應(yīng)用測井資料定量識別碳酸鹽巖沉積微相
——以川東北元壩地區(qū)長興組為例

肖 何， 張超謨， 蘇向群

(長江大學(xué)地球物理與石油資源學(xué)院，油氣資源與勘探技術(shù)教育部重點實驗室，武漢 430100)

碳酸鹽巖沉積微相測井識別主要是人為對比測井響應(yīng)，選取不同響應(yīng)層段進行精細劃分[1-4]，這顯然會導(dǎo)致識別過程耗時耗力。目前沉積微相特征的識別主要基于測井曲線幅度的大小或不同形態(tài)性質(zhì)的變化[5-8]。近年來，也出現(xiàn)了一些新的識別方法用于定量識別沉積微相，比如歐成華等[9]使用層次分析方法刻畫相標志；李國欣等[10]利用成像測井孔隙度譜分析對巖相進行劃分；于民鳳等[11]通過蜘蛛網(wǎng)圖和梯形圖分析了不同的沉積相帶特征，總體看來，由于沉積微相的識別受到區(qū)塊地質(zhì)因素的影響，未能有一套成熟的識別方法，故如何有效結(jié)合實際區(qū)塊地質(zhì)信息建立適合本區(qū)塊的識別方法成為研究重點。而結(jié)合地質(zhì)學(xué)科方法和數(shù)理統(tǒng)計方法，利用機器學(xué)習(xí)代替人工將大大減少沉積微相劃分所帶來的重復(fù)性操作和巨大工作量[12-14]。隨著技術(shù)的發(fā)展，電成像測井技術(shù)由于其直觀性和高精度性被廣泛利用在各類測井評價中[15-16]。

在電成像定性分析的基礎(chǔ)上使用常規(guī)測井數(shù)據(jù)定量識別沉積微相，與傳統(tǒng)的全數(shù)理統(tǒng)計特征識別不同，采用人機聯(lián)作對沉積微相加以劃分，構(gòu)建能更加精細化分碳酸鹽巖沉積微相的機器學(xué)習(xí)模型，并利用該方法結(jié)合模型對研究區(qū)未建模井段進行評價劃分。經(jīng)過對比驗證，該模型解釋結(jié)果與實際情況相符，實現(xiàn)了由測井資料對沉積微相的自動精細識別，極大減少了人工劃分所需工作量。

圖1 川東北地區(qū)元壩構(gòu)造單元區(qū)劃及地層發(fā)育簡圖Fig.1 Regionalization and stratigraphic development of Yuanba tectonic unit in Northeast Sichuan

1 地質(zhì)背景及構(gòu)造

元壩氣田地理位置位于四川省蒼溪縣及閬中市境內(nèi)。構(gòu)造位置位于四川盆地川北坳陷與川中低緩構(gòu)造帶結(jié)合部，西北與九龍山背斜構(gòu)造帶相接，東北與通南巴構(gòu)造帶相鄰，南部與川中低緩構(gòu)造帶相連(圖1)。

由區(qū)域地質(zhì)背景知，元壩長興組是晚二疊世晚期沉積的一套臺地礁、灘相碳酸鹽地層，礁灘相儲層具有多期次發(fā)育、側(cè)向疊加的特征，為了能精細的刻畫礁、灘相儲層在空間的變化，有必要對長興組進行細分。

2 測井沉積微相識別原理及思路

測井沉積相研究就是通過分析測井系統(tǒng)信息，對區(qū)塊沉積環(huán)境和沉積物性質(zhì)進行劃分，不同的沉積環(huán)境在測井信息上的反映也會不同。根據(jù)現(xiàn)有方法，主要利用常規(guī)測井及電成像測井結(jié)合進行沉積微相的識別。

2.1 常規(guī)測井識別沉積微相的基本原理

沉積微相研究是以大量的巖心資料和測井資料作為劃分的重要基礎(chǔ)信息。但取心成本高，耗時長，要展開對整個地區(qū)的沉積微相識別，則需要充分挖掘測井曲線的數(shù)值和形態(tài)特征，進行沉積相的測井響應(yīng)劃分[17]。

能顯示沉積相標志的測井曲線有：電阻率取值(RD)、自然電位(SP)、自然伽馬(GR)、補償中子(CNL)、巖性密度(DEN)、聲波時差(AC)。其中應(yīng)用最普遍的是自然伽瑪(GR)、電阻率曲線(RD)[18]。

判別沉積相可以從以下測井曲線特征來定性分析[17-18]。

(1)曲線幅度比：測井曲線的幅度的變化一般由于沉積環(huán)境的改變引起，例如砂巖和泥巖由于分選條件不同造成幅度的差異不同，在曲線形態(tài)上有明顯的高低幅度之分。因此曲線幅度可以作為劃分巖性，粒度等特征，進而作為劃分沉積環(huán)境和水動力條件的依據(jù)。

(2)線形態(tài)：通過分析曲線形態(tài)的變化，可大致分為指形、鐘形、齒形、漏斗形、箱型等，指型反映高能沉積條件下的薄層粗粒堆積；鐘型反映流體能量向上逐漸減弱；漏斗形反映流體能量向上逐漸增強，顆粒變粗，分選性好；箱形反映沉積過程中物源充足且能量相同。測井曲線的形態(tài)會隨著巖性、分選性、粒度等特征不同而變化，因此可通過劃分曲線形態(tài)來反映沉積環(huán)境和沉積旋回類別。

(3)曲線光滑級別：測井曲線的光滑程度是水動力穩(wěn)定與否的體現(xiàn)，水動力條件越穩(wěn)定，曲線越是光滑，反正韻律性水動力條件會造成曲線的齒化，通過研究曲線的齒化程度可以表征該沉積環(huán)境的水動力穩(wěn)定與否。

2.2 電成像測井識別沉積微相的基本原理

對于碳酸鹽巖儲層來說，雖然不同沉積微相各個類型的儲層常規(guī)測井響應(yīng)有差異，但有些并不明顯，如GR、AC曲線數(shù)值變化范圍較小，不易識別劃分，而電成像測井圖像的高分辨率、直觀性及連續(xù)性對沉積特征，特別是沉積微相特征的判斷是很有效的。因此用電成像圖像顏色和結(jié)構(gòu)的組合變化來描述沉積微相是十分必要的。電成像測井圖像可以通過圖像顏射和圖形結(jié)構(gòu)劃分沉積相。其中主要通過靜態(tài)的電成像測井圖像顏色的深淺來區(qū)別高阻塊和低阻塊。一般深色區(qū)代表高阻區(qū)塊，淺色區(qū)代表低阻區(qū)塊，另外由于顏色變化的均勻與否可以更加精細地定義為斑塊相、互層相和遞變層狀相。觀察電成像動態(tài)圖像，可以劃分不同的結(jié)構(gòu)，例如斑狀、層狀、塊狀[19-20]。

3 各沉積微相測井響應(yīng)特征

3.1 礁蓋沉積微相

測井曲線特征：自然伽馬曲線呈箱形，微球電阻率曲線呈箱形夾復(fù)合指性，深淺電阻率曲線呈箱形夾鐘形。自然伽馬一般為8～12 API,微球電阻率一般為20～10 000 Ω·m，深淺電阻率一般為80～70 000 Ω·m。巖性以灰?guī)r類為主，含有白云巖類。

電成像曲線表現(xiàn)為低阻交錯狀暗斑相。靜態(tài)圖來看，地層整體電阻率較低；動態(tài)圖中可以看出裂縫及溶孔較為發(fā)育。

3.2 礁核沉積微相

測井曲線特征：自然伽馬曲線呈箱形，中子孔隙度曲線呈箱形，深淺電阻率呈齒化箱形。自然伽馬值一般為7～20 API，中子孔隙度為0～8%，微球電阻率一般為10～420 Ω·m，深淺電阻率一般為360～90 000 Ω·m。巖性灰?guī)r為主，摻雜多類巖性。

電成像上一般表現(xiàn)為低阻變形層暗斑相。

3.3 礁基沉積微相

測井曲線特征：自然伽馬曲線呈箱形，聲波時差曲線呈箱形夾鐘形，微球呈指形。自然伽馬為7～16 API，聲波時差45～55 μs/ft，微球電阻率為1 100～99 000 Ω·m，深淺電阻率一般為70 600～90 300 Ω·m。巖性以灰?guī)r類為主，摻雜少量白云巖類和含云質(zhì)灰?guī)r類。

電成像一般表現(xiàn)高阻塊狀相，靜態(tài)圖為亮色表現(xiàn)為高電阻率特征，整體比較致密，孔洞、裂縫不發(fā)育。

3.4 灘間沉積微相

測井曲線特征為：自然伽馬曲線呈箱形夾鐘形；電阻率曲線為箱型夾指形，深淺電阻率曲線呈箱型。自然伽馬一般為15～67 API，微球電阻率一般為55～9 990 Ω·m，深淺側(cè)向電阻率一般為5 411～46 999 Ω·m。巖性以灰?guī)r類為主，摻雜灰質(zhì)白云巖類。

電成像表現(xiàn)為高阻遞變層狀相，靜態(tài)圖像整體為亮色，表現(xiàn)為高電阻率；動態(tài)圖像中可見裂縫發(fā)育，溶孔、洞不發(fā)育，整體較為致密。

3.5 潮坪沉積微相

測井曲線特征為：自然伽馬曲線呈箱形，聲波時差呈齒化箱形，深淺電阻率呈箱形。自然伽馬一般為20～42 API,聲波時差一般為45～54 μs·ft，深淺電阻率為400～14 000 Ω·m。

3.6 瀉湖沉積微相

測井曲線特征為：自然伽馬曲線呈箱形夾漏斗形，光電吸收截面為箱形夾形，聲波時差曲線呈齒化箱形，深淺電阻率為復(fù)合齒化箱形。自然伽馬一般為20～65 API,光電吸收截面指數(shù)一般為5～16 B/E,聲波時差一般為45～55 μs·ft,深淺電阻率一般為1 000～44 000 Ω·m。主要巖性為云質(zhì)灰?guī)r類，摻雜部分白云巖類。

電成像一般表現(xiàn)為高阻變形層狀相，靜態(tài)圖像整體為亮色表現(xiàn)為高電阻率；動態(tài)圖像中可見裂縫發(fā)育，溶孔、洞不發(fā)育，整體較為致密。

3.7 高能臺緣灘沉積微相

測井曲線特征為：自然伽馬曲線呈箱形夾指形；微球電阻率曲線為指形，深淺電阻率曲線呈鐘形，聲波時差曲線呈鐘形。自然伽馬一般為10～18 API，微球電阻率一般為25～190 Ω·m，深淺側(cè)向電阻率一般為48～2 000 Ω·m，聲波時差一般為45～57 μs·ft。主要巖性為灰?guī)r類和白云巖類，摻雜灰質(zhì)白云巖類和含云質(zhì)灰。

電成像一般表現(xiàn)為低阻變形層狀暗斑相。

3.8 低能臺緣灘沉積微相

測井曲線特征為：自然伽馬曲線呈齒化箱形；電阻率曲線呈鐘形。自然伽馬一般為8～11 API，微球電阻率一般為10～470 Ω·m，深淺側(cè)向電阻率一般為8 400～75 000 Ω·m。巖性以灰?guī)r類為主，摻雜少量白云巖、云質(zhì)灰?guī)r類。

電成像一般表現(xiàn)為高阻塊狀相，從靜態(tài)圖來看，溶孔較為發(fā)育，裂縫不發(fā)育。

3.9 高能臺內(nèi)灘沉積微相

測井曲線特征為：自然伽馬曲線呈箱形；電阻率曲線呈箱形；電阻率曲線呈箱形夾鐘形。自然伽馬值一般為10～20 API，微球電阻率一般為3～8 Ω·m，深淺側(cè)向電阻率一般為240～10 000 Ω·m，聲波時差一般46～54 μs·ft。其中巖性以白云巖類為主，摻雜灰?guī)r類。

電成像一般表現(xiàn)為低阻交錯層狀相，靜態(tài)圖像顯示為暗色，屬于高電阻率層，從動態(tài)圖像來看，溶孔、洞不發(fā)育，整體物性較差，可見部分誘導(dǎo)縫。

3.10 低能臺內(nèi)灘沉積微相

測井曲線特征為：自然伽馬曲線呈箱形；電阻率曲線呈箱形夾指形。自然伽馬一般為10～25 API，微球電阻率一般為1.2～7 Ω·m深淺側(cè)向電阻率一般為3 000～80 000 Ω·m。其中巖性以灰?guī)r類為主，摻雜部分白云巖類。

電成像曲線一般表現(xiàn)為高阻塊狀相，靜態(tài)圖像為亮色，說明整體電阻率較高，動態(tài)圖像中有溶孔發(fā)育，裂縫不發(fā)育，整體呈現(xiàn)塊狀結(jié)構(gòu)特征。

綜上所述，元壩地區(qū)長興組的主要沉積微相為礁蓋、礁基、礁核、灘間、潮坪、瀉湖、高能臺緣灘、低能臺緣灘、高能臺內(nèi)灘、低能臺內(nèi)灘；依據(jù)常規(guī)測井曲線形態(tài)與電成像動靜態(tài)圖建立了測井相-沉積微相的對應(yīng)關(guān)系(圖2～圖4)。

4 測井曲線自動分層

沉積相的分析，需要建立在已經(jīng)劃分層段的基礎(chǔ)上對各層段的信息綜合考慮。故如何做到通過測井曲線進行沉積相的分層是首要問題。一直以來，沉積相劃分都是人為主控，通過經(jīng)驗來進行層段劃分，不僅主觀影響大，且工作效率低。因此若能通過機器自動識別劃分來代替人工識別，可以極大地避免主觀誤差，提升效率。

自動分層是數(shù)學(xué)模型和測井鄰域的結(jié)合，主要步驟有三種。

(1)對測井值進行方差計算，因為沉積相層與層間差異變化不一。同時求曲線斜率、拐點、極值等數(shù)學(xué)信息[21]。

(2)根據(jù)測井值進行巖石屬性的判定或計算巖石的隸屬度[22-23]，把同種巖性進行歸并，從而實現(xiàn)分層。

(3)基于流體性質(zhì)的流動單元法劃分地層[24]。現(xiàn)今測井分層主要有兩種方法：數(shù)理統(tǒng)計方法、非數(shù)理統(tǒng)計方法。數(shù)理統(tǒng)計方法有層內(nèi)差異法、系統(tǒng)聚類分析、極值方差聚類方法和變點分析法[25-27]；非數(shù)理統(tǒng)計方法分別為小波變換、活度函數(shù)法；這兩種方法各有優(yōu)缺點。數(shù)理統(tǒng)計方法嚴格按照數(shù)學(xué)規(guī)則，因此計算繁雜，耗時長，且單純用數(shù)學(xué)方法去分層，忽略了地質(zhì)情況，并不能符合地區(qū)多變性[28]。非數(shù)理統(tǒng)計方法中，應(yīng)用效果比較好的活度函數(shù)識別曲線特征快速但是局限于曲線數(shù)量，無法從整體提取曲線特征，因此需要使用主成分分析來進行特征重疊的篩選[29]；小波變換分析是基于多重多模擬逐級人工解釋，準確率高，但同樣受整體曲線特征干擾，并且小波變換對于小波的選取一直沒有良好的解決方法，故不宜采用。主要采取的方法為數(shù)理統(tǒng)計方法中的系統(tǒng)聚類方法，通過MATLAB編程達到自動分層目的，很好地解決了計算量較大的問題。系統(tǒng)聚類在此過程中要用到類間距離，對應(yīng)于不同的類間距離，即產(chǎn)生系統(tǒng)聚類的不同方法，常用的有最小距離法、最大距離法、組間平均法、組內(nèi)平均法、質(zhì)心聚類法、中間距離法、離差平方和法等。不同的方法只是計算類間距離的公式不同。聚類過程完全一樣。系統(tǒng)聚類將得到一系列分類，要確定一個合適的分類。在多次聚類對比結(jié)果發(fā)現(xiàn)質(zhì)心聚類更符合地質(zhì)信息結(jié)果，因此選用系統(tǒng)聚類中的質(zhì)心聚類方法。質(zhì)心聚類算法原理是基于隨機選取K個中心點進行聚類，并分別計算K個類別的質(zhì)心，不斷循環(huán)，使得質(zhì)心與中心點重疊達到聚類目的：①隨機選取K個中心點；②分別計算樣本點到K個中心點的距離，劃分樣本點到相似度最高的中心點類別中；③分別計算聚類成功的K類質(zhì)點；④計算K類質(zhì)點到原始中心點的距離，重復(fù)前三步，達到兩點重疊。

圖2 礁相不同沉積微相測井特征模式Fig.2 Logging characteristics pattern of different sedimentary microfacies in reef facies

圖3 臺地相不同沉積微相測井特征模式Fig.3 Logging characteristics pattern of different sedimentary microfacies in paltform facies

圖4 陸架相不同沉積微相測井特征模式Fig.4 Logging characteristics pattern of different Sedimentary microfacies in shoal facies

測井信息有著高分辨、高連續(xù)性的特征，但是由于地質(zhì)情況復(fù)雜，干擾元素多，使得測井曲線會出現(xiàn)毛刺等噪聲反映，這些會極大影響聚類效果。一般經(jīng)典的中值濾波方法[30]、平滑濾波方法[31]或者小波變換濾波法[32]效果比較好。采用中值濾波的方法，圖5為濾波前后的自然伽馬曲線，可以看出中值濾波后的自然伽馬曲線較好的去掉了毛刺干擾。

圖5 中值濾波前后對比Fig.5 Comparison before and after median filtering

將濾波后的自然伽馬曲線利用上述系統(tǒng)聚類方法進行沉積微相層位的劃分。首先，對已知元壩地區(qū)長興組沉積微相的21口井的層位數(shù)量進行統(tǒng)計分析，發(fā)現(xiàn)大多數(shù)井以6～12個層位為主；因此，為保證預(yù)測井層位劃分的可靠性，在未知具體層數(shù)的情況下，考慮設(shè)定層位數(shù)目能適應(yīng)大部分井的情況，分別設(shè)置聚類個數(shù)為10～18個，進行多次模擬實驗，結(jié)果表明將大多數(shù)預(yù)測井層位劃分到15層時分層效果最好；因此，聚類個數(shù)設(shè)置為15。在得到每口井的層位劃分結(jié)果后，可以結(jié)合解釋經(jīng)驗，對得到的層位進行合并。將最終結(jié)果與已知沉積微相的層位進行對比，如圖6所示相似度在82%左右。

圖6 元壩XX1井質(zhì)心聚類預(yù)測分層合并結(jié)果Fig.6 The results of hierarchical merging prediction by centroid clustering in Yuanba XX1 well

5 沉積微相判別模型

5.1 測井曲線特征提取

由于地層沉積過程中存在旋回特性，因此在不同時期沉積特點不同，周期性的變化反映到測井曲線上會更加清晰，不同曲線的形態(tài)差異反映不同沉積模式，因此為了更好地分辨沉積相，需要對曲線的形態(tài)和數(shù)理特征進行探究。

5.1.1 比幅度

曲線幅度是測井曲線的基本信息，其基值一般是由泥巖段曲線值確定。因此泥巖基線并不只是傳統(tǒng)的放射性測井曲線或自然電位曲線基線值，各種曲線都存在基線。因此不同的曲線幅度綜合信息不僅可以反映巖性變化還能從宏觀上指示層段厚度，構(gòu)造特征。

5.1.2 變差方差根

變差方差根G測井曲線段中鋸齒的大小和整個數(shù)據(jù)波動性的大小可用來區(qū)分測井沉積相，方差S2的大小可以反映數(shù)據(jù)整體波動性的大小，例如對ps數(shù)據(jù)來說,其公式為:

(1)

(2)

其次,引入地質(zhì)統(tǒng)計學(xué)中變差函數(shù)這個基本工具,它可以反映鋸齒的多少和大小。以ps數(shù)據(jù)來說,變差函數(shù)公式為

(3)

式(3)中：γ*(h)為曲線平均波動幅度；N(h)是間隔為h的數(shù)據(jù)對[ps(i),Ps(i+h)]的數(shù)目。由于鋸齒指的是在小距離上較大的波動,故只取h=1、h=2兩個公式就夠了。當鋸齒較多且較大時,r*(1)和r*(2)都會較大,否則就較小。它們主要反映的是曲線局部波動性的大小,而S2則反映曲線段整體波動性的大小,把這二者綜合起來,再取其平方根(為了使量綱與原變量一致),就構(gòu)成了變差方差根GS[33-34]:

(4)

變差方差根對曲線的整體波動情況和齒化情況有良好的反映,GS越小,代表曲線光滑，反映在沉積相環(huán)境穩(wěn)定，分選磨圓好。

5.1.3 平均中位數(shù)

測井曲線的幅度是沉積物沉積能量的反映,用平均中位數(shù)A來反映沉積環(huán)境變化快慢[35]。設(shè)測井序列為A(i=1,2，…,n),測井曲線幅度可以用平均中位數(shù)ave來表示:ave=0.5(A+ME);其中，A為數(shù)據(jù)序列的算術(shù)平均數(shù),ME為數(shù)據(jù)序列的中位數(shù)。

5.1.4 平均幅度(K)

平均幅度K是反映測井曲線的起伏變化程度，主要描述沉積環(huán)境和水動力條件。其公式為

(5)

式(5)中：Xn(m)代表第n段曲線第m個取樣點的曲線數(shù)據(jù)。

5.2 機器學(xué)習(xí)方法

機器學(xué)習(xí)是可實現(xiàn)人工智能的方法，是指利用計算機學(xué)習(xí)某種樣本分布形式及輸入輸出關(guān)系，以期獲取新的知識并不斷改善自身的性能，最后對未知的事件進行預(yù)測。機器學(xué)習(xí)算法的類別主要可分為聚類、分類以及回歸。常見的算法有神經(jīng)網(wǎng)絡(luò)、支持向量機、隨機森林、深度學(xué)習(xí)等[36-38]。

由于測井解釋問題十分切合于機器學(xué)習(xí)的概念，機器學(xué)習(xí)在測井解釋中運用十分廣泛，常見的例子有利用神經(jīng)網(wǎng)絡(luò)計算孔隙度，利用聚類自動識別巖性等等。針對研究區(qū)多種沉積微相問題，選取Fisher判別法進行沉積微相識別，下面對Fisher判別法介紹應(yīng)用[39]。

5.2.1 Fisher判別

Fisher判別原理：維數(shù)變換是數(shù)理統(tǒng)計中最常見的問題，多維數(shù)據(jù)無法具象性表示，故很難進行簡單的低維數(shù)據(jù)處理，降維是數(shù)理統(tǒng)計過程中重要的一步。如何將多維空間的數(shù)據(jù)映射到一維空間不是一件難事，關(guān)鍵在于多類數(shù)據(jù)映射之后能否找到其間的隔斷點，使得類別更好地分開，因此這條映射的一維向量方向顯得尤為重要，F(xiàn)isher判別就是為了解決這一向量尋取的算法。

(1) 判別函數(shù)

設(shè)有k個總體G1,G2,…,Gk，抽取樣品數(shù)分別為n1,n2,…,nk，令

為第i個總體的第α個樣品觀測向量。假設(shè)所建立的判別函數(shù)為

(6)

(7)

(8)

要使其達到最大，令

由此可見λ和c是A、E的廣義特征向量?？蓸?gòu)造m個判別函數(shù)：

yt(x)=c(i)′x,i=1,2，…,m

(9)

用λ1,λ2,…λm,(λ1≥λ2≥,…,λm≥0)表示全部非零特征根，l1,l2…，lm為相應(yīng)的特征向量，當α=l1時，可使Δα達到極大。

(2)判別準則

5.3 應(yīng)用實例

通過上述數(shù)學(xué)公式對曲線形態(tài)進行定量標定，并通過計算已經(jīng)解釋的不同沉積相段包括比幅度、變差方差根、平均中位數(shù)、平均幅度等參數(shù)的波動和范圍情況作為判別參照，建立判別公式，將研究區(qū)10類沉積微相對應(yīng)編號如表1，通過SPSS軟件中Fisher判別機器學(xué)習(xí)算法，建立沉積微相判別模型，并對進行回判劃分，結(jié)果見表2。表2可以看出，沉積微相在Fisher判別模型預(yù)測回判率為81.3%。

將系統(tǒng)聚類得到整口井的分層結(jié)果，分別用Fisher判別法進行沉積微相的預(yù)測，元壩XX1井預(yù)測結(jié)果如圖7所示。

表1 10類沉積微相對應(yīng)編號

表2 沉積微相Fisher回判結(jié)果

圖7 元壩XX1井沉積微相預(yù)測結(jié)果Fig.7 Prediction results of sedimentary microfacies in Yuanba XX1 well

6 結(jié)論

(1)使用測井曲線特征識別沉積微相的方法常用來對非取心井進行解釋。以常規(guī)測井資料為主結(jié)合電成像，通過機器自動識別方法可快速有效的劃分碳酸鹽巖沉積微相，并建立元壩地區(qū)長興組碳酸鹽巖沉積相識別庫。

(2)應(yīng)用系統(tǒng)聚類方法進行測井曲線自動分層原理簡單、計算量小、分層速度快。但不適合綜合多條測井曲線信息，并且測井曲線毛刺較多一般需要濾波，目前主要通過經(jīng)驗和不斷實驗來選取合適的曲線和濾波方法，沒有具體的選取方法和標準，不易操作。

(3)通過Fisher判別法所建立沉積微相測井判別模型的精度高低很大程度上取決于建模所選參數(shù)是否合適，所建模型參數(shù)對沉積微相的地質(zhì)特征刻畫越精確，模型的識別率就越高。因此為達到更好的預(yù)測效果，第一應(yīng)改進算法的判別準確性，第二應(yīng)深入對地質(zhì)構(gòu)造，沉積特征的精細剖析。