李 昌，沈安江，張建勇，周進高，蔡 君，劉江麗，王 鑫

1 中國石油杭州地質(zhì)研究院；2 中國石油集團碳酸鹽巖儲層重點實驗室

0 前 言

碳酸鹽巖儲層的發(fā)育與顆粒灘密切相關(guān)，儲層發(fā)育受控于巖相分布［1］。沉積微相精細研究對于儲層預(yù)測非常重要，由于取心資料有限，因此充分利用測井資料準(zhǔn)確識別巖相，對于顆粒灘的預(yù)測有著重要意義。碳酸鹽巖儲層常常受到強烈成巖作用改造，裂縫、溶蝕孔洞發(fā)育，非均質(zhì)性較強［2-4］，如何高精度識別基于巖石結(jié)構(gòu)組分分類的巖相一直是個難題。目前，有效測井參數(shù)與機器學(xué)習(xí)方法結(jié)合已經(jīng)成為提高巖相識別精度的有效手段［5］。視巖石結(jié)構(gòu)數(shù)參數(shù)ARFN（apparent rock fabric number）作為一種有效的測井參數(shù)，在國外碳酸鹽巖地層中取得了較好應(yīng)用效果［6］。然而該技術(shù)建立的條件為非裂縫和非水層，這使得其應(yīng)用受到限制。特別是對于國內(nèi)深層裂縫發(fā)育的碳酸鹽巖地層，應(yīng)用該技術(shù)會出現(xiàn)奇異值，因此并不適用這項技術(shù)。為此,本文以四川盆地GM地區(qū)寒武系龍王廟組碳酸鹽巖為例，提出了ARFN改進公式，并把改進的ARFN 作為輸入測井參數(shù)之一，與K鄰近分類算法（KNN）結(jié)合進一步提升巖相測井識別精度，經(jīng)巖心資料驗證取得了較好的效果。

1 地質(zhì)概況

1.1 巖石學(xué)特征

四川盆地GM 地區(qū)揭示寒武系龍王廟組的鉆井分布較廣（圖1a），龍王廟組厚度為67~106 m，平均為90 m。龍王廟組的巖性主要包括泥質(zhì)白云巖、泥晶白云巖、晶粒白云巖及顆粒白云巖等，少見砂質(zhì)白云巖［7-11］。龍王廟組經(jīng)歷了兩期海平面升降旋回，每一旋回的下部均為泥（粉）晶白云巖等相對低能的碳酸鹽巖，而中上部則以相對高能的砂屑白云巖和鮞粒白云巖為主［12］（圖1b）。

圖1 四川盆地GM地區(qū)鉆井分布及地層柱狀圖（據(jù)文獻［3］，有修改）Fig.1 Well distribution and stratigraphic column in GM area,Sichuan Basin(cited from reference［3］,modified)

顆粒白云巖 主要為砂（礫）屑白云巖和鮞粒白云巖（圖2a），少量為豆粒白云巖。顆粒白云巖主要在龍王廟組一段、二段的中上部顆粒灘的主體部位發(fā)育，發(fā)育的顆粒主要為砂屑，另有少量的生物碎屑和鮞粒。顆粒白云巖是龍王廟組最主要的儲層巖石類型，溶蝕孔洞極為發(fā)育（圖2a），常形成針孔狀的砂屑（鮞粒）白云巖。經(jīng)成巖作用改造，顆粒之間的原生粒間孔只有一部分殘留下來，它們是顆粒白云巖儲層的重要儲集空間。經(jīng)過表生巖溶作用和埋藏溶蝕作用，沿殘余粒間孔發(fā)生溶蝕形成擴大的溶蝕孔洞，其間常半充填粗晶（鞍狀）白云石及自生石英，部分樣品中可見滲流粉砂。在掃描電鏡下白云石晶內(nèi)可見微孔，這些微孔可能是埋藏溶蝕作用形成的。

圖2 四川盆地GM地區(qū)MX204井龍王廟組巖石類型（巖心照片）Fig.2 Rock types of Longwangmiao Formation of Well MX204 in GM area,Sichuan Basin(core photos)

晶粒白云巖 主要為粉晶白云巖（圖2b）以及具顆粒殘余結(jié)構(gòu)的細晶白云巖（圖2c），少量為中晶白云巖。晶粒白云巖儲集空間以晶間孔和不規(guī)則的溶蝕孔洞為主。部分晶粒白云巖為顆粒白云巖經(jīng)重結(jié)晶改造而形成，在顯微鏡下可見白云石粒度較粗，且可見顆?；糜埃涣硪徊糠志Я０自茙r可能為泥晶灰?guī)r經(jīng)過白云石化作用及其后的成巖改造形成。

泥晶白云巖 泥晶白云巖與泥質(zhì)泥晶白云巖互層出現(xiàn)，呈深灰色（圖2d），主要發(fā)育在龍王廟組下部。在巖心中可見石膏假結(jié)核、生物鉆孔、泥質(zhì)紋層變形等指示局限靜水環(huán)境的沉積構(gòu)造。

龍王廟組儲層主要發(fā)育于龍一段上部和龍二段中上部的顆粒白云巖中。根據(jù)已有的巖心物性分析資料，儲層平均孔隙度為4.16%，平均滲透率為0.87 ×10-3μm2，具有中低孔、中低滲的特點?？紫抖群蜐B透率分布直方圖見圖3。

圖3 四川盆地GM地區(qū)龍王廟組孔隙度和滲透率分布直方圖（孔隙度大于2%的小樣，據(jù)文獻［9］）Fig.3 Histograms of porosity and permeability of Longwangmiao Formation in GM area,Sichuan Basin(small samples with porosity more than 2%,cited from reference［9］)

巖性在縱向上變化較快，而測井曲線受分辨率所限有時候不能完全反映薄層的巖性信息；另外巖性類型過多，會導(dǎo)致巖性測井識別精度很低。因此，綜合考慮沉積微相的生產(chǎn)研究需求，兼顧識別精度，本次研究將巖相劃分為3 大類（表1）。其中，顆粒白云巖相代表高能沉積環(huán)境，粉晶白云巖相代表中等能量的沉積環(huán)境，泥晶白云巖相代表低能沉積環(huán)境。由于砂屑白云巖和細晶白云巖的粒徑和晶體尺寸都比較大，在測井特征上難于區(qū)分，而且兩者都反映高能沉積環(huán)境，因此統(tǒng)一歸為顆粒白云巖相。

表1 四川盆地GM地區(qū)龍王廟組巖相分類表Table 1 Lithofacies classification of Longwangmiao Formation in GM area，Sichuan Basin

1.2 巖-電關(guān)系

從測井參數(shù)交會圖（圖4）看，GM 地區(qū)龍王廟組巖-電關(guān)系比較簡單，按照不同測井響應(yīng)特征的4個級別（低、中等、較高和高），總結(jié)3 類巖相的測井定性特征如下：

圖4 四川盆地GM地區(qū)龍王廟組不同巖相的測井參數(shù)交會圖Fig.4 Crossplots of logging parameters of different lithofacies of Longwangmiao Formation in GM area，Sichuan Basin

顆粒白云巖相 表現(xiàn)為低自然伽馬、高聲波時差、低密度、中等電阻率。如果為純水層，則電阻率為低值。

粉晶白云巖相 與顆粒白云巖的測井特征相似，表現(xiàn)為低自然伽馬、中等聲波時差（低于顆粒白云巖，物性上較顆粒白云巖相略差）、中高密度、中等電阻率。當(dāng)巖性致密、不發(fā)育孔隙時，表現(xiàn)為高電阻率、低聲波時差。

泥晶白云巖相 當(dāng)泥質(zhì)含量低且孔隙不發(fā)育時，該巖相表現(xiàn)為中等自然伽馬、低聲波時差、高密度和高電阻率特征。當(dāng)泥質(zhì)含量較高時，測井特征顯著，表現(xiàn)為高自然伽馬、高聲波時差、低電阻率特征。

2 視巖石結(jié)構(gòu)數(shù)計算技術(shù)

視巖石結(jié)構(gòu)數(shù)計算技術(shù)最早由Lucia 提出［13］。基于密閉取心樣品，樣品無裂縫且在油水界面以上，分析巖相與粒間溶蝕孔隙度和含水飽和度的關(guān)系（圖5a），在此基礎(chǔ)上構(gòu)建巖石結(jié)構(gòu)數(shù)（RFN），計算公式如下：

圖5 不同巖相的孔隙度與含水飽和度交會圖Fig.5 Crossplots of porosity and water saturation of rocks with different fabric components

式中：?core代表巖心孔隙度，無量綱；Swcore代表巖心含水飽和度，無量綱。該技術(shù)的應(yīng)用條件是無裂縫發(fā)育和無水淹層。其基本原理為：①一般情況下粗顆粒碳酸鹽巖孔隙發(fā)育程度更高，其原生孔隙度更高，因此即使經(jīng)歷成巖改造，顆粒白云巖的孔隙發(fā)育一般要好于泥晶白云巖。②在油氣成藏時，含油氣程度與孔隙大小密切相關(guān)：當(dāng)孔隙度較高時，油氣充注程度高，含油氣飽和度較高。因此，顆粒較粗的巖相，含油氣飽和度高，而含水飽和度低。③在孔隙度和含水飽和度方面，顆粒白云巖與泥晶白云巖具有較大差異性，據(jù)此可以區(qū)分不同巖石結(jié)構(gòu)組分。Lucia通過巖心孔隙度、巖心含水飽和度和薄片鑒定巖石結(jié)構(gòu)組分，構(gòu)建了RFN。結(jié)合巖心標(biāo)定，確定了不同巖相的劃分閾值，從而實現(xiàn)通過計算RFN 定量描述碳酸鹽巖巖石結(jié)構(gòu)：當(dāng)RFN≥4，為顆粒泥晶灰?guī)r；當(dāng)2.5≤RFN＜4，為泥晶白云巖；當(dāng)1.5≤RFN＜2.5，為泥晶顆粒白云巖、粉晶白云巖；當(dāng)0.5≤RFN＜1.5，為顆粒白云巖、中細晶白云巖。

將公式（1）中的巖心含水飽和度和孔隙度用測井計算的孔隙度和含水飽和度替換，則得到視巖石結(jié)構(gòu)數(shù)（ARFN），可以利用其判別不同巖相類型。然而，上述公式是針對較高孔隙度的樣品建立的，對于中國古老深層的低孔隙度碳酸鹽巖地層，計算時會出現(xiàn)奇異值；另外，該技術(shù)并不適用于裂縫發(fā)育及水層發(fā)育的情況，具有一定的局限性。因此，需要對公式進行修正。

針對四川盆地GM 地區(qū)龍王廟組，基于取心井巖心和薄片資料，分析巖相與測井計算的孔隙度和含水飽和度之間的關(guān)系（圖5b），在Lucia 公式原型的基礎(chǔ)上，對公式進行改造如下：

式中：?e為測井計算有效孔隙度，無量綱；Swe為測井計算含水飽和度，無量綱；ΔGR為自然伽馬相對值，無量綱；ΔDT為聲波時差相對值，無量綱；ΔDEN為密度相對值，無量綱;Rt為電阻率，Ω·m。根據(jù)地層測試資料，水層深電阻率一般小于200 Ω·m，所以對于水層可直接采用測井曲線相對值構(gòu)建視巖石結(jié)構(gòu)數(shù)計算公式。最后，同樣基于巖心標(biāo)定，確定不同巖相的劃分閾值，如圖5b 所示：當(dāng)0＜ARFN≤0.4，為泥晶白云巖相；當(dāng)0.4＜ARFN≤1.4，為粉晶白云巖相；當(dāng)ARFN＞1.4，為顆粒（細晶）白云巖相。

利用改進的視巖石結(jié)構(gòu)數(shù)計算公式能定量刻畫巖石結(jié)構(gòu)組分變化（圖6）。對GM 地區(qū)7 口取心井計算ARFN，巖心驗證符合率為60%~83%，平均符合率為70%（表2）。從應(yīng)用效果看，該技術(shù)能夠快速判別巖相，對于顆粒白云巖和泥晶白云巖識別率高，但對于粉晶白云巖識別率低。主要原因是，粉晶白云巖在溶蝕作用比較發(fā)育的情況下，物性會變好，因而造成識別誤差增大。為了提高識別精度，在實際生產(chǎn)應(yīng)用中，一般將視巖石結(jié)構(gòu)數(shù)作為輸入測井參數(shù)與機器學(xué)習(xí)方法結(jié)合，消除誤差影響，從而進一步提高巖相測井識別精度。

圖6 應(yīng)用改進ARFN的巖相測井識別結(jié)果（MX21井）Fig.6 Calculation results of modified ARFN formula（Well MX21）

表2 不同方法識別符合率統(tǒng)計表Table 2 Statistics of recognition coincidence rate of different methods

3 KNN算法基本原理

K 鄰近分類算法（K-nearest neighbor，KNN），是最簡單的數(shù)學(xué)分類識別算法之一，其核心思想是如果一個樣本在特征空間中的K個最相鄰的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別，并具有這個類別上樣本的特性。該方法在確定分類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別，其優(yōu)點是強制分類對異常點不敏感，識別準(zhǔn)確度高，因此特別適合重疊較多的待分樣本集或類域的交叉的分類問題［14-15］。

KNN 算法的實現(xiàn)主要有兩個關(guān)鍵因素：點距離的計算和K值的選取，距離公式一般采用歐式距離，指在n維空間中兩個點之間的真實距離。假定有c個類別，每個類別的樣本為xi，i= 1,2,...,c個，其中每個類別的樣本數(shù)量為Ni，對未知樣本yj，j=1,2,...,b，歐式距離公式為：

式中：i為第i個類，i= 1,2,...,c；j為第j個未知樣本，j= 1,2,...,b；m為 第i類 樣 本xi中Ni個 樣 本 的第m個。

將預(yù)測的未知樣本點與所有樣本類別點進行距離計算，對距離進行排序，然后選出前面K個距離值，根據(jù)K個距離值對應(yīng)哪些類別比較多，則yj屬于那個類別，即決策yj∈i。這一決策方法稱為最近鄰法。K 的取值比較重要，根據(jù)數(shù)據(jù)量的大小，本文K值選擇為10。

4 技術(shù)應(yīng)用

四川盆地GM 地區(qū)龍王廟組共有12 口取心井，選擇取心資料多的5 口井作為樣本井，其余7口井作為識別驗證井。KNN 輸入測井參數(shù)選擇自然伽馬、聲波時差、密度、中子、深電阻率和視巖石結(jié)構(gòu)數(shù)（ARFN）。結(jié)果表明，KNN 與ARFN 方法結(jié)合的巖相測井識別精度較高：GS17 井巖心厚度為83 m，識別符合的厚度為71.5 m（圖7），符合率為86%（表2），比單獨用KNN方法精度提高了9%；GS10井巖心厚度為28 m，識別符合的厚度為21.9 m（圖8），符合率為78%（表2），比單獨用KNN方法精度提高了9%。通過對研究區(qū)7 口取心井的驗證，單獨用KNN方法的平均符合率為74%，KNN與ARFN方法結(jié)合的平均符合率為81%（表2），符合率提高了7%。

圖7 四川盆地GM地區(qū)GS17井龍王廟組取心段巖相測井識別結(jié)果Fig.7 Lithofacies logging identification results of Longwangmiao Formation coring section of Well GS17 in GM area,Sichuan Basin

圖8 四川盆地GM地區(qū)GS10井龍王廟組取心段巖相測井識別結(jié)果Fig.8 Lithofacies logging identification results of Longwangmiao Formation coring section of Well GS10 in GM area,Sichuan Basin

另外，本次研究分析了學(xué)習(xí)樣本數(shù)量對KNN 方法識別結(jié)果的影響。分別采用5 口井（MX11 井、MX12井、MX13井、MX17井、MX19井）作為學(xué)習(xí)樣本庫與采用9口井（MX11井、MX12井、MX13井、MX17井、MX19井、MX202井、MX23井、GS10井、GS17井）作為學(xué)習(xí)樣本庫，分析識別符合率的差異，結(jié)果如表3，可見樣本數(shù)量與符合率非正相關(guān)。對于KNN算法來說，各種類型樣本數(shù)量的均衡是最關(guān)鍵的問題，對于巖相類型均衡的樣本，不需要大量樣本。

表3 KNN方法不同樣本數(shù)量識別結(jié)果對比Table 3 Comparison of identification coincidence rate with different sample numbers

5 結(jié) 論

（1）視巖石結(jié)構(gòu)數(shù)（ARFN）計算技術(shù)能夠定量描述巖石結(jié)構(gòu)組分變化,雖然目前精度還不夠高，仍不失為一種有效的快速定量巖相測井識別方法，具有改進的空間。

（2）對于K鄰近分類算法（KNN），巖心樣本數(shù)量與識別符合率沒有明顯的相關(guān)性，該方法最關(guān)鍵的是樣本類型要全面和典型，如果不同類型樣本的數(shù)量均衡，識別就可以達到滿意效果。

（3）ARFN作為一種有效測井參數(shù)，它與KNN算法結(jié)合，較之單獨使用KNN，能夠有效提高巖相識別的精度。以四川盆地GM 地區(qū)龍王廟組為例，提出了改進的ARFN 計算公式，將其與KNN 算法結(jié)合的巖相測井識別符合率從74%提升到80%以上。該方法同樣適用于其他碳酸鹽巖地區(qū)，對巖相測井識別工作具有一定的參考及推廣價值。