張婕茹，劉文超，周連德，呂世聰，賈海松

(中海石油(中國)有限公司天津分公司渤海石油研究院，天津 300459)

陸源碎屑與碳酸鹽的混合沉積現(xiàn)象在20世紀50年代就已被認識到，1984年Mount提出了“混合沉積物”的概念，用以表述陸源碎屑與碳酸鹽混合沉積的產(chǎn)物，1990年楊朝青等首次提出“混積巖”這一說法。隨著混積巖不斷的被發(fā)現(xiàn)，對混積巖的研究也越來越多，已經(jīng)成為近幾年中外地質(zhì)學者關注的熱點[1-2]?；旆e巖是在一種特殊的混合沉積中形成的一類處于陸源碎屑巖和海相碳酸鹽巖之間的過渡的巖石[3]，巖性較為復雜，儲集空間類型多樣且非均質(zhì)性強，針對混積巖分類主要有三種劃分方案：第一種是Mount提出的四端元(砂、異化粒、灰泥和泥質(zhì)物)的立體圖法[2]，但此方案缺乏直觀的表述因此未被廣泛運用；第二種是董桂玉提出的以陸源碎屑和碳酸鹽兩個端元進行分類的方法[4]，此種分類方案較為簡單，但在命名中存在只考慮碳酸鹽組分和陸源碎屑組分，而未考慮其他礦物組分的缺點，因此也很少被采用；第三種是由張雄華提出的以陸源碎屑組分、碳酸鹽組分及黏土的三端元分類方案，此種方法除將粘土>50%的部分稱為粘土巖之外，將碳酸鹽含量為5%～95%，陸源碎屑含量5%～95%的混合沉積稱混積巖，它將混積巖分為4種類型[5](見圖1)，是目前運用最多的一種方案。本次混積巖研究也主要是按張雄華混積巖分類命名方案進行混積巖研究。

地層元素測井是運用非彈性散射和俘獲伽馬能譜剝譜分析結果同實驗標準譜比對的方法對地層中Si、Ca、Fe、S、Ti、Gd等元素含量進行測定，進而對研究區(qū)沉積環(huán)境進行分析[6-7]。它可以從巖石成分的角度來分析巖性，是巖性識別的一種重要方法。決策樹方法是一種不同于神經(jīng)網(wǎng)絡、支持向量機和貝斯網(wǎng)絡的方法，它不屬于“黑箱”模型，屬于“白箱”模型?！昂谙洹蹦Ｐ头椒ň哂兄荒芑\統(tǒng)的介紹樣本數(shù)據(jù)和其屬性之間的因果關系的缺點，而決策樹方法可以清楚的表現(xiàn)出各個要素、相關因素以及過程的規(guī)律，對實際巖性預測具有很好的指導作用[8]。決策樹方法已被運用到了礫巖及碳酸鹽巖巖性識別中，并取得了較好的效果，但在混積巖巖性識別工作中還未得到運用，混積巖具有測井響應特征復雜，巖性識別困難的特點，單一測井曲線無法對混積巖進行識別，因此本次研究運用地層元素測井方法對研究區(qū)進行巖性識別與校正，運用決策樹方法對識別后的混積巖巖性測井響應特征的進行規(guī)律總結，結合巖心資料、薄片資料及測井等資料對萊州灣凹陷KL油田沙三下亞段混積巖建立復雜混積巖的巖性分類器，在此基礎上總結出了混積巖巖性測井識別CUTOFF值。為混積巖巖性測井識別提供了依據(jù)。

((a)長石溶蝕，粒間膠結物為絲片狀伊/蒙混層；(b)粒間孔隙內(nèi)充填白云石、次生加大石英和絲片狀伊利石。(a)The feldspar is dissolved,and the intergranular cement is a filament-like I/matter mixed layer;(b)Intergranular pores filled with dolomite,secondary enlarged quartz and filament illite.)
圖1 KL油田混積巖陸源碎屑巖掃描電鏡照片
Fig.1 Scanning electron micrograph of terrigenous clastic rocks of mixed rock in KL oilfield

1 地質(zhì)背景

區(qū)域上，研究區(qū)位于渤海南部海域萊州灣凹陷南部寬緩斜坡帶高部位(見圖2)，北側緊鄰萊州灣凹陷北洼，東側緊鄰萊州灣凹陷南次洼，是北洼和南次洼油氣運聚的有利區(qū)帶。研究區(qū)范圍內(nèi)鉆井揭示的地層自上而下為第四系平原組、新近系明化鎮(zhèn)組和館陶組、古近系東營組和沙河街組以及中生界(未穿)[9-10]。鉆井揭示的含油層位有新近系館陶組和古近系沙三上段、沙三中段、沙三下亞段、沙四段以及中生界，其中館陶組和沙三下亞段為本油田的主要含油層位。根據(jù)區(qū)域構造演化認識，油田范圍內(nèi)古近系地層早期(沙四段～沙三下亞段沉積時期)受控于潛山古地貌，地勢呈東高西低；中期(沙三中段～東營組沉積時期)受構造反轉影響，構造格局演變?yōu)槲鞲邧|低，自西向東地層逐漸變厚；晚期(東營組沉積末期)受區(qū)域抬升影響地層遭受剝蝕[11-13]，油田范圍內(nèi)東一段地層整體缺失。沙三下亞段主要發(fā)育辮狀河三角洲相，濱淺湖相以及扇三角洲相沉積。

圖2 墾利地區(qū)位置、地層巖性剖面及油藏剖面示意圖Fig.2 Location of the KL area,stratigraphic lithology and reservoir profile

2 常規(guī)巖性識別及分類

研究區(qū)主要發(fā)育辮狀河三角洲沉積相、濱淺湖相、扇三角洲相3種不同的沉積相，沉積環(huán)境復雜，導致研究區(qū)沙三下亞段儲層巖性復雜，主要發(fā)育混積巖、碎屑巖及火成巖三類巖性，根據(jù)巖心分析資料又可將研究區(qū)混積巖主要分為陸源碎屑質(zhì)-碳酸鹽混積巖、碳酸鹽質(zhì)-陸源碎屑巖混積巖，碎屑巖主要有泥巖、粉砂巖、泥質(zhì)粉砂巖、細砂巖、含礫細砂巖5種類型。

通過對研究區(qū)巖石薄片分析統(tǒng)計可知(見圖3)，研究區(qū)陸源碎屑巖主要以中細砂巖和粉砂巖為主，長石巖屑砂巖和巖屑長石砂巖為主要砂巖類型，其次為長石砂巖。研究區(qū)內(nèi)碎屑巖的顆粒中石英含量為20%～60%，可見多期次生加大現(xiàn)象(見圖1)，也可見顆粒破碎現(xiàn)象。研究區(qū)長石含量在20%～40%之間，長石易風化蝕變，相對石英、長石的穩(wěn)定性較差，含量變化較大。

圖3 砂巖成分三端元組分圖及碎屑顆粒百分含量統(tǒng)計圖Fig.3 Sandstone composition three-terminal component map and crumb particle percentage content statistics

根據(jù)混積巖分類命名方案[5]，可以看出研究區(qū)混積巖主要類型為陸源碎屑質(zhì)碳酸鹽混積巖和碳酸鹽質(zhì)陸源碎屑混積巖(見圖4)。其中，陸源碎屑為火成巖巖塊、長石和石英；碳酸鹽主要呈泥晶狀，I油組發(fā)育部分生物碎屑和鮞粒，鮞粒類型復雜，形狀不一，核心多為陸源碎屑。巖石成分主要為方解石(45%)、泥質(zhì)(25%)和陸源碎屑(30%)組成，方解石呈泥晶狀，泥質(zhì)與方解石混雜分布，陸源碎屑主要見花崗巖巖塊，以及少量石英、長石和流紋巖巖塊，部分泥質(zhì)有向鱗片狀伊利石轉化的現(xiàn)象?？傮w來說，研究區(qū)巖性變化復雜，儲層非均質(zhì)性強。

(①土巖或泥巖；②混積砂質(zhì)粘土巖或泥巖；③砂巖；④含陸源碎屑—碳酸鹽混積巖；⑤陸源碎屑質(zhì)—碳酸鹽混積巖；⑥含碳酸鹽—陸源碎屑混積巖；⑦碳酸質(zhì)—陸源碎屑混積巖；⑧灰?guī)r。①Soil rock or mudstone；②mixed sandy clay rock or mudstone；③Sandstone；④contains terrestrial debris-carbonate mixed rock；⑤Terrigenous clastic-carbonate mixed rock；⑥Carbonate-terrestrial debris Jishi；⑦Carbonate-Land Source Clastic Mixed Rock；⑧Limestone.)

圖4 KL油田混積巖分類方案[5]及混積巖照片F(xiàn)ig.4 KL oilfield mixed rock classification scheme according to reference[5] and mixed rock photos

3 利用元素測井進行混積巖巖性校正

由于研究區(qū)沙三下亞段巖性極為復雜，取心井只有兩口，僅僅依靠壁心、薄片對研究區(qū)沙三下亞段的巖心識別具有很大的難度，因此在常規(guī)巖性識別的基礎上運用元素測井對研究區(qū)巖性進行了識別和校正。地層元素測井測量得到地層巖石骨架的Si、Ca、Fe、S、Ti、Gd、Mg、K、Mn、Al等10余種元素的含量主要用于確定礦物含量和識別巖性[1,12]。在研究區(qū)取心井原始巖性識別的基礎上，結合壁心照片、薄片照片、元素測井資料，對巖性進行校正，可以發(fā)現(xiàn)1 243～1 280 m井段，從元素測井上可以看出白云質(zhì)較為發(fā)育，從巖心照片上也可以看出主要為砂質(zhì)白云巖，因此將巖性從砂巖校正為砂質(zhì)白云巖。從1 256～1 280 m井段，方解石較為發(fā)育，因此將該井段巖性校正為灰質(zhì)粉砂巖，通過巖心照片驗證可知，校正后得到的巖性更符合研究區(qū)沙三下亞段實際情況的巖性(見圖5)。

圖5 KL-8井元素測井巖性校正圖Fig.5 Elemental logging lithology correction map of KL-8 well

4 利用決策樹算法建立混積巖巖性識別模型

地層元素測井對識別復雜巖性有很好的指導作用，但存在資料有限，巖性識別復雜且成本較高的缺點，因此在元素測井校正巖性后，結合校正后的巖性及測井曲線利用決策樹方法建立了一套可用于識別混積巖巖性的模型[14]。

決策樹是一個類似于流程圖的樹結構，其原理是通過對各種不同的數(shù)據(jù)樣本的進行測試，將所得不同結果樣本劃分為不同的樣本子集，每個分支代表一個測試點的輸出，最終建立起一個可以找出數(shù)據(jù)樣本記錄與樣本屬性之間關系的樹結構模型[15-18]?；旆e巖是在復雜沉積環(huán)境下形成一類過渡性巖性，巖石組分及測井響應特征也復雜多樣，不同巖石組分的混積巖在測井響應上常常出現(xiàn)交錯重疊的現(xiàn)象且單一測井曲線上的測井響應特征也不明顯，因此，無法利用單一的測井曲線來進行混積巖的巖性識別，亟需利用多條測井曲線對混積巖巖性進行綜合判定識別，而決策樹方法可以清楚的表述出各種測井曲線與混積巖巖性之間的關系，因此，通過對不同測井曲線對混積巖復雜巖性的敏感度優(yōu)選出聲波時差(DT)、自然伽馬(GR)、密度(ZDEN)、深側向電阻率(RD)和補償中子(CNCF)5種測井參數(shù)進行巖性的分類、識別、篩選，最終依據(jù)決策樹構建法建立一套混積巖巖性識別模型。

首先利用研究區(qū)不同類型混積巖巖性的測井參數(shù)特征對不同巖性進行測井參數(shù)敏感性分析(見圖6)。將泥巖、泥質(zhì)灰?guī)r、泥質(zhì)白云巖、砂礫巖、砂質(zhì)白云巖五種巖性測井參數(shù)概率密度分別投到5條測井曲線上，可以看出各種不同巖性所對應的測井響應參數(shù)大致分布范圍，從得到的測井參數(shù)概率密度分布圖可以看出，GR曲線對泥巖反應較為敏感多大于70API，但對混積巖反映不太敏感，ZDEN對灰?guī)r的反映較為敏感而DT則對白云巖反映較為敏感。從圖中可知通過測井參數(shù)概率密度分布特征可以將泥巖、灰?guī)r和白云巖加以區(qū)分，而灰質(zhì)白云巖和白云質(zhì)灰?guī)r、泥質(zhì)灰?guī)r和泥質(zhì)白云巖這幾種類型的混積巖則無法用單一的測井參數(shù)概率密度分布特征來加以區(qū)分。因此，在此5種測井參數(shù)中又任選了2種測井參數(shù)繪制出散點圖矩陣，并對該散點矩陣進行進一步的分析得到其二維作伴及協(xié)方差矩陣，最后得到這兩種曲線的二維測井參數(shù)90%置信度的置信橢圓，用以表征二維測井參數(shù)概率密度分布特征。

圖6 測井參數(shù)概率密度分布圖Fig.6 Logging parameter probability density distribution map

置信橢圓可以將2種測井曲線的異常點剔除，顯示出具有代表性的測井參數(shù)，置信橢圓的寬窄表示測井參數(shù)之間的相關性，置信橢圓越窄，2種測井參數(shù)之間的相關性越好。通過得到的置信橢圓可以看出(見圖7)，對于泥質(zhì)灰?guī)r和泥質(zhì)白云巖來說，其聲波時差和自然伽馬的置信橢圓寬度較窄具有正相關性，因此可以利用聲波時差和自然伽馬來區(qū)分含泥質(zhì)巖性。而對于灰?guī)r和白云巖，其補償中子和深側向電阻率呈負相關，且灰?guī)r和白云巖置信橢圓的重合面積較小，因此可以運用補償中子及深側向電阻率的相關性來區(qū)分灰?guī)r和白云巖，這也好測井參數(shù)概率密度分布圖中所得結果相吻合。

為了得到復雜混積巖的巖性分類模型，在測井參數(shù)概率密度分布特征及二維測井參數(shù)90%置信度的置信橢圓篩選結果的基礎上運用決策樹方法將研究區(qū)的所有測井參數(shù)數(shù)據(jù)進行匯總，建立不同巖性的測井參數(shù)樣本集，針對各類巖性隨機抽取200個測井參數(shù)樣本，得到樣本參數(shù)集。綜合分析測井參數(shù)概率密度分布特征，選擇聲波時差(DT)、自然伽馬(GR)、密度(ZDEN)、深側向電阻率(RD)和補償中子(CNCF)5種測井參數(shù)進行巖性分類、識別。通過對樣本集的篩選測試最終得到所需的數(shù)據(jù)集，再依據(jù)決策樹方法逐步建立可以識別復雜混積巖的巖性分類器(見圖8)。

圖7 二維測井參數(shù)90%置信度的置信橢圓Fig.7 Confidence ellipse for 90% confidence of two-dimensional logging parameters

圖8 基于決策樹方法的巖性識別模型及Cutoff值Fig.8 Lithology identification model and Cutoff value based on decision tree method

利用該模型對巖性進行分割，使得各子集各巖性類型的信息熵更小。首先選擇信息熵變化最大的自然伽馬進行分割，以自然伽馬為70API作為節(jié)點，將整個樣本集分為泥巖和非泥質(zhì)巖性2個子集，自然伽馬大于70API為含泥質(zhì)巖性。自然伽馬小于或等于70API的為非泥質(zhì)巖性。然后對這兩種巖性進行進一步的劃分，當伽馬大于75API時為純質(zhì)泥巖，而當伽馬小于等于75API時，多為碳酸鹽質(zhì)泥巖，由于伽馬測井參數(shù)很難進行下部分的區(qū)分，因此選擇巖性區(qū)分變化最大的密度測井對碳酸鹽質(zhì)泥巖進行劃分。當密度大于2.38 g/cm3時，為灰質(zhì)泥巖的概率較大；密度小于2.38 g/cm3時，為白云質(zhì)泥巖的概率較大。同理運用聲波時差(DT)、密度(ZDEN)、深側向電阻率(RD)和補償中子(CNCF)等測井參數(shù)對非泥質(zhì)巖性進行分類，每個決策樹分支都可將測井數(shù)據(jù)劃分為若干個子集，由多個決策樹分支構成基于決策樹方法的混積巖巖性識別模型，可以更加清晰地表征巖性分類的結構特征，在一定程度上提高了混積巖巖性識別的精度，并在此基礎上總結出了混積巖巖性測井識別Cutoff值(見表1)，為混積巖巖性測井識別提供了依據(jù)。

圖9 KL-1井原始巖性與校正巖性對比圖Fig.9 Comparison of original lithology and corrected lithology of KL-1 well

表1 基于決策樹方法的巖性識別Cutoff值Table 1 Lithology identification Cutoff value based on decision tree method

5 應用

利用決策樹方法對KL油田其他各井進行巖性識別，以KL-1井為例(見圖9)，將巖性識別的結果與測井、錄井分析的巖性結果對比發(fā)現(xiàn)，在1 057～1 079 m井段，GR<70，100

6 結論

(1)通過巖心、薄片、壁心資料對研究區(qū)儲層巖性特征及分類進行研究，并利用元素測井資料，結合測井曲線，巖心照片，對研究區(qū)各井進行巖性校正，研究區(qū)混積巖主要分為陸源碎屑質(zhì)-碳酸鹽混積巖、碳酸鹽質(zhì)-陸源碎屑巖混積巖，碎屑巖主要有泥巖、粉砂巖、泥質(zhì)粉砂巖、細砂巖、含礫細砂巖五種類型，火成巖主要為凝灰?guī)r。

(2)利用研究區(qū)不同混積巖巖性的測井參數(shù)特征，通過測井參數(shù)敏感性分析，選取聲波時差(DT)、自然伽馬(GR)、密度(ZDEN)、深側向電阻率(RD)和補償中子(CNCF)5種測井參數(shù)進行巖性分類、識別、篩選。在測井參數(shù)概率密度分布特征及二維測井參數(shù)90%置信度的置信橢圓篩選結果的基礎上運用決策樹方法將研究區(qū)的所有測井參數(shù)數(shù)據(jù)進行匯總，通過對不用巖性測井參數(shù)頻率密度分布特征總結和分類，最終得到一套適合研究區(qū)混積巖巖性識別的模型及混積巖巖性測井識別Cutoff值。

(3)通過運用決策樹方法得到的混積巖巖性識別模型及測井識別Cutoff值對研究區(qū)其他井混積巖進行識別校正符合率較高，總體符合率到達80%，可以在混積巖巖性識別中進行運用。