基于主成分分析法的N油田M油组储层岩性识别

宋延杰，刘鹏奇，阎伟林

(1.东北石油大学非常规油气成藏与开发省部共建国家重点实验室培育基地，黑龙江大庆163318;2.大庆油田有限责任公司勘探开发研究院，黑龙江大庆163712)

N油田M组是以碳酸盐岩［1－2］为主的浅湖相混合沉积，主要有灰质粉砂岩、泥晶灰岩、藻灰岩、泥灰岩和泥岩等多种岩性。目前，岩性识别［3－5］的方法主要有概率统计方法、模糊学聚类分析方法［6－7］，以及模式识别方法［8］，应用这些方法识别该地区M组的岩性，精度较低，无法达到生产要求。笔者选用主成分分析法确定岩性识别主成分，制作图版，并对N油田M油组岩性进行识别，以满足生产需求。

1 储层的岩性特征

1.1 岩性归类

N油田浅层M油组的岩心与薄片资料表明，研究区岩性主要以沉积岩类和碳酸盐岩类为主，岩性地质定名达20余种，其中，某些岩性储层的测井响应特征相近，能够采用相同的测井解释模型进行解释。因此，在满足地质与测井评价需求情况下，可以对岩性进行归类。笔者以微观薄片分析和宏观岩心描述为准则，根据N油田浅层M油组7口井81块岩芯薄片及铸体薄片鉴定结果，将该区的岩性归纳为藻灰岩、泥晶灰/云岩和泥质碳酸盐岩三类。

1.2 岩性测井响应特征

对M油组7口井35个层的样本数据进行研究，结果如图1、表1所示。分析可知，在补偿中子(CNL)及声波时差(ΔtAC)曲线(图1a、1b)上，藻灰岩类为低值，泥晶灰/云岩类为中值，泥质碳酸盐岩类为高值;在深感应电阻率/围岩电阻率(ΔR)及深侧向电阻率(ρRLLD)曲线(图1c、1d)上，藻灰岩类为高值，泥晶灰/云岩类为中值，泥质碳酸盐岩类为低值。

2 岩性识别方法

N油田M油组的常规测井响应规律复杂，应用地层微电阻率扫描成像测井(FMI)和地层成像测井(ECS)能够较好地识别岩性，但该区这类资料极为有限，不能全面应用于整个油组。为此，笔者在常规测井响应研究的基础上，提出基于主成分分析法的地层岩性识别方法。

2.1 主成分分析法原理

主成分分析法是对数据降维的一种数学方法。基本思想是，设法将原来众多的具有一定相关性的指标X1，X2，…，Xp(例如p个指标)，重新组合成一组较少数量的互不相关的综合指标Fm，以代替原来指标。

图1 ΔGR与ΔtAC、φCNL、ΔR、ρRLLD交会图Fig.1 Crossplot of GR and ΔtAC、φCNL、ΔR、ρRLLD

表1 各类岩性测井响应特征Table 1 Various lithological logging response characteristics

设F1表示原变量的第一个线性组合所形成的主成分指标，即F1=a11X1+a21X2+…+ap1Xp，每一个主成分所提取的信息量可用其方差来度量。一般，第一主成分F1所含的信息量最大，因此，在所有的线性组合中选取的F1应该是X1，X2，…，Xp的所有线性组合中方差最大的，故称F1为第一主成分。如果F1不足以代表原来p个指标的信息，那么再考虑选取第二个主成分指标F2。为有效地反映原信息，F1已有的信息就不需要再出现在F2中，即F2与F1要保持独立、不相关，所以F2是与F1不相关的X1，X2，…，Xp的所有线性组合中方差最大的，故称F2为第二主成分，依此类推构造出的F1，F2，…，Fm为原变量指标X1，X2，…，Xp第一、第二、…、第m个主成分。

根据以上分析得知:Fi与Fj互不相关，即Cov(Fi，Fj)=0，F1是X1，X2，…，Xp的一切线性组合(系数满足上述要求)中方差最大的，即Fm是与F1，F2，…，Fm－1都不相关的X1，X2，…，Xp的所有线性组合中方差最大者。

2.2 样本点选择

样本点的选择决定模型的精度，因此选择时样本点的测井值应尽可能地反映储层的实际情况。文中按照下列原则选取样本点:

(1)剔除薄层和层界面处的样本点;

(2)剔除井径及曲线变化异常点;

(3)剔除明显异常点。

2.3 岩性识别图版

通过岩性敏感性分析，优选声波时差、自然伽马相对值、补偿中子、深感应电阻率、深感应电阻率/围岩电阻率作为主成分分析法的输入参数，根据三类岩性的42个样本，分别计算第一、二主成分:

第一主成分－0.52×ΔGR+0.43×AC+0.530×φCNL－0.520×ΔR－0.490×ρRLLD;

第二主成分0.91×ΔGR+0.42×AC－0.036×φCNL－0.007×ΔR+0.043×ρRLLD。

应用7口取心井35层资料(其中泥质碳酸盐岩类储层18层，泥晶灰/云岩类9层，藻灰岩类8层)，绘制岩性识别图版，如图2所示，图版精度为94.3%。

图2 储层主成分交会图Fig.2 Cross plot of principal component of reservoir

3 应用效果

应用主成分分析法识别该区M油组岩性，并与FMI方法和取芯法结果进行对比。全井段应用FMI识别，对藻灰岩的识别精度达到89%以上。以M－1井的识别结果(图3)为例，FMI方法识别藻灰岩311层，主成分分析法识别藻灰岩260层，主成分分析法识别精度较高。由图3可以看出，深度(h)1 485～1 495 m发育一层明显的藻灰岩储层，进一步证明主成分识别程序可以有效识别岩性。

图3 M－1井测井识别岩性对比Fig.3 Comparison chart of logging lithology identification of M-1 well

将研究区5口重点井的取心段岩性与主成分识别岩性对比，对其中40个储层进行统计，主成分分析法识别结果符合35层，识别精度为87.5%。以M－34井1 288～1 202 m取心段为例(图4)，岩心岩性与主成分分析法判别岩性结果较一致。

图4 M－34井岩心描述与测井识别对比Fig.4 Comparison chart of core description and logging identification of M-34 well

以上两种方法验证结果表明，采用主成分分析法识别该区岩性效果较好，能够满足生产需求。

4 结束语

N油田M油组岩性复杂，运用常规测井岩性识别方法难以满足生产需求。为此，笔者在岩性归类及测井响应特征研究的基础上，提出主成分分析法。应用该方法制作图版，并对研究区的岩性进行识别。与FMI法及取芯法的对比结果表明，主成分分析法识别精度较高，能够满足实际生产需要。

［1］ 罗晓兰，应忠才仁，白金莲，等.南翼山浅层油藏储层非均质特征研究［J］.青海石油，2010，28(4):25－31.

［2］ 陈科贵，张帆，冯雪龙，等.双家坝构造碳酸盐岩储层参数评价［J］.西南石油学院学报，2005，27(6):12－14.

［3］ 钟仪华，李榕.基于主成分分析的最小二乘支持向量机岩性识别方法［J］.测井技术，2009，33(5):425－429.

［4］ 谢刚，胡振平，罗利，等.基于约束最小二乘理论的复杂岩性测井识别方法［J］.测井技术，2007，31(4):354－356.

［5］ 宋延杰，张剑风，阎伟林，等.基于支持向量机的复杂岩性测井识别方法［J］.大庆石油学院学报，2007，31(5):18－20.

［6］ 覃豪，张超谟.基于粗糙集与模糊学的岩性识别［J］.江汉石油学院学报，2004，26(4):60－62.

［7］ 刘为付，孙立新，刘双龙，等.模糊数学识别火山岩岩性［J］.特种油气藏，2002，9(1):14－17.

［8］ 张莹，潘保芝.基于主成分分析的SOM神经网络在火山岩岩性识别中的应用［J］.测井技术，2009，33(6):550－554.