不同尺度地学数据的岩石岩性识别方法对比

朱雨星 王一帆　郭宁　赵元国　仰春颖

摘 要

岩石岩性识别是从事地学研究的一项基础性工作。不同的数据采集方法提供了不同尺度下的岩石岩性响应特征。结合前人研究成果，本文对岩石薄片图像、测井数据和地震数据三类地学数据的特点进行分析，并对基于这三类数据的岩石岩性识别原理进行总结，以及相应的自动识别方法进行对比。

关键词

岩石岩性;识别方法;不同尺度;地学数据

中图分类号： P313.1                        文献标识码： A

DOI：10.19694/j.cnki.issn2095-2457.2020.05.051

0 前言

从事地学相关问题的研究，例如地质建模，储层预测等，岩石岩性识别是一项相当重要和基础性的工作。岩性是岩石各类特征的总和，例如矿物成分，颜色和构造等。岩性识别是依据岩石特征，使用各类方法对其岩性进行认识和区分的过程[1]。岩性识别方法又与被分析数据对象的尺度存在联系。常见的被分析数据对象包括：岩石薄片图像，测井数据和地震数据。这三类数据在分析尺度上存在明显差异。岩石薄片是对岩石岩性的直接反应，不同类型的矿物成分在偏光薄片图像和正交偏光薄片图像中存在明显的特征，其分析尺度最小，相应的分辨率最高。而测井反映了地下岩石的不同物理特征，是岩石矿物成分、结构和孔隙度等信息的综合反映[2]。因此，利用测井方法确定地下岩石岩性，往往需要对多条测井曲线数据进行综合分析或采用特殊的测井仪器提高分析结果的准确率。相对于岩石薄片图像，测井数据的分析尺度更大，其分辨率依然相对较高。地震数据直接反映的是地层间的波阻抗差异，而构建波阻抗的岩石速度与密度往往与岩石岩性有着直接联系。通常利用地震数据反演地层的弹性参数，进而推断出地下地层的岩石岩性。受制于地震震源的信号特征，相比薄片图像和测井数据，地震数据的分析尺度大了很多，垂向分辨率低。但地震数据的优势在于其横向对比追踪地层的能力，能在更大范围内对地层的岩石岩性进行分析。本文在前人研究的基础上，针对这三类地学数据特点和相应的岩性识别方法进行对比分析与总结。

1 岩石薄片

物理测试通过对岩石显微图像、矿物成分和晶体结构等特征进行分析，进而确定出岩石岩性。它是确定岩石岩性最为直接的手段。相关方法包括扫描电镜、X射线衍射、岩石薄片图像分析等，其中基于岩石薄片图像的分析方法是最为常见。岩石薄片是在岩样上取得的一小块岩片，并将其磨制成几十微米厚的薄片。使用偏光显微镜，对其进行观察和图像采样，以确定岩样的岩石矿物成分，结构和构造等特征，并进一步对岩石岩性进行判断。为了观察岩样内部孔隙、喉道及其相应的联通特征的方便，将彩色胶体或树脂注入岩石内部，然后进一步加工制成铸体薄片。

在以往的岩石识别分析过程中，测试人员以观察岩石薄片图像的方式桂岩石岩性进行分析与识别。这种方法存在明显不足，识别结果很大程度上依赖于实验人员的个人经验、判断标准不统一，存在处理效率不高。为了解决上述問题，程国建和郭超提出采用神经网络来对岩石岩性进行自动识别[3，4]。首先使用图像处理技术对岩石薄片图像进行特征提取，例如，不同区域的大小和比例，连通区域所占比例和数量等。然后，使用神经网络模型建立提出特征与岩石岩性间的对应关系，即使用已知信息对网络模型的参数进行训练与更新。最后获得的神经网络模型就可被用来对岩石薄片所对应的岩性进行自动识别。

特征的选择与被分析岩石类型特点、人员的主观经验等因素都有关。选择的图像特征是否能反映不同岩石岩性间的差异，这很大程度上依赖人的主观经验。以深度学习算法为代表的机器学习方法快速发展与应用，解决了特征需要人工指定的问题。深度学习，特别是卷积神经网络，通过大量被标定的图像或数据进行训练，不断更新其内部网格参数。直接利用卷积神经网络来实现对岩石薄片图像进行自动岩性识别也存在问题。由于卷积神经网络模型结构，相比传统的神经网络结构，其中间层更多，即深度更大，相应训练网络参数的硬件成本与时间成本更高，所需的训练样本也以几十万，甚至百万计。迁移学习方式就可规避以上问题，该方法针对特定问题，对已训练好的网络模型结构和参数进行适当的改造，通过较少数据集的训练，来达到自动识别对象的目的。张野采用Google的Inception-V3模型成功对花岗岩、千枚岩和角砾岩三类岩性进行自动识别[5]。每种岩性的薄片图像为500张左右，而训练Inception-V3模型所需数据为120万张图像，实现对1000个类型对象进行自动识别分类。程国建也采用了类似方法对岩石图像进行分类[6]。由此可见，使用迁移学习方法能发挥成熟神经网络模型的优势与识别能力，大大降低解决类似问题的成本。

2 测井数据

虽然岩石薄片图像可被用来对岩石岩样进行直观分析，但岩石薄片的制成成本较高，不利于大规模和快速使用。测井技术通过测井仪器采集岩石的各类物理特征，它是岩石矿物成分，结构和构造等特性的综合反映。

要建立测井数据与岩石岩性的对应关系，首先应结合目的层段的岩心、岩屑和岩石薄片图像的鉴定结果，确定出不同岩性的测井响应特征;再基于该特征使用各类方法来构建岩性识别模型对地下地层的岩性进行判别。对岩石岩性进行有效识别，应采用多种不同响应特征的测井曲线进行综合分析。刘国全等在研究沧东凹陷致密油岩性时，针对储层中岩屑岩包含中酸性火成岩成分时，使得高伽玛值的测井响应特征，而无法使用单一测井方法将其与泥岩相区分的特点，使用伽玛、电阻率、声波、密度测井曲线进行综合分析[7]。周波等针对火山岩成分复杂多变的特点，为提高岩性识别的准确率，提出使用伽玛、密度、中子、声波和深侧向电阻率5种常规测井曲线进行分析[8]。随着测井技术的发展，一些特殊的测井手段也被用于直接判断岩石岩性。例如：地层微电阻率扫描测井（FMI），该技术具有高采样率和高纵向分辨率，可在测量所得图像中对井壁地层的细微变换进行直观分析。不同岩性在FMI图像上显示出不同的特征。因此，在对被研究区的FMI图像进行精细解释的基础上，可建立针对不同岩性的识别模式[9，10]。地层元素俘获测井（ECS）从岩石化学成分的角度解决岩石岩性识别问题[11]。

由于测井曲线众多，不同测井曲线间存在不同程度的信息重叠。同时，对测井数据的再加工也是常见的技术手段，周波和王满使用灰度共生矩阵对测井图像进行提取，获取能反映岩性特征的对比度、能量、熵等多种纹理特征[8，10]。为降低测井数据的复杂度，提高计算效率，使用主成分分析法（PCA）自动对测井曲线进行优选，找到最能反映岩石岩性特征又彼此独立的信息，降低对个人经验的依赖[12]。

交会图法是最为常见的岩性识别方法[13，14]，该方法是将岩样投影到多维度的测井特征空间。如果选取的测井响应特征得当，相同岩性的岩样就会彼此聚集，进而可建立岩性识别图版。如何根据识别目标选择恰当的测井响应特征和如何解决不同岩性在特征空间存在的重叠问题依然是一项挑战。BP神经网络也应用于识别岩石岩性[15]。该方法是将岩样的不同测井响应特征作为输入，岩样岩性作为输出，对BP神经网络的模型参数进行训练，以此建立测井响应特征与岩性间的非线性关系。由于BP神经网络自身存在缺陷，例如泛化能力有限、输入特征的选择有赖于个人经验，收敛速度不可控等。于代国和朱怡翔提出使用支持向量机来构建识别模型，其思想是利用核函数将岩样空间映射到特征空间，在更高维度上进行岩石岩性识别[2，16]。贝叶斯判断[17]，核Fisher判别法[18]和深度学习[19，20，21]也被应用于基于测井数据的岩石岩性判别。

3 地震数据

利用地震数据来确定地下地层岩性，大致采用两类方法：地震属性和地震反演。

地震属性是利用各类数学算法提取地震数据体内包含的多种信息。前人将地震属性归类为振幅、波形和相位等8大类别91种属性，用以反映出地震波的几何形态、运动学，动力学和统计特征，服务于构造解释、储层预测和油藏描述等地学相关研究[22，23]。不同地震属性能在不同程度上反映出地下地层的某种物理特征，加上地震属性众多，所以要利用地震属性对岩石岩性进行判断与识别，首先应对地震属性进行优选，例如采用相关分析挑选出与岩石岩性关联度更大的地震属性。其次，应对地震属性进行标定，即建立目标层段的地震数据与地质特征之间的对应关系。主要是利用临井的已知信息，例如岩心、岩性薄片的岩性分析结果，测井数据的解释结果等。标定能将小尺度数据的高精度识别结果与地震数据进行有机结合。最后，单一地震属性往往无法取得较好的识别效果，应结合多种地震属性进行综合分析，例如几种地震属性进行交汇分析;将地震属性与构造图相结合进行分析;或利用聚类分析、模式识别和神经网络等多种机器学习方法[24]。

借助于岩石物理分析，可建立弹性参数与储层地质特征的桥梁。对地震数据进行反演处理获得弹性参数。在弹性参数的基础上，就可使用多种方法对岩性进行识别。例如：使用统计方法获得不同岩性的弹性参数范围，建立不同岩性的弹性参数量板。结合弹性参数量板，就可地震数据进行岩石岩性识别处理。由于在不同岩性之间，其弹性参数往往存在重叠，上述方法的识别精度有效。使用交會图法能将不同岩性的弹性参数在更高维度上进行区分，但该方法依然会存在弹性参数存在重叠的情况。通过叠前反演，可获得众多弹性参数信息。例如，纵横波阻抗、泊松比等。将叠前反演与随机反演相结合，形成地质统计学的反演方法;或在加入模型作为约束的条件下，进行AVO纵横波的联合反演，以增加反演结果的稳定和可靠[25，26]。

4 总结

岩石薄片图像、测井数据和地震数据是岩石在不同尺度下的响应特征。利用不同尺度数据进行岩性识别时，相应的原理存在差异。岩石薄片图像是岩石矿物成分、结构和构造等特征的直观反映;测井数据是岩石多种因素的综合响应;地震数据与岩石岩性间的关系并不直接，而是需要提取地震属性或反演弹性参数来间接建立彼此对应关系。在识别过程中，小尺度数据的识别结果可作为大尺度数据的先验信息。各类数据的自动识别方法存在较大的相似性，大多是利用人工方式或自动算法来提取数据中的特征，结合先验信息，利用交会或机器学习算法等方法建立线性或非线性的识别模型，最后对整个目标区的岩石岩性进行自动识别。

参考文献

[1]付光明， 严加永， 张昆， et al. 岩性识别技术现状与进展[J]. 地球物理学进展， 2017（01）：32-46.

[2] 于代国， 孙建孟， 王焕增， et al. 测井识别岩性新方法--支持向量机方法[J]. 大庆石油地质与开发， 2005， 24（5）：93-95.

[3] 程国建， 马微， 魏新善， et al. 基于图像处理与神经网络的岩石组构识别[J]. 西安石油大学学报（自然科学版）， 2013（05）：12+117-122.

[4] 郭超， 刘烨. 多色彩空间下的岩石图像识别研究[J]. 科学技术与工程， 2014， 14（18）：247-251.

[5] 张野， 李明超， 韩帅. 基于岩石图像深度学习的岩性自动识别与分类方法[J]. 岩石学报， 2017， 34（2）.

[6] 程国建， 郭文惠， 范鹏召. 基于卷积神经网络的岩石图像分类[J]. 西安石油大学学报（自然科学版）， 2017（4）.

[7] 刘国全 贾丽， 李凤霞， et al. 沧东凹陷致密油岩性识别方法研究[J]. 特种油气藏， 2014， 21（3）：18-22.

[8] 周波， 李舟波， 潘保芝. 火山岩岩性识别方法研究[J]. 吉林大学学报（地球科学版）， 2005， 35（3）：394-0397.

[9] 陈钢花， 吴文圣， 毛克宇. 利用地层微电阻率扫描图像识别岩性[J]. 石油勘探与开发， 2001， 28（2）：53-55.

[10] 王满， 薛林福， 潘保芝. FMI图像纹理统计方法识别火成岩岩性[J]. 测井技术， 2009（02）：12-16.

[11] 魏国， 赵佐安. 元素俘获谱（ECS）测井在碳酸盐岩中的应用探讨[J]. 测井技术， 2008， 32（3）.

[12] 张洪， 邹乐君， 沈晓华. BP神经网络在测井岩性识别中的应用[J]. 地质与勘探， 2002（06）：65-67.

[13] 陈小军， 罗顺社， 张凌. 火山熔岩特征及岩性识别方法[J]. 油气地球物理， 2009（02）：20-23.

[14] 张晏奇. 测井资料交会图法在火山岩岩性识别中的应用探讨[J]. 西部探矿工程， 2019， 31（04）：57-58.

[15] 张洪， 邹乐君， 沈晓华. BP神经网络在测井岩性识别中的应用[J]. 地质与勘探（6）：65-67.

[16] 朱怡翔， 石广仁. 火山岩岩性的支持向量机识别[J]. 石油学报， 2013（02）：116-126.

[17] 陈军， 范晓敏， 莫修文. 火山碎屑岩岩性的测井识别方法[J]. 吉林大学学报（地球科学版）， 2007（S1）：104-118.

[18] 王鹏， 胡向阳， 魏水建. 基于核Fisher判别的复杂储层岩性识别[J]. 科学技术与工程， 2017（31）：35-40.

[19] 安鹏， 曹丹平. 基于深度学习的测井岩性识别方法研究与应用[J]. 地球物理學进展， 2018（3）.

[20] 张治国， 杨毅恒， 夏立显. 自组织特征映射神经网络在测井岩性识别中的应用[J]. 地球物理学进展， 2005（2）.

[21] Computer vision-based limestone rock-type classification using probabilistic neural network[J]. 地学前缘：英文版， 2016（1期）：53-60.

[22] 张延玲， 杨长春， 贾曙光. 地震属性技术的研究和应用[J]. 地球物理学进展， 2005， 20（4）.

[23] 熊翥. 地层、岩性油气藏地震勘探方法与技术[J]. 石油地球物理勘探， 2012（01）：4+14-31+201.

[24] 王静， 张军华， 谭明友， et al. 砂砾岩致密油藏地震预测技术综述[J]. 特种油气藏， 2019， 26（01）：10-14.

[25] 陈昌. 叠前地震反演在清水地区砂砾岩优质储层预测中的应用[J]. 海洋地质前沿， 2017（6）.

[26] 王开燕， 林雨佳， 黄明威， et al. 基于叠前弹性反演的含气储层预测技术[J]. 地球物理学进展， 2016， 31（5）：2150-2159.