HTML
-
随着北美地区在海相页岩油气储集层勘探以及开发方面取得重大突破，非常规油气开发成为热点话题，全球诸多国家对非常规油气方面的关注度增加，开始聚焦于烃源岩层系寻找油气[1]。自2010年勘探发现吉木萨尔凹陷芦草沟组具有很好的生烃潜力以来，页岩油勘探规模持续扩大，不断形成新的地质认识，吉木萨尔凹陷芦草沟组目前是中国陆相广义页岩油的典型代表[2]。吉木萨尔凹陷芦草沟组具有咸化湖盆、多源混积、源储一体和“甜点”分散的地质特征，属于典型的自生自储型广义页岩油藏[3]。但芦草沟组纵向上岩性复杂、薄互层叠置，非均质性强[4]，亟需建立配套的岩相测井评价方法。
岩相是一定沉积环境中形成的岩石或岩石组合特征，是沉积相的主要组成部分，包括颜色、成分、结构和沉积构造等[5]。与现今海相页岩油气储集层的研究程度相比，学者们对湖相细粒混积岩储集层研究相对较集中，主要聚焦在不同岩相类型的矿物成分组成和湖盆演化历史等方面，导致在岩相的准确识别和划分方面的研究较为薄弱[6]。调研发现，目前针对研究区芦草沟组的岩相划分类型多样，主要是基于沉积学上的一些可以明确反映岩石类型的划分标志，如传统的岩石命名，不同岩石类型的结构、沉积构造[7-8]。
测井资料以其纵向分辨率高、连续性好的特征，在岩相识别与评价方面应用广泛[9-10]。张晋言[11]利用系统取心井的分析资料，以大尺度岩性变化（岩心录井描述）为主线，以微小尺度（实验分析描述）的泥页岩岩石学特征为基础，刻度成像测井信息，以成像图上的色标变化标定常规测井资料，建立岩相精细划分模式，从而实现泥页岩岩相的识别及划分；张超等[12]通过选取GR、AC、CNL等测井曲线建立岩相测井识别模式，实现岩相的划分；Yan et al. [13]应用岩心描述、薄片观察、电镜成像、核磁共振等手段进行泥页岩岩相特征研究，结合测井资料识别层理构造及计算总有机碳含量（TOC）和热解烃含量（S2 ）等地化参数，建立了一种基于测井资料的泥页岩岩相识别方法；车世琦[14]根据ECS测井和岩石薄片资料，建立页岩矿物组分的三端元图版，从而实现页岩岩相的划分，再结合常规测井资料，建立测井识别图版；杨洋等[15]利用测井资料、岩心测试数据为基础，通过多参数优选、多元线性拟合，分别建立了黏土矿物、硅质矿物相对含量的预测方程，建立了页岩岩相识别雷达图版；王圣柱[16]运用岩石薄片、X射线衍射全岩矿物分析和场发射环境扫描电镜等储集层表征技术，结合有机地球化学测试分析，根据岩石矿物组分、层理构造、有机碳含量等指标进行岩相划分。
目前，人工智能发展迅速，林万昌等[17]使用神经网络方法对测井数据进行岩性识别，结果表明与统计方法、岩性录井分析结果一致；邱颖等[18]利用神经网络方法进行岩性和岩相的预测，在训练数据集具有代表性的前提下，证明神经网络方法在石油勘探中可行；谭琨[19]将Kohonen应用到岩性识别中，取得较好的效果。Kohonen神经网络在岩相识别上取得了较好的应用效果，且该方法可提高资料处理速度，克服人为因素的影响，提高识别的精度，减轻专业人员的负担，而且稳定性也大大提高。因此，亟需将人工智能相关的技术体系应用至未取心井或井段岩相的测井判别工作中。
本文通过对研究区全井段取心的关键井进行岩心观察，综合利用铸体薄片资料和常规测井资料，建立岩相测井评价模型。在此基础上，通过岩心资料与高分辨率成像测井资料实现单井岩相的精细划分，并通过建立样本井刻度Kohonen神经网络岩相划分模型，以实现研究区内多口井岩相的有效及快速划分。研究成果可提高未取心井岩相判别效率与精度，对页岩油的勘探与后期开发具有理论指导意义与方法支撑。
-
吉木萨尔凹陷位于准噶尔盆地东部东南缘，是在中石炭统褶皱基底上沉积的一个西断东超、西厚东薄的箕状凹陷，东临古西凸起，西接老庄湾断裂、北三台凸起、西地断裂，南以三台断裂为界，北靠吉木萨尔断裂与沙奇凸起[20-22]（图1）。吉木萨尔凹陷东西长约为60 km，南北宽约为30 km，面积约为1 500 km2[23-24]。吉木萨尔凹陷从老到新、自下而上依次发育有石炭系、二叠系（将军庙组、芦草沟组、梧桐沟组）、三叠系、侏罗系、白垩系、古近系—新近系及第四系等[25]。
Figure 1. Structural division of Jimusaer Sag[22]
二叠系芦草沟组是准噶尔盆地东部重要的含油层系之一。芦草沟组一共可以划分为两段，从上至下依次发育芦草沟组二段（P2 l 2）和芦草沟组一段（P2 l 1）。芦草沟组二段（P2 l 2）和芦草沟组一段（P2 l 1）又可以各分为两个层组，芦二段一层组（
本次研究基于：1）岩心描述资料J10025井178 m，J10024井53 m，J10016井57.3 m，J10012井32.5 m，对应的薄片共100块，是在中国石油大学（北京）油气资源与探测国家重点实验室完成单偏光以及正交光的描述；2）常规测井资料包括九常规测井曲线GR、SP、DEN、CNL、AC、深浅电阻率，主要为P2 l 2与P2 l 1，J10025井310 m，J10016井225 m；3）成像测井资料为斯伦贝谢公司FMI采集（全井眼模式，处理动态、静态图像）J10016井、J10025井等238 m，以此进行岩相划分方案以及不同岩相测井评价模型的建立。
-
前人研究表明，吉木萨尔凹陷芦草沟组沉积物来源可以概括为三种：陆源碎屑物质由河流—三角洲供给，也存在滩坝相砂体，火山碎屑物质由湖底火山作用或者凹陷周缘的火山作用提供，碳酸盐岩类物质由湖底幔源热液与少量湖水混合后直接沉淀结晶形成或者咸化湖盆的蒸发作用供给[27]。
粗略观察岩心颜色差异不大，并且部分浅灰色岩石受含油级别较高的影响，颜色观察不直观。但根据岩石化验资料得知芦草沟组页岩油储集层含有多种矿物组分，比较常见的有石英、长石、白云石等矿物。根据铸体薄片观察结果，陆源碎屑中石英、长石含量较高，黏土矿物含量较低；碳酸盐岩成分中，白云石含量最高，其次为方解石，符合芦草沟组云岩较为发育的岩性特征，此次岩心的观察火山碎屑物质发育较少。不易观察到的矿物包括在一些裂缝、层理缝、缝合线中发育的黄铁矿、菱铁矿、方沸石等多种热液矿物，这些矿物的含量比较低，但是对于指示含有该种矿物的岩石类型的沉积环境与地质事件具有重要意义。上、下甜点体（
-
沉积构造往往能表征沉积物沉积时沉积介质、流体的水动力条件和沉积物的搬运和沉积方式，是识别研究区多种岩性沉积环境的重要标志[30]，可以以此为依据进行岩相划分方案的制定。
岩心观察表明，芦草沟组可见重荷模构造（图2a），指示当时含有泥质或粉砂质的岩石发生液化，在一定的负荷作用条件下形成，通过凸起或者凹陷部位指示的方向，可以判断地层的顶底界面。灰质团块（图2b），可能在岩石沉积时有新的物源搬运过来。缝合线（图2c）由于压溶作用形成。液化砂岩脉（图2d），指示当时研究区发生过地震等扰动作用，使砂质沉积物发生液化或者脱落，形成一系列的沉积构造。楔状交错层理（图2e）代表当时的水动力沉积环境比较高能，多发育在粉砂岩中。在砂质成分含量较高的岩石中，会发育平行层理（图2f）、波状层理（图2g）等沉积构造，代表当时的水体环境比较动荡，水流浅且湍急。泥岩中发育的水平层理（图2h）代表沉积环境低能，甚至静水环境沉积，由纵向上垂向加积所致，是深湖相沉积的重要标志。
Figure 2. Sedimentary structure type of Lucaogou Formation in Jimusaer Sag
-
全球页岩油勘探成果表明，岩相特征描述是一种有效且重要的方法，反映了沉积岩所有重要岩性特征的综合[31]，可用于了解有机质的聚集、沉积过程、化学特征，最重要的是，它是页岩储层的基本单元，可识别有利储层[32]。页岩岩相的完整描述可以反映页岩的矿物学、地球化学和油气潜力[33]。本文以每种岩石类型的岩石学特性为基础结合测井曲线响应特征与成像测井资料进行单井岩相划分。首先通过局部上，即对吉木萨尔凹陷芦草沟组700余块岩心进行观察，确定每种岩性的岩石学特征，总结优势岩相；再从整体上，通过成像测井对岩石的沉积构造进行精细表征[34-37]，并寻找岩性在纵向上的分布及组合规律，结合常规测井资料，遵循：1）地质上岩心尺度能够识别；2）测井上可以明显区分；3）划分方案对于研究区未取心井具有很好的适用性。共划分出6种岩相类型（表1）。
方案 岩石类型 沉积构造 岩相 碳酸盐岩类 泥晶云岩 块状，条带状 块状泥晶云岩相 陆源碎屑岩类 泥质粉砂岩 波状层理，平行层理 平行/波状层理泥质粉砂岩相 粉砂岩 平行层理，波状层理 平行层理粉砂岩相 泥岩 块状为主，少量水平层理可见 块状泥岩相 云质泥岩 块状，水平纹层，波状纹层 水平层理云质泥岩相 粉砂质泥岩 块状，波状层理，水平层理 波状/水平层理粉砂质泥岩相 Table 1.
Lithofacies classification scheme 参考王圣柱[16]和马克等[38]的岩相划分方案基础，结合此次实际研究情况共划分出6种岩相类型，但由于沉积构造在测井上响应不灵敏，因此，部分沉积层理合并命名，这六种岩相包括：平行层理粉砂岩相、平行/波状层理泥质粉砂岩相、块状泥岩相、水平层理白云质泥岩相、波状/水平层理粉砂质泥岩相、块状泥晶白云岩相（表1）。
2.1 组分特征
2.2 沉积构造特征
2.3 岩相划分方案
-
平行/波状层理泥质粉砂岩相岩心主要为灰色，从铸体薄片中可以看出，砂质成分较高，含有少量的泥质，石英、长石矿物含量高，原生粒间孔与溶蚀孔隙较发育，杂基含量较高，颗粒磨圆、分选差。可以看到，图3岩心照片中发育小型波状层理、液化砂岩脉。含油级别以荧光、油迹为主，少见油浸、饱含油。常规测井响应特征为：自然伽马（GR）为中—高值（受泥质组分影响），补偿中子（CNL）中等，深电阻率（RLLD）中等。成像测井上整体为亮色背景，泥岩为暗色条带分布（图3）。
Figure 3. Logging evaluation model of shaley siltstone lithofacies with parallel/wavy bedding in well J10025
-
平行层理粉砂岩相岩心主要为灰色，从铸体薄片中可以看出，孔隙发育，石英、长石含量高，颗粒磨圆、分选差。受较强水动力条件的影响，发育平行层理、波状层理等沉积构造。粉砂岩相中碳酸盐岩供给较弱，部分发育灰质条带。常规测井响应特征为：自然伽马（GR）为中—高值（存在钾长石），声波时差（AC）为低值，深电阻率（RLLD）为中—高值。成像测井上砂岩为亮色高阻特征（图4）。
Figure 4. Logging evaluation model of siltstone lithofacies with parallel bedding in well J10025
-
块状泥晶云岩相岩心主要为灰色—深灰色，从铸体薄片中可以看出，主要由泥粉晶白云石组成，孔隙发育情况不一，部分晶间孔较发育，部分含有一些溶蚀孔隙，部分孔隙不太发育。多为均一块状，主要发育水平纹层和波状纹层等小型沉积构造，部分泥晶云岩中发育暴露构造。发育水平纹层说明岩石沉积于安静的水体环境中，发育波状纹层说明当时沉积环境中存在局部的水体扰动。含油级别为油迹—油斑。常规测井响应特征为：自然伽马（GR）为中值，声波时差（AC）为低值，深电阻率（RLLD）为高值。成像测井上整体为亮色背景，内部缺少明显的纹层构造（图5）。
Figure 5. Logging evaluation model of massive micrite dolomite lithofacies in well J10025
-
块状泥岩相岩心为灰黑色至黑色，代表较强的还原环境。根据芦草沟组的相关分析化验资料，认为泥岩相中有机质丰度较高，具有较好的生烃潜力，可以作为较好的烃源岩。含油级别多为荧光。常规测井响应特征为：自然伽马（GR）为高值，深电阻率（RLLD）为低值。成像测井上整体为暗色背景，偶可见水平纹层（图6）。
Figure 6. Logging evaluation model of massive mudstone lithofacies in well J10025
-
水平层理白云质泥岩相岩心多为灰黑色，代表较强的还原环境。浅色纹层多为云质，含油级别多为荧光，少见油斑、饱含油。该岩相在下甜点体较为发育，可以作为很好的烃源岩，其中还发育层理缝和小型裂缝，部分存在黄铁矿充填现象。常规测井响应特征为：自然伽马（GR）为齿化高值，补偿中子（CNL）为齿化高值，密度（DEN）为低值，深电阻率（RLLD）为齿化高值。成像测井上整体为暗色背景，有块状或者条带状亮色分布，为黑色条带模式。根据其是否存在残留烃，测井响应特征可能有所变化（图7）。
Figure 7. Logging evaluation model of micaceous mudstone lithofacies with parallel bedding in well J10025
-
块状/水平层理粉砂质泥岩相岩心主要为灰黑色至灰色。由于含有不同含量的粉砂质，其物性会出现差异。发育水平层理、波状层理等沉积构造，以及缝合线、小型砂岩透镜体等，含油级别多为荧光，少见油迹、油斑。部分井段会出现粉砂质泥岩与泥质粉砂岩互层的现象。常规测井响应特征为：自然伽马（GR）为高值，声波时差（AC）为低值，深电阻率（RLLD）为低值。成像测井上整体为暗色背景，有块状或者条带状亮色分布，为块状、层状模式（图8）。
Figure 8. Logging evaluation model of silty mudstone lithofacies with wavy/horizontal bedding in well J10025
3.1 平行/波状层理泥质粉砂岩相
3.2 平行层理粉砂岩相
3.3 块状泥晶云岩相
3.4 块状泥岩相
3.5 水平层理白云质泥岩相
3.6 块状/水平层理粉砂质泥岩相
-
通过前面建立的不同岩相的测井识别模型与准则，即可利用常规和成像测井实现单井岩相的测井评价，但由于通过人工判别相对工作量大，效率低，因此亟需建立一种岩相的自动测井判别方法。本次研究即引入Kohonen神经网络实现岩相测井自动判别。
-
Kohonen神经网络是由芬兰Hclsink大学的Kohonen在1980年提出的一种自组织神经特征映射模型，是基于生理学和脑科学研究成果提出的[39]。人脑通过将复杂的数据投射到空间上，实现数据的结构模型化，Kohonen利用这个思想构造人工神经网络，使用向量量化方法来实现数据的压缩编码，使图像的处理结果更加优化[40]。Kohonen神经网络是自组织竞争型神经网络的一种，该网络为无监督学习网络，能够识别环境特征并自动聚类，适用于解决模式分类和识别方面的应用问题[41]。该网络通过自组织特征映射调整网络权值，使神经网络收敛于一种表示形态，在这一形态中一个神经元只对某种输入模式特别匹配或特别敏感[42]。Kohonen神经网络在网络结构上，它一般是由输入层和竞争层构成的两层网络，两层之间各神经元实现双向连接，优势竞争层各神经元之间还存在横向连接（图9）。
Figure 9. Fundamental framework of Kohonen( modified from reference [43])
Kohonen网络只有一层“平面”式神经元层，根据训练模式之间的关系把复杂的数据投射到这个“平面”层[44]。输入层的神经元个数的选取由输入网络的影响因子个数决定，而输出层则是由输出层神经元按照一定的方式排列成一个二维平面上[45]。神经元之间有隐形连接，连接系数与距离成反比，且每个神经元没有专门的输出层，其兴奋状态就是输出[46]。
Kohonen神经网络以聚类分析算法为基础对数据进行计算分类，算法流程如下：以相似性为输入模式，将样本输入网络，对输入数据进行归一化，通过计算输入样本与竞争层神经元的欧几里得距离，求出获胜神经元，将其作为最优匹配输出神经元，也就是竞争层中的各神经元相互竞争，求出的获胜神经元，修改与该获胜神经元有关的各连接权系数，使得周围的输入样本更倾向于该获胜神经元，这种通过无导师竞争学习来求出权系数的过程被称为自组织特征映射，之后对算法是否结束进行判断，若未结束，返回优胜节点计算步骤，再次进行权值调整。通过以上过程的反复训练，当所有样品都具有确定的获胜神经元时，竞争结束[47]。
所谓竞争就是采用“胜者为王”的策略，当一个数据集输入到Kohonen网络中时，所有输出节点都会有一个数值，与输入元组最相似的节点就是胜者。确定胜者后，要调整该节点及其领域内节点对应的权重[48]。不断重复这个过程, 直到确定权值，将输入的数据集都进行关联，形成不同的类别。
对于充分大的数据集，倘若训练时间足够长，每个输出节点都会与输入元组集合相关联。这些输入元组集合就形成了簇。
-
通过Kohonen神经网络的方法可以减轻解释人员的负担，在精度符合要求的条件下可以克服人为因素的影响使多口井的岩相划分统一标准，并且对未知样本的识别率较高，识别速度快，具有很强的抗干扰能力。
将测井曲线数据导入Techlog软件中，通过机器无监督的学习计算出每条测井曲线对不同岩相响应特征的平均值（表2），将具有相似平均值的岩性划分为一类岩相，这里需要注意的是，由于机器无法识别单一岩相里面的沉积构造，所以将其归为一类岩相，也就是前面所说的以相似性为输入模式。Kohonen神经网络只是机器无监督的将输入数据进行分类，且由于测井资料本身存在一定的多解性，因此实际解释过程中需要人机交互解释，对每一种岩相的确定需要结合岩心综合柱状图与测井曲线响应特征进行人工识别，从而给每一个分类进行岩相命名，确定其属于何种岩相，也就是所谓的“人为分配”。
岩相 GR/API AC/(μs/ft) DEN/(g/cm3) RT/Ω·m RXO/Ω·m 水平层理白云质泥岩相 72.22 72.26 2.47 296.76 609.48 块状泥岩相 86.80 82.17 2.37 622.87 1 059.12 平行/波状层理泥质粉砂岩相 69.36 75.49 2.42 889.51 1 516.11 波状/水平层理粉砂质泥岩相 100.44 74.05 2.37 459.63 441.95 平行层理粉砂岩相 69.49 68.31 2.49 725.61 794.05 块状泥晶白云岩相 93.90 96.52 2.21 860.92 1 605.69 Table 2.
Average value of logging curves of various lithofacies 这里选取了5条测井曲线，分别为自然伽马曲线（GR）、电阻率曲线（RT、RXO）、声波时差曲线（AC）、密度曲线（DEN），从J10025单井全井段来看，自然电位曲线（SP）在全井段中无明显大幅度起伏变化，近似为一条直线贯穿全井段；声波时差曲线（AC）、对部分岩相的测井响应特征区分不够明显；自然伽马曲线（GR）、密度曲线（DEN）和电阻率曲线（RT、RXO）对不同岩相的测井响应特征区分较为明显，这里选择5条测井曲线作为岩相划分的依据，可以提高岩相识别的准确率。
经过前面的处理流程，将岩相分成6类，形成自组织图（图10），图中每一种背景颜色代表一种岩相类型，朵叶体的每一个花瓣代表一条测井曲线，红色的花瓣代表GR曲线，紫色的花瓣代表AC曲线，黄色的花瓣代表DEN曲线，棕褐色的花瓣代表RT曲线，白色的花瓣代表RXO曲线，它们面积的大小代表不同测井曲线响应特征的变化，每一类岩相类型中的朵叶体都有较为相似的测井曲线响应特征，以此图为基准，形成单井岩相划分成果图（图11）。
Figure 10. Self organization chart of lithofacies division in single well
Figure 11. Result map of lithofacies division in well J10025
单井岩相划分结果与铸体薄片相对于其他划分方案匹配程度较高，但是由于Kohonen神经网络特殊的输入模式和薄互层分布的特点，将一些测井曲线计算出的数值相近的岩性划分到一类岩相，这是未取心井中铸体薄片与Kohonen神经网络划分出的岩相匹配度不同的主要原因。
通过计算，单井的Kohonen神经网络识别精度为87.9%（铸体薄片总数为33块，与Kohonen神经网络符合的铸体薄片总数为29块），整体上应用Kohonen神经网络划分出的岩相与铸体薄片匹配度较好，说明建立的岩相划分模型比较准确，可应用到其他井进行岩相划分（图12），提高岩相划分效率。
Figure 12. Result map of lithofacies division in well J10016
如将该方法推广应用至J10016井岩相测井识别中，识别结果表明
4.1 Kohonen神经网络介绍
4.2 Kohonen神经网络岩相测井识别
-
（1） 研究区岩石组分复杂，纵向上非均质性较强。本文综合考虑测井曲线对每种岩相的可区分性，以及地质上的可识别性，综合利用岩心资料与测井资料，并结合前人的划分方案建立了吉木萨尔凹陷芦草沟组岩相划分方案，共划分出6种主要岩相：平行/波状层理泥质粉砂岩相、平行层理粉砂岩相、波状/平行层理粉砂质泥岩相、水平层理白云质泥岩相、块状泥晶白云岩相、块状泥岩相，并系统地研究了各个岩相的成分及沉积构造等特征。
（2） 本次研究根据不同岩相的常规测井响应特征，结合岩心资料、铸体薄片资料与成像测井资料，通过岩心刻度测井资料建立每种岩相的测井评价模型与判别准则，进一步利用人工智能——Kohonen神经网络方法，实现单井纵向上岩相的自动判别，通过铸体薄片对其划分精度进行验证，结果表明，符合程度较高。
DownLoad:
