Lithology and Distribution Characteristics of the Oolitic Beach from the Feixianguan Formation, Eastern Sichuan Basin

自20世纪90年代以来,众多学者围绕四川盆地下三叠统飞仙关组沉积相类型、相带展布^[1⁃15]及气藏主控因素^[9⁃11,15]等开展了大量研究,相继在普光、龙门、高峰场、巫山坎、双家坝等海槽台缘地带取得重大突破。截至目前,天然气探明储量累计超过6 000×10⁸ m³。然而,飞仙关组储层类型复杂、岩性多样,不同岩性测井曲线响应特征差异不明显,海槽南段西侧、台内等地区岩性变化规律及沉积格局演化规律不明确,严重制约了天然气勘探进度。

根据各种测井曲线间的内在联系,传统的交会图和双矿物模型等在非均质性强烈的碳酸盐岩岩性识别中应用效果并不突出,数据重叠现象较为严重,岩性解释精度受限^[4⁃13]。随着机器学习算法在岩性识别领域中的广泛应用,诸如人工神经网络（Artificial Neural Network,ANN）、支持向量机等“黑盒算法”^[16⁃18]均是近年的研究热点,这些黑盒算法对数据与属性的因果关系有所表征,但忽略了测井数据随深度变化的前后关联,因此其岩性识别的准确度有待提升。相较于黑盒算法,“白盒算法”决策树对复杂碳酸盐岩识别具有显著优势,对于各种影响因素有着深刻的表征以及指导作用^[19⁃36]。而梯度提升决策树（Grandient Boosting Decision Tree,GBDT）是解决不均衡数据的高预测精度算法^[37⁃38],通过残差分析对目标进行精确分类,但其运算量庞大,导致计算速度低、资源占用量大。为此,将随机因素引入GBDT,提出利用随机梯度提升决策树（Stochastic Grandient Boosting Decision Tree,SGBDT）算法^[39⁃41]建立老井岩性测井精细识别模型,并对全区飞仙关组岩性进行识别,在此基础上总结有利岩性分布及沉积格局演化规律,以期为后续地质研究提供有力依据。

研究区位于四川盆地东部^[1]（以下简称“川东”）（图1a）,受晚二叠世—早三叠世北部构造带和峨眉地裂的共同影响,形成以开江—梁平海槽为主的槽台沉积格局^[5,8,15]。区内飞仙关组在长兴组古地貌基础下继承性沉积,海槽逐渐被“填平补齐”。水体逐渐变浅,至飞仙关组中—晚期,逐渐演化成碳酸盐岩开阔台地,末期则形成蒸发台地^[4⁃9]。依据电性、岩性特征^[9⁃15],将区内飞仙关期划分为四段,即：飞仙关组四段（飞四段）、飞仙关组三段（飞三段）、飞仙关组二段（飞二段）、飞仙关组一段（飞一段）（图1b）。飞四段岩性主要由紫红色泥岩、膏质云岩、石膏岩、泥晶云岩构成；飞三段以泥晶灰岩为主,局部夹薄层鲕粒灰岩；飞二段岩性主要为泥晶灰岩和鲕粒灰岩,受白云石化和组构溶蚀作用影响^[15],部分地区形成鲕粒云岩；受陆源碎屑和古地貌差异等因素影响,区内自SW至NE向发育混积台地相和清水台地相^[15],混积台地相飞一段底部为泥质灰岩,下部为泥晶灰岩夹薄层泥质灰岩,向上局部地区发育鲕粒灰岩,顶部则为紫红色泥岩,清水台地相主要发育泥晶灰岩,少部分地区发育鲕粒灰岩（图2）。

Figure 1.  (a) Location of the study area (modified from reference [1]); (b) stratigraphic column of the Feixianguan Formation in the eastern Sichuan Basin

Figure 2.  Feixianguan Formation litho well logging characteristics from eastern Sichuan Basin

泥晶灰岩岩心主要为灰、深灰和暗褐灰色,见水平层理。从薄片可以看出,主要由泥—粉晶方解石构成,几乎不含泥纹,孔隙发育差,岩心孔隙度介于0.6%~1.54%,平均为1.03%。其沉积特征表明该类岩石形成于水体较为安静的环境中,在开阔台地内部静浅水、斜坡带以及较深水盆地（海槽）等环境中均有分布。常规测井响应特征为：自然伽马（GR）低值,补偿中子（CNL）低值,声波时差（AC）低值,补偿密度（DEN）中—高值,深侧向电阻率（RT）高值（图2a）。

鲕粒云岩岩心为浅灰、褐灰色,见槽状、板状交错层理。从薄片可以看出,鲕粒主要为残余鲕,由他形—半自形粉晶白云石组成,孔隙以粒间溶孔、晶间溶孔为主,岩心孔隙度介于1.53%~12.34%,平均为5.07%,为最有利储层岩性,形成于水动力条件较强的沉积环境之中,如台地边缘（台缘滩）、台内局部地貌高地（台内点滩）等。常规测井响应特征为：补偿密度（DEN）中等,深侧向电阻率（RT）中值（图2b）。

鲕粒灰岩岩心以灰、深灰和灰白色为主,分选、磨圆中等—好。从薄片可以看出,多为正常鲕粒,粒间孔发育,见少量粒内溶孔,部分鲕粒被白云石交代,岩心孔隙度介于1%~3%,平均为2.08%,为有利储层岩性,形成于台地边缘和台内点滩等水动力较强的沉积环境。常规测井响应特征为：补偿密度（DEN）中等,深侧向电阻率（RT）中—低值（图2c）。

膏质云岩岩心为浅灰色,见石膏结核和少量针孔,发育层状层理,由泥晶白云石组成,岩心孔隙度介于0.35%~1.26%,孔隙发育差,多分布于潮坪和滩间海中。常规测井响应特征为：补偿密度（DEN）高等,深侧向电阻率（RT）中—高值（图2d）。

泥晶云岩岩心为浅灰—灰色,发育层状层理,含少量灰质,岩心孔隙度介于0.86%~1.65%,与膏质云岩呈互层产出。常规测井响应特征为：补偿密度（DEN）高等,深侧向电阻率（RT）中—高值（图2e）。

泥质灰岩岩心为灰—深灰色,发育层状层理,主要由泥—粉晶方解石构成,含较多的泥纹,含少量完整生物,如介形虫、腹足等,孔隙发育差,岩心孔隙度介于0.49%~1.33%,多见于斜坡—海槽环境。常规测井响应特征为：自然伽马（GR）低—中值,补偿密度（DEN）中—高等,深侧向电阻率（RT）中—低值（图2f）。

膏岩岩心为白色、浅灰色,通常以结核状出现,纹层和变形构造发育,主要分布于飞四段时期的潮坪—蒸发潟湖环境之中,常与泥晶云岩伴生,岩心孔隙度小于1%,物性极差。常规测井响应特征为：自然伽马（GR）低值,补偿密度（DEN）高等,补偿中子（CNL）低值,声波时差（AC）低值,深侧向电阻率（RT）高值（图2g）。

泥岩主要分布于飞四段时期的蒸发氧化环境中,颜色以红棕色为主,物性极差。常规测井响应特征为：自然伽马（GR）高值,补偿密度（DEN）中等,补偿中子（CNL）中—高值,声波时差（AC）低—中值,深侧向电阻率（RT）低值（图2h）。

岩石类型、测井常规曲线交会图分析显示（图3）,不同岩性阈值界限不清,数据重叠现象较为严重,可能导致后期岩性解释和鲕滩分布等出现极大偏差。为此,以大量薄片鉴定岩性为主,结合钻录井资料、岩性测井响应特征参数建立岩性分类标签,利用GBDT、SGBDT和ANN算法对数据进行高精度分类,即在已知标签监督下,对复杂的、多维的、模糊的不均衡数据精细归类,准确识别不同岩性,在此基础上对比不同算法优劣性,得到高适应岩性识别模型,从而完成老井岩性识别任务。

Figure 3.  Cross⁃plot of RT⁃AC and GR⁃AC

人工神经网络（ANN）,由Frank Rosenblatt^[17]在1958年提出的一种前馈式人工神经网络：连接多个特征值,经过线性和非线性的组合,产生输出影响其他神经元实现非线性映射。根据有限的数据信息,在代价函数的约束下,对多输入多输出非线性数据具有良好的预测能力^{[17⁃19,42⁃43]}（图4a）。

Figure 4.  Artificial Neural Network (ANN) (a), Gradient Boosting Decision Tree (GBDT) (b), and Stochastic Gradient Boosting Decision Tree (SGBDT) (c) schematics (modified from references [34,36])

GBDT算法是以CART决策树为基学习模型、采用梯度提升（Grandient Boosting）对决策树多次迭代最终累加形成强学习模型的一种集成学习经典Boosting算法（图4b）^[34⁃38],具有高预测精度、对Robust损失函数的利用和对异常值极为敏感的属性,其开发目的主要是解决实际不均衡数据的分类和回归问题。

基于Boosting思想,GBDT算法逐次拟合新模型,即在梯度方向上训练一个新的学习模型来降低前一个学习模型的残差,并且基于当前学习模型的基础迭代生成新的学习模型,使其最终与损失函数负梯度相关,并与整个集成系统相连接,其计算公式为：

式中：Y_m+1（x）为第m+1个学习模型；Y_m（x）为第m个学习模型；ρ_m为第m次学习率；h（x）为当前损失函数负梯度方向上拟合得到的基学习模型；M为迭代设置总次数。

具体流程分为四步,即：

（1） 初始化第一个学习模型,设迭代次数为M,其计算公式为：

式中：Y₀（x）为初始化学习模型；Q（U_i,ρ）为损失函数；U_i 为第i个预测目标；ρ为学习率。

（2） 计算此次迭代中回归树的拟合目标。即当前损失函数的负梯度值δ_m,i,计算公式为：

（3） 经过m次迭代,得到模型最优的基分类模型B_m：

式中：β为计算乘子；h（x_i;B _m ）为最优基分类模型B _m 的损失函数负梯度方向上拟合得到的基学习模型。

通过线性寻优方式计算最优学习率ρ_m,更新下一个学习模型：

（4） 重复步骤1~3,直到m=M结束形成强学习模型G。

由于GBDT算法每次迭代均选取全部训练集数据,导致计算速度慢,资源占用量高,可能发生过拟合现象。因此,基于Friedman^[38]提出的随机梯度提升（Stochastic Grandient Boosting）方法将随机因素引入GBDT,改进后得到随机梯度提升决策树（SGBDT）（图4c）,即设定子采样因子f（f<1）,在每次迭代中随机选择部分样本构建学习模型（样本值选择而不替换）,提高模型泛化能力^[36⁃38]。

式中：f为采样因子。

测井响应特征是地层中岩性、流体等物理变化的综合反应,不同测井参数对岩性的敏感性具有明显的区分度。在岩性识别前,采用Spearman秩相关系数矩阵表征各测井参数对岩性的敏感性,结果表明岩性与密度（DEN）、声波时差（AC）、深侧向电阻率（RT）、自然伽马（GR）、中子（CNL）整体上具有较高的相关性（表1）。因此,最终选用这5种作为输入参数,建立岩性精细识别模型。

考虑到岩性模型的适用性与准确性,实验样品取自川东地区不同区域13口取心井的不同深度（图1、表2）,共获得7 491个有效数据。选用其中12口取心井的3 743个样本作为训练集,用剩余一口井（天东100井）的样本作为模型评估的检验集（数据见表3）,其中泥岩、泥晶灰岩、泥质灰岩、鲕粒灰岩、鲕粒云岩、泥晶云岩、膏质云岩、膏岩样本个数分别为515,308,1 901,2 422,1 017,628,315和385个。利用Python软件编程,将5条测井曲线与对应的岩性标签分别在ANN、GBDT算法和SGBDT算法程序中进行训练学习,并在测试集上进行分类预测,得到其对应岩性的混淆矩阵、克莱姆相关系数和交会图相关系数,作为模型检验效果的衡量标准。根据网格搜索算法调参确定,GBDT和SGBDT算法决策树深度为9,学习率为0.1,最小样本数为30,叶节点最小样本数为40,迭代次数根据期望损失计算公式^[36]确定为50次,SGBDT子采样随机因子为60%（表4）；ANN算法参数直接通过Keras程序包导入,其隐藏层神经元一般设置为输入层神经元个数的1~5倍,经过反复训练尝试,最终确定5-16-8-1模型效果最佳,其中隐藏层为2层,训练次数设置为10 000次,学习率取优为0.01（表5）。

实验结果表明（图5~7）,在天东100井上,SGBDT算法对泥岩、泥晶灰岩、泥质灰岩、鲕粒灰岩、鲕粒云岩、泥晶云岩、膏质云岩、膏岩的识别准确率分别为97.30%,95.59%,91.42%,96.92%,100%,95.45%,90.00%,87.08%,其中对储层有利岩性识别尤为准确,整体上其克莱姆相关系数、交会图相关系数分别达到了0.945、0.920,SGBDT算法判别岩性效果优,适合于碳酸盐岩复杂岩性评价。

Figure 5.  Partial results of the logging interpretation for well TD100

Figure 6.  SGBDT, GBDT, and ANN discriminant analysis lithology confusion matrices

Figure 7.  Algorithm cross⁃plot histogram of the Gabriel Cramer and intersection coefficients

相较于SGBDT,GBDT的整体识别准确率和相关系数略有下降（图5~7）,表明加入随机因素的SGBDT泛化能力（Robust性）较GBDT有所提高,其改进后的算法足以提供可靠的预测结果（图6a）。而ANN算法的整体识别准确率和相关系数明显下降,对泥晶灰岩和泥质灰岩的识别效果较差,其识别准确率分别为67.94%、62.74%,对复杂岩性识别评价效果有待考量。

利用SGBDT决策树建立的岩性识别模型对研究区全井进行岩性预测,为了验证识别模型的适用性能力,选取3口取心井段长短不一且沉积环境各异的取心井进行检验。其结果表明,SGBDT算法对区内不同沉积相区的各种岩性识别准确率和整体相关性均保持在88.5%以上,识别效果较好（表6）。

在岩性识别结果的基础上,总结川东飞仙关有利岩性分布特征。平面上,鲕粒岩多呈透镜体几何形态独立分布,其中鲕粒灰岩多分布在开江—梁平海槽以南,而鲕粒云岩分布比较分散,一些分布于开江—梁平海槽以北,剩余部分分布于开江—梁平海槽南部边缘（图8）。纵向上鲕粒灰岩在飞一段至飞三段均有发育,而鲕粒云岩集中发育于飞二段时期,从岩性连井剖面看出,有利岩性纵向多期叠置,夹薄层泥晶灰岩,非均质性强,连通性差（图9）。

Figure 8.  Favorable lithological planar distribution of the Feixianguan Formation in eastern Sichuan Basin

Figure 9.  Comparison of the lithologic columns from the Feixianguan Formation in eastern Sichuan Basin

结合岩心分析化验、沉积相带展布等研究成果^[5⁃15],总结了飞仙关组鲕粒滩演化与分布规律。飞一段沉积早期,研究区处于海侵体系域,伴随海平面的相对下降,古地貌高点的鲕滩滩体暴露于海平面之上,受淡水淋滤作用的影响,被方解石完全充填的鲕滩体发生组构性溶蚀^[15],在此期间发育的鲕粒滩主要分布于开阔台地与台地边缘（图10a）。飞一段沉积晚期,陆源碎屑的注入导致开阔台地沉积环境逐渐演化为混合台地环境,其陡增的泥质含量抑制了台内鲕滩的发育,鲕粒滩在开阔台地古地貌高点偶有发育以及未受影响的台地边缘发育（图10b）。飞二段高位体系域时期,海平面持续下降,台地与海槽的转折处处于动荡的高能水体环境,鲕粒在台缘沉积下来,当鲕滩厚度足够大时,其障壁作用有利于形成富Mg²⁺的流体,使部分鲕滩滩体白云石化,此期间鲕粒滩储层主要发育于台地边缘,开阔台地古地貌高点零星发育（图10c）。飞三段时期,研究区从早期的海侵体系域逐渐过渡为高位体系域,海槽被逐渐填平补齐,台缘边缘逐渐向原海槽—斜坡方向迁移,台缘鲕滩也随之迁移,该阶段鲕粒滩以台内点滩为主（图10d）。飞四段时期,相对海平面处于极低点,受陆源碎屑和强烈蒸发效应的控制,全区演化为蒸发台地,鲕滩不发育。

Figure 10.  Facies and the oolitic shoal distribution map of Feixianguan Formation in eastern Sichuan Basin

（1） 研究区岩性复杂,依据岩心、测录井资料,共划分出8种岩性,分别为泥岩、泥晶灰岩、泥质灰岩、鲕粒灰岩、鲕粒云岩、泥晶云岩、膏质云岩、膏岩。

（2） SGBDT算法对不均衡的岩性识别数据精度足以提供可靠的预测结果,与ANN、GBDT算法相比,SGBDT算法的岩性识别克莱姆系数、交会图系数分别达到了0.945、0.920,表明该算法有良好的泛化能力且更适合碳酸盐岩复杂岩性识别。

（3） 区内鲕粒灰岩于飞一段—飞三段时期在开江—梁平海槽以南地区集中发育,而鲕粒云岩于飞二段时期集中发育但分布分散,纵横向上非均质性强,连通性差。

（4） 川东飞仙关时期鲕粒滩分布差异明显,飞一段时期鲕滩主要在台内古地貌高地和台地边缘发育；飞二段时期多发育台缘鲕滩,台内鲕滩零星出现；飞三段时期受海槽填平补齐影响,台缘鲕滩向原海槽—斜坡方向迁移,以台内点滩为主；飞四段时期鲕粒滩则不发育。