徐家围子断陷沙河子组砂砾岩储层岩性测井识别方法

金雪英

（大庆油田有限责任公司 勘探开发研究院，黑龙江 大庆 163712）

0 引言

随着徐家围子断陷勘探程度的深入，沙河子组逐渐成为深层天然气的重要资源接替层位.沙河子组地层具有多物源、水体变化频繁的特征，纵向上发育的岩性种类较多，沉积类型多样，非均质性强.沙河子组储层主要是致密砂砾岩和岩屑砂岩，测井、测试资料发现，不同岩性储层的物性、含气性及电性特征差异较大.该地层主要是基于常规测井资料定性解释岩性和流体，解释结果较粗，解释精度较低，随着勘探的不断突破，已经不能满足储层评价的要求，亟需建立一套沙河子组地层的测井评价方法，其中岩性识别是储层测井评价的基础，有必要开展沙河子组致密砂砾岩储层岩性识别方法研究.

目前，测井识别岩性的方法主要有常规测井交会图法、岩性指示曲线法、成像测井图像模式法、支持向量机、主成分分析和神经网络等.在交会图识别岩性方面，冯翠菊、毛庆、吴磊、陈科贵和蔺景龙等总结多种岩性在测井曲线上的响应规律，建立M－N、声波—密度等交会图识别岩性[1－5].在岩性指示曲线识别岩性[6]方面，鲁国明总结东营凹陷深层砂砾岩地层不同岩性的常规测井响应特征，通过敏感性分析建立能反映粒序变化的岩性识别曲线[7].张晋言等通过敏感性分析，优选常规测井岩性敏感参数，构建NRA岩性指示曲线，对盐家油田深层砂砾岩进行岩性的自动识别[8].在成像测井图像模式识别岩性方面，王玉华、袁子龙、覃豪等利用成像测井资料，建立各种岩性的成像测井图像模式，以定性识别岩性[9－11].范宜仁等先用自动判别分析和主成分分析的方法识别南堡5号的火山岩大类，再通过成像测井图像模式识别熔岩和碎屑岩[12].在数学分析方法识别岩性方面，谢刚等引用约束最小二乘算法优化测井响应方程，建立复杂岩性地层多矿物地层组分的测井解释模型[13].于代国、宋延杰等利用支持向量机的方法进行复杂岩性的识别[14－15].这些测井岩性识别方法研究表明：交会图法、岩性指示曲线法、支持向量机等方法，主要是基于常规测井响应特征识别岩石成分的差异，对于岩石结构的响应较弱；成像测井图像模式法可以识别岩石的结构，但这些方法多是定性解释，不能定量评价，岩性解释效率较低.

徐家围子断陷沙河子组的砂岩和砂砾岩的碎屑均为岩屑，岩石成分复杂，砂砾岩粒径变化范围较大，笔者通过岩心刻度测井，采用常规测井交会图法识别岩石成分；采用电导率异常对比法，利用Geoframe软件中的Bortex模块，从电成像测井资料中提取出能定量表征地层中砾石含量的结构指示参数，建立交会图定量识别岩石结构；通过主成分分析，综合利用常规测井、成像测井敏感参数，建立“成分加结构”的主成分分析方法定量自动识别岩性.

1 地层岩性特征

松辽盆地徐家围子断陷沙河子组地层埋深较深，纵向上发育的岩性种类多，主要为沉积岩，少量火山岩、煤层及沉火山岩.其中发育储层的岩性有砾岩、砂砾岩、含砾砂岩、不等粒砂岩、粗砂岩和含钙砂岩等，储层碎屑成分主要为岩屑，含少量石英和长石.不同岩性的储层物性及电性特征相差较大，通过各种岩性储层“四性特征”研究，对沙河子组特征相近的岩性进行归类[16]，将沙河子组储层的岩性归为砂砾岩（包括砾岩和砂砾岩）和砂岩（包括含砾砂岩、含钙砂岩、粗砂岩、砂岩等），非储层主要为泥岩（包括粉砂质泥岩和泥岩等）.由于泥质粉砂岩和泥质砾岩泥质含量较多，不能作为储层，而且测井响应特征更接近于泥岩，所以将它归入泥岩类.根据取心资料，研究区砂砾岩的岩屑类型以中酸性、中性喷出岩为主，含极少量变质岩，由于近物源快速堆积，搬运距离短，颗粒的分选、磨圆均不好.砂岩岩屑类型以酸性、中酸性为主，颗粒以粗粒、不等粒为主，细粒次之，分选中等，磨圆次圆.砂岩和砂砾岩接触关系为点接触，孔隙式胶结，胶结物主要为灰质，杂基含量低，成分主要为泥质.

2 岩性测井响应特征

2.1 常规测井响应特征

岩石的常规测井响应主要受骨架成分影响，成像测井响应主要受岩石结构影响.沙河子组的砂砾岩和砂岩成分主要为岩屑，碎屑含量很高，砂砾岩岩屑成分以中性、中酸性火山岩为主；砂岩岩屑成分以酸性、中酸性为主.不同的黏土矿物中铀、钍和钾放射性元素的质量分数不同，尤其是钍元素和钾元素的质量分数在主要的黏土矿物中差异很大[17].应用沙河子组28块样品的黏土分析资料，分岩性统计主要的黏土矿物的体积分数（见图1），砂砾岩和砂岩的黏土矿物以伊利石为主，但砂岩伊利石体积分数较砂砾岩高，绿泥石体积分数较砂砾岩稍低，泥岩主要为伊利石.

根据研究区17口井64个取心样品刻度，统计研究区沙河子组地层不同岩性的常规测井曲线响应特征值（见表1）.由表1可以看出，由于砂岩、砂砾岩、泥岩在岩石成分及黏土矿物类型方面存在差异，在常规测井曲线上，砂砾岩表现为伽马低、光电截面指数较砂岩略高，钾元素质量分数较低、钍元素质量分数较高、电阻率高；砂岩表现为光电截面指数较低、钾元素质量分数较高、钍元素质量分数低，电阻率较低；泥岩表现为电阻率很低、中子孔隙度高、自然伽马高、钾元素质量分数高、钍元素质量分数高的特征.

表1 沙河子组不同岩性测井曲线响应特征值Table 1 Logging response characteristic of different lithology in Shahezi group

2.2 岩性成像测井图像特征

电成像测井资料具有很高的纵向分辨率，其图像颜色和形态可以直观反映地层的岩性、结构和构造特征.通过10口井的岩心、薄片资料标定，沙河子组岩性在电成像测井图像（见图2）上主要有3种特征.

图2 沙河子组不同岩性的电成像测井典型特征Fig.2 Electrical imaging characteristic diagram of different lithology in Shahezi group

2.2.1 砂砾岩

静态图像一般为亮白色或亮黄色，图像上有明显的块状构造和斑状结构；在动态图像上高阻砾石不规则分布，常见块状、交错层理，也可见粒序层理，砾石分选、磨圆程度较差.

2.2.2 砂岩

（1）含砾砂岩.静态图像一般为桔黄色和浅黄色，有亮色的不规则斑点杂乱分布；动态图象可见亮色的斑点和岩石脱落形成的黑色斑点，常见交错层理、递变层理等构造.

（2）砂岩.静态图像多呈桔黄色，一般为块状或条带状，有时因含灰质亮度增强；动态图像可见成层的条带状特征，常见块状结构或斜层理、平行层理、交错层理等构造.

2.2.3 泥岩

静态图像一般为棕色或黑色，动态图像显示为棕黑色或棕黄色条带，层厚且厚度比较稳定，多为水平层理且成层性好.

3 岩性识别方法

3.1 常规测井曲线交会图版识别法

砂岩、砂砾岩及泥岩在深侧向电阻率、自然伽马及伽马能谱曲线上有一定差异，因此应用研究区17口井64块薄片样品资料，选取深侧向电阻率和自然伽马及钍元素和钾元素的质量分数，分别建立沙河子组岩性识别图版（见图3和图4），图版精度分别为78%和82%.

由图3和图4可以看出，常规测井曲线反映不同岩性的特征.对于泥岩，识别效果很好；对于砂岩和砂砾岩，识别效果不好.原因是电阻率不仅反映岩石内部孔隙结构特征，而且受钙质和储层流体性质影响.钍元素和钾元素质量分数不仅与母岩和黏土矿物类型有关，还与沉积环境等因素有关，当砂砾岩母岩偏于中性岩、砂岩母岩偏于酸性岩时能较好区分；但是当两者母岩为中酸性或者岩性在砂岩和砂砾岩的过渡区时难以区分.

图3 沙河子组地层深侧向电阻率与自然伽马交会图Fig.3 Plot of deep latera resisitivity and gamma in Shahezi group

图4 沙河子组地层钍元素与钾元素质量分数交会图Fig.4 Plot of thorium and potassium in Shahezi group

3.2 成像测井定量识别方法

以往成像测井识别岩性是通过建立典型岩性的图像模式识别岩性，这种方法岩性解释效率低，只能做到定性评价，不能做到定量评价.文中利用BorTex模块采用电导率对比法提取岩石结构和构造，开展基于成像测井的定量识别方法研究.

根据倾角或成像微电阻率曲线所反映的地层成层性和内部结构信息，利用BorTex模块确定岩石内部结构特征，获得岩石内部结构属性，可以在碎屑岩和碳酸盐岩环境下对岩石内部结构属性进行自动分类.首先对电成像测井曲线进行滤波和倾角校正，计算过井筒地质体的背景电导率，按照背景电导率对比度的不同将地层分层；然后将提取的结构和构造所引起的电导率信息与背景电导率进行对比，识别不同的地质体；最后提取非均质体且形成量化地质体的指示曲线.

在成像测井图上，明显的明暗特征代表电阻率数值的变化，颜色越浅电阻率越高.地质体的结构是通过电阻率的异常反映的，成像测井图像主要由高阻斑块、高阻条带、低阻斑块及低阻条带地质体组成.通过各种地质体电导率与背景电导率对比，应用判别标准识别各个地质体且自动分类，进而计算各个地质体的比率（见图5）.

图5 成像测井地质体判别规则及分类Fig.5 Classfication and identification of geological body by image logging data

对岩石中不同地质体的比率进行连续性计算，得到高阻斑块面比率、低阻斑块面比率、高阻条带面比率和低阻条带面比率等结构指示曲线.根据岩心刻度成像测井资料，高阻斑块是由角砾或砾石引起的，所以提取的高阻斑块面比率可以指示角砾或砾石含量的多少，并且砾石含量越多、粒径越大，得到的曲线值越高；低阻斑块主要是由孔洞和砾石脱落而被泥浆充填引起的，所以低阻斑块面比率可以指示砾石含量及孔洞的多少；条带面比率可以指示裂缝、夹层等信息.通过研究区13口井的成像测井资料处理发现，对于砂砾岩地层，高阻斑块面比率和低阻斑块面比率含量较大，对于砂岩地层两者含量低（见图6）.

图6 达深X井Bortex处理结果Fig.6 Curves from Bortex processing of Dashen X

利用10口井38块薄片样品资料，选取能指示砾石含量的高阻斑块面比率和低阻斑块面比率曲线，建立基于成像测井的岩性定量识别图版（见图7）.

利用该图版可以很好识别砂砾岩，但是受成像测井仪器分辨率的限制，当砂砾岩粒径小于5mm时，计算得到的斑块面比率偏小；对于泥岩，由于图像上高阻斑块和低阻斑块含量很少，计算结果与砂岩相近，利用该图版难以区分.

3.3 主成分分析法

主成分分析法是将一组有相关性的原变量通过正交变换，转换成为一组新变量，即原始变量的主成分.正交变换后的主成分按照方差依次递减的顺序排列，其中第一主成分具有最大的方差，第二主成分具有第二大方差，……，依此类推，最后一个主成分的方差最小.当前面的几个主成分的方差比后面的主成分的方差大很多时，可以忽略后面的主成分，只用前面的几个主成分反映原有变量的特征，可以在提取原变量绝大部分总信息的前提下达到压制干扰且降维的目的.主成分分析方法作为一种多元统计方法，已在测井资料岩性岩相识别、储层评价方面得到应用[17－19].

在实际应用时，交会图版法和成像测井定量识别法具有自身优势和局限性，为了充分利用岩性的测井响应敏感信息，消除单一方法的局限性，将常规曲线和成像测井处理结果相结合，选取对岩性反应敏感的自然伽马（GR）、钍元素质量分数（TH）、钾元素质量分数（K）、光电截面指数（PE）、深侧向电阻率（LLD）、高阻斑块面比率（GZ）及低阻斑块面比率（DZ）等7个测井参数，采用主成分分析的方法提取主成分，以主成分累计贡献率大于80%为准选取前2个主成分，得到它们的特征值及特征向量（见表2）.

表2 主成分分析特征值及特征向量Table 2 The eigenvalue and eigenvector of Principal component analysis

最终得到的主成分1（F1）和主成分2（F2）与测井参数之间的转换关系表达式为

由表1可以看出，主成分2中高阻斑块面比率及低阻斑块面比率系数较大，主要反映岩石的结构和构造，主成分1中常规测井曲线的系数较大，主要反映岩石的成分.应用10口井38块样品的主成分值，建立基于主成分分析的岩性识别图版（见图8），图版精度为97%.

图7 沙河子组基于成像测井的岩性识别图版Fig.7 Lithology identification chart based on imaging logging of Shahezi group

图8 沙河子组基于主成分分析的岩性识别图版Fig.8 Lithology identification chart based on principal component analysis of Shahezi group

3.4 应用效果

应用“成分加结构”的主成分分析法解释达深Y井岩性的结果（见图9），在常规测井曲线上，该井3 523～3 537m层段自然伽马、深侧向电阻率、钍元素质量分数、钾元素质量分数测井值变化范围不大，利用常规测井交会图版解释，测井值落于砂岩、砂砾岩界限附近，反映该段岩性成分相近，碎屑粒径上存在差别；常规测井主要反映岩石成分，对于岩石结构，如粒径、粒序、砾石含量等主要依赖成像测井资料.利用成像测井资料提取，反映砾石含量的结构指示曲线高阻斑块面比率和低阻斑块面比率，根据成像测井结构识别图版，当粒径较小、岩性较细时，高阻斑块面比率和低阻斑块面比率较小，解释为砂岩；当粒径较大、岩性较粗时，解释为砂砾岩.在常规测井曲线上，该井3 537～3 540m层段自然伽马、钍元素、钾元素质量分数较高，电阻率较低，根据常规测井交会图解释为泥岩；在成像测井结构识别图版上，高阻斑块面比率、低阻斑块面比率与砂岩的相近，利用主成分分析法，考虑砂岩、砂砾岩、泥岩测井响应的敏感性，综合解释为泥岩.

图9 达深Y井岩性识别结果Fig.9 Lithology identification results of Dashen Y

应用多种方法分别对研究区10口井沙河子组地层的岩性进行识别，经过32段82m岩心验证，单独使用常规测井交会图版识别岩性的准确率为69%，单独使用成像测井定量识别图版识别岩性的准确率为71%（泥岩作为误差）；综合利用常规测井和成像测井，采用“成分加结构”的主成分分析法识别岩性的准确率达到90%.因此，采用“成分加结构”的主成分分析法识别岩性，编写解释程序实现岩性的计算机自动识别.该方法不仅解决成像测井定量识别岩性的问题，而且通过敏感性分析、优选参数和采用主成分分析法将常规测井与成像测井信息进行结合，提高徐家围子断陷沙河子组地层岩性识别的精度和岩性解释的效率，为进一步开展流体识别、参数计算奠定基础.

4 结论

（1）徐家围子断陷沙河子组储层以砂砾岩和砂岩为主，由两者母岩成分及黏土矿物类型的不同导致在常规测井响应特征上存在差异.

（2）利用成像测井定量识别法，提取反映砾石含量的信息且建立解释图版识别岩性.该方法提高成像资料解释岩性的效率，并解决成像测井定量识别岩性的问题，为成像测井资料的应用提供思路.

（3）将常规测井和成像测井信息相结合，选用测井敏感参数，采用“成分加结构”主成分分析法识别徐家围子断陷沙河子组岩性，消除单一方法的局限性，提高解释效率和精度，经过取心资料验证效果较好，为储层的综合评价提供指导.

[1]冯翠菊，王敬岩，冯庆付.利用测井资料识别火成岩岩性的方法[J].大庆石油学院学报，2004，28（4）：9－12.Feng Cuiju，Wang Jingyan，Feng Qingfu.Distinguishing igneous rock lithology by logging data[J].Journal of Daqing Petroleum Institute，2004，28（4）：9－12.

[2]毛庆，张德峰，吴春文.东营凹陷背部陡坡带深层砂砾岩体岩性测井识别方法[J].油气地质与采收率，2010，17（3）：57－59.Mao Qing，Zhang Defeng，Wu Chunwen.Logging recognition of conglomerate in deep northren steep slope of Dongying depression[J].PGRE，2010，17（3）：57－59.

[3]吴磊，徐怀民，季汉成.基于交会图和多元统计法的神经网络技术在火山岩识别中的应用[J].石油地球物理勘探，2006，41（1）：81－86.Wu Lei，Xu Huaimin，Ji Hancheng.Application of neural networks technique based on crosspiot and multielement statistics to recognition of volcanic rocks[J].Oil Geophysical Prospecting，2006，41（1）：81－86.

[4]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），12－16.Chen Kegui，Zhang Fan，Feng Xuelong，et al.Carbona reservoir parameter estmation in Shuangjiaba structure[J].Journal of Southwest Petroleum Institute，2005，27（6）：12－16.

[5]蔺景龙，马继明，闫伟林，等.苏德尔特油田兴安岭群岩性识别方法[J].大庆石油学院学报，2006，30（1）：4－6.Lin Jinglong，Ma Jiming，Yan Weilin，et al.Lithologic identification of Xing＇anling group in Sudeerte oilfield[J].Journal of Daqing Petroleum Institute，2006，30（1）：4－6.

[6]廖太平，张福荣，张志坚.基于模糊聚类算法的复杂岩性识别[J].大庆石油学院学报，2004，28（6）：58－60.Liao Taiping，Zhang Furong，Zhang Zhijian.Complex lithology identification based on crossplot and fuzzy clustering algorithm [J].Journal of Daqing Petroleum Institute，2004，28（6）：58－60.

[7]鲁国明.东营凹陷深层砂砾岩岩性测井综合识别技术[J].测井技术，2010，34（2）：168－171.Lu Guoming.Logging comprehensive identifition technology of deep sandy conglomerate lithology，Dongying sag[J].Well Logging Technology，2010，34（2）：168－171.

[8]张晋言，孙建孟，刘海河，等.盐家油田深层砂砾岩储层岩性自动识别新技术[J].测井技术，2011，35（5）：447－450.Zhang Jinyan，Sun Jianmeng，Liu Haihe，et al.A new method of lithology automatic identification for deep glutenite body in Yanjia oilfield[J].Well Logging Technology，2011，35（5）：447－450.

[9]王玉华.电成像测井在大庆火成岩储层解释中的应用[J].大庆石油地质与开发，2008，27（6）：128－130.Wang Yuhua.Application of electric imaging logging in the well logging interpretation of igneous rock reservoir in Daqing[J].Petroleum Geology ＆ Oilfield Development in Daqing，2008，27（6）：128－130.

[10]袁子龙，陈曦，张洪江.电成像测井资料在砂砾岩油气藏岩性识别中的应用[J].科学技术与工程，2012，12（4）：758－761.Yuan Zilong，Chen Xi，Zhang Hongjiang.An application of resistivity imaging logging data in lithologic identification of glutenite reservoir[J].Science Technology and Engineering，2012，12（4）：758－761.

[11]覃豪，李红娟.应用测井资料进行火山岩岩性识别[J].石油天然气学报，2007，29（3）：234－236.Qin Hao，Li Hongjuan.Application of log data on volcanic rock lithology recognition[J].Journal of Oil and Gas，2007，29（3）：234－236.

[12]范宜仁，朱学娟，邓少贵，等.南堡5号构造火山岩岩性识别技术研究[J].地球物理学进展，2012，27（4）：1640－1647.Fan Yiren，Zhu Xuejuan，Deng Shaogui，et al.Research on technology of lithology identification of volcanic rock in Nanpu 5th struction[J].Progress in Geophys，2012，27（4）：1640－1647.

[13]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.Xie Gang，Hu Zhenping，Luo Li，et al.Logging identification of complication lithology with constrained least squares algorithm[J].Well Logging Technology，2007，31（4）：354－356.

[14]于代国，孙建孟，王焕增，等.测井识别岩性新方法——支持向量机方法[J].大庆石油地质与开发，2005，24（5）：93－95.Yu Daiguo，Sun Jianmeng，Wang Huanzeng，et al.A new method of lithology identification－SVM[J].Petroleum Geology ＆Oilfield Development in Daqing，2005，24（5）：93－95.

[15]宋延杰，张剑风，闫伟林，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）：18－21.Song Yanjie，Zhang Jianfeng，Yan Weilin，et al.A new identification method for complex lithology with support vector machine[J].Journal of Daqing Petroleum Institute，2007，31（5）：18－21.

[16]赵澄林，朱筱敏.沉积岩石学[M].北京：石油工业出版社，2001.Zhao Chenglin，Zhu Xiaomin.Sedimentary Petrology[M].Beijing：Petroleum Industry Press，2001.

[17]郭影文.自然伽马能谱测井在黏土矿物含量分析中的应用[J].石油天然气学报，2008，30（6）：268－271.Guo Yingwen.Application of natural gamma ray spectroscopy log for analysis of clay mineral content[J].Journal of Petroleum and Natural Gas，2008，30（6）：268－271.

[18]钟仪华，李榕.基于主成分分析的最小二乘法支持向量机岩性识别方法[J].测井技术，2009，33（5）：425－429.Zhong Yihua，Li Rong.Application of principal component analysis and least squares support vector machine to lithology identification[J].Well Logging Technology，2009，55（5）：425－429.

[19]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.Zhang Ying，Pan Baozhi.Application of SOM neural network method to volcanic lithology recognition[J].Well Logging Technology，2009，55（6）：550－554.