基于地层元素测井的混积岩岩性识别模型及应用*——以莱州湾凹陷KL油田沙三下亚段为例

张婕茹，刘文超，周连德，吕世聪，贾海松

(中海石油(中国)有限公司天津分公司渤海石油研究院，天津 300459)

陆源碎屑与碳酸盐的混合沉积现象在20世纪50年代就已被认识到，1984年Mount提出了“混合沉积物”的概念，用以表述陆源碎屑与碳酸盐混合沉积的产物，1990年杨朝青等首次提出“混积岩”这一说法。随着混积岩不断的被发现，对混积岩的研究也越来越多，已经成为近几年中外地质学者关注的热点[1-2]。混积岩是在一种特殊的混合沉积中形成的一类处于陆源碎屑岩和海相碳酸盐岩之间的过渡的岩石[3]，岩性较为复杂，储集空间类型多样且非均质性强，针对混积岩分类主要有三种划分方案：第一种是Mount提出的四端元(砂、异化粒、灰泥和泥质物)的立体图法[2]，但此方案缺乏直观的表述因此未被广泛运用；第二种是董桂玉提出的以陆源碎屑和碳酸盐两个端元进行分类的方法[4]，此种分类方案较为简单，但在命名中存在只考虑碳酸盐组分和陆源碎屑组分，而未考虑其他矿物组分的缺点，因此也很少被采用；第三种是由张雄华提出的以陆源碎屑组分、碳酸盐组分及黏土的三端元分类方案，此种方法除将粘土>50%的部分称为粘土岩之外，将碳酸盐含量为5%～95%，陆源碎屑含量5%～95%的混合沉积称混积岩，它将混积岩分为4种类型[5](见图1)，是目前运用最多的一种方案。本次混积岩研究也主要是按张雄华混积岩分类命名方案进行混积岩研究。

地层元素测井是运用非弹性散射和俘获伽马能谱剥谱分析结果同实验标准谱比对的方法对地层中Si、Ca、Fe、S、Ti、Gd等元素含量进行测定，进而对研究区沉积环境进行分析[6-7]。它可以从岩石成分的角度来分析岩性，是岩性识别的一种重要方法。决策树方法是一种不同于神经网络、支持向量机和贝斯网络的方法，它不属于“黑箱”模型，属于“白箱”模型。“黑箱”模型方法具有只能笼统的介绍样本数据和其属性之间的因果关系的缺点，而决策树方法可以清楚的表现出各个要素、相关因素以及过程的规律，对实际岩性预测具有很好的指导作用[8]。决策树方法已被运用到了砾岩及碳酸盐岩岩性识别中，并取得了较好的效果，但在混积岩岩性识别工作中还未得到运用，混积岩具有测井响应特征复杂，岩性识别困难的特点，单一测井曲线无法对混积岩进行识别，因此本次研究运用地层元素测井方法对研究区进行岩性识别与校正，运用决策树方法对识别后的混积岩岩性测井响应特征的进行规律总结，结合岩心资料、薄片资料及测井等资料对莱州湾凹陷KL油田沙三下亚段混积岩建立复杂混积岩的岩性分类器，在此基础上总结出了混积岩岩性测井识别CUTOFF值。为混积岩岩性测井识别提供了依据。

((a)长石溶蚀，粒间胶结物为丝片状伊/蒙混层；(b)粒间孔隙内充填白云石、次生加大石英和丝片状伊利石。(a)The feldspar is dissolved,and the intergranular cement is a filament-like I/matter mixed layer;(b)Intergranular pores filled with dolomite,secondary enlarged quartz and filament illite.)
图1 KL油田混积岩陆源碎屑岩扫描电镜照片
Fig.1 Scanning electron micrograph of terrigenous clastic rocks of mixed rock in KL oilfield

1 地质背景

区域上，研究区位于渤海南部海域莱州湾凹陷南部宽缓斜坡带高部位(见图2)，北侧紧邻莱州湾凹陷北洼，东侧紧邻莱州湾凹陷南次洼，是北洼和南次洼油气运聚的有利区带。研究区范围内钻井揭示的地层自上而下为第四系平原组、新近系明化镇组和馆陶组、古近系东营组和沙河街组以及中生界(未穿)[9-10]。钻井揭示的含油层位有新近系馆陶组和古近系沙三上段、沙三中段、沙三下亚段、沙四段以及中生界，其中馆陶组和沙三下亚段为本油田的主要含油层位。根据区域构造演化认识，油田范围内古近系地层早期(沙四段～沙三下亚段沉积时期)受控于潜山古地貌，地势呈东高西低；中期(沙三中段～东营组沉积时期)受构造反转影响，构造格局演变为西高东低，自西向东地层逐渐变厚；晚期(东营组沉积末期)受区域抬升影响地层遭受剥蚀[11-13]，油田范围内东一段地层整体缺失。沙三下亚段主要发育辫状河三角洲相，滨浅湖相以及扇三角洲相沉积。

图2 垦利地区位置、地层岩性剖面及油藏剖面示意图Fig.2 Location of the KL area,stratigraphic lithology and reservoir profile

2 常规岩性识别及分类

研究区主要发育辫状河三角洲沉积相、滨浅湖相、扇三角洲相3种不同的沉积相，沉积环境复杂，导致研究区沙三下亚段储层岩性复杂，主要发育混积岩、碎屑岩及火成岩三类岩性，根据岩心分析资料又可将研究区混积岩主要分为陆源碎屑质-碳酸盐混积岩、碳酸盐质-陆源碎屑岩混积岩，碎屑岩主要有泥岩、粉砂岩、泥质粉砂岩、细砂岩、含砾细砂岩5种类型。

通过对研究区岩石薄片分析统计可知(见图3)，研究区陆源碎屑岩主要以中细砂岩和粉砂岩为主，长石岩屑砂岩和岩屑长石砂岩为主要砂岩类型，其次为长石砂岩。研究区内碎屑岩的颗粒中石英含量为20%～60%，可见多期次生加大现象(见图1)，也可见颗粒破碎现象。研究区长石含量在20%～40%之间，长石易风化蚀变，相对石英、长石的稳定性较差，含量变化较大。

图3 砂岩成分三端元组分图及碎屑颗粒百分含量统计图Fig.3 Sandstone composition three-terminal component map and crumb particle percentage content statistics

根据混积岩分类命名方案[5]，可以看出研究区混积岩主要类型为陆源碎屑质碳酸盐混积岩和碳酸盐质陆源碎屑混积岩(见图4)。其中，陆源碎屑为火成岩岩块、长石和石英；碳酸盐主要呈泥晶状，I油组发育部分生物碎屑和鲕粒，鲕粒类型复杂，形状不一，核心多为陆源碎屑。岩石成分主要为方解石(45%)、泥质(25%)和陆源碎屑(30%)组成，方解石呈泥晶状，泥质与方解石混杂分布，陆源碎屑主要见花岗岩岩块，以及少量石英、长石和流纹岩岩块，部分泥质有向鳞片状伊利石转化的现象。总体来说，研究区岩性变化复杂，储层非均质性强。

(①土岩或泥岩；②混积砂质粘土岩或泥岩；③砂岩；④含陆源碎屑—碳酸盐混积岩；⑤陆源碎屑质—碳酸盐混积岩；⑥含碳酸盐—陆源碎屑混积岩；⑦碳酸质—陆源碎屑混积岩；⑧灰岩。①Soil rock or mudstone；②mixed sandy clay rock or mudstone；③Sandstone；④contains terrestrial debris-carbonate mixed rock；⑤Terrigenous clastic-carbonate mixed rock；⑥Carbonate-terrestrial debris Jishi；⑦Carbonate-Land Source Clastic Mixed Rock；⑧Limestone.)

图4 KL油田混积岩分类方案[5]及混积岩照片Fig.4 KL oilfield mixed rock classification scheme according to reference[5] and mixed rock photos

3 利用元素测井进行混积岩岩性校正

由于研究区沙三下亚段岩性极为复杂，取心井只有两口，仅仅依靠壁心、薄片对研究区沙三下亚段的岩心识别具有很大的难度，因此在常规岩性识别的基础上运用元素测井对研究区岩性进行了识别和校正。地层元素测井测量得到地层岩石骨架的Si、Ca、Fe、S、Ti、Gd、Mg、K、Mn、Al等10余种元素的含量主要用于确定矿物含量和识别岩性[1,12]。在研究区取心井原始岩性识别的基础上，结合壁心照片、薄片照片、元素测井资料，对岩性进行校正，可以发现1 243～1 280 m井段，从元素测井上可以看出白云质较为发育，从岩心照片上也可以看出主要为砂质白云岩，因此将岩性从砂岩校正为砂质白云岩。从1 256～1 280 m井段，方解石较为发育，因此将该井段岩性校正为灰质粉砂岩，通过岩心照片验证可知，校正后得到的岩性更符合研究区沙三下亚段实际情况的岩性(见图5)。

图5 KL-8井元素测井岩性校正图Fig.5 Elemental logging lithology correction map of KL-8 well

4 利用决策树算法建立混积岩岩性识别模型

地层元素测井对识别复杂岩性有很好的指导作用，但存在资料有限，岩性识别复杂且成本较高的缺点，因此在元素测井校正岩性后，结合校正后的岩性及测井曲线利用决策树方法建立了一套可用于识别混积岩岩性的模型[14]。

决策树是一个类似于流程图的树结构，其原理是通过对各种不同的数据样本的进行测试，将所得不同结果样本划分为不同的样本子集，每个分支代表一个测试点的输出，最终建立起一个可以找出数据样本记录与样本属性之间关系的树结构模型[15-18]。混积岩是在复杂沉积环境下形成一类过渡性岩性，岩石组分及测井响应特征也复杂多样，不同岩石组分的混积岩在测井响应上常常出现交错重叠的现象且单一测井曲线上的测井响应特征也不明显，因此，无法利用单一的测井曲线来进行混积岩的岩性识别，亟需利用多条测井曲线对混积岩岩性进行综合判定识别，而决策树方法可以清楚的表述出各种测井曲线与混积岩岩性之间的关系，因此，通过对不同测井曲线对混积岩复杂岩性的敏感度优选出声波时差(DT)、自然伽马(GR)、密度(ZDEN)、深侧向电阻率(RD)和补偿中子(CNCF)5种测井参数进行岩性的分类、识别、筛选，最终依据决策树构建法建立一套混积岩岩性识别模型。

首先利用研究区不同类型混积岩岩性的测井参数特征对不同岩性进行测井参数敏感性分析(见图6)。将泥岩、泥质灰岩、泥质白云岩、砂砾岩、砂质白云岩五种岩性测井参数概率密度分别投到5条测井曲线上，可以看出各种不同岩性所对应的测井响应参数大致分布范围，从得到的测井参数概率密度分布图可以看出，GR曲线对泥岩反应较为敏感多大于70API，但对混积岩反映不太敏感，ZDEN对灰岩的反映较为敏感而DT则对白云岩反映较为敏感。从图中可知通过测井参数概率密度分布特征可以将泥岩、灰岩和白云岩加以区分，而灰质白云岩和白云质灰岩、泥质灰岩和泥质白云岩这几种类型的混积岩则无法用单一的测井参数概率密度分布特征来加以区分。因此，在此5种测井参数中又任选了2种测井参数绘制出散点图矩阵，并对该散点矩阵进行进一步的分析得到其二维作伴及协方差矩阵，最后得到这两种曲线的二维测井参数90%置信度的置信椭圆，用以表征二维测井参数概率密度分布特征。

图6 测井参数概率密度分布图Fig.6 Logging parameter probability density distribution map

置信椭圆可以将2种测井曲线的异常点剔除，显示出具有代表性的测井参数，置信椭圆的宽窄表示测井参数之间的相关性，置信椭圆越窄，2种测井参数之间的相关性越好。通过得到的置信椭圆可以看出(见图7)，对于泥质灰岩和泥质白云岩来说，其声波时差和自然伽马的置信椭圆宽度较窄具有正相关性，因此可以利用声波时差和自然伽马来区分含泥质岩性。而对于灰岩和白云岩，其补偿中子和深侧向电阻率呈负相关，且灰岩和白云岩置信椭圆的重合面积较小，因此可以运用补偿中子及深侧向电阻率的相关性来区分灰岩和白云岩，这也好测井参数概率密度分布图中所得结果相吻合。

为了得到复杂混积岩的岩性分类模型，在测井参数概率密度分布特征及二维测井参数90%置信度的置信椭圆筛选结果的基础上运用决策树方法将研究区的所有测井参数数据进行汇总，建立不同岩性的测井参数样本集，针对各类岩性随机抽取200个测井参数样本，得到样本参数集。综合分析测井参数概率密度分布特征，选择声波时差(DT)、自然伽马(GR)、密度(ZDEN)、深侧向电阻率(RD)和补偿中子(CNCF)5种测井参数进行岩性分类、识别。通过对样本集的筛选测试最终得到所需的数据集，再依据决策树方法逐步建立可以识别复杂混积岩的岩性分类器(见图8)。

图7 二维测井参数90%置信度的置信椭圆Fig.7 Confidence ellipse for 90% confidence of two-dimensional logging parameters

图8 基于决策树方法的岩性识别模型及Cutoff值Fig.8 Lithology identification model and Cutoff value based on decision tree method

利用该模型对岩性进行分割，使得各子集各岩性类型的信息熵更小。首先选择信息熵变化最大的自然伽马进行分割，以自然伽马为70API作为节点，将整个样本集分为泥岩和非泥质岩性2个子集，自然伽马大于70API为含泥质岩性。自然伽马小于或等于70API的为非泥质岩性。然后对这两种岩性进行进一步的划分，当伽马大于75API时为纯质泥岩，而当伽马小于等于75API时，多为碳酸盐质泥岩，由于伽马测井参数很难进行下部分的区分，因此选择岩性区分变化最大的密度测井对碳酸盐质泥岩进行划分。当密度大于2.38 g/cm3时，为灰质泥岩的概率较大；密度小于2.38 g/cm3时，为白云质泥岩的概率较大。同理运用声波时差(DT)、密度(ZDEN)、深侧向电阻率(RD)和补偿中子(CNCF)等测井参数对非泥质岩性进行分类，每个决策树分支都可将测井数据划分为若干个子集，由多个决策树分支构成基于决策树方法的混积岩岩性识别模型，可以更加清晰地表征岩性分类的结构特征，在一定程度上提高了混积岩岩性识别的精度，并在此基础上总结出了混积岩岩性测井识别Cutoff值(见表1)，为混积岩岩性测井识别提供了依据。

图9 KL-1井原始岩性与校正岩性对比图Fig.9 Comparison of original lithology and corrected lithology of KL-1 well

表1 基于决策树方法的岩性识别Cutoff值Table 1 Lithology identification Cutoff value based on decision tree method

5 应用

利用决策树方法对KL油田其他各井进行岩性识别，以KL-1井为例(见图9)，将岩性识别的结果与测井、录井分析的岩性结果对比发现，在1 057～1 079 m井段，GR<70，100

6 结论

(1)通过岩心、薄片、壁心资料对研究区储层岩性特征及分类进行研究，并利用元素测井资料，结合测井曲线，岩心照片，对研究区各井进行岩性校正，研究区混积岩主要分为陆源碎屑质-碳酸盐混积岩、碳酸盐质-陆源碎屑岩混积岩，碎屑岩主要有泥岩、粉砂岩、泥质粉砂岩、细砂岩、含砾细砂岩五种类型，火成岩主要为凝灰岩。

(2)利用研究区不同混积岩岩性的测井参数特征，通过测井参数敏感性分析，选取声波时差(DT)、自然伽马(GR)、密度(ZDEN)、深侧向电阻率(RD)和补偿中子(CNCF)5种测井参数进行岩性分类、识别、筛选。在测井参数概率密度分布特征及二维测井参数90%置信度的置信椭圆筛选结果的基础上运用决策树方法将研究区的所有测井参数数据进行汇总，通过对不用岩性测井参数频率密度分布特征总结和分类，最终得到一套适合研究区混积岩岩性识别的模型及混积岩岩性测井识别Cutoff值。

(3)通过运用决策树方法得到的混积岩岩性识别模型及测井识别Cutoff值对研究区其他井混积岩进行识别校正符合率较高，总体符合率到达80%，可以在混积岩岩性识别中进行运用。