川東飛仙關組鮞粒灘巖性識別及其分布特征

摘 要 【目的】為解決針對川東海槽南段西側、臺內等地區飛仙關組巖性變化不明確等問題。【方法】綜合利用巖心、薄片、鉆錄井等多元地質數據對飛仙關組巖性類型及特征進行研究，提出以機器學習為基礎的巖性測井智能識別方法，解決了老區巖性精細識別的技術難題，揭示了區內飛仙關組鮞粒灘巖性、分布及演化規律。【結論與結果】（1）飛仙關組主要由泥巖、泥晶灰巖、泥質灰巖、鮞粒灰巖、鮞粒云巖、泥晶云巖、膏質云巖、膏巖等巖性組成；（2）對比發現，改進的梯度提升決策樹算法即隨機梯度提升決策樹（SGBDT）構建巖性模型優于其他算法，更適合碳酸鹽巖復雜巖性識別；（3）鮞粒灰巖集中發育于開江—梁平海槽以南地區的飛一段—飛三段時期，鮞粒云巖集中發育于飛二段時期且分布分散；（4）區內鮞粒灘分布差異明顯，飛一段時期主要發育于臺地古地貌高點和臺地邊緣，飛二段時期多發育臺緣鮞粒灘，少量發育臺內古地貌高點鮞灘和點灘，飛三段時期主要發育臺內點灘。

關鍵詞 SGBDT算法；巖性識別；沉積演化；鮞粒灘分布特征；飛仙關組；川東

第一作者簡介 葉榆，男，1998年出生，碩士研究生，測井地質與巖石學，E-mail： 907344565@qq.com

通信作者 程超，男，博士，副教授，應用地球物理和油藏描述，E-mail： ylksh@swpu.edu.cn

中圖分類號 P618.13 文獻標志碼 A

0 引言

自20世紀90年代以來，眾多學者圍繞四川盆地下三疊統飛仙關組沉積相類型、相帶展布[1?15]及氣藏主控因素[9?11，15]等開展了大量研究，相繼在普光、龍門、高峰場、巫山坎、雙家壩等海槽臺緣地帶取得重大突破。截至目前，天然氣探明儲量累計超過6 000×108 m3。然而，飛仙關組儲層類型復雜、巖性多樣，不同巖性測井曲線響應特征差異不明顯，海槽南段西側、臺內等地區巖性變化規律及沉積格局演化規律不明確，嚴重制約了天然氣勘探進度。

根據各種測井曲線間的內在聯系，傳統的交會圖和雙礦物模型等在非均質性強烈的碳酸鹽巖巖性識別中應用效果并不突出，數據重疊現象較為嚴重，巖性解釋精度受限[4?13]。隨著機器學習算法在巖性識別領域中的廣泛應用，諸如人工神經網絡（ArtificialNeural Network，ANN）、支持向量機等“黑盒算法”[16?18]均是近年的研究熱點，這些黑盒算法對數據與屬性的因果關系有所表征，但忽略了測井數據隨深度變化的前后關聯，因此其巖性識別的準確度有待提升。相較于黑盒算法，“白盒算法”決策樹對復雜碳酸鹽巖識別具有顯著優勢，對于各種影響因素有著深刻的表征以及指導作用[19?36]。而梯度提升決策樹（Grandient Boosting Decision Tree，GBDT）是解決不均衡數據的高預測精度算法[37?38]，通過殘差分析對目標進行精確分類，但其運算量龐大，導致計算速度低、資源占用量大。為此，將隨機因素引入GBDT，提出利用隨機梯度提升決策樹（Stochastic GrandientBoosting Decision Tree，SGBDT）算法[39?41]建立老井巖性測井精細識別模型，并對全區飛仙關組巖性進行識別，在此基礎上總結有利巖性分布及沉積格局演化規律，以期為后續地質研究提供有力依據。

1 區域地質背景

研究區位于四川盆地東部[1]（以下簡稱“川東”）（圖1a），受晚二疊世—早三疊世北部構造帶和峨眉地裂的共同影響，形成以開江—梁平海槽為主的槽臺沉積格局[5，8，15]。區內飛仙關組在長興組古地貌基礎下繼承性沉積，海槽逐漸被“填平補齊”。水體逐漸變淺，至飛仙關組中—晚期，逐漸演化成碳酸鹽巖開闊臺地，末期則形成蒸發臺地[4?9]。依據電性、巖性特征[9?15]，將區內飛仙關期劃分為四段，即：飛仙關組四段（飛四段）、飛仙關組三段（飛三段）、飛仙關組二段（飛二段）、飛仙關組一段（飛一段）（圖1b）。飛四段巖性主要由紫紅色泥巖、膏質云巖、石膏巖、泥晶云巖構成；飛三段以泥晶灰巖為主，局部夾薄層鮞粒灰巖；飛二段巖性主要為泥晶灰巖和鮞粒灰巖，受白云石化和組構溶蝕作用影響[15]，部分地區形成鮞粒云巖；受陸源碎屑和古地貌差異等因素影響，區內自SW至NE向發育混積臺地相和清水臺地相[15]，混積臺地相飛一段底部為泥質灰巖，下部為泥晶灰巖夾薄層泥質灰巖，向上局部地區發育鮞粒灰巖，頂部則為紫紅色泥巖，清水臺地相主要發育泥晶灰巖，少部分地區發育鮞粒灰巖（圖2）。

2 巖性及測井響應特征

2.1 泥晶灰巖

泥晶灰巖巖心主要為灰、深灰和暗褐灰色，見水平層理。從薄片可以看出，主要由泥—粉晶方解石構成，幾乎不含泥紋，孔隙發育差，巖心孔隙度介于0.6%～1.54%，平均為1.03%。其沉積特征表明該類巖石形成于水體較為安靜的環境中，在開闊臺地內部靜淺水、斜坡帶以及較深水盆地（海槽）等環境中均有分布。常規測井響應特征為：自然伽馬（GR）低值，補償中子（CNL）低值，聲波時差（AC）低值，補償密度（DEN）中—高值，深側向電阻率（RT）高值（圖2a）。

2.2 鮞粒云巖

鮞粒云巖巖心為淺灰、褐灰色，見槽狀、板狀交錯層理。從薄片可以看出，鮞粒主要為殘余鮞，由他形—半自形粉晶白云石組成，孔隙以粒間溶孔、晶間溶孔為主，巖心孔隙度介于1.53%～12.34%，平均為5.07%，為最有利儲層巖性，形成于水動力條件較強的沉積環境之中，如臺地邊緣（臺緣灘）、臺內局部地貌高地（臺內點灘）等。常規測井響應特征為：補償密度（DEN）中等，深側向電阻率（RT）中值（圖2b）。

2.3 鮞粒灰巖

鮞粒灰巖巖心以灰、深灰和灰白色為主，分選、磨圓中等—好。從薄片可以看出，多為正常鮞粒，粒間孔發育，見少量粒內溶孔，部分鮞粒被白云石交代，巖心孔隙度介于1%～3%，平均為2.08%，為有利儲層巖性，形成于臺地邊緣和臺內點灘等水動力較強的沉積環境。常規測井響應特征為：補償密度（DEN）中等，深側向電阻率（RT）中—低值（圖2c）。

2.4 膏質云巖

膏質云巖巖心為淺灰色，見石膏結核和少量針孔，發育層狀層理，由泥晶白云石組成，巖心孔隙度介于0.35%～1.26%，孔隙發育差，多分布于潮坪和灘間海中。常規測井響應特征為：補償密度（DEN）高等，深側向電阻率（RT）中—高值（圖2d）。

2.5 泥晶云巖

泥晶云巖巖心為淺灰—灰色，發育層狀層理，含少量灰質，巖心孔隙度介于0.86%～1.65%，與膏質云巖呈互層產出。常規測井響應特征為：補償密度（DEN）高等，深側向電阻率（RT）中—高值（圖2e）。

2.6 泥質灰巖

泥質灰巖巖心為灰—深灰色，發育層狀層理，主要由泥—粉晶方解石構成，含較多的泥紋，含少量完整生物，如介形蟲、腹足等，孔隙發育差，巖心孔隙度介于0.49%～1.33%，多見于斜坡—海槽環境。常規測井響應特征為：自然伽馬（GR）低—中值，補償密度（DEN）中— 高等，深側向電阻率（RT）中— 低值（圖2f）。

2.7 膏巖

膏巖巖心為白色、淺灰色，通常以結核狀出現，紋層和變形構造發育，主要分布于飛四段時期的潮坪—蒸發潟湖環境之中，常與泥晶云巖伴生，巖心孔隙度小于1%，物性極差。常規測井響應特征為：自然伽馬（GR）低值，補償密度（DEN）高等，補償中子（CNL）低值，聲波時差（AC）低值，深側向電阻率（RT）高值（圖2g）。

2.8 泥巖

泥巖主要分布于飛四段時期的蒸發氧化環境中，顏色以紅棕色為主，物性極差。常規測井響應特征為：自然伽馬（GR）高值，補償密度（DEN）中等，補償中子（CNL）中—高值，聲波時差（AC）低—中值，深側向電阻率（RT）低值（圖2h）。

巖石類型、測井常規曲線交會圖分析顯示（圖3），不同巖性閾值界限不清，數據重疊現象較為嚴重，可能導致后期巖性解釋和鮞灘分布等出現極大偏差。為此，以大量薄片鑒定巖性為主，結合鉆錄井資料、巖性測井響應特征參數建立巖性分類標簽，利用GBDT、SGBDT和ANN算法對數據進行高精度分類，即在已知標簽監督下，對復雜的、多維的、模糊的不均衡數據精細歸類，準確識別不同巖性，在此基礎上對比不同算法優劣性，得到高適應巖性識別模型，從而完成老井巖性識別任務。

3 巖性識別

3.1 巖性識別原理

3.1.1 ANN

人工神經網絡（ANN），由Frank Rosenblatt[17]在1958年提出的一種前饋式人工神經網絡：連接多個特征值，經過線性和非線性的組合，產生輸出影響其他神經元實現非線性映射。根據有限的數據信息，在代價函數的約束下，對多輸入多輸出非線性數據具有良好的預測能力[17?19，42?43]（圖4a）。

3.1.2 GBDT

GBDT算法是以CART決策樹為基學習模型、采用梯度提升（Grandient Boosting）對決策樹多次迭代最終累加形成強學習模型的一種集成學習經典Boosting算法（圖4b）[34?38]，具有高預測精度、對Robust損失函數的利用和對異常值極為敏感的屬性，其開發目的主要是解決實際不均衡數據的分類和回歸問題。

基于Boosting思想，GBDT算法逐次擬合新模型，即在梯度方向上訓練一個新的學習模型來降低前一個學習模型的殘差，并且基于當前學習模型的基礎迭代生成新的學習模型，使其最終與損失函數負梯度相關，并與整個集成系統相連接，其計算公式為：

Ym+1（x） = Ym （x） + ρm h （x） 1 ≤ m ≤ M （1）

式中：Ym+1 （x）為第m+1個學習模型；Ym（x）為第m個學習模型；ρm為第m次學習率；h（x）為當前損失函數負梯度方向上擬合得到的基學習模型；M為迭代設置總次數。

具體流程分為四步，即：

（1） 初始化第一個學習模型，設迭代次數為M，其計算公式為：

式中：Y0 （x）為初始化學習模型；Q（Ui，ρ）為損失函數；Ui為第i個預測目標；ρ 為學習率。

（2） 計算此次迭代中回歸樹的擬合目標。即當前損失函數的負梯度值δm，i，計算公式為：

（3） 經過m次迭代，得到模型最優的基分類模型Bm：

式中：β 為計算乘子；h（xi;Bm）為最優基分類模型Bm的損失函數負梯度方向上擬合得到的基學習模型。

通過線性尋優方式計算最優學習率ρm，更新下一個學習模型：

Ym （x） = Ym - 1（x） + ρm h （xi；Bm ） （5）

（4） 重復步驟1～3，直到m=M結束形成強學習模型G。

3.1.3 SGBDT

由于GBDT算法每次迭代均選取全部訓練集數據，導致計算速度慢，資源占用量高，可能發生過擬合現象。因此，基于Friedman[38]提出的隨機梯度提升（Stochastic Grandient Boosting）方法將隨機因素引入GBDT，改進后得到隨機梯度提升決策樹（SGBDT）（圖4c），即設定子采樣因子f（flt;1），在每次迭代中隨機選擇部分樣本構建學習模型（樣本值選擇而不替換），提高模型泛化能力[36?38]。

Ym （x） = f Ym - 1（x） + ρm h （xi；Bm ） （6）

式中：f 為采樣因子。

3.2 巖性識別模型

3.2.1 測井參數優選

測井響應特征是地層中巖性、流體等物理變化的綜合反應，不同測井參數對巖性的敏感性具有明顯的區分度。在巖性識別前，采用Spearman秩相關系數矩陣表征各測井參數對巖性的敏感性，結果表明巖性與密度（DEN）、聲波時差（AC）、深側向電阻率（RT）、自然伽馬（GR）、中子（CNL）整體上具有較高的相關性（表1）。因此，最終選用這5種作為輸入參數，建立巖性精細識別模型。

3.2.2 巖性識別建模

考慮到巖性模型的適用性與準確性，實驗樣品取自川東地區不同區域13口取心井的不同深度（圖1、表2），共獲得7 491個有效數據。選用其中12口取心井的3 743個樣本作為訓練集，用剩余一口井（天東100井）的樣本作為模型評估的檢驗集（數據見表3），其中泥巖、泥晶灰巖、泥質灰巖、鮞粒灰巖、鮞粒云巖、泥晶云巖、膏質云巖、膏巖樣本個數分別為515，308，1 901，2 422，1 017，628，315和385個。利用Python軟件編程，將5條測井曲線與對應的巖性標簽分別在ANN、GBDT算法和SGBDT算法程序中進行訓練學習，并在測試集上進行分類預測，得到其對應巖性的混淆矩陣、克萊姆相關系數和交會圖相關系數，作為模型檢驗效果的衡量標準。根據網格搜索算法調參確定，GBDT和SGBDT算法決策樹深度為9，學習率為0.1，最小樣本數為30，葉節點最小樣本數為40，迭代次數根據期望損失計算公式[36]確定為50次，SGBDT子采樣隨機因子為60%（表4）；ANN算法參數直接通過Keras程序包導入，其隱藏層神經元一般設置為輸入層神經元個數的1～5倍，經過反復訓練嘗試，最終確定5-16-8-1模型效果最佳，其中隱藏層為2層，訓練次數設置為10 000次，學習率取優為0.01（表5）。

3.3 巖性識別效果檢驗

實驗結果表明（圖5～7），在天東100 井上，SGBDT算法對泥巖、泥晶灰巖、泥質灰巖、鮞粒灰巖、鮞粒云巖、泥晶云巖、膏質云巖、膏巖的識別準確率分別為97.30%，95.59%，91.42%，96.92%，100%，95.45%，90.00%，87.08%，其中對儲層有利巖性識別尤為準確，整體上其克萊姆相關系數、交會圖相關系數分別達到了0.945、0.920，SGBDT算法判別巖性效果優，適合于碳酸鹽巖復雜巖性評價。

相較于SGBDT，GBDT的整體識別準確率和相關系數略有下降（圖5～7），表明加入隨機因素的SGBDT泛化能力（Robust性）較GBDT有所提高，其改進后的算法足以提供可靠的預測結果（圖6a）。而ANN算法的整體識別準確率和相關系數明顯下降，對泥晶灰巖和泥質灰巖的識別效果較差，其識別準確率分別為67.94%、62.74%，對復雜巖性識別評價效果有待考量。

利用SGBDT決策樹建立的巖性識別模型對研究區全井進行巖性預測，為了驗證識別模型的適用性能力，選取3口取心井段長短不一且沉積環境各異的取心井進行檢驗。其結果表明，SGBDT算法對區內不同沉積相區的各種巖性識別準確率和整體相關性均保持在88.5%以上，識別效果較好（表6）。

3.4 有利巖性分布特征

在巖性識別結果的基礎上，總結川東飛仙關有利巖性分布特征。平面上，鮞粒巖多呈透鏡體幾何形態獨立分布，其中鮞粒灰巖多分布在開江—梁平海槽以南，而鮞粒云巖分布比較分散，一些分布于開江—梁平海槽以北，剩余部分分布于開江—梁平海槽南部邊緣（圖8）。縱向上鮞粒灰巖在飛一段至飛三段均有發育，而鮞粒云巖集中發育于飛二段時期，從巖性連井剖面看出，有利巖性縱向多期疊置，夾薄層泥晶灰巖，非均質性強，連通性差（圖9）。

4 鮞粒灘演化與分布特征

結合巖心分析化驗、沉積相帶展布等研究成果[5?15]，總結了飛仙關組鮞粒灘演化與分布規律。飛一段沉積早期，研究區處于海侵體系域，伴隨海平面的相對下降，古地貌高點的鮞灘灘體暴露于海平面之上，受淡水淋濾作用的影響，被方解石完全充填的鮞灘體發生組構性溶蝕[15]，在此期間發育的鮞粒灘主要分布于開闊臺地與臺地邊緣（圖10a）。飛一段沉積晚期，陸源碎屑的注入導致開闊臺地沉積環境逐漸演化為混合臺地環境，其陡增的泥質含量抑制了臺內鮞灘的發育，鮞粒灘在開闊臺地古地貌高點偶有發育以及未受影響的臺地邊緣發育（圖10b）。飛二段高位體系域時期，海平面持續下降，臺地與海槽的轉折處處于動蕩的高能水體環境，鮞粒在臺緣沉積下來，當鮞灘厚度足夠大時，其障壁作用有利于形成富Mg2+的流體，使部分鮞灘灘體白云石化，此期間鮞粒灘儲層主要發育于臺地邊緣，開闊臺地古地貌高點零星發育（圖10c）。飛三段時期，研究區從早期的海侵體系域逐漸過渡為高位體系域，海槽被逐漸填平補齊，臺緣邊緣逐漸向原海槽—斜坡方向遷移，臺緣鮞灘也隨之遷移，該階段鮞粒灘以臺內點灘為主（圖10d）。飛四段時期，相對海平面處于極低點，受陸源碎屑和強烈蒸發效應的控制，全區演化為蒸發臺地，鮞灘不發育。

5 結論

（1） 研究區巖性復雜，依據巖心、測錄井資料，共劃分出8種巖性，分別為泥巖、泥晶灰巖、泥質灰巖、鮞粒灰巖、鮞粒云巖、泥晶云巖、膏質云巖、膏巖。

（2） SGBDT算法對不均衡的巖性識別數據精度足以提供可靠的預測結果，與ANN、GBDT算法相比，SGBDT算法的巖性識別克萊姆系數、交會圖系數分別達到了0.945、0.920，表明該算法有良好的泛化能力且更適合碳酸鹽巖復雜巖性識別。

（3） 區內鮞粒灰巖于飛一段—飛三段時期在開江—梁平海槽以南地區集中發育，而鮞粒云巖于飛二段時期集中發育但分布分散，縱橫向上非均質性強，連通性差。

（4） 川東飛仙關時期鮞粒灘分布差異明顯，飛一段時期鮞灘主要在臺內古地貌高地和臺地邊緣發育；飛二段時期多發育臺緣鮞灘，臺內鮞灘零星出現；飛三段時期受海槽填平補齊影響，臺緣鮞灘向原海槽—斜坡方向遷移，以臺內點灘為主；飛四段時期鮞粒灘則不發育。

參考文獻（References）

［1］ 戴金星，倪云燕，劉全有，等. 四川超級氣盆地[J]. 石油勘探與開發，2021，48（6）：1081-1088.［Dai Jinxing， Ni Yunyan， Liu Quanyou，et al. Sichuan super gas basin in southwest China[J]. PetroleumExploration and Development， 2021， 48（6）： 1081-1088.］

［2］ 馬新華，楊雨，文龍，等. 四川盆地海相碳酸鹽巖大中型氣田分布規律及勘探方向[J]. 石油勘探與開發，2019，46（1）：1-13.［Ma Xinhua，Yang Yu， Wen Long， et al. Distribution and exploration directionof medium-and large-sized marine carbonate gas fields in SichuanBasin， SW China[J]. Petroleum Exploration and Development，2019， 46（1）： 1-13.］

［3］ 劉景東，劉光祥，韋慶亮，等. 四川盆地元壩地區飛仙關組二段灘相儲層孔隙演化特征[J]. 中國石油大學學報（自然科學版），2016，40（1）：10-17.［Liu Jingdong， Liu Guangxiang， Wei Qingliang， et al.Pore evolution characteristics of beach facies reservoir of FeixianguanⅡ member in Yuanba area， Sichuan Basin[J]. Journal of ChinaUniversity of Petroleum （Edition of Natural Science）， 2016， 40（1）：10-17.］

［4］ 陳輝，郭海洋，徐祥愷，等. 四川盆地劍閣—九龍山地區長興期與飛仙關期古地貌演化特征及其對礁灘體的控制[J]. 石油與天然氣地質，2016，37（6）：854-861.［Chen Hui， Guo Haiyang， Xu Xiangkai，et al. Features of paleogeomorphological evolution and its controlon reef flat composite in Changxing-Feixianguan Formation inJiange-Jiulongshan region， the Sichuan Basin[J]. Oil amp; Gas Geology，2016， 37（6）： 854-861.］

［5］ 蔣裕強，鄧虹兵，易娟子，等. 開江—梁平海槽西側飛仙關組不同類型鮞灘儲層特征及其控制因素研究[J]. 特種油氣藏，2020，27（1）：17-24.［Jiang Yuqiang， Deng Hongbing， Yi Juanzi， et al. Propertiesof different oolitic beach reservoirs in the Feixianguan Formationof Kaijiang-Liangping trough[J]. Special Oil amp; Gas Reservoirs，2020， 27（1）： 17-24.］

［6］ 胡忠貴，董慶民，李世臨，等. 川東—渝北地區長興組—飛仙關組礁灘組合規律及控制因素[J]. 中國石油大學學報（自然科學版），2019，43（3）：25-35.［Hu Zhonggui， Dong Qingmin， Li Shilin， et al.Combination regularities of reef-beach and main controlling factorsin Changxing-Feixianguan Formation of eastern Sichuan-northernChongqing area[J]. Journal of China University of Petroleum，2019， 43（3）： 25-35.］

［7］ 赫云蘭，付孝悅，劉波，等. 川東北飛仙關組鮞灘沉積與成巖對儲集層的控制[J]. 石油勘探與開發，2012，39（4）：434-443.［He Yunlan，Fu Xiaoyue， Liu Bo， et al. Control of oolitic beaches sedimentationand diagenesis on reservoirs in Feixianguan Formation， northeasternSichuan Basin[J]. Petroleum Exploration and Development，2012， 39（4）： 434-443.］

［8］ 趙文智，沈安江，胡素云，等. 中國碳酸鹽巖儲集層大型化發育的地質條件與分布特征[J]. 石油勘探與開發，2012，39（1）：1-12.［ZhaoWenzhi， Shen Anjiang， Hu Suyun， et al. Geological conditions anddistributional features of large-scale carbonate reservoirs onshoreChina[J]. Petroleum Exploration and Development， 2012， 39（1）：1-12.］

［9］ 蔣裕強，周亞東，陳智雍，等. 川東地區臺內洼地二疊系生物礁、灘沉積格局及勘探意義[J]. 天然氣地球科學，2019，30（11）：1539-1550.［Jiang Yuqiang， Zhou Yadong， Chen Zhiyong， et al. Sedimentarypattern and exploration significance of Permian reefs andshoals in intra-platform depressions， eastern Sichuan Basin[J].Natural Gas Geoscience， 2019， 30（11）： 1539-1550.］

［10］ 劉建強，羅冰，譚秀成，等. 川東北地區飛仙關組臺緣帶鮞灘分布規律[J]. 地球科學：中國地質大學學報，2012，37（4）：805-814.［Liu Jianqiang， Luo Bing， Tan Xiucheng， et al. Distribution ofmarginal-platform oolitic shoal in Feixianguan Formation， northeastSichuan， China[J]. Earth Science： Journal of China Universityof Geosciences， 2012， 37（4）： 805-814.］

［11］ 郭彤樓. 川東北元壩地區長興組—飛仙關組臺地邊緣層序地層及其對儲層的控制[J]. 石油學報，2011，32（3）：387-394.［GuoTonglou. Sequence strata of the platform edge in the Changxingand Feixianguan Formations in the Yuanba area， northeasternSichuan Basin and their control on reservoirs[J]. Acta PetroleiSinica， 2011， 32（3）： 387-394.］

［12］ 謝增業，田世澄，單秀琴，等. 川東北飛仙關組鮞灘天然氣富集成藏特征及勘探前景[J]. 石油勘探與開發，2005，32（2）：31-34.［XieZengye， Tian Shicheng， Shan Xiuqin， et al. Features of gas accumulationand exploration foreground in oolitic reservoir of FeixianguanFormation in Sichuan Basin [J]. Petroleum Explorationand Development， 2005，32（2）： 31-34.］

［13］ 鄒才能，徐春春，汪澤成，等. 四川盆地臺緣帶礁灘大氣區地質特征與形成條件[J]. 石油勘探與開發，2011，38（6）：641-651.［Zou Caineng， Xu Chunchun， Wang Zecheng， et al. Geologicalcharacteristics and forming conditions of the large platformmargin reef-shoal gas province in the Sichuan Basin[J].Petroleum Exploration and Development， 2011， 38（6）： 641-651.］

［14］ 鄒娟，楊迅，尹宏，等. 九龍山—劍閣地區長興組、飛仙關組礁、灘儲層特征及控制因素研究[J]. 天然氣勘探與開發，2014，37（4）：1-7.［Zou Juan， Yang Xun， Yin Hong， et al. Characteristics of bioreefand shoal reservoirs in Changxing and Feixianguan Formationsof Jiulongshan-Jiange area and their controlling factors[J].Natural Gas Exploration and Development， 2014， 37（4）： 1-7.］

［15］ 馮林杰，蔣裕強，劉菲，等. 川東地區開江—梁平海槽南段飛仙關組鮞灘儲層特征及主控因素[J]. 石油學報，2021，42（10）：1287-1298. ［[Feng Linjie， Jiang Yuqiang， Liu Fei， et al. Reservoircharacteristics and main controlling factors of oolitic shoalreservoir in Feixianguan Formation in the southern part ofKaijiang-Liangping trough， eastern Sichuan Basin[J]. ActaPetrolei Sinica， 2021， 42（10）： 1287-1298.］

［16］ 朱怡翔，石廣仁. 火山巖巖性的支持向量機識別[J]. 石油學報，2013，34（2）：312-322.［Zhu Yixiang， Shi Guangren. Identificationof lithologic characteristics of volcanic rocks by support vectormachine[J]. Acta Petrolei Sinica， 2013， 34（2）： 312-322.］

［17］ Rosenblatt F. The perceptron： A probabilistic model for informationstorage and organization in the brain[J]. Psychological Re‐view，1958， 65（6）： 386-408.

［18］ 趙彥超，吳春萍，吳東平. 致密砂巖氣層的測井評價：以鄂爾多斯盆地大牛地山西組一段氣田為例[J]. 地質科技情報，2003，22（4）：65-70.［[Zhao Yanchao， Wu Chunping， Wu Dongping. Loggingevaluation to tight gas sandstone： A case study from the First memberof Shanxi Formation in Daniudi gas pool， Ordos Basin， China[J]. Geological Science and Technology Information， 2003， 22（4）： 65-70.］

［19］ Ghiasi M M， Zendehboudi S， Mohsenipour A A. Decision treebaseddiagnosis of coronary artery disease： CART model[J]. ComputerMethods and Programs in Biomedicine， 2020， 192： 105400.

［20］ 張俊玉，胡家豪，黃嵩. CART決策樹方法在煤電廠節能降耗中的應用[J]. 控制與決策，2021，36（5）：1232-1238.［Zhang Junyu， HuJiahao， Huang Song. Application of CART decision tree model inreducing coal consumption in coal power plant[J]. Control andDecision， 2021， 36（5）： 1232-1238.］

［21］ 陳平，徐星. 基于CART算法的帶鋼抗拉強度影響因素研究[J].控制工程，2015，22（2）：276-281.［Chen Ping， Xu Xing. Researchof tensile strength of strip steel based on CART[J]. Control Engineeringof China， 2015， 22（2）： 276-281.］

［22］ 魏合理，陳秀紅，戴聰明. 通用大氣輻射傳輸軟件（CART）及其應用[J]. 紅外與激光工程，2012，41（12）：3360-3366.［Wei Heli，Chen Xiuhong， Dai Congming. Combined atmospheric radiativetransfer （CART） model and its applications[J]. Infrared and LaserEngineering， 2012， 41（12）： 3360-3366.］

［23］ 劉玉茹，趙成萍，臧軍，等. CART分析及其在故障趨勢預測中的應用[J]. 計算機應用，2017，37（增刊2）：57-59，73.［Liu Yuru，Zhao Chengping， Zang Jun， et al. Analysis of CART regressiontree and its application in fault trend forecasting[J]. Journal ofComputer Applications， 2017， 37（Suppl. 2）： 57-59， 73.］

［24］ 吳冠朋，黃偉，劉毅慧. CART算法在原發性肝癌放療后HBV再激活的應用[J]. 生物信息學，2017，15（3）：164-170.［Wu Guanpeng，Huang Wei， Liu Yihui. Application of HBV reactivation inprimary liver carcinoma after radiotherapy based on CART algorithm[J]. Chinese Journal of Bioinformatics， 2017， 15（3）：164-170.］

［25］ 王曉暢，張軍，李軍，等. 基于交會圖決策樹的縫洞體類型常規測井識別方法：以塔河油田奧陶系為例[J]. 石油與天然氣地質，2017，38（4）：805-812.［Wang Xiaochang， Zhang Jun， Li Jun， etal. Conventional logging identification of fracture-vug complextypes data based on crossplots-decision tree： A case study from theOrdovician in Tahe oilfield， Tarim Basin[J]. Oil amp; Gas Geology，2017， 38（4）： 805-812.］

［26］ 孫予舒，黃蕓，梁婷，等. 基于XGBoost算法的復雜碳酸鹽巖巖性測井識別[J]. 巖性油氣藏，2020，32（4）：98-106.［Sun Yushu，Huang Yun， Liang Ting， et al. Identification of complex carbonatelithology by logging based on XGBoost algorithm[J]. LithologicReservoirs， 2020， 32（4）： 98-106.］

［27］ 李洪奇，譚鋒奇，許長福，等. 基于決策樹方法的礫巖油藏巖性識別[J]. 測井技術，2010，34（1）：16-21.［Li Hongqi， Tan Fengqi， XuChangfu， et al. Lithology identification of conglomerate reservoirbased on decision tree method[J]. Well Logging Technology，2010， 34（1）： 16-21.］

［28］ Han J W， Kamber M. Data mining concepts and techniques[M].2nd ed. San Francisco： Morgan Kaufmann Publishers， 2006.

［29］ Witten I H，Frank E. 數據挖掘：實用機器學習技術[M]. 董琳，邱泉，于曉峰，等譯. 2版. 北京：機械工業出版社，2006.［Witten IH， Frank E. Data mining： practical machine learning tools andtechniques[M]. Dong Lin， Qiu Quan， Yu Xiaofeng， et al， trans.2nd ed. Beijing： China Machine Press， 2006.］

［30］ 李雄炎，周金昱，李洪奇，等. 復雜巖性及多相流體智能識別方法[J]. 石油勘探與開發，2012，39（2）：243-248.［Li Xiongyan， ZhouJinyu， Li Hongqi， et al. Computational intelligent methods for predictingcomplex lithologies and multiphase fluids[J]. PetroleumExploration and Development， 2012， 39（2）： 243-248.］

［31］ Kohonen T. Self-organization and associative memory[M]. 3rded. Heidelberg： Springer， 1989.

［32］ Kohonen T. The self-organizing map[J]. Proceedings of theIEEE， 1990， 78（9）： 1464-1480.

［33］ Shi G R， Zhou X X， Zhang G Y， et al. The use of artificial neuralnetwork analysis and multiple regression for trap quality evaluation：A case study of the northern Kuqa Depression of Tarim Basinin western China[J]. Marine and Petroleum Geology， 2004， 21（3）：411-420.

［34］ 王俊，曹俊興，尤加春. 基于GRU神經網絡的測井曲線重構[J].石油地球物理勘探，2020，55（3）：510-520.［Wang Jun， CaoJunxing， You Jiachun. Reconstruction of logging traces based onGRU neural network[J]. Oil Geophysical Prospecting， 2020， 55（3）： 510-520.］

［35］ 李霞，范宜仁，鄧少貴，等. 自動劃分層序單元的測井多尺度數據融合方法[J]. 石油勘探與開發，2009，36（2）：221-227.［Li Xia，Fan Yiren， Deng Shaogui， et al. Automatic demarcation of sequencestratigraphy using the method of well logging multiscaledata fusion[J]. Petroleum Exploration and Development， 2009， 36（2）： 221-227.］

［36］ 肖小玲，靳秀菊，張翔，等. 基于常規測井與電成像測井多信息融合的裂縫識別[J]. 石油地球物理勘探，2015，50（3）：542-547.［Xiao Xiaoling， Jin Xiuju， Zhang Xiang， et al. Fracture identificationbased on information fusion of conventional logging and electricalimaging logging[J]. Oil Geophysical Prospecting， 2015， 50（3）： 542-547.］

［37］ 馬隴飛，蕭漢敏，陶敬偉，等. 基于梯度提升決策樹算法的巖性智能分類方法[J]. 油氣地質與采收率，2022，29（1）：21-29.［MaLongfei， Xiao Hanmin， Tao Jingwei， et al. Intelligent lithologyclassification method based on GBDT algorithm[J]. PetroleumGeology and Recovery Efficiency， 2022， 29（1）： 21-29.］

［38］ Friedman J H. Greedy function approximation： A gradient boostingmachine[J]. The Annals of Statistics， 2001， 29（5）： 1189-1232.

［39］ 王瑞妮. 基于流形學習和GBDT的異常流量檢測方法[D]. 哈爾濱：哈爾濱工程大學，2020.［Wang Ruini. Anomaly traffic detec‐tion based on manifold learning and GBDT[D]. Harbin： HarbinEngineering University， 2020.］

［40］ 王焱. 基于隨機梯度提升決策樹的行人檢測算法設計與實現[D]. 杭州：浙江大學，2017.［Wang Yan. Design and implementationof a pedestrian detection algorithm using s-GBDT[D]. Hangzhou：Zhejiang University， 2017.］

［41］ Nassif A B. Short term power demand prediction using stochasticgradient boosting[C]//5th international conference on electronicdevices， systems and applications （ICEDSA）. Ras Al Khaimah：IEEE， 2016： 1-4.

［42］ 謝振平，孫桃. 自組織決策樹的聯想記憶在線學習模型[J]. 模式識別與人工智能，2017，30（1）：21-31.［Xie Zhenping， Sun Tao.Online associative memory model based on self-organizing decisiontree[J]. Pattern Recognition and Artificial Intelligence， 2017，30（1）： 21-31.］

［43］ Sakkari M， Hamdi M， Elmannai H， et al. Feature extraction-baseddeep self-organizing map[J]. Circuits， Systems， and Signal Processing，2022， 41（5）： 2802-2824.

基金項目：國家自然科學基金項目（41430316）；國家科技重大專項（2017ZX05008-004-008）［Foundation： National Natural Science Foundation of China，No. 41430316; National Science and Technology Major Project， No. 2017ZX05008-004-008］