基于MRGC聚類方法的測井相分析和巖性識別
——以Z油田潛山地層為例

余秋均

（中國石油遼河油田分公司勘探開發(fā)研究院，遼寧盤錦 124010）

巖性識別是地質(zhì)研究的重要內(nèi)容，對于沉積相刻畫、儲層特征研究、儲層預(yù)測和地質(zhì)建模等均具有重要意義，如何綜合利用多種資料來實(shí)現(xiàn)巖性快速、高效識別，一直是油藏地質(zhì)工作者關(guān)心的課題。通常的做法是基于錄井、巖心等地質(zhì)資料，結(jié)合理論圖版對關(guān)鍵井的巖性進(jìn)行人工劃分，然后通過多參數(shù)交會圖分析確定不同巖性的測井響應(yīng)特征，建立巖性識別圖版及定量解釋標(biāo)準(zhǔn)，進(jìn)而對未取心井進(jìn)行巖性判別。該方法能夠較好地進(jìn)行大的巖類區(qū)分，但對于較為精細(xì)的巖性識別存在困難，尤其對于復(fù)雜巖性，識別界限模糊、識別率低，且在測井讀值、圖版制作及定量判別標(biāo)準(zhǔn)建立等方面工作量也較大?；贛RGC（Multi–Resolution Graph–Based Clustering）聚類的測井相分析和巖性識別方法，是通過MRGC多分辨率聚類方法實(shí)現(xiàn)測井相的自動劃分及優(yōu)選，利用巖相刻度測井相來建立巖性識別模型，并通過KNN（K-Nearest Neighbor）算法傳播器將模型快速推廣至關(guān)鍵井以外的所有井，從而能夠在短時(shí)間內(nèi)完成多口井的巖性解釋，幫助地質(zhì)人員快速獲得地層巖性縱向發(fā)育情況和橫向展布特征等信息，為下一步的各類地質(zhì)研究奠定基礎(chǔ)。

1 方法及原理

1.1 MRGC聚類方法基本原理

MRGC是在吸收了KNN算法和圖論算法優(yōu)點(diǎn)的基礎(chǔ)上提出的一種非監(jiān)督的聚類算法[1]。該方法中有兩個(gè)重要參數(shù)，分別是近鄰指數(shù)NI（Neighbor Index）和核心代表指數(shù)KRI（Kernel Representative Index），將樣本集看成是具有吸引關(guān)系的吸引集，近鄰指數(shù)NI表示一個(gè)樣本點(diǎn)對吸引集中其他所有樣本點(diǎn)吸引的能力（也代表樣本點(diǎn)與其他所有點(diǎn)的相似度），其值越大，表明該點(diǎn)就越接近某一類的核心[2，3]；核心代表指數(shù)KRI表示當(dāng)前的吸引集可以作為一個(gè)核去融合其他吸引集的能力，核心代表指數(shù)越大的吸引集，會在融合過程中保持其主導(dǎo)地位而一直存在，而核心代表指數(shù)較小的吸引集則會在融合過程中被核心代表指數(shù)較大的吸引集“吞并”。MRGC方法首先計(jì)算樣本點(diǎn)的近鄰指數(shù)NI，然后根據(jù)吸引方程將待分類樣本集初始劃分成很多個(gè)小吸引集，并計(jì)算每個(gè)小吸引集中心點(diǎn)的核心代表指數(shù)KRI，最后根據(jù)融合算法不斷地去融合各個(gè)小吸引集，從而得到不同分類層次下的聚類結(jié)果。

設(shè)待分類樣本集S中有N個(gè)樣本點(diǎn)，S= {x1,x2, ···,xi,···xN}，x為樣本集S中的一個(gè)樣本點(diǎn)，它是一個(gè)具有多個(gè)屬性的向量，y是樣本集S中樣本點(diǎn)x的第n個(gè)鄰近樣本點(diǎn)，n≤N-1。設(shè)定閾值K，認(rèn)為在第K個(gè)最近鄰之后的樣本點(diǎn)之間就不再存在吸引作用。定義如下：

式中：δn(x)為樣本點(diǎn)x對其第n個(gè)鄰近樣本點(diǎn)y的吸引能力，是一個(gè)隨著樣本點(diǎn)之間距離而變化的遞減函數(shù)（當(dāng)m=0時(shí)，δn(x)=1；當(dāng)m值增大時(shí)，δn(x)逐漸趨近于0，但不能為0）；α為平滑因子，α≥0（α與待分類樣本集中樣本點(diǎn)的數(shù)量有關(guān)，樣本點(diǎn)數(shù)越多，α的取值越大，通常取α=N100；Smin和Smax分別為S(x)函數(shù)的最小值和最大值；NI(x)為樣本點(diǎn)x的近鄰指數(shù)，是S(x)函數(shù)的歸一化值，0 ≤NI(x)≤1。

吸引方程用于判斷樣本點(diǎn)之間的吸引與被吸引的關(guān)系，通過吸引方程可將樣本集分割為多個(gè)由中心點(diǎn)、吸附點(diǎn)和邊界點(diǎn)組成的小吸引集。其中，中心點(diǎn)在其K最近鄰范圍內(nèi)只吸引其他樣本點(diǎn)，它是集合的核心；吸附點(diǎn)在其K最近鄰范圍內(nèi)與其他樣本點(diǎn)有著吸引和被吸引的雙重關(guān)系，它是集合的主體；而邊界點(diǎn)在其K最近鄰范圍內(nèi)只被其他樣本點(diǎn)吸引，它對集合邊界進(jìn)行了界定，將集合與其他集合區(qū)分開來。吸引方程的表達(dá)式為：

式中：Vx(y)為吸附函數(shù)，當(dāng)樣本點(diǎn)y屬于樣本點(diǎn)x的K最近鄰集合時(shí)，其值取1，否則其值取0；Attrx(y)為樣本點(diǎn)y對樣本點(diǎn)x的吸引結(jié)果，其值為正數(shù)時(shí)表明樣本點(diǎn)y吸引樣本點(diǎn)x，其值為負(fù)數(shù)時(shí)則表明樣本點(diǎn)y不吸引樣本點(diǎn)x。

近鄰指數(shù)NI是核心代表指數(shù)KRI的一個(gè)局部指標(biāo)，核心代表指數(shù)不僅考慮了當(dāng)前樣本點(diǎn)的近鄰指數(shù)，同時(shí)還考慮了樣本間的近鄰關(guān)系和空間距離，它是由近鄰指數(shù)NI(x)、鄰近序數(shù)M(x,y)、距離函數(shù)D(x,y)三個(gè)因子組成的復(fù)合型函數(shù)。核心代表指數(shù)的表達(dá)式為：

式中：z為樣本點(diǎn)x的K個(gè)最近鄰樣本中第一個(gè)比x的近鄰指數(shù)大的樣本點(diǎn)；M(x,z)為樣本點(diǎn)z相對于樣本x的鄰近序數(shù)，當(dāng)z是x的第n個(gè)最近鄰時(shí)，M(x,z) =n；D(x,z)為距離函數(shù)，常采用歐氏距離公式（在距離度量之前需要對樣本的每個(gè)屬性值做歸一化處理，以消除樣本屬性因量綱以及數(shù)量級不同造成的影響）；a、b、c為權(quán)重指數(shù)，用于控制每個(gè)因子對于核心代表指數(shù)KRI的權(quán)重，一般取a=b=c=1。

對核心代表指數(shù)KRI按降序排列形成一條曲線，在這個(gè)降序排列的曲線上，曲線從一個(gè)平穩(wěn)段變化到另一個(gè)平穩(wěn)段時(shí)對應(yīng)有多個(gè)拐點(diǎn)，每一個(gè)拐點(diǎn)意味著一個(gè)分類層次的突變，對應(yīng)不同層次的聚類結(jié)果[4]。通過求取該曲線一階導(dǎo)數(shù)的最小值點(diǎn)可確定這些拐點(diǎn)，進(jìn)而得到當(dāng)前待分類樣本集的最優(yōu)聚類數(shù)。最優(yōu)聚類數(shù)實(shí)際是一個(gè)“分辨率”的函數(shù)，即高分辨率（分類數(shù)多）的聚類結(jié)果是在低分辨率（分類數(shù)少）的聚類結(jié)果基礎(chǔ)上進(jìn)一步細(xì)分得來的[4]。用戶根據(jù)實(shí)際測井相分析的需求來設(shè)定聚類的最大類別數(shù)、最小類別數(shù)、最佳聚類方案的最大數(shù)目等參數(shù)，MRGC算法便可通過分析和計(jì)算自動優(yōu)選出若干個(gè)最優(yōu)的聚類方案供用戶進(jìn)行對比和選擇，進(jìn)而幫助用戶快速完成測井相劃分。

1.2 KNN算法傳播器原理

巖性識別模型建立好后，最終需要利用KNN算法傳播器將模型推廣應(yīng)用于所有未取心井。KNN算法是一種有監(jiān)督學(xué)習(xí)的分類和預(yù)測算法，它所選擇的相鄰數(shù)據(jù)都是經(jīng)過正確分類的對象，該算法既能基于已有的聚類知識庫對新樣本進(jìn)行快速分類，還能對新樣本屬性值進(jìn)行有效預(yù)測。

利用KNN算法進(jìn)行分類的基本思想是：從已有聚類集合中搜索樣本的K個(gè)最近鄰樣本作為樣本點(diǎn)的代表，對該樣本所屬類別進(jìn)行“多數(shù)投票表決”，如果一個(gè)樣本在特征空間中的K個(gè)最相似的點(diǎn)對象中的大多數(shù)屬于某一個(gè)類別，那么該樣本也屬于這個(gè)類別[5，6]。利用KNN算法進(jìn)行數(shù)據(jù)預(yù)測的基本原理是：找出樣本的K個(gè)最近鄰樣本，認(rèn)為這K個(gè)最近鄰樣本對該樣本的屬性值有著不同的“貢獻(xiàn)”，首先，對每個(gè)樣本屬性的數(shù)值進(jìn)行歸一化處理以消除量綱影響，選用合理的距離公式對樣本點(diǎn)進(jìn)行距離度量；然后，將不同距離的最近鄰樣本對該樣本的影響用不同的權(quán)值表示，采用合理的轉(zhuǎn)換函數(shù)（如高斯函數(shù)）將特征空間中的距離轉(zhuǎn)換為權(quán)值，從而為每個(gè)最近鄰樣本分配權(quán)重；最后，將K個(gè)最近鄰樣本的屬性值加權(quán)平均并賦給新樣本，便得到新樣本的屬性值。

傳統(tǒng)KNN算法存在一些不足，當(dāng)樣本數(shù)據(jù)分布很不均衡（如一個(gè)類的樣本容量很大而其他類的樣本容量很?。r(shí)，可能導(dǎo)致分類及預(yù)測結(jié)果產(chǎn)生偏差；此外，由于對每個(gè)新樣本都要計(jì)算它到全體已知樣本的距離，所以運(yùn)算量較大。在傳統(tǒng)算法基礎(chǔ)上產(chǎn)生了多種改進(jìn)算法，例如基于交叉驗(yàn)證的加權(quán)KNN算法，它以循環(huán)遍歷的方式將樣本集按比例拆分為訓(xùn)練子集和驗(yàn)證子集，對不同K值下模型的誤差率進(jìn)行估計(jì)，根據(jù)平均誤差率對K值進(jìn)行優(yōu)選[7]；類重心法也是一種改進(jìn)KNN算法，通過計(jì)算訓(xùn)練集中每個(gè)聚類的重心，根據(jù)新樣本與各個(gè)聚類重心的距離來判斷其所屬的分類[8]。當(dāng)然，隨著計(jì)算機(jī)的速度越來越快，改進(jìn)KNN算法的版本越來越多[9]，算法也越來越復(fù)雜和成熟，使KNN算法在分類及預(yù)測領(lǐng)域的應(yīng)用越來越廣泛。

2 測井相分析和巖性識別流程

測井相分析和巖性識別的關(guān)鍵流程包括測井曲線預(yù)處理及標(biāo)準(zhǔn)化、巖性敏感曲線優(yōu)選及測井相的劃分、巖相庫的建立及測井相的標(biāo)定、巖性識別模型的推廣等[10–13]，其流程如圖1所示。對一組能反映巖性特征的測井曲線，基于其數(shù)值變化及數(shù)據(jù)分布特征，按照MRGC聚類方法將地層剖面劃分為若干個(gè)抽象的相類別（即測井相）；然后，根據(jù)錄井和巖心等地質(zhì)資料建立巖相數(shù)據(jù)庫并對測井相進(jìn)行標(biāo)定，通過數(shù)學(xué)統(tǒng)計(jì)、知識推理等手段建立測井相與巖相之間的映射關(guān)系，最終達(dá)到利用測井資料來判斷巖性的目的。

圖1 基于MRGC聚類的測井相分析和巖性識別流程

第一步：測井曲線預(yù)處理及標(biāo)準(zhǔn)化。對所選曲線進(jìn)行質(zhì)量檢驗(yàn)，如果測井曲線存在深度誤差或受到井眼等環(huán)境因素影響較大，則必須對測井曲線進(jìn)行深度誤差校正、環(huán)境影響校正等預(yù)處理，確保曲線質(zhì)量可靠。由于測井相分析的樣本數(shù)據(jù)來自多口關(guān)鍵井，且基于測井相分析所建立的巖性識別模型最后會應(yīng)用于關(guān)鍵井以外的多口未取心井，所以，需要預(yù)先對全油田范圍內(nèi)所有井的測井曲線進(jìn)行標(biāo)準(zhǔn)化處理以提高井間曲線資料的一致性，只有多井測井資料具有相同的標(biāo)準(zhǔn)，多井間的分析和計(jì)算才是有意義的，根據(jù)關(guān)鍵井所建立的巖性識別模型才能在多井工區(qū)內(nèi)推廣使用。

第二步：測井相的劃分。不同的測井曲線具有不同的巖性、物性、流體性質(zhì)等反映能力，在進(jìn)行測井相分析之前，應(yīng)先根據(jù)測井相分析的目的合理地選取測井組合，如測井相分析的目的是進(jìn)行巖性識別，那么就應(yīng)該選擇對巖性反應(yīng)靈敏的測井曲線組合，且選用的曲線質(zhì)量要能確保測井響應(yīng)值可以真實(shí)地反映地層巖石情況。將選擇的測井組合作為輸入曲線，提取輸入曲線在目的層段的測井?dāng)?shù)據(jù)作為樣本數(shù)據(jù)，利用MRGC方法對樣本數(shù)據(jù)進(jìn)行聚類分析，從而實(shí)現(xiàn)對目的層段的測井相劃分。

第三步：測井相的標(biāo)定。測井相劃分完成后，要進(jìn)一步進(jìn)行巖性識別，需要建立巖相數(shù)據(jù)庫并對測井相進(jìn)行標(biāo)定。測井相是抽象的概念，而巖相則是具體的有實(shí)際地質(zhì)意義的概念，利用巖心等資料建立巖相數(shù)據(jù)庫并對測井相進(jìn)行標(biāo)定，是實(shí)現(xiàn)測井相到巖相轉(zhuǎn)換的橋梁。首先，需要收集巖屑錄井、巖心描述、薄片分析等反映巖性的地質(zhì)資料，并對這些資料數(shù)據(jù)進(jìn)行深度歸位，以確保不同深度的巖性與其測井響應(yīng)特征完全對應(yīng)；然后，根據(jù)歸位后的巖性地質(zhì)資料對關(guān)鍵井的目的層巖性進(jìn)行定性判斷，如果巖性地質(zhì)資料不夠充足，則可結(jié)合測井軟件中自帶的中子–密度交會圖版等進(jìn)行分析和劃分巖性，建立關(guān)鍵井在目標(biāo)地層的巖相數(shù)據(jù)庫，巖相數(shù)據(jù)庫應(yīng)盡可能地完備，以確保其中的巖性樣本對目的層段可能出現(xiàn)的各種巖類都具有代表性；最后，用關(guān)鍵井的巖相對測井相進(jìn)行標(biāo)定，建立測井相與巖相的對應(yīng)關(guān)系，從而賦予測井相對應(yīng)的巖性含義，在此過程中，若存在一種巖性對應(yīng)多個(gè)測井相的情況，可將這些測井相劃歸同一類進(jìn)行合并。通常，將巖相曲線選為伴隨曲線，使用MRGC方法對關(guān)鍵井的測井響應(yīng)值和巖相同時(shí)進(jìn)行聚類，從而建立起有監(jiān)督的聚類機(jī)制，根據(jù)聚類結(jié)果中的權(quán)值系數(shù)可快速判定每一個(gè)測井相所對應(yīng)的巖性。

第四步：模型推廣應(yīng)用。以關(guān)鍵井巖相標(biāo)定后的測井相為基礎(chǔ)，運(yùn)行KNN算法傳播器，將巖性識別模型推廣應(yīng)用于油田范圍內(nèi)的所有未取心井，進(jìn)行多井分析和處理，從而獲得所有井在目的層段連續(xù)的巖相剖面。

3 應(yīng)用實(shí)例

以Z油田潛山地層為例，采用MRGC方法建立測井相和巖性識別模型。Z油田自下而上分別為古生界、中生界侏羅系和白堊系及新生界地層。其中，古生界基巖出露地表后曾經(jīng)歷過長期風(fēng)化、剝蝕和地表水淋濾作用，在潛山頂部形成了具有豐富次生孔隙的有利儲層發(fā)育帶，即潛山風(fēng)化殼。油田有多口井鉆遇潛山，潛山風(fēng)化殼和基巖是其主要的含油層系。潛山儲層發(fā)育程度與其巖性有著密切的聯(lián)系，巖性的差異性是造成Z油田潛山儲層非均質(zhì)性的重要因素。

在完成Z油田測井曲線預(yù)處理及標(biāo)準(zhǔn)化后，選擇自然伽馬（GR）、密度（DEN）、中子孔隙度（CNC）、聲波時(shí)差（DT）、光電吸收截面指數(shù)（PE）共5條常規(guī)曲線作為輸入曲線，這些曲線都蘊(yùn)含有一定的巖性信息，具有不同的巖性區(qū)分能力。Z油田還測量了陣列感應(yīng)測井曲線，但考慮到地層電阻率受巖石孔隙中氣、油、水等流體因素影響，故不選為輸入曲線。利用Z油田的錄井、巖心及薄片分析等資料確定巖性并建立巖相數(shù)據(jù)庫，確定角礫巖、硅質(zhì)砂巖、硅質(zhì)粉砂巖、硅質(zhì)泥巖為風(fēng)化殼主要巖類，確定灰?guī)r、泥質(zhì)灰?guī)r、灰質(zhì)泥巖、生物灰?guī)r為基巖主要巖類（圖2），風(fēng)化殼中少量發(fā)育的變質(zhì)砂巖等巖性則不予以識別。設(shè)置各類輸入曲線的刻度范圍，剔除正?？潭确秶獾臄?shù)據(jù)，避免異常數(shù)值對聚類產(chǎn)生干擾，然后，提取目標(biāo)地層的測井?dāng)?shù)據(jù)作為測井相分析的樣本數(shù)據(jù)。在此過程中，將錄井、巖心和薄片分析等資料確定的實(shí)際地層巖相曲線作為伴隨曲線，對樣本數(shù)據(jù)進(jìn)行有監(jiān)督的學(xué)習(xí)訓(xùn)練。

圖2 部分巖石鑄體薄片特征

通過MRGC方法對測井相進(jìn)行劃分，由于風(fēng)化殼與下覆基巖地層巖性類別差異較大，為了提高巖性區(qū)分精度，對其分層段進(jìn)行聚類分析。對風(fēng)化殼和基巖分別進(jìn)行處理并得到多個(gè)最優(yōu)的聚類方案，再參考巖相數(shù)據(jù)庫中的巖相數(shù)目對聚類方案進(jìn)行選擇，一般選擇原則為：確保測井相的個(gè)數(shù)多于巖相的個(gè)數(shù)，但不宜選擇測井相個(gè)數(shù)過多的聚類方案，因?yàn)闇y井相劃分太細(xì)有可能增大誤差，而且在測井相標(biāo)定時(shí)對不同的相進(jìn)行合并會變得繁瑣，與此同時(shí)，還要兼顧不同聚類方案下的巖石測井響應(yīng)分布特征是否合理。綜合分析后，對風(fēng)化殼和基巖分別選擇測井相個(gè)數(shù)為6和10的聚類方案，即將二者的初始測井相分為6類和10類。接下來，通過巖相對測井相進(jìn)行標(biāo)定，標(biāo)定過程中發(fā)現(xiàn)，相同的巖性通常具有相似的測井相特征，由于所劃分的測井相數(shù)多于巖相數(shù)，所以存在一個(gè)巖相與多個(gè)測井相匹配的情況，因此，需要將相同的巖相對應(yīng)的測井相合并為同一類，合并后的測井相數(shù)目與巖相數(shù)目基本一致，分別為4類和5類，其中，與生物灰?guī)r對應(yīng)的兩個(gè)測井相未被合并，代表了該類巖石的孔隙性差異。圖3為關(guān)鍵井巖相與測井響應(yīng)的對應(yīng)關(guān)系，其中，巖相曲線被程序自動轉(zhuǎn)換成了相應(yīng)的巖性數(shù)字符號，從圖中可以看出風(fēng)化殼和基巖主要巖類的測井響應(yīng)值分布情況。例如，風(fēng)化殼角礫巖表現(xiàn)為中–低伽馬，三孔隙度曲線整體上表現(xiàn)為高聲波時(shí)差、高中子、低密度特征，指示孔隙十分發(fā)育，其光電吸收截面指數(shù)較低；灰?guī)r表現(xiàn)為低伽馬特征，三孔隙度曲線指示巖性較為致密；生物灰?guī)r的巖性較為疏松，表現(xiàn)為中–高伽馬、中–高聲波時(shí)差、中–高中子、中–低密度特征。生物灰?guī)r與風(fēng)化殼角礫巖這兩類巖性物性最好，是主要的儲層發(fā)育段。

圖3 兩種MRGC聚類方案下的關(guān)鍵井巖相與測井響應(yīng)的對應(yīng)關(guān)系

圖4和圖5分別是基于MRGC方法得到的潛山風(fēng)化殼和基巖的巖性聚類圖版，聚類數(shù)分別為4類和5類。從圖4和圖5可以看出，基于MRGC方法得到的巖性聚類圖版實(shí)際上是以多張圖的二維平面顯示模式來展示測井參數(shù)之間的多維交會關(guān)系，它通過多維立體的界限劃分對測井參數(shù)交會的疊置區(qū)間進(jìn)行了較好處理，而常規(guī)單一的交會圖分析方法則難以對疊置區(qū)間進(jìn)行界定，因此，其巖性劃分較常規(guī)交會圖分析法更精細(xì)、更合理。

圖4 基于MRGC方法得到的潛山風(fēng)化殼4類巖性聚類圖版

圖5 基于MRGC方法得到的潛山基巖地層5類巖性聚類圖版

圖6、圖7分別是Z油田X1井、X2井基于MRGC方法進(jìn)行測井相分析所得到的巖性解釋成果圖，X1井和X2井是兩口未參加樣本學(xué)習(xí)但具備錄井巖性及巖心描述資料的驗(yàn)證井，用于對巖性解釋成果進(jìn)行檢驗(yàn)。其中，第6道是通過MRGC方法進(jìn)行測井相劃分得到的原始測井相曲線，該曲線采用不同的顏色填充進(jìn)行方波化顯示，曲線沒有具體的地質(zhì)含義；第7道是與測井相對應(yīng)的預(yù)測巖相，它被賦予了巖性含義，故用巖性符號進(jìn)行表示；第9道是根據(jù)歸位后的巖屑錄井、巖心描述等巖性地質(zhì)資料所建立的實(shí)際地層巖相剖面。從圖6、圖7可以看出，基于MRGC聚類方法所預(yù)測的巖性與實(shí)際地層巖性剖面相比，無論在巖性類別還是在巖性深度區(qū)間上，都具有較好的匹配關(guān)系，驗(yàn)證井的符合率均在80%以上，證實(shí)了模型的準(zhǔn)確性，同時(shí)也證實(shí)了該方法在潛山巖性識別中的可行性。將基于關(guān)鍵井建立的巖性識別模型推廣應(yīng)用于Z油田所有未取心井，從而實(shí)現(xiàn)全油田范圍內(nèi)潛山風(fēng)化殼和基巖地層的巖性快速識別及劃分。

圖6 Z油田X1井潛山地層巖性解釋成果

圖7 Z油田X2井潛山地層巖性解釋成果

4 結(jié)論

（1）MRGC是一種快速、高效的凝聚型多層次聚類方法，它基于近鄰指數(shù)和核心代表指數(shù)兩個(gè)關(guān)鍵參數(shù)進(jìn)行聚類分析，根據(jù)降序排列的核心代表指數(shù)曲線上的突變來確定不同分辨率下的最優(yōu)聚類數(shù)。該方法能夠不依賴分析者的主觀偏好，也不需要任何聚類數(shù)據(jù)結(jié)構(gòu)的先驗(yàn)知識，分析人員可以很方便地結(jié)合實(shí)際需求對地層參數(shù)進(jìn)行多層次聚類分析，通過不同尺度的聚類以及不同聚類數(shù)的方案優(yōu)選來靈活地控制測井相的具體級別。

（2）KNN傳播算法是在已知訓(xùn)練樣本基礎(chǔ)上的學(xué)習(xí)算法，對訓(xùn)練樣本集中的數(shù)據(jù)多樣性及數(shù)據(jù)分布有一定的要求。在建立巖相數(shù)據(jù)庫時(shí)，應(yīng)充分挖掘各種巖性相關(guān)的地質(zhì)資料以獲取盡可能多的巖性樣本，確保關(guān)鍵井的巖性樣本能較為全面地代表目標(biāo)地層巖性，從而提高KNN傳播算法的準(zhǔn)確率。

（3）將采用MRGC聚類方法建立的模型推廣應(yīng)用于Z油田潛山地層。結(jié)果表明，淺層風(fēng)化殼儲層主要巖性為角礫巖，是由疏松巖石垮塌堆積形成的儲集性能良好的角礫型儲集體，其次為硅質(zhì)砂巖、硅質(zhì)粉砂巖、硅質(zhì)泥巖；風(fēng)化殼以下的潛山地層主要以灰?guī)r和泥質(zhì)灰?guī)r為主，間或發(fā)育灰質(zhì)泥巖，局部發(fā)育儲集空間較為豐富的生物灰?guī)r。該方法得到的巖性剖面同錄井、巖心等資料確定的實(shí)際地層巖相剖面相比，具有很好的一致性，可以作為地層巖性判別及劃分的重要方法。