李 昌， 沈安江， 孟 賀

(1.中國石油杭州地質(zhì)研究院， 杭州 310023； 2.中國石油天然氣集團公司碳酸鹽巖儲層重點實驗室， 杭州 310023)

電成像測井以其高分辨率和圖像直觀性強的特點[1]，可以近似于巖心描述，圖像上能反映沉積巖構(gòu)造及層理等特征，可以建立圖版識別沉積微相及巖相。肖何等[2]基于常規(guī)測井和電成像測井圖像建立不同沉積微相測井特征模式；田瀚等[3]通過巖心標定，建立圖版的方法來識別微生物巖巖石類型。然而定性圖版法識別效率低，受人工經(jīng)驗影響大，往往識別結(jié)果具有多解性[4]。因此電成像測井定量法識別巖相成為研究熱點，目前主要有2個方向：一是提取定量參數(shù)劃分巖相，例如，對紋理特征的提取，張翔等[5]從電成像測井的圖像中提取紋理特征，再利用主成分分析約簡后的特征識別巖性；二是基于深度學習算法識別巖相；何旭等[6]提出了基于卷積神經(jīng)網(wǎng)絡的多尺度測井相識別方法。然而深度學習識別方法需要大量樣本標簽，受訓練數(shù)據(jù)影響大，存在應用局限性。紋理特征提取方法較多，且參數(shù)種類也較多[7]，實際應用過于復雜。目前缺乏針對構(gòu)造特征參數(shù)區(qū)分巖相的研究。為此，現(xiàn)基于數(shù)字圖像灰度轉(zhuǎn)換和圖像分割技術，提取一種新的定量參數(shù)，即視巖石構(gòu)造數(shù)(aparent rock structure number，ARSN)，實現(xiàn)巖相識別。首先基于多點地質(zhì)統(tǒng)計插值算法對電成像測井動態(tài)圖像進行全井眼插值獲取全井眼覆蓋的圖像，然后利用圖像分割技術獲得二值圖像，分別統(tǒng)計二值圖像在縱向和橫向黑色斑點(塊)最大個數(shù)，將二者的比值作為新參數(shù)ARSN來定量表征構(gòu)造特征。野外觀察及巖心描述表明，巖石構(gòu)造特征與巖相類型密切相關，顆粒巖相一般為塊狀或厚層狀和泥晶巖相一般為薄層狀或薄互層狀構(gòu)造特征，因此，利用ARSN可以定量識別顆粒巖和泥晶巖兩大類巖相。以四川盆地M地區(qū)龍王廟組為例，巖心標定表明：ARSN參數(shù)能夠定量表征巖石構(gòu)造特征，當ARSN<2為塊狀(厚層狀)構(gòu)造特征，當ARSN>2為薄層狀(薄互層狀)構(gòu)造特征，基于ARSN識別巖相，符合率在80%以上。該方法簡單、識別效率高，且不受人為因素影響，為該區(qū)沉積微相精細研究提供了有力技術支撐。

1 工區(qū)概況

四川盆地中部M地區(qū)龍王廟組巖性主要由晶粒白云巖、泥晶白云巖及顆粒白云巖組成[8-9](圖1)。野外觀察及巖心描述表明，顆粒白云巖及晶粒白云巖一般為塊狀和厚層狀構(gòu)造特征[圖2(a)、圖2(b)]，沉積期水動力較強，沉積厚度較大，沉積環(huán)境靠近浪基面，波浪作用強，較少泥晶發(fā)育，因此構(gòu)造上為塊狀或者厚層狀。泥晶云巖及泥質(zhì)泥晶云巖一般為薄層狀(薄互層狀)構(gòu)造特征[圖2(c)、圖2(d)]。沉積期水動力很弱，水體比較安靜，波浪作用弱，因此構(gòu)造特征為薄層狀或者薄互層狀?；趲r心描述及野外觀察，電成像測井識別巖相劃為兩大類(表1)。

圖1 研究區(qū)位置、構(gòu)造、地層剖面示意圖Fig.1 Diagram of location, structure and stratigraphic section of the survey area

圖2 野外剖面觀察及巖心描述Fig.2 Field profile observation and core description

表1 龍王廟組巖相分類表Table 1 Lithofacies classification of Longwangmiao formation

2 方法原理

沉積環(huán)境不同，碳酸鹽巖沉積構(gòu)造特征也不同，例如泥晶灰(云)巖一般為薄層或薄互層狀，砂屑灰(云)巖一般為塊狀或者厚層狀。數(shù)字圖像處理技術能夠獲取電成像測井動態(tài)圖像上的縫洞面孔隙率等定量信息[10-14]，然而針對定量描述巖石構(gòu)造特征的參數(shù)缺乏研究。為此，基于圖像插值和圖像二值化技術提取參數(shù)，并構(gòu)建新的定量參數(shù)描述巖石構(gòu)造特征。

2.1 多點地質(zhì)統(tǒng)計法圖像插值

電成像測井儀器因為極板間具有縫隙，不能獲取全井壁覆蓋的電阻率圖像，在極板間為空白的條帶[圖3(a)]，為此采用多點統(tǒng)計法重構(gòu)圖像獲取全壁覆蓋圖像。首先使用訓練圖像把先驗模型明確而定量地引入到建模當中，先驗模型包含了被研究物質(zhì)存在的樣式，而訓練圖像則是該模型的定量化表達，通過再現(xiàn)高階統(tǒng)計量, 多點地質(zhì)統(tǒng)計方法能夠從訓練圖像中捕捉非線性特征樣式并把它們復制到重構(gòu)圖像中[15]。訓練圖像中的概率信息決定了最終的模擬結(jié)果。

首先定義數(shù)據(jù)模板和數(shù)據(jù)事件[16]，數(shù)據(jù)模板是由n個向量{ha;a=1,2,…,n}構(gòu)成的幾何形態(tài)。設模板中心位置為u，模板其他位置ua=u+ha。假定一種屬性s可取m個狀態(tài)值sk；k=1,2,…,m，由數(shù)據(jù)模板中n個向量ua位置的n個屬性值所組成的“數(shù)據(jù)事件”d(u)可以定義為

d(u)={i(ua)=ska;a=1,2,…,n}

(1)

式(1)中：i(ua)表示在位置ua的狀態(tài)值。利用數(shù)據(jù)模板掃描訓練圖像是為了統(tǒng)計數(shù)據(jù)事件d(u)出現(xiàn)的概率。在平穩(wěn)假設的前提下，數(shù)據(jù)事件d(u)在有效的訓練圖像中的重復數(shù)c[d(u)]與有效訓練圖像的大小Nn的比值，相當于該數(shù)據(jù)事件d(u)出現(xiàn)的概率：

(2)

對于任一待模擬點u，i(u)取某個狀態(tài)值的條件概率分布函數(shù)可表示為

P{i(u)=sk|i(ua)=ska;a=1,2,…,n}≈

(3)

基于上述條件概率，利用Monte Carlo方法可以提取該點的狀態(tài)值，對于電阻率圖像而言，利用模擬點i(u)周圍最鄰近的n條裂縫或溶孔與骨架值和掃描訓練圖像獲得的條件概率分布函數(shù)，可以隨機推斷該點是裂縫、孔洞還是骨架。圖3(a)為電成像測井動態(tài)圖像，圖3(b)為采用多點統(tǒng)計法重構(gòu)圖像與原圖像基本一致，且在空白條帶出補充了圖像信息。

圖3 電成像測井動態(tài)圖像處理過程Fig.3 Dynamic image processing of electrical imaging logging

2.2 最大類間方差法圖像二值化

圖像二值化可以消除巖石骨架電阻率背景值，提取裂縫、溶孔洞特征。由于圖像二值化所需的閾值并不固定，所以難以實現(xiàn)自動分割圖像。Otsu[17]提出了最大類間方差法，即使用一個閾值將整個數(shù)據(jù)分成兩個類，假如兩個類之間的方差最大，那么這個閾值就是最佳的閾值。對于電阻率圖像，將圖像分成背景和目標二部分，背景和目標之間的類間方差越大,說明構(gòu)成圖像的二部分的差別越大，當部分目標錯分為背景或部分背景錯分為目標都會導致二部分差別變小。因此，使類間方差最大的分割意味著錯分概率最小。

將電成像測井圖像分成背景(骨架)和目標(裂縫和孔洞)二部分，背景與目標的類間方差越大,說明構(gòu)成圖像的二部分差別越大，當部分目標或背景錯誤劃分則導致二部分差別變小。因此，類間方差最大分割意味著錯誤劃分的概率最小。

按照模式識別的理論,則以k為閾值分類時,兩個區(qū)域的類間方差為

σ2(k)=ω0(μ0-μ)2+ω1(μ1-μ)2

(4)

按照最大類間方差準則,在灰度級別(O,L)范圍內(nèi)測試k,當σ2(k)為最大值時的k值為最佳分割閾值。圖3(c)是采用最大類間方差法處理結(jié)果，可以看出孔洞信息從原始圖像背景中完全分割出來,效果很好。

2.3 電成像測井新參數(shù)

二值化圖像數(shù)值為1和0，顏色對應黑和白，黑色代表高電導率的層界面，裂縫、孔洞等信息，白色代表致密不導電巖石骨架。對于塊狀特征，其黑色點是均勻分布[圖4(c)]，或者無規(guī)則分散分布[圖4(f)]，而對于層狀特征，黑色點一般為水平方向多條的連續(xù)分布[圖4(i)]，因此，利用二值圖像內(nèi)黑色斑點個數(shù)在縱向和橫向上最大值的比值作為描述巖石構(gòu)造的參數(shù)，建立視巖石構(gòu)造數(shù)ARSN計算公式：

(5)

以取心井進行巖心標定，確定ARSN劃分巖相的閾值，選取典型巖相及電成像圖像特征，如圖4(a)～圖4(c)中顆粒云巖塊狀特征，二值圖像上其橫向斑點數(shù)量最大值為38.8而縱向斑點數(shù)量最大值為29.3，兩者比值為1.32，圖4(f)細晶云巖塊狀特征，二值圖像上其橫向斑點數(shù)量最大值為43.8而縱向斑點數(shù)量最大值為39.5，兩者比值為1.11，圖4(i)泥晶云巖薄層狀特征，二值圖像上其橫向斑點數(shù)量最大值為100而縱向斑點數(shù)量最大值為31.9，兩者比值為3.13。不同巖相類型的ARSN具有明顯區(qū)別，綜合其他取心井計算結(jié)果，確定2為劃分標準，即ARSN<2為顆粒云巖相，ARSN>2為泥晶云巖相。為了避免圖像尺寸影響統(tǒng)計結(jié)果，電成像測井動態(tài)圖像在縱向和橫向尺寸保持近似。

圖4 不同巖性電成像測井視巖石構(gòu)造數(shù)對比Fig.4 Comparison of apparent rock structure number of electrical imaging logging of different lithology

3 應用

四川盆地M地區(qū)龍王廟組地層地質(zhì)情況簡單，巖石類型較少，儲層主要以孔洞為主，裂縫以高角度為主。同時電成像測井資料豐富且品質(zhì)較好，該方法適用。

對于不發(fā)育裂縫的地層，電成像井計算視構(gòu)造數(shù)與巖心對比，平均符合率在85%以上。例如取心井MX202井[圖5(a)]，可以看出顆粒云巖主要以塊狀構(gòu)造為主，視巖石構(gòu)造數(shù)ARSN小于2，泥晶云巖主要以層狀構(gòu)造為主，視巖石構(gòu)造數(shù)ARSN大于2。從巖心與ARSN對比來看，效果較好，從巖心厚度統(tǒng)計，巖心總厚度65 m，識別巖相符合厚度56.5 m，符合率86.9%。但是對于縫合線或低角度裂縫發(fā)育的地層情況，該方法會產(chǎn)生一些誤差，識別符合率會降低，顆粒云巖也會出現(xiàn)ARSN>2，平均符合率在80%以上。以取心井MX19井[圖5(b)]為例，從巖心與ARSN對比來看，效果較好，巖心厚度統(tǒng)計，巖心總厚度74 m，識別巖相符合厚度60.75 m，符合率82.1%。在4 684～4 685 m，顆粒云巖發(fā)育低角度裂縫[圖5(b)]，計算的視巖石構(gòu)造數(shù)大于2。

DEN為密度；RT為深電阻率；RXO為沖洗帶電阻率；CAL為自然伽馬；DT為聲波時差；CNL為中子孔隙度；ft為英尺，1 ft=0.304 8 m圖5 MX202井和MX19井電成像構(gòu)造參數(shù)識別巖相效果Fig.5 Effect of lithofacies identification using electrical imaging structural parameter in well MX202 and well MX19

實際應用表明：該方法能夠快速定量判別巖石類型，不需要人工經(jīng)驗指導，識別效率高且精度高。 識別巖相為該工區(qū)沉積微相精細研究提供了技術支撐。同時該方法也具有一定局限性，對于電成像圖像質(zhì)量差或地層縫合線或低角度裂縫發(fā)育也會一定誤差，降低識別精度。

4 結(jié)論

(1)基于電成像測井提出一種新定量參數(shù)，即視巖石構(gòu)造數(shù)ARSN，該參數(shù)判別巖石構(gòu)造特征從而來區(qū)分不同巖相。以四川盆地M地區(qū)龍王廟組為例，針對兩大類巖相(顆粒云巖相和泥晶云巖相)，取心井驗證識別符合率在80%以上。

(2)視巖石構(gòu)造數(shù)法是一種快速高效高精度的巖相識別方法。同時該方法也具有局限性，適用條件為地質(zhì)情況簡單，巖石類型少，低角度裂縫不發(fā)育，電成像測井資料多且品質(zhì)較好。

(3)應用視巖石構(gòu)造數(shù)發(fā)開展四川盆地M地區(qū)龍王廟地層巖相識別，對于該區(qū)沉積微相精細研究起到技術支撐和指導作用。同時也豐富了現(xiàn)有電成像測井定量識別方法系列。