宋延杰，任一菱，唐曉敏，鄧 鑫，劉 玥

（1. 東北石油大學(xué) 地球科學(xué)學(xué)院， 黑龍江 大慶 163318； 2. 非常規(guī)油氣成藏與開發(fā)省部共建國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地，黑龍江 大慶 163318；3. 中國(guó)石油遼河油田分公司勘探開發(fā)研究院， 遼寧 盤錦 124010）

綜合評(píng)述

D凹陷沙四段致密油儲(chǔ)層巖性識(shí)別方法研究

宋延杰1,2，任一菱1,3，唐曉敏1,2，鄧 鑫1，劉 玥1

（1. 東北石油大學(xué) 地球科學(xué)學(xué)院， 黑龍江 大慶 163318； 2. 非常規(guī)油氣成藏與開發(fā)省部共建國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地，黑龍江 大慶 163318；3. 中國(guó)石油遼河油田分公司勘探開發(fā)研究院， 遼寧 盤錦 124010）

首先通過(guò)統(tǒng)計(jì)方法對(duì)D凹陷沙四段致密油儲(chǔ)層中的油頁(yè)巖、粉砂巖和泥質(zhì)云巖3類巖性測(cè)井曲線敏感性進(jìn)行分析，優(yōu)選出聲波時(shí)差、密度和自然伽馬。其次基于敏感測(cè)井響應(yīng)，分別建立了測(cè)井響應(yīng)交會(huì)圖巖性識(shí)別方法以及決策樹和量子神經(jīng)網(wǎng)絡(luò)巖性識(shí)別模型。在測(cè)井響應(yīng)交會(huì)圖法中，首先利用密度-標(biāo)準(zhǔn)化自然伽馬交會(huì)圖區(qū)分油頁(yè)巖與粉砂巖和泥質(zhì)云巖，然后利用密度-聲波時(shí)差交會(huì)圖區(qū)分粉砂巖和泥質(zhì)云巖；在決策樹模型中，構(gòu)建了3層巖性判別樹狀圖，直觀映射出4條分類規(guī)則；在量子神經(jīng)網(wǎng)絡(luò)模型中,構(gòu)建了三層前饋量子神經(jīng)網(wǎng)絡(luò)模型，并優(yōu)選出精度最高的樣本構(gòu)造方法。通過(guò)與實(shí)際取心結(jié)果對(duì)比分析發(fā)現(xiàn)，決策樹和量子神經(jīng)網(wǎng)絡(luò)模型均能很好地識(shí)別致密油儲(chǔ)層復(fù)雜巖性，而測(cè)井響應(yīng)交會(huì)圖法難以對(duì)致密儲(chǔ)層復(fù)雜巖性進(jìn)行有效識(shí)別。

致密油儲(chǔ)層；油頁(yè)巖、粉砂巖和泥質(zhì)云巖；巖性識(shí)別；量子神經(jīng)網(wǎng)絡(luò)；決策樹；測(cè)井響應(yīng)交會(huì)圖

D凹陷沙四段致密油儲(chǔ)層巖性復(fù)雜，測(cè)井響應(yīng)變化無(wú)規(guī)律，不同巖性測(cè)井響應(yīng)存在重疊。目前的巖性識(shí)別技術(shù)中，常規(guī)的取心分析識(shí)別巖性直觀準(zhǔn)確，但成本高、資料有限；巖屑錄井識(shí)別巖性存在滯后性，且依賴巖屑錄井資料質(zhì)量。1982年wollf[1]等人提出利用測(cè)井資料自動(dòng)識(shí)別巖性，自此利用計(jì)算機(jī)自動(dòng)識(shí)別巖性成為了常用的巖性識(shí)別技術(shù)。

常用的測(cè)井資料巖性識(shí)別方法是應(yīng)用敏感測(cè)井響應(yīng)來(lái)構(gòu)建交會(huì)圖版[2-6]。該方法簡(jiǎn)單直觀，實(shí)用性強(qiáng)。但是由于其只能同時(shí)利用兩種測(cè)井響應(yīng)，因此更適用于巖性單一且不同巖性測(cè)井響應(yīng)區(qū)分明顯的儲(chǔ)層。相比之下，決策樹[7-9]模型信息量大，算法穩(wěn)定，能直觀體現(xiàn)數(shù)據(jù)特點(diǎn)，并能自動(dòng)分析各參數(shù)的權(quán)重，據(jù)此建立的非線性模型準(zhǔn)確率高。神經(jīng)網(wǎng)絡(luò)[10-13]因其在模式識(shí)別方面有較強(qiáng)非線性映射能力和容錯(cuò)及抗干擾性能，故而在巖性識(shí)別領(lǐng)域應(yīng)用廣泛。但傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度慢，容易陷入局部極小點(diǎn)，且容易對(duì)訓(xùn)練樣本過(guò)度擬合。1995年Kak[14]提出量子神經(jīng)計(jì)算的概念，將神經(jīng)計(jì)算與量子計(jì)算相結(jié)合。量子神經(jīng)網(wǎng)絡(luò)[15-21]有效克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的缺陷，提高了神經(jīng)網(wǎng)絡(luò)模型的收斂性和準(zhǔn)確率。

本文基于取心數(shù)據(jù)和測(cè)井?dāng)?shù)據(jù)，將該區(qū)塊的巖性劃分為油頁(yè)巖、粉砂巖和泥質(zhì)云巖三類。通過(guò)優(yōu)選識(shí)別三類巖性的敏感測(cè)井曲線，分別采用測(cè)井響應(yīng)交會(huì)圖法、決策樹模型和量子神經(jīng)網(wǎng)絡(luò)模型對(duì)該區(qū)塊巖性進(jìn)行識(shí)別，并且將識(shí)別結(jié)果和實(shí)際取心結(jié)果對(duì)比，給出識(shí)別該區(qū)塊巖性的最佳方法。

1 致密油儲(chǔ)層巖性識(shí)別的敏感測(cè)井響應(yīng)優(yōu)選

D凹陷沙四段致密油儲(chǔ)層巖性復(fù)雜，有油頁(yè)巖、含粉砂油頁(yè)巖、粉砂質(zhì)油頁(yè)巖、粉砂巖（云質(zhì)、灰質(zhì)）、含灰油頁(yè)巖、云質(zhì)油頁(yè)巖、碳酸鹽質(zhì)油巖、泥質(zhì)云巖、含灰泥晶云巖9種主要巖性?；诟鲙r性地質(zhì)特征及測(cè)井響應(yīng)特征，將該區(qū)塊的巖性統(tǒng)一劃分為油頁(yè)巖、粉砂巖和泥質(zhì)云巖3類。

基于8口取心井的取心數(shù)據(jù)，分小層讀取深側(cè)向電阻率、聲波時(shí)差、密度、補(bǔ)償中子、自然伽馬的測(cè)井響應(yīng)數(shù)據(jù)，并對(duì)自然伽馬曲線標(biāo)準(zhǔn)化，在此基礎(chǔ)上進(jìn)行統(tǒng)計(jì)分析（見(jiàn)表1），發(fā)現(xiàn)區(qū)分油頁(yè)巖、粉砂巖和泥質(zhì)云巖最明顯的測(cè)井響應(yīng)為聲波時(shí)差、密度和自然伽馬。除此之外，這3類巖性在補(bǔ)償中子和電阻率測(cè)井響應(yīng)上也有一定程度的區(qū)分。

表1 三類巖性測(cè)井響應(yīng)數(shù)據(jù)統(tǒng)計(jì)表Table 1 Log responses of three categories of lithology

（1）深側(cè)向電阻率測(cè)井

油頁(yè)巖深側(cè)向電阻率測(cè)井響應(yīng)值較高，粉砂巖深側(cè)向電阻率測(cè)井響應(yīng)值較低，泥質(zhì)云巖深側(cè)向電阻率測(cè)井響應(yīng)值中等, 介于油頁(yè)巖和粉砂巖之間；

（2）孔隙度測(cè)井

油頁(yè)巖具有低密度、高中子、高聲波時(shí)差的測(cè)井響應(yīng)特點(diǎn)，粉砂巖具有高密度、低中子、低聲波時(shí)差的測(cè)井響應(yīng)特點(diǎn)，泥質(zhì)云巖的密度、中子、聲波時(shí)差測(cè)井響應(yīng)值均介于油頁(yè)巖和粉砂巖之間；

（3）自然伽馬測(cè)井

油頁(yè)巖自然伽馬測(cè)井響應(yīng)值為高值，粉砂巖自然伽馬測(cè)井響應(yīng)值為低值，泥質(zhì)云巖自然伽馬測(cè)井響應(yīng)值中等，介于油頁(yè)巖和粉砂巖之間。

2 致密油儲(chǔ)層巖性識(shí)別方法

2.1 測(cè)井響應(yīng)交會(huì)圖法識(shí)別巖性

基于敏感測(cè)井響應(yīng)優(yōu)選，將自然伽馬、密度和聲波時(shí)差作為識(shí)別巖性的主要測(cè)井響應(yīng)，制作交會(huì)圖版（圖1、圖2）。

圖1 密度-標(biāo)準(zhǔn)化自然伽馬交會(huì)圖Fig.1 DEN vs. ΔGR

圖2 密度-聲波時(shí)差交會(huì)圖Fig.2 DEN vs. AC

首先利用圖1從油頁(yè)巖、粉砂巖和泥質(zhì)云巖中區(qū)分出油頁(yè)巖。當(dāng)測(cè)井響應(yīng)值滿足ΔGR＞5 DEN-11.65且ΔGR＞0.6364 DEN-0.9591時(shí)，判斷巖性為油頁(yè)巖，否則為粉砂巖或泥質(zhì)云巖。其次利用圖2區(qū)分粉砂巖和泥質(zhì)云巖，當(dāng)測(cè)井響應(yīng)值滿足AC＞425 DEN-777.5時(shí)，判斷巖性為粉砂巖,否則為泥質(zhì)云巖。用測(cè)井響應(yīng)交會(huì)圖法識(shí)別巖性的準(zhǔn)確率為82.5%。

2.2 決策樹模型識(shí)別巖性

2.2.1 決策樹理論

決策樹算法是常用的以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法。在進(jìn)行分類時(shí)，模型從根節(jié)點(diǎn)開始逐步對(duì)樣本屬性進(jìn)行測(cè)試，進(jìn)而判斷從該節(jié)點(diǎn)向下的分支，每個(gè)節(jié)點(diǎn)代表一個(gè)屬性，每個(gè)分支代表一個(gè)規(guī)則。

2.2.2 決策樹巖性識(shí)別模型建立

基于敏感測(cè)井響應(yīng)優(yōu)選，將聲波時(shí)差、密度和自然伽馬作為敏感測(cè)井響應(yīng)，建立了決策樹巖性識(shí)別模型（見(jiàn)圖3）。模型以標(biāo)準(zhǔn)化自然伽馬為根節(jié)點(diǎn)，從上而下共計(jì)3個(gè)層次，綜合識(shí)別準(zhǔn)確率為95.1%。

圖3 巖性判別樹狀圖Fig.3 The decision tree of lithology identification

圖3 直觀地映射出四條分類規(guī)則：ΔGR＜0.54、DEN＜2.48g/cm3且AC＜319.7μs/m，巖性判斷為泥質(zhì)云巖；ΔGR＜0.54且DEN＞2.48g/cm3，巖性判斷為粉砂巖；ΔGR＞0.54，巖性判斷為油頁(yè)巖；ΔGR＜0.54、DEN＜2.48g/cm3且AC＞319.7μs/m，巖性判斷為油頁(yè)巖。

2.3 量子神經(jīng)網(wǎng)絡(luò)模型識(shí)別巖性

2.3.1 量子神經(jīng)網(wǎng)絡(luò)理論

量子神經(jīng)網(wǎng)絡(luò)將量子特性引入到傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中，建立了全新的神經(jīng)網(wǎng)絡(luò)模型。本文提出的量子神經(jīng)元由輸入、移相、聚合、旋轉(zhuǎn)、輸出五部分組成，其中輸入和輸出用量子位表示，移相和旋轉(zhuǎn)由量子旋轉(zhuǎn)門和受控非門實(shí)現(xiàn)，并在受控非門中內(nèi)置了Sigmoid函數(shù)，用以增強(qiáng)量子神經(jīng)元的非線性映射能力。由若干個(gè)量子神經(jīng)元按一定的拓?fù)浣Y(jié)構(gòu)構(gòu)成的網(wǎng)絡(luò)稱量子神經(jīng)網(wǎng)絡(luò)。本文基于梯度下降法，采用三層前饋量子神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)了學(xué)習(xí)算法。

2.3.2 量子神經(jīng)網(wǎng)絡(luò)巖性識(shí)別模型建立

基于敏感測(cè)井響應(yīng)優(yōu)選，將聲波時(shí)差、密度、補(bǔ)償中子、自然伽馬4個(gè)參數(shù)作為輸入，將油頁(yè)巖、粉砂巖和泥質(zhì)云巖3類巖性作為輸出，建立了量子神經(jīng)網(wǎng)絡(luò)巖性識(shí)別模型。模型隱層取15個(gè)節(jié)點(diǎn)，限定代數(shù)1 000，限定誤差0.25。采用前101個(gè)樣本訓(xùn)練網(wǎng)絡(luò)，后48個(gè)樣本測(cè)試網(wǎng)絡(luò)的泛化能力，網(wǎng)絡(luò)訓(xùn)練采用序貫方式。樣本采用1-4型、2-2型、4-1型三種構(gòu)造方法。實(shí)驗(yàn)結(jié)果表明（表2），測(cè)試集識(shí)別率從高到低依次為：1-4型；4-1型；2-2型。

表2 量子神經(jīng)網(wǎng)絡(luò)模型巖性識(shí)別樣本不同構(gòu)造方法準(zhǔn)確率對(duì)比Table 2 The accuracy comparison of different construction method of sample data for lithology identification of the quantum neural network model

3 致密油儲(chǔ)層巖性識(shí)別效果分析

基于8口取心井的取心數(shù)據(jù)，共選取149個(gè)小層，分別采用上述三個(gè)模型對(duì)油頁(yè)巖、粉砂巖和泥質(zhì)云巖3類巖性進(jìn)行識(shí)別。測(cè)井響應(yīng)交會(huì)圖法準(zhǔn)確率為82.6%，決策樹模型準(zhǔn)確率為95.1%，采用識(shí)別率最高的1-4型樣本的量子神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率為92.0%，決策樹和量子神經(jīng)網(wǎng)絡(luò)模型精度遠(yuǎn)高于測(cè)井響應(yīng)交會(huì)圖法。因此識(shí)別該區(qū)塊巖性較好的方法是決策樹模型和量子神經(jīng)網(wǎng)絡(luò)模型。

圖4 XXX井巖性識(shí)別剖面圖Fig.4 The profile of lithology identification of XXX well

圖4 是用決策樹和量子神經(jīng)網(wǎng)絡(luò)模型對(duì)XXX井進(jìn)行巖性識(shí)別的剖面圖。該井的取心井段為3281～3 294 m，總長(zhǎng)13 m，決策樹模型識(shí)別巖性錯(cuò)誤的巖心長(zhǎng)度為0.97 m，正確率為92.5%，量子神經(jīng)網(wǎng)絡(luò)模型識(shí)別巖性錯(cuò)誤的巖心長(zhǎng)度為1.27 m，正確率為90.2%。這說(shuō)明所建立的決策樹模型和量子神經(jīng)網(wǎng)絡(luò)模型對(duì)D凹陷沙四段致密油儲(chǔ)層巖性識(shí)別均有很好的效果，可以用于該區(qū)塊的巖性識(shí)別。

4 結(jié) 論

（1）識(shí)別D凹陷沙四段致密油儲(chǔ)層油頁(yè)巖、粉砂巖和泥質(zhì)云巖最明顯的測(cè)井響應(yīng)為聲波時(shí)差、密度和自然伽馬。此外，這三組巖性在補(bǔ)償中子和電阻率測(cè)井響應(yīng)上也有一定程度的區(qū)分。

（2）通過(guò)對(duì)比分析建立的三種巖性識(shí)別模型發(fā)現(xiàn)，基于數(shù)據(jù)挖掘方法的決策樹模型和量子神經(jīng)網(wǎng)絡(luò)模型均能很好地識(shí)別致密油儲(chǔ)層的復(fù)雜巖性，而傳統(tǒng)的測(cè)井響應(yīng)交會(huì)圖法識(shí)別準(zhǔn)確率低。

（3）利用建立的決策樹模型和量子神經(jīng)網(wǎng)絡(luò)模型對(duì)取心層段進(jìn)行巖性識(shí)別，正確率均大于90%，表明所建立的兩種模型均可以很好的用于該區(qū)塊致密油儲(chǔ)層的巖性識(shí)別。

［1］ M Wollf．Faciolog-automatie electrofacies determination[C]//The S PWLA 23rd Annual Logging Symposium，Corpus Christi，Texas，USA，July 6-9，1982．

［2］ 范宜仁，黃隆基，代詩(shī)華．交會(huì)圖技術(shù)在火山巖巖性與裂縫識(shí)別中的應(yīng)用[J].測(cè)井技術(shù)，1999，23(1)：53-56．

［3］ 張濤，莫修文．基于交會(huì)圖與模糊聚類算法的復(fù)雜巖性識(shí)別[J].吉林大學(xué)學(xué)報(bào)（地球科學(xué)版），2007，37(1)：109-113．

［4］ 高峰，司馬立強(qiáng)，閆建平，等．川東北大安寨段致密儲(chǔ)層測(cè)井識(shí)別巖性技術(shù)研究[J].石油天然氣學(xué)報(bào)（江漢石油學(xué)院學(xué)報(bào)），2013，35(4)：92-95.

［5］ 郭小波，黃志龍，涂小仙，等．馬朗凹陷蘆草溝組致密儲(chǔ)集層復(fù)雜巖性識(shí)別[J].新疆石油地質(zhì)，2013，34(6)：649-652．

［6］ 劉國(guó)全，賈麗，李鳳霞，等．滄東凹陷致密油巖性識(shí)別方法研究[J].特種油氣藏，2014，21(3)：18-22．

［7］ 王瑞，朱筱敏，王禮常．用數(shù)據(jù)挖掘方法識(shí)別碳酸鹽巖巖性[J].測(cè)井技術(shù)，2012，36(2)：197-201．

［8］ 潘懋，馬莉，魏至峰．樹分類器在測(cè)井巖性評(píng)價(jià)中的應(yīng)用[J].地質(zhì)科學(xué)，1993，28(2)：193-196．

［9］ 李洪奇，譚鋒奇，許長(zhǎng)福，等．基于決策樹方法的礫巖油藏巖性識(shí)別[J].測(cè)井技術(shù)，2010，34(1)：16-21．

［10］ J L Baldwin，S T Rogers．Determination of lithology from well logs Using a Neural Network [J].AAPG，1990，76(5)：731-739．

［11］ 于建華．應(yīng)用人工神經(jīng)網(wǎng)絡(luò)自動(dòng)識(shí)別巖性[J].石油地球物理勘探，1993，28(1)：59-67．

［12］馬英杰，周蓉生．神經(jīng)網(wǎng)絡(luò)方法在巖性識(shí)別中的應(yīng)用[J].物探化探計(jì)算技術(shù)，2004，26(3)：220-223．

［13］楊輝，黃健全，胡雪濤，等．BP神經(jīng)網(wǎng)絡(luò)在致密砂巖氣藏巖性識(shí)別中的應(yīng)用[J].油氣地球物理，2013，11(1)：39-42．

［14］S C Kak．On quantum neural computing[J].Information Sciences．1995，83：143-160．

［15］李盼池，王海英，楊雨．基于量子神經(jīng)網(wǎng)絡(luò)的油田水淹層識(shí)別方法[J].計(jì)算機(jī)應(yīng)用與軟件，2012．29(5)：41-43．

［16］孫玉學(xué)，謝建波，才慶．應(yīng)用量子神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)低滲儲(chǔ)層水鎖損害[J].特種油氣藏，2012，19(6)：53-56．

［17］李盼池．一種量子神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)算法及應(yīng)用[J].控制理論與應(yīng)用，2009，26(5)：531-534．

［18］李盼池．量子計(jì)算及其在智能優(yōu)化與控制中的應(yīng)用[D].哈爾濱:哈爾濱工業(yè)大學(xué)，2009．

［19］M Nobuyuki，T Masato，N Haruhiko．Learning performance of neuron model based on quantum superposition[C] //Proceedings of the 9th IEEE International Workshop on Robot and Human Interactive Communication．2000：112-117．

［20］M Maeda，M Suenaga，H Miyajima．Qubit neuron according to quantum circuit for XOR problem[J].Applied Mathematics and Computation．2007，185(2)：1015-1025．

［21］解光軍，周典，范海秋，等．基于量子門組單元的神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J]. 系統(tǒng)工程理論與實(shí)踐，2005(5)：113-117．

耐高溫隔熱保溫涂料給工業(yè)經(jīng)濟(jì)添彩

耐高溫隔熱保溫涂料給節(jié)能穿上綠裝，作為一種新型隔熱保溫涂料，有著良好的經(jīng)濟(jì)效益、節(jié)能環(huán)保、隔熱效果和施工簡(jiǎn)便等優(yōu)點(diǎn)而越來(lái)越受到人們的關(guān)注與青睞。且這種太空絕熱反射涂料正經(jīng)歷著一場(chǎng)由工業(yè)隔熱保溫向建筑隔熱保溫為主的方向轉(zhuǎn)變，由厚層向薄層隔熱保溫的技術(shù)轉(zhuǎn)變，這也是今后隔熱保溫材料主要的發(fā)展方向之一。ZS隔熱保溫涂料通過(guò)應(yīng)用陶瓷球型顆粒中空材料在涂層中形成的真空腔體層，構(gòu)筑有效的熱屏障，不僅自身熱阻大，導(dǎo)熱系數(shù)低，在科技快速發(fā)展的今天，各行各業(yè)對(duì)隔熱保溫涂料的品質(zhì)性能越來(lái)越高，環(huán)保節(jié)能、VOC的含量等等是對(duì)涂料行業(yè)提出的新要求，特別是志盛威華環(huán)保節(jié)能隔熱保溫涂料在國(guó)內(nèi)大面積使用，節(jié)能環(huán)保顯著，特到國(guó)家的認(rèn)可和推薦。隔熱保溫涂料行業(yè)作為國(guó)民僅僅發(fā)展中的一份子，踐行節(jié)能減排的決心，打好節(jié)能減排攻堅(jiān)戰(zhàn)，為降低環(huán)境污染做出來(lái)不懈努力和應(yīng)有的貢獻(xiàn)。涂料市場(chǎng)的健康發(fā)展不僅要求更替和研發(fā)新的生產(chǎn)線和產(chǎn)品，更要以環(huán)保和節(jié)能為中心。

國(guó)內(nèi)外都遍重視保溫材料的工業(yè)生產(chǎn)和在建筑中的應(yīng)用，力求大幅度減少能源的消耗量，從而減少環(huán)境污染和溫室效應(yīng)。北京志盛威華化工公司多年來(lái)致力以研究開發(fā)節(jié)能、環(huán)保涂料，其生產(chǎn)的ZS系列隔熱保溫涂料廣泛應(yīng)用于制造、工業(yè)、船舶等行業(yè)，防腐、耐高溫粘合劑、反射隔熱涂料等均為無(wú)機(jī)節(jié)能環(huán)保涂料，其以高品質(zhì)、高性能贏得了國(guó)內(nèi)涂料市場(chǎng)，其中ZS-211反射隔熱保溫涂料能在物體表面形成由封閉微珠連接在一起的三維網(wǎng)絡(luò)空心結(jié)構(gòu)，這樣的納米空心陶瓷微珠和微珠之間形成了一個(gè)個(gè)疊夾的靜態(tài)空氣組，也就是一個(gè)個(gè)隔熱保溫單元，涂層導(dǎo)熱系數(shù)0.035W/m.K，可以有效阻止熱量傳導(dǎo)。

Research on the Method of Lithology Identification of Tight Oil Reservoirs in S4 Formation of D Sag

SONG Yan-jie1,2，REN Yi-ling1,3，TANG Xiao-min1,2，DENG Xin1，LIU Yue1
（1. College of Geoscience, Northeast Petroleum University, Heilongjiang Daqing 163318，China；2. State Key Laboratory Cultivation Base of Accumulation and Development of Unconventional Oil and Gas, Jointly-constructed by Heilongjiang Province and the Ministry of Science and Technology, Heilongjiang Daqing 163318，China；3. Exploration and Development Research Institute of Liaohe Oilfield Company, PetroChina, Liaoning Panjin 124010，China)

The lithologies of tight oil reservoirs in S4 Formation of D Sag can be divided into oil shale, siltstone and shaly dolomite. Based on statistical methods, the sensitivity of logging curves for lithology identification was analyzed, by which interval transit time, density and gamma ray were optimized. Log response cross plot, decision tree model and quantum neural network model were established to determine the lithology with selected sensitive log responses. In the process of lithology identification by the log response cross plot, oil shale was first identified by standardized gamma ray vs. interval transit time, after that, siltstone and shaly dolomite were distinguished with density vs. interval transit time. In the process of lithology identification by decision tree model, a dendrogram with three levels was built. The model mapped four rules intuitively. In the process of lithology identification by quantum neural network model, a three-layer feedforward quantum neural network was built, and the sample construction method with the highest accuracy was screened out. By comparing with the practical coring results, both the decision tree model and the quantum neural network model can determine the lithologies in tight oil reservoirs much better than the conventional log response cross plot, and they can be applied in lithology identification of tight oil reservoirs perfectly.

Tight oil reservoirs; Oil shale, siltstone and argillaceous dolomite; Lithology identification; Quantum neural network model; Decision tree model; Log response cross plot

P 631.84

： A

： 1671-0460（2015）10-2341-04

國(guó)家自然科學(xué)基金“骨架導(dǎo)電低阻油層人造巖樣實(shí)驗(yàn)及導(dǎo)電規(guī)律與導(dǎo)電模型研究”，項(xiàng)目號(hào)：41274110。

2015-03-10

宋延杰（1963-），男，黑龍江五常人，教授，博士，2006年畢業(yè)于東北石油大學(xué)油氣田開發(fā)工程，研究方向：主要從事測(cè)井方法與資料解釋研究。E-mail：syj1963@263.net。

唐曉敏（1981-），女，講師，在讀博士，研究方向：主要從事測(cè)井方法與資料解釋研究。E-mail：txmdqpi@163.com。