基于測井的正演模擬分析與復雜巖性劃分

中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000-7210. 20230001

Abstract：The research object of oil and gas exploration is gradually shifting toward complex oil and gas reser? voirs. The periphery of the Banghu Syncline in the Qianjiang Sag is a typical inland salt lake deposit. The com ? plex thin sand and mudstone interbedded reservoir structure in the Qian?3 section of the Banghu Syncline area re? quires high ? precision and high ? resolution exploration technology to support actual production. In view of this， the study conducts forward modeling analysis and complex lithology classification based on well logging data. First，it analyzes and calculates the lithological data based on the original logging data，analyzes the lithological characteristics of sandstones containing different fluids（water ? bearing sandstones，oil? bearing sandstones，and dry?layer sandstones），establishes different wedge forward models based on the convolution theory，and investi? gates the seismic response characteristics of different lithological combinations. Then，lithology curves are re? constructed using the K ? means algorithm with known logging lithology data，and density attributes are used to correct natural gamma values for lithology classification. Finally，a geological model of the Eq43 oil formation is designed to study the effects of changes in reservoir thickness and fluid content on amplitude. Model analysis and the example demonstrate K ?means algorithm can effectively divide salt rock，sandstone，and gypsum mud? stone with a prediction accuracy of 90.4% ，and the forward model based on high?resolution logging information is consistent with actual geological characteristics. Therefore，it is feasible to analyze the reflection characteris? tics of salt rock and mudstone interbedded layers and thin sandstone layers by the forward model established through lithology curve reconstruction with logging data.

Keywords：Banghu Syncline，K?means algorithm，forward modeling，gamma，lithology classification徐大維，李瓊，陳子杰，等 . 基于測井的正演模擬分析與復雜巖性劃分［J］. 石油地球物理勘探，2025，60（3）

783?793.

XU Dawei ，LI Qiong ，CHEN Zijie ，et al. Forward modeling analysis and complex lithology classification based on well logging data［J］. Oil Geophysical Prospecting，2025，60（3）：783?793.

0 引言

江漢盆地是一個含鹽陸相沉積盆地，含油氣藏豐富，主要的含鹽地層分布在江陵、潛江、小板和云夢凹陷，其中潛江凹陷位于江漢盆地中部，基底最深，沉降速度最快，含鹽地層最為發育。潛江凹陷的潛江組地層是中國內陸鹽湖沉積，也作為整個江漢盆地鹽湖的沉降中心、匯水中心、濃縮中心。其中蚌湖向斜周緣的巖性油藏類型為小型砂巖上傾尖滅型和灘壩型巖性油藏，主要分布于潛三段 3 油組（Eq₃³） 、潛三段 4 油組 （Eq₃⁴） 和潛四段中油組 （Eq₄²） 等油氣運聚組合[1-4]。測井資料揭示，潛三段 4 油組（Eq₃⁴） 的砂巖油藏構造復雜，多種巖性重疊，且膏泥巖發育，砂巖波阻抗與膏泥巖波阻抗近似，鹽泥強反射與砂泥弱反射出現重疊難以分辨，僅依靠常規地震響應和地震屬性特征尋找儲層存在較大的多解性。

正演模擬是在已知的地形和介質條件下，通過計算地震波的傳播路徑和振幅，模擬地震波從震源到達地面的過程。邱恩波等[5]利用正演模擬，刻畫了上、下砂組砂體厚度分布規律，明確了上、下砂組沉積相發育特征；羅敬等[6]以層狀介質中的傳遞矩陣法為基礎，發展了一種垂直入射時的反射率法，并運用該方法對多組典型的薄互層模型做正演模擬；劉巍等[7]通過正演模擬方法對復合水道內部砂體構型的疊置樣式及地震響應特征開展了系統分析，并進行了有利砂體分布區預測；王雪瑩[8]利用正演模擬對含天然氣水合物砂巖地層進行響應特征研究。前人研究表明，通過構建正演模型可以了解工區薄互層間的地震響應特征，為后續識別與劃分有利儲層提供基礎。

此外，機器學習方法被廣泛應用于測井曲線重構和巖性劃分。劉昊等[9]基于 K-均值聚類算法對某盆地具有十維特征量測井數據建立了巖性預分類識別模型；高雅田等[10]利用 K-均值算法建立巖性分類模型，對松遼平原測井數據進行巖性聚類，并結合巖性解釋數據進行驗證，平均準確率達到 87.3% ；羅仁澤等[11]將 K-均值算法進行了改進，通過“軟投票”

方式預測巖性類型，巖性識別準確率達到 94.28% 。

本文基于工區資料，結合正演模擬分析與 K^- 均值算法測井曲線重構，對潛江凹陷潛 Eq₃⁴1 小層進行巖性識別與劃分。

1 方法原理

1. 1 楔形模型正演

楔形模型的正演常用于研究薄層的調諧效應，實際地區中巖性彈性參數變化復雜，根據測井曲線的解釋結論，將砂巖類型細分為三類：干層砂巖、含水砂巖和含油砂巖，利用細分砂巖的彈性參數進行楔形模型正演，有效逼近實際地區地下薄層真實地質條件。巖性數據如表 1 所示。

表1 巖性數據

由表 1 可知，鹽巖的波阻抗最低，泥巖/膏泥巖的波阻抗最高，且干層砂巖與膏泥巖的波阻抗差異最小，相似性較高。

1. 1. 1 四種楔形模型的正演結果

本文建立四種楔形模型，基于褶積理論，選用雷克子波，主頻為 35Hz ，采樣間隔為 2ms ，根據表 1的巖性數據進行模型的正演。

圖 1 為模型一（圖 1a）的正演模擬結果，由圖可見，鹽巖與膏泥巖之間的反射為強振幅反射，干砂層的界面反射特征幾乎沒有顯現（圖 1b），砂層含油后的剖面反射特征振幅最強，含水砂巖反射特征振幅強度次之。另外，隨著上覆膏泥巖厚度的增加，出現了另一個反射同相軸（砂巖與下伏膏泥巖之間的反射），同相軸振幅強度隨著上覆膏泥巖厚度增加而變強。

圖 2 為模型一的強反射軸振幅對比，由圖可見，干砂巖模型的振幅變化最為穩定，含油砂巖的強反射軸振幅變化最大，三者的振幅變化趨勢均為先變強后變弱并趨于穩定，隨著膏泥巖厚度的增加，砂巖上覆界面的弱反射波谷逐漸下移，導致強反射軸振幅變強，隨后砂巖下伏界面的弱反射波峰逐漸下移，導致強反射軸振幅變弱。

圖1 模型一正演模擬

圖2 模型一強反射軸振幅對比

圖 3 為模型二（圖 3a）的正演模擬結果，由圖可見， 5m 膏泥巖與上伏鹽巖界面為強反射軸，對于干砂巖模型，砂巖與下伏膏泥巖界面反射特征無法顯現，而含油砂巖模型的砂巖與下伏膏泥巖界面反射特征最為明顯，并且含油砂巖厚度約為 9.4m 時產生復合波，隨著砂巖厚度的增加，兩個反射同相軸逐漸分離。

圖3 模型二正演模擬

圖 4 為模型二的強反射軸振幅對比，由圖可見，三種不同砂巖模型的強反射軸振幅變化趨勢為先減弱后增強，隨著砂巖厚度的增加，砂巖下伏界面的弱反射波峰逐漸下移，導致強反射軸振幅變弱，隨后砂巖下伏界面的弱反射旁瓣與膏泥巖上覆強反射發生疊置，導致強反射振幅變強。

圖 5 為模型三（圖 5a）的正演模擬結果，由圖可見，砂巖與下伏膏泥巖界面反射特征依舊無法顯現（圖 5b），而含油砂巖、含水砂巖與下伏膏泥巖界面隨著砂巖與泥巖的厚度增大，反射同相軸振幅逐漸變強，并且砂巖—膏泥巖界面反射同相軸波峰位置逐漸向上移動，最終與砂巖— 膏泥巖模型界面位置保持一致（圖 5c、圖 5d）。由于砂巖與上覆膏泥巖界面產生的反射同相軸疊置，隨著砂巖厚度的變大，兩個極性相反的反射同相軸逐漸分離，隨后反射同相軸逐漸回歸于反射界面的位置。

圖4 模型二強反射軸振幅對比

圖5 模型三正演模擬

圖 6 為模型三的強反射軸振幅對比，由圖可見，含油砂巖的振幅變化幅度最大，變化趨勢為先減弱后增強再減弱。隨著膏泥巖厚度變大，強反射軸與砂巖頂界面極性相反的反射同相軸的波谷發生疊置并抵消，振幅減弱的幅度較大，隨著膏泥巖厚度的增加，砂巖頂界面反射同向軸下移，逐漸與強反射同相軸分離，振幅增強，直到與極性相同的頂界面反射軸旁瓣分離，振幅再次減弱，推測膏泥巖達到一定厚度時，強反射軸的振幅能量會趨于平緩。

由圖 7 可見，模型四（圖 7a）由兩個楔形組合而成，干層砂巖的底界反射沒有體現出來，而含水砂巖、含油砂巖的底界反射有明顯的顯現，并隨著砂巖厚度的減小而減弱，并且含水砂巖、含油砂巖的底界反射同相軸隨著砂巖厚度的變小在逐漸向下移動。原因為砂巖頂界面隨著砂巖厚度減小而下移，產生與砂巖底界反射同相軸極性相反的反射，兩個極性相反的同相軸隨著厚度減小發生疊置，并逐漸被完全抵消。

圖6 模型三強反射軸振幅對比

圖7 模型四正演模擬

由圖 8 可見，三種不同砂巖類型的強反射軸振幅變化趨勢相同，含油砂巖的變化幅度最大，其次是含水砂巖，干層砂巖變化幅度最小。

圖8 模型四強反射軸振幅對比

1. 1. 2 四種模型綜合分析

綜上所述，由四種楔形地質模型正演可知，相同主頻下，對于薄層砂巖而言，含油砂巖的分辨率最高，干層砂巖頂底界面的反射特征幾乎無法顯現，分辨率最低。對于強反射軸振幅的影響，含油砂巖的影響最大，干層砂巖幾乎對強反射軸振幅沒有影響。所以，在實際地震剖面中，要在強反射界面分離出薄層干層砂巖的反射特征是比較困難的，而對于含水、含油砂巖的分離，可以通過提高主頻以及變化砂巖厚度的方式使含水砂巖、含油砂巖的反射特征得到顯現。

1. 2 巖性劃分方法

1. 2. 1 K-均值算法原理

K^- 均值聚類算法是一種簡單的迭代性聚類算法 ，是 對 一 個 n 維 向 量 的 數 據 點 集 D= {x_i∣i=1，…，N∣} 進行聚類，其中 x_i 表示第 i 個數據點，最終將集合 D 劃分成 k 個類簇。分組的依據主要是“緊密度”或者“相似度”，組內對象越相似、組間差距越大越好。距離的度量有歐幾里得距離、曼哈頓距離和切比雪夫距離，聚類算法通常用歐氏距離作為相似性度量，以誤差平方和（Sum of SquaredError， SSE）作為度量聚類質量的目標函數，通過最小化目標函數，將數據點按照距離聚類中心的遠近分成 k 個簇。

定義 1： 數據點之間的歐幾里得距離

定義 2： 數據點與聚類中心 c_i 間的歐幾里得距

離公式為

式中： c_i 為第 i 個類簇的聚類中心； x 為數據集 D 中的數據對象。

定義 3： 誤差平方和 SSE 計算公式

式中： x 為數據集 D 中的數據對象； k 為類簇數目。

K^- 均值聚類算法是一種動態聚類算法，需要進行不斷重復迭代。該算法的基本思想原理是：選擇k 個數據作初始聚類中心，其中 k 為用戶指定的類簇個數。計算數據點到各個初始聚類中心的距離，將數據點就近分配到各個初始聚類中心所在的集合中形成一個簇。根據簇中的各個點，更新每個簇的中心。重復分配和更新的步驟，直到簇不再發生變化，或者目標函數滿足條件即可[12]。

1. 2. 2 巖性識別

根據測井曲線劃分巖性與層位是正演模擬的一個前提，同時也能保證正演模擬準確性與否，根據實際測井曲線，進行巖石物理參數（速度、密度、自然伽瑪和波阻抗）的交會分析得出如下結論：

自然伽瑪（GR）值能較好地區分出泥巖、砂巖、泥膏巖和鹽巖，密度（RHOB）參數次之；GR 值鹽巖最小，砂巖和膏泥巖其次，泥巖最大，但整體而言，膏泥巖的 GR 值相對大些； RHOB 值鹽巖最小，滲透性砂巖其次，泥巖、干層砂巖和膏泥巖最大。

根據上述結論，本文基于 K-均值算法與測井數據 GR 與 RHOB 對 層 位 Eq₃³x～Eq₃⁴1 進行巖性劃分，巖性主要分三類，分別為鹽巖、泥巖與砂巖（干層砂巖、含油砂巖、含水砂巖）。

2 實例應用

蚌湖向斜的潛江組（Eq）巖性主要為砂巖、暗色泥巖、泥膏巖及鹽巖組成，鹽韻律發育。根據巖性等差異自下而上分為潛四、潛三、潛二、潛一共四段。其中潛三段 （Eq₃） 據巖性等差異分上下兩段；與下伏潛四段 （Eq₄） ）為整合接觸。潛三上段（ ?Eq₃ 上）巖性主要為深灰、灰色泥巖、灰色粉砂巖及鱺狀泥灰巖組成，潛三下段（ ?Eq₃ 下）為深灰色泥巖、泥膏巖、鹽巖等組成，夾灰色粉砂巖，潛三下段的 Eq₃⁴ 油組的鹽巖和砂巖都較發育，具有良好的儲蓋組合條件，為研究區重要的勘探目的層段之一[13]。

2. 1 巖性劃分

圖 9 為井 Gu34，Gu38 的測井解釋結論。由圖可見，層位 Eq₃³ 到 Eq₃³x 之間地層發育五套鹽泥互層，位于 Eq₃³x 之上的泥巖層較薄，平均厚度為6m ，鹽巖的平均厚度為 18m 。位于 Eq₃³x 深度以下的泥巖較厚，平均厚度為 30m ，且存在薄砂巖，平均厚度為 4～20m 。

圖9 測井解釋結論

在 Gu38 井測井數據中選取 500 個樣本作為數據集進行 K-均值算法可行性分析，如表 2 所示。

圖 10a 為 K-均值算法初次聚類結果，由圖可見，聚類結果對鹽巖及砂巖的分類效果較好，在膏泥巖的分類上具有較大的偏差。由 Gu38 井測井數據可知，膏泥巖的 GR 值區間為 1.8440～12.8270API ，在進行聚類時，很可能將 GR 值較小的樣本分到了鹽巖類和砂巖類，所以對分類的準確性產生了較大的影響和誤差。

表2 Gu38 井K-均值算法分類量化分析

圖10 K-均值算法初步聚類結果

對測試樣本分析得知，鹽巖樣本的 RHOB 分布主要在 2.070～2.203g/cm³ ，膏泥巖樣本的 RHOB分 布 主 要 在 2.505～2.628g/cm³ ，砂 巖 樣 本 的RHOB 分 布 主 要 在 2.367～2.508g/cm³ ，相較于GR 值，三種巖性樣本的 RHOB 屬性沒有出現疊置，因此，聯合 RHOB 及 GR 值，對樣本進行重新聚類。

圖 10b 與表 3 為 GR 修正后的聚類量化結果，與表 2 對比可以發現，對于膏泥巖的預測準確度有顯著的提升，由 0. 484 提升到了 0. 827，鹽巖的預測準確度也有一定的提升。

表3 Gu38 井GR 修正后的分類量化分析

K-均值算法是一種無監督的機器學習方法，算法簡單，容易實現，計算速度較快，盡管對于砂巖聚類的準確度有所下降，但也同時避免了部分泥巖樣本被歸為砂巖樣本而導致的“假象”，從而規避了錯將泥巖識別為砂巖的情況。尤其對于球形的簇結構有良好的分類效果。由圖 10 可見， K^- 均值算法對巖性做出了有效的劃分，因此 K-均值算法進行巖性分類具有可行性。

2. 2 正演仿真模擬

自然伽瑪與密度曲線重構的巖性曲線能夠較好地分辨出鹽巖、泥巖的分布位置（圖 11）， Eq₃³x 地層劃分出五套鹽巖與泥巖互層，而對于砂巖的重構區分效果一般。

巖石物理參數的選取是分類效果好壞的關鍵，根據 GR 與 RHOB 交會圖（圖 12）可以看出，膏泥巖表現為中高 GR 值、高 RHOB 值；含水砂巖表現為中GR 值、中 RHOB 值；干砂巖表現為中 GR 值，中高RHOB 值。干層砂巖與膏泥巖的屬性疊置嚴重，無法很好地將其分類，根據實際只能大概地判斷出砂巖存在的深度范圍，對于砂巖厚度無法做出準確的判斷。

因此進行正演仿真模型構建時，將不同含油、氣、水的砂巖模型設置為透鏡體形狀，所得到的正演模擬地震記錄能夠反映不同厚度砂巖下的反射特征。由巖性解釋結論得知，層位 Eq₃⁴1 中的巖性主要為泥巖，其中泥巖中夾雜著不同厚度的砂巖，以此構建的正演仿真模型具有與實際地震剖面相似的特點。

圖 11 Gu36、 Gu405 目標層巖性解釋

圖 12 GR 與 RHOB 交會圖

圖 13 為基于井 （Gu36，Gu206，Gu405 及 Gu505）的 GR 及 RHOB 建立的正演仿真模型，正演模型中， Gu36 井的含水砂巖透鏡體最大厚度為 26m ；Gu35 井的含油砂巖透鏡體最大厚度為 18m ； Gu206 井的含水砂巖透鏡體最大厚度分別為 7.8m.6m 、2m;Gu405 井、Gu505 井的干層砂巖透鏡體最大厚度為 5.9m 。

圖 14a 為原始連井地震剖面，由圖可見，位于Eq₃³x 層位的地震響應特征為一組強反射同向軸，能夠判斷該深度存在上下波阻抗差異較大的鹽—泥界面，強反射軸遮蓋了下部許多弱反射的地震響應特征。為了提高分辨率，將原始地震資料進行提頻處理，圖 14b 為提頻處理后的地震剖面。由圖可見，地震剖面分辨率提高，位于 Eq₃³x 層位的鹽泥界面不再反映為一組單一的強反射同向軸，其界面底部出現相對較弱的反射軸，聯合測井解釋結論，可以判斷分離出的弱反射為砂泥界面的地震響應特征，對比圖 15a 的正演地震記錄，對應深度以及對應井的主要反射特征都保持一致。

圖 15a 為主頻 35Hz 的正演地震記錄。由圖可見，對于層位 Eq₃³x 的五套鹽泥層的反射特征刻畫相對準確，位于 Gu405 井與 Gu505 井處 Eq₃³x 層位的厚層鹽巖夾的泥巖非常薄時，上下界面波形相似，能量相近，但極性相反，疊加波形相互抵消，故出現同相軸消失，而實際地震記錄中，這一層的反射都沒有顯現，說明這一層泥巖的厚度相較于正演模型來說更薄。

圖13 聯合井曲線構建的地質模型

圖14 連井地震剖面

位于 Gu36 井與 Gu35 井處的透鏡體砂巖的砂底開始顯示，并隨著砂體厚度的減小，與上覆鹽泥界面的強反射軸疊置形成復合波，對比兩種不同類型的滲砂，可以看出含油砂巖砂底的反射已經顯現，與上覆鹽—泥界面的強反射軸已經分離開來，而其余三口井（Gu206、Gu405、Gu505）位置的透鏡體砂巖反射特征則沒有體現出來，但有一定的反射能量對波形造成了影響。

圖 15b 為主頻 45Hz 的正演地震記錄。由圖可見，位于 Gu405 井與 Gu505 井處 Eq₃³x 層位的厚層鹽巖夾雜薄層泥巖界面的反射特征顯現出來，隨著主頻的增加，分辨率提高，該層兩個鹽—泥界面的反射同相軸分離開來。

位于 Gu35 井、Gu36 井位置目標層位的透鏡體砂巖砂底顯示明顯，說明頻率提高，會同時提高含水、含油厚砂巖的分辨率，位于 Gu206 井位置目標層位的三個薄層透鏡體砂巖砂底有一點顯示，對比 主 頻 35Hz 的正演地震記錄，可以說明頻率提高，提高了含水薄砂巖的分辨率。而位于 Gu405 井、 Gu505 井位置目標層位的透鏡體干層砂巖砂底依舊未顯示。由于干層砂巖與膏泥巖波阻抗接近，反射波能量很小，即使頻率提高，也難以分辨，受頻率影響較小。

圖15 正演地震記錄

圖 16 為正演地震記錄的砂巖上覆界面鹽—泥強反射軸的振幅變化曲線。由圖可見， Gu36 井位置出現的含水砂巖引起了強反射軸振幅的減小，說明在該主頻下砂巖上界的反射還未與強反射軸分離，形成了復合波，而位于 Gu35 井位置的含油砂巖并未引起強反射軸的變化，說明含油砂巖上界的弱反射軸已經與鹽— 泥強反射軸發生了分離。位于Gu206 井位置的三個薄層含水砂巖的反射與強反射軸發生疊置導致強反射軸振幅大幅下降。

圖16 強反射軸振幅變化

3 結論

（1）潛江凹陷巖性的巖石物理屬性疊置嚴重，砂體難以識別。通過四種楔形地質模型正演分析得知，在同一主頻時，砂底能量由大到小依次為含油砂巖、含水砂巖、干層砂巖，含油、含水砂巖可以通過提高主頻及砂巖厚度的變化進行分離，使含油、含水砂巖的反射特征得到顯現。為實際地震資料砂體識別提供理論基礎。

（2）利用 K-均值算法對不同巖性的分類效果具有可取之處，總體的劃分準確度為 0. 708，后續通過密度屬性對自然伽瑪進行修正后，各巖性的分類效果得到了顯著的提升，尤其是膏泥巖準確度由0. 484 提升到了 0. 827，總體劃分預測準確度也提升到了 0. 904，所以基于密度屬性的自然伽瑪修正這一方法是可行的。

（3）正演模擬的地質模型與實際工區地質特征較符合，也代表了以測井數據為依托的正演模擬對于薄層砂巖的反射特征分析以及薄層砂巖的識別是可行的。

參 考 文 獻

［1］ 吳東勝，吳劍，張玉清，等. 潛江凹陷蚌湖向斜周緣油 氣運聚特征與巖性圈閉評價[J]. 石油學報，2009， 30（2）： 183?188. WU Dongsheng， WU Jian， ZHANG Yuqing， et al. Characteristics of petroleum migration ? accumulation and petroliferous property of lithologic trap around Banghu Syncline in Qianjiang Depression[J]. Acta Petrolei Sinica， 2009， 30（2）： 183?188.

［2］ 鄭有恒 . 江漢盆地潛江凹陷潛江組巖性油藏勘探方 向及對策[J]. 石油實驗地質，2010， 32（4）： 330?333. ZHENG Youheng. Exploration direction and strategy for lithologic accumulations in Qianjiang Formation of the Qianjiang Sag， Jianghan Basin[J]. Petroleum Geo? logy amp; Experiment， 2010， 32（4）： 330?333.

［3］ 張水山，張三元，周紅艷，等. 潛江凹陷蚌湖向斜周緣 巖性油藏識別技術及效果[J]. 巖性油氣藏， 2014， 26（5）： 86?90. ZHANG Shuishan， ZHANG Sanyuan， ZHOU Hong? yan，et al. Lithologic reservoir exploration and effect in the periphery of Banghu Syncline， Qianjiang Sag[J]. Lithologic Reservoirs， 2014， 26（5）： 86?90.

［4］ 方志雄. 潛江鹽湖盆地鹽間沉積的石油地質特征[J]. 沉積學報， 2002， 20（4）： 608?613. FANG Zhixiong. Hydrocarbon exploration significa? tion of intersalt sediments in Qianjiang saline lake basin [J]. Acta Sedimentologica Sinica， 2002， 20（4）： 608?613.

［5］ 邱恩波，丁艷雪，石新樸，等. 準噶爾盆地滴西地區二 疊系梧桐溝組一段儲層砂體及沉積相特征：基于地震 正 演 模 擬 的 啟 示 [J]. 科 學 技 術 與 工 程 ，2025，25（5）： 1803?1814. Qiu Enbo， Ding Yanxue， Shi Xinpu，et al. Characteris? tics of reservoir sand bodies and sedimentary facies in the first member of Permian Wutonggou Formation in Dixi area of Junggar Basin： Inspiration from seismic forward modeling[J]. Science Technology and Engi? neering， 2025， 25（5）： 1803?1814.

［6］ 羅敬， 孫成禹. 基于模型的薄互層地震反射濾波效應 研究[J]. 物探與化探， 2024， 48（4）： 996?1005. LUO Jing， SUN Chengyu. A model ? based study of the filtering effects of thin ? interbedded reservoirs on seismic reflection waves[J]. Geophysical and Geo? chemical Exploration， 2024， 48（4）： 996?1005.

［7］ 劉巍，胡林，廖儀，等. 陵水凹陷中央峽谷水道砂體構 型地震響應正演模擬及有利分布區預測[J]. 中國海上 油氣， 2020， 32（6）： 43?53. LIU Wei， HU Lin， LIAO Yi， et al. Forward simula? tion on seismic response of channel sand body architec? ture in central canyon of Lingshui sag and favorable zone prediction[J]. China Offshore Oil and Gas， 2020， 32（6）： 43?53.

［8］ 王雪瑩 . 含天然氣水合物砂巖地層地震巖石物理建 模與響應特征研究[D]. 長春：吉林大學， 2022. WANG Xueying. Research on seismic rock physics model and response characteristicsof gas hydrate ? bea ? ring sandstone sediments[D]. Changchun： Jinlin Uni? versity， 2022.

［9］ 劉昊， 朱丹丹， 陳冬， 等. 基于聚類算法的巖性預分 類方法研究[C]. IPPTC 國際石油石化技術會議， 2018： 20181934. LIU Hao， ZHU Dandan， CHEN Dong， et al. Re? search of lithology classification method in lithology based on cluster analysis algorithm[C]. International Petroleum and Petrochemical Technology Confe? rence， 2018： 20181934.

［10］ 高雅田， 范雄 . 基于 k ?means 算法的巖性分類研究 [J]. 微型電腦應用， 2022， 38（8）： 113?115. GAO Yatian， FAN Xiong. Reserch on lithology clas? sification based on k ? means algorithm[J]. Microcom ? puter Applications， 2022， 38（8）： 113?115.

［11］ 羅仁澤， 庹娟娟， 倪華玲， 等. 基于改進集成學習的 測井巖性識別方法研究[J]. 石油物探， 2023， 62（2）： 212?224. LUO Renze， TUO Juanjuan， NI Hualing， et al. Log? ging lithology identification method based on improved ensemble learning[J]. Geophysical Prospecting for Pe? troleum， 2023， 62（2）： 212?224.

［12］ 王森， 劉琛， 邢帥杰 . K ?means 聚類算法研究綜述 [J]. 華東交通大學學報， 2022， 39（5）： 119?126. WANG Sen， LIU Chen， XING Shuaijie. Review on K?means clustering algorithm[J]. Journal of East China Jiaotong University， 2022， 39（5）： 119?126.

［13］ 李忠平 . 鹽湖盆地相控砂體預測技術研究——以江 漢盆地潛江凹陷為例[D]. 武漢： 中國地質大學（武 漢）， 2013. LI Zhongping. Sand body seismic prediction under the constraint of sedimentary facies in Saline Lake Basin— by example of Qianjiang Sag， Jianghan Basin[D]. Wu? han： China University of Geosciences（Wuhan）， 2013.

（本文編輯：張偉）

作 者 簡 介

徐大維 碩士，1998 年生；2021、2024 年分別獲成都理工大學勘查技術與工程專業學士學位、地質資源與地質工程專業碩士學位；現就職于中石化西北局，主要從事油井生產動態分析工作。