基于KNN分类算法的微生物白云岩岩相测井综合识别——以四川盆地GM地区灯四段为例

李 昌，王 鑫，冯 周，宋连腾

1 中国石油杭州地质研究院；2 中国石油集团碳酸盐岩储层重点实验室；3 中国石油勘探开发研究院

0 前 言

微生物丘滩是储层发育的有利相带［1-3］，复杂多样的岩性类型［4］导致其岩-电关系复杂，仅依靠常规测井无法识别微生物岩的具体岩相（如藻纹层岩、藻叠层岩和藻凝块岩等）［5-6］，仅能从整体上识别微生物岩。电成像测井具高分辨率特征，近似岩心观察，能够区分不同微生物构造，是有效识别微生物构造的主要手段［7-8］，但对于块状构造的砂屑白云岩和硅质泥晶白云岩，仍存在多解性问题［8］。目前常规测井与电成像测井结合是最有效且精度最高的识别手段，结合的主要方式包括图版法和人工智能学习法。作为传统方法的图版法［6-8］，其识别效率低且受人工经验影响较大。人工智能方法也存在2 个问题：①不同维度的测井数据融合难。常规测井为一维数据，采样间距为0.125 m；而电成像测井为二维数据，采样间距为0.25 cm。②岩心数量有限，训练样本数量不充足，而深度学习需要海量训练数据。

本文优选适应小样本的机器学习法——K 邻近分类算法（KNN），提出分开训练和识别，将识别结果再融合的技术手段，这样可以有效解决上述2 个问题，发挥不同测井系列的优势。首先基于岩心资料，分别建立岩相分类方案和岩石构造特征分类方案。以四川盆地GM 地区灯影组四段（简称灯四段）为例，划分了6 种岩相类型（包括藻白云岩、砂屑白云岩、粉晶白云岩、硅质白云岩、泥晶白云岩和泥质泥晶白云岩）和7 种岩石构造特征类型（包括藻叠层、藻凝块、藻纹层、块状、层状、斑点状、薄层状）。分别建立岩心训练样本参数库：对于常规测井，采用自然伽马、声波时差、中子、深电阻率和浅电阻率参数；对于电成像测井，采用动态图像的纹理特征和方向梯度参数作为样本训练参数。然后基于KNN方法，采用常规测井识别出6种岩相类型，采用电成像测井识别出7种岩石构造类型。最后根据专家经验，对这两种识别结果进行融合，获得9种岩相类型，即藻叠层白云岩、藻凝块白云岩、藻纹层白云岩、藻砂屑白云岩、砂屑白云岩、粉晶白云岩、硅质白云岩、泥晶白云岩和泥质泥晶白云岩。实际应用表明，与取心井对比，识别符合率在85%以上，满足了研究区灯影组精细沉积微相研究的需求，推动了勘探和开发生产。该方法充分利用常规测井和电成像测井的各自优势，实现高效率、高精度的测井岩相识别，可推广应用。

1 岩相类型及测井特征

四川盆地GM 地区灯四段是灯影组主力天然气产层［9］。根据岩心观察，灯影组储层岩性主要以与藻类（蓝细菌）有关的白云岩为主［10］。基于岩心观察与薄片鉴定，参考邓哈姆分类方案，将灯影组岩相划分为9 类：藻叠层白云岩、藻凝块白云岩、藻纹层白云岩、藻砂屑白云岩、砂屑白云岩、粉晶白云岩、硅质白云岩、泥晶白云岩和泥质泥晶白云岩。岩心物性资料显示：藻叠层白云岩和藻砂屑白云岩物性最好，藻凝块白云岩和藻纹层白云岩次之，砂屑白云岩、泥—粉晶白云岩及泥质白云岩物性较差。

GM 地区共有11 口取心井，其岩心总长度为428.6 m，选择其中6 口井作为样本井（GS1、GS18、GS102、GS21、MX108、MX51、GS16），4 口井作为验证井（GS101、GS20、MX105、MX9）。基于岩心（已归位）测井标定（图1），通过常规测井交会图（图2）和电成像测井动态图像（图3）定性分析，得出如下认识（表1）:

表1 不同岩相的测井特征总结表Table 1 Summary of logging characteristics of different lithofacies

图1 岩心测井标定（GS18井）Fig.1 Core-logging calibration(Well GS18)

图2 岩-电关系分析图Fig.2 Analysis diagram of lithology-electrical property relationship

图3 不同岩石构造的典型电成像测井特征Fig.3 Typical electrical imaging logging characteristics of different rock structures

（1）藻叠层白云岩、藻凝块白云岩和藻砂屑白云岩的物性最好，具有低自然伽马、中—低电阻率、高声波时差、高中子特征，这3 类岩相常规测井难于区分（图2），在电成像测井上具有不同的岩石构造特征而容易区分。藻叠层白云岩具有叠层构造特征（图3a），藻凝块白云岩具有凝块构造特征（图3b），藻砂屑白云岩具有斑点状构造特征（图3c）。

（2）藻纹层白云岩物性较差，为低中子、低声波时差、低自然伽马和中-高电阻率特征（图2），常规测井难于区分其与硅质白云岩和粉晶白云岩，但在电成像测井上具有纹层构造特征（图3d）。

（3）砂屑白云岩物性差，具有较高电阻率（图2）、低声波时差、低中子、高密度特征，在电成像测井上为块状构造特征，块状内部有零星斑块分布（图3e，以块状构造-1指代这种特征）。

（4）硅质白云岩不发育孔隙，具有极高电阻率、低自然伽马（图2）、低中子、低声波时差特征，在电成像测井上为块状构造特征（图3f，以块状构造-2指代）。

（5）粉晶白云岩物性较差，具有低伽马、较高电阻率（图2）、低中子、低声波时差特征，在电成像测井上主要为层状构造特征，偶有块状构造特征。

（6）泥晶白云岩具有低—中自然伽马、低中子、低声波时差、高电阻率特征（图2），在电成像测井上为层状构造特征（图3g）。

（7）泥质泥晶白云岩黏土含量高，因此具有中—高自然伽马、低电阻率（图2）、高中子、高声波时差特征，在电成像测井上为薄层构造特征（图3h）。

2 岩相测井识别

通过岩心标定测井，选择敏感测井参数，建立训练样本库；基于KNN 分类算法，实现6 种岩相和7种岩石构造特征识别；最后根据专家经验进行合并，得到9 种岩相。其中最为关键的是样本库的建立，其核心是测井参数的提取。对于常规测井，选用的敏感参数为自然伽马、声波时差、中子、深电阻率和浅电阻率；对于电成像测井，选择动态图像纹理参数、方向和梯度参数作为训练参数。下文予以详细阐述。

2.1 电成像测井参数提取

电成像测井图像具有空白条带，需要采用地质统计学方法对动态图像进行插值，获得全井壁覆盖图像［11］。基于全井眼覆盖图像计算其纹理特征参数和方向、梯度参数。

2.1.1 图像纹理参数

图像纹理特征能反映出图像灰度相邻间隔及变化幅度的综合信息，非常适合描述微生物岩的叠层和凝块的构造特征。基于灰度共生矩阵（GLCM）提取纹理特征的方法具有较强的适应能力和稳健性［12］，因此本文采用基于灰度共生矩阵提取纹理特征参数。

灰度共生矩阵就是一种通过研究灰度空间相关特性来描述纹理的常用方法［13］，它是对图像上保持某距离的两个象素分别具有某灰度的状况进行统计得到的。基于灰度共生矩阵，提取4 种纹理特征参数：对比度、能量、相关性和均匀性（图4）。相关性描述图像纹理的粗糙程度，细纹理的相关性小，粗纹理的相关性大。能量是描述图像灰度分布均匀程度和纹理粗细的一个度量，当图像纹理较细致、灰度分布均匀时，能量值较小。从图4可以看出，不同岩石构造的纹理参数具有一定的差异性：块状构造的纹理参数特点是对比度大、能量中等、相关性和均匀性较大，与其他构造能够较好区分。块状构造具有2种形式，其能量和对比度存在差异性：第1种构造的能量相对小而对比度相对大，第2种构造的能量相对大而对比度相对小。对于微生物构造如凝块、纹层构造，其对比度和能量差异较大，较容易与其他构造区分。层状构造纹理参数具有低对比度和低能量，高均匀性和高相关性的特点，与块状构造具有区分性，但与微生物构造的纹理参数比较相似，不容易区分。

图4 不同岩石构造的图像纹理参数特征对比Fig.4 Comparison of image texture parameters of different rock structures

2.1.2 图像梯度、方向参数

梯度和方向参数（HOG）能够对局部外观和形状很好地进行表征［14］，适用于微生物岩局部纹层及叠层构造特征的刻画。通过计算、统计图像局部区域的梯度方向直方图［15］可以提取梯度参数特征。首先对图像进行灰度化和归一化，然后计算每个像素水平方向和竖直方向的梯度，并计算每个像素位置的梯度大小和方向。梯度是一个向量场，在标量场中某一点上的梯度指向标量场增长最快的方向，梯度的长度是这个最大的变化率。

以7 种岩石构造特征的电成像测井图像（图3）为例，展示图像颜色等值线显示方式和梯度、方向特征参数的计算效果（图5）。由图5可以看出：对于块状构造，梯度变化小，矢量方向相对较少；对于微生物构造，藻叠层和纹层呈现有规律变化的梯度和矢量方向，梯度下降较大，凝块构造则显示杂乱；对于层状构造，梯度下降相对较小，矢量方向有规律；斑点构造梯度下降中等，矢量方向杂乱，与层状构造有明显的差异性。

图5 不同岩石构造的图像梯度和方向特征Fig.5 Image gradient and directional features of different rock structures

2.2 基于KNN算法的岩相测井识别

本文采用KNN 算法开展岩相测井识别。该算法的优点是强制分类，对异常点不敏感，识别准确度高，因此特别适合重叠较多的待分样本集或类域的交叉的分类问题［16］。其原理就是当预测一个新值x的时候，先计算x与它最近的k个邻近点的距离，通过投票，判断x属于哪个分类，投票原则是少数服从多数。KNN 算法应用的关键条件是各种类型的样本数量要均衡。

基于KNN 分类算法，采用自然伽马、声波时差、中子及深、浅侧向电阻率等5 种测井参数，识别出6种岩相，包括藻白云岩、砂屑白云岩、粉晶白云岩、硅质白云岩、泥晶白云岩和泥质泥晶白云岩。基于KNN 分类算法，针对电成像测井提取的动态图像的纹理特征及方向梯度参数作为样本训练参数，识别出7种岩石构造特征，包括藻叠层、藻凝块、藻纹层、块状、层状、斑点状、薄层状。

根据专家经验对识别的大类岩相和构造特征进行组合，得到9 种岩相（表2）。专家经验识别主要是在岩心描述、物性资料分析的基础上，了解物性与岩性的关系、岩性与测井上电性的关系，并结合实际经验，综合识别岩相。对于常规测井容易识别的泥质白云岩，可直接识别；对于常规测井难于区分的藻叠层白云岩、藻凝块白云岩、藻纹层白云岩等岩相，可在电成像测井上直接识别；对于常规测井特征相似而难于区分的粉晶白云岩和砂屑白云岩，可结合电成像测井构造特征综合识别，例如，如果常规测井识别为砂屑白云岩，成像测井是层状特征，则应解释为泥晶白云岩，成像测井是块状特征，则为砂屑白云岩。

表2 基于专家经验的岩相测井综合识别表Table 2 Comprehensive logging identification of lithofacies based on expert experience

以GS101、GS20、MX105、MX9 等4 口取心井为验证井，岩相识别总体符合率大于85%。例如，GS101 井测井识别的岩相与岩心描述的岩相对比（图6），两者相符的岩相厚度为42.55 m，岩心总厚度为49.3 m，符合率为86.3%。泥晶白云岩和硅质白云岩识别符合率相对较低。泥晶白云岩比较致密，电阻率较高，电成像以块状为主，与硅质白云岩的测井特征相似，可能会造成识别误差。

图6 GS101井岩相测井识别效果Fig.6 Logging identification effect of lithofacies in Well GS101

3 结 论

本文提出基于适应小样本的机器学习法——K邻近分类算法（KNN），对常规测井与电成像测井分别训练和识别，再将识别结果融合的碳酸盐岩岩相测井综合识别方法。

首先，基于岩心资料分别建立岩相分类方案和岩石构造特征分类方案，建立岩心训练样本参数库；然后，基于KNN 方法，应用常规测井（自然伽马、声波时差、中子、深电阻率和浅电阻率）识别岩相类型，应用电成像测井（基于图像纹理参数和方向、梯度参数）定量识别岩石构造类型；最后，根据专家经验对2 种识别结果进行融合，获得细分类的岩相类型。实际应用于四川盆地GM 地区灯影组四段岩相识别，总体符合率超过85%。

该方法综合利用了常规测井的多种岩石物理特征、电成像测井的高分辨率特征及专家的地质认识与经验，可以实现高效率、高精度识别微生物碳酸盐岩的岩石类型，具有推广应用价值。