基于徑向基—多層感知器神經(jīng)網(wǎng)絡(luò)聯(lián)合的復(fù)雜巖相智能識(shí)別與表征

姜世一 孫盼科 張 林 賈浪波 何太洪徐懷民 艾貝貝 張何鋒 饒華文 丁 遙

1.中國(guó)石油大學(xué)（北京）地球科學(xué)學(xué)院 2.“油氣資源與探測(cè)”國(guó)家重點(diǎn)實(shí)驗(yàn)室·中國(guó)石油大學(xué)（北京）

3.中國(guó)石油西部鉆探工程有限公司 4.中國(guó)石油長(zhǎng)慶油田公司勘探開(kāi)發(fā)研究院

5.中國(guó)石油塔里木油田公司 6.中國(guó)石油西南油氣田公司燃?xì)夥止?/p>

0 引言

鄂爾多斯盆地蘇里格氣田致密砂巖氣藏的天然氣儲(chǔ)量規(guī)模和年產(chǎn)氣量目前均位居全國(guó)第一，勘探面積近5×104km2[1]。截至2020年底，蘇里格氣田開(kāi)發(fā)區(qū)內(nèi)已有探明儲(chǔ)量（含基本探明儲(chǔ)量）約4×1012m3，其中，作為主力開(kāi)發(fā)含氣段之一的上古生界石盒子組盒8段（以下簡(jiǎn)稱盒8段）探明儲(chǔ)量約占總探明儲(chǔ)量的60%，開(kāi)發(fā)潛力巨大[1-5]。然而，盒8段河流相致密砂巖儲(chǔ)層內(nèi)部結(jié)構(gòu)復(fù)雜、非均質(zhì)性強(qiáng)，不同河流類型之間沉積、儲(chǔ)層特征差異大，導(dǎo)致了研究區(qū)目前面臨單井產(chǎn)能逐年降低、甜點(diǎn)儲(chǔ)層優(yōu)選難等關(guān)鍵技術(shù)難題，而解決這些問(wèn)題的關(guān)鍵是開(kāi)展儲(chǔ)層結(jié)構(gòu)（巖相及其組合）及非均質(zhì)性特征的精細(xì)解剖研究。

巖相，作為特定水動(dòng)力條件下的基礎(chǔ)沉積單元，是開(kāi)展儲(chǔ)層結(jié)構(gòu)研究的核心，巖相類型及其組合對(duì)致密砂巖儲(chǔ)層非均質(zhì)性特征及儲(chǔ)層質(zhì)量具有重要的控制作用。巖相的概念最早由Miall在1978年提出[6]，他認(rèn)為巖相是在一定沉積環(huán)境中形成的巖石或巖石組合，是沉積相的主要組成部分[6,7-11]。目前，巖相的測(cè)井識(shí)別與表征主要有兩種方法：其一是常規(guī)測(cè)井識(shí)別方法，包括交會(huì)圖法、構(gòu)造特征參數(shù)法、曲線重疊法等[12-14]，但這些方法依賴解釋人員的經(jīng)驗(yàn)和知識(shí)較多，普遍準(zhǔn)確率較低；其二是特殊測(cè)井識(shí)別方法，包括利用地層傾角測(cè)井與成像測(cè)井對(duì)巖相進(jìn)行識(shí)別[15-16]，但這些方法由于費(fèi)用昂貴，難以廣泛應(yīng)用。隨著計(jì)算機(jī)科學(xué)的迅速發(fā)展，神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機(jī)等人工智能算法已被應(yīng)用于測(cè)井解釋研究[17-21]，并取得了一定的成效，但這些方法在樣本數(shù)量有限、處理流程不完善和自我調(diào)節(jié)能力較差等因素制約下[22]，對(duì)復(fù)雜巖相的識(shí)別精度仍有待提高。多數(shù)學(xué)者在使用人工智能算法進(jìn)行測(cè)井解釋時(shí)缺乏考慮地質(zhì)特征、地質(zhì)特征約束下的測(cè)井響應(yīng)特征與算法原理之間的契合性，進(jìn)而導(dǎo)致所使用的方法缺乏合理性論證或機(jī)理上的認(rèn)識(shí)。

針對(duì)目前蘇里格氣田東二區(qū)北部盒8段開(kāi)發(fā)中存在的關(guān)鍵技術(shù)難題，本文通過(guò)巖心的觀察、描述，對(duì)盒8段發(fā)育的巖相類型及其組合進(jìn)行識(shí)別與劃分；在此基礎(chǔ)上，通過(guò)分析盒8段不同河型儲(chǔ)層的巖相特征及其約束下各類巖相測(cè)井響應(yīng)特征，優(yōu)選、建立了徑向基神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Network，縮寫為RBFNN）與多層感知器神經(jīng)網(wǎng)絡(luò)（Multi-layer Perceptron Neural Networks，縮寫為MLPNN）聯(lián)合巖相識(shí)別模型。該方法克服了現(xiàn)有巖相識(shí)別方法準(zhǔn)確率低且難以推廣的缺陷，為致密砂巖儲(chǔ)層結(jié)構(gòu)及非均質(zhì)性研究奠定基礎(chǔ)。

1 地質(zhì)概況

研究區(qū)位于蘇里格氣田東二區(qū)北部，構(gòu)造上位于伊盟隆起—伊陜斜坡過(guò)渡帶[23-24]（圖1）。上古生界自下而上發(fā)育石炭系本溪組，二疊系太原組、山西組、下石盒子組、上石盒子組和石千峰組等地層，其中下石盒子組盒8段為該區(qū)主力產(chǎn)氣層段之一[25-27]。盒8段沉積期，盆地北部構(gòu)造活動(dòng)強(qiáng)烈，物源供給充分，自下而上經(jīng)歷了由辮狀河（盒8下亞段）到曲流河（盒8上亞段）的沉積演化[28-29]（圖1）。砂巖儲(chǔ)層孔隙度介于4%～14%，平均孔隙度為7%，滲透率介于0.1～2 mD，平均滲透率為0.7 mD，屬典型的低孔、低滲致密砂巖儲(chǔ)層[30-33]。

圖1 研究區(qū)構(gòu)造位置及地層綜合柱狀圖

2 巖相類型及其組合特征

2.1 巖相類型及特征

本次研究關(guān)于巖相的劃分命名參考了Miall的方法，通過(guò)對(duì)50口取心井巖心巖性及層理的觀察描述，共劃分了8種巖相類型（表1），分別為塊狀層理礫巖相、槽狀交錯(cuò)層理粗砂巖相、板狀交錯(cuò)層理粗砂巖相、板狀交錯(cuò)層理中砂巖相、平行層理中砂巖相、交錯(cuò)層理細(xì)砂巖相、波狀層理粉砂巖相、塊狀層理泥巖相。

表1 蘇里格氣田東二區(qū)巖相類型劃分表

塊狀層理礫巖相主要為灰白色礫巖，分選較差，磨圓較好，主要發(fā)育于辮狀河/曲流河河道底部沖刷面之上、點(diǎn)壩/心灘壩底部；槽狀/板狀交錯(cuò)層理粗砂巖相主要為灰色粗砂巖，多發(fā)育在河道下部、點(diǎn)壩/心灘壩底部，發(fā)育厚度相對(duì)較??；板狀交錯(cuò)層理中砂巖相主要為灰白色中砂巖，多發(fā)育在河道、心灘、點(diǎn)壩中下部，其中辮狀河心灘壩微相發(fā)育厚度規(guī)模較大，曲流河點(diǎn)壩微相發(fā)育厚度規(guī)模相對(duì)較小。平行層理中砂巖相主要為灰白色中砂巖，多發(fā)育在曲流河及辮狀河河道中部，指示強(qiáng)水動(dòng)力沉積環(huán)境；交錯(cuò)層理細(xì)砂巖相主要為灰白色細(xì)砂巖，主要發(fā)育在河道、心灘、點(diǎn)壩上部，表示水動(dòng)力減弱；波狀層理粉砂巖相主要為灰黑色粉砂巖，主要發(fā)育于河道、心灘、點(diǎn)壩頂部，沉積環(huán)境水動(dòng)力弱；塊狀泥巖相主要為灰黑色泥巖，主要發(fā)育于泛濫平原和河道、心灘、點(diǎn)壩頂部或點(diǎn)壩、心灘壩內(nèi)部夾層。

2.2 巖相組合特征

巖相作為特定水動(dòng)力條件下的基本沉積單元，其不同的組合特征使不同沉積微相呈現(xiàn)不同的結(jié)構(gòu)非均質(zhì)性（表2）。

表2 蘇里格氣田東二區(qū)沉積微相與巖相組合對(duì)應(yīng)特征表

辮狀河環(huán)境主要發(fā)育辮狀河道和心灘壩2種沉積微相。其中，辮狀河道一般自下而上發(fā)育塊狀層理礫巖相、槽狀/板狀交錯(cuò)層理粗砂巖相、平行層理中砂巖相、交錯(cuò)層理細(xì)砂巖相、波狀層理粉砂巖相、塊狀層理泥巖相。河床底部受到?jīng)_刷導(dǎo)致沉積雜亂，中部沉積水動(dòng)力較強(qiáng)多發(fā)育厚度較大的槽狀/板狀交錯(cuò)層理及平行層理，頂部水動(dòng)力減弱發(fā)育較薄的波狀層理粉砂巖相及塊狀層理泥巖相。心灘壩一般自下而上發(fā)育塊狀層理礫巖相、中大型槽狀/板狀交錯(cuò)層理粗砂巖相、中大型板狀交錯(cuò)層理中砂巖相、交錯(cuò)層理細(xì)砂巖相、波狀層理粉砂巖相、塊狀層理泥巖相。底部礫巖厚度較河道減薄，中部多發(fā)育厚度較大、層理角度較高的板狀交錯(cuò)層理，平行層理發(fā)育較少，頂部發(fā)育薄層波狀層理粉砂巖相及塊狀層理泥巖相。心灘壩內(nèi)部偶有泥質(zhì)落淤層發(fā)育，表示整體水動(dòng)力較強(qiáng)。

曲流河環(huán)境主要發(fā)育曲流河河道和點(diǎn)壩2種沉積微相。其中，曲流河河道微相一般自下而上發(fā)育塊狀層理礫巖相、槽狀/板狀交錯(cuò)層理中粗砂巖相、小型平行層理/板狀交錯(cuò)層理中細(xì)砂巖相、波狀層理粉砂巖相、塊狀層理泥巖相?？傮w而言，曲流河河道較辮狀河河道沉積粒度變細(xì)、泥質(zhì)含量增加，下部由于水動(dòng)力變化頻繁導(dǎo)致各類巖相厚度相對(duì)變小且變化更為頻繁，上部由于水動(dòng)力條件減弱導(dǎo)致塊狀層理泥巖相厚度較辮狀河增大。點(diǎn)壩側(cè)向加積作用明顯，一般自下而上發(fā)育塊狀層理礫巖相、槽狀交錯(cuò)層理中粗砂巖相、板狀交錯(cuò)層理中砂巖相、水平層理泥巖相、板狀交錯(cuò)層理細(xì)砂巖相、波狀層理粉砂巖相、塊狀層理泥巖相。底部礫巖厚度較小，中部發(fā)育層薄多期、層理角度較低的板狀交錯(cuò)層理，頂部發(fā)育較厚層波狀層理粉砂巖相及塊狀層理泥巖相。

2.3 巖相分布規(guī)律

為了定量表征研究區(qū)盒8段辮狀河相、曲流河相儲(chǔ)層巖相結(jié)構(gòu)特征差異，本次研究參考“夾層密度”和“夾層頻率”的概念引入了“巖相密度”和“巖相頻率”這兩個(gè)概念。“巖相密度”定義為單一巖相厚度占巖相組合厚度的比例，“巖相頻率”定義為單一巖相組合內(nèi)部的某一類巖相出現(xiàn)個(gè)數(shù)。通過(guò)統(tǒng)計(jì)巖心巖相密度及巖相頻率（圖2、3）可以發(fā)現(xiàn)，盒8下亞段辮狀河相儲(chǔ)層整體巖相密度偏大，除塊狀層理礫巖相、波狀層理粉砂巖相、塊狀層理泥巖相外，其余巖相密度均大于25%；巖相頻率偏低，除泥巖相頻率略大于1.3外，其余巖相頻率均小于1.3。盒8上亞段曲流河相儲(chǔ)層整體巖相密度偏小，所有巖相密度均小于25%；巖相頻率偏高，除塊狀層理礫巖相、板狀交錯(cuò)層理粗砂巖相、槽狀交錯(cuò)層理粗砂巖相外，其余巖相頻率均大于1.3。由此分析可知，研究區(qū)辮狀河相儲(chǔ)層單一巖相厚度相對(duì)較大，垂向巖相變化相對(duì)不頻繁，而曲流河相儲(chǔ)層單一巖相厚度較小，垂向巖相變化頻繁。

圖2 蘇里格氣田東二區(qū)盒8段曲河相及辮狀河相儲(chǔ)層巖相密度統(tǒng)計(jì)圖

圖3 蘇里格氣田東二區(qū)盒8段曲河相及辮狀河相儲(chǔ)層巖相頻率統(tǒng)計(jì)圖

3 巖相約束下的測(cè)井響應(yīng)特征

對(duì)于不同巖相單元而言，由于其厚度差異導(dǎo)致其測(cè)井響應(yīng)受圍巖影響程度各不相同[34]。為了分析巖相約束下的測(cè)井?dāng)?shù)據(jù)分布特征，且考慮不同測(cè)井?dāng)?shù)據(jù)的數(shù)值大小及單位差異，本文利用離差標(biāo)準(zhǔn)化法對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行了無(wú)量綱化處理[35]，具體處理公式如下：

式中：x1表示歸一化后測(cè)井?dāng)?shù)據(jù)；x表示原始測(cè)井?dāng)?shù)據(jù)；xmax表示測(cè)井?dāng)?shù)據(jù)最大值；xmin表示測(cè)井?dāng)?shù)據(jù)最小值。

利用處理后的測(cè)井?dāng)?shù)據(jù)，分別統(tǒng)計(jì)了盒8段兩類河型不同巖相測(cè)井?dāng)?shù)據(jù)，結(jié)果表明盒8上亞段曲流河相儲(chǔ)層各類巖相測(cè)井?dāng)?shù)據(jù)分布較零散，盒8下亞段辮狀河相儲(chǔ)層的各類巖相測(cè)井?dāng)?shù)據(jù)分布相對(duì)較集中。由上可知，巖相密度和巖相頻率確實(shí)對(duì)不同河型不同巖相的測(cè)井?dāng)?shù)據(jù)分布具有一定影響：?jiǎn)我粠r相厚度、巖相密度較小，巖相頻率較大的曲流河相儲(chǔ)層，各類巖相受鄰近巖相影響較大，導(dǎo)致各類巖相測(cè)井?dāng)?shù)據(jù)分布較零散；而單一巖相厚度、巖相密度較大、巖相頻率較小的辮狀河相儲(chǔ)層，各類巖相受鄰近巖相影響較小，由此導(dǎo)致各類巖相測(cè)井?dāng)?shù)據(jù)分布相對(duì)較集中。

4 基于數(shù)據(jù)分布特征的智能化巖相識(shí)別方法

針對(duì)不同河型不同巖相測(cè)井?dāng)?shù)據(jù)特征分布的差異，本文優(yōu)選了徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN）和多層感知器神經(jīng)網(wǎng)絡(luò)（MLPNN）進(jìn)行復(fù)雜巖相的智能化識(shí)別與表征。

4.1 徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN）與多層感知器神經(jīng)網(wǎng)絡(luò)（MLPNN）原理

4.1.1 徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN）原理

徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN）是一種基于高斯核局部逼近的神經(jīng)網(wǎng)絡(luò)，其包括輸入層、隱藏層和輸出層三層結(jié)構(gòu)（圖4）。輸入層僅起到數(shù)據(jù)信息的傳遞作用，而輸出層通過(guò)對(duì)隱藏層神經(jīng)元輸出信息進(jìn)行線性加權(quán)后輸出整個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)果。隱藏層作為整個(gè)神經(jīng)網(wǎng)絡(luò)的核心，其可對(duì)輸入矢量進(jìn)行變換，將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，使得在低維空間內(nèi)的線性不可分問(wèn)題在高維空間內(nèi)線性可分[36-37]。而作為隱藏層神經(jīng)元核函數(shù)的高斯函數(shù)對(duì)于數(shù)據(jù)分布較為集中的樣本具有較強(qiáng)的學(xué)習(xí)能力，且學(xué)習(xí)模型預(yù)測(cè)精度較高，而對(duì)于數(shù)據(jù)分布相對(duì)較零散的樣本，其學(xué)習(xí)率和后期的預(yù)測(cè)準(zhǔn)確率就會(huì)明顯下降[38-42]。

圖4 徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

4.1.2 多層感知器神經(jīng)網(wǎng)絡(luò)（MLPNN）原理

多層感知器神經(jīng)網(wǎng)絡(luò)（MLPNN）也叫人工神經(jīng)網(wǎng)絡(luò)（ANN），是一種全局逼近的由一組并行的多個(gè)感知器構(gòu)成的神經(jīng)網(wǎng)絡(luò)[43]，其可以為單層或多層結(jié)構(gòu)（圖5）。網(wǎng)絡(luò)結(jié)構(gòu)中最左側(cè)是輸入層，中間是隱藏層，最后是輸出層，其中輸入層神經(jīng)元個(gè)數(shù)由輸入數(shù)據(jù)的向量元素個(gè)數(shù)決定。MLPNN的基本思想是全局逼近，利用單層感知器解決線性可分問(wèn)題，構(gòu)建多層感知器將線性邊界組合成非線性邊界以解決非線性可分問(wèn)題，具有高度的非線性全局作用。該方法面對(duì)數(shù)據(jù)分布較零散的樣本，可通過(guò)非線性方法對(duì)其進(jìn)行分類識(shí)別，學(xué)習(xí)速率及預(yù)測(cè)準(zhǔn)確率較高，而對(duì)于樣本數(shù)據(jù)分布較集中的情況，反而使其容易陷入局部極值導(dǎo)致學(xué)習(xí)速率及預(yù)測(cè)準(zhǔn)確率下降的問(wèn)題[44-46]。

圖5 多層感知器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

4.2 徑向基—多層感知器神經(jīng)網(wǎng)絡(luò)（RBF—MLPNN）聯(lián)合模型建立

針對(duì)研究區(qū)盒8段曲流河相、辮狀河相不同巖相測(cè)井?dāng)?shù)據(jù)分布特征的差異以及RBFNN、MLPNN模型面對(duì)不同分布特征數(shù)據(jù)樣本的適用性，并且為了使識(shí)別模型學(xué)習(xí)效率及預(yù)測(cè)準(zhǔn)確性達(dá)到最優(yōu)，本次研究以不同的巖相密度為分界，優(yōu)選、建立了徑向基—多層感知器神經(jīng)網(wǎng)絡(luò)（RBF—MLPNN）聯(lián)合模型（以下簡(jiǎn)稱聯(lián)合模型）（圖6），分類分方法進(jìn)行了復(fù)雜儲(chǔ)層巖相智能化識(shí)別與表征。

圖6 RBF—MLPNN模型建立流程圖

4.2.1 測(cè)井參數(shù)的優(yōu)選及標(biāo)簽的建立

復(fù)雜儲(chǔ)層巖相智能化識(shí)別與表征的第一步就是建立訓(xùn)練的樣品庫(kù)。本次研究通過(guò)巖心巖相標(biāo)定無(wú)量綱化處理的常規(guī)測(cè)井?dāng)?shù)據(jù)進(jìn)行了不同巖相類型敏感測(cè)井參數(shù)優(yōu)選（圖7）。根據(jù)蛛網(wǎng)圖結(jié)果表明，GR、PE、AC、CNL、DEN、LLD這六類測(cè)井曲線數(shù)據(jù)分布區(qū)間重疊范圍小，且不同巖相對(duì)應(yīng)同種測(cè)井?dāng)?shù)據(jù)之間差別大，因此優(yōu)選這六類測(cè)井?dāng)?shù)據(jù)建立不同巖相類型智能化識(shí)別樣本數(shù)據(jù)庫(kù)。

圖7 不同巖相測(cè)井曲線敏感性分析蜘蛛圖

4.2.2 RBF-MLPNN聯(lián)合模型訓(xùn)練及效果分析

在智能化識(shí)別樣本庫(kù)中，選取70%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，以不同的巖相密度作為兩類巖相數(shù)據(jù)分布特征的分界，分別對(duì)聯(lián)合識(shí)別模型中不同的模型進(jìn)行訓(xùn)練，并且以剩余30%的數(shù)據(jù)檢驗(yàn)準(zhǔn)確率。據(jù)試驗(yàn)集檢驗(yàn)結(jié)果表明，當(dāng)巖相密度為25%時(shí)，聯(lián)合模型識(shí)別效果最優(yōu)，綜合平均準(zhǔn)確率達(dá)到89.06%（圖8），對(duì)盒8上亞段曲流河相儲(chǔ)層巖相識(shí)別平均準(zhǔn)確率達(dá)到90.95%（表3），對(duì)盒8下亞段辮狀河相儲(chǔ)層巖相識(shí)別平均準(zhǔn)確率達(dá)到87.16%（表3）。進(jìn)一步對(duì)比聯(lián)合模型與單獨(dú)使用某一模型的效果可知（表3），聯(lián)合模型針對(duì)各類巖相的綜合識(shí)別準(zhǔn)確率均高于單一的神經(jīng)網(wǎng)絡(luò)模型。除此之外還可以發(fā)現(xiàn)，RBFNN模型對(duì)巖相密度大于25%的巖相預(yù)測(cè)準(zhǔn)確率更高，而MLPNN模型對(duì)巖相密度小于25%的巖相預(yù)測(cè)準(zhǔn)確率更高，結(jié)合之前的分析亦可證明巖相密度等于25%作為聯(lián)合模型選用不同神經(jīng)網(wǎng)絡(luò)進(jìn)行巖相識(shí)別的特征判別標(biāo)準(zhǔn)是可靠的。

圖8 不同巖相密度為界限下RBF—MLPNN聯(lián)合模型綜合準(zhǔn)確率曲線圖

表3 三種神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率對(duì)比表

5 與常規(guī)方法效果對(duì)比分析

為了進(jìn)一步論證基于數(shù)據(jù)分布特征的智能化巖相識(shí)別方法的優(yōu)勢(shì)，本次研究在RBF—MLPNN聯(lián)合模型識(shí)別的基礎(chǔ)上，又分別采用了交會(huì)圖法、主成分分析法和決策樹法對(duì)盒8段進(jìn)行了巖相識(shí)別，并對(duì)其識(shí)別效果進(jìn)行了對(duì)比分析。

5.1 交會(huì)圖法

本次研究利用優(yōu)選參數(shù)分段建立了GR-AC交會(huì)圖、DEN-LLD交會(huì)圖（圖9）。分析表明，GR可以很好區(qū)分泥巖巖相與砂巖巖相，但無(wú)論是盒8上亞段還是盒8下亞段，每種砂巖巖相的測(cè)井響應(yīng)都具有較多的重疊部分，因此會(huì)導(dǎo)致巖相識(shí)別精度降低。

圖9 盒8段不同巖相GR—AC、DEN—LLD交會(huì)圖

5.2 主成分分析法

主成分分析法是考察多個(gè)變量間相關(guān)性的一種多元統(tǒng)計(jì)方法，能夠提取變量信息、保留原始變量信息、減少分析維度，從而使問(wèn)題更簡(jiǎn)單直觀[47]。本次研究，利用之前優(yōu)選出的GR、PE、AC、CNL、DEN、LLD這六類測(cè)井?dāng)?shù)據(jù)，分別對(duì)盒8上、下亞段各構(gòu)建了兩個(gè)主成分建立交會(huì)圖（圖10）。結(jié)果表明，相比于交會(huì)圖法其效果明顯提升，但由于每種巖相的測(cè)井響應(yīng)特征過(guò)于接近，導(dǎo)致仍有很多的重疊部分，無(wú)法準(zhǔn)確劃分每種巖相判別界限，解釋精度過(guò)低。

圖10 盒8段不同巖相F1—F2主成分交會(huì)圖

5.3 決策樹法

決策樹是機(jī)器學(xué)習(xí)最常見(jiàn)的算法之一，是一種樹狀結(jié)構(gòu)的分類預(yù)測(cè)模型[48]，在有標(biāo)記的訓(xùn)練集中學(xué)習(xí)分類規(guī)則,以預(yù)測(cè)待識(shí)別目標(biāo)的類型為目標(biāo)[49]，可總結(jié)為上而下“分而治之”[50]。根據(jù)識(shí)別結(jié)果表明（表4），盒8上亞段訓(xùn)練樣本平均正確率為29.93%，檢驗(yàn)樣本平均正確率為31.45%，盒8下亞段訓(xùn)練樣本平均正確率為30.84%，檢驗(yàn)樣本平均正確率為29.16%，整體準(zhǔn)確率偏低。

表4 盒8段不同巖相決策樹模型準(zhǔn)確率數(shù)據(jù)表

5.4 單井識(shí)別效果分析

對(duì)比不同方法巖相識(shí)別結(jié)果可知（表5，圖11），RBF—MLPNN聯(lián)合模型巖相識(shí)別平均準(zhǔn)確率達(dá)到89.06%，相比于交會(huì)圖、主成分分析、決策樹模型識(shí)別準(zhǔn)確率有顯著的提高。根據(jù)單井巖相識(shí)別結(jié)果可以看出，RBF—MLPNN聯(lián)合模型識(shí)別效果最佳，識(shí)別的巖相垂向組合更加符合沉積規(guī)律。

圖11 研究區(qū)召51井巖相解釋成果對(duì)比圖（1 in=25.4 mm）

表5 不同巖相識(shí)別方法綜合準(zhǔn)確率數(shù)據(jù)表

6 討論

6.1 儲(chǔ)層結(jié)構(gòu)特征與人工智能算法的優(yōu)選

通過(guò)本次研究可以發(fā)現(xiàn)，在進(jìn)行復(fù)雜儲(chǔ)層巖相識(shí)別與表征的過(guò)程中，需要考慮儲(chǔ)層內(nèi)部不同的儲(chǔ)層結(jié)構(gòu)特征，不同儲(chǔ)層結(jié)構(gòu)特征約束下的測(cè)井?dāng)?shù)據(jù)特征以及這些特征與人工智能算法模型之間的契合性，而不是盲目使用模型，從而導(dǎo)致識(shí)別精度較低。例如本次研究區(qū)盒8上亞段的曲流河儲(chǔ)層，由于其巖相密度小，垂向變化頻繁，測(cè)井采集數(shù)據(jù)受周圍其他巖相的影響較大，從而導(dǎo)致同一巖相對(duì)應(yīng)的測(cè)井?dāng)?shù)據(jù)分布較分散。因此，在選擇模型時(shí)，應(yīng)選擇適用于區(qū)分分散數(shù)據(jù)的全局逼近MLPNN模型，通過(guò)將線性邊界組合成非線性邊界而區(qū)分分散數(shù)據(jù)。而對(duì)于研究區(qū)盒8下亞段辮狀河儲(chǔ)層而言，由于其巖相密度大且變化不頻繁，測(cè)井采集數(shù)據(jù)受周圍巖相的影響小，從而導(dǎo)致測(cè)井?dāng)?shù)據(jù)分布相對(duì)較集中。因此，在選擇模型時(shí)，選擇與之適應(yīng)的適用于相對(duì)集中數(shù)據(jù)的局部逼近RBFNN模型效果更好。此外，對(duì)于交匯圖法、主成分分析法、決策樹法等方法，由于未考慮數(shù)據(jù)的分布特征，從而使其相比于可以解決非線性可分問(wèn)題的神經(jīng)網(wǎng)絡(luò)模型，對(duì)河流相致密砂巖儲(chǔ)層復(fù)雜巖相的識(shí)別準(zhǔn)確率明顯降低。

6.2 巖相識(shí)別與表征對(duì)致密砂巖儲(chǔ)層非均質(zhì)性研究的重要性

對(duì)于致密砂巖儲(chǔ)層而言，儲(chǔ)層巖相結(jié)構(gòu)特征對(duì)儲(chǔ)層非均質(zhì)性研究及甜點(diǎn)儲(chǔ)層的表征具有重要的指導(dǎo)意義。在單井巖相識(shí)別的基礎(chǔ)上，通過(guò)統(tǒng)計(jì)不同巖相的物性、含氣性及壓裂后單井產(chǎn)能特征（注：?jiǎn)尉a(chǎn)能Ⅰ類無(wú)阻流量大于10×104m3/d，產(chǎn)能好；單井產(chǎn)能Ⅱ類無(wú)阻流量（4～10）×104m3/d，產(chǎn)能中等；單井產(chǎn)能Ⅲ類無(wú)阻流量小于4×104m3/d，產(chǎn)能差）[51]可以發(fā)現(xiàn)（圖12），板狀交錯(cuò)層理粗砂巖相和槽狀交錯(cuò)層理粗砂巖相物性、含氣性最好，單井產(chǎn)能Ⅰ類中占比最高，產(chǎn)能最好，其中槽狀交錯(cuò)層理粗砂巖相物性略好于板狀交錯(cuò)層理粗砂巖相，但含氣性及產(chǎn)能略差于板狀交錯(cuò)層理粗砂巖相；塊狀層理礫巖相物性、含氣性較好，三類單井產(chǎn)能占比較低，產(chǎn)能略差；板狀交錯(cuò)/平行層理中砂巖相物性、含氣性略差于塊狀層理礫巖相，單井Ⅱ、Ⅲ類占比高，產(chǎn)能差于槽狀交錯(cuò)層理/板狀交錯(cuò)層理粗砂巖相，其中平行層理中砂巖相好于板狀交錯(cuò)層理中砂巖相；交錯(cuò)層理細(xì)砂巖物性、含氣性較差，單井產(chǎn)能Ⅲ類占比最高，產(chǎn)能差；波狀層理粉砂巖物性、含氣性最差，三類單井產(chǎn)能幾乎無(wú)占比，產(chǎn)能最差。綜上分析可知，不同的巖相結(jié)構(gòu)特征具有不同的物性、含氣性及產(chǎn)能特征差異，因此，開(kāi)展致密砂巖儲(chǔ)層巖相識(shí)別與表征對(duì)該類儲(chǔ)層高效開(kāi)發(fā)具有重要的意義。

圖12 盒8段不同巖相物性、含氣性及產(chǎn)能特征圖

7 結(jié)論

1）研究區(qū)盒8段共發(fā)育8種巖相類型、6種巖相組合模式。其中，盒8上亞段曲流河相儲(chǔ)層整體巖相密度偏小、巖相頻率偏高、對(duì)應(yīng)測(cè)井?dāng)?shù)據(jù)分布較分散，而盒8下亞段辮狀河相儲(chǔ)層整體巖相密度偏大、巖相頻率偏低、對(duì)應(yīng)測(cè)井?dāng)?shù)據(jù)分布較集中。

2）本次研究從地質(zhì)特征、地質(zhì)特征約束下的測(cè)井?dāng)?shù)據(jù)特征與人工智能算法原理之間的契合性出發(fā)，優(yōu)選巖相密度等于25%作為聯(lián)合模型選用不同神經(jīng)網(wǎng)絡(luò)進(jìn)行巖相識(shí)別的特征判別標(biāo)準(zhǔn)，建立了徑向基—多層感知器神經(jīng)網(wǎng)絡(luò)聯(lián)合模型，綜合識(shí)別準(zhǔn)確率可達(dá)89.06%，相較于單一神經(jīng)網(wǎng)絡(luò)模型、交會(huì)圖、主成分分析和決策樹等方法識(shí)別準(zhǔn)確率明顯提高。

3）不同巖相類型具有不同的物性、含氣性及壓裂產(chǎn)能特征，因此，致密砂巖儲(chǔ)層巖相的識(shí)別與表征意義重大。但是，在實(shí)際的識(shí)別、表征過(guò)程中，需選用原理與數(shù)據(jù)分布特征相適應(yīng)的人工智能算法，才能使識(shí)別效果達(dá)到最優(yōu)。