现代数学方法识别火山岩岩性

人工神经网络、灰色关联、聚类分析、贝叶斯、对应分析、主成分分析及模糊数学等方法都可以较准确地识别火山岩岩性，其关键是根据薄片分析资料和对应深度的测井信息构建识别样本库。

本节以准噶尔盆地LQJ区火山岩为研究对象，优选出自然伽马、声波、电阻率、密度、中子等测井参数，利用灰色关联数学方法，对研究工区的火山岩岩性进行识别。

(一) 火山岩岩性识别模式构建

在众多测井方法中，常规测井因为其价格低廉且也能解决许多复杂地质问题而应用非常广泛，各油田常规测井资料也最为丰富，充分利用常规测井资料不但可以节约成本，而且多种常规测井组合是从不同角度反映地下复杂的地质体。这是一些非常规测井资料难以比拟的。

测井相分析的目的就是从测井资料中提取与岩相相关的信息，应用一套数学分类准则，将各组测井响应值划到具有多种意义的测井相中，从而将整个单井地层剖面划分为若干个测井相，再通过与岩心薄片分析等地质资料的详细对比，确定每个测井相的岩相类型。实际上测井相分析的技术关键在于:①根据已知关键井的岩心薄片鉴定分析和测井等资料建立准确的测井相-岩相的对应关系，即研究工区的测井相-岩相的统计模式或测井相-岩相模式;②使用有效的模式识别分类准则。

所谓测井相-岩相模式指的是研究地区的测井相与地质相的总体对应规律，也就是已知模式的确定。测井数据中包含了大量的地质相信息，但是测井数据与地质相的对应大多带有统计性。建立测井相-岩相模式就是详细研究关键井取心资料与测井资料的对应关系以及区域的总体特性，建立起区域性的测井相-岩相的对应规律，统计出关键井中各种岩相在井段中出现的概率及某种岩相的所有测井相特征的均值和方差，以构成二维数据表。

一种测井相能否唯一地反映出某一岩相特征取决于所用测井方法的类型和数量以及数学分类准则，因此应选择一组最能反映火山岩岩相特征的测井方法来进行测井相分析。从取心资料中获取关键井的连续地层剖面岩相信息，通过与测井曲线的幅值对比，并进行地层岩性深度归位，然后将归位后的取心资料地层剖面数据输入计算机，再通过对该地层剖面测井变量特征值的统计拾取，可得到各层的测井响应特征值。最后赋予各层对应的取心岩性，从而建立起研究工区测井相-岩相的对应关系。

若将岩性相同的地层各测井变量加权求和后，便建立了含有各种岩性、具有较强代表性的测井相-岩相中心统计模式。其中各模式对应的所有特征均值(测井曲线值)在高维空间中的点即为模式的凝聚点。

若加入各层子样本模式，就构成另一种统计模式。这种模式可作为盆地内的测井相-岩相识别模式使用，它不但具有中心模式所代表的主要岩性的测井相特征，而且也包含了关键井地层剖面复杂多样的岩性和电性特征。显然这种模式较中心聚类模式的岩性分辨率高，容错性强，不易出现岩性混类或误判。由此，研究工区的测井相-岩相统计模型便建立起来了。实际处理时视情况的不同，可分别采用上述两种统计模式之一来判断岩性，从中优选分析出较好的识别结果作为测井相输出成果。本书采用测井相-岩相统计子模式来对研究工区的岩性进行识别。

考虑到测井资料的分辨能力和信息量及测井曲线品质，主要采用GR、Rt(Rlld)、AC、CNL、DEN这5条常规测井曲线参与测井相分析，对研究工区进行过薄片鉴定的井建立了测井相-岩相统计子模式(表2－2)。表中LITH为岩相(性)类别，GR、Rt、AC、CNL、DEN的数值大小代表各测井曲线特征幅值。由此模式可判断研究工区各井的测井相-岩相类别。

表2－2 测井相-岩相统计子模式

考虑到灰色关联法在判释岩性方面具有较高的准确度，因此仍希望用这种方法来实现火山岩的岩性识别。如何利用上述的方法原理进行岩性的识别呢?沉积岩岩性识别是在测井曲线自动分层基础上进行的，要进行自动分层必须具备了一定井段的测井资料。测井曲线经预处理、分层取值后，形成以深度为序列的一组组测井值。如果把待划分的地层看成一个个模式，那么这一组组测井值可看成待判模式的特征。测井相识别的目的就是根据这些特征采用某种模式识别方法，将未知模式划分为已知模式。对火山岩地层来说，很难对其进行分层。为此在实际应用中，在建立研究工区测井相-岩相统计模式的基础上，将每一个测井数据作为一个层段的特征值来逐点识别，然后再将岩性相同的井段合为一层。

(二) 灰色关联识别方法

灰色关联分析的目的是通过衡量因素之间的关联程度，寻找系统中各因素间的主要关系，找出影响目标值的重要因素，从而掌握事物的主要特征。用这种方法判释各层的测井相和岩相，就是把岩层的岩性看作一个包含已知因素(测井参数、评价标准、评价参数、权值)和未知因素(岩性)的灰色过程，采用灰色系统中的每一个灰数的统计值(统计确定出每个评价参数的标准)，建立多参数岩相综合评价的灰色量自动分析数学模型，然后用该模型通过求取样品间的灰色关联度而进行识别预测。

1. 数据标准化

由于各类岩相参数的物理意义不同、数据的量纲不同(如电阻率和孔隙度测井数据)，因此需对原始数据进行处理，使之产生无量纲和归一化的数据列。较常用的数据变换的方法有初值化和均值化等方法。

设初始评价数据列为X₀'，被比较数据列为X_i'，可表示为:

准噶尔盆地火山岩储层测井评价技术

对上述数据作均值化处理，则可形成标准化数据列X₀和X_i:

准噶尔盆地火山岩储层测井评价技术

i=1，2，3，…，n(n个已知的岩相子模式);j=1，2，3，…，M(M个变量)。

于是可将标准化后的评价数据列X₀、被比较数据列X_i和权值数据列Y表示为:

准噶尔盆地火山岩储层测井评价技术

2.计算灰色多元加权系数P_i(j)

采用层点标准指标绝对值的极值加权组合放大技术，求灰色多元加权系数P_i(j)

准噶尔盆地火山岩储层测井评价技术

Δi(j)=X₀(j)－X_i(j)

i=1，2，…，n;j=1，2，…，M。

式中:P_i(j)———数据X₀与X_i在第j个参数的灰色多元加权系数;

Δi(j)———数据X₀与X_i在第j个参数的标准指标绝对差;

minminΔi(j)、maxmaxΔi(j)———标准指标两极最小差和最大差;

A———灰色分辨系数(常取为0.5);

Y(j)———第j个参数的权值。

由上式即可得出灰色多元加权系数序列:

准噶尔盆地火山岩储层测井评价技术

3. 计算与标准模式(参考数列X_i)的灰色关联度C_gi

采用综合归一化技术，将各灰色多元加权系数集中为一个值，由此形成一灰色加权归一系数的行矩阵(1行M列)

准噶尔盆地火山岩储层测井评价技术

4. 未知层段岩相的判别

采用最大隶属原则P_max=max{C_gi}，选择灰色多元加权归一向量中的最大值，与此最大值所对应的标准模式样品类别属性就可作为待判层段的分类结果，即测井相与岩相类别。同时可根据行矩阵的数值大小确定判别分类的可信度和准确性。

显然，灰色关联分析用于测井相-岩相分类时，仅需通过求取比较样本数列(由类别属性未知的样本构成)和参考样本数列(由类别属性已知的多个样本构成)之间的灰色关联度(贴近度)，依最大隶属原则进行样品分类。该法对标准模式要求不严，判别时可将已知属性的所有样品(包括各种子模式)都作为比较数列，分类时不会出现混类现象，同时要求数据量不多、计算简便、易于现场应用。

(三) 火山岩岩性识别实例分析

根据上述理论，编制了基于测井资料的灰色关联识别测井岩相(性)程序。利用已建立的测井相-岩相模式，对研究工区白X1井等井进行了处理。表2－3是白X1等井按灰色关联度隶属最大原则的岩性判释结果。从表中不难看出:灰色关联度的值都基本上大于0.85，说明待判层的岩性与已知的某种岩性关联程度较高，属于同一类别，岩性判释的可信度高，与所对应井段薄片鉴定结果较为一致，符合率达到85%以上。现场目前最常用的两参数交会图技术只能区分熔岩类(安山岩、玄武岩、辉石闪长岩等)、凝灰岩类(沉凝灰岩、火山角砾岩等)和杂砂岩类(砂砾岩、砾岩、砂岩等)三大类型，不能详细地区分其具体岩性。本书所述方法解决了常规方法不能区分其具体岩性的难题，并且识别率较高，完全能够满足石油地质工程中岩性识别精度的要求。

表2－3 灰色关联度岩性判释结果

续表