人工智能巖相預測在碳酸鹽巖巖石物理建模中的應用

摘要： 碳酸鹽巖的形成受沉積作用、成巖作用及沉積環境等多種因素的影響，巖石孔隙結構與巖相具有一定的相關性。碳酸鹽巖的礦物成分復雜，儲層孔隙類型多樣，同一礦物、相同巖性但巖相不同的碳酸鹽巖之間巖石物理性質差異很大。碳酸鹽巖的基質模量及干骨架模量多解性強，受巖石孔隙結構的影響較大，因此很難準確求取巖石物理模型。為此，提出人工智能巖相預測方法，以巖心分析數據和測井數據為輸入，應用深度學習方法進行全井段巖相預測，預測結果分辨率高、連續性好，可靠性強、人工干預少，與定量的孔隙結構分析相結合，能有效提高巖石物理建模的準確性。所提方法在M 區塊白堊系M 組碳酸鹽巖地層的實際應用中取得了較好效果，證明了方法的有效性。

關鍵詞： 碳酸鹽巖，巖相預測，巖石物理建模，孔隙結構，人工智能

中圖分類號：P631 文獻標志碼：A doi：10. 13810/j. cnki. issn. 1000-7210. 2023. S1. 020

0 引言

碳酸鹽巖儲層是世界油氣勘探和開采的主要目的層，該類型油氣藏約占全球石油天然氣產量的60%。然而，目前通過巖石物理建模對碳酸鹽巖儲層的認識依然不夠深入，巖石物理的預測精度難以滿足要求。相比于碎屑巖儲層，碳酸鹽巖的礦物成分復雜、孔隙類型多樣，一些碳酸鹽巖雖然具有相同礦物組分、類似結構，但是巖石物理性質卻存在很大差異。以往的實踐經驗表明，碳酸鹽巖孔隙結構是影響巖石物理建模精度的主要因素之一，在巖石基質彈性模量相同但孔隙結構不同的模型中，其干骨架的彈性模量往往差異極大。另外，碳酸鹽巖形成時的沉積環境、成巖作用，以及成巖后地質運動改造等多種因素進一步導致碳酸鹽巖孔隙類型、孔隙結構及填充方式具有不均一性［1］。因此，如何準確、有效求取碳酸鹽巖的孔隙結構參數，是建立碳酸鹽巖巖石物理模型的關鍵。