諶麗，王才志，寧從前，劉英明，王浩

（中國石油勘探開發(fā)研究院，北京 100083）

巖相識別是儲層評價的關鍵，準確地識別和劃分巖相，可為后期壓裂改造、油藏描述和盆地預估提供重要依據(jù)。鄂爾多斯盆地隴東地區(qū)延長組7段（下文簡稱長7 段）整體為一套細粒沉積，巖石類型包括黑色頁巖、暗色泥巖、粉—細砂巖和凝灰?guī)r，縱向上巖性變化快，儲層類型復雜，非均質性強[1]。利用巖心和測井資料人為地進行巖相劃分耗時長、效率低，且受取心數(shù)量、地質條件、經驗認識等多方面因素的影響，難以得到準確的巖相結果[2?4]。

近年來，人工智能技術的快速發(fā)展為解決測井巖相識別困難提供了新的研究思路，越來越多的人嘗試利用機器學習解決該地區(qū)復雜儲層的巖相識別問題[5?7]?；诔Ｒ?guī)測井資料，油田學者通過多參數(shù)交會法進行巖相敏感參數(shù)分析，并結合聚類分析算法開展巖相識別；成都理工大學學者通過分析測井曲線交會圖特征，建立巖相類型判別函數(shù)實現(xiàn)巖相分類?；谔厥鉁y井資料，油田學者利用地層元素測井構建礦物含量計算模型，定量識別巖相類型；利用成像測井資料，建立成像測井相—巖相的識別模式，提取圖像典型特征，開展全井段巖相識別。以上方法多采用單一類型的測井資料和傳統(tǒng)的分類算法，雖對部分巖相區(qū)分效果較好，但整體識別精度低，油田推廣應用效果較差。

針對以上研究問題，在綜合考慮巖心、地化、測井曲線、有利區(qū)優(yōu)選等特征后，將長7 段測井巖相劃分為6 類，即均質砂巖、非均質砂巖、粉砂質泥巖、暗色泥巖、黑色頁巖、凝灰?guī)r；總結各類巖相在測井曲線上的變化特征，并結合機器學習算法實現(xiàn)巖相自動分類，提升各類巖相的識別精度，為后期開展頁巖油甜點評價，優(yōu)選勘探目標等提供技術支撐。

1 地質背景

鄂爾多斯盆地大地構造處于中國東部構造域與西部構造域接合部位，古生代時屬大華北盆地的一部分，晚三疊世發(fā)生的印支運動使揚子板塊北緣與華北板塊發(fā)生擠壓碰撞，在盆山耦合作用下，形成了鄂爾多斯大型內陸坳陷湖盆[8]。

隴東地區(qū)位于鄂爾多斯盆地西南部，長7段沉積期為湖盆最大擴張期，發(fā)育典型的陸相頁巖油[9]，縱向上可劃分為上甜點段（長71）、中甜點段（長72）和下甜點段（長73）。其中，上、中甜點段為泥頁巖夾多期薄層粉細砂巖的巖性組合，是頁巖油勘探開發(fā)的主要對象；下甜點段以泥頁巖為主，是風險勘探、原位轉化攻關試驗的主要目標。長7 段整體砂質含量較低，多套薄層砂巖、粉砂質泥巖、泥質粉砂巖及暗色泥巖疊合發(fā)育，主要以泥質沉積為主，縱向上相變快、巖性復雜、非均質性強[10]。

2 巖相類型及其測井響應特征

根據(jù)巖心觀察、薄片鑒定、地化及錄井分析的結果，將長7 段巖相劃分為6 類，并利用巖心標定測井曲線，建立巖相精細劃分模式，通過對不同巖相測井信息的對比分析，總結出該地區(qū)6類巖相的測井響應特征（圖1）。

2.1 均質砂巖

均質砂巖的常規(guī)測井曲線響應特征歸結為“三低兩高”，即自然伽馬低值，一般小于150 API，低中子測井值，平均為15%，低聲波時差，為210～220μs/m，平均216μs/m；中高電阻率值，平均為75 Ω·m，中高密度值，平均為2.5 g/cm3（圖2）。PE值（光電截面吸收指數(shù)）為2～3 b/e，孔隙度相對較高，在2%～12%，儲層品質整體較好。

2.2 非均質砂巖

非均質砂巖的測井響應特征與均質砂巖十分相似，都表現(xiàn)為“三低兩高”，即低自然伽馬、低中子、較低聲波時差，中高電阻率值和中高密度。PE值2～3 b/e，GR曲線呈“鋸齒狀”，曲線變化較為劇烈，成像測井圖顯示黃色，夾暗色泥質條帶，顯示棕色紋層。

2.3 粉砂質泥巖

粉砂質泥巖主要是由于滑塌沉積而形成的混合巖相，砂泥高度混雜，整體呈塊狀。此類巖相在常規(guī)測井曲線上表現(xiàn)為中高自然伽馬（150～200 API），PE值平均為3.5 b/e，中低電阻率（20～50 Ω·m）；中高聲波時差（220～250 μs/m），中高密度值，平均2.65 g/cm3，中子值較大（15 %～25 %）；泥質含量較高（20%～60%），孔隙度低值（小于5%），且自然伽馬曲線呈鋸齒狀變化；成像測井圖呈暗黃色，中間有黑色紋層—薄層顯示，儲層品質較差。

2.4 暗色泥巖

暗色泥巖相呈黑色或灰黑色，厚層塊狀，發(fā)育廣泛且連續(xù)厚度較大。在常規(guī)測井曲線上表現(xiàn)為“三高兩低”（圖3），即高自然伽馬值（180～270 API），高聲波時差（240～300μs/m），高中子值（20%～40%，平均為35%），低密度（2.2～2.6 g/cm3，平均為2.40 g/cm3），低電阻率（10～50 Ω·m），PE值為3～4 b/e；電成像測井圖顯示局部發(fā)育暗色水平紋理，夾雜少量黃鐵礦。

圖3 鄂爾多斯盆地隴東地區(qū)長7段CY1井典型暗色泥巖測井響應特征Fig.3 Logging response characteristics of typical dark mudstone in Well-CY1 of Chang-7 member in Longdong area of Ordos Basin

2.5 黑色頁巖

黑色頁巖主要分布在長7 段的中下部，厚度相對較大，品質好，成熟度高。在測井曲線上顯示自然伽馬異常高值，一般高于300 API，大部分高于450 API，PE值為4～5 b/e；中高電阻率（50～100 Ω·m），高中子，在20 %～68 %，平均40 %，高聲波時差，300～400 μs/m，平均320 μs/m，低密度，一般小于2.45 g/cm3，平均2.29 g/cm3；電成像測井圖呈亮白色，有紋層—薄層狀顯示，局部夾黑色層理（圖4）。

圖4 鄂爾多斯盆地隴東地區(qū)長7段C96井典型黑色頁巖測井響應特征Fig.4 Logging response characteristics of typical black shale in Well-C96 of Chang-7 member in Longdong area of Ordos Basin

2.6 凝灰?guī)r

凝灰?guī)r一般發(fā)育在長7段底部，是比較明顯的標志層，其余層段也可見該類巖相，但均以薄層出現(xiàn)。常規(guī)測井顯示該類巖相自然伽馬在150～240 API，PE值3～4 b/e，電阻率低，一般低于20 Ω·m；密度值在2.3～2.6 g/cm3，平均2.45 g/cm3，中子值在15%～35%，平均25%，聲波在230～300μs/m，平均250μs/m；電成像測井呈暗色中—薄層，有黃鐵礦顯示；孔隙不發(fā)育，儲層品質較差。

3 曲線特征分析及提取

3.1 特征分析

根據(jù)以上巖相識別模式，對研究區(qū)長7段其余單井的巖相進行識別，并利用識別結果建立機器學習樣本庫。分析各類巖相測井響應規(guī)律發(fā)現(xiàn)，黑色頁巖自然伽馬值異常偏高，孔隙度測井曲線變化明顯，與其余巖相差異較大，在常規(guī)測井曲線上可明顯區(qū)分開；粉砂質泥巖與暗色泥巖的區(qū)別在于泥砂含量的不同。統(tǒng)計不同巖相的砂泥含量發(fā)現(xiàn)，粉砂質泥巖相泥質含量為40%～60%，暗色泥巖相泥質含量大于60%；凝灰?guī)r主要發(fā)育在長7 段底部，且多為薄層，電阻率值較暗色泥巖低，粉砂質泥巖與非均質砂巖根據(jù)自然伽馬值和光電截面吸收指數(shù)的不同可明顯區(qū)分；均質砂巖與非均質砂巖在三孔隙度測井曲線上差異不明顯，較難區(qū)分。

總結以上分析得出，中子、密度和聲波曲線對長7段巖相反映最敏感；自然伽馬曲線受泥頁巖層富含機質的影響，對暗色泥巖和黑色頁巖相有較好的指示作用，引入泥巖指數(shù)Ish定量反映儲層內部泥質含量的高低；光電截面吸收指數(shù)（PE值）的不同，對區(qū)分砂泥巖相具有較好的效果；電阻率測井對各類巖相反映較敏感，但其受孔隙流體性質的影響較大，當儲層為水層時，電阻率往往較低，此時不同巖相的電阻率差異難以準確反映具體巖相，需結合其余測井曲線進行判別。

3.2 特征衍生及提取

以上特征分析單從測井曲線本身出發(fā)，直觀定性地識別巖相類型，但同一沉積時期形成的巖相有時在常規(guī)測井曲線上的差異并不明顯，導致直接利用常規(guī)測井曲線特征進行巖相識別較為困難。需進一步對測井曲線特征進行分析，通過特征變換的方式，對巖相敏感的響應特征進行放大，進而顯著地區(qū)分開各類巖相。

由各類巖相測井響應特征分析得知，中子、密度和聲波曲線對各類巖相的區(qū)分度較高，分別利用以上曲線計算得出孔隙度。分析各類巖相的三孔隙度曲線發(fā)現(xiàn)，對于泥頁巖相，中子、密度、聲波孔隙度之間的差異較大，泥質含量越高，孔隙度結果之間差異越大；對于砂巖相，三孔隙度曲線之間的差異較小，且利用密度曲線計算出的孔隙度與實際孔隙度結果相近。因此，三孔隙度曲線之間的差異對區(qū)分各類巖相具有重要的指示意義。

為定量表征孔隙度曲線之間的差異，選取孔隙度差距最大的2條曲線——聲波和中子孔隙度曲線，計算其差值，將計算結果作為一個衍生參數(shù)，即孔隙度巖相指數(shù)φr，并結合泥巖指數(shù)Ish輔助常規(guī)測井曲線識別巖相?？紫抖葞r相指數(shù)φr和泥巖指數(shù)Ish的計算公式如下:

其中

式（1）—式（4）中：φcnl、φac分別為補償中子孔隙度、聲波時差孔隙度，單位%；Δt、Δtma、Δtf分別為目的層的聲波測井值、巖石骨架聲波時差值、流體聲波時差值，單位μs/m；φ、φsh分別為目的層的補償中子測井值和泥巖中子值，單位%；Vsh、cp分別為泥質含量和地層壓縮系數(shù)；GR、GRmax、GRmin分別為目的層的自然伽馬測井值、純泥巖的自然伽馬測井值、純砂巖的自然伽馬測井值，單位API。

通過以上分析，對巖相識別的常規(guī)測井曲線特征進行提取，選擇自然伽馬（GR）、自然電位（SP）、光電截面吸收指數(shù)（PE）、電阻率（AT10～AT90）、中子（CNL）、密度（DEN）、聲波時差（AC）、孔隙度巖相指數(shù)φr、泥巖指數(shù)Ish共13 個特征，利用極度隨機樹算法[11]對各個特征的基尼重要性進行計算（圖5），結果證實了參數(shù)φr和Ish在巖相識別中的重要作用。

圖5 特征重要性分析Fig.5 Feature importance analysis

4 測井巖相智能識別方法

4.1 數(shù)據(jù)分析

所用數(shù)據(jù)采集于該地區(qū)20 余口井長7 段的單井巖相識別結果，剔除異常數(shù)據(jù)點，共收集不同巖相類型的測井數(shù)據(jù)樣本21 254 個，其中非均質砂巖和粉砂質泥巖占主導，凝灰?guī)r數(shù)量最少，各類巖相樣本分布不均（表1）。

表1 各類巖相數(shù)量分布Table 1 Quantity distribution of various lithofacies

受地質因素、沉積時期的影響，在一定范圍內，總是發(fā)育著某一類或多類巖相。采用機器學習進行巖相識別時，訓練集的各類巖相樣本數(shù)量通常出現(xiàn)不均衡現(xiàn)象，使用傳統(tǒng)的分類算法在訓練時，分類器往往會更關注多數(shù)類的樣本特征而忽視少數(shù)類樣本[12]，這時雖然整體的巖相符合率較高，但是實際上的巖相識別效果較差，從而導致識別精度降低。

為解決樣本不均衡的影響，提高非均衡數(shù)據(jù)集的分類性能，基于隴東地區(qū)長7 段的不均衡測井數(shù)據(jù)，取樣本庫的70%作為機器學習的訓練樣本，30%用于驗證，對比分析了采用多種機器學習分類算法進行巖相識別的效果，總結各類算法對巖相分類器性能的變化，最后選擇適用于該地區(qū)的巖相分類方法。由于在非均衡樣本中，整體識別的準確率不能有效說明巖相識別的結果，因此采用準確率、精度、召回率（recall，即少數(shù)類樣本中被正確分類的樣本比例）、F1 指數(shù)（precision 和recall 調和平均數(shù)）等來綜合評判巖相分類的效果[13]。

除以上的評價指標以外，常用的評價指標還有ROC 曲線和AUC 值。ROC 曲線是以FPR（多數(shù)類中被錯誤分類的比率）為橫坐標，TPR（召回率）為縱坐標繪制的二維曲線。AUC值表示ROC曲線覆蓋區(qū)域面積，當ROC 曲線結果越好，覆蓋的面積越大，AUC值越大，則算法分類性能越好。

4.2 分類器性能對比

4.2.1 經典分類算法

常用的機器學習分類算法包括K 近鄰、決策樹、樸素貝葉斯、邏輯回歸、支持向量機和隨機森林算法等[14?22]。利用以上典型的分類算法對該地區(qū)開展巖相識別，統(tǒng)計不同算法的巖相分類性能。據(jù)圖6對比結果發(fā)現(xiàn)，經典的分類算法在該地區(qū)的巖相分類較差，隨機森林算法雖相比于其他算法的AUC更優(yōu)，但整體識別準確率僅68.97%。

圖6 經典算法分類器性能對比Fig.6 Performance comparison of classical algorithm classifiers

4.2.2 基于重采樣的隨機森林算法

受樣本不均衡的影響，分類器往往對少數(shù)類巖相的識別效果較差，為降低樣本不均衡導致的識別偏差，對以上隨機森林算法[23]進行完善。首先通過重采樣的方式對訓練樣本進行均衡化處理，再結合隨機森林算法進行模型訓練，從而改善巖相分類器的性能。

重采樣是解決數(shù)據(jù)不均衡的一個有效途徑，采樣方式包括欠采樣和過采樣。以上2 種采樣方式分別是通過減少多數(shù)類和增加少數(shù)類數(shù)據(jù)樣本，從而降低不均衡程度來提高對少數(shù)類的分類性能[24]。常用的欠采樣算法有隨機欠采樣、最近鄰規(guī)則（ENN）、領域清理規(guī)則（NCR）、單邊選擇方法（OSS）；過采樣算法有隨機過采樣、SMOTE 算法、ADASYN 算法、Borderline?SMOTE[25]?；谝陨蠝y井數(shù)據(jù)，通過欠采樣、過采樣實現(xiàn)數(shù)據(jù)均衡，再結合隨機森林分類算法進行巖相識別。

經重采樣后的數(shù)據(jù)，各類巖相樣本不均衡程度降低（表2）。但據(jù)圖7 顯示，通過重采樣的方式實現(xiàn)數(shù)據(jù)均衡對該地區(qū)巖相分類器性能的提升并不顯著。欠采樣雖在一定程度上提高了巖相分類準確率，但在減少多數(shù)類樣本的同時，也刪除了一些具有代表性意義的樣本信息，造成關鍵信息丟失，從而影響分類效果；而過采樣通過簡單地復制或添加少數(shù)類樣本到原始數(shù)據(jù)集中，導致出現(xiàn)許多“重復”樣本，進而出現(xiàn)“過擬合”現(xiàn)象，即分類器訓練效果較好，測試效果較差。

表2 基于重采樣后的巖相樣本分布Table 2 Distribution of lithofacies samples based on resampling

圖7 重采樣后分類器性能對比Fig.7 Performance comparison of classifier after resampling

4.2.3 不均衡樣本分類算法

僅靠對數(shù)據(jù)單純地減少或增加并不能有效地改善該地區(qū)巖相識別的分類器性能。因此，從算法層面繼續(xù)對隴東地區(qū)測井巖相分類問題展開研究。非均衡數(shù)據(jù)處理算法的核心思想是對不同類別的樣本設置不同的權重，或者改變算法本身的數(shù)據(jù)結構，從而提高對少數(shù)類樣本的分類精度和判別能力，常用的分類方法有集成學習Bagging、Boosting、Stacking、代價敏感算法等[26?32]。通過比較不同的集成學習和代價敏感算法在隴東地區(qū)長7 段測井巖相分類中的應用，對比結果發(fā)現(xiàn)，集成學習方法中Bagging 算法、Balanced?Bagging 算法明顯地提升了巖相的分類能力，在該地區(qū)不均衡樣本巖相分類中均有著較好的效果（圖8）。

圖8 集成學習和代價敏感各算法分類器性能對比Fig.8 Performance comparison of ensemble learning and cost sensitive algorithms

4.3 Bagging算法巖相識別

綜合分析以上研究，決定在該地區(qū)采用集成學習Bagging 算法進行不均衡數(shù)據(jù)巖相分類。Bagging算法是并行式集成學習方法的典型代表，雖然結構簡單，但是性能優(yōu)異。它基于自助采樣法獲得多個樣本子集，并對這些子集進行訓練，得到對應的基分類器，再采用均等投票的方式組合多個基分類器的分類結果，最終構建成一個強分類器，獲得分類結果。由于Bagging 訓練子集的不同，各個基分類器對某些樣本的學習程度就不同，所以保證了基分類器間的差異性，從而提高了算法的泛化能力[33?34]。

通過以上分類器性能對比發(fā)現(xiàn)，隨機森林算法、基于ENN 采樣后的隨機森林算法和集成學習Bagging算法在該地區(qū)的巖相分類性能較優(yōu)。分別利用這3種算法在該地區(qū)開展巖相識別，結合熱力圖直觀地觀察這3類算法巖相分類器性能指標的變化，圖像顏色越深，分類器性能越好（圖9）。隨機森林算法受均質砂巖、凝灰?guī)r相樣本數(shù)量的影響，對這兩類巖相的召回率較低；而基于ENN 采樣后的隨機森林算法雖提升了少數(shù)類巖相的召回率，卻降低了其識別精度。Bagging算法則不僅較好地提升了對少數(shù)類巖相的識別精度和召回率，同時也改善了對多數(shù)類巖相的識別性能。據(jù)ROC 曲線顯示（圖10），Bagging 算法各類巖相的ROC 曲線均靠近圖像左上角，AUC 值較大，相比其余2 種算法，該算法對隴東地區(qū)巖相分類器的改善效果十分顯著。

圖9 分類性能熱力圖Fig.9 Thermal map of classification performance

圖10 各類巖相ROC曲線Fig.10 ROC curves of various lithofacies

圖11 為各類算法的分類混淆矩陣，橫縱坐標分別代表預測巖相與真實巖相的個數(shù)，圖像對角線上的數(shù)字則為正確識別的巖相樣本數(shù)，對角線上數(shù)字越大，識別效果越好。分析混淆矩陣結果發(fā)現(xiàn)，在各類巖相樣本不均衡的情況下，隨機森林算法對該地區(qū)巖相識別效果較差，整體識別準確率為68.97 %，其中粉砂質泥巖、暗色泥巖、均質砂巖、非均質砂巖、黑色頁巖和凝灰?guī)r的準確率分別為78.86 %、59.17%、8.6%、80.44%、83.42%、17.22%；基于ENN重采樣后的隨機森林算法降低了樣本不均衡程度對結果的影響，略微提升了對均質砂巖和凝灰?guī)r的識別準確率，分別為20.61%、66.22%，但整體識別準確率仍較低，為71.24%；而集成學習Bagging 算法對該地區(qū)不均衡數(shù)據(jù)集具有更好的適用性，能較大程度地改善對各類巖相的分類性能，整體識別準確率為81.93%，對粉砂質泥巖、暗色泥巖、均質砂巖、非均質砂巖、黑色頁巖和凝灰?guī)r的準確率分別為81.33 %、76.85 %、79.75 %、81.7 %，91.51 %、85.43 %，巖相識別效果較好（圖12）。

圖11 各類巖相分類混淆矩陣Fig.11 Classification confusion matrix of various lithofacies

圖12 各類算法巖相識別結果Fig.12 Lithofacies identification results of various algorithms

4.4 應用效果分析

利用以上機器學習巖相識別模型對隴東地區(qū)10余口井長7段進行巖相精細識別，取得了較好的應用效果（表3）。單井識別精度可達84.33 %。圖13 為L97 井基于常規(guī)測井曲線的巖相識別結果，可以看出，機器學習Bagging 算法識別結果與巖心標定巖相符合率較高，能較好地識別出各類薄層巖相。在1 613～1 648 m 井段，該段主要發(fā)育砂巖巖相，局部夾雜暗色泥巖條帶，與錄井顯示一致，經測試，該段累計產油量為10.6 t/d，為良好的含油儲層，與解釋評價結論相符。

表3 巖相單井識別結果Table 3 Lithofacies single well identification results

圖13 鄂爾多斯盆地隴東地區(qū)長7段L97井巖相識別結果Fig.13 Lithofacies identification results of Well-L97 in Chang-7 member in Longdong area of Ordos Basin

5 結論

1）基于機器學習分類算法開展鄂爾多斯盆地隴東地區(qū)長7段巖相識別取得了較好的應用效果，對比巖心照片、錄井和試油結論等，單井識別精度可達84.33%。

2）對于不均衡數(shù)據(jù)集的巖相分類，集成學習算法可以通過訓練不斷地調整各類巖相的樣本權重，并組合多個弱分類器結果，極大程度地改善了非均衡數(shù)據(jù)集巖相的分類性能，提高各類巖相的識別精度。相比傳統(tǒng)的分類算法，將該地區(qū)整體的巖相識別準確率提升了20%。

3）為進一步提高機器學習對各類的巖相識別能力，可適當?shù)貙y井曲線進行變換，通過數(shù)學運算放大曲線響應特征，構建衍生參數(shù)，引入泥巖指數(shù)Ish和孔隙度巖相指數(shù)φr，結合常規(guī)測井曲線開展巖相識別，獲得了更為準確的巖相剖面。

4）實際應用證實了以上研究方法的可行性，巖相單井分布特征符合已有地質認識，識別結果可指導該區(qū)的沉積微相精細研究和頁巖油甜點評價工作，豐富了該地區(qū)的巖相識別方法。