劉躍杰，劉書(shū)強(qiáng)，馬 強(qiáng)，姚宗森，佘家朝

（中國(guó)石油吐哈油田分公司勘探開(kāi)發(fā)研究院，新疆哈密839009）

0 引言

富含有機(jī)質(zhì)頁(yè)巖是重要的非常規(guī)油氣資源，巖相表征是頁(yè)巖油藏評(píng)價(jià)前的一項(xiàng)重要的基礎(chǔ)性研究，其研究的方式與精細(xì)程度直接影響著頁(yè)巖油儲(chǔ)層質(zhì)量評(píng)價(jià)及開(kāi)發(fā)方案的制定［1-2］。富含有機(jī)質(zhì)頁(yè)巖具有巖相類(lèi)型多、變化快的特點(diǎn)。依靠傳統(tǒng)常規(guī)測(cè)井曲線建立巖性圖版的方法由于未充分考慮到測(cè)井?dāng)?shù)據(jù)間的相似性造成的干擾以及與巖心實(shí)驗(yàn)數(shù)據(jù)尺度上的差異性，導(dǎo)致所建立的圖版中不同類(lèi)別的樣本點(diǎn)相互重疊、界限模糊，辨識(shí)準(zhǔn)確率受限，巖相預(yù)測(cè)偏差較大。BP神經(jīng)網(wǎng)絡(luò)法依據(jù)其輸入、監(jiān)督數(shù)據(jù)的靈活、多樣性及其內(nèi)部強(qiáng)大的樣本學(xué)習(xí)算法獲取的映射網(wǎng)絡(luò)模型，很好地彌補(bǔ)了以往諸如圖版法、模糊聚類(lèi)法和統(tǒng)計(jì)法的不足［3］，將該方法應(yīng)用于巖性、巖相的識(shí)別，許多學(xué)者做過(guò)有意義的嘗試，并且取得了較好的效果。周成當(dāng)?shù)龋?］嘗試將模糊神經(jīng)網(wǎng)絡(luò)結(jié)合貝葉斯分析的方法用于構(gòu)建巖性分類(lèi)與識(shí)別系統(tǒng)，并經(jīng)適當(dāng)修改，進(jìn)行巖相識(shí)別；張洪等［5］在BP神經(jīng)網(wǎng)絡(luò)的收斂性方面做了一些改進(jìn)性的研究，并用此方法對(duì)金衝盆地金66井的巖性進(jìn)行了判別，獲得了較好的效果；羅偉平等［6］嘗試在人工神經(jīng)網(wǎng)絡(luò)巖性識(shí)別中引入監(jiān)督模式，對(duì)大慶外圍油田某一地區(qū)的火山碎屑巖層段的巖性進(jìn)行了判別，取得了容錯(cuò)性較好的聚類(lèi)效果；張平等［7］針對(duì)層段可用數(shù)據(jù)較少的情況，用神經(jīng)網(wǎng)絡(luò)法對(duì)松遼盆地南部某地區(qū)火成巖儲(chǔ)層進(jìn)行巖性判別，獲得了較好的效果；朱怡翔等［8］用多元回歸分析、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)3種算法對(duì)三塘湖盆地馬朗凹陷牛東油田火山巖儲(chǔ)層的巖性進(jìn)行了預(yù)測(cè)，尤其對(duì)各參數(shù)間復(fù)雜的非線性關(guān)系具有很好的適應(yīng)性；趙忠軍等［9］用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)蘇里格氣田致密砂巖氣儲(chǔ)層的巖性進(jìn)行了識(shí)別，識(shí)別結(jié)果與錄井巖性吻合度較高；胡嘉良等［10］以Matlab為平臺(tái)運(yùn)用基于主成分的PCA-BP神經(jīng)網(wǎng)絡(luò)方法，對(duì)濟(jì)陽(yáng)凹陷非常規(guī)儲(chǔ)層的巖性進(jìn)行了識(shí)別，使常規(guī)測(cè)井巖性識(shí)別的準(zhǔn)確率得到大幅度提高；馬崢等［11］以蘇里格氣田東41-33區(qū)塊馬家溝組五段碳酸鹽巖測(cè)井?dāng)?shù)據(jù)為例，采用一種基于主成分分析與模糊識(shí)別相結(jié)合的方法解決了巖性識(shí)別過(guò)程中特征曲線間的模糊性和相關(guān)性問(wèn)題。

基于對(duì)三塘湖盆地馬朗凹陷蘆草溝組二段復(fù)雜巖性的認(rèn)識(shí)，對(duì)該段巖相進(jìn)行合理分類(lèi)，采用基于主成分分析的神經(jīng)網(wǎng)絡(luò)方法，以期準(zhǔn)確而高效地實(shí)現(xiàn)批量識(shí)別復(fù)雜巖性頁(yè)巖巖相的目的。

1 理論與方法原理

1.1 主成分分析

主成分分析的基本思想是構(gòu)建原始變量相關(guān)矩陣，分析內(nèi)部結(jié)構(gòu)，擬合得出幾個(gè)能夠最大程度保留原始變量信息且相互之間不相關(guān)的主成分［12-13］。具體實(shí)現(xiàn)步驟為：

（1）對(duì)原始數(shù)據(jù)作標(biāo)準(zhǔn)化處理，剔除量綱干擾。在 l維隨機(jī)向量 m=（m1，m2，…，ml）T中選出 k 個(gè)樣本 mi=（mi1，mi2，…，mil）T，i=1，…，k，k ＜ l，構(gòu)筑矩陣。本文采取最常用的極值歸一化方法，歸一化后數(shù)據(jù)Yij為

式中：mijmax和mijmin分別為某曲線最大值、最小值。

主成分中的各主分量均嚴(yán)重依賴于原始數(shù)據(jù)的測(cè)量尺度，測(cè)量尺度變化則特征值λ也隨之變化，克服此問(wèn)題的主要方法是對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使其方差均為1［10］。因測(cè)井曲線自然伽馬（GR）、聲波時(shí)差（AC）、補(bǔ)償密度（DEN）、補(bǔ)償中子（CNL）均為線性特征，故宜采取線性歸一化方法；電阻率（Rt）為非線性特征，故宜采取對(duì)數(shù)歸一化方法。

（2）對(duì)矩陣Y作以下變換以求取相關(guān)系數(shù)矩陣S：

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)的全稱為誤差信號(hào)反饋網(wǎng)絡(luò)［10，14］，是一種基于誤差反向傳播算法的并行結(jié)構(gòu)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層3層。該算法以梯度下降法實(shí)現(xiàn)快速收斂，從而得到N維到M維的非線性映射。其一般過(guò)程為：首先對(duì)原始變量參數(shù)進(jìn)行初始化，設(shè)置初始權(quán)重、閾值和學(xué)習(xí)速率等，其次利用給定樣本通過(guò)sigmoid作用函數(shù)計(jì)算各層的輸入值和輸出值，最終采用誤差梯度下降法對(duì)權(quán)值和閾值不斷進(jìn)行修正，直至輸出結(jié)果接近期望目標(biāo)［14-16］［圖1（a）］。BP神經(jīng)網(wǎng)絡(luò)用于測(cè)井識(shí)別巖相的原理是，以樣本井的測(cè)井信息作為輸入變量，以對(duì)應(yīng)的巖相類(lèi)型作為輸出變量，通過(guò)特定的算法得出各測(cè)井曲線與對(duì)應(yīng)巖相之間的映射關(guān)系，再通過(guò)此映射關(guān)系對(duì)未知井目的層段進(jìn)行批量巖相識(shí)別。

為了提高訓(xùn)練網(wǎng)絡(luò)模型的性能，構(gòu)建由3層神經(jīng)元組成的BP神經(jīng)網(wǎng)絡(luò)模型，輸入層為訓(xùn)練樣本的第 2（PC2）、第 3（PC3）和第 4（PC4）個(gè)主成分，共計(jì)3個(gè)輸入節(jié)點(diǎn)，輸出層為3種巖相類(lèi)型（富凝灰質(zhì)紋層相、富碳酸鹽紋層相和富有機(jī)質(zhì)紋層相），共計(jì)3個(gè)輸出節(jié)點(diǎn)［圖1（b）］。依據(jù)Kolmogorov定理，輸入節(jié)點(diǎn)數(shù)為n時(shí)，隱含層節(jié)點(diǎn)數(shù)一般為2 n+1［10］，故隱含層節(jié)點(diǎn)數(shù)為 7。選取 f(x)=(1 +e-x)-1為激活函數(shù)，最大迭代次數(shù)為500次，目標(biāo)誤差為0.01，學(xué)習(xí)速率為0.01。

圖1 BP網(wǎng)絡(luò)算法流程（a）與結(jié)構(gòu)（b）Fig.1 Flowchart（a）and structure（b）of BPneural network

2 巖相及測(cè)井參數(shù)特征

2.1 研究區(qū)概況及巖相特征

研究區(qū)位于三塘湖盆地馬朗凹陷，目的層段為二疊系蘆草溝組二段。三塘湖盆地位于新疆維吾爾自治區(qū)東北部，呈長(zhǎng)條狀、北西向展布。馬朗凹陷位于三塘湖盆地中東部［17-20］的中央坳陷帶，為目前主要的勘探區(qū)。馬朗凹陷蘆草溝組地層發(fā)育廣泛，沉積厚度較大，最厚處超過(guò)600 m（圖2），是主力的烴源巖及儲(chǔ)油層。二疊系沉積時(shí)期，三塘湖盆地處于斷陷期，主要發(fā)育陸相咸化湖盆沉積，同時(shí)伴有火山噴發(fā)［19-20］。目前的勘探實(shí)踐證明，蘆草溝組頁(yè)巖油已鉆探井油氣顯示豐富，但獲得工業(yè)產(chǎn)能的井較少，儲(chǔ)層巖相分布預(yù)測(cè)是制約該區(qū)勘探取得突破的關(guān)鍵因素之一。

蘆草溝組為一套火山活動(dòng)構(gòu)造背景下形成于水動(dòng)力較弱的半深湖—深湖亞相的細(xì)粒巖沉積［19-20］，沉積時(shí)期水體受季節(jié)性變化影響較大，加之受到火山活動(dòng)的影響，沉積物來(lái)源多樣，導(dǎo)致礦物成分種類(lèi)繁雜、巖相變化較快、縱橫向非均質(zhì)性均較強(qiáng)。通過(guò)對(duì)13口井340余個(gè)樣品進(jìn)行X射線衍射分析表明，蘆草溝組沉積物多為粒度較細(xì)的泥級(jí)顆粒，主要含有凝灰質(zhì)（石英、鉀長(zhǎng)石、斜長(zhǎng)石）、碳酸鹽礦物（方解石、白云石）、黏土礦物、黃鐵礦和有機(jī)質(zhì)等［圖3（a）］；巖性主要有凝灰?guī)r、沉凝灰?guī)r、白云質(zhì)凝灰?guī)r、灰質(zhì)云巖、凝灰質(zhì)云巖、泥質(zhì)云巖、灰質(zhì)泥巖、凝灰質(zhì)泥巖、云質(zhì)泥巖及泥巖等。宏觀上，巖心主要表現(xiàn)為富凝灰質(zhì)、富碳酸鹽、富有機(jī)質(zhì)3種紋層類(lèi)型互層［圖3（b）］，三者相互組合、交替旋回變換［19］。

圖2 三塘湖盆地馬朗凹陷區(qū)域構(gòu)造位置（a）及巖性、測(cè)井綜合柱狀圖（b）（據(jù)文獻(xiàn)［18］修改）Fig.2 Structural location（a）and stratigraphic column（b）of Malang Sag in Santanghu Basin

圖3 三塘湖盆地馬朗凹陷蘆草溝組二段礦物組成Fig.3 Mineral content of the second member of Lucaogou Formation in Malang Sag，Santanghu Basin

巖相劃分上遵循便于油氣儲(chǔ)層評(píng)價(jià)與開(kāi)發(fā)實(shí)用性的原則，同時(shí)為了盡量減小測(cè)井曲線取值與巖心薄片取樣尺度不同造成的誤差，將蘆草溝組二段巖相劃分為富凝灰質(zhì)紋層相、富碳酸鹽紋層相和富有機(jī)質(zhì)紋層相3類(lèi)。

（1）富凝灰質(zhì)紋層相。該巖相主要分布在蘆草溝組二段下部，其中凝灰質(zhì)、碳酸鹽礦物、黏土礦物和黃鐵礦的平均質(zhì)量分?jǐn)?shù)分別為67.0%，29.5%，4.8%和3.8%（圖3），巖性以凝灰?guī)r、沉凝灰?guī)r、碳酸鹽質(zhì)凝灰?guī)r和泥質(zhì)凝灰?guī)r為主（圖4）。巖石薄片可見(jiàn)紋層厚度為10～40 μm，由粉砂級(jí)的長(zhǎng)石晶屑和玻屑組成，見(jiàn)少量有機(jī)質(zhì)，斜長(zhǎng)石主要來(lái)源于火山噴發(fā)形成的中基性凝灰質(zhì)物質(zhì)［圖5（a）］。晶屑磨圓度較差，且紋層表現(xiàn)出間隔出現(xiàn)特征，說(shuō)明為不同方向季風(fēng)攜帶物質(zhì)，紋層間碳酸鹽沉淀表明原始沉積環(huán)境為季風(fēng)停歇期靜水低能環(huán)境［19］。

圖4 三塘湖盆地馬朗凹陷蘆草溝組二段巖相特征Fig.4 Lithofacies characteristics of the second member of Lucaogou Formation in Malang Sag，Santanghu Basin

圖5 三塘湖盆地馬朗凹陷蘆草溝組二段紋層特征Fig.5 Laminar characteristics of the second member of Lucaogou Formation in Malang Sag，Santanghu Basin

（2）富碳酸鹽紋層相。該巖相主要分布在蘆草溝組二段上部，其中凝灰質(zhì)、碳酸鹽礦物、黏土礦物和黃鐵礦的平均質(zhì)量分?jǐn)?shù)分別為21.5%，65.2%，4.6%和3.2%（圖3），巖性以碳酸鹽巖、凝灰質(zhì)碳酸鹽巖、泥質(zhì)碳酸鹽巖和泥質(zhì)凝灰質(zhì)碳酸鹽巖為主（圖4）。巖石薄片可見(jiàn)紋層厚度為80～300 μm，由細(xì)粒的微晶方解石、白云石及少量鐵白云石組成，晶間有少量有機(jī)質(zhì)［圖5（b）］。碳酸鹽晶形多為半自形，部分因重結(jié)晶而呈粗粒狀，晶形較差，表明白云石形成于安靜、溫暖、低能量的環(huán)境［19］。

圖6 巖相測(cè)井響應(yīng)特征Fig.6 Logging response characteristics of shale lithofacies

（3）富有機(jī)質(zhì)紋層相。該巖相主要分布在蘆草溝組二段中部，其中凝灰質(zhì)、碳酸鹽礦物、黏土礦物和黃鐵礦的平均質(zhì)量分?jǐn)?shù)分別為48.9%，31.6%，6.5%和3.5%（圖3）。巖性以泥巖、碳酸鹽質(zhì)泥巖、凝灰質(zhì)泥巖和碳酸鹽質(zhì)凝灰質(zhì)泥巖為主（圖4）。巖石薄片可見(jiàn)紋層厚度為6～35 μm，紋理構(gòu)造清晰可見(jiàn)，有機(jī)質(zhì)以無(wú)定形腐泥組為主，部分可見(jiàn)藻類(lèi)絲狀體，淺綠色—黃色熒光較強(qiáng)，為極好的生油母質(zhì)［19］［圖 5（c）］，表明原始沉積環(huán)境是一種靜水缺氧的環(huán)境，具有較強(qiáng)的生物生產(chǎn)能力。

通過(guò)研究認(rèn)為蘆草溝組為典型源儲(chǔ)一體頁(yè)巖油藏，自生自儲(chǔ)，含油不分構(gòu)造高低，成藏受控于優(yōu)質(zhì)源巖和有利相帶；凝灰質(zhì)含量與儲(chǔ)層物性正相關(guān)，且長(zhǎng)英質(zhì)含量高的凝灰?guī)r發(fā)育層段為頁(yè)巖油發(fā)育的最有利層段。因此，有效識(shí)別出凝灰質(zhì)富集層對(duì)蘆草溝組頁(yè)巖油“甜點(diǎn)”預(yù)測(cè)具有重要的指示意義。

2.2 巖相測(cè)井響應(yīng)特征

有機(jī)質(zhì)含量和礦物成分的不同造成了不同頁(yè)巖巖相之間的差異，而常規(guī)測(cè)井資料反映的就是巖石構(gòu)造、礦物成分和流體信息，因此，不同頁(yè)巖巖相的測(cè)井響應(yīng)特征也存在一定的差異［21-22］。結(jié)合研究區(qū)的勘探實(shí)踐，認(rèn)為蘆草溝組頁(yè)巖巖相在自然伽馬（GR）、聲波時(shí)差（AC）、補(bǔ)償中子（CNL）、補(bǔ)償密度（DEN）和電阻率（Rt）等測(cè)井曲線上均具有較為明顯的對(duì)比特征，為此對(duì)研究區(qū)13口井蘆草溝組二段的巖相進(jìn)行了劃分［圖 6（a）］，總結(jié)出各井不同巖相對(duì)應(yīng)測(cè)井曲線的響應(yīng)特征（表1），并提取了340個(gè)巖石薄片對(duì)應(yīng)的測(cè)井曲線值繪制了各測(cè)井相-巖相蛛網(wǎng)圖［圖6（b）］來(lái)直觀地反映各巖相測(cè)井參數(shù)指標(biāo)的變動(dòng)趨勢(shì)。

由圖6可以看出，自然伽馬曲線和電阻率曲線變化幅度均較大，而聲波時(shí)差等反映孔隙度大小的曲線差異明顯。其中富有機(jī)質(zhì)紋層相因有機(jī)質(zhì)的影響而具有較高自然伽馬、高聲波時(shí)差、高補(bǔ)償中子、低密度、高電阻率的特征；電成像圖上以亮色顯示為主。相對(duì)貧有機(jī)質(zhì)的富凝灰質(zhì)紋層相礦物成分多來(lái)源于火山噴發(fā)時(shí)形成的中基性凝灰?guī)r，火山灰粒度細(xì)、比表面積大，有機(jī)質(zhì)吸附力較強(qiáng)，相較于富有機(jī)質(zhì)紋層相具有高自然伽馬、高密度、低電阻率、低聲波時(shí)差、低補(bǔ)償中子的特征；電成像圖上顯示為紋層狀的黑色、棕色條紋。因大部分有機(jī)質(zhì)賦存于富有機(jī)質(zhì)紋層和富凝灰質(zhì)紋層中，只有很少一部分的有機(jī)質(zhì)存在于富碳酸鹽紋層，且該紋層富含大量的方解石、白云石等脆性礦物，使得其相較于前2種紋層相呈現(xiàn)出較低自然伽馬、聲波時(shí)差、補(bǔ)償中子，較高密度、電阻率的特征；成像圖上顯示為層狀的棕黃色條紋。

表1 三塘湖盆地馬朗凹陷蘆草溝組二段巖相測(cè)井響應(yīng)特征Table 1 Logging response characteristics of shale lithofacies of the second member of Lucaogou Formation in Malang Sag，Santanghu Basin

2.3 測(cè)井參數(shù)敏感性分析

每一條測(cè)井曲線反映的都只是巖石某一物理性質(zhì)或物理參數(shù)的變化，都是從某一側(cè)面間接地反映巖層的地質(zhì)特性［23-24］。由于測(cè)量環(huán)境的不同和地質(zhì)環(huán)境的復(fù)雜性等因素的影響，使得不同測(cè)井曲線之間存在著大量的相關(guān)性和模糊性［23］。傳統(tǒng)的交會(huì)圖法因受制于人為因素的影響，其巖相劃分沒(méi)有具體的標(biāo)準(zhǔn)，尤其是針對(duì)蘆草溝組的復(fù)雜巖性地層，通常需要依靠經(jīng)驗(yàn)豐富的解釋人員利用多個(gè)二維交會(huì)圖，采取逐步剝離、組合判斷的方法才能達(dá)到較好的識(shí)別效果［25］。以聲波時(shí)差、電阻率與自然伽馬交會(huì)圖（圖7）為例，富有機(jī)質(zhì)紋層相較其他2種相測(cè)井響應(yīng)明顯，可以很好地區(qū)分，但對(duì)于測(cè)井響應(yīng)較為接近的富碳酸鹽和富凝灰質(zhì)紋層巖相，樣本點(diǎn)則有大量的重疊現(xiàn)象，因此，僅僅依靠測(cè)井曲線原始數(shù)據(jù)并不能很好地識(shí)別出各類(lèi)巖相。

圖7 蘆草溝組二段AC-GR（a）和Rt-GR（b）交會(huì)圖Fig.7 Crossplots ofAC-GR（a）and Rt-GR（b）of the second member of Lucaogou Formation

3 主成分分析與選擇

為了解決測(cè)井曲線之間相關(guān)性和模糊性的問(wèn)題，有必要對(duì)主成分進(jìn)行分析，選擇盡量少且包含最多巖相信息的曲線進(jìn)行聚類(lèi)。主成分分析主要是分析因子載荷矩陣。因子載荷代表著原始數(shù)據(jù)與主成分之間的相關(guān)程度，因子載荷越大二者相關(guān)性越高［26-27］。因子載荷分析地學(xué)方面的解釋主要是依據(jù)主成分中占顯著地位的變量（測(cè)井曲線）組合所代表的地質(zhì)因素，再計(jì)算其特征值在特征值總和中所占比例，來(lái)說(shuō)明該地質(zhì)因素在所有影響因素中所起作用的大?。?6-27］。其中因子載荷的正負(fù)號(hào)反映的是其與主成分的正負(fù)相關(guān)性質(zhì)，在地學(xué)解釋時(shí)可以取絕對(duì)值。從圖8（a）中可以看出PC1受聲波時(shí)差、補(bǔ)償中子和密度作用顯著；PC2受自然伽馬、聲波時(shí)差和電阻率作用顯著；PC3受自然伽馬、電阻率作用顯著；PC4受聲波時(shí)差、補(bǔ)償中子和電阻率作用顯著；PC5受聲波時(shí)差、補(bǔ)償中子和密度作用顯著。結(jié)合曲線地質(zhì)含義分析，對(duì)比第一主成分使用與否2種方案進(jìn)行巖相聚類(lèi)。第1種方案因使用了PC1，且PC1與三孔隙度曲線高度相關(guān)，反映的主要是孔隙度方面的信息，幾乎沒(méi)有能夠區(qū)分巖相的信息，故與標(biāo)準(zhǔn)圖版［圖8（b）］相比，其聚類(lèi)結(jié)果［圖8（c）］與標(biāo)準(zhǔn)圖版特征類(lèi)似；第2種方案使用了PC2，PC3和PC4，且PC2和PC3與自然伽馬、電阻率曲線相關(guān)性較好，在很大程度上削弱了孔隙度的干擾，使得所選主成分包含著大量的巖相信息，突出了巖相的影響，分類(lèi)結(jié)果［圖8（d）］與交會(huì)圖版（圖7）趨勢(shì)基本一致。

圖8 主成分分析與選擇Fig.8 Principal component analysis and selection

4 應(yīng)用效果評(píng)價(jià)

本次研究篩選出馬朗凹陷蘆草溝組二段巖心薄片、測(cè)井資料及地質(zhì)資料齊全、完備的12口井作為基準(zhǔn)井，蘆1井作為檢驗(yàn)井不參與網(wǎng)絡(luò)模型的建立。選取由曲線敏感性分析得出的自然伽馬、聲波時(shí)差等5條電測(cè)曲線作為原始變量，以主成分分析得出的PC2，PC3和PC4作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，以巖性薄片分析數(shù)據(jù)標(biāo)定后的巖相作為監(jiān)督數(shù)據(jù)建立巖相網(wǎng)絡(luò)模型，然后據(jù)此巖相識(shí)別模型對(duì)蘆1井蘆草溝組二段進(jìn)行巖相判別。因蘆1井蘆草溝組二段為連續(xù)取心，故以薄片鑒定成果數(shù)據(jù)結(jié)合上述巖性到巖相組合原則，對(duì)蘆草溝組二段整體進(jìn)行巖相標(biāo)定和劃分，并以劃分結(jié)果作為檢驗(yàn)數(shù)據(jù)，計(jì)算各巖相的符合率。計(jì)算后可知：總體符合率為81.49%，其中富有機(jī)質(zhì)紋層相、富碳酸鹽紋層相和富凝灰質(zhì)紋層相的符合率分別為81.31%，75.12%和88.03%。通過(guò)與成像測(cè)井和巖心的典型特征進(jìn)行對(duì)比后可以看出，巖相識(shí)別結(jié)果與薄片標(biāo)定巖相一致性較好（圖 9），達(dá)到了預(yù)期目的。

5 結(jié)論

（1）馬朗凹陷蘆草溝組二段富有機(jī)質(zhì)頁(yè)巖巖性復(fù)雜，為了有效避免因數(shù)據(jù)尺度不同造成的巖相預(yù)測(cè)誤差，基于有機(jī)質(zhì)和礦物組成的富集程度的原則，將巖相劃分為富有機(jī)質(zhì)紋層相、富碳酸鹽紋層相和富凝灰質(zhì)紋層相3類(lèi)，既最大限度地保留了原始信息，又有助于提高巖相識(shí)別方法的實(shí)用性。

（2）測(cè)井曲線之間的相似性造成的干擾，使得巖相識(shí)別具有較大難度。以主成分分析法選出了對(duì)巖相劃分貢獻(xiàn)較大的3個(gè)主成分，再結(jié)合BP神經(jīng)網(wǎng)絡(luò)方法，不僅消除了測(cè)井曲線之間的相關(guān)性與模糊性，同時(shí)也確保了每一主成分對(duì)相應(yīng)的巖相具有最佳的辨識(shí)度，使得頁(yè)巖巖相的識(shí)別準(zhǔn)確率得到了有效提高。