不同尺度地學(xué)數(shù)據(jù)的巖石巖性識別方法對比

朱雨星 王一帆　郭寧　趙元國　仰春穎

摘 要

巖石巖性識別是從事地學(xué)研究的一項基礎(chǔ)性工作。不同的數(shù)據(jù)采集方法提供了不同尺度下的巖石巖性響應(yīng)特征。結(jié)合前人研究成果，本文對巖石薄片圖像、測井?dāng)?shù)據(jù)和地震數(shù)據(jù)三類地學(xué)數(shù)據(jù)的特點進(jìn)行分析，并對基于這三類數(shù)據(jù)的巖石巖性識別原理進(jìn)行總結(jié)，以及相應(yīng)的自動識別方法進(jìn)行對比。

關(guān)鍵詞

巖石巖性;識別方法;不同尺度;地學(xué)數(shù)據(jù)

中圖分類號： P313.1 ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.05.051

0 前言

從事地學(xué)相關(guān)問題的研究，例如地質(zhì)建模，儲層預(yù)測等，巖石巖性識別是一項相當(dāng)重要和基礎(chǔ)性的工作。巖性是巖石各類特征的總和，例如礦物成分，顏色和構(gòu)造等。巖性識別是依據(jù)巖石特征，使用各類方法對其巖性進(jìn)行認(rèn)識和區(qū)分的過程[1]。巖性識別方法又與被分析數(shù)據(jù)對象的尺度存在聯(lián)系。常見的被分析數(shù)據(jù)對象包括：巖石薄片圖像，測井?dāng)?shù)據(jù)和地震數(shù)據(jù)。這三類數(shù)據(jù)在分析尺度上存在明顯差異。巖石薄片是對巖石巖性的直接反應(yīng)，不同類型的礦物成分在偏光薄片圖像和正交偏光薄片圖像中存在明顯的特征，其分析尺度最小，相應(yīng)的分辨率最高。而測井反映了地下巖石的不同物理特征，是巖石礦物成分、結(jié)構(gòu)和孔隙度等信息的綜合反映[2]。因此，利用測井方法確定地下巖石巖性，往往需要對多條測井曲線數(shù)據(jù)進(jìn)行綜合分析或采用特殊的測井儀器提高分析結(jié)果的準(zhǔn)確率。相對于巖石薄片圖像，測井?dāng)?shù)據(jù)的分析尺度更大，其分辨率依然相對較高。地震數(shù)據(jù)直接反映的是地層間的波阻抗差異，而構(gòu)建波阻抗的巖石速度與密度往往與巖石巖性有著直接聯(lián)系。通常利用地震數(shù)據(jù)反演地層的彈性參數(shù)，進(jìn)而推斷出地下地層的巖石巖性。受制于地震震源的信號特征，相比薄片圖像和測井?dāng)?shù)據(jù)，地震數(shù)據(jù)的分析尺度大了很多，垂向分辨率低。但地震數(shù)據(jù)的優(yōu)勢在于其橫向?qū)Ρ茸粉櫟貙拥哪芰?，能在更大范圍?nèi)對地層的巖石巖性進(jìn)行分析。本文在前人研究的基礎(chǔ)上，針對這三類地學(xué)數(shù)據(jù)特點和相應(yīng)的巖性識別方法進(jìn)行對比分析與總結(jié)。

1 巖石薄片

物理測試通過對巖石顯微圖像、礦物成分和晶體結(jié)構(gòu)等特征進(jìn)行分析，進(jìn)而確定出巖石巖性。它是確定巖石巖性最為直接的手段。相關(guān)方法包括掃描電鏡、X射線衍射、巖石薄片圖像分析等，其中基于巖石薄片圖像的分析方法是最為常見。巖石薄片是在巖樣上取得的一小塊巖片，并將其磨制成幾十微米厚的薄片。使用偏光顯微鏡，對其進(jìn)行觀察和圖像采樣，以確定巖樣的巖石礦物成分，結(jié)構(gòu)和構(gòu)造等特征，并進(jìn)一步對巖石巖性進(jìn)行判斷。為了觀察巖樣內(nèi)部孔隙、喉道及其相應(yīng)的聯(lián)通特征的方便，將彩色膠體或樹脂注入巖石內(nèi)部，然后進(jìn)一步加工制成鑄體薄片。

在以往的巖石識別分析過程中，測試人員以觀察巖石薄片圖像的方式桂巖石巖性進(jìn)行分析與識別。這種方法存在明顯不足，識別結(jié)果很大程度上依賴于實驗人員的個人經(jīng)驗、判斷標(biāo)準(zhǔn)不統(tǒng)一，存在處理效率不高。為了解決上述問題，程國建和郭超提出采用神經(jīng)網(wǎng)絡(luò)來對巖石巖性進(jìn)行自動識別[3，4]。首先使用圖像處理技術(shù)對巖石薄片圖像進(jìn)行特征提取，例如，不同區(qū)域的大小和比例，連通區(qū)域所占比例和數(shù)量等。然后，使用神經(jīng)網(wǎng)絡(luò)模型建立提出特征與巖石巖性間的對應(yīng)關(guān)系，即使用已知信息對網(wǎng)絡(luò)模型的參數(shù)進(jìn)行訓(xùn)練與更新。最后獲得的神經(jīng)網(wǎng)絡(luò)模型就可被用來對巖石薄片所對應(yīng)的巖性進(jìn)行自動識別。

特征的選擇與被分析巖石類型特點、人員的主觀經(jīng)驗等因素都有關(guān)。選擇的圖像特征是否能反映不同巖石巖性間的差異，這很大程度上依賴人的主觀經(jīng)驗。以深度學(xué)習(xí)算法為代表的機(jī)器學(xué)習(xí)方法快速發(fā)展與應(yīng)用，解決了特征需要人工指定的問題。深度學(xué)習(xí)，特別是卷積神經(jīng)網(wǎng)絡(luò)，通過大量被標(biāo)定的圖像或數(shù)據(jù)進(jìn)行訓(xùn)練，不斷更新其內(nèi)部網(wǎng)格參數(shù)。直接利用卷積神經(jīng)網(wǎng)絡(luò)來實現(xiàn)對巖石薄片圖像進(jìn)行自動巖性識別也存在問題。由于卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中間層更多，即深度更大，相應(yīng)訓(xùn)練網(wǎng)絡(luò)參數(shù)的硬件成本與時間成本更高，所需的訓(xùn)練樣本也以幾十萬，甚至百萬計。遷移學(xué)習(xí)方式就可規(guī)避以上問題，該方法針對特定問題，對已訓(xùn)練好的網(wǎng)絡(luò)模型結(jié)構(gòu)和參數(shù)進(jìn)行適當(dāng)?shù)母脑欤ㄟ^較少數(shù)據(jù)集的訓(xùn)練，來達(dá)到自動識別對象的目的。張野采用Google的Inception-V3模型成功對花崗巖、千枚巖和角礫巖三類巖性進(jìn)行自動識別[5]。每種巖性的薄片圖像為500張左右，而訓(xùn)練Inception-V3模型所需數(shù)據(jù)為120萬張圖像，實現(xiàn)對1000個類型對象進(jìn)行自動識別分類。程國建也采用了類似方法對巖石圖像進(jìn)行分類[6]。由此可見，使用遷移學(xué)習(xí)方法能發(fā)揮成熟神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢與識別能力，大大降低解決類似問題的成本。

2 測井?dāng)?shù)據(jù)

雖然巖石薄片圖像可被用來對巖石巖樣進(jìn)行直觀分析，但巖石薄片的制成成本較高，不利于大規(guī)模和快速使用。測井技術(shù)通過測井儀器采集巖石的各類物理特征，它是巖石礦物成分，結(jié)構(gòu)和構(gòu)造等特性的綜合反映。

要建立測井?dāng)?shù)據(jù)與巖石巖性的對應(yīng)關(guān)系，首先應(yīng)結(jié)合目的層段的巖心、巖屑和巖石薄片圖像的鑒定結(jié)果，確定出不同巖性的測井響應(yīng)特征;再基于該特征使用各類方法來構(gòu)建巖性識別模型對地下地層的巖性進(jìn)行判別。對巖石巖性進(jìn)行有效識別，應(yīng)采用多種不同響應(yīng)特征的測井曲線進(jìn)行綜合分析。劉國全等在研究滄東凹陷致密油巖性時，針對儲層中巖屑巖包含中酸性火成巖成分時，使得高伽瑪值的測井響應(yīng)特征，而無法使用單一測井方法將其與泥巖相區(qū)分的特點，使用伽瑪、電阻率、聲波、密度測井曲線進(jìn)行綜合分析[7]。周波等針對火山巖成分復(fù)雜多變的特點，為提高巖性識別的準(zhǔn)確率，提出使用伽瑪、密度、中子、聲波和深側(cè)向電阻率5種常規(guī)測井曲線進(jìn)行分析[8]。隨著測井技術(shù)的發(fā)展，一些特殊的測井手段也被用于直接判斷巖石巖性。例如：地層微電阻率掃描測井（FMI），該技術(shù)具有高采樣率和高縱向分辨率，可在測量所得圖像中對井壁地層的細(xì)微變換進(jìn)行直觀分析。不同巖性在FMI圖像上顯示出不同的特征。因此，在對被研究區(qū)的FMI圖像進(jìn)行精細(xì)解釋的基礎(chǔ)上，可建立針對不同巖性的識別模式[9，10]。地層元素俘獲測井（ECS）從巖石化學(xué)成分的角度解決巖石巖性識別問題[11]。

由于測井曲線眾多，不同測井曲線間存在不同程度的信息重疊。同時，對測井?dāng)?shù)據(jù)的再加工也是常見的技術(shù)手段，周波和王滿使用灰度共生矩陣對測井圖像進(jìn)行提取，獲取能反映巖性特征的對比度、能量、熵等多種紋理特征[8，10]。為降低測井?dāng)?shù)據(jù)的復(fù)雜度，提高計算效率，使用主成分分析法（PCA）自動對測井曲線進(jìn)行優(yōu)選，找到最能反映巖石巖性特征又彼此獨立的信息，降低對個人經(jīng)驗的依賴[12]。

交會圖法是最為常見的巖性識別方法[13，14]，該方法是將巖樣投影到多維度的測井特征空間。如果選取的測井響應(yīng)特征得當(dāng)，相同巖性的巖樣就會彼此聚集，進(jìn)而可建立巖性識別圖版。如何根據(jù)識別目標(biāo)選擇恰當(dāng)?shù)臏y井響應(yīng)特征和如何解決不同巖性在特征空間存在的重疊問題依然是一項挑戰(zhàn)。BP神經(jīng)網(wǎng)絡(luò)也應(yīng)用于識別巖石巖性[15]。該方法是將巖樣的不同測井響應(yīng)特征作為輸入，巖樣巖性作為輸出，對BP神經(jīng)網(wǎng)絡(luò)的模型參數(shù)進(jìn)行訓(xùn)練，以此建立測井響應(yīng)特征與巖性間的非線性關(guān)系。由于BP神經(jīng)網(wǎng)絡(luò)自身存在缺陷，例如泛化能力有限、輸入特征的選擇有賴于個人經(jīng)驗，收斂速度不可控等。于代國和朱怡翔提出使用支持向量機(jī)來構(gòu)建識別模型，其思想是利用核函數(shù)將巖樣空間映射到特征空間，在更高維度上進(jìn)行巖石巖性識別[2，16]。貝葉斯判斷[17]，核Fisher判別法[18]和深度學(xué)習(xí)[19，20，21]也被應(yīng)用于基于測井?dāng)?shù)據(jù)的巖石巖性判別。

3 地震數(shù)據(jù)

利用地震數(shù)據(jù)來確定地下地層巖性，大致采用兩類方法：地震屬性和地震反演。

地震屬性是利用各類數(shù)學(xué)算法提取地震數(shù)據(jù)體內(nèi)包含的多種信息。前人將地震屬性歸類為振幅、波形和相位等8大類別91種屬性，用以反映出地震波的幾何形態(tài)、運動學(xué)，動力學(xué)和統(tǒng)計特征，服務(wù)于構(gòu)造解釋、儲層預(yù)測和油藏描述等地學(xué)相關(guān)研究[22，23]。不同地震屬性能在不同程度上反映出地下地層的某種物理特征，加上地震屬性眾多，所以要利用地震屬性對巖石巖性進(jìn)行判斷與識別，首先應(yīng)對地震屬性進(jìn)行優(yōu)選，例如采用相關(guān)分析挑選出與巖石巖性關(guān)聯(lián)度更大的地震屬性。其次，應(yīng)對地震屬性進(jìn)行標(biāo)定，即建立目標(biāo)層段的地震數(shù)據(jù)與地質(zhì)特征之間的對應(yīng)關(guān)系。主要是利用臨井的已知信息，例如巖心、巖性薄片的巖性分析結(jié)果，測井?dāng)?shù)據(jù)的解釋結(jié)果等。標(biāo)定能將小尺度數(shù)據(jù)的高精度識別結(jié)果與地震數(shù)據(jù)進(jìn)行有機(jī)結(jié)合。最后，單一地震屬性往往無法取得較好的識別效果，應(yīng)結(jié)合多種地震屬性進(jìn)行綜合分析，例如幾種地震屬性進(jìn)行交匯分析;將地震屬性與構(gòu)造圖相結(jié)合進(jìn)行分析;或利用聚類分析、模式識別和神經(jīng)網(wǎng)絡(luò)等多種機(jī)器學(xué)習(xí)方法[24]。

借助于巖石物理分析，可建立彈性參數(shù)與儲層地質(zhì)特征的橋梁。對地震數(shù)據(jù)進(jìn)行反演處理獲得彈性參數(shù)。在彈性參數(shù)的基礎(chǔ)上，就可使用多種方法對巖性進(jìn)行識別。例如：使用統(tǒng)計方法獲得不同巖性的彈性參數(shù)范圍，建立不同巖性的彈性參數(shù)量板。結(jié)合彈性參數(shù)量板，就可地震數(shù)據(jù)進(jìn)行巖石巖性識別處理。由于在不同巖性之間，其彈性參數(shù)往往存在重疊，上述方法的識別精度有效。使用交會圖法能將不同巖性的彈性參數(shù)在更高維度上進(jìn)行區(qū)分，但該方法依然會存在彈性參數(shù)存在重疊的情況。通過疊前反演，可獲得眾多彈性參數(shù)信息。例如，縱橫波阻抗、泊松比等。將疊前反演與隨機(jī)反演相結(jié)合，形成地質(zhì)統(tǒng)計學(xué)的反演方法;或在加入模型作為約束的條件下，進(jìn)行AVO縱橫波的聯(lián)合反演，以增加反演結(jié)果的穩(wěn)定和可靠[25，26]。

4 總結(jié)

巖石薄片圖像、測井?dāng)?shù)據(jù)和地震數(shù)據(jù)是巖石在不同尺度下的響應(yīng)特征。利用不同尺度數(shù)據(jù)進(jìn)行巖性識別時，相應(yīng)的原理存在差異。巖石薄片圖像是巖石礦物成分、結(jié)構(gòu)和構(gòu)造等特征的直觀反映;測井?dāng)?shù)據(jù)是巖石多種因素的綜合響應(yīng);地震數(shù)據(jù)與巖石巖性間的關(guān)系并不直接，而是需要提取地震屬性或反演彈性參數(shù)來間接建立彼此對應(yīng)關(guān)系。在識別過程中，小尺度數(shù)據(jù)的識別結(jié)果可作為大尺度數(shù)據(jù)的先驗信息。各類數(shù)據(jù)的自動識別方法存在較大的相似性，大多是利用人工方式或自動算法來提取數(shù)據(jù)中的特征，結(jié)合先驗信息，利用交會或機(jī)器學(xué)習(xí)算法等方法建立線性或非線性的識別模型，最后對整個目標(biāo)區(qū)的巖石巖性進(jìn)行自動識別。

參考文獻(xiàn)

[1]付光明， 嚴(yán)加永， 張昆， et al. 巖性識別技術(shù)現(xiàn)狀與進(jìn)展[J]. 地球物理學(xué)進(jìn)展， 2017（01）：32-46.

[2] 于代國， 孫建孟， 王煥增， et al. 測井識別巖性新方法--支持向量機(jī)方法[J]. 大慶石油地質(zhì)與開發(fā)， 2005， 24（5）：93-95.

[3] 程國建， 馬微， 魏新善， et al. 基于圖像處理與神經(jīng)網(wǎng)絡(luò)的巖石組構(gòu)識別[J]. 西安石油大學(xué)學(xué)報（自然科學(xué)版）， 2013（05）：12+117-122.

[4] 郭超， 劉燁. 多色彩空間下的巖石圖像識別研究[J]. 科學(xué)技術(shù)與工程， 2014， 14（18）：247-251.

[5] 張野， 李明超， 韓帥. 基于巖石圖像深度學(xué)習(xí)的巖性自動識別與分類方法[J]. 巖石學(xué)報， 2017， 34（2）.

[6] 程國建， 郭文惠， 范鵬召. 基于卷積神經(jīng)網(wǎng)絡(luò)的巖石圖像分類[J]. 西安石油大學(xué)學(xué)報（自然科學(xué)版）， 2017（4）.

[7] 劉國全 賈麗， 李鳳霞， et al. 滄東凹陷致密油巖性識別方法研究[J]. 特種油氣藏， 2014， 21（3）：18-22.

[8] 周波， 李舟波， 潘保芝. 火山巖巖性識別方法研究[J]. 吉林大學(xué)學(xué)報（地球科學(xué)版）， 2005， 35（3）：394-0397.

[9] 陳鋼花， 吳文圣， 毛克宇. 利用地層微電阻率掃描圖像識別巖性[J]. 石油勘探與開發(fā)， 2001， 28（2）：53-55.

[10] 王滿， 薛林福， 潘保芝. FMI圖像紋理統(tǒng)計方法識別火成巖巖性[J]. 測井技術(shù)， 2009（02）：12-16.

[11] 魏國， 趙佐安. 元素俘獲譜（ECS）測井在碳酸鹽巖中的應(yīng)用探討[J]. 測井技術(shù)， 2008， 32（3）.

[12] 張洪， 鄒樂君， 沈曉華. BP神經(jīng)網(wǎng)絡(luò)在測井巖性識別中的應(yīng)用[J]. 地質(zhì)與勘探， 2002（06）：65-67.

[13] 陳小軍， 羅順社， 張凌. 火山熔巖特征及巖性識別方法[J]. 油氣地球物理， 2009（02）：20-23.

[14] 張晏奇. 測井資料交會圖法在火山巖巖性識別中的應(yīng)用探討[J]. 西部探礦工程， 2019， 31（04）：57-58.

[15] 張洪， 鄒樂君， 沈曉華. BP神經(jīng)網(wǎng)絡(luò)在測井巖性識別中的應(yīng)用[J]. 地質(zhì)與勘探（6）：65-67.

[16] 朱怡翔， 石廣仁. 火山巖巖性的支持向量機(jī)識別[J]. 石油學(xué)報， 2013（02）：116-126.

[17] 陳軍， 范曉敏， 莫修文. 火山碎屑巖巖性的測井識別方法[J]. 吉林大學(xué)學(xué)報（地球科學(xué)版）， 2007（S1）：104-118.

[18] 王鵬， 胡向陽， 魏水建. 基于核Fisher判別的復(fù)雜儲層巖性識別[J]. 科學(xué)技術(shù)與工程， 2017（31）：35-40.

[19] 安鵬， 曹丹平. 基于深度學(xué)習(xí)的測井巖性識別方法研究與應(yīng)用[J]. 地球物理學(xué)進(jìn)展， 2018（3）.

[20] 張治國， 楊毅恒， 夏立顯. 自組織特征映射神經(jīng)網(wǎng)絡(luò)在測井巖性識別中的應(yīng)用[J]. 地球物理學(xué)進(jìn)展， 2005（2）.

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

[22] 張延玲， 楊長春， 賈曙光. 地震屬性技術(shù)的研究和應(yīng)用[J]. 地球物理學(xué)進(jìn)展， 2005， 20（4）.

[23] 熊翥. 地層、巖性油氣藏地震勘探方法與技術(shù)[J]. 石油地球物理勘探， 2012（01）：4+14-31+201.

[24] 王靜， 張軍華， 譚明友， et al. 砂礫巖致密油藏地震預(yù)測技術(shù)綜述[J]. 特種油氣藏， 2019， 26（01）：10-14.

[25] 陳昌. 疊前地震反演在清水地區(qū)砂礫巖優(yōu)質(zhì)儲層預(yù)測中的應(yīng)用[J]. 海洋地質(zhì)前沿， 2017（6）.

[26] 王開燕， 林雨佳， 黃明威， et al. 基于疊前彈性反演的含氣儲層預(yù)測技術(shù)[J]. 地球物理學(xué)進(jìn)展， 2016， 31（5）：2150-2159.