-
砂砾岩体作为常见的非常规致密油气储层类型之一,一般临近生油中心,成藏条件良好[1],但砂砾岩体属于快速沉积,具有砂体厚度变化多样、成岩作用不一、地层岩性复杂、储层非均质性强的特点,制约着油气藏的精细勘探与开发[2]。研究区Y920区块位于山东省东营市垦利县西张乡,构造位置处于东营凹陷北部陡坡带东段,为永安和盐家凸起的鞍部（图1a）,物源主要来自北靠的陈家庄凸起带。Y920区沙四上亚段是湖盆发育初期的产物,此时湖平面处于持续上升阶段,可容空间增大,湖盆沉积范围扩大,沉降速率大于沉积速率,扇体随湖水加深随岸线向后退积[3⁃4],在重力流为主导的作用下,沙四上亚段（
图 1 研究区位置图及地层图
Figure 1. Location and stratigraphic map of the study area
目前,通常以测井曲线（FMI）、岩性资料、地震资料、电成像资料等来划分砂砾岩体沉积微相,如周俊林等[8]根据扇体砂砾岩具有自然伽马异常高的特征,提出一种高伽马砂砾岩体沉积微相划分方法,该方法需要测井曲线对岩性变化很敏感,但Y920区砂砾岩体厚度大,受粗碎屑岩石组构、流体复杂性的影响,岩性差异在测井曲线上不够明显,仅依靠常规测井曲线划分沉积微相难度较大。束宁凯等[9]通过二级提频技术提升地震资料的信噪比和分辨率,达到了6 m厚的砂体识别,试图从地震剖面上来划分沉积微相,但精度仍不足以精确表征砂砾岩体油藏内部沉积微相的空间分布。也有人考虑FMI（全井眼微电阻率扫描成像测井,简称“电成像”）具有分辨率高、图像直观优势,能有效反映地层岩性变化的特点,进而利用FMI图像资料划分沉积微相[10⁃12],但还存在FMI图像特征人工识别导致主观性强和划分效率低的问题。
本文以东营凹陷北部陡坡带Y920区块沙四上亚段（
-
东营凹陷北部陡坡带Y920区沙四上亚段（
（1） 扇根主水道
为混杂块状堆积形成,砾石几乎无分选,磨圆度差,杂乱分布,岩心观察砾径最大280 mm,一般为5~50 mm。多为棱角—次棱角状,以碎屑与杂基支撑,主要由相对粗的碎屑颗粒或砾石组成,该微相多数砂砾岩呈块状,层理不发育,不同粒度的砾石均有出现,包括细砾岩、中砾岩、粗砾岩、巨砾岩。FMI图像分辨率可达5 mm,能识别出5 mm以上砾石的形状和大小。静态FMI图像中粗砾岩呈大型不规则亮色块状（图2a）,岩性成分以花岗片麻岩砾石为主,块状轮廓外的暗色之间为粒间充填的基质。中砾岩为亮色块状,其磨圆性较粗砾岩稍好,大于5 mm的细砾岩为亮色斑点状（图2b）。
图 2 YX1井不同沉积微相中发育的岩性刻度FMI图像
Figure 2. FMI images of lithological scales developed in different sedimentary microphases of well YX1
（2） 扇中辫状水道
通常主要为含砾砂岩、砾状砂岩和细砂岩,砾径通常不超过5 mm,辫状水道底部砾石大部分呈次棱角状,分选差,以颗粒支撑为主,局部泥质支撑。由于水动力逐渐减弱,垂向上其粒度向上逐渐变细,其磨圆过渡为次棱角状—次圆状,呈正粒序韵律,扇中辫状水道层段FMI静态图像颜色相较于扇根主水道略变暗,部分出现平行层理,顶部通常与泥岩形成砂泥薄互层,粉砂岩为黄褐色厚层状,同时砂岩中常含有细砾,偶见中砾,形成砾状砂岩（图2c）,静态FMI图像中为黄褐色层状中含亮黄色斑块状。
（3） 扇中辫状水道间
岩性主要为深灰色泥岩夹细砂岩和泥质粉砂岩,质不纯,含灰质及砂质,砂质常呈细小条带状分布,其辫状水道后期发育时对水道间有冲刷侵蚀,因而厚度薄。FMI图像中呈暗褐色条带,常与暗黄色或棕色薄层砂岩互层,部分水道间局部有黑斑（泥质）,部分具有明显的水平层理（图2d）。
（4） 扇端泥
以浊流沉积发育形成,处于整个扇体的最前缘。岩性多为厚层泥岩、少量泥质粉砂岩和细砂岩,多夹有薄层砂岩,部分泥岩发育水平纹层,静态FMI图像中以黑色块状样式呈现,部分见亮色细条纹。
-
东营凹陷北部陡坡带Y920区沙四上亚段砂砾岩体沉积主要受重力流影响,物源快速堆积,使得粒度较粗,随着重力流向牵引流的转变,垂向向上粒度呈变细的趋势,自下而上表现出扇根—扇中—扇端的沉积亚相过渡特征[23],沉积微相对岩性、物性甚至含油性都具有较大的影响。静态FMI图像上从下到上整体颜色由亮变暗,电阻率值变低,砾径也呈变小的趋势。其中物性相对较好的含砾砂岩、砾状砂岩是有利的储集岩性。但扇中辫状水道和扇根主水道都在一定程度上含有上述两种岩性及岩性组合,单从岩性类别不足以精细评价微相中发育储层的有效性。对YX1取心井已知扇中辫状水道和扇根主水道岩心16个样本点进行分析,得出扇中辫状水道的孔隙度主要介于10%~15%,占58.33%（图3a）,渗透率在（0~1）×10-3 μm、（1~10）×10-3 μm、（10~100）×10-3 μm均有分布（图3b）,而扇根主水道孔隙度全部都在0~5%（图3a）,渗透率主要介于（0~1）×10-3 μm,占75%（图3b）；扇中辫状水道的分选系数和粒度中值分别为1.65 mm和0.53 mm（图3c）,扇根主水道的分选系数和粒度中值为1.82 mm和0.63 mm（图3c）；扇中辫状水道样品点的含油性分别为油浸、油斑,而扇根主水道样品点的含油性为油迹、未含油（图3d）。由于扇中辫状水道以相对均匀的含砾砂岩和砾状砂岩为主,颗粒分选较好、粒度较细,其孔隙度和渗透率优于扇根主水道,扇中辫状水道的含油性也好于扇根主水道,所以扇中辫状水道是最有利的储集相带。因此,砂砾岩体储层有效性分析及有效储层预测,需要开展深入的沉积微相特征提取及精细识别。
图 3 YX1井扇中辫状水道、扇根主水道与岩石结构、物性、含油性关系分析
Figure 3. Relationship between braided waterway and main waterway of fan root and rock structure, physical properties and oil content in well YX1 fan
-
上述总结的砂砾岩体沉积微相的静态FMI图像特征,以专家经验及人机交互来划分与识别沉积微相,相较于仅利用传统常规测井曲线识别微相,精确性有很大程度提高,但专家通过观察与人机交互方式去判识沉积微相效率低,且不同的专家由于认识差异产生判识误差。因此,尝试采用人工智能即机器学习或深度学习的方法,以不同沉积微相的FMI静态图像特征建立智能学习模型,提高识别砂砾岩体沉积微相的准确率与效率。首先,将不同沉积微相的FMI图像作为数据源,采用灰度共生矩阵方法提取图像中的复杂纹理参数,并选择能够有效划分不同沉积微相的最优纹理参数,以最优纹理参数作为KNN分类算法学习样本,训练KNN分类模型对未知井段沉积微相进行分类和识别。同时,鉴于卷积神经网络（CNN）可直接对FMI图像进行深度学习的优势,以不同沉积微相的FMI图像作为训练样本数据集,构建深度学习网络模型进行沉积微相识别。以此为基础,分析传统KNN机器学习和CNN深度学习两种方法的优缺点及适应条件,明确最优的智能学习方法应用于未知井段的沉积微相高效、精确识别。
-
K最近邻（K-nearst neighbors, KNN）[24]是一种机器学习算法,其原理是一个待分类样本在特征空间里有K个最邻近的样本,以少数服从多数原则,将待分类样本与K个最邻近样本中某类别个数最多的归为一类。K值不同也将影响分类效果,因此需交叉验证选择最优K值,同时待分类样本在特征空间中与其他样本点之间距离的计算方法也影响KNN模型的精度,针对后续学习样本为数值且种类分布较均匀的特点,距离函数选用欧氏距离,其欧氏距离公式为：
(1) 式中：（x1,y1）为待分类样本在特征空间中的坐标,（x2,y2）为已知样本在特征空间中的坐标。
对于KNN分类算法判识沉积微相的核心是特征的选择和特征空间的构成,传统沉积微相分类采用自然电位（SP）、自然伽马（GR）和深浅侧向电阻率（RD,RS）作为沉积微相划分的数据样本[25]。然而,Y920区块
灰度共生矩阵方法可用来提取FMI图像特征信息中的纹理参数,它是通过研究图像灰度的空间分布相关特性来描述图像的纹理信息[26],表示灰度为i的像素的特定距离某个灰度值出现的概率。一幅图像的灰度共生矩阵能反映出图像和灰度关于方向、相邻间隔的变化幅度的综合信息,它是分析图像的局部模式和它们排列规则的基础。在二维图像中,满足一定空间关系的灰度共生矩阵用Gd（i,j）(i,j=1,2,…k)表示[27]。其中k表示图像的最大灰度级；Gd（i,j）表示图像中与灰度级为i的像素相距为d（方位为0°、45°、90°和135°）正好出现灰度级为j的概率。
由于灰度共生矩阵的数据量较大,一般不直接作为区分纹理特征的依据。这里采用基于灰度共生矩阵计算出来的四种统计标量[28],如下：
（1） 对比度（CON）
反映图像中纹理的清晰程度,纹理效果越清晰,对比度越大；纹理效果模糊,对比度小；图像中颜色反差越大,对比度越大,其对比度公式为：
(2) 式中：G（i,j）为灰度级为i的像素与灰度级为j的像素水平相邻的概率。
扇端泥的静态FMI图像呈黑色含少量亮黄色,因此扇端泥的静态FMI图像对比度最大；扇中辫状水道间在静态FMI中通常为褐色与亮黄色相间条带,因此扇中辫状水道间的静态FMI图像对比度适中；扇根主水道和扇中辫状水道的静态FMI图像颜色差距不大,因此扇根主水道和扇中辫状水道的静态FMI图像对比度最小。
（2） 相关度（CORR）
整幅图像中某个像素与它的邻居之间的相似程度,该值大小反映了图像中局部灰度相关性,公式为：
(3) 其公式（3）中：
(4) (5) 式中：μ为灰度共生矩阵的平均值；σ为图像内所有像素值的方差[29]。
相关度是用来衡量灰度共生矩阵的元素在行或列方向上的相似程度,反映在有水平方向纹理的FMI图像中,水平方向的相关性大于该图像其他方向的相关性。扇中辫状水道间通常具有水平层理,因此扇中辫状水道间的静态FMI图像水平相关性最好（图4a）,扇中辫状水道的静态FMI图像中存在亮黄色斑块状,水平方向相关性较差,而扇根主水道中通常存在分选性差的粗砾岩,所以扇根主水道的静态FMI图像水平相关性最差（图4b）。
图 4 扇中辫状水道间、扇根主水道FMI及纹理图像
Figure 4. FMI and texture images of inter⁃braided waterways in the fan and main waterway at the root of the fan
（3） 角二阶矩（ASM,又称能量,energy）
角二阶矩是图像灰度分布均匀程度和纹理粗细的一个度量。其特征信息可表示为：
(6) 若灰度共生矩阵的元素值相近,则角二阶矩较小,表示纹理细致；若灰度共生矩阵的元素值相差较大,则角二阶矩较大,表示纹理粗[30]。在FMI图像中,扇中辫状水道褐色区域内像素值较小,亮黄色斑块状区域内像素值较大,颜色差异明显,因此扇中辫状水道角二阶矩大；扇根主水道虽然纹理复杂,绝大部分为亮黄色块状,图像内像素值整体偏大,但像素值差异较小,因此扇根主水道角二阶矩小于扇中辫状水道。
（4） 同质性（HOM）
反映了灰度共生矩阵中元素的分布到对角线的紧密程度,能度量图像纹理局部变化,其值越大则表明图像纹理的不同区域间缺少变化,局部越均匀,公式可表示为：
(7) 扇中辫状水道黄褐色区域或者斑块状区域比较光滑（图5a）,而扇根主水道亮黄色区域杂乱无章（图5b）,故扇中辫状水道的同质性高于扇根主水道。
图 5 扇中辫状水道、扇根主水道FMI及纹理图像
Figure 5. FMI and texture images of the braided waterway in the fan and main waterway at the root of the fan
为分析四种纹理参数两两之间的关系,进一步将取心井中已经划分好的31个扇中辫状水道、24个扇根主水道、26个扇中辫状水道间及11个扇端泥的FMI图像作为纹理参数提取样本,对这85个图像样本开展灰度共生矩阵的对比度、相关度、角二阶矩（能量）、同质性四个纹理特征参数的提取,并进行数据均值归一化、两两交会。结果显示,与上述不同微相类型在4种纹理参数上的关系描述基本一致,其中“对比度”和“角二阶矩（能量）”能有效地区分这4种沉积微相类型,“相关度”、“同质性”次之（图6）。
图 6 不同微相对比度、相关度、角二阶矩和同质性相互关系
Figure 6. Contrast, correlation, angular second⁃order moments and homogeneity interrelationships of different microphases
对比度、相关度、角二阶矩、同质性4种纹理参数能有效划分不同微相类型,以4种纹理参数为训练集,先对训练集进行数据预处理,因不同纹理参数值相差过大,因此对数据集进行均值归一化,其均值归一化公式为：
(8) 式中：p为数据集的平均值,t为数据集的标准差,x为沉积微相的纹理参数,z为归一化后的纹理参数值。
为得到KNN沉积微相分类模型,先对不同微相类型进行标签,扇中辫状水道为a,扇根主水道为b,扇中辫状水道间为c,扇端泥为d,将数据集分成80%为训练集,20%为测试集,训练结果以颜色进行标签,扇中辫状水道为红色,扇根主水道为绿色,扇中辫状水道间为蓝色,扇端泥为黄色,颜色与标签进行验证,从而得到模型的准确率。但不同k值将会影响该模型的准确率,本文初始k值采用0,建立模型并计算准确率,k值每加1便得到一个准确率,最终k等于4时,模型准确率最高,达到86.2%（图7a）。为观察纹理参数在KNN分类沉积微相模型中的分类效果,对角二阶矩—对比度KNN分类模型进行可视化（图7b）,可以看出对比度与角二阶矩纹理参数在对扇中辫状水道间（蓝色）与扇端泥（黄色）能有效地区分,在扇中辫状水道（红色）与扇根主水道（绿色）的散点存在少量重叠,其原因是扇中辫状水道样本也存在图像砾石分选性较差的情况,但区分效果整体良好。
图 7 （a）k值折线图和（b）对比度—角二阶矩KNN模型可视化图
Figure 7. k⁃value line graph (a) and contrast⁃angle second⁃order moment KNN model visualization (b)
由图7（a）可知k=4时,KNN沉积微相分类模型准确率最高,为此以k=4的KNN沉积微相分类模型来对所有样本进行判识,通过将颜色与编号对应并判断,判断结果正确为√,错误为×,可以看出该机器学习分类模型通过4种纹理参数能有效地识别绝大部分沉积微相类型（表1）,判识率达90.4%。
表 1 沉积微相纹理参数及KNN分类效果
数量编号 微相类型 类型编号 对比度 相关度 角二阶矩 同质性 类型颜色 判断结果 1 扇中辫状水道 a -0.590 570 -0.267 890 1.456 043 1.258 119 红 √ 2 扇中辫状水道 a -0.700 350 0.568 586 -0.309 850 1.515 066 红 √ 3 扇中辫状水道间 c 0.017 181 0.665 954 0.098 237 0.191 232 蓝 √ 4 扇端泥 d 2.309 301 -0.369 690 1.255 711 -0.724 840 黄 √ 5 扇端泥 d 2.385 509 -1.595 630 -0.983 560 -2.065 430 黄 √ 6 扇根主水道 b -0.490 980 -0.351 980 -1.329 310 -1.646 500 绿 √ 7 扇中辫状水道 a -0.356 700 0.661 528 -0.732 770 -0.512 580 绿 × 8 扇根主水道 b -0.675 530 -0.785 710 -0.630 380 0.515 208 绿 √ 9 扇根主水道 b -0.693 510 -1.228 290 -0.780 260 -0.423 210 绿 √ 10 扇中辫状水道间 c 0.202 530 0.564 161 0.679 942 -0.367 350 蓝 √ 11 扇中辫状水道 a -0.673 300 0.024 212 -0.050 160 1.375 421 绿 × … … … … … … … … … 84 扇端泥 d 1.861 600 -0.475 900 -0.775 800 -2.294 450 黄 √ 85 扇根主水道 b -0.372 930 -0.064 300 -1.280 340 -0.713 670 绿 √ -
卷积神经网络（convolutional neural networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。因其在图像识别与分类上有着很好的表现[31],笔者试图将砂砾岩体沉积微相的识别分类采用卷积神经网络来完成。
卷积神经网络由数据输入层、隐藏层和输出层构成,其中输入层为原始输入信息,输出层的作用为输出结果,即全连接层为输出层,隐藏层包含卷积层、池化层和激活函数[32]。卷积神经网络最主要的层——卷积层的主要功能是通过各种类型的滤波器（卷积核）来提取图像的各种特征,如直线、曲线、颜色等初级特征,随着网络层数的增加,提取的特征越来越复杂,特征等级越来越高。本文设计利用FMI图像进行沉积微相识别的CNN深度学习流程图,流程主要为数据预处理、模型建立、输出预测三个部分（图8）。最主要的模型建立模块中的CNN模型包含迁移学习模块,迁移学习是对训练好的模型进行微调应用到目标领域[33],导入迁移学习模块能有效解决岩心对应的FMI图像数据为训练集导致数据量小的问题。
图 8 FMI图像CNN深度学习模型判识沉积微相流程图
Figure 8. Flowchart of FMI image CNN deep⁃learning model to discern sedimentary microfacies
FMI图像CNN深度学习模型判识沉积微相的具体流程如图8所示,首先将岩心段的不同沉积微相类型所对应的静态FMI图像进行裁剪,对裁剪后的FMI图像进行沉积微相类别标定,得到数据集。鉴于岩心段数据有限,需考虑对数据集进行扩展,然后对数据集的每个样本进行尺寸标准化,至此,数据预处理部分完成；通过把预处理好的数据集以4∶1的比例划分成训练集和测试集,再通过含有迁移学习模块的CNN训练,使得模型中全连接层获得到达该层的所有神经元的权系数,由于设定的沉积微相类型为4种,因此输出预测模块加一个softmax层,softmax层起到分类器的作用,能将全连接层输出的得分按照设定的4种类别进行归一化,以此得到输入FMI图像所对应的沉积微相类型的概率,最终输出概率最大的沉积微相类别。
-
随着深度学习的发展,卷积神经网络已有各种类别与功能的网络结构,其中AlexNet卷积神经网络在计算机视觉领域应用具有优势,是因为它在图像分类上有着优异的空间特征提取能力[34]。AlexNet相较于其他卷积神经网络结构,其层数较浅但完整,具有模型运行速率快的优点,同时考虑FMI图像对比于其他自然图像,颜色丰富度偏低,部分FMI图像的结构信息在纵向上出现周期性变化,信息复杂度在纵向上偏低。因此,AlexNet的相对浅层结构足以挖掘FMI图像包含的特征信息。
图9是静态FMI图像以AlexNet模型为框架的CNN沉积微相分类原理示意图,输入为长宽为227像素的三通道FMI彩色图像,可看作227×227×3的矩阵,通过卷积层提取浅层特征,得到55×55×96特征图像,再以最大池化操作减少数据处理量。模型中共有5次卷积和最大池化操作,通过提取不同卷积层中的特征图像（图9）可以看出,浅层特征能看到颜色特征和砾石边界等线条特征,中层特征能看到图像的纹理特征,而深层特征更为复杂,能提取静态FMI图像的整体形态特征,最终该图像经过5次卷积和最大池化。通过两次全连接层,将特征映射到标签为a（扇中辫状水道）、b（扇根主水道）、c（扇中辫状水道间）、d（扇端泥）的样本标记空间中,得到4 096个特征向量。最后以分类器（softmax）对特征向量进行概率统计并归一化,得出该FMI图像是扇根主水道的概率为0.990 3,因此该FMI图像的沉积微相类型判定为扇根主水道。
图 9 以AlexNet为框架的卷积神经网络（CNN）沉积微相识别原理示意图
Figure 9. Schematic diagram of the sedimentary microfacies recognition principle using a convolutional neural network (CNN) based on the AlexNet framework
-
为建立沉积微相分类与识别模型,首先对YX1取心井目的段已知不同沉积微相中分别随机选取一定数量的静态FMI图像,初步得到数据集（扇中辫状水道31张、扇根主水道24张、扇中辫状水道间26张、扇端泥11张,共92张）,同时将相应的部分FMI图像进行旋转、镜像翻转、添加噪声来得到扩展数据集的目的,然后对沉积微相类型重新标签（分类编号）并进行图像的长宽像素统一大小后,最终得到卷积神经网络数据集（共130张）。在训练过程中把数据集的图像随机划分成训练集和测试集,其比例为4∶1,以AlexNet网络模型为框架,对训练集进行训练,训练结果如图10a,在训练迭代次数为1时,其卷积核中的权重参数为初始随机,因此第一次训练结果并不理想,其准确率为30%,通过增加迭代次数（epoch）,准确率不断提高,当迭代次数为36时,最后训练准确率为96.88%,损失函数值（loss）为0.058（图10b）。
图 10 卷积神经网络训练迭代图及混淆矩阵
Figure 10. CNN training iteration graph and confusion matrix
对训练完成的卷积神经网络模型的效果进行验证,通过对测试集（26张）进行识别,得到其混淆矩阵（图10c）。通过混淆矩阵可知,对所有测试集进行微相类型判识时,在扇中辫状水道间与扇端泥的两者区分中,卷积神经网络出现了一次错误的判识（图10c第二行第四列处）,其他沉积微相类型的判识正确率达到100%,表明该网络模型可靠,测试准确率整体达到96.2%,能对绝大部分沉积微相样本进行准确识别划分。
-
为分析传统机器学习（KNN）和深度学习（CNN）在沉积微相识别中的应用效果,将这两种方法对YX2井沙四上亚段砂砾岩体地层进行沉积微相划分与判识,判识结果如图11、12。图11中a段由岩性剖面结合放大动态FMI图像可知为扇中辫状水道,KNN分类算法将其判识为扇根主水道,CNN卷积神经网络模型判识正确；图11b,e段、图12a,c,e段中,通过放大岩心照片、岩性剖面结合放大动态FMI图像可知,这5段发育的岩性为中砾岩、粗砾岩或者砾岩,表明图11b,e段、图12a,c,e段均为扇根主水道,其中KNN分类算法判识结果为扇中辫状水道,CNN判识结果为扇根主水道；除上述几段外,其他层段判识基本准确,特别是在岩性变化明显而引起FMI图像颜色变化明显的深度段（图11c,d段、图12b段）,KNN分类算法和CNN卷积网络模型都具有很强的判识能力。
图 11 YX2井3 180~3 240 m砂砾岩体地层KNN、CNN沉积微相判识结果
Figure 11. Results of KNN and CNN sedimentary microphase discrimination for the 3 180⁃3 240 m sand and gravel body formation in well YX2
图 12 YX2井3 350~3 403 m砂砾岩体地层KNN、CNN沉积微相判识结果
Figure 12. KNN and CNN sedimentary microphase discrimination results of the 3 350⁃3 403 m sand and gravel body in well YX2
FMI图像中颜色、岩石结构特征信息对扇中辫状水道、扇根主水道、扇中辫状水道间、扇端泥这4种沉积微相区别较明显,通过静、动态FMI图像结合部分取心照片（含岩心分析测试资料）、测井曲线、录井剖面等资料,以专家人机交互（即人工）方式对取心井而言可以准确地划分与判识不同的沉积微相类型。但毕竟专家人机交互（即人工）方式需要细致观察理解FMI图像中岩石组成、结构、沉积构造信息,同时结合部分取心资料才能作出合理判识,且对判识过程中形成的知识经验也很难有效推广,判识信息难以量化表征,该方法虽准确率最高,但判识成本高、效率低。相比较而言,KNN和CNN方法判识沉积微相类型更定量、更高效、更节约成本。为直接观察KNN和CNN方法在井筒剖面上的微相判识效果,本文将专家人机交互方式判识沉积微相作为验证对象,以静态FMI图像纹理参数为样本的KNN分类算法在应对扇中辫状水道和扇根主水道的判识结果仍存在少量误差（图11a,b段、图12,b段）,而CNN深度学习模型在沉积微相判识上表现更好,其原因主要是CNN通过卷积核提取静态FMI图像的基础特征,通过多层卷积层和池化层,得到多层复杂特征。相较于KNN传统机器学习是需要人工提取特征参数信息再进行样本训练,深度学习对输入的不同沉积微相类型的静态FMI图像特征信息提取更加丰富。
-
（1） 基于岩心结合FMI图像,将东营凹陷北带Y920区沙四上亚段砂砾岩体沉积微相划分扇根主水道、扇中辫状水道、扇中辫状水道间、扇端泥4种类型,明确了扇中辫状水道的岩石分选性、物性、含油性最好,是最优势微相。
（2） 灰度共生矩阵图像处理可提取不同沉积微相类型FMI图像的对比度、相关度、角二阶矩（能量）、同质性4种纹理参数,将4种纹理参数作为KNN机器学习训练数据集,建立的KNN沉积微相分类判识模型识别准确率达86.2%。
（3） 以AlexNet为框架的CNN沉积微相判识模型,微相判识准确率达96.2%,该模型含有的多层卷积层能提取FMI图像中的线条、颜色、纹理、形态等多层信息,相较于KNN机器学习,CNN深度学习模型识别微相更高效、误差更小,为砂砾岩体有效储层预测提供了依据。
A Method for Identifying Sedimentary Microfacies in a Sandy Conglomerate Body on Deep Learning of FMI Images: Case study of upper submember of the Fourth member, Shahejie Formation in Y920 block, northern zone, Dongying Sag
-
摘要: 砂砾岩体属于近源快速堆积,扇体多期叠置,岩性多样、非均质性强,常规测井曲线受粗碎屑岩石组构、流体复杂性的影响,往往对沉积微相识别有难度。以东营凹陷北带Y920区沙四上亚段砂砾岩体为例,将岩心刻度FMI（全井眼微电阻率扫描成像测井）图像,总结各沉积微相的FMI图像特征；分析不同沉积微相与岩性、物性、含油性的关系；利用灰度共生矩阵图像处理手段提取不同沉积微相FMI图像的对比度、相关度、角二阶矩、同质性4种纹理参数,将4种纹理参数与取心段不同沉积微相FMI图像分别作为K最近邻分类算法（KNN）和卷积神经网络（CNN）的学习样本,训练机器学习和深度学习网络来开展沉积微相的分类和识别。研究结果表明：Y920区沙四上亚段砂砾岩体可细分为扇根主水道、扇中辫状水道、扇中辫状水道间和扇端泥4种微相类型。其中扇中辫状水道为最优势微相,FMI图像大多具有亮色、块状且砾径分布较均匀的特征,其岩石分选性、物性、含油性较好,是有利的储集层发育带。KNN分类算法和CNN网络模型都可对沉积微相进行判识,相较于传统KNN机器学习,CNN深度学习模型识别微相误差更小、鲁棒性更高。FMI图像特征提取及CNN方法应用深化了砂砾岩体沉积微相的内部结构认识,为沉积微相精细刻画与有效储层预测提供了依据。Abstract: Sandy conglomerate bodies are the result of rapid near-source accumulation of sediment, with multi-phase superposition of fan bodies, and diverse, non-homogeneous lithological properties. Conventional logging is adversely affected by coarse clastic rock formations and fluid complexity, which often hinder the identification of sedimentary microphases. In this study, core-scale full borehole micro-resistivity scanning imaging （FMI） of the sand and gravel body was used to summarize the properties of each sedimentary microphase. The relationships between microphases and lithology, physical properties and oil content were analyzed. The contrast, correlation, angular second-order moments, and the four texture parameters and FMI images of the core sections were used as learning samples for the k-nearest neighbors classification algorithm （KNN） and convolutional neural network （CNN）. The machine-learning and deep-learning networks were trained to classifiy and identify sedimentary microphases. The results show that this sand and gravel body is divided into four microphase types： fan-root main channel, mid-fan braided channel, inter-fan braided channel and fan-end mud. The KNN classification algorithm and CNN network model were both able to identify the sedimentary microphases, but the CNN deep-learning model showed smaller error and greater robustness than traditional KNN machine learning. The application of FMI image-feature extraction together with CNN deepens the understanding of the internal structure of sedimentary microphases in gravels, and provides a basis for fine characterization of sedimentary microphases and effective reservoir prediction.
-
Key words:
- FMI images /
- sandy conglomerate bodies /
- sedimentary microfacies /
- Dongying Sag /
- deep learning
-
图 2 YX1井不同沉积微相中发育的岩性刻度FMI图像
（a）粗砾岩,YX1井,3 584~3 586 m；（b）细砾岩,YX1井,3 377.0~3 379.4 m；（c）砾状砂岩,YX1井,3 376~3 378 m；（d）深灰色泥岩,YX1井,3 221~3 223 m
Figure 2. FMI images of lithological scales developed in different sedimentary microphases of well YX1
Fig.2
图 3 YX1井扇中辫状水道、扇根主水道与岩石结构、物性、含油性关系分析
Figure 3. Relationship between braided waterway and main waterway of fan root and rock structure, physical properties and oil content in well YX1 fan
Fig.3
图 4 扇中辫状水道间、扇根主水道FMI及纹理图像
（a）扇中辫状水道间FMI图像及其纹理图像；（b）扇根主水道FMI电成像图及其纹理图像
Figure 4. FMI and texture images of inter⁃braided waterways in the fan and main waterway at the root of the fan
Fig.4
图 5 扇中辫状水道、扇根主水道FMI及纹理图像
（a）扇中辫状水道FMI图像及其纹理图像；（b）扇根主水道FMI电成像图及其纹理图像
Figure 5. FMI and texture images of the braided waterway in the fan and main waterway at the root of the fan
Fig.5
图 6 不同微相对比度、相关度、角二阶矩和同质性相互关系
Figure 6. Contrast, correlation, angular second⁃order moments and homogeneity interrelationships of different microphases
Fig.6
图 7 （a）k值折线图和（b）对比度—角二阶矩KNN模型可视化图
Figure 7. k⁃value line graph (a) and contrast⁃angle second⁃order moment KNN model visualization (b)
Fig.7
图 8 FMI图像CNN深度学习模型判识沉积微相流程图
Figure 8. Flowchart of FMI image CNN deep⁃learning model to discern sedimentary microfacies
Fig.8
图 9 以AlexNet为框架的卷积神经网络（CNN）沉积微相识别原理示意图
Figure 9. Schematic diagram of the sedimentary microfacies recognition principle using a convolutional neural network (CNN) based on the AlexNet framework
Fig.9
图 10 卷积神经网络训练迭代图及混淆矩阵
Figure 10. CNN training iteration graph and confusion matrix
Fig.10
图 11 YX2井3 180~3 240 m砂砾岩体地层KNN、CNN沉积微相判识结果
Figure 11. Results of KNN and CNN sedimentary microphase discrimination for the 3 180⁃3 240 m sand and gravel body formation in well YX2
Fig.11
图 12 YX2井3 350~3 403 m砂砾岩体地层KNN、CNN沉积微相判识结果
Figure 12. KNN and CNN sedimentary microphase discrimination results of the 3 350⁃3 403 m sand and gravel body in well YX2
Fig.12 表 1 沉积微相纹理参数及KNN分类效果
数量编号 微相类型 类型编号 对比度 相关度 角二阶矩 同质性 类型颜色 判断结果 1 扇中辫状水道 a -0.590 570 -0.267 890 1.456 043 1.258 119 红 √ 2 扇中辫状水道 a -0.700 350 0.568 586 -0.309 850 1.515 066 红 √ 3 扇中辫状水道间 c 0.017 181 0.665 954 0.098 237 0.191 232 蓝 √ 4 扇端泥 d 2.309 301 -0.369 690 1.255 711 -0.724 840 黄 √ 5 扇端泥 d 2.385 509 -1.595 630 -0.983 560 -2.065 430 黄 √ 6 扇根主水道 b -0.490 980 -0.351 980 -1.329 310 -1.646 500 绿 √ 7 扇中辫状水道 a -0.356 700 0.661 528 -0.732 770 -0.512 580 绿 × 8 扇根主水道 b -0.675 530 -0.785 710 -0.630 380 0.515 208 绿 √ 9 扇根主水道 b -0.693 510 -1.228 290 -0.780 260 -0.423 210 绿 √ 10 扇中辫状水道间 c 0.202 530 0.564 161 0.679 942 -0.367 350 蓝 √ 11 扇中辫状水道 a -0.673 300 0.024 212 -0.050 160 1.375 421 绿 × … … … … … … … … … 84 扇端泥 d 1.861 600 -0.475 900 -0.775 800 -2.294 450 黄 √ 85 扇根主水道 b -0.372 930 -0.064 300 -1.280 340 -0.713 670 绿 √ 
下载: 导出CSV
-
[1] 邱隆伟,韩晓彤,宋璠,等. 东营凹陷盐22区块沙四上亚段近岸水下扇岩相特征及沉积演化[J]. 大庆石油地质与开发,2021,40（1）：26-37. Qiu Longwei, Han Xiaotong, Song Fan, et al. Lithofacies characteristics and sedimentary evolution of the near- shore subaqueous fans in the upper submember of Es4 in block Yan22 of Dongying Sag[J]. Petroleum Geology & Oilfield Development in Daqing, 2021, 40（1）： 26-37. [2] 卿繁,闫建平,王军,等. 砂砾岩体沉积期次划分及其与物性的关系：以东营凹陷北部陡坡带Y920区块沙四上亚段为例[J]. 岩性油气藏,2020,32（6）：50-61. Fan Qing, Yan Jianping, Wang Jun, et al. Division of sedimentary cycle of sandy conglomerate body and its relationship with physical properties： A case study from the upper submenber of the Fourth member of Shahejie Formation in Y920 block of northern steep slope zone in Dongying Sag[J]. Lithologic Reservoirs, 2020, 32（6）： 50-61. [3] 孟玮,钟建华,李勇,等. 东营凹陷北部陡坡带砂砾岩体分布规律[J]. 特种油气藏,2009,16（5）：17-19. Meng Wei, Zhong Jianhua, Li Yong, et al. Analysis of glutenite distribution regularity in north Dongying Depression[J]. Special Oil and Gas Reservoirs, 2019, 16（5）： 17-19. [4] 刘建伟. 济阳坳陷东营凹陷北带砂砾岩扇体沉积相井震联合地震精细描述[J]. 特种油气藏,2021,28（1）：18-25. Liu Jianwei. Accurate description by well-to-seismic integration of glutenite fan sedimentation in the northern Dongying Sag, Jiyang sub-basin[J]. Special Oil & Gas Reservoirs, 2021, 28（1）： 18-25. [5] 张立强,杨晚. 东营凹陷北带古冲沟古近系多物源沉积模式[J]. 中南大学学报（自然科学版）,2012,43（8）：3159-3165. Zhang Liqiang, Yang Wan. Multi-provenance depositional model of paleo gully in north steep slope of Dongying Depression of upper Es4 in Paleogene[J]. Journal of Central South University （Science and Technology）, 2012, 43（8）： 3159-3165. [6] 王艳红,袁向春,王筱文,等. 东营凹陷永921-920区块沙四上亚段砂砾岩体沉积特征[J]. 地质科技情报,2014,33（2）：86-91,97. Wang Yanhong, Yuan Xiangchun, Wang Xiaowen, et al. Sedimentary characteristics of glutenite of the upper Es4 member, Yong 921-920 area in Dongying Sag[J]. Geological Science and Technology Information, 2014, 33（2）： 86-91, 97. [7] 石影,黄文辉,王华军,等. 东营凹陷北部陡坡带砂砾岩储层物性演化及评价[J]. 煤炭科学技术,2015,43（增刊1）：141-145. Shi Ying, Huang Wenhui, Wang Huajun, et al. Reservoir properties evolution of glutenite reservoirs evaluation in northern steep slope of Dongying Depression[J]. Coal Science and Technology, 2015, 43（Suppl.1）： 141-145. [8] 周俊林,王仲军,丁超,等. 准噶尔盆地乌尔禾油田高自然伽马砂砾岩特征及其沉积微相研究：以乌36井区百口泉组为例[J]. 沉积学报,2014,32（4）：734-743. Zhou Junlin, Wang Zhongjun, Ding Chao, et al. High GR glutinite feature and micro-sedimentary facies in Wuerhe oil-field, Junggar Basin： Taking the Baikouquan Group in Wu 36 area as an example[J]. Acta Sedimentologica Sinica, 2014, 32（4）： 734-743. [9] 束宁凯,苏朝光,石晓光,等. 胜利埕岛极浅海油田薄储集层地震描述及流体识别[J]. 石油勘探与开发,2021,48（4）：768-776. Shu Ningkai, Su Chaoguang, Shi Xiaoguang, et al. Seismic description and fluid identification of thin reservoirs in Shengli Chengdao extra-shallow sea oil field[J]. Petroleum Exploration and Development, 2021, 48（4）： 768-776. [10] 闫建平,蔡进功,赵铭海,等. 电成像测井在砂砾岩体沉积特征研究中的应用[J]. 石油勘探与开发,2011,38（4）：444-451. Yan Jianping, Cai Jingong, Zhao Minghai, et al. Application of electrical image logging in the study of sedimentary characteristics of sandy conglomerates[J]. Petroleum Exploration and Development, 2011, 38（4）： 444-451. [11] 张大智,初丽兰,王晓莲. 利用成像测井资料分析砂砾岩沉积特征：以徐家围子断陷安达地区下白垩统沙河子组为例[J]. 沉积学报,2018,36（3）：584-595. Zhang Dazhi, Chu Lilan, Wang Xiaolian. Using FMI data to analysis the sedimentary characteristics of glutenite： A case study from the Lower Cretaceous Shahezi Formation in the Anda area, Xujiaweizi Fault Depression, NE China[J]. Acta Sedimentologica Sinica, 2018, 36（3）： 584-595. [12] 赖锦,刘秉昌,冯庆付,等. 鄂尔多斯盆地靖边气田马家沟组五段白云岩沉积微相测井识别与评价[J]. 地质学报,2020,94（5）：1551-1567. Lai Jin, Liu Bingchang, Feng Qingfu, et al. Well logging identification and evaluation of depositional microfacies in dolostones from the 5th member of the Ordovician Majiagou Formation in the Jingbian gas field, Ordos Basin[J]. Acta Geologica Sinica, 2020, 94（5）： 1551-1567. [13] 张善文,袁静,隋风贵,等. 东营凹陷北部沙河街组四段深部储层多重成岩环境及演化模式[J]. 地质科学,2008,43（3）：576-587,602. Zhang Shanwen, Yuan Jing, Sui Fenggui, et al. Multiple diagenetic environments and evolvement model in deep formation of the 4th member, Shahejie Formation in the northern Dongying Sag[J]. Chinese Journal of Geology, 2008, 43（3）： 576-587, 602. [14] 赵红兵,严科. 近岸水下扇砂砾岩沉积特征及扇体分布规律[J]. 断块油气田,2011,18（4）：438-441. Zhao Hongbing, Yan Ke. Depositional characteristics of glutenite and distribution pattern of fan on nearshore subaqueous fan[J]. Fault-Block Oil & Gas Field, 2011, 18（4）： 438-441. [15] 闫建平,言语,李尊芝,等. 砂砾岩储层物性演化及影响因素研究：以东营凹陷北部陡坡带为例[J]. 岩性油气藏,2016,28（2）：1-6. Yan Jianping, Yan Yu, Li Zunzhi, et al. Physical property evolution of glutenite reservoir and its influencing factors： A case study from northern steep slope zone in Dongying Sag[J]. Lithologic Reservoirs, 2016, 28（2）： 1-6. [16] 王鑫,林承焰,马存飞,等. 东营凹陷北部陡坡带利563区块沙四上亚段砂砾岩扇体沉积特征及沉积模式[J]. 吉林大学学报（地球科学版）,2020,50（3）：705-720. Wang Xin, Lin Chengyan, Ma Cunfei, et al. Sedimentary characteristics and sedimentary model of glutenite fans in upper Es4 in L563 area, north steep slope of Dongying Depression[J]. Journal of Jilin University （Earth Science Edition）, 2020, 50（3）： 705-720. [17] 康晏. 东营凹陷北部陡坡带中段Es4近岸水下扇有效储层评价[J]. 油气藏评价与开发,2015,5（4）：1-5. Kang Yan. Evaluation for near shore subaqueous fans effective reservoir of Es4 at the middle steep slope in northern Dongying Depression[J]. Reservoir Evaluation and Development, 2015, 5（4）： 1-5. [18] 李桥,王艳忠,操应长,等. 东营凹陷盐家地区沙四上亚段砂砾岩储层分类评价方法[J]. 沉积学报,2017,35（4）：812-823. Li Qiao, Wang Yanzhong, Cao Yingchang, et al. Classified evaluation of sand-conglomerate reservoir of the upper section of the Fourth member of Shahejie Formation in Yanjia area, Dongying Depression[J]. Acta Sedimentologica Sinica, 2017, 35（4）： 812-823. [19] 于景强,韩宏伟. 近岸水下扇坡积朵叶体沉积模式与成因机制[J]. 沉积学报,2020,38（2）：411-419. Yu Jingqiang, Han Hongwei. Sedimentary model and genetic mechanism for the alluvial lobes of the offshore underwater fan slope[J]. Acta Sedimentologica Sinica, 2020, 38（2）： 411-419. [20] 李永洲,文桂华,李星涛,等. 沉积微相控制下的煤系地层致密砂岩气储层预测方法：以鄂尔多斯盆地大宁—吉县区块下二叠统山西组为例[J]. 天然气工业,2018,38（增刊1）：11-17. Li Yongzhou, Wen Guihua, Li Xingtao, et al. Prediction method of tight sandstone gas reservoirs in coal-sediment strata controlled by sedimentary microfacies： A case study of the Lower Permian Shanxi Formation in the Daning-Jixian block of the Ordos Basin[J]. Natural Gas Industry, 2018, 38（Suppl.1）： 11-17. [21] Zhang G Q, Mi L D. Sedimentary facies of clastic-platform carbonate sediment strata of epicontinental sea in the Daniudi gasfield, Ordos Basin[J]. Natural Gas Industry B, 2021, 8（3）： 239-251. [22] 张立强,罗晓容,肖欢,等. 胜坨地区沙四上亚段近岸水下扇相砂砾岩体成岩矿物类型及分布特征[J]. 天然气地球科学,2015,26（1）：13-20. Zhang Liqiang, Luo Xiaorong, Xiao Huan, et al. Types and distribution of diagenetic alterations in the nearshore subaqueous fan of the upper Es4 in Shengtuo area of Dongying Depression[J]. Natural Gas Geoscience, 2015, 26（1）： 13-20. [23] 白立科,邱隆伟,杨勇强,等. 近岸水下扇微相划分研究及意义初探：以滦平盆地下白垩统西瓜园组为例[J]. 地质学报,2020,94（8）：2446-2459. Bai Like, Qiu Longwei, Yang Yongqiang, et al. Preliminary microfacies division and significance study of nearshore subaqueous fan： A case study from the Lower Cretaceous Xiguayuan Formation, Luanping Basin[J]. Acta Geologica Sinica, 2020, 94（8）： 2446-2459. [24] McQueen J B. Some methods for classification and analysis of multivariate observations[C]//Proceedings of 5th Berkeley symposium on mathematical statistics and probability. Berkeley： University of California, 1967： 281-297. [25] 李艳华,王红涛,王鸣川,等. 基于PCA和KNN的碳酸盐岩沉积相测井自动识别[J]. 测井技术,2017,41（1）：57-63. Li Yanhua, Wang Hongtao, Wang Mingchuan, et al. Automatic identification of carbonate sedimentary facies based on PCA and KNN using logs[J]. Well Logging Technology, 2017, 41（1）： 57-63. [26] 王治国,尹成,雷小兰,等. 河道纹理属性分析中的灰度共生矩阵参数研究[J]. 石油地球物理勘探,2012,47（1）：100-106. Wang Zhiguo, Yin Cheng, Lei Xiaolan, et al. A gray co-occurrence matrix parameter study in channel texture analysis[J]. Oil Geophysical Prospecting, 2012, 47（1）： 100-106. [27] 高程程,惠晓威. 基于灰度共生矩阵的纹理特征提取[J]. 计算机系统应用,2010,19（6）：195-198. Gao Chengcheng, Hui Xiaowei. GLCM-based texture feature extraction[J]. Computer Systems & Applications, 2010, 19（6）： 195-198. [28] 李智峰,朱谷昌,董泰锋. 基于灰度共生矩阵的图像纹理特征地物分类应用[J]. 地质与勘探,2011,47（3）：456-461. Li Zhifeng, Zhu Guchang, Dong Taifeng. Application of GLCM- based texture features to remote sensing image classification[J]. Geology and Exploration, 2011, 47（3）： 456-461. [29] Priyanka, Kumar D. Feature extraction and selection of kidney ultrasound images using GLCM and PCA[J]. Procedia Computer Science, 2020, 167： 1722-1731. [30] Haralick R M, Shanmugam K, Dinstein I H. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, SMC-3（6）： 610-621. [31] Lawrence S, Giles C L, Tsoi A C, et al. Face recognition： A convolutional neural-network approach[J]. IEEE Transactions on Neural Networks, 1997, 8（1）： 98-113. [32] Nebauer C, Evaluation of convolutional neural networks for visual recognition[J]. IEEE Transactions on Neural Networks, 1998, 9（4）： 685-696. [33] 李健,王晓明,张英海,等. 基于深度卷积神经网络的地震震相拾取方法研究[J]. 地球物理学报,2020,63（4）：1591-1606. Li Jian, Wang Xiaoming, Zhang Yinghai, et al. Research on the seismic phase picking method based on the deep convolution neural network[J]. Chinese Journal of Geophysics, 2020, 63（4）： 1591-1606. [34] 李诗,陈建平,向杰,等. 基于AlexNet网络的二维找矿预测：以松桃—花垣地区沉积型锰矿为例[J]. 地质通报,2019,38（12）：2022-2032. Li Shi, Chen Jianping, Xiang Jie, et al. Two-dimensional prospecting prediction based on AlexNet network： A case study of sedimentary Mn deposits in Songtao-Huayuan area[J]. Geological Bulletin of China, 2019, 38（12）： 2022-2032. -
点击查看大图
计量
- 文章访问数: 314
- HTML全文浏览量: 66
- PDF下载量: 97
- 被引次数: 0
