D凹陷沙四段致密油儲層巖性識別方法研究

宋延杰，任一菱，唐曉敏，鄧 鑫，劉 玥

（1. 東北石油大學 地球科學學院， 黑龍江 大慶 163318； 2. 非常規(guī)油氣成藏與開發(fā)省部共建國家重點實驗室培育基地，黑龍江 大慶 163318；3. 中國石油遼河油田分公司勘探開發(fā)研究院， 遼寧 盤錦 124010）

綜合評述

D凹陷沙四段致密油儲層巖性識別方法研究

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 地球科學學院， 黑龍江 大慶 163318； 2. 非常規(guī)油氣成藏與開發(fā)省部共建國家重點實驗室培育基地，黑龍江 大慶 163318；3. 中國石油遼河油田分公司勘探開發(fā)研究院， 遼寧 盤錦 124010）

首先通過統(tǒng)計方法對D凹陷沙四段致密油儲層中的油頁巖、粉砂巖和泥質(zhì)云巖3類巖性測井曲線敏感性進行分析，優(yōu)選出聲波時差、密度和自然伽馬。其次基于敏感測井響應(yīng)，分別建立了測井響應(yīng)交會圖巖性識別方法以及決策樹和量子神經(jīng)網(wǎng)絡(luò)巖性識別模型。在測井響應(yīng)交會圖法中，首先利用密度-標準化自然伽馬交會圖區(qū)分油頁巖與粉砂巖和泥質(zhì)云巖，然后利用密度-聲波時差交會圖區(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。通過與實際取心結(jié)果對比分析發(fā)現(xiàn)，決策樹和量子神經(jīng)網(wǎng)絡(luò)模型均能很好地識別致密油儲層復雜巖性，而測井響應(yīng)交會圖法難以對致密儲層復雜巖性進行有效識別。

致密油儲層；油頁巖、粉砂巖和泥質(zhì)云巖；巖性識別；量子神經(jīng)網(wǎng)絡(luò)；決策樹；測井響應(yīng)交會圖

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

常用的測井資料巖性識別方法是應(yīng)用敏感測井響應(yīng)來構(gòu)建交會圖版[2-6]。該方法簡單直觀，實用性強。但是由于其只能同時利用兩種測井響應(yīng)，因此更適用于巖性單一且不同巖性測井響應(yīng)區(qū)分明顯的儲層。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，并能自動分析各參數(shù)的權(quán)重，據(jù)此建立的非線性模型準確率高。神經(jīng)網(wǎng)絡(luò)[10-13]因其在模式識別方面有較強非線性映射能力和容錯及抗干擾性能，故而在巖性識別領(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，且容易對訓練樣本過度擬合。1995年Kak[14]提出量子神經(jīng)計算的概念，將神經(jīng)計算與量子計算相結(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)模型的收斂性和準確率。

本文基于取心數(shù)據(jù)和測井數(shù)據(jù)，將該區(qū)塊的巖性劃分為油頁巖、粉砂巖和泥質(zhì)云巖三類。通過優(yōu)選識別三類巖性的敏感測井曲線，分別采用測井響應(yīng)交會圖法、決策樹模型和量子神經(jīng)網(wǎng)絡(luò)模型對該區(qū)塊巖性進行識別，并且將識別結(jié)果和實際取心結(jié)果對比，給出識別該區(qū)塊巖性的最佳方法。

1 致密油儲層巖性識別的敏感測井響應(yīng)優(yōu)選

D凹陷沙四段致密油儲層巖性復雜，有油頁巖、含粉砂油頁巖、粉砂質(zhì)油頁巖、粉砂巖（云質(zhì)、灰質(zhì)）、含灰油頁巖、云質(zhì)油頁巖、碳酸鹽質(zhì)油巖、泥質(zhì)云巖、含灰泥晶云巖9種主要巖性。基于各巖性地質(zhì)特征及測井響應(yīng)特征，將該區(qū)塊的巖性統(tǒng)一劃分為油頁巖、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、聲波時差、密度、補償中子、自然伽馬的測井響應(yīng)數(shù)據(jù)，并對自然伽馬曲線標準化，在此基礎(chǔ)上進行統(tǒng)計分析（見表1），發(fā)現(xiàn)區(qū)分油頁巖、粉砂巖和泥質(zhì)云巖最明顯的測井響應(yīng)為聲波時差、密度和自然伽馬。除此之外，這3類巖性在補償中子和電阻率測井響應(yīng)上也有一定程度的區(qū)分。

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

（1）深側(cè)向電阻率測井

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

（2）孔隙度測井

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

（3）自然伽馬測井

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

2 致密油儲層巖性識別方法

2.1 測井響應(yīng)交會圖法識別巖性

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

圖1 密度-標準化自然伽馬交會圖Fig.1 DEN vs. ΔGR

圖2 密度-聲波時差交會圖Fig.2 DEN vs. AC

首先利用圖1從油頁巖、粉砂巖和泥質(zhì)云巖中區(qū)分出油頁巖。當測井響應(yīng)值滿足ΔGR＞5 DEN-11.65且ΔGR＞0.6364 DEN-0.9591時，判斷巖性為油頁巖，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，當測井響應(yīng)值滿足AC＞425 DEN-777.5時，判斷巖性為粉砂巖,否則為泥質(zhì)云巖。用測井響應(yīng)交會圖法識別巖性的準確率為82.5%。

2.2 決策樹模型識別巖性

2.2.1 決策樹理論

決策樹算法是常用的以實例為基礎(chǔ)的歸納學習算法。在進行分類時，模型從根節(jié)點開始逐步對樣本屬性進行測試，進而判斷從該節(jié)點向下的分支，每個節(jié)點代表一個屬性，每個分支代表一個規(guī)則。

2.2.2 決策樹巖性識別模型建立

基于敏感測井響應(yīng)優(yōu)選，將聲波時差、密度和自然伽馬作為敏感測井響應(yīng)，建立了決策樹巖性識別模型（見圖3）。模型以標準化自然伽馬為根節(jié)點，從上而下共計3個層次，綜合識別準確率為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，巖性判斷為油頁巖；ΔGR＜0.54、DEN＜2.48g/cm3且AC＞319.7μs/m，巖性判斷為油頁巖。

2.3 量子神經(jīng)網(wǎng)絡(luò)模型識別巖性

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)門和受控非門實現(xiàn)，并在受控非門中內(nèi)置了Sigmoid函數(shù)，用以增強量子神經(jīng)元的非線性映射能力。由若干個量子神經(jīng)元按一定的拓撲結(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)計了學習算法。

2.3.2 量子神經(jīng)網(wǎng)絡(luò)巖性識別模型建立

基于敏感測井響應(yīng)優(yōu)選，將聲波時差、密度、補償中子、自然伽馬4個參數(shù)作為輸入，將油頁巖、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)巖性識別模型。模型隱層取15個節(jié)點，限定代數(shù)1 000，限定誤差0.25。采用前101個樣本訓練網(wǎng)絡(luò)，后48個樣本測試網(wǎng)絡(luò)的泛化能力，網(wǎng)絡(luò)訓練采用序貫方式。樣本采用1-4型、2-2型、4-1型三種構(gòu)造方法。實驗結(jié)果表明（表2），測試集識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)模型巖性識別樣本不同構(gòu)造方法準確率對比Table 2 The accuracy comparison of different construction method of sample data for lithology identification of the quantum neural network model

3 致密油儲層巖性識別效果分析

基于8口取心井的取心數(shù)據(jù)，共選取149個小層，分別采用上述三個模型對油頁巖、粉砂巖和泥質(zhì)云巖3類巖性進行識別。測井響應(yīng)交會圖法準確率為82.6%，決策樹模型準確率為95.1%，采用識別率最高的1-4型樣本的量子神經(jīng)網(wǎng)絡(luò)模型準確率為92.0%，決策樹和量子神經(jīng)網(wǎng)絡(luò)模型精度遠高于測井響應(yīng)交會圖法。因此識別該區(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XXX井進行巖性識別的剖面圖。該井的取心井段為3281～3 294 m，總長13 m，決策樹模型識別巖性錯誤的巖心長度為0.97 m，正確率為92.5%，量子神經(jīng)網(wǎng)絡(luò)模型識別巖性錯誤的巖心長度為1.27 m，正確率為90.2%。這說明所建立的決策樹模型和量子神經(jīng)網(wǎng)絡(luò)模型對D凹陷沙四段致密油儲層巖性識別均有很好的效果，可以用于該區(qū)塊的巖性識別。

4 結(jié) 論

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

（2）通過對比分析建立的三種巖性識別模型發(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)模型均能很好地識別致密油儲層的復雜巖性，而傳統(tǒng)的測井響應(yīng)交會圖法識別準確率低。

（3）利用建立的決策樹模型和量子神經(jīng)網(wǎng)絡(luò)模型對取心層段進行巖性識別，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)塊致密油儲層的巖性識別。

［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，代詩華．交會圖技術(shù)在火山巖巖性與裂縫識別中的應(yīng)用[J].測井技術(shù)，1999，23(1)：53-56．

［3］ 張濤，莫修文．基于交會圖與模糊聚類算法的復雜巖性識別[J].吉林大學學報（地球科學版），2007，37(1)：109-113．

［4］ 高峰，司馬立強，閆建平，等．川東北大安寨段致密儲層測井識別巖性技術(shù)研究[J].石油天然氣學報（江漢石油學院學報），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集層復雜巖性識別[J].新疆石油地質(zhì)，2013，34(6)：649-652．

［6］ 劉國全，賈麗，李鳳霞，等．滄東凹陷致密油巖性識別方法研究[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)挖掘方法識別碳酸鹽巖巖性[J].測井技術(shù)，2012，36(2)：197-201．

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

［9］ 李洪奇，譚鋒奇，許長福，等．基于決策樹方法的礫巖油藏巖性識別[J].測井技術(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)自動識別巖性[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)方法在巖性識別中的應(yīng)用[J].物探化探計算技術(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)的油田水淹層識別方法[J].計算機應(yīng)用與軟件，2012．29(5)：41-43．

［16］孫玉學，謝建波，才慶．應(yīng)用量子神經(jīng)網(wǎng)絡(luò)預測低滲儲層水鎖損害[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)模型學習算法及應(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，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)工程理論與實踐，2005(5)：113-117．

耐高溫隔熱保溫涂料給工業(yè)經(jīng)濟添彩

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)濟效益、節(jié)能環(huán)保、隔熱效果和施工簡便等優(yōu)點而越來越受到人們的關(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，導熱系數(shù)低，在科技快速發(fā)展的今天，各行各業(yè)對隔熱保溫涂料的品質(zhì)性能越來越高，環(huán)保節(jié)能、VOC的含量等等是對涂料行業(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內(nèi)大面積使用，節(jié)能環(huán)保顯著，特到國家的認可和推薦。隔熱保溫涂料行業(yè)作為國民僅僅發(fā)展中的一份子，踐行節(jié)能減排的決心，打好節(jié)能減排攻堅戰(zhàn)，為降低環(huán)境污染做出來不懈努力和應(yīng)有的貢獻。涂料市場的健康發(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機節(jié)能環(huán)保涂料，其以高品質(zhì)、高性能贏得了國內(nèi)涂料市場，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個疊夾的靜態(tài)空氣組，也就是一個個隔熱保溫單元，涂層導熱系數(shù)0.035W/m.K，可以有效阻止熱量傳導。

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

國家自然科學基金“骨架導電低阻油層人造巖樣實驗及導電規(guī)律與導電模型研究”，項目號：41274110。

2015-03-10

宋延杰（1963-），男，黑龍江五常人，教授，博士，2006年畢業(yè)于東北石油大學油氣田開發(fā)工程，研究方向：主要從事測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：主要從事測井方法與資料解釋研究。E-mail：txmdqpi@163.com。