基于地層元素測井資料的沉積巖、巖漿巖識別方法

，

(西北大學(xué)大陸動力學(xué)國家重點(diǎn)實(shí)驗室，陜西 西安 710069)

基于地層元素測井資料的沉積巖、巖漿巖識別方法

王淑真，李蓓

(西北大學(xué)大陸動力學(xué)國家重點(diǎn)實(shí)驗室，陜西 西安 710069)

地層元素測井技術(shù)對沉積巖、巖漿巖巖性識別具有獨(dú)特意義。通過分析收集的沉積巖、巖漿巖數(shù)據(jù)，提出利用Si、Ca、Al三種元素建立巖性識別圖版，并利用Si、Ca、Al、Fe 四種元素，建立神經(jīng)網(wǎng)絡(luò)模型。利用元素含量交會法建立巖性圖版能準(zhǔn)確劃分沉積巖與巖漿巖的線性部分，BP神經(jīng)網(wǎng)絡(luò)對于解決元素含量與沉積巖、巖漿巖巖性之間的非線性關(guān)系具有獨(dú)特優(yōu)勢。本文基于地層元素測井資料，利用巖性識別圖版與BP神經(jīng)網(wǎng)絡(luò)，建立沉積巖、巖漿巖識別模型，用未參與建立模型的數(shù)據(jù)進(jìn)行驗證，證明模型的可靠性。本文的研究對于掌握元素含量識別巖性技術(shù)，拓展地層元素測井的應(yīng)用能力具有重要的意義。

沉積巖；巖漿巖；地層元素測井；元素圖版；BP神經(jīng)網(wǎng)絡(luò)

地層中元素含量對于判斷巖石類型具有重要意義。目前地層中已發(fā)現(xiàn)的元素雖然有100多種，但研究證實(shí)，各元素在地殼中的分布是極不均勻的，只相對集中于少數(shù)幾種元素。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種元素占地殼總質(zhì)量的98.13%，其余元素僅占1.87%。因此，只要精確測量到這些主要元素的含量，進(jìn)而研究所測元素與巖性對應(yīng)關(guān)系，就可以通過元素含量鑒別地殼的巖石類型。

地層元素測井，是通過測量中子與井眼周圍地層原子核發(fā)生非彈性散射、輻射俘獲等核反應(yīng)后產(chǎn)生的次生伽馬能譜，得到地層巖石骨架的Si，Ca，F(xiàn)e，S，Ti，Gd，Mg，K，Mn，Al等十余種元素的含量，進(jìn)而確定礦物含量和識別巖性[1～4]。隨著地層元素測井儀的不斷改進(jìn)和完善(元素含量精度不斷提高、元素含量種類不斷豐富、實(shí)現(xiàn)綠色環(huán)保測量)，其在復(fù)雜巖性地層、非常規(guī)油氣儲層領(lǐng)域中將會發(fā)揮越來越重要的作用[5]。

目前國內(nèi)外區(qū)分沉積巖、巖漿巖主要通過巖石礦物特征、地震資料解釋、觀察野外露頭、薄片研究、主微量元素分析，常用的測井方法有：交會圖法(張曉峰和范曉敏，2007；陶宏根等，2011；徐德龍等；2012)、成像測井(張瑩等，2007)以及各種數(shù)學(xué)判別分析方法(張學(xué)工等，1997；田玉昆等，2013)，其中神經(jīng)網(wǎng)絡(luò)法(劉爭平和何永富，1995；張治國等，2005)、支持向量機(jī)法(張爾華等，2011；韓學(xué)輝等，2013)和K近鄰方法(王淑盛等，2004)較為常用，這些方法各有其優(yōu)勢和局限性。

針對這些問題，本文主要基于地層元素測井所測元素含量，利用元素交會圖法和神經(jīng)網(wǎng)絡(luò)建立區(qū)分沉積巖、巖漿巖理論模型。元素交會圖可以準(zhǔn)確判斷元素與沉積巖、巖漿巖之間的線性關(guān)系；神經(jīng)網(wǎng)絡(luò)對于解決元素與沉積巖、巖漿巖之間的非線性關(guān)系具有獨(dú)特優(yōu)勢。結(jié)合二者建立沉積巖、巖漿巖識別模型，可以準(zhǔn)確、高效、系統(tǒng)的劃分元素與沉積巖、巖漿巖之間的關(guān)系，從而劃分鉆遇地層巖性，以滿足生產(chǎn)現(xiàn)場應(yīng)用需要。

1 模型原理

本文主要通過圖版線性區(qū)分與神經(jīng)網(wǎng)絡(luò)非線性區(qū)分結(jié)合使用。由于圖版可以使用excel 表格直接作圖。故本文只簡要介紹BP神經(jīng)網(wǎng)絡(luò)原理。

BP神經(jīng)網(wǎng)絡(luò)是一種通過誤差逆向傳播來改變算法權(quán)值的多層前端反饋網(wǎng)絡(luò)，它無需數(shù)學(xué)方程便可直接體現(xiàn)非線性數(shù)據(jù)之間的映射關(guān)系，正是因為這種性質(zhì)，BP神經(jīng)網(wǎng)絡(luò)成為了目前世界上應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[6～8]。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一般由三部分構(gòu)成(圖1)：輸入層、中間隱層和輸出層。輸入層是負(fù)責(zé)接收外界信號，輸入層接收的輸入信號，可以是單輸入信號也可以是多輸入信號。中間隱層是負(fù)責(zé)內(nèi)部信息處理，大多可以設(shè)計為單層或多層結(jié)構(gòu)，理論已經(jīng)證明，一個三層網(wǎng)絡(luò)可以任意精度實(shí)現(xiàn)各種復(fù)雜的非線性映射，因此一個三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型便可以解釋大部分測井問題了[9～13]。設(shè)計中間層的時，還需要確定神經(jīng)元數(shù)量、訓(xùn)練函數(shù)等。輸出層是負(fù)責(zé)輸出處理結(jié)果。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練流程如下：

第一步：正向輸入樣本數(shù)據(jù)，設(shè)置參數(shù)，選定訓(xùn)練函數(shù)。

第二步：當(dāng)輸出值與期望值不符時，誤差進(jìn)行反向逐層傳遞，并且會根據(jù)誤差減小最快的方向(一般為梯度方向)逐層修改各個神經(jīng)元的權(quán)系數(shù)。

第三步：直到誤差滿足要求或者達(dá)到設(shè)定的訓(xùn)練次數(shù)時停止訓(xùn)練，輸出結(jié)果。

2 元素與沉積巖、巖漿巖關(guān)系研究

在沉積巖研究過程中，我們收集了9067個巖石X衍射數(shù)據(jù)，涵蓋了中國大部分含油氣盆地。在巖漿巖研究過程中，我們收集了中國19個省、4個自治區(qū)、3個直轄市以及中國臺灣共計7834個巖漿巖數(shù)據(jù)利用這些樣品的X衍射數(shù)據(jù)計算元素Si、Al、Ca含量并通過Excel繪制了一系列散點(diǎn)圖，如x軸Ca+Si與y軸Si+3Al-Ca、x軸3Ca+Al與y軸2Si+3Al等等，經(jīng)對應(yīng)比較得出x軸：7Ca+3Al、y軸：2Si+3Al區(qū)分性良好，該圖表(圖2)主要分為三個區(qū)域：Ⅰ區(qū)在左下半?yún)^(qū)，為巖漿巖區(qū)，較獨(dú)立，主要為超基性巖與部分基性巖；Ⅱ區(qū)在右下半?yún)^(qū)，為沉積巖區(qū)，區(qū)分度較好，主要為白云巖碳酸鹽巖和方解石碳酸鹽巖，含有少量黏土巖及雜巖；Ⅲ區(qū)在中上部，為混合區(qū)，不能很好得區(qū)分巖漿巖與沉積巖的巖石類型。因此，對于Ⅲ區(qū)混合區(qū)內(nèi)的巖石類型我們需要訓(xùn)練神經(jīng)網(wǎng)絡(luò)來進(jìn)行進(jìn)一步區(qū)分。

圖2 元素7Ca+3Al與2Si+3Al交會與沉積巖、巖漿巖關(guān)系研究圖版

3 神經(jīng)網(wǎng)絡(luò)算法建立

利用MATLAB內(nèi)置軟件工具箱建立BP神經(jīng)網(wǎng)絡(luò)模型，可以節(jié)省大量時間，同時也可以避免編寫計算機(jī)程序的煩惱。BP神經(jīng)網(wǎng)絡(luò)模型在測井中的應(yīng)用一般由輸入層、隱含層、和輸出層三部分組成。模型的具體構(gòu)建方法如下：

3.1 構(gòu)建輸入層

用神經(jīng)網(wǎng)絡(luò)對研究區(qū)內(nèi)成巖石類型劃分，就是建立一種成巖石類型與巖石中所測元素含量之間的映射關(guān)系。根據(jù)巖石中所測巖石含量不同，選定所測元素Si的含量、所測元素Al的含量和所測元素Ca的含量三類元素含量數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入層

3.2 構(gòu)建隱含層

確定BP神經(jīng)網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)量、和傳遞函數(shù)就是確定BP神經(jīng)網(wǎng)絡(luò)隱含層。現(xiàn)有理論證明，通過改變神經(jīng)元數(shù)量，只含有一個隱含層的BP神經(jīng)網(wǎng)絡(luò)模型可以充分預(yù)測大部分巖石類型區(qū)分問題。但是如果神經(jīng)元數(shù)量過多就會大大增加訓(xùn)練時間，影響效率，反之，如果神經(jīng)元數(shù)量過少則又會影響精度。所以，在BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建中，先采用較小的神經(jīng)元數(shù)量，再逐漸增加，直到誤差滿足訓(xùn)練要求。BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)有多種，不同函數(shù)有不同的性質(zhì)(線性傳遞或非線性傳遞)對應(yīng)不同的輸入、輸出范圍。經(jīng)過研究試驗，最終確定神經(jīng)元數(shù)量為200，訓(xùn)練函數(shù)為TRAINLM，適應(yīng)學(xué)習(xí)函數(shù)類型為LEARNGDM,誤差分析為MSE。

3.3 構(gòu)建輸出層

目前，對巖石類型劃分主要為沉積巖五類：碎屑巖、雜巖、黏土巖、方解石碳酸鹽巖、白云巖碳酸鹽巖；巖漿巖四類：超基性巖、基性巖、中性巖、酸性巖。而根據(jù)本文的主要研究內(nèi)容，將BP神經(jīng)網(wǎng)絡(luò)模型的輸出層只設(shè)定為兩大類巖石類型。由于MATLB軟件無法識別漢字，因為將輸出結(jié)果設(shè)定為數(shù)字，1—沉積巖，2—巖漿巖。

當(dāng)BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建好之后，利用101個樣本數(shù)據(jù)進(jìn)行預(yù)測，預(yù)測結(jié)果如表1所示，表中左側(cè)為輸入?yún)?shù)(分別為所測Si、Al、Ca的含量)；右側(cè)目標(biāo)巖性即巖石原本已鑒定的巖石類型，預(yù)測巖性即通過輸入?yún)?shù)的值經(jīng)過神經(jīng)網(wǎng)絡(luò)的劃分來預(yù)測出的巖石類型(1-沉積巖，2-巖漿巖)其中83個樣本數(shù)據(jù)預(yù)測準(zhǔn)確，精度達(dá)到82.2%。巖漿巖樣本數(shù)量61，其中51個數(shù)據(jù)預(yù)測準(zhǔn)確，精度達(dá)到83.6%；沉積巖樣本數(shù)量40，其中32個數(shù)據(jù)預(yù)測準(zhǔn)確，精度達(dá)到80.0%；預(yù)測結(jié)果與巖心資料匹配度高，說明本文利用BP神經(jīng)網(wǎng)絡(luò)方法來劃分成巖石類型方法是可行的。

4 沉積巖、巖漿巖識別模型建立

通過上述過程研究，本文建立起圖版與神經(jīng)網(wǎng)絡(luò)共同工作的混合模型。

由圖版(圖3)可知：

在x為7Ca+3Al與y為2Si+3Al圖版中：

(1)0.5668x-83.403+y≤0的區(qū)域為巖漿巖區(qū)；

(2)0.5668x-83.403+y≥0且0.602x-4.0668≥0的區(qū)域為巖漿巖與沉積巖的混合區(qū)；

(3)0.5668x-83.403+y≥0且0.602x-4.0668≤0的區(qū)域為沉積巖區(qū)

(4)混合區(qū)中的巖石樣品利用神經(jīng)網(wǎng)絡(luò)工具進(jìn)行判別；

(5)結(jié)合圖版與神經(jīng)網(wǎng)絡(luò)，得出沉積巖與巖漿巖的劃分模型。

表1 BP神經(jīng)網(wǎng)絡(luò)對沉積巖、巖漿巖識別結(jié)果(部分)

注：1—沉積巖．2—巖漿巖

圖3 元素7Ca+3Al與2Si+3Al交會劃分沉積巖、巖漿巖模型圖版

圖4 沉積巖、巖漿巖圖版驗證結(jié)果

5 模型驗證

在收集的X衍射數(shù)據(jù)中選取未參與圖版劃分以及神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)中，選取100個巖漿巖數(shù)據(jù)和100個沉積巖數(shù)據(jù)，利用建立好的沉積巖、巖漿巖劃分圖版與BP神經(jīng)網(wǎng)絡(luò)模型對所選數(shù)據(jù)進(jìn)行預(yù)測，經(jīng)統(tǒng)計所得結(jié)果如圖4和表2所示：

沉積巖數(shù)據(jù)在圖版中可區(qū)分的理論數(shù)值為40，實(shí)際數(shù)值為38；在BP神經(jīng)網(wǎng)絡(luò)中區(qū)分的理論數(shù)值為60，實(shí)際數(shù)值為49，錯誤數(shù)為11，誤差率18.3%。巖漿巖數(shù)據(jù)可在圖版中可區(qū)分的理論數(shù)值為23，實(shí)際數(shù)值為25；在BP神經(jīng)網(wǎng)絡(luò)中應(yīng)區(qū)分的理論數(shù)值為77，實(shí)際數(shù)值為63，錯誤數(shù)值為14，誤差率18.2%。綜合預(yù)測，該模型準(zhǔn)確率為85.5%，基本符合區(qū)分沉積巖、巖漿巖巖石類型的實(shí)驗要求。

表2 模型預(yù)測沉積巖、巖漿巖巖石類型結(jié)果

6 結(jié)語

(1)利用元素交會法，我們得出了x為7Ca+3Al，y為2Si+3Al的沉積巖、巖漿巖的巖性大類劃分圖版，其能夠解決元素含量與巖性關(guān)系的線性數(shù)據(jù)問題，劃分出部分沉積巖與巖漿巖，其準(zhǔn)確率約為94%，但是存在混合巖性區(qū)不能劃分。

(2)通過訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型，可以解決圖版中不能劃分的混合巖區(qū)，得出非線性數(shù)據(jù)之間的映射關(guān)系，其準(zhǔn)確率約為82%。

(3)結(jié)合元素交會法劃分巖性大類圖版與BP神經(jīng)網(wǎng)絡(luò)模型，解決了元素含量與沉積巖、巖漿巖之間線性與非線性數(shù)據(jù)的問題，成功利用Si、Ca、Al、Fe的元素含量，劃分出了沉積巖與巖漿巖的巖性大類，且準(zhǔn)確率較高。

[1]袁祖貴,等.地層元素測井(ECS)—一種全面評價儲層的測井新技術(shù)[J].原子能科學(xué)技術(shù).2004.38(增刊):208.

[2]袁祖貴.用地層元素測井(ECS)資料評價復(fù)雜地層巖性變化[J].核電子學(xué)與探測技術(shù).2005.25(3).

[3]張峰,劉軍濤,冀秀文，等.地層元素測井技術(shù)最新進(jìn)展及其應(yīng)用[J].同位素.2011(4)增刊.

[4]李舟波,王祝文.科學(xué)鉆探中的元素測井技術(shù)[J].地學(xué)前緣.1998.5(122).

[5]韓琳.元素俘獲譜測井(ECS)在火成巖巖性識別與儲層評價中的應(yīng)用研究[D].長春:吉林大學(xué).2009.

[6]劉全穩(wěn). 測井神經(jīng)網(wǎng)絡(luò)技術(shù)綜述[J]. 石油地球物理勘探.1996(S1):64-69.

[7]梅紅, 張厚福, 孫紅軍,等. 神經(jīng)網(wǎng)絡(luò)技術(shù)在測井相分析及水淹層判別中的應(yīng)用[J]. 中國石油大學(xué)學(xué)報:自然科學(xué)版.1997(3):24-28.

[8]朱大奇. 人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望[J]. 江南大學(xué)學(xué)報:自然科學(xué)版.2004(01):103-110.

[9]吳燦燦, 李壯福. 基于BP神經(jīng)網(wǎng)絡(luò)的測井相分析及沉積相識別[J]. 煤田地質(zhì)與勘探.2012.40(1):68-71.

[10]陳鋼花, 胡琮, 曾亞麗,等. 基于BP神經(jīng)網(wǎng)絡(luò)的碳酸鹽巖儲層縫洞充填物測井識別方法[J]. 石油物探.2015.54(1):99-104.

[11]羅利. 神經(jīng)網(wǎng)絡(luò)在測井解釋中的應(yīng)用[J]. 天然氣工業(yè).1997(5):23-26.

[12]肖慈珣, 婁建立, 譚世君. 神經(jīng)網(wǎng)絡(luò)技術(shù)用于測井解釋的評述[J]. 測井技術(shù).1999.

[13]李道倫, 盧德唐, 孔祥言,等. BP神經(jīng)網(wǎng)絡(luò)隱式法在測井?dāng)?shù)據(jù)處理中的應(yīng)用[J]. 石油學(xué)報.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

西北大學(xué)創(chuàng)新基金項目(2017125)

王淑真(1997-)，女，山東泰安人，主攻方向：地質(zhì)學(xué)。