曲流河環境沉積微相和測井相特征分析

常文會趙永剛盧松

1.中國地質大學地球物理與空間信息學院 2.中國石化集團華北石油局測井公司

曲流河環境沉積微相和測井相特征分析

常文會1,2趙永剛2盧松1

1.中國地質大學地球物理與空間信息學院 2.中國石化集團華北石油局測井公司

常文會等.曲流河環境沉積微相和測井相特征分析.天然氣工業,2010,30(2):48-51.

在鉆井過程中,取心及巖屑錄井資料都十分有限,以往通過巖心觀察或者綜合分析巖屑錄井資料來進行巖性和沉積環境研究的方法受到很大限制,而利用各種測井資料所提供的豐富信息來進行沉積相研究已成為發展趨勢。通過研究曲流河沉積相中各沉積微相的特征及在測井曲線上的響應特征,提取各不同沉積微相的測井相特征參數,建立曲流河沉積環境的各沉積微相的測井相模式及特征參數樣本,利用BP神經網絡技術反饋學習,獲得一套適合研究區曲流河沉積微相的判別系數,并對其他實際測井資料進行沉積微相自動識別,所得結果與地質專家解釋結果吻合率在84%以上,效果顯著。由此表明在油氣勘探進程中采用該方法進行沉積微相自動識別是切實可行的,可大大提高儲層解釋的速度和精度。

曲流河 沉積微相 測井相 模糊數學 特征 解釋

0 引言

以往的巖性和沉積環境的研究工作[1-2]都是主要通過巖心觀察或者綜合分析巖屑錄井資料,但取心及巖屑錄井資料都有限。而事實上,每口井的各種測井資料所提供的豐富的地質信息并未得到充分的利用,高效利用測井資料中豐富地質信息已成為沉積相的研究工作從定性解釋向定量解釋發展的方向了。近年來,于民鳳等[3]通過蜘蛛網圖和梯形圖的方法,展示了不同沉積相的特征;唐洪等[4]應用直方圖或頻率交會圖等方法,從測井相等展示了不同沉積相的特征;嚴科等[5]實現了沉積微相的人機交互識別,應用Bayes統計方法,建立測井相—沉積微相線性判別模型,取得了明顯的成效。

測井相研究的目的是通過其測井響應,客觀地描述探測得到的穿過層系,并識別出現有的不同的基本測井相,用以研究它的垂直序列的排列,由此推斷側向演變,并達到重建沉積環境的目的。該研究需要結合研究區的地質特征和測井曲線響應特征,但實際往往受到研究區地質特征和測井響應特征的約束。因此,建立適應研究區域的分析方法及判別模型,用測井資料信息接合人工智能技術直接轉換成地質信息是一項新的探索。

1 曲流河環境沉積微相及測井相特征

該研究區域發育為曲流河沉積[1,6],主要亞相有河道亞相、堤岸亞相、河漫亞相以及牛軛湖亞相。其中牛軛湖亞相在該區不發育。

1.1 曲流河沉積亞相類型及其沉積特征

1.1.1 河道亞相

巖石類型以砂巖為主,次為礫巖,碎屑粒度是河流相中最粗的。層理發育,類型豐富多彩。缺少動植物化石,僅見破的植物枝、干等殘體,巖體形態多具有透鏡狀,底部具有明顯的沖刷界面。學者們又把河道亞相分為河床滯留和邊灘兩個微相。

1.1.2 堤岸亞相

堤岸亞相在垂向上發育在河床沉積的上部,屬河流相的頂層沉積。與河道沉積相比,其巖石類型簡單,粒度較細,濁型交錯層理為主。主要由天然堤和決口扇兩個微相組成。

1.1.3 河漫沉積

河漫沉積類型很簡單,主要為粉砂巖和黏土巖。粒度是河流沉積中最細的,層理類型單調,主要為波狀層理和水平層理。平面上位于堤岸亞相外側,分布面積廣泛;垂向上位于河床或堤岸亞相之上,以下為河漫沉積的3個沉積微相(河漫灘、河漫湖泊、河漫沼澤)。

1.2 測井相特征

沉積環境和巖石粒度的不同,使得測井曲線的形態特征[4-8]上也不同,主要表現在以下幾方面。

河床滯留沉積:自然電位曲線常為光滑的箱形或鐘形曲線,曲線頂、底部常為突變,但頂部有時可能為漸變,電阻率曲線的異常則可能很小,泥質含量較低。

邊灘沉積:自然電位曲線上常為鐘形或齒化鐘形,也有時會出現鐘形或齒化鐘形的疊加;電阻率偏高,泥質含量較低。

天然堤:巖性主要為薄的砂泥巖薄互層,自然電位和自然伽馬曲線為中—低幅度的指形或鋸齒狀。

決口扇:自然電位和自然伽馬曲線為中—低幅度扁鐘形,頂、底界面通常為突變型,但也存在底部突變型和頂部漸變型。

河漫灘:自然電位和自然伽馬常為中—低幅度齒化箱形,電阻率異常較小。

河漫湖泊:主要為黏土巖沉積,夾有粉砂巖,測井曲線一般表現為平直型(夾有小尖峰)。

河漫沼澤:測井曲線形態常為平直型(夾有齒化小尖峰),當有碳質泥巖沉積時,自然伽馬曲線出現低值,形態表現為指狀。

2 測井特征參數提取

測井相分析利用自然伽馬(GR)、自然電位(S P)等能夠表征沉積環境的測井曲線定性特征以及定量計算出的各種測井參數值來描述地層的沉積相。由于測井資料具有間接性導致測井解釋不可避免地具有多解性。這種多解性可以由測井系統的完善,測井資料質量的提高以及地質資料的約束來克服。應用高質量的測井資料,可以從中提取出反演地層沉積環境的相關信息。

2.1 巖性自動劃分

根據地層巖性[8]粒度大小進行層段劃分,主要可分為粗砂層,中砂層,細砂層,粉砂層,泥巖層(含碳質泥巖)5種巖性地層(表1),不同的巖性對應的各曲線的測井值不同(圖1),結合研究區域錄井資料,選取各不同粒度巖性測井響應樣本,運用Bayes判別方法[9],得出概率分布函數。

表1 粒度大小劃分巖性對照表 mm

圖1 不同粒度砂巖測井值雷達圖

泥巖層:S H>50%

粗砂巖層:

Y1=3.853GR-0.566IL D+152.26D EN-2.942S H+1.107POR-285.383

中砂巖層:

Y2=2.981GR-0.436IL D+148.482D EN-2.257S H+1.092POR-236.048細砂巖層:

Y3=4.731GR-0.555IL D+149.567D EN-3.291S H+1.213POR-334.931粉砂巖層:

Y4=4.829GR-0.368IL D+149.609D EN-3.943S H+0.991POR-360.4

式中:S H為泥質含量值;GR為自然伽馬測井值;IL D為深感應測井值;D EN為密度測井值;POR為孔隙度;Y1、Y2、Y3、Y4分別為粗砂巖、中砂巖、細砂巖、粉砂巖的概率值。

運用各巖性的概率分布函數對各原始樣本的回判驗證中,正確率在95%以上,效果明顯。

2.2 測井曲線歸一化

為了使各特征參數有利于對比,對測井曲線進行歸一化[10-12]處理,即

式中:Y為歸一化后的測井數據;X為原始測井數據; Xmin為測井曲線最小值;Xmax為測井曲線最大值。

2.3 特征參數

2.3.1 相對重心(RM)

主要反映曲線形態的變化,鐘形的重心偏下方, RM>0.5;漏斗形的重心偏上方,RM<0.5;箱形的重心居中,RM=0.5。

式中:N為微相段內數據點數;x(i)為測井曲線值。2.3.2 變差方差根(GS)

綜合反映微相段內曲線段整體波動性程度和鋸齒的多少,波動大鋸齒多,則GS值大;反之GS小。即

其中:

式中:x(i)為測井曲線值;M(1)、M(2)分別是間隔為1、2的數據對[x(i),x(i+1)]、[x(i),x(i+2)]的數目。

2.3.3 微相段測井平均值(xa)

主要反映曲線幅度大小。即

2.3.4 微相段中粒度均值

主要反映沉積環境能量的高低。即

式中:Md(i)為巖石粒度值。

3 BP網絡識別沉積微相

BP網絡是一種多層前饋神經網絡,其神經元的變換函數是S型函數。因此輸出量為0～1之間的連續量,可以實現從輸入到輸出的任意非線形映射,權值調整采用的是反向傳播的學習算法。在確定了BP網絡結構之后,利用輸出、輸入樣本集對其進行訓練,即對網絡的權值和閾值進行學習和調整,以使網絡實現給定的輸入、輸出的映射關系。經過訓練的BP網絡,對于不是樣本集中的輸入就能給出合適的輸出。但是,樣本集所包含的信息必須與樣本集所包含的信息類似,否則,需重新訓練尋找合適的權重,才能做出精確預測(圖2)。

通過對幾口關鍵井的詳細研究以及地質專家解釋資料,選取若干沉積微相層段作為神經網絡學習樣本,建立曲流河環境7種微相的測井相判別模式。其BP訓練誤差見圖3。

圖2 帶權重的神經網絡示意圖

圖3 BP訓練誤差圖

結合曲流河環境的測井曲線特征,測井特征參數主要有自然伽馬曲線和自然電位曲線的重心、幅值、波動及鋸齒大小、巖性粒度平均值作為BP神經網絡的輸入層,中間節點數為18,隱含層學習率為0.1,輸出層學習率為0.05。訓練所得訓練誤差達到0.0114,原始數據的回判效果達到100%,效果顯著。

4 實際井資料處理

根據以上分析原則,編制了相應的軟件,用已確定了沉積微相的測井特征參數進行訓練,得出相關權值和閾值,并對某區域曲流河相井段資料進行了實際處理。

根據BP進行訓練后得到的神經網絡進行傳遞識別所得的解釋成果,處理井段為80m,由測井分析得出的19段微相層與地質專家劃分結果(共15段)吻合較好,所劃分的微相層段頂底界面基本一致,自動識別的沉積微相與地質專家解釋的結果吻合率在84%以上(圖4)。

圖4 X井沉積微相解釋結果對比圖

結合測井特征參數進行識別的映射效果是明顯的,神經網絡會對薄地層產生響應。正因如此,在兩個地質沉積特征相似的微相層中,會相應地產生誤判現象。例如,邊灘環境與河床滯留環境在測井曲線值、形狀等都是相近的,只有粒度大小上有微小的差別;河漫灘與河漫沼澤中的薄泥質粉砂層的測井特征相似。所以,在測井特征參數沒有差別時,通過測井對微相的識別是有局限性的,但對不同特征沉積微相的識別效果明顯。

5 結論

1)可以根據不同訓練樣本進行訓練學習,應用于不同的區域和沉積微相,擺脫了傳統應用巖心等錄井資料進行微相識別的局限性,提高了測井資料的利用效率。

2)需注意的是訓練樣本的選擇要準確,因為之后的識別完全是通過之前訓練所得的一套映射權值和閾值決定的。

3)通過實際資料的處理,進一步證實了結合測井相特征參數并應用BP神經網絡方法進行沉積微相識別的顯著效果。

[1]王良忱.沉積環境和沉積相[M].北京:石油工業出版社,1996.

[2]王金榮,劉洪濤.測井沉積微相識別方法及應用[J].大慶石油學院學報,2004,29(4):18-20.

[3]于民鳳,程日輝.陸相盆地主要沉積微相的測井特征[J].世界地質,2005,124(2):182-187.

[4]唐洪.綜合利用測井資料劃分河流沉積微相[J].中國海上油氣:地質,1998,12(5):349-352.

[5]嚴科,楊少春,任懷強.吐哈盆地紅臺氣田測井相分析[J].石油天然氣學報,2008,30(4):99-103.

[6]陳鋼花,王中文.河流相沉積微相與測井相研究[J].測井技術,1996,20(5):335-340.

[7]馬正.應用自然電位測井曲線解釋沉積環境[J].石油與天然氣地質,1982,3(1):25-39.

[8]潘和平,牛一雄.測井資料提取中國大陸科學鉆探 PPII孔巖石物性[J].工程地球物理學報,2004,1(1):10-16.

[9]向東進.實用多元統計[M].武漢:中國地質大學出版社,2005.

[10]雍世和,洪有密.測井資料綜合解釋與數字處理[M].北京:石油工業出版社,1982.

[11]潘和平,馬火林,蔡柏林,等.地球物理測井與井中物探[M].北京:科學出版社,2009.

[12]黃堅,張紅杰,趙衛平,等.測井資料質量控制與評價[J].工程地球物理學報,2005,2(2):134-138.

DOI:10.3787/j.issn.1000-0976.2010.02.010

Chang Wenhui,senior engineer,was born in1966.He is studying for a Ph.D degree,being engaged in research of logging interpretation and management.

Add:Hongmen,Xinxiang,Henan453700,P.R.China

Tel:+86-373-5795601 E-mail:hbsjchangwh@vip.163.com

Features of sedimentary microfacies and electrofacies of meandering river deposits

Chang Wenhui1,2,Zhao Yonggang2,Lu Song1
(1.School of Geophysics and S pace Inf ormation,China University of Geosciences,Beijing100083,China;2.L ogging Company,Sinopec N orth China Petroleum B ureau,Xinxiang,Henan453700,China)

Previously,lithologies and sedimentary environments were commonly identified through core observation and/or comprehensive analysis of sample log data.However,the application of these methods is constrained because the core data and sample log data acquired during drilling are limited.The trend is to identify sedimentary facies through the integration of various log data.According to the features of sedimentary microfacies of meandering rivers and their corresponding responses on logs,we extracted the characteristic parameters of electrofacies for each sedimentary microfacies,and established electrofacies models and characteristic parameter samples for each sedimentary microfacies of meandering rivers.A set of discriminant coefficients suitable for sedimentary microfacies of meandering rivers were obtained through feedback learning with BP neural network,and were used to automatically identify sedimentary microfacies from real log data.The coincidence rate of the results with the interpretations of geologists is over84%,indicating that this method is feasible and can greatly enhance the efficiency and accuracy of reservoir interpretation.

meandering river,sedimentary microfacies,electrofacies,fuzzy mathematics,feature,interpretation

book=48,ebook=128

10.3787/j.issn.1000-0976.2010.02.010

2009-11-16 編輯 韓曉渝)

常文會,1966年生,高級工程師,博士研究生;現任中國石化集團華北石油局測井公司經理,從事測井解釋方法研究及管理工作。地址:(453700)河南省新鄉市洪門。電話:(0373)5795601。E-mail:hbsjchangwh@vip.163.com

NATUR.GAS IND.VOLUME30,ISSUE2,pp.48-51,2/25/2010.(ISSN1000-0976;In Chinese)