基于地层元素测井资料的沉积岩、岩浆岩识别方法

，

(西北大学大陆动力学国家重点实验室，陕西 西安 710069)

基于地层元素测井资料的沉积岩、岩浆岩识别方法

王淑真，李蓓

(西北大学大陆动力学国家重点实验室，陕西 西安 710069)

地层元素测井技术对沉积岩、岩浆岩岩性识别具有独特意义。通过分析收集的沉积岩、岩浆岩数据，提出利用Si、Ca、Al三种元素建立岩性识别图版，并利用Si、Ca、Al、Fe 四种元素，建立神经网络模型。利用元素含量交会法建立岩性图版能准确划分沉积岩与岩浆岩的线性部分，BP神经网络对于解决元素含量与沉积岩、岩浆岩岩性之间的非线性关系具有独特优势。本文基于地层元素测井资料，利用岩性识别图版与BP神经网络，建立沉积岩、岩浆岩识别模型，用未参与建立模型的数据进行验证，证明模型的可靠性。本文的研究对于掌握元素含量识别岩性技术，拓展地层元素测井的应用能力具有重要的意义。

沉积岩；岩浆岩；地层元素测井；元素图版；BP神经网络

地层中元素含量对于判断岩石类型具有重要意义。目前地层中已发现的元素虽然有100多种，但研究证实，各元素在地壳中的分布是极不均匀的，只相对集中于少数几种元素。其中O(46.13%)、Si(26.00%)、Al(7.45%)、Fe(4.2%)、Ca(3.25%)、Na(2.4%)、Mg(2.35%)、K(2.35%)、H(1.00%)等9种元素占地壳总质量的98.13%，其余元素仅占1.87%。因此，只要精确测量到这些主要元素的含量，进而研究所测元素与岩性对应关系，就可以通过元素含量鉴别地壳的岩石类型。

地层元素测井，是通过测量中子与井眼周围地层原子核发生非弹性散射、辐射俘获等核反应后产生的次生伽马能谱，得到地层岩石骨架的Si，Ca，Fe，S，Ti，Gd，Mg，K，Mn，Al等十余种元素的含量，进而确定矿物含量和识别岩性[1～4]。随着地层元素测井仪的不断改进和完善(元素含量精度不断提高、元素含量种类不断丰富、实现绿色环保测量)，其在复杂岩性地层、非常规油气储层领域中将会发挥越来越重要的作用[5]。

目前国内外区分沉积岩、岩浆岩主要通过岩石矿物特征、地震资料解释、观察野外露头、薄片研究、主微量元素分析，常用的测井方法有：交会图法(张晓峰和范晓敏，2007；陶宏根等，2011；徐德龙等；2012)、成像测井(张莹等，2007)以及各种数学判别分析方法(张学工等，1997；田玉昆等，2013)，其中神经网络法(刘争平和何永富，1995；张治国等，2005)、支持向量机法(张尔华等，2011；韩学辉等，2013)和K近邻方法(王淑盛等，2004)较为常用，这些方法各有其优势和局限性。

针对这些问题，本文主要基于地层元素测井所测元素含量，利用元素交会图法和神经网络建立区分沉积岩、岩浆岩理论模型。元素交会图可以准确判断元素与沉积岩、岩浆岩之间的线性关系；神经网络对于解决元素与沉积岩、岩浆岩之间的非线性关系具有独特优势。结合二者建立沉积岩、岩浆岩识别模型，可以准确、高效、系统的划分元素与沉积岩、岩浆岩之间的关系，从而划分钻遇地层岩性，以满足生产现场应用需要。

1 模型原理

本文主要通过图版线性区分与神经网络非线性区分结合使用。由于图版可以使用excel 表格直接作图。故本文只简要介绍BP神经网络原理。

BP神经网络是一种通过误差逆向传播来改变算法权值的多层前端反馈网络，它无需数学方程便可直接体现非线性数据之间的映射关系，正是因为这种性质，BP神经网络成为了目前世界上应用最广泛的神经网络模型之一[6～8]。BP神经网络的结构一般由三部分构成(图1)：输入层、中间隐层和输出层。输入层是负责接收外界信号，输入层接收的输入信号，可以是单输入信号也可以是多输入信号。中间隐层是负责内部信息处理，大多可以设计为单层或多层结构，理论已经证明，一个三层网络可以任意精度实现各种复杂的非线性映射，因此一个三层结构的神经网络模型便可以解释大部分测井问题了[9～13]。设计中间层的时，还需要确定神经元数量、训练函数等。输出层是负责输出处理结果。

图1 BP神经网络模型结构

BP神经网络模型训练流程如下：

第一步：正向输入样本数据，设置参数，选定训练函数。

第二步：当输出值与期望值不符时，误差进行反向逐层传递，并且会根据误差减小最快的方向(一般为梯度方向)逐层修改各个神经元的权系数。

第三步：直到误差满足要求或者达到设定的训练次数时停止训练，输出结果。

2 元素与沉积岩、岩浆岩关系研究

在沉积岩研究过程中，我们收集了9067个岩石X衍射数据，涵盖了中国大部分含油气盆地。在岩浆岩研究过程中，我们收集了中国19个省、4个自治区、3个直辖市以及中国台湾共计7834个岩浆岩数据利用这些样品的X衍射数据计算元素Si、Al、Ca含量并通过Excel绘制了一系列散点图，如x轴Ca+Si与y轴Si+3Al-Ca、x轴3Ca+Al与y轴2Si+3Al等等，经对应比较得出x轴：7Ca+3Al、y轴：2Si+3Al区分性良好，该图表(图2)主要分为三个区域：Ⅰ区在左下半区，为岩浆岩区，较独立，主要为超基性岩与部分基性岩；Ⅱ区在右下半区，为沉积岩区，区分度较好，主要为白云岩碳酸盐岩和方解石碳酸盐岩，含有少量黏土岩及杂岩；Ⅲ区在中上部，为混合区，不能很好得区分岩浆岩与沉积岩的岩石类型。因此，对于Ⅲ区混合区内的岩石类型我们需要训练神经网络来进行进一步区分。

图2 元素7Ca+3Al与2Si+3Al交会与沉积岩、岩浆岩关系研究图版

3 神经网络算法建立

利用MATLAB内置软件工具箱建立BP神经网络模型，可以节省大量时间，同时也可以避免编写计算机程序的烦恼。BP神经网络模型在测井中的应用一般由输入层、隐含层、和输出层三部分组成。模型的具体构建方法如下：

3.1 构建输入层

用神经网络对研究区内成岩石类型划分，就是建立一种成岩石类型与岩石中所测元素含量之间的映射关系。根据岩石中所测岩石含量不同，选定所测元素Si的含量、所测元素Al的含量和所测元素Ca的含量三类元素含量数据作为BP神经网络模型的输入层

3.2 构建隐含层

确定BP神经网络层数、神经元数量、和传递函数就是确定BP神经网络隐含层。现有理论证明，通过改变神经元数量，只含有一个隐含层的BP神经网络模型可以充分预测大部分岩石类型区分问题。但是如果神经元数量过多就会大大增加训练时间，影响效率，反之，如果神经元数量过少则又会影响精度。所以，在BP神经网络模型构建中，先采用较小的神经元数量，再逐渐增加，直到误差满足训练要求。BP神经网络的传递函数有多种，不同函数有不同的性质(线性传递或非线性传递)对应不同的输入、输出范围。经过研究试验，最终确定神经元数量为200，训练函数为TRAINLM，适应学习函数类型为LEARNGDM,误差分析为MSE。

3.3 构建输出层

目前，对岩石类型划分主要为沉积岩五类：碎屑岩、杂岩、黏土岩、方解石碳酸盐岩、白云岩碳酸盐岩；岩浆岩四类：超基性岩、基性岩、中性岩、酸性岩。而根据本文的主要研究内容，将BP神经网络模型的输出层只设定为两大类岩石类型。由于MATLB软件无法识别汉字，因为将输出结果设定为数字，1—沉积岩，2—岩浆岩。

当BP神经网络模型构建好之后，利用101个样本数据进行预测，预测结果如表1所示，表中左侧为输入参数(分别为所测Si、Al、Ca的含量)；右侧目标岩性即岩石原本已鉴定的岩石类型，预测岩性即通过输入参数的值经过神经网络的划分来预测出的岩石类型(1-沉积岩，2-岩浆岩)其中83个样本数据预测准确，精度达到82.2%。岩浆岩样本数量61，其中51个数据预测准确，精度达到83.6%；沉积岩样本数量40，其中32个数据预测准确，精度达到80.0%；预测结果与岩心资料匹配度高，说明本文利用BP神经网络方法来划分成岩石类型方法是可行的。

4 沉积岩、岩浆岩识别模型建立

通过上述过程研究，本文建立起图版与神经网络共同工作的混合模型。

由图版(图3)可知：

在x为7Ca+3Al与y为2Si+3Al图版中：

(1)0.5668x-83.403+y≤0的区域为岩浆岩区；

(2)0.5668x-83.403+y≥0且0.602x-4.0668≥0的区域为岩浆岩与沉积岩的混合区；

(3)0.5668x-83.403+y≥0且0.602x-4.0668≤0的区域为沉积岩区

(4)混合区中的岩石样品利用神经网络工具进行判别；

(5)结合图版与神经网络，得出沉积岩与岩浆岩的划分模型。

表1 BP神经网络对沉积岩、岩浆岩识别结果(部分)

注：1—沉积岩．2—岩浆岩

图3 元素7Ca+3Al与2Si+3Al交会划分沉积岩、岩浆岩模型图版

图4 沉积岩、岩浆岩图版验证结果

5 模型验证

在收集的X衍射数据中选取未参与图版划分以及神经网络的数据中，选取100个岩浆岩数据和100个沉积岩数据，利用建立好的沉积岩、岩浆岩划分图版与BP神经网络模型对所选数据进行预测，经统计所得结果如图4和表2所示：

沉积岩数据在图版中可区分的理论数值为40，实际数值为38；在BP神经网络中区分的理论数值为60，实际数值为49，错误数为11，误差率18.3%。岩浆岩数据可在图版中可区分的理论数值为23，实际数值为25；在BP神经网络中应区分的理论数值为77，实际数值为63，错误数值为14，误差率18.2%。综合预测，该模型准确率为85.5%，基本符合区分沉积岩、岩浆岩岩石类型的实验要求。

表2 模型预测沉积岩、岩浆岩岩石类型结果

6 结语

(1)利用元素交会法，我们得出了x为7Ca+3Al，y为2Si+3Al的沉积岩、岩浆岩的岩性大类划分图版，其能够解决元素含量与岩性关系的线性数据问题，划分出部分沉积岩与岩浆岩，其准确率约为94%，但是存在混合岩性区不能划分。

(2)通过训练BP神经网络模型，可以解决图版中不能划分的混合岩区，得出非线性数据之间的映射关系，其准确率约为82%。

(3)结合元素交会法划分岩性大类图版与BP神经网络模型，解决了元素含量与沉积岩、岩浆岩之间线性与非线性数据的问题，成功利用Si、Ca、Al、Fe的元素含量，划分出了沉积岩与岩浆岩的岩性大类，且准确率较高。

[1]袁祖贵,等.地层元素测井(ECS)—一种全面评价储层的测井新技术[J].原子能科学技术.2004.38(增刊):208.

[2]袁祖贵.用地层元素测井(ECS)资料评价复杂地层岩性变化[J].核电子学与探测技术.2005.25(3).

[3]张峰,刘军涛,冀秀文，等.地层元素测井技术最新进展及其应用[J].同位素.2011(4)增刊.

[4]李舟波,王祝文.科学钻探中的元素测井技术[J].地学前缘.1998.5(122).

[5]韩琳.元素俘获谱测井(ECS)在火成岩岩性识别与储层评价中的应用研究[D].长春:吉林大学.2009.

[6]刘全稳. 测井神经网络技术综述[J]. 石油地球物理勘探.1996(S1):64-69.

[7]梅红, 张厚福, 孙红军,等. 神经网络技术在测井相分析及水淹层判别中的应用[J]. 中国石油大学学报:自然科学版.1997(3):24-28.

[8]朱大奇. 人工神经网络研究现状及其展望[J]. 江南大学学报:自然科学版.2004(01):103-110.

[9]吴灿灿, 李壮福. 基于BP神经网络的测井相分析及沉积相识别[J]. 煤田地质与勘探.2012.40(1):68-71.

[10]陈钢花, 胡琮, 曾亚丽,等. 基于BP神经网络的碳酸盐岩储层缝洞充填物测井识别方法[J]. 石油物探.2015.54(1):99-104.

[11]罗利. 神经网络在测井解释中的应用[J]. 天然气工业.1997(5):23-26.

[12]肖慈珣, 娄建立, 谭世君. 神经网络技术用于测井解释的评述[J]. 测井技术.1999.

[13]李道伦, 卢德唐, 孔祥言,等. BP神经网络隐式法在测井数据处理中的应用[J]. 石油学报.2007.28(3):105-108.

Sedimentaryrockandmagmaticrockidentificationmethodbasedonformationelementloggingdata

WANGShu-zhen，LIBei

(Northwestern University, State Key Laboratory of continental dynamics,Shaanxi,Xian,710069)

The ECS logging has unique significance in identifying the sedimentary rock and magmatic rock. Based on the data of sedimentary rocks and magmatic rocks collected, the lithological identification pattern were established by using Si, Ca and Al elements, and the neural network model was established by using Si, Ca, Al and Fe. It is possible to accurately classify the linear part of sedimentary rocks and magmatic rocks by using the elemental pattern. BP neural network has a unique advantage in solving the nonlinear relationship between elemental pattern and sedimentary rocks, magmatic lithology. Based on the the ECS logging, the lithologic identification pattern and BP neural network are used to establish the sedimentary rock and magmatic rock identification model, and the reliability of the model is proved by the data of the model. The research of this paper is of great significance to master the elemental identification of lithology and to apply the ECS logging technique extensively.

sedimentary rock；magmatic rock；ECS logging；elemental pattern；BP neural network

P588

A

1004-1184(2017)06-0110-03

2017-08-14

西北大学创新基金项目(2017125)

王淑真(1997-)，女，山东泰安人，主攻方向：地质学。