等人提出利用測井資料自動識別巖性，自此利用計算機自動識別巖性成為了常用的巖性識別技術(shù)。

常用的測井資料巖性識別方法是應(yīng)用敏感測井響應(yīng)來構(gòu)建交會圖版[2-6]。該方法簡單直觀，實用性強。但是由于其只能同時利用兩種測井響應(yīng)，因此更適用于巖性單一且不同巖性測井響應(yīng)區(qū)分明顯的儲層。相比之下，決策樹[7-9]模型信息量大，算法穩(wěn)定，能直觀體現(xiàn)數(shù)據(jù)特點，并能自動分析各參數(shù)的權(quán)重，據(jù)此建立的非線性模型準確率高。神經(jīng)網(wǎng)絡(luò)[10-13]因其在模式識別方面有較強非線性映射能力和容錯及抗干擾性能，故而在巖性識別領(lǐng)域應(yīng)用廣泛。但傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度慢，容易陷入局部極小點，且容易對訓練樣本過度擬合。1995年Kak[14]提出量子神經(jīng)計算的概念，將神經(jīng)計算與量子計算相結(jié)合。量子神經(jīng)網(wǎng)絡(luò)[15-21]有效克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的缺陷，提高了神經(jīng)網(wǎng)絡(luò)模型的收斂性和準確率。

本文基于取心數(shù)據(jù)和測井數(shù)據(jù)，將該區(qū)塊的巖性劃分為油頁巖、粉砂巖和泥質(zhì)云巖三類。通過優(yōu)選識別三類巖性的敏感測井曲線，分別采用測井響應(yīng)交會圖法、決策樹模型和量子神經(jīng)網(wǎng)絡(luò)模型對該區(qū)塊巖性進行識別，并且將識別結(jié)果和實際取心結(jié)果對比，給出識別該區(qū)塊巖性的最佳方法。

1 致密油儲層巖性識別的敏感測井響應(yīng)優(yōu)選

D凹陷沙四段致密油儲層巖性復雜，有油頁巖、含粉砂油頁巖、粉砂質(zhì)油頁巖、粉砂巖（云質(zhì)、灰質(zhì)）、含灰油頁巖、云質(zhì)油頁巖、碳酸鹽質(zhì)油巖、泥質(zhì)云巖、含灰泥晶云巖9種主要巖性。基于各巖性地質(zhì)特征及測井響應(yīng)特征，將該區(qū)塊的巖性統(tǒng)一劃分為油頁巖、粉砂巖和泥質(zhì)云巖3類。

基于8口取心井的取心數(shù)據(jù)，分小層讀取深側(cè)向電阻率、聲波時差、密度、補償中子、自然伽馬的測井響應(yīng)數(shù)據(jù)，并對自然伽馬曲線標準化，在此基礎(chǔ)上進行統(tǒng)計分析（見表1），發(fā)現(xiàn)區(qū)分油頁巖、粉砂巖和泥質(zhì)云巖最明顯的測井響應(yīng)為聲波時差、密度和自然伽馬。除此之外，這3類巖性在補償中子和電阻率測井響應(yīng)上也有一定程度的區(qū)分。

表1 三類巖性測井響應(yīng)數(shù)據(jù)統(tǒng)計表

Table 1 Log responses of three categories of lithology

測井響應(yīng) 名稱 油頁巖 粉砂巖 泥質(zhì)云巖

補償中子（CNL）

，% 主要范圍 40～50 20～35 30～40

平均值 44.9 29.7 31.7

聲波時差（AC）

/（μs·m-1） 主要范圍 350～400 250～300 280～330

平均值 380.8 267.0 295.4

密度（DEN）

/（g·cm-3） 主要范圍 2.0～2.4 2.4～2.6 2.3～2.6

平均值 2.26 2.53 2.45

電阻率測井（RLLD）

/（Ω·m-1） 主要范圍 5～15 3～10 5～10

平均值 11.1 10.9 9.5

標準化自然

伽馬（ΔGR）

（無量綱） 主要范圍 0.6～1.0 0.3～0.5 0.4～0.6

平均值 0.70 0.42 0.46

（1）深側(cè)向電阻率測井

油頁巖深側(cè)向電阻率測井響應(yīng)值較高，粉砂巖深側(cè)向電阻率測井響應(yīng)值較低，泥質(zhì)云巖深側(cè)向電阻率測井響應(yīng)值中等， 介于油頁巖和粉砂巖之間；

（2）孔隙度測井

油頁巖具有低密度、高中子、高聲波時差的測井響應(yīng)特點，粉砂巖具有高密度、低中子、低聲波時差的測井響應(yīng)特點，泥質(zhì)云巖的密度、中子、聲波時差測井響應(yīng)值均介于油頁巖和粉砂巖之間；

（3）自然伽馬測井

油頁巖自然伽馬測井響應(yīng)值為高值，粉砂巖自然伽馬測井響應(yīng)值為低值，泥質(zhì)云巖自然伽馬測井響應(yīng)值中等，介于油頁巖和粉砂巖之間。

2 致密油儲層巖性識別方法

2.1 測井響應(yīng)交會圖法識別巖性

基于敏感測井響應(yīng)優(yōu)選，將自然伽馬、密度和聲波時差作為識別巖性的主要測井響應(yīng)，制作交會圖版（圖1、圖2）。

圖1 密度-標準化自然伽馬交會圖

Fig.1 DEN vs. ΔGR

圖2 密度-聲波時差交會圖

Fig.2 DEN vs. AC

首先利用圖1從油頁巖、粉砂巖和泥質(zhì)云巖中區(qū)分出油頁巖。當測井響應(yīng)值滿足 且 時，判斷巖性為油頁巖，否則為粉砂巖或泥質(zhì)云巖。其次利用圖2區(qū)分粉砂巖和泥質(zhì)云巖，當測井響應(yīng)值滿足 時，判斷巖性為粉砂巖，否則為泥質(zhì)云巖。用測井響應(yīng)交會圖法識別巖性的準確率為82.5%。

2.2 決策樹模型識別巖性

2.2.1 決策樹理論

決策樹算法是常用的以實例為基礎(chǔ)的歸納學習算法。在進行分類時，模型從根節(jié)點開始逐步對樣本屬性進行測試，進而判斷從該節(jié)點向下的分支，每個節(jié)點代表一個屬性，每個分支代表一個規(guī)則。

2.2.2 決策樹巖性識別模型建立