基于Kohonen 神經(jīng)網(wǎng)絡的頁巖油巖相測井識別方法
——以吉木薩爾凹陷二疊系蘆草溝組為例

李紅斌，王貴文，2，王松，龐小嬌，劉士琛，包萌，彭壽昌，賴錦，2

1.中國石油大學（北京）地球科學學院，北京 102249

2.中國石油大學（北京）油氣資源與探測國家重點實驗室，北京 102249

3.中國石油新疆油田公司勘探開發(fā)研究院，新疆克拉瑪依 834000

0 引言

隨著北美地區(qū)在海相頁巖油氣儲集層勘探以及開發(fā)方面取得重大突破，非常規(guī)油氣開發(fā)成為熱點話題，全球諸多國家對非常規(guī)油氣方面的關注度增加，開始聚焦于烴源巖層系尋找油氣[1]。自2010年勘探發(fā)現(xiàn)吉木薩爾凹陷蘆草溝組具有很好的生烴潛力以來，頁巖油勘探規(guī)模持續(xù)擴大，不斷形成新的地質(zhì)認識，吉木薩爾凹陷蘆草溝組目前是中國陸相廣義頁巖油的典型代表[2]。吉木薩爾凹陷蘆草溝組具有咸化湖盆、多源混積、源儲一體和“甜點”分散的地質(zhì)特征，屬于典型的自生自儲型廣義頁巖油藏[3]。但蘆草溝組縱向上巖性復雜、薄互層疊置，非均質(zhì)性強[4]，亟需建立配套的巖相測井評價方法。

巖相是一定沉積環(huán)境中形成的巖石或巖石組合特征，是沉積相的主要組成部分，包括顏色、成分、結構和沉積構造等[5]。與現(xiàn)今海相頁巖油氣儲集層的研究程度相比，學者們對湖相細?；旆e巖儲集層研究相對較集中，主要聚焦在不同巖相類型的礦物成分組成和湖盆演化歷史等方面，導致在巖相的準確識別和劃分方面的研究較為薄弱[6]。調(diào)研發(fā)現(xiàn)，目前針對研究區(qū)蘆草溝組的巖相劃分類型多樣，主要是基于沉積學上的一些可以明確反映巖石類型的劃分標志，如傳統(tǒng)的巖石命名，不同巖石類型的結構、沉積構造[7-8]。

測井資料以其縱向分辨率高、連續(xù)性好的特征，在巖相識別與評價方面應用廣泛[9-10]。張晉言[11]利用系統(tǒng)取心井的分析資料，以大尺度巖性變化（巖心錄井描述）為主線，以微小尺度（實驗分析描述）的泥頁巖巖石學特征為基礎，刻度成像測井信息，以成像圖上的色標變化標定常規(guī)測井資料，建立巖相精細劃分模式，從而實現(xiàn)泥頁巖巖相的識別及劃分；張超等[12]通過選取GR、AC、CNL 等測井曲線建立巖相測井識別模式，實現(xiàn)巖相的劃分；Yanet al.[13]應用巖心描述、薄片觀察、電鏡成像、核磁共振等手段進行泥頁巖巖相特征研究，結合測井資料識別層理構造及計算總有機碳含量（TOC）和熱解烴含量（S2）等地化參數(shù)，建立了一種基于測井資料的泥頁巖巖相識別方法；車世琦[14]根據(jù)ECS 測井和巖石薄片資料，建立頁巖礦物組分的三端元圖版，從而實現(xiàn)頁巖巖相的劃分，再結合常規(guī)測井資料，建立測井識別圖版；楊洋等[15]利用測井資料、巖心測試數(shù)據(jù)為基礎，通過多參數(shù)優(yōu)選、多元線性擬合，分別建立了黏土礦物、硅質(zhì)礦物相對含量的預測方程，建立了頁巖巖相識別雷達圖版；王圣柱[16]運用巖石薄片、X 射線衍射全巖礦物分析和場發(fā)射環(huán)境掃描電鏡等儲集層表征技術，結合有機地球化學測試分析，根據(jù)巖石礦物組分、層理構造、有機碳含量等指標進行巖相劃分。

目前，人工智能發(fā)展迅速，林萬昌等[17]使用神經(jīng)網(wǎng)絡方法對測井數(shù)據(jù)進行巖性識別，結果表明與統(tǒng)計方法、巖性錄井分析結果一致；邱穎等[18]利用神經(jīng)網(wǎng)絡方法進行巖性和巖相的預測，在訓練數(shù)據(jù)集具有代表性的前提下，證明神經(jīng)網(wǎng)絡方法在石油勘探中可行；譚琨[19]將Kohonen 應用到巖性識別中，取得較好的效果。Kohonen 神經(jīng)網(wǎng)絡在巖相識別上取得了較好的應用效果，且該方法可提高資料處理速度，克服人為因素的影響，提高識別的精度，減輕專業(yè)人員的負擔，而且穩(wěn)定性也大大提高。因此，亟需將人工智能相關的技術體系應用至未取心井或井段巖相的測井判別工作中。

本文通過對研究區(qū)全井段取心的關鍵井進行巖心觀察，綜合利用鑄體薄片資料和常規(guī)測井資料，建立巖相測井評價模型。在此基礎上，通過巖心資料與高分辨率成像測井資料實現(xiàn)單井巖相的精細劃分，并通過建立樣本井刻度Kohonen神經(jīng)網(wǎng)絡巖相劃分模型，以實現(xiàn)研究區(qū)內(nèi)多口井巖相的有效及快速劃分。研究成果可提高未取心井巖相判別效率與精度，對頁巖油的勘探與后期開發(fā)具有理論指導意義與方法支撐。

1 研究區(qū)概況、研究用數(shù)據(jù)及方法

吉木薩爾凹陷位于準噶爾盆地東部東南緣，是在中石炭統(tǒng)褶皺基底上沉積的一個西斷東超、西厚東薄的箕狀凹陷，東臨古西凸起，西接老莊灣斷裂、北三臺凸起、西地斷裂，南以三臺斷裂為界，北靠吉木薩爾斷裂與沙奇凸起[20-22]（圖1）。吉木薩爾凹陷東西長約為60 km，南北寬約為30 km，面積約為1 500 km2[23-24]。吉木薩爾凹陷從老到新、自下而上依次發(fā)育有石炭系、二疊系（將軍廟組、蘆草溝組、梧桐溝組）、三疊系、侏羅系、白堊系、古近系—新近系及第四系等[25]。

圖1 吉木薩爾凹陷構造區(qū)帶劃分圖[22]Fig.1 Structural division of Jimusaer Sag[22]

二疊系蘆草溝組是準噶爾盆地東部重要的含油層系之一。蘆草溝組一共可以劃分為兩段，從上至下依次發(fā)育蘆草溝組二段（P2l2）和蘆草溝組一段（P2l1）。蘆草溝組二段（P2l2）和蘆草溝組一段（P2l1）又可以各分為兩個層組，蘆二段一層組和二層組，蘆一段一層組和二層組在內(nèi)上半部發(fā)育一套儲層，即“下甜點”，以三角洲外前緣—前三角洲過渡亞相沉積為主；在內(nèi)上半部發(fā)育一套儲層，稱為“上甜點”，以咸化湖相碳酸鹽巖類沉積為主[26]。

本次研究基于：1）巖心描述資料J10025井178 m，J10024井53 m，J10016井57.3 m，J10012井32.5 m，對應的薄片共100塊，是在中國石油大學（北京）油氣資源與探測國家重點實驗室完成單偏光以及正交光的描述；2）常規(guī)測井資料包括九常規(guī)測井曲線GR、SP、DEN、CNL、AC、深 淺 電阻 率，主 要 為P2l2與P2l1，J10025井310 m，J10016井225 m；3）成像測井資料為斯倫貝謝公司FMI 采集（全井眼模式，處理動態(tài)、靜態(tài)圖像）J10016井、J10025井等238 m，以此進行巖相劃分方案以及不同巖相測井評價模型的建立。

2 研究區(qū)蘆草溝組巖相劃分方案建立

2.1 組分特征

前人研究表明，吉木薩爾凹陷蘆草溝組沉積物來源可以概括為三種：陸源碎屑物質(zhì)由河流—三角洲供給，也存在灘壩相砂體，火山碎屑物質(zhì)由湖底火山作用或者凹陷周緣的火山作用提供，碳酸鹽巖類物質(zhì)由湖底幔源熱液與少量湖水混合后直接沉淀結晶形成或者咸化湖盆的蒸發(fā)作用供給[27]。

粗略觀察巖心顏色差異不大，并且部分淺灰色巖石受含油級別較高的影響，顏色觀察不直觀。但根據(jù)巖石化驗資料得知蘆草溝組頁巖油儲集層含有多種礦物組分，比較常見的有石英、長石、白云石等礦物。根據(jù)鑄體薄片觀察結果，陸源碎屑中石英、長石含量較高，黏土礦物含量較低；碳酸鹽巖成分中，白云石含量最高，其次為方解石，符合蘆草溝組云巖較為發(fā)育的巖性特征，此次巖心的觀察火山碎屑物質(zhì)發(fā)育較少。不易觀察到的礦物包括在一些裂縫、層理縫、縫合線中發(fā)育的黃鐵礦、菱鐵礦、方沸石等多種熱液礦物，這些礦物的含量比較低，但是對于指示含有該種礦物的巖石類型的沉積環(huán)境與地質(zhì)事件具有重要意義。上、下甜點體都具有“兩高一低”的特征，即石英和長石含量高、碳酸鹽巖含量高、黏土礦物含量低的特點[28]。該區(qū)復雜的礦物成分及含量變化與其他盆地的細粒沉積巖存在明顯差異，反映了研究區(qū)為陸源碎屑、化學沉積混合沉積的過渡型巖類[29]。

2.2 沉積構造特征

沉積構造往往能表征沉積物沉積時沉積介質(zhì)、流體的水動力條件和沉積物的搬運和沉積方式，是識別研究區(qū)多種巖性沉積環(huán)境的重要標志[30]，可以以此為依據(jù)進行巖相劃分方案的制定。

巖心觀察表明，蘆草溝組可見重荷模構造（圖2a），指示當時含有泥質(zhì)或粉砂質(zhì)的巖石發(fā)生液化，在一定的負荷作用條件下形成，通過凸起或者凹陷部位指示的方向，可以判斷地層的頂?shù)捉缑??；屹|(zhì)團塊（圖2b），可能在巖石沉積時有新的物源搬運過來?？p合線（圖2c）由于壓溶作用形成。液化砂巖脈（圖2d），指示當時研究區(qū)發(fā)生過地震等擾動作用，使砂質(zhì)沉積物發(fā)生液化或者脫落，形成一系列的沉積構造。楔狀交錯層理（圖2e）代表當時的水動力沉積環(huán)境比較高能，多發(fā)育在粉砂巖中。在砂質(zhì)成分含量較高的巖石中，會發(fā)育平行層理（圖2f）、波狀層理（圖2g）等沉積構造，代表當時的水體環(huán)境比較動蕩，水流淺且湍急。泥巖中發(fā)育的水平層理（圖2h）代表沉積環(huán)境低能，甚至靜水環(huán)境沉積，由縱向上垂向加積所致，是深湖相沉積的重要標志。

圖2 吉木薩爾凹陷蘆草溝組沉積構造類型（a）J10025井，3 537.88 m，重荷模構造；（b）J10025井，3 529.74 m，灰質(zhì)團塊；（c）J10025井，3 540.72 m，縫合線；（d）J10025井，3 591.34 m，液化砂巖脈；（e）J10025井，3 537.58 m，楔狀交錯層理；（f）J10025井，3 537.32 m，平行層理；（g）J10025井，3 536.99 m，波狀層理；（h）J10025井，3 576.95 m，水平層理Fig.2 Sedimentary structure type of Lucaogou Formation in Jimusaer Sag

2.3 巖相劃分方案

全球頁巖油勘探成果表明，巖相特征描述是一種有效且重要的方法，反映了沉積巖所有重要巖性特征的綜合[31]，可用于了解有機質(zhì)的聚集、沉積過程、化學特征，最重要的是，它是頁巖儲層的基本單元，可識別有利儲層[32]。頁巖巖相的完整描述可以反映頁巖的礦物學、地球化學和油氣潛力[33]。本文以每種巖石類型的巖石學特性為基礎結合測井曲線響應特征與成像測井資料進行單井巖相劃分。首先通過局部上，即對吉木薩爾凹陷蘆草溝組700余塊巖心進行觀察，確定每種巖性的巖石學特征，總結優(yōu)勢巖相；再從整體上，通過成像測井對巖石的沉積構造進行精細表征[34-37]，并尋找?guī)r性在縱向上的分布及組合規(guī)律，結合常規(guī)測井資料，遵循：1）地質(zhì)上巖心尺度能夠識別；2）測井上可以明顯區(qū)分；3）劃分方案對于研究區(qū)未取心井具有很好的適用性。共劃分出6 種巖相類型（表1）。

表1 巖相類型劃分方案Table 1 Lithofacies classification scheme

參考王圣柱[16]和馬克等[38]的巖相劃分方案基礎，結合此次實際研究情況共劃分出6種巖相類型，但由于沉積構造在測井上響應不靈敏，因此，部分沉積層理合并命名，這六種巖相包括：平行層理粉砂巖相、平行/波狀層理泥質(zhì)粉砂巖相、塊狀泥巖相、水平層理白云質(zhì)泥巖相、波狀/水平層理粉砂質(zhì)泥巖相、塊狀泥晶白云巖相（表1）。

3 不同巖相測井響應特征

3.1 平行/波狀層理泥質(zhì)粉砂巖相

平行/波狀層理泥質(zhì)粉砂巖相巖心主要為灰色，從鑄體薄片中可以看出，砂質(zhì)成分較高，含有少量的泥質(zhì)，石英、長石礦物含量高，原生粒間孔與溶蝕孔隙較發(fā)育，雜基含量較高，顆粒磨圓、分選差?？梢钥吹?，圖3 巖心照片中發(fā)育小型波狀層理、液化砂巖脈。含油級別以熒光、油跡為主，少見油浸、飽含油。常規(guī)測井響應特征為：自然伽馬（GR）為中—高值（受泥質(zhì)組分影響），補償中子（CNL）中等，深電阻率（RLLD）中等。成像測井上整體為亮色背景，泥巖為暗色條帶分布（圖3）。

圖3 J10025 井平行/波狀層理泥質(zhì)粉砂巖相測井評價模型Fig.3 Logging evaluation model of shaley siltstone lithofacies with parallel/wavy bedding in well J10025

3.2 平行層理粉砂巖相

平行層理粉砂巖相巖心主要為灰色，從鑄體薄片中可以看出，孔隙發(fā)育，石英、長石含量高，顆粒磨圓、分選差。受較強水動力條件的影響，發(fā)育平行層理、波狀層理等沉積構造。粉砂巖相中碳酸鹽巖供給較弱，部分發(fā)育灰質(zhì)條帶。常規(guī)測井響應特征為：自然伽馬（GR）為中—高值（存在鉀長石），聲波時差（AC）為低值，深電阻率（RLLD）為中—高值。成像測井上砂巖為亮色高阻特征（圖4）。

圖4 J10025 井平行層理粉砂巖相測井評價模型Fig.4 Logging evaluation model of siltstone lithofacies with parallel bedding in well J10025

3.3 塊狀泥晶云巖相

塊狀泥晶云巖相巖心主要為灰色—深灰色，從鑄體薄片中可以看出，主要由泥粉晶白云石組成，孔隙發(fā)育情況不一，部分晶間孔較發(fā)育，部分含有一些溶蝕孔隙，部分孔隙不太發(fā)育。多為均一塊狀，主要發(fā)育水平紋層和波狀紋層等小型沉積構造，部分泥晶云巖中發(fā)育暴露構造。發(fā)育水平紋層說明巖石沉積于安靜的水體環(huán)境中，發(fā)育波狀紋層說明當時沉積環(huán)境中存在局部的水體擾動。含油級別為油跡—油斑。常規(guī)測井響應特征為：自然伽馬（GR）為中值，聲波時差（AC）為低值，深電阻率（RLLD）為高值。成像測井上整體為亮色背景，內(nèi)部缺少明顯的紋層構造（圖5）。

圖5 J10025 井塊狀泥晶云巖相測井評價模型Fig.5 Logging evaluation model of massive micrite dolomite lithofacies in well J10025

3.4 塊狀泥巖相

塊狀泥巖相巖心為灰黑色至黑色，代表較強的還原環(huán)境。根據(jù)蘆草溝組的相關分析化驗資料，認為泥巖相中有機質(zhì)豐度較高，具有較好的生烴潛力，可以作為較好的烴源巖。含油級別多為熒光。常規(guī)測井響應特征為：自然伽馬（GR）為高值，深電阻率（RLLD）為低值。成像測井上整體為暗色背景，偶可見水平紋層（圖6）。

圖6 J10025 井塊狀泥巖相測井評價模型Fig.6 Logging evaluation model of massive mudstone lithofacies in well J10025

3.5 水平層理白云質(zhì)泥巖相

水平層理白云質(zhì)泥巖相巖心多為灰黑色，代表較強的還原環(huán)境。淺色紋層多為云質(zhì)，含油級別多為熒光，少見油斑、飽含油。該巖相在下甜點體較為發(fā)育，可以作為很好的烴源巖，其中還發(fā)育層理縫和小型裂縫，部分存在黃鐵礦充填現(xiàn)象。常規(guī)測井響應特征為：自然伽馬（GR）為齒化高值，補償中子（CNL）為齒化高值，密度（DEN）為低值，深電阻率（RLLD）為齒化高值。成像測井上整體為暗色背景，有塊狀或者條帶狀亮色分布，為黑色條帶模式。根據(jù)其是否存在殘留烴，測井響應特征可能有所變化（圖7）。

圖7 J10025 井水平層理白云質(zhì)泥巖相測井評價模型Fig.7 Logging evaluation model of micaceous mudstone lithofacies with parallel bedding in well J10025

3.6 塊狀/水平層理粉砂質(zhì)泥巖相

塊狀/水平層理粉砂質(zhì)泥巖相巖心主要為灰黑色至灰色。由于含有不同含量的粉砂質(zhì)，其物性會出現(xiàn)差異。發(fā)育水平層理、波狀層理等沉積構造，以及縫合線、小型砂巖透鏡體等，含油級別多為熒光，少見油跡、油斑。部分井段會出現(xiàn)粉砂質(zhì)泥巖與泥質(zhì)粉砂巖互層的現(xiàn)象。常規(guī)測井響應特征為：自然伽馬（GR）為高值，聲波時差（AC）為低值，深電阻率（RLLD）為低值。成像測井上整體為暗色背景，有塊狀或者條帶狀亮色分布，為塊狀、層狀模式（圖8）。

圖8 J10025 井波狀/水平層理粉砂質(zhì)泥巖相測井評價模型Fig.8 Logging evaluation model of silty mudstone lithofacies with wavy/horizontal bedding in well J10025

4 基于Kohonen 神經(jīng)網(wǎng)絡方法的巖相測井判別

通過前面建立的不同巖相的測井識別模型與準則，即可利用常規(guī)和成像測井實現(xiàn)單井巖相的測井評價，但由于通過人工判別相對工作量大，效率低，因此亟需建立一種巖相的自動測井判別方法。本次研究即引入Kohonen 神經(jīng)網(wǎng)絡實現(xiàn)巖相測井自動判別。

4.1 Kohonen神經(jīng)網(wǎng)絡介紹

Kohonen 神經(jīng)網(wǎng)絡是由芬蘭Hclsink 大學的Kohonen 在1980 年提出的一種自組織神經(jīng)特征映射模型，是基于生理學和腦科學研究成果提出的[39]。人腦通過將復雜的數(shù)據(jù)投射到空間上，實現(xiàn)數(shù)據(jù)的結構模型化，Kohonen 利用這個思想構造人工神經(jīng)網(wǎng)絡，使用向量量化方法來實現(xiàn)數(shù)據(jù)的壓縮編碼，使圖像的處理結果更加優(yōu)化[40]。Kohonen 神經(jīng)網(wǎng)絡是自組織競爭型神經(jīng)網(wǎng)絡的一種，該網(wǎng)絡為無監(jiān)督學習網(wǎng)絡，能夠識別環(huán)境特征并自動聚類，適用于解決模式分類和識別方面的應用問題[41]。該網(wǎng)絡通過自組織特征映射調(diào)整網(wǎng)絡權值，使神經(jīng)網(wǎng)絡收斂于一種表示形態(tài)，在這一形態(tài)中一個神經(jīng)元只對某種輸入模式特別匹配或特別敏感[42]。Kohonen 神經(jīng)網(wǎng)絡在網(wǎng)絡結構上，它一般是由輸入層和競爭層構成的兩層網(wǎng)絡，兩層之間各神經(jīng)元實現(xiàn)雙向連接，優(yōu)勢競爭層各神經(jīng)元之間還存在橫向連接（圖9）。

圖9 Kohonen 神經(jīng)網(wǎng)絡基本結構（據(jù)文獻[43]修改）Fig.9 Fundamental framework of Kohonen( modified from reference [43])

Kohonen網(wǎng)絡只有一層“平面”式神經(jīng)元層，根據(jù)訓練模式之間的關系把復雜的數(shù)據(jù)投射到這個“平面”層[44]。輸入層的神經(jīng)元個數(shù)的選取由輸入網(wǎng)絡的影響因子個數(shù)決定，而輸出層則是由輸出層神經(jīng)元按照一定的方式排列成一個二維平面上[45]。神經(jīng)元之間有隱形連接，連接系數(shù)與距離成反比，且每個神經(jīng)元沒有專門的輸出層，其興奮狀態(tài)就是輸出[46]。

Kohonen 神經(jīng)網(wǎng)絡以聚類分析算法為基礎對數(shù)據(jù)進行計算分類，算法流程如下：以相似性為輸入模式，將樣本輸入網(wǎng)絡，對輸入數(shù)據(jù)進行歸一化，通過計算輸入樣本與競爭層神經(jīng)元的歐幾里得距離，求出獲勝神經(jīng)元，將其作為最優(yōu)匹配輸出神經(jīng)元，也就是競爭層中的各神經(jīng)元相互競爭，求出的獲勝神經(jīng)元，修改與該獲勝神經(jīng)元有關的各連接權系數(shù)，使得周圍的輸入樣本更傾向于該獲勝神經(jīng)元，這種通過無導師競爭學習來求出權系數(shù)的過程被稱為自組織特征映射，之后對算法是否結束進行判斷，若未結束，返回優(yōu)勝節(jié)點計算步驟，再次進行權值調(diào)整。通過以上過程的反復訓練，當所有樣品都具有確定的獲勝神經(jīng)元時，競爭結束[47]。

所謂競爭就是采用“勝者為王”的策略，當一個數(shù)據(jù)集輸入到Kohonen網(wǎng)絡中時，所有輸出節(jié)點都會有一個數(shù)值，與輸入元組最相似的節(jié)點就是勝者。確定勝者后，要調(diào)整該節(jié)點及其領域內(nèi)節(jié)點對應的權重[48]。不斷重復這個過程,直到確定權值，將輸入的數(shù)據(jù)集都進行關聯(lián)，形成不同的類別。

對于充分大的數(shù)據(jù)集，倘若訓練時間足夠長，每個輸出節(jié)點都會與輸入元組集合相關聯(lián)。這些輸入元組集合就形成了簇。

4.2 Kohonen神經(jīng)網(wǎng)絡巖相測井識別

通過Kohonen 神經(jīng)網(wǎng)絡的方法可以減輕解釋人員的負擔，在精度符合要求的條件下可以克服人為因素的影響使多口井的巖相劃分統(tǒng)一標準，并且對未知樣本的識別率較高，識別速度快，具有很強的抗干擾能力。

將測井曲線數(shù)據(jù)導入Techlog 軟件中，通過機器無監(jiān)督的學習計算出每條測井曲線對不同巖相響應特征的平均值（表2），將具有相似平均值的巖性劃分為一類巖相，這里需要注意的是，由于機器無法識別單一巖相里面的沉積構造，所以將其歸為一類巖相，也就是前面所說的以相似性為輸入模式。Kohonen神經(jīng)網(wǎng)絡只是機器無監(jiān)督的將輸入數(shù)據(jù)進行分類，且由于測井資料本身存在一定的多解性，因此實際解釋過程中需要人機交互解釋，對每一種巖相的確定需要結合巖心綜合柱狀圖與測井曲線響應特征進行人工識別，從而給每一個分類進行巖相命名，確定其屬于何種巖相，也就是所謂的“人為分配”。

表2 不同巖相的測井曲線平均值Table 2 Average value of logging curves of various lithofacies

這里選取了5條測井曲線，分別為自然伽馬曲線（GR）、電阻率曲線（RT、RXO）、聲波時差曲線（AC）、密度曲線（DEN），從J10025單井全井段來看，自然電位曲線（SP）在全井段中無明顯大幅度起伏變化，近似為一條直線貫穿全井段；聲波時差曲線（AC）、對部分巖相的測井響應特征區(qū)分不夠明顯；自然伽馬曲線（GR）、密度曲線（DEN）和電阻率曲線（RT、RXO）對不同巖相的測井響應特征區(qū)分較為明顯，這里選擇5條測井曲線作為巖相劃分的依據(jù)，可以提高巖相識別的準確率。

經(jīng)過前面的處理流程，將巖相分成6 類，形成自組織圖（圖10），圖中每一種背景顏色代表一種巖相類型，朵葉體的每一個花瓣代表一條測井曲線，紅色的花瓣代表GR曲線，紫色的花瓣代表AC曲線，黃色的花瓣代表DEN 曲線，棕褐色的花瓣代表RT 曲線，白色的花瓣代表RXO 曲線，它們面積的大小代表不同測井曲線響應特征的變化，每一類巖相類型中的朵葉體都有較為相似的測井曲線響應特征，以此圖為基準，形成單井巖相劃分成果圖（圖11）。

圖10 單井巖相劃分自組織圖Fig.10 Self organization chart of lithofacies division in single well

圖11 J10025 井巖相劃分成果圖Fig.11 Result map of lithofacies division in well J10025

單井巖相劃分結果與鑄體薄片相對于其他劃分方案匹配程度較高，但是由于Kohonen神經(jīng)網(wǎng)絡特殊的輸入模式和薄互層分布的特點，將一些測井曲線計算出的數(shù)值相近的巖性劃分到一類巖相，這是未取心井中鑄體薄片與Kohonen 神經(jīng)網(wǎng)絡劃分出的巖相匹配度不同的主要原因。

通過計算，單井的Kohonen神經(jīng)網(wǎng)絡識別精度為87.9%（鑄體薄片總數(shù)為33 塊，與Kohonen 神經(jīng)網(wǎng)絡符合的鑄體薄片總數(shù)為29 塊），整體上應用Kohonen神經(jīng)網(wǎng)絡劃分出的巖相與鑄體薄片匹配度較好，說明建立的巖相劃分模型比較準確，可應用到其他井進行巖相劃分（圖12），提高巖相劃分效率。

圖12 J10016 井巖相劃分成果圖Fig.12 Result map of lithofacies division in well J10016

如將該方法推廣應用至J10016井巖相測井識別中，識別結果表明P2l2-12和P2l2-22該砂組主要的巖相類型為平行層理粉砂巖相，但中間也發(fā)育塊狀泥巖相和水平層理白云質(zhì)泥巖相，識別結果與巖心觀察和薄片資料相吻合。而P2l2-32則沒有明顯優(yōu)勢巖相，水平層理白云質(zhì)泥巖相、波狀/水平層理粉砂質(zhì)泥巖相和平行層理粉砂巖相3種巖相疊置發(fā)育，測井識別結果與巖心和薄片資料也相吻合，驗證了基于人工智能識別巖相方法的準確性。

5 結論

（1）研究區(qū)巖石組分復雜，縱向上非均質(zhì)性較強。本文綜合考慮測井曲線對每種巖相的可區(qū)分性，以及地質(zhì)上的可識別性，綜合利用巖心資料與測井資料，并結合前人的劃分方案建立了吉木薩爾凹陷蘆草溝組巖相劃分方案，共劃分出6 種主要巖相：平行/波狀層理泥質(zhì)粉砂巖相、平行層理粉砂巖相、波狀/平行層理粉砂質(zhì)泥巖相、水平層理白云質(zhì)泥巖相、塊狀泥晶白云巖相、塊狀泥巖相，并系統(tǒng)地研究了各個巖相的成分及沉積構造等特征。

（2）本次研究根據(jù)不同巖相的常規(guī)測井響應特征，結合巖心資料、鑄體薄片資料與成像測井資料，通過巖心刻度測井資料建立每種巖相的測井評價模型與判別準則，進一步利用人工智能——Kohonen神經(jīng)網(wǎng)絡方法，實現(xiàn)單井縱向上巖相的自動判別，通過鑄體薄片對其劃分精度進行驗證，結果表明，符合程度較高。

致謝 感謝中石油新疆油田分公司勘探開發(fā)研究院提供的測井資料以及薄片等分析化驗數(shù)據(jù)支撐，感謝參與中國石油大學—中石油戰(zhàn)略合作協(xié)議的新疆油田分公司勘探開發(fā)研究院工作人員，同時感謝課題組內(nèi)的羅群老師、劉冬冬老師、楊威老師、李卓老師等相關人員的幫助，在此表示衷心的感謝！