黎翠萍++甘泉

[摘 要]库车前路盆地深层低孔砂气藏是“西气东输”主力供气气藏，受山前强挤压应力影响，砂岩储层基质表现为低孔特低渗，造成该区电测井及孔隙度测井资料难以准确识别储层流体性质。岩性的准确识别可以提高该区流体识别精度，为含水饱和度的计算打下基础。文章利用交会图技术，对研究区岩性进行了基础划分，并与岩屑录井资料对比。此外，利用神经网络技术识别岩性，也取得了较好的效果。

[关键词]岩性识别；交会图技术；神经网络

中图分类号：P618.13 文献标识码：A 文章编号：1009-914X（2016）03-0125-01

引言

交会图技术是指测井解释和数字处理中各种交会图的绘制方法、人工解释方法和数字处理方法。测井分析者可以用它来检验测井资料的质量、确定地层岩性组合、确定解释模型、选择解释参数等。目前，利用交会图技术识别及定量计算岩性剖面是测井储层评价的一项重要基础工作，且利用交会图技术识别岩性已证实具有较高的可信度。

1 交会图岩性识别法

岩性-孔隙度测井交会图是目前测井资料综合解释中广泛用来研究层段的岩性和地层孔隙度的交会图。这类交会图主要有中子-密度、中子-声波、声波-密度、密度-光电吸收截面指数交会图等等。交会图上的每一条纯岩石代表孔隙度为何种数值的单矿物岩石，由点的位置确定其孔隙度；任两条纯岩石线之间，代表由相应的两种矿物组成的双矿物岩石，由点的位置确定两矿物的相对含量和孔隙度，点子靠近的岩性线为主要岩石矿物。上述确定岩性和孔隙度的交会图，都在一定程度上依赖于对矿物的选择，它们本身难以指出岩性组合的趋势，这促使发展了专门用于确定岩性模型的M-N交会图：在某一单一矿物岩石点附近，为该单矿物岩石；任两个单矿物岩石点的连线，代表由这两种矿物构成的过渡岩性；任意三个单矿物岩石点构成的三角形内，代表这三种矿物组成的混合岩性。在克深研究区，储层为砂泥岩地层，常采用中子-密度、中子-声波结合M-N交会图识别岩性。

根据克深地区地层简表可以看出储层段库姆格列木群与白垩系巴什基奇克组岩性有着较为明显的区别，下面对这两个层位进行岩性分析。

克深9A、克深9B、克深9C井的中子密度交会图，其中紫色点子代表白垩系巴什基奇克组，绿色点子代表库木格列木群。可以较为明显的将两组岩性点分开，其中白垩系巴什基奇克组大部分位于砂岩线附近，含灰或灰质砂岩次之，少量白云岩。库木格列木群岩性较为复杂。克深9A井中，绿色点子分为两大部分，分别为膏盐岩段和白云岩段；克深9B井则基本位于白云岩线附近，以云岩和灰质（含灰）云岩为主；克深9C井主要以白云岩为主，灰质（含灰）云岩次之，膏岩含量较少。井的中子-声波交会图，可以看出区分岩性与中子-密度交会图一致，但可以看出，中子-声波交会图可以较好的识别岩性中的膏岩成分。

井的M-N交会图，可以看出巴什基奇克组岩性点基本位于砂岩线及砂岩线、石灰岩、硬石膏的三角形内，岩性以砂岩，含灰（灰质）砂岩为主；库木格列木群岩性点则位于白云岩和硬石膏附近及白云岩、石膏、硬石膏的岩性三角形内，岩性以白云岩、膏岩、含膏（膏质）云岩为主。因为受天然气、盐岩及缝洞孔隙影响，巴什基奇克组砂岩向右上方偏移，克深9C下部的库木格列木群岩性点受泥质影响整体偏离图版。因此，在做岩性分析交会时，必要时需考虑并排除上述因素的影响作用。但总体上与上述两种交会图识别岩性一致，且识别效果较上述交会图效果都要好。

2 神经网络识别岩性方法及效果

BP算法又被称为误差反向传播算法，是人工神经网络中的一种监督式学习算法。BP神经网络算法在理论上可以逼近任意函数，基本的结构由非线性变化单独组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许多领域都有着广泛的应用前景。

这里将神经网络利用编程实现，通过选取各种岩性的样本点达到识别岩性的目的。经分析得到，克深8井区对岩性敏感的参数有孔隙度、密度及粒度中值，而克深9井区选取了自然伽马、密度、中子、地层电阻率、声波、孔隙度及粒度中值7个参数。选取参数和学习次数越多，误差越小，岩性识别效果越好。图1为克深8A井和克深9A井神经网络岩性识别图。岩性整体上以细砂岩为主，夹绿色泥岩，少量中砂岩、粉砂岩。其中克深9A井泥质粉砂岩受泥质影响，区分效果较差。可以看出神经网络对于泥岩和砂岩整体上的区分与录井岩屑描述一致性较好，利用神经网络识别岩性可以推广应用到克深井区。

3 结论

（a） 在进行交会图技术识别地层剖面岩性时需要先对测井值进行井眼、泥质、油气影响等适当的校正。

（b） 中子-声波交会图对常见岩性分辨率较高，尤其是砂岩-灰岩的分辨能力优于中子-密度交会图，但该图版受地层压实程度影响较大。

（c） M-N交会图对于岩性识别最优，但裂缝孔洞、天然气、盐岩、泥质对其影响也需要充分考虑，需结合各种交会图图版综合判断地层岩性，保证岩性识别的准确性。

（d） 神经网络对于泥岩和砂岩整体上的区分与录井岩屑描述一致性较好。

参考文献

[1] 车卓吾.测井资料分析手册.北京：石油工业出版社，1995.

[2] 崔勇，赵澄林. 神经网络技术在油田地质学领域中的应用——以测井岩性识别为例. 西安石油学院学报（自然科学版），2002，17（4）： 16～19.

[3] 张福明，李洪奇，邵才瑞等.应用神经网络模式识别技术进行测井沉积学研究.石油勘探与开发，2003，30（3）：121～123.

[4] 邹长春，严成信等.神经网络在枣北地区火成岩储层测井解释中的应用.石油地球物理勘探，1997，32（2）：27～33.

[5] 谈正等.模式识别与神经网络.北京机械工业出版社，1992，210～220.