D凹陷沙四段致密油储层岩性识别方法研究

宋延杰，任一菱，唐晓敏，邓 鑫，刘 玥

（1. 东北石油大学 地球科学学院， 黑龙江 大庆 163318； 2. 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；3. 中国石油辽河油田分公司勘探开发研究院， 辽宁 盘锦 124010）

综合评述

D凹陷沙四段致密油储层岩性识别方法研究

宋延杰1,2，任一菱1,3，唐晓敏1,2，邓 鑫1，刘 玥1

（1. 东北石油大学 地球科学学院， 黑龙江 大庆 163318； 2. 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；3. 中国石油辽河油田分公司勘探开发研究院， 辽宁 盘锦 124010）

首先通过统计方法对D凹陷沙四段致密油储层中的油页岩、粉砂岩和泥质云岩3类岩性测井曲线敏感性进行分析，优选出声波时差、密度和自然伽马。其次基于敏感测井响应，分别建立了测井响应交会图岩性识别方法以及决策树和量子神经网络岩性识别模型。在测井响应交会图法中，首先利用密度-标准化自然伽马交会图区分油页岩与粉砂岩和泥质云岩，然后利用密度-声波时差交会图区分粉砂岩和泥质云岩；在决策树模型中，构建了3层岩性判别树状图，直观映射出4条分类规则；在量子神经网络模型中,构建了三层前馈量子神经网络模型，并优选出精度最高的样本构造方法。通过与实际取心结果对比分析发现，决策树和量子神经网络模型均能很好地识别致密油储层复杂岩性，而测井响应交会图法难以对致密储层复杂岩性进行有效识别。

致密油储层；油页岩、粉砂岩和泥质云岩；岩性识别；量子神经网络；决策树；测井响应交会图

D凹陷沙四段致密油储层岩性复杂，测井响应变化无规律，不同岩性测井响应存在重叠。目前的岩性识别技术中，常规的取心分析识别岩性直观准确，但成本高、资料有限；岩屑录井识别岩性存在滞后性，且依赖岩屑录井资料质量。1982年wollf[1]等人提出利用测井资料自动识别岩性，自此利用计算机自动识别岩性成为了常用的岩性识别技术。

常用的测井资料岩性识别方法是应用敏感测井响应来构建交会图版[2-6]。该方法简单直观，实用性强。但是由于其只能同时利用两种测井响应，因此更适用于岩性单一且不同岩性测井响应区分明显的储层。相比之下，决策树[7-9]模型信息量大，算法稳定，能直观体现数据特点，并能自动分析各参数的权重，据此建立的非线性模型准确率高。神经网络[10-13]因其在模式识别方面有较强非线性映射能力和容错及抗干扰性能，故而在岩性识别领域应用广泛。但传统神经网络收敛速度慢，容易陷入局部极小点，且容易对训练样本过度拟合。1995年Kak[14]提出量子神经计算的概念，将神经计算与量子计算相结合。量子神经网络[15-21]有效克服了传统神经网络的缺陷，提高了神经网络模型的收敛性和准确率。

本文基于取心数据和测井数据，将该区块的岩性划分为油页岩、粉砂岩和泥质云岩三类。通过优选识别三类岩性的敏感测井曲线，分别采用测井响应交会图法、决策树模型和量子神经网络模型对该区块岩性进行识别，并且将识别结果和实际取心结果对比，给出识别该区块岩性的最佳方法。

1 致密油储层岩性识别的敏感测井响应优选

D凹陷沙四段致密油储层岩性复杂，有油页岩、含粉砂油页岩、粉砂质油页岩、粉砂岩（云质、灰质）、含灰油页岩、云质油页岩、碳酸盐质油岩、泥质云岩、含灰泥晶云岩9种主要岩性。基于各岩性地质特征及测井响应特征，将该区块的岩性统一划分为油页岩、粉砂岩和泥质云岩3类。

基于8口取心井的取心数据，分小层读取深侧向电阻率、声波时差、密度、补偿中子、自然伽马的测井响应数据，并对自然伽马曲线标准化，在此基础上进行统计分析（见表1），发现区分油页岩、粉砂岩和泥质云岩最明显的测井响应为声波时差、密度和自然伽马。除此之外，这3类岩性在补偿中子和电阻率测井响应上也有一定程度的区分。

表1 三类岩性测井响应数据统计表Table 1 Log responses of three categories of lithology

（1）深侧向电阻率测井

油页岩深侧向电阻率测井响应值较高，粉砂岩深侧向电阻率测井响应值较低，泥质云岩深侧向电阻率测井响应值中等, 介于油页岩和粉砂岩之间；

（2）孔隙度测井

油页岩具有低密度、高中子、高声波时差的测井响应特点，粉砂岩具有高密度、低中子、低声波时差的测井响应特点，泥质云岩的密度、中子、声波时差测井响应值均介于油页岩和粉砂岩之间；

（3）自然伽马测井

油页岩自然伽马测井响应值为高值，粉砂岩自然伽马测井响应值为低值，泥质云岩自然伽马测井响应值中等，介于油页岩和粉砂岩之间。

2 致密油储层岩性识别方法

2.1 测井响应交会图法识别岩性

基于敏感测井响应优选，将自然伽马、密度和声波时差作为识别岩性的主要测井响应，制作交会图版（图1、图2）。

图1 密度-标准化自然伽马交会图Fig.1 DEN vs. ΔGR

图2 密度-声波时差交会图Fig.2 DEN vs. AC

首先利用图1从油页岩、粉砂岩和泥质云岩中区分出油页岩。当测井响应值满足ΔGR＞5 DEN-11.65且ΔGR＞0.6364 DEN-0.9591时，判断岩性为油页岩，否则为粉砂岩或泥质云岩。其次利用图2区分粉砂岩和泥质云岩，当测井响应值满足AC＞425 DEN-777.5时，判断岩性为粉砂岩,否则为泥质云岩。用测井响应交会图法识别岩性的准确率为82.5%。

2.2 决策树模型识别岩性

2.2.1 决策树理论

决策树算法是常用的以实例为基础的归纳学习算法。在进行分类时，模型从根节点开始逐步对样本属性进行测试，进而判断从该节点向下的分支，每个节点代表一个属性，每个分支代表一个规则。

2.2.2 决策树岩性识别模型建立

基于敏感测井响应优选，将声波时差、密度和自然伽马作为敏感测井响应，建立了决策树岩性识别模型（见图3）。模型以标准化自然伽马为根节点，从上而下共计3个层次，综合识别准确率为95.1%。

图3 岩性判别树状图Fig.3 The decision tree of lithology identification

图3 直观地映射出四条分类规则：ΔGR＜0.54、DEN＜2.48g/cm3且AC＜319.7μs/m，岩性判断为泥质云岩；ΔGR＜0.54且DEN＞2.48g/cm3，岩性判断为粉砂岩；ΔGR＞0.54，岩性判断为油页岩；ΔGR＜0.54、DEN＜2.48g/cm3且AC＞319.7μs/m，岩性判断为油页岩。

2.3 量子神经网络模型识别岩性

2.3.1 量子神经网络理论

量子神经网络将量子特性引入到传统神经网络中，建立了全新的神经网络模型。本文提出的量子神经元由输入、移相、聚合、旋转、输出五部分组成，其中输入和输出用量子位表示，移相和旋转由量子旋转门和受控非门实现，并在受控非门中内置了Sigmoid函数，用以增强量子神经元的非线性映射能力。由若干个量子神经元按一定的拓扑结构构成的网络称量子神经网络。本文基于梯度下降法，采用三层前馈量子神经网络模型设计了学习算法。

2.3.2 量子神经网络岩性识别模型建立

基于敏感测井响应优选，将声波时差、密度、补偿中子、自然伽马4个参数作为输入，将油页岩、粉砂岩和泥质云岩3类岩性作为输出，建立了量子神经网络岩性识别模型。模型隐层取15个节点，限定代数1 000，限定误差0.25。采用前101个样本训练网络，后48个样本测试网络的泛化能力，网络训练采用序贯方式。样本采用1-4型、2-2型、4-1型三种构造方法。实验结果表明（表2），测试集识别率从高到低依次为：1-4型；4-1型；2-2型。

表2 量子神经网络模型岩性识别样本不同构造方法准确率对比Table 2 The accuracy comparison of different construction method of sample data for lithology identification of the quantum neural network model

3 致密油储层岩性识别效果分析

基于8口取心井的取心数据，共选取149个小层，分别采用上述三个模型对油页岩、粉砂岩和泥质云岩3类岩性进行识别。测井响应交会图法准确率为82.6%，决策树模型准确率为95.1%，采用识别率最高的1-4型样本的量子神经网络模型准确率为92.0%，决策树和量子神经网络模型精度远高于测井响应交会图法。因此识别该区块岩性较好的方法是决策树模型和量子神经网络模型。

图4 XXX井岩性识别剖面图Fig.4 The profile of lithology identification of XXX well

图4 是用决策树和量子神经网络模型对XXX井进行岩性识别的剖面图。该井的取心井段为3281～3 294 m，总长13 m，决策树模型识别岩性错误的岩心长度为0.97 m，正确率为92.5%，量子神经网络模型识别岩性错误的岩心长度为1.27 m，正确率为90.2%。这说明所建立的决策树模型和量子神经网络模型对D凹陷沙四段致密油储层岩性识别均有很好的效果，可以用于该区块的岩性识别。

4 结 论

（1）识别D凹陷沙四段致密油储层油页岩、粉砂岩和泥质云岩最明显的测井响应为声波时差、密度和自然伽马。此外，这三组岩性在补偿中子和电阻率测井响应上也有一定程度的区分。

（2）通过对比分析建立的三种岩性识别模型发现，基于数据挖掘方法的决策树模型和量子神经网络模型均能很好地识别致密油储层的复杂岩性，而传统的测井响应交会图法识别准确率低。

（3）利用建立的决策树模型和量子神经网络模型对取心层段进行岩性识别，正确率均大于90%，表明所建立的两种模型均可以很好的用于该区块致密油储层的岩性识别。

［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，黄隆基，代诗华．交会图技术在火山岩岩性与裂缝识别中的应用[J].测井技术，1999，23(1)：53-56．

［3］ 张涛，莫修文．基于交会图与模糊聚类算法的复杂岩性识别[J].吉林大学学报（地球科学版），2007，37(1)：109-113．

［4］ 高峰，司马立强，闫建平，等．川东北大安寨段致密储层测井识别岩性技术研究[J].石油天然气学报（江汉石油学院学报），2013，35(4)：92-95.

［5］ 郭小波，黄志龙，涂小仙，等．马朗凹陷芦草沟组致密储集层复杂岩性识别[J].新疆石油地质，2013，34(6)：649-652．

［6］ 刘国全，贾丽，李凤霞，等．沧东凹陷致密油岩性识别方法研究[J].特种油气藏，2014，21(3)：18-22．

［7］ 王瑞，朱筱敏，王礼常．用数据挖掘方法识别碳酸盐岩岩性[J].测井技术，2012，36(2)：197-201．

［8］ 潘懋，马莉，魏至峰．树分类器在测井岩性评价中的应用[J].地质科学，1993，28(2)：193-196．

［9］ 李洪奇，谭锋奇，许长福，等．基于决策树方法的砾岩油藏岩性识别[J].测井技术，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］ 于建华．应用人工神经网络自动识别岩性[J].石油地球物理勘探，1993，28(1)：59-67．

［12］马英杰，周蓉生．神经网络方法在岩性识别中的应用[J].物探化探计算技术，2004，26(3)：220-223．

［13］杨辉，黄健全，胡雪涛，等．BP神经网络在致密砂岩气藏岩性识别中的应用[J].油气地球物理，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，杨雨．基于量子神经网络的油田水淹层识别方法[J].计算机应用与软件，2012．29(5)：41-43．

［16］孙玉学，谢建波，才庆．应用量子神经网络预测低渗储层水锁损害[J].特种油气藏，2012，19(6)：53-56．

［17］李盼池．一种量子神经网络模型学习算法及应用[J].控制理论与应用，2009，26(5)：531-534．

［18］李盼池．量子计算及其在智能优化与控制中的应用[D].哈尔滨:哈尔滨工业大学，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］解光军，周典，范海秋，等．基于量子门组单元的神经网络及其应用[J]. 系统工程理论与实践，2005(5)：113-117．

耐高温隔热保温涂料给工业经济添彩

耐高温隔热保温涂料给节能穿上绿装，作为一种新型隔热保温涂料，有着良好的经济效益、节能环保、隔热效果和施工简便等优点而越来越受到人们的关注与青睐。且这种太空绝热反射涂料正经历着一场由工业隔热保温向建筑隔热保温为主的方向转变，由厚层向薄层隔热保温的技术转变，这也是今后隔热保温材料主要的发展方向之一。ZS隔热保温涂料通过应用陶瓷球型颗粒中空材料在涂层中形成的真空腔体层，构筑有效的热屏障，不仅自身热阻大，导热系数低，在科技快速发展的今天，各行各业对隔热保温涂料的品质性能越来越高，环保节能、VOC的含量等等是对涂料行业提出的新要求，特别是志盛威华环保节能隔热保温涂料在国内大面积使用，节能环保显著，特到国家的认可和推荐。隔热保温涂料行业作为国民仅仅发展中的一份子，践行节能减排的决心，打好节能减排攻坚战，为降低环境污染做出来不懈努力和应有的贡献。涂料市场的健康发展不仅要求更替和研发新的生产线和产品，更要以环保和节能为中心。

国内外都遍重视保温材料的工业生产和在建筑中的应用，力求大幅度减少能源的消耗量，从而减少环境污染和温室效应。北京志盛威华化工公司多年来致力以研究开发节能、环保涂料，其生产的ZS系列隔热保温涂料广泛应用于制造、工业、船舶等行业，防腐、耐高温粘合剂、反射隔热涂料等均为无机节能环保涂料，其以高品质、高性能赢得了国内涂料市场，其中ZS-211反射隔热保温涂料能在物体表面形成由封闭微珠连接在一起的三维网络空心结构，这样的纳米空心陶瓷微珠和微珠之间形成了一个个叠夹的静态空气组，也就是一个个隔热保温单元，涂层导热系数0.035W/m.K，可以有效阻止热量传导。

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

国家自然科学基金“骨架导电低阻油层人造岩样实验及导电规律与导电模型研究”，项目号：41274110。

2015-03-10

宋延杰（1963-），男，黑龙江五常人，教授，博士，2006年毕业于东北石油大学油气田开发工程，研究方向：主要从事测井方法与资料解释研究。E-mail：syj1963@263.net。

唐晓敏（1981-），女，讲师，在读博士，研究方向：主要从事测井方法与资料解释研究。E-mail：txmdqpi@163.com。