李 昌，王 鑫，馮 周，宋連騰

1 中國石油杭州地質(zhì)研究院；2 中國石油集團(tuán)碳酸鹽巖儲層重點實驗室；3 中國石油勘探開發(fā)研究院

0 前 言

微生物丘灘是儲層發(fā)育的有利相帶［1-3］，復(fù)雜多樣的巖性類型［4］導(dǎo)致其巖-電關(guān)系復(fù)雜，僅依靠常規(guī)測井無法識別微生物巖的具體巖相（如藻紋層巖、藻疊層巖和藻凝塊巖等）［5-6］，僅能從整體上識別微生物巖。電成像測井具高分辨率特征，近似巖心觀察，能夠區(qū)分不同微生物構(gòu)造，是有效識別微生物構(gòu)造的主要手段［7-8］，但對于塊狀構(gòu)造的砂屑白云巖和硅質(zhì)泥晶白云巖，仍存在多解性問題［8］。目前常規(guī)測井與電成像測井結(jié)合是最有效且精度最高的識別手段，結(jié)合的主要方式包括圖版法和人工智能學(xué)習(xí)法。作為傳統(tǒng)方法的圖版法［6-8］，其識別效率低且受人工經(jīng)驗影響較大。人工智能方法也存在2 個問題：①不同維度的測井?dāng)?shù)據(jù)融合難。常規(guī)測井為一維數(shù)據(jù)，采樣間距為0.125 m；而電成像測井為二維數(shù)據(jù)，采樣間距為0.25 cm。②巖心數(shù)量有限，訓(xùn)練樣本數(shù)量不充足，而深度學(xué)習(xí)需要海量訓(xùn)練數(shù)據(jù)。

本文優(yōu)選適應(yīng)小樣本的機器學(xué)習(xí)法——K 鄰近分類算法（KNN），提出分開訓(xùn)練和識別，將識別結(jié)果再融合的技術(shù)手段，這樣可以有效解決上述2 個問題，發(fā)揮不同測井系列的優(yōu)勢。首先基于巖心資料，分別建立巖相分類方案和巖石構(gòu)造特征分類方案。以四川盆地GM 地區(qū)燈影組四段（簡稱燈四段）為例，劃分了6 種巖相類型（包括藻白云巖、砂屑白云巖、粉晶白云巖、硅質(zhì)白云巖、泥晶白云巖和泥質(zhì)泥晶白云巖）和7 種巖石構(gòu)造特征類型（包括藻疊層、藻凝塊、藻紋層、塊狀、層狀、斑點狀、薄層狀）。分別建立巖心訓(xùn)練樣本參數(shù)庫：對于常規(guī)測井，采用自然伽馬、聲波時差、中子、深電阻率和淺電阻率參數(shù)；對于電成像測井，采用動態(tài)圖像的紋理特征和方向梯度參數(shù)作為樣本訓(xùn)練參數(shù)。然后基于KNN方法，采用常規(guī)測井識別出6種巖相類型，采用電成像測井識別出7種巖石構(gòu)造類型。最后根據(jù)專家經(jīng)驗，對這兩種識別結(jié)果進(jìn)行融合，獲得9種巖相類型，即藻疊層白云巖、藻凝塊白云巖、藻紋層白云巖、藻砂屑白云巖、砂屑白云巖、粉晶白云巖、硅質(zhì)白云巖、泥晶白云巖和泥質(zhì)泥晶白云巖。實際應(yīng)用表明，與取心井對比，識別符合率在85%以上，滿足了研究區(qū)燈影組精細(xì)沉積微相研究的需求，推動了勘探和開發(fā)生產(chǎn)。該方法充分利用常規(guī)測井和電成像測井的各自優(yōu)勢，實現(xiàn)高效率、高精度的測井巖相識別，可推廣應(yīng)用。

1 巖相類型及測井特征

四川盆地GM 地區(qū)燈四段是燈影組主力天然氣產(chǎn)層［9］。根據(jù)巖心觀察，燈影組儲層巖性主要以與藻類（藍(lán)細(xì)菌）有關(guān)的白云巖為主［10］?；趲r心觀察與薄片鑒定，參考鄧哈姆分類方案，將燈影組巖相劃分為9 類：藻疊層白云巖、藻凝塊白云巖、藻紋層白云巖、藻砂屑白云巖、砂屑白云巖、粉晶白云巖、硅質(zhì)白云巖、泥晶白云巖和泥質(zhì)泥晶白云巖。巖心物性資料顯示：藻疊層白云巖和藻砂屑白云巖物性最好，藻凝塊白云巖和藻紋層白云巖次之，砂屑白云巖、泥—粉晶白云巖及泥質(zhì)白云巖物性較差。

GM 地區(qū)共有11 口取心井，其巖心總長度為428.6 m，選擇其中6 口井作為樣本井（GS1、GS18、GS102、GS21、MX108、MX51、GS16），4 口井作為驗證井（GS101、GS20、MX105、MX9）?；趲r心（已歸位）測井標(biāo)定（圖1），通過常規(guī)測井交會圖（圖2）和電成像測井動態(tài)圖像（圖3）定性分析，得出如下認(rèn)識（表1）:

表1 不同巖相的測井特征總結(jié)表Table 1 Summary of logging characteristics of different lithofacies

圖1 巖心測井標(biāo)定（GS18井）Fig.1 Core-logging calibration(Well GS18)

圖2 巖-電關(guān)系分析圖Fig.2 Analysis diagram of lithology-electrical property relationship

圖3 不同巖石構(gòu)造的典型電成像測井特征Fig.3 Typical electrical imaging logging characteristics of different rock structures

（1）藻疊層白云巖、藻凝塊白云巖和藻砂屑白云巖的物性最好，具有低自然伽馬、中—低電阻率、高聲波時差、高中子特征，這3 類巖相常規(guī)測井難于區(qū)分（圖2），在電成像測井上具有不同的巖石構(gòu)造特征而容易區(qū)分。藻疊層白云巖具有疊層構(gòu)造特征（圖3a），藻凝塊白云巖具有凝塊構(gòu)造特征（圖3b），藻砂屑白云巖具有斑點狀構(gòu)造特征（圖3c）。

（2）藻紋層白云巖物性較差，為低中子、低聲波時差、低自然伽馬和中-高電阻率特征（圖2），常規(guī)測井難于區(qū)分其與硅質(zhì)白云巖和粉晶白云巖，但在電成像測井上具有紋層構(gòu)造特征（圖3d）。

（3）砂屑白云巖物性差，具有較高電阻率（圖2）、低聲波時差、低中子、高密度特征，在電成像測井上為塊狀構(gòu)造特征，塊狀內(nèi)部有零星斑塊分布（圖3e，以塊狀構(gòu)造-1指代這種特征）。

（4）硅質(zhì)白云巖不發(fā)育孔隙，具有極高電阻率、低自然伽馬（圖2）、低中子、低聲波時差特征，在電成像測井上為塊狀構(gòu)造特征（圖3f，以塊狀構(gòu)造-2指代）。

（5）粉晶白云巖物性較差，具有低伽馬、較高電阻率（圖2）、低中子、低聲波時差特征，在電成像測井上主要為層狀構(gòu)造特征，偶有塊狀構(gòu)造特征。

（6）泥晶白云巖具有低—中自然伽馬、低中子、低聲波時差、高電阻率特征（圖2），在電成像測井上為層狀構(gòu)造特征（圖3g）。

（7）泥質(zhì)泥晶白云巖黏土含量高，因此具有中—高自然伽馬、低電阻率（圖2）、高中子、高聲波時差特征，在電成像測井上為薄層構(gòu)造特征（圖3h）。

2 巖相測井識別

通過巖心標(biāo)定測井，選擇敏感測井參數(shù)，建立訓(xùn)練樣本庫；基于KNN 分類算法，實現(xiàn)6 種巖相和7種巖石構(gòu)造特征識別；最后根據(jù)專家經(jīng)驗進(jìn)行合并，得到9 種巖相。其中最為關(guān)鍵的是樣本庫的建立，其核心是測井參數(shù)的提取。對于常規(guī)測井，選用的敏感參數(shù)為自然伽馬、聲波時差、中子、深電阻率和淺電阻率；對于電成像測井，選擇動態(tài)圖像紋理參數(shù)、方向和梯度參數(shù)作為訓(xùn)練參數(shù)。下文予以詳細(xì)闡述。

2.1 電成像測井參數(shù)提取

電成像測井圖像具有空白條帶，需要采用地質(zhì)統(tǒng)計學(xué)方法對動態(tài)圖像進(jìn)行插值，獲得全井壁覆蓋圖像［11］。基于全井眼覆蓋圖像計算其紋理特征參數(shù)和方向、梯度參數(shù)。

2.1.1 圖像紋理參數(shù)

圖像紋理特征能反映出圖像灰度相鄰間隔及變化幅度的綜合信息，非常適合描述微生物巖的疊層和凝塊的構(gòu)造特征?；诨叶裙采仃嚕℅LCM）提取紋理特征的方法具有較強的適應(yīng)能力和穩(wěn)健性［12］，因此本文采用基于灰度共生矩陣提取紋理特征參數(shù)。

灰度共生矩陣就是一種通過研究灰度空間相關(guān)特性來描述紋理的常用方法［13］，它是對圖像上保持某距離的兩個象素分別具有某灰度的狀況進(jìn)行統(tǒng)計得到的?；诨叶裙采仃?，提取4 種紋理特征參數(shù)：對比度、能量、相關(guān)性和均勻性（圖4）。相關(guān)性描述圖像紋理的粗糙程度，細(xì)紋理的相關(guān)性小，粗紋理的相關(guān)性大。能量是描述圖像灰度分布均勻程度和紋理粗細(xì)的一個度量，當(dāng)圖像紋理較細(xì)致、灰度分布均勻時，能量值較小。從圖4可以看出，不同巖石構(gòu)造的紋理參數(shù)具有一定的差異性：塊狀構(gòu)造的紋理參數(shù)特點是對比度大、能量中等、相關(guān)性和均勻性較大，與其他構(gòu)造能夠較好區(qū)分。塊狀構(gòu)造具有2種形式，其能量和對比度存在差異性：第1種構(gòu)造的能量相對小而對比度相對大，第2種構(gòu)造的能量相對大而對比度相對小。對于微生物構(gòu)造如凝塊、紋層構(gòu)造，其對比度和能量差異較大，較容易與其他構(gòu)造區(qū)分。層狀構(gòu)造紋理參數(shù)具有低對比度和低能量，高均勻性和高相關(guān)性的特點，與塊狀構(gòu)造具有區(qū)分性，但與微生物構(gòu)造的紋理參數(shù)比較相似，不容易區(qū)分。

圖4 不同巖石構(gòu)造的圖像紋理參數(shù)特征對比Fig.4 Comparison of image texture parameters of different rock structures

2.1.2 圖像梯度、方向參數(shù)

梯度和方向參數(shù)（HOG）能夠?qū)植客庥^和形狀很好地進(jìn)行表征［14］，適用于微生物巖局部紋層及疊層構(gòu)造特征的刻畫。通過計算、統(tǒng)計圖像局部區(qū)域的梯度方向直方圖［15］可以提取梯度參數(shù)特征。首先對圖像進(jìn)行灰度化和歸一化，然后計算每個像素水平方向和豎直方向的梯度，并計算每個像素位置的梯度大小和方向。梯度是一個向量場，在標(biāo)量場中某一點上的梯度指向標(biāo)量場增長最快的方向，梯度的長度是這個最大的變化率。

以7 種巖石構(gòu)造特征的電成像測井圖像（圖3）為例，展示圖像顏色等值線顯示方式和梯度、方向特征參數(shù)的計算效果（圖5）。由圖5可以看出：對于塊狀構(gòu)造，梯度變化小，矢量方向相對較少；對于微生物構(gòu)造，藻疊層和紋層呈現(xiàn)有規(guī)律變化的梯度和矢量方向，梯度下降較大，凝塊構(gòu)造則顯示雜亂；對于層狀構(gòu)造，梯度下降相對較小，矢量方向有規(guī)律；斑點構(gòu)造梯度下降中等，矢量方向雜亂，與層狀構(gòu)造有明顯的差異性。

圖5 不同巖石構(gòu)造的圖像梯度和方向特征Fig.5 Image gradient and directional features of different rock structures

2.2 基于KNN算法的巖相測井識別

本文采用KNN 算法開展巖相測井識別。該算法的優(yōu)點是強制分類，對異常點不敏感，識別準(zhǔn)確度高，因此特別適合重疊較多的待分樣本集或類域的交叉的分類問題［16］。其原理就是當(dāng)預(yù)測一個新值x的時候，先計算x與它最近的k個鄰近點的距離，通過投票，判斷x屬于哪個分類，投票原則是少數(shù)服從多數(shù)。KNN 算法應(yīng)用的關(guān)鍵條件是各種類型的樣本數(shù)量要均衡。

基于KNN 分類算法，采用自然伽馬、聲波時差、中子及深、淺側(cè)向電阻率等5 種測井參數(shù)，識別出6種巖相，包括藻白云巖、砂屑白云巖、粉晶白云巖、硅質(zhì)白云巖、泥晶白云巖和泥質(zhì)泥晶白云巖?；贙NN 分類算法，針對電成像測井提取的動態(tài)圖像的紋理特征及方向梯度參數(shù)作為樣本訓(xùn)練參數(shù)，識別出7種巖石構(gòu)造特征，包括藻疊層、藻凝塊、藻紋層、塊狀、層狀、斑點狀、薄層狀。

根據(jù)專家經(jīng)驗對識別的大類巖相和構(gòu)造特征進(jìn)行組合，得到9 種巖相（表2）。專家經(jīng)驗識別主要是在巖心描述、物性資料分析的基礎(chǔ)上，了解物性與巖性的關(guān)系、巖性與測井上電性的關(guān)系，并結(jié)合實際經(jīng)驗，綜合識別巖相。對于常規(guī)測井容易識別的泥質(zhì)白云巖，可直接識別；對于常規(guī)測井難于區(qū)分的藻疊層白云巖、藻凝塊白云巖、藻紋層白云巖等巖相，可在電成像測井上直接識別；對于常規(guī)測井特征相似而難于區(qū)分的粉晶白云巖和砂屑白云巖，可結(jié)合電成像測井構(gòu)造特征綜合識別，例如，如果常規(guī)測井識別為砂屑白云巖，成像測井是層狀特征，則應(yīng)解釋為泥晶白云巖，成像測井是塊狀特征，則為砂屑白云巖。

表2 基于專家經(jīng)驗的巖相測井綜合識別表Table 2 Comprehensive logging identification of lithofacies based on expert experience

以GS101、GS20、MX105、MX9 等4 口取心井為驗證井，巖相識別總體符合率大于85%。例如，GS101 井測井識別的巖相與巖心描述的巖相對比（圖6），兩者相符的巖相厚度為42.55 m，巖心總厚度為49.3 m，符合率為86.3%。泥晶白云巖和硅質(zhì)白云巖識別符合率相對較低。泥晶白云巖比較致密，電阻率較高，電成像以塊狀為主，與硅質(zhì)白云巖的測井特征相似，可能會造成識別誤差。

圖6 GS101井巖相測井識別效果Fig.6 Logging identification effect of lithofacies in Well GS101

3 結(jié) 論

本文提出基于適應(yīng)小樣本的機器學(xué)習(xí)法——K鄰近分類算法（KNN），對常規(guī)測井與電成像測井分別訓(xùn)練和識別，再將識別結(jié)果融合的碳酸鹽巖巖相測井綜合識別方法。

首先，基于巖心資料分別建立巖相分類方案和巖石構(gòu)造特征分類方案，建立巖心訓(xùn)練樣本參數(shù)庫；然后，基于KNN 方法，應(yīng)用常規(guī)測井（自然伽馬、聲波時差、中子、深電阻率和淺電阻率）識別巖相類型，應(yīng)用電成像測井（基于圖像紋理參數(shù)和方向、梯度參數(shù)）定量識別巖石構(gòu)造類型；最后，根據(jù)專家經(jīng)驗對2 種識別結(jié)果進(jìn)行融合，獲得細(xì)分類的巖相類型。實際應(yīng)用于四川盆地GM 地區(qū)燈影組四段巖相識別，總體符合率超過85%。

該方法綜合利用了常規(guī)測井的多種巖石物理特征、電成像測井的高分辨率特征及專家的地質(zhì)認(rèn)識與經(jīng)驗，可以實現(xiàn)高效率、高精度識別微生物碳酸鹽巖的巖石類型，具有推廣應(yīng)用價值。