管耀 王清輝 馮進(jìn) 楊清 石磊

摘要：巖性識(shí)別是儲(chǔ)層測(cè)井評(píng)價(jià)的重要環(huán)節(jié)，儲(chǔ)層發(fā)育程度和孔隙度等參數(shù)的評(píng)價(jià)精度很大程度上取決于巖性識(shí)別的準(zhǔn)確率。然而南海北部珠江口盆地惠州26-6井區(qū)的火成巖巖性復(fù)雜，普遍存在的蝕變現(xiàn)象對(duì)常規(guī)測(cè)井?dāng)?shù)據(jù)產(chǎn)生了很大影響，令常規(guī)測(cè)井巖性識(shí)別更加困難，識(shí)別精度難以滿足勘探需求。為了提高蝕變火成巖地層的巖性識(shí)別準(zhǔn)確率，本文結(jié)合常規(guī)測(cè)井和元素錄井?dāng)?shù)據(jù)，建立了基于不同機(jī)器學(xué)習(xí)算法的巖性識(shí)別方法并進(jìn)行對(duì)比分析，得到了適用于確定蝕變火成巖巖性的綜合識(shí)別方法。首先利用巖心元素?cái)?shù)據(jù)建立錄井元素校正方法，得到可靠的元素錄井?dāng)?shù)據(jù)，并以常規(guī)測(cè)井的采樣間隔為標(biāo)準(zhǔn)對(duì)標(biāo)準(zhǔn)化元素錄井?dāng)?shù)據(jù)進(jìn)行線性插值；之后優(yōu)選出與巖性相關(guān)性更高的常規(guī)測(cè)井和元素錄井曲線，分別采用k近鄰（KNN）和支持向量機(jī)（SVM）兩種機(jī)器學(xué)習(xí)算法對(duì)研究區(qū)的構(gòu)造片巖、閃長巖、蝕變輝綠巖、花崗閃長巖、花崗巖和蝕變花崗巖等6種火成巖進(jìn)行巖性識(shí)別。在研究區(qū)內(nèi)4口有巖石薄片鑒定資料井的目標(biāo)層中，按照對(duì)應(yīng)深度提取數(shù)據(jù)點(diǎn)（共145個(gè)），其中80%作為訓(xùn)練樣本，其余20%作為測(cè)試樣本。以樣本測(cè)試精度和全井巖性識(shí)別效果作為評(píng)價(jià)指標(biāo)，對(duì)兩種算法進(jìn)行對(duì)比，結(jié)果表明：KNN和SVM算法的識(shí)別準(zhǔn)確率均為92.65%，但是KNN算法全井識(shí)別效果更符合地層巖性分布特征，說明基于KNN算法的測(cè)、錄井綜合巖性識(shí)別更適用于研究區(qū)。

關(guān)鍵詞：蝕變火成巖；支持向量機(jī)；k近鄰；元素錄井；綜合巖性識(shí)別

doi：10.13278/j.cnki.jjuese.20220310

中圖分類號(hào)：P631.8

文獻(xiàn)標(biāo)志碼：A

收稿日期：2022-11-14

作者簡(jiǎn)介：管耀（1986—），男，高級(jí)工程師，主要從事測(cè)井解釋方法方面的研究，E-mail：guanyao@cnooc.com.cn

基金項(xiàng)目：中國海洋石油有限公司“十四五”重大科技項(xiàng)目（KJGG2022-0406）

Supported by CNOOC for the Major Science and Technology Project of??? “14th Five-Year Plan”? （KJGG2022-0406）

Comprehensive Lithology Recognition of Altered Igneous Reservoirs Based

on Machine Learning for? Wireline and Cutting Logs in Huizhou Depression，

Pearl River Mouth Basin， Northern South China SeaGuan Yao， Wang Qinghui， Feng Jin， Yang Qing， Shi Lei

Shenzhen Branch of CNOOC China Limited， Shenzhen 518054， Guangdong， China

Abstract： Lithology recognition plays an important role in reservoir logging evaluation， influencing the accuracy of critical parameters such as development degree and porosity. In Huizhou? 26-6 well block within the Pearl River Mouth basin in the northern South China Sea， the lithology of igneous rocks is intricate， with widespread alteration significantly impacting conventional logging data. As a result， the conventional lithology identification faces difficulty in satisfying the exploration needs. To enhance the accuracy of identifying altered igneous rocks， we integrate conventional logging and element cutting logging to establish lithology identification methods through diverse machine learning algorithms. A comparative analysis leads to a comprehensive identification method of discerning altered igneous rocks. Initially， a core element data-based correction method for element cutting logging is established to obtain reliable data. Subsequently， the k-nearest neighbor （KNN） method and the support vector machine （SVM） method are employed to identify the lithology of six igneous rocks in the study area—diorite， tectonic schist， altered diabase， granodiorite， altered granite， and granite.? In the target layer of four wells with rock slice identification data in Huizhou 26-6 well block， data points （145 in total） are extracted according to the corresponding depth， of which 80% are used as training samples and the remaining 20% as test samples. Taking? sample test accuracy and? whole well lithology recognition effect as? evaluation indicators， the results of comparing the two algorithms indicate that the recognition accuracy of KNN and SVM algorithms is both 92.65%， but the whole well recognition effect of KNN algorithm is more in line with the distribution characteristics of stratigraphic lithology， indicating that the comprehensive lithology recognition based on KNN algorithm is more suitable for the study area.

Key words：altered igneous rock; SVM; k-nearest neighbor; element cutting logging; comprehensive lithological identification

0 引言

南海北部海域發(fā)現(xiàn)了惠州26-6構(gòu)造帶火成巖油氣藏，該區(qū)巖性種類多，具有極高的勘探價(jià)值。準(zhǔn)確的巖性識(shí)別是儲(chǔ)層參數(shù)評(píng)價(jià)的前提^[1]。巖性識(shí)別方法有很多，其中測(cè)井巖性識(shí)別占據(jù)重要位置，縱向連續(xù)、精度高、物理參數(shù)豐富、處理和分析操作性強(qiáng)等優(yōu)點(diǎn)給測(cè)井巖性識(shí)別奠定了基礎(chǔ)^[2]。然而研究區(qū)前古近系火成巖巖石類型復(fù)雜、分布規(guī)律變化大^[3-4]，同時(shí)普遍存在蝕變現(xiàn)象，不僅改變了儲(chǔ)層特征，也影響著火成巖的常規(guī)測(cè)井響應(yīng)特征^[5]，導(dǎo)致火成巖的測(cè)井巖性識(shí)別精度不高，識(shí)別難度增加。在火成巖儲(chǔ)層勘探愈加重要的背景下，蝕變火成巖地層巖性識(shí)別的難題亟待解決。

近幾年，隨著科技的發(fā)展，關(guān)于測(cè)井巖性識(shí)別的研究成果也越來越多。最傳統(tǒng)的常規(guī)測(cè)井巖性識(shí)別方法是交會(huì)圖巖性識(shí)別圖版法^[6]；但蝕變現(xiàn)象會(huì)導(dǎo)致常規(guī)測(cè)井響應(yīng)特征發(fā)生變化^[7-8]，致使不同巖性的測(cè)井特征混雜，難以區(qū)分，不僅給常規(guī)測(cè)井巖性圖版帶來了很大困擾，還會(huì)導(dǎo)致圖版法在巖性多變的蝕變火成巖地層的識(shí)別準(zhǔn)確性較低，難以應(yīng)用。為了解決蝕變火成巖的復(fù)雜巖性問題，有學(xué)者提出了一種基于激光誘導(dǎo)擊穿光譜（laser induced breakdown spectroscopy，LIBS）的元素分析和總堿-二氧化硅圖（TAS圖）新方法，成功完成了高精度識(shí)別火成巖巖性的目標(biāo)；但是該方法的數(shù)據(jù)基礎(chǔ)是巖屑樣本，復(fù)雜的蝕變作用會(huì)導(dǎo)致TAS圖識(shí)別得到的巖性偏差較大，同時(shí)LIBS元素分析很難全井應(yīng)用，因此這種方法尺度局限性很大^[9]。隨著巖性識(shí)別問題研究的深入，最優(yōu)化等多元統(tǒng)計(jì)分析方法也被應(yīng)用于巖性識(shí)別研究^[10]，其原理為通過輸入常規(guī)測(cè)井?dāng)?shù)據(jù)來最優(yōu)化計(jì)算巖性成分；但是由于火成巖的常規(guī)測(cè)井曲線受蝕變影響，因此多元統(tǒng)計(jì)方法在巖性識(shí)別領(lǐng)域也常常失利。進(jìn)入大數(shù)據(jù)時(shí)代后，機(jī)器學(xué)習(xí)算法應(yīng)運(yùn)而生，為測(cè)井巖性識(shí)別帶來了很多新的思路^[11]。眾多機(jī)器學(xué)習(xí)技術(shù)可有效分辨屬性相似度高的數(shù)據(jù)，其中包括支持向量機(jī)（support vector machines，SVM）和k近鄰（k-nearest neighbor，KNN）等算法^{[5-6， 12]}，這些基于機(jī)器學(xué)習(xí)算法的巖性識(shí)別手段通常也以常規(guī)測(cè)井?dāng)?shù)據(jù)為輸入樣本，不僅識(shí)別速度快，還具有較高的巖性識(shí)別準(zhǔn)確率。

南海北部珠江口盆地惠州凹陷蝕變火成巖地層巖性復(fù)雜多變，包括閃長巖、構(gòu)造片巖、蝕變輝綠巖、花崗閃長巖、花崗巖等多種巖性，不同巖性在地層之中交錯(cuò)存在，同時(shí)普遍發(fā)生蝕變作用，影響儲(chǔ)層結(jié)構(gòu)與構(gòu)造的同時(shí)也令不同巖性的測(cè)井響應(yīng)特征發(fā)生不可忽視的變化。因此，火成巖地層多變的巖性和復(fù)雜的蝕變共同導(dǎo)致巖性識(shí)別難度極高。為了解決蝕變火成巖巖性識(shí)別的難題，本文以中國南海地區(qū)古潛山蝕變火成巖為例，在研究區(qū)惠州26-6井區(qū)等4口井中提取相關(guān)數(shù)據(jù)，建立了一套完整且可靠的蝕變火成巖巖性識(shí)別方法。

首先，利用巖心元素?cái)?shù)據(jù)建立元素錄井校正方法，得到可靠的元素錄井?dāng)?shù)據(jù)，并以常規(guī)測(cè)井的采樣間隔為標(biāo)準(zhǔn)對(duì)元素錄井?dāng)?shù)據(jù)進(jìn)行線性插值，建立基于測(cè)井和元素?cái)?shù)據(jù)的綜合巖性識(shí)別方法的數(shù)據(jù)基礎(chǔ)；其次，結(jié)合巖心薄片鑒定、常規(guī)測(cè)井與元素錄井曲線特征等各種數(shù)據(jù)，對(duì)研究區(qū)巖性進(jìn)行統(tǒng)計(jì)、分類與定名，并以巖心鑒定結(jié)果所在深度為依據(jù)，提取不同巖性的常規(guī)測(cè)井與元素?cái)?shù)據(jù)，得到研究區(qū)蝕變火成巖的綜合巖性數(shù)據(jù)集；然后，結(jié)合主成分分析（principal component analysis， PCA）方法，優(yōu)選出與巖性相關(guān)性更高的測(cè)井與元素錄井曲線，建立最終的蝕變火成巖地層巖性識(shí)別樣本數(shù)據(jù)庫；最后，分別采用KNN和SVM等兩種機(jī)器學(xué)習(xí)算法訓(xùn)練模型，并進(jìn)行巖性識(shí)別，以識(shí)別精度和速度為標(biāo)準(zhǔn)對(duì)兩種算法的識(shí)別結(jié)果進(jìn)行對(duì)比分析，優(yōu)選得到更適用于研究區(qū)的巖性識(shí)別方法。1 研究區(qū)概況

惠州凹陷位于南海北部海域珠江口盆地珠一坳陷中部（圖1a），是珠江口盆地（東部）最富烴凹陷之一。發(fā)育的地層從老到新分別為前古近系基底，古近系文昌組、恩平組、珠海組，新近系珠江組、韓江組、粵海組、萬山組，以及第四系（圖1b）?；葜莅枷菀远髌浇M頂為界，劃分為下斷上坳的雙層結(jié)構(gòu)，具有下陸上海的沉積特點(diǎn)。前古近系古潛山火成巖巖性以侵入巖、火山巖、巖脈為主，惠州凹陷不同區(qū)塊相差較大?；葜?6-6井區(qū)有明顯的蝕變和變質(zhì)作用。

珠江口盆地是我國重要的原油生產(chǎn)基地，也是世界海洋油氣勘探的熱點(diǎn)地區(qū)之一。早先受制于古近系埋深和儲(chǔ)層物性等因素，珠一坳陷的油氣勘探主要集中在新近系中淺層。近年來隨著勘探領(lǐng)域的拓展以及勘探進(jìn)程的加大，前古進(jìn)系火成巖也不斷取得突破，并獲得了一系列商業(yè)或潛在商業(yè)發(fā)現(xiàn)。

古潛山油氣儲(chǔ)層具有良好的開發(fā)前景，在中國渤海灣盆地、東海盆地、珠江口盆地、瓊東南盆地、北部灣盆地、遼河盆地等地區(qū)廣泛分布。由于經(jīng)過長時(shí)間的暴露風(fēng)化，形成了具有良好裂縫-孔隙型儲(chǔ)集空間的風(fēng)化殼儲(chǔ)層。古潛山風(fēng)化殼儲(chǔ)層及其周緣屬于被“多凹環(huán)抱”的古凸起，是烴源供給及油氣側(cè)向運(yùn)移的低勢(shì)區(qū)，具有較好的油氣運(yùn)聚成藏條件，屬于南海北部油氣勘探的重要新領(lǐng)域和新類型。

本文研究對(duì)象為惠州凹陷構(gòu)造帶惠州26-6井區(qū)前古近系火成巖古潛山，但是古潛山蝕變火成巖成分復(fù)雜、巖性多變。以HZ26-6-A井4 063～4 245 m的巖心薄片鑒定結(jié)果為例（圖2），如果僅根據(jù)薄片鑒定出的不同成分進(jìn)行巖性分析，可以得到方解石沸石、細(xì)粒黑云角閃片巖、變玄武安山巖、綠泥石片巖、變玄武質(zhì)火山角礫巖、斜長角閃片巖、中粒黑云母二長花崗質(zhì)碎斑巖、粗粒淡色正長花崗巖等多種巖性，整個(gè)研究區(qū)的巖性變化更加復(fù)雜。然而，巖性識(shí)別的根本目標(biāo)是服務(wù)于研究區(qū)不同井次的儲(chǔ)層評(píng)價(jià)與生產(chǎn)，因此必須考慮不同巖性測(cè)井?dāng)?shù)據(jù)和元素?cái)?shù)據(jù)的特征。本文基于巖心薄片鑒定的結(jié)果，綜合分析巖心、薄片、常規(guī)測(cè)井以及元素錄井等資料，確定研究區(qū)的蝕變火成巖為閃長巖、構(gòu)造片巖、蝕變輝綠巖（輝綠巖脈）、花崗閃長巖、蝕變花崗巖和花崗巖等6種巖性。

同時(shí)，圖3a所示巖心發(fā)生綠泥石化蝕變，可見明顯的綠泥石礦物；圖3b所示薄片顯示巖心的主要礦物斜長石具有強(qiáng)烈的泥化蝕變，而黑云母也發(fā)生了較強(qiáng)的綠泥石交代蝕變：表明研究區(qū)火成巖普遍存在蝕變現(xiàn)象，蝕變的影響不可忽視。本文充分利用測(cè)井曲線和錄井元素信息，采用機(jī)器學(xué)習(xí)算法進(jìn)行綜合巖性識(shí)別。

2 機(jī)器學(xué)習(xí)算法原理

在大數(shù)據(jù)背景下，機(jī)器學(xué)習(xí)算法被廣泛應(yīng)用于各個(gè)領(lǐng)域，在測(cè)井巖性識(shí)別方面也取得了很多成果^[14]。本文以此為基礎(chǔ)，分別利用SVM算法和KNN算法對(duì)研究區(qū)復(fù)雜的蝕變火成巖地層進(jìn)行巖性識(shí)別，并優(yōu)選得到更合適研究區(qū)的巖性識(shí)別方法。

2.1 支持向量機(jī)算法

SVM是Vladimir和Alexander在1963年提出的一種監(jiān)督學(xué)習(xí)二分類算法，其決策邊界是對(duì)學(xué)習(xí)樣本求解的最大距超平面。作為機(jī)器學(xué)習(xí)領(lǐng)域的經(jīng)典統(tǒng)計(jì)學(xué)習(xí)數(shù)學(xué)模型，應(yīng)用非常廣泛。近年來，隨著SVM算法的成熟及不斷普及，已經(jīng)多次應(yīng)用在各井場(chǎng)的巖性識(shí)別工作中^[7]，同時(shí)多次在與其他模型的對(duì)比中得到更好的效果^[15-16]。

SVM基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，將線性可分的數(shù)據(jù)以最優(yōu)的分割超平面進(jìn)行分割，形成類域，其基本原理如圖4所示。距離超平面最近的點(diǎn)稱為“支持向量”，SVM就是要尋找距離兩側(cè)支持向量間隔最大的超平面（圖4中紅色超平面）。對(duì)于回歸問題，在兩個(gè)常規(guī)超平面（圖4中藍(lán)色超平面）之間的點(diǎn)認(rèn)為是符合誤差期望的，不對(duì)模型進(jìn)行調(diào)整；而若有點(diǎn)落在其外，則模型需要學(xué)習(xí)以減小損失函數(shù)。

在實(shí)際巖性處理中，通過輸入與巖性相關(guān)性較大的測(cè)井?dāng)?shù)據(jù)來輸出巖性識(shí)別結(jié)果。SVM 的關(guān)鍵在于核函數(shù)，不同的內(nèi)積核函數(shù)將形成不同的算法。本文選用徑向基函數(shù)作為核函數(shù)^[17]：

式中：x為實(shí)際數(shù)據(jù)；x′為理論數(shù)據(jù)；σ為不敏感參數(shù)，控制不敏感帶的寬度，同時(shí)影響支持向量的數(shù)目和回歸估計(jì)的精度。人工選擇合適的參數(shù)σ效率很低，因此用粒子群優(yōu)化（particle swarm optimization，PSO）算法進(jìn)行參數(shù)尋優(yōu)，提高識(shí)別效率。

PSO是一種隨機(jī)優(yōu)化算法，具有設(shè)置參數(shù)較少、易于應(yīng)用和操作等諸多優(yōu)點(diǎn)^[18]。算法中，每個(gè)粒子的位置都代表優(yōu)化問題在搜索空間中的解，通過追索最優(yōu)粒子，迭代找到最優(yōu)解。迭代時(shí)，粒子通過動(dòng)態(tài)跟蹤體極值P_i和全局極值G兩個(gè)極值更新速度和位置，公式如下：

v_i（t+1）=wv_i（t）+c₁f_rand（P_i-x_i（t））+c₂f_rand（G-x_i（t））； ???（2）

x_i（t+1）=x_i（t）+v_i（t+1）。 ???（3）

式中：v_i（t）、x_i（t）分別為粒子i的速度和位置；f_rand為隨機(jī)函數(shù)；c₁和c₂為學(xué)習(xí)因子，一般等于2；w為權(quán)重因子。

SVM算法在小樣本識(shí)別上有較大的優(yōu)勢(shì)，尤其是在樣本嚴(yán)重不均衡的情況下，SVM算法分配的類域空間不會(huì)受到樣本不均衡的影響。當(dāng)兩種類別類域出現(xiàn)交叉時(shí)，SVM算法的局限性會(huì)被放大；但是，若曲線之間隱藏著更高維度的有益信息，SVM算法可以在核函數(shù)的幫助下在一定程度上提高分類效果。

2.2 k近鄰算法

KNN算法是Cover和Hart于1968年提出的，是向量空間模型下最好的分類算法之一^[12]。

KNN算法的基本思想是：分別計(jì)算待分類樣本與訓(xùn)練樣本的相似性，找出與待分類樣本最相似的k個(gè)近鄰，根據(jù)這k個(gè)近鄰的類別確定待分類樣本的歸屬。如果待分類樣本數(shù)據(jù)的k個(gè)最相鄰的樣本都屬于一個(gè)類別，那么待分類樣本也屬于這個(gè)類別；否則，以k個(gè)鄰居中占多數(shù)的類別來確定待分類樣本屬于哪個(gè)類別。圖5中待分類點(diǎn)為x_u，ω₁、ω₂、ω₃為已知3類。據(jù)離x_u最近幾個(gè)點(diǎn)分類情況判斷x_u的類別，x_u屬于ω₁。

KNN算法流程如下：

T=z₁，ω₁，z₂，ω₂，...，z_n，ω_n。 ???（4）

式中：T為樣本集；z=（z₁，z₂，...，z_n），為樣本集中每個(gè)樣本的特征向量；n為樣本集中樣本的總數(shù)；ω_i為樣本類別。根據(jù)待分類點(diǎn)和樣本點(diǎn)之間的距離，在T中找出與待分類對(duì)象最鄰近的k個(gè)點(diǎn)，根據(jù)分類決策（少數(shù)跟隨多數(shù)的原則）決定待分類對(duì)象x_u的類別。其中，k=1為KNN的特殊狀況，稱為最近鄰算法。

對(duì)于輸入的實(shí)例點(diǎn)x_u，KNN算法將T中x_u最近鄰點(diǎn)最多的類別作為x_u的類別。除此之外，k值選取合理與否直接關(guān)系到KNN算法的效果，需要將樣本集在單樣本的互斥數(shù)據(jù)集中進(jìn)行KNN算法自回判，根據(jù)自回判準(zhǔn)確率來確定k值。

KNN算法原理簡(jiǎn)單，模型的建立易于控制，適用于不同巖性分離較明顯而相同巖性聚集的情況。由于KNN算法需要計(jì)算待識(shí)別樣本和已知所有樣本的距離，因此在數(shù)據(jù)量較大時(shí)，計(jì)算時(shí)間較長。另外，若樣本類別嚴(yán)重不均衡或樣本本身可能存在類域交叉，算法的分類準(zhǔn)確性會(huì)降低。

3 研究區(qū)巖性識(shí)別應(yīng)用

目前，巖石薄片鑒定是業(yè)內(nèi)公認(rèn)的最直觀且最準(zhǔn)確的巖性鑒定方法。因此本文先基于巖石薄片鑒定類別，以及與之對(duì)應(yīng)的測(cè)井和標(biāo)準(zhǔn)化元素錄井兩種數(shù)據(jù)，建立研究區(qū)巖性樣本集；然后利用PCA選擇對(duì)蝕變火成巖巖性敏感性更高的測(cè)井和元素錄井曲線，結(jié)合KNN和SVM等機(jī)器學(xué)習(xí)算法在研究區(qū)火成巖地層進(jìn)行巖性識(shí)別應(yīng)用；最后，通過對(duì)比不同算法巖性識(shí)別結(jié)果的精度及速度，優(yōu)選出最適用于研究區(qū)的巖性識(shí)別方法。

3.1 巖性樣本集建立

建立巖性樣本集是機(jī)器學(xué)習(xí)識(shí)別巖性的基礎(chǔ)，需要在研究區(qū)內(nèi)按照巖石薄片鑒定結(jié)果的深度，提取對(duì)應(yīng)的測(cè)井和元素錄井等數(shù)據(jù)；但是元素錄井在實(shí)際應(yīng)用中存在測(cè)量數(shù)據(jù)不穩(wěn)定、數(shù)值橫向可對(duì)比性不強(qiáng)等問題^[19]，因此先需要根據(jù)巖心元素分析數(shù)據(jù)對(duì)初始元素錄井進(jìn)行校正，并以常規(guī)測(cè)井的采樣間隔為標(biāo)準(zhǔn)對(duì)標(biāo)準(zhǔn)化元素錄井?dāng)?shù)據(jù)進(jìn)行線性插值。之后根據(jù)巖石薄片鑒定結(jié)果的深度提取相應(yīng)數(shù)據(jù)，建立起由測(cè)井?dāng)?shù)據(jù)、標(biāo)準(zhǔn)化元素錄井?dāng)?shù)據(jù)和巖性類別構(gòu)成的巖性樣本集。

3.1.1 元素錄井預(yù)處理

X射線熒光元素錄井在小層劃分和隨鉆評(píng)價(jià)等多個(gè)方面發(fā)揮作用^[20]，但是其測(cè)量數(shù)據(jù)不穩(wěn)定等問題也不容忽視，需要建立合理的校正方法。

根據(jù)巖心元素分析數(shù)據(jù)可以獲得鈉（Na）、鎂（Mg）、鋁（Al）、硅（Si）、磷（P）、鉀（K）、鈣（Ca）、鈦（Ti）、錳（Mn）、鐵（Fe）等10種元素的質(zhì)量分?jǐn)?shù)，而元素錄井?dāng)?shù)據(jù)包含Na、Mg、Al、Si、P、硫（S）、氯（Cl）、K、Ca、鋇（Ba）、Ti、釩（Vr）、Mn、Fe、鎳（Nr）、鍶（Sr）和鋯（Zr）等17種元素的質(zhì)量分?jǐn)?shù)，不同方法之間元素種類的差距會(huì)產(chǎn)生數(shù)據(jù)誤差。因此，選取元素錄井?dāng)?shù)據(jù)中與巖心氧化物相對(duì)應(yīng)的Na、Mg、Al、Si、P、K、Ca、Ti、Mn、Fe等10種元素進(jìn)行標(biāo)準(zhǔn)化，其余7種元素不參與標(biāo)準(zhǔn)化，這樣即可削弱由于元素種類不同帶來的誤差。

10種元素錄井標(biāo)準(zhǔn)化后質(zhì)量分?jǐn)?shù)的計(jì)算公式為

式中：w_X為X元素的質(zhì)量分?jǐn)?shù)；w_lX為X元素的錄井質(zhì)量分?jǐn)?shù)；∑w_lX為Na、Mg、Al、Si、P、K⁴⁰、Ca、Ti、Mn、Fe等10種元素的錄井質(zhì)量分?jǐn)?shù)之和。

在惠州26-6井區(qū)應(yīng)用上述方法對(duì)錄井元素?cái)?shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，以HZ26-6-A井為例，繪制該井標(biāo)準(zhǔn)化元素錄井與巖心元素?cái)?shù)據(jù)的對(duì)比分析圖（圖6）。經(jīng)分析發(fā)現(xiàn)上述10種元素的標(biāo)準(zhǔn)化元素錄井?dāng)?shù)據(jù)與巖心元素分析數(shù)據(jù)基本吻合，證明標(biāo)準(zhǔn)化后的元素錄井?dāng)?shù)據(jù)可靠。在HZ26-6-B、HZ26-6-C以及HZ26-6-D井中都利用式（5）對(duì)元素錄井?dāng)?shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。同時(shí)也證明式（5）具有普適性，在缺少巖心數(shù)據(jù)的井中也可以用以進(jìn)行元素錄井?dāng)?shù)據(jù)的標(biāo)準(zhǔn)化。

3.1.2 敏感曲線優(yōu)選

在巖性復(fù)雜的研究區(qū)，圖版法雖然不能準(zhǔn)確識(shí)別巖性，但是可以從宏觀上認(rèn)識(shí)研究區(qū)不同巖性的曲線特征，為數(shù)學(xué)算法選擇敏感曲線提供依據(jù)。

圖7a為惠州26-6井區(qū)樣本的聲波時(shí)差（DT）-自然伽馬（GR）交會(huì)圖，圖中蝕變花崗巖、花崗巖、花崗閃長巖及蝕變輝綠巖與其他巖性分布均有明顯的界限，而構(gòu)造片巖與閃長巖的樣本聚集在一起，無法區(qū)分；但是從Al-Mg交會(huì)圖（圖7b）中可以看出，Al和Mg可以區(qū)分構(gòu)造片巖和閃長巖，說明元素錄井中的Al元素和Mg元素對(duì)于閃長巖和構(gòu)造片巖PCA是處理高維數(shù)據(jù)的重要方法^[21]。通過PCA可以從常規(guī)測(cè)井系列中優(yōu)選對(duì)研究區(qū)巖性敏感的測(cè)井曲線。圖8為研究區(qū)火成巖樣本數(shù)據(jù)集的主成分分析圖。由圖8可見：主要測(cè)井曲線中電阻率（R_t）測(cè)井曲線對(duì)巖性最為敏感，補(bǔ)償中子（CNL）曲線次之，補(bǔ)償密度（DEN）曲線和GR曲線也較敏感，最不敏感的是DT曲線；同時(shí)，GR曲線和放射性能譜測(cè)井中的鈾（²³⁸U）、釷（²³²Th）、鉀（⁴⁰K）、無鈾伽馬（KTH）曲線對(duì)蝕變極其敏感，在巖性識(shí)別過程中對(duì)識(shí)別蝕變巖性和未蝕變巖性有很大意義。

綜上所述，本文選定R_t、GR、CNL、DEN和放射性鉀（⁴⁰K）等5條常規(guī)測(cè)井曲線和鎂元素、鋁元素等2條標(biāo)準(zhǔn)化元素曲線作為SVM算法和KNN算法的輸入向量，對(duì)研究區(qū)蝕變火成巖進(jìn)行巖性識(shí)別并對(duì)比分析識(shí)別效果。

3.1.3 數(shù)據(jù)集建立

據(jù)統(tǒng)計(jì)，研究區(qū)共鑒定巖心薄片145塊，以巖心薄片鑒定深度為基礎(chǔ)，根據(jù)敏感性份分析所選取的曲線，提取對(duì)應(yīng)的R_t、GR、CNL、DEN和⁴⁰K等常規(guī)測(cè)井?dāng)?shù)據(jù)和元素錄井?dāng)?shù)據(jù)，建立起如表1所示的研究區(qū)蝕變火成巖巖性數(shù)據(jù)集，數(shù)據(jù)集中80%的數(shù)據(jù)用于模型訓(xùn)練，20%的數(shù)據(jù)用于巖性回判。

3.2 巖性識(shí)別結(jié)果對(duì)比分析

在進(jìn)行巖性識(shí)別時(shí)，首先對(duì)數(shù)據(jù)進(jìn)行歸一化，之后分別用SVM算法和KNN算法進(jìn)行訓(xùn)練及測(cè)試。其中KNN算法需要選擇合理的k值，通過對(duì)比不同k值的回判準(zhǔn)確率得到k=4時(shí)回判準(zhǔn)確率最高，因此確定參數(shù)k為4。

最終獲得SVM算法和KNN算法的測(cè)試結(jié)果如表2所示。由表2可見，兩種算法都有極高的準(zhǔn)確率，達(dá)到了92.65%；因此將這兩種算法應(yīng)用在HZ26-6-A井，對(duì)比全井的應(yīng)用效果（圖9）。

綜合研究區(qū)地質(zhì)資料可知，HZ26-6-A井上部應(yīng)為閃長巖（大約至3 740 m），下部應(yīng)為構(gòu)造片巖，底部為蝕變花崗巖。從整體效果看，KNN算法呈現(xiàn)結(jié)果更符合該井的實(shí)際巖性分布。這是由于研究區(qū)各巖性測(cè)井特征非常復(fù)雜，部分巖性類域空間非常接近并且有少量重疊，某些巖性的類域空間出現(xiàn)包裹現(xiàn)象，因此導(dǎo)致SVM算法效果較差。同時(shí)，研究區(qū)測(cè)井曲線受到井眼環(huán)境影響，部分曲線波動(dòng)嚴(yán)重，而KNN算法對(duì)單條曲線的波動(dòng)容忍度較大，所以KNN算法的巖性識(shí)別效果更好，更適用于研究區(qū)。

圖10和圖11分別為HZ26-6-B井和HZ26-6-C井的KNN巖性識(shí)別結(jié)果，由圖10和圖11可見，KNN巖性識(shí)別結(jié)果與巖心薄片鑒定基本吻合，說明基于常規(guī)測(cè)井和標(biāo)準(zhǔn)化元素錄井的綜合巖性識(shí)別是行之有效的。

4 結(jié)論

本文針對(duì)南海北部珠江口盆地惠州凹陷26-6井區(qū)的蝕變火成巖開展不同算法巖性識(shí)別研究，得到如下結(jié)論：

1）校正后的元素錄井?dāng)?shù)據(jù)與巖心元素?cái)?shù)據(jù)基本吻合，且不同巖性鎂元素和鋁元素的特征差異明顯，為測(cè)井和元素錄井綜合巖性識(shí)別奠定了基礎(chǔ)。

2）在研究區(qū)，兩種算法預(yù)測(cè)準(zhǔn)確率均達(dá)到了92.65%，雖然KNN算法的回判準(zhǔn)確率（96.74%）略低于SVM算法，但是前者的巖性識(shí)別結(jié)果更符合實(shí)際巖性分布，KNN算法更適用于研究區(qū)。

3）基于常規(guī)測(cè)井和標(biāo)準(zhǔn)化元素錄井?dāng)?shù)據(jù)的綜合巖性識(shí)別方法能夠準(zhǔn)確識(shí)別出研究區(qū)構(gòu)造片巖、閃長巖、蝕變輝綠巖、花崗閃長巖、花崗巖和蝕變花崗巖等6種不同火成巖，解決了復(fù)雜火成巖地層常規(guī)測(cè)井識(shí)別易受蝕變影響的問題，同時(shí)識(shí)別精度也滿足研究區(qū)勘探需求，為火成巖巖性識(shí)別提供了新的思路。

參考文獻(xiàn)（References）：

[1]嚴(yán)偉，劉帥，馮明剛，等. 四川盆地丁山區(qū)塊頁巖氣儲(chǔ)層關(guān)鍵參數(shù)測(cè)井評(píng)價(jià)方法[J]. 巖性油氣藏， 2019， 31（3）： 95-104．

Yan Wei， Liu Shuai， Feng Minggang， et al. Well Logging Evaluation Methods of Key Parameters for Shale Gas Reservoir in Dingshan Block， Sichuan Basin[J]. Lithologic Reservoirs， 2019， 31 （3）： 95-104.

[2]牟丹，王祝文，黃玉龍，等. 基于SVM測(cè)井?dāng)?shù)據(jù)的火山巖巖性識(shí)別：以遼河盆地東部坳陷為例[J]. 地球物理學(xué)報(bào)， 2015， 58（5）： 1785-1793．

Mu Dan， Wang Zhuwen， Huang Yulong， et al. Lithological Identification of Volcanic Rocks from SVM Well Logging Data：Case Study in the Eastern Depression of Liaohe Basin[J]. Chinese Journal of Geophysics， 2015， 58 （5）： 1785-1793.

[3]王璞珺，繳洋洋，楊凱凱，等. 準(zhǔn)噶爾盆地火山巖分類研究與應(yīng)用[J]. 吉林大學(xué)學(xué)報(bào)（地球科學(xué)版）， 2016， 46（4）： 1056-1070.

Wang Pujun， Jiao Yangyang， Yang Kaikai， et al. Classification of Volcanogenic Successions and Its Application to Volcanic Reservoir Exploration in the Junggar Basin， NW China[J]. Journal of Jilin Unviersity （Earth Science Edition）， 2016， 46 （4）： 1056-1070.

[4]楊凱凱. 準(zhǔn)噶爾盆地東部石炭系巴塔瑪依內(nèi)山組火山巖儲(chǔ)層成巖作用研究[D]. 長春：吉林大學(xué)，2019.

Yang Kaikai.Diagenesis of Carboniferous Batamayineshan Formation Volcanic Reservoir in Eastern Junggar Basin [D]. Changchun： Jilin University， 2019.

[5]Pan Baozhi， Wang Xinru， Guo Yuhang， et al. Study on Reservoir Characteristics and Evaluation Methods of Altered Igneous Reservoirs in Songliao Basin， China[J]. Journal of Petroleum Science and Engineering， 2022， 212： 110266.

[6]Zhang Jun， Li Jun， Hu Yao， et al. The Identification Method of Igneous Rock Lithology Based on Data Mining Technology[J]. Advanced Materials Research， 2012， 466/467： 65-69.

[7]王欣茹，閆頂點(diǎn)，潘保芝，等. 南堡地區(qū)蝕變火山巖儲(chǔ)層測(cè)井響應(yīng)特征與蝕變程度評(píng)價(jià)[J]. 測(cè)井技術(shù)， 2021， 45（1）： 68-73.

Wang Xinru， Yan Dingdian， Pan Baozhi， et al. Logging Response Characteristics and Evaluation Method of Altered Volcanic Reservoir in Nanpu Area[J]. Well Logging Technology， 2021， 45 （1）： 68-73.

[8]高衍武，胡婷婷，陳國軍，等. 中拐凸起黏土化蝕變火山巖孔隙度評(píng)價(jià)方法[J]. 測(cè)井技術(shù)，2019，43（1）：26-35.

Gao Yanwu， Hu Tingting， Chen Guojun， et al. Porosity Evaluation Method for Clay-Altered Volcanic Rocks in Zhongguai Uplift[J]. Well Logging Technology， 2019， 43（1）：26-35.

[9]王超，張偉剛，閻治全. 激光誘導(dǎo)擊穿光譜技術(shù)對(duì)火成巖巖性的高精度識(shí)別[J]. 光譜學(xué)與光譜分析，2015， 35（9）： 2463-2468.

Wang Chao， Zhang Weigang， Yan Zhiquan. High Precision Identification of Igneous Rock Lithology by Laser Induced Breakdown Spectroscopy[J]. Spectroscopy and Spectral Analysis， 2015， 35（9）： 2463-2468.

[10]徐苗苗，印興耀，宗兆云. 基于復(fù)合蛙跳算法的火山巖最優(yōu)化測(cè)井解釋方法[J]. 石油物探， 2020， 59（1）： 122-130．

Xu Miaomiao， Yin Xingyao， Zong Zhaoyun. Logging Interpretation Optimization of Volcanic Rocks Using the Complex Frog-Leaping Algorithm[J]. Geophysical Prospecting for Petroleum， 2020， 59 （1）： 122-130.

[11]馮沖，王清斌，譚忠健，等. 富火山碎屑地層復(fù)雜巖性測(cè)井分類與識(shí)別：以KL16油田為例[J]. 石油學(xué)報(bào)， 2019， 40（增刊2）： 91-101.

Feng Chong， Wang Qingbin， Tan Zhongjian， et al. Logging Classification and Identification of Complex Lithologies in Volcanic Debris-rich Formations： An Example of KL16 Oilfield[J]. Acta Petrolei Sinica， 2019， 40（Sup. 2）： 91-101.

[12]Wang Xidong， Yang Shaochun， Zhao Yongfu， et al. Lithology Identification Using an Optimized KNN Clustering Method Based on Entropy-Weighed Cosine Distance in Mesozoic Strata of Gaoqing Field， Jiyang Depression[J]. Journal of Petroleum Science and Engineering， 2018， 166： 157-174.

[13]田立新，施和生，劉杰，等. 珠江口盆地惠州凹陷新領(lǐng)域勘探重大發(fā)現(xiàn)及意義[J]. 中國石油勘探， 2020， 25（4）： 22-30.

Tian Lixin， Shi Hesheng， Liu Jie， et al. Great Discovery and Significance of New Frontier Exploration in Huizhou Sag， Pearl River Mouth Basin[J]. China Petroleum Exploration， 2020， 25 （4）： 22-30.

[14]蘇賦，馬磊，羅仁澤，等. 基于改進(jìn)多分類孿生支持向量機(jī)的測(cè)井巖性識(shí)別方法研究與應(yīng)用[J]. 地球物理學(xué)進(jìn)展， 2020， 35（1）： 174-180.

Su Fu， Ma Lei， Luo Renze， et al. Research and Application of Logging Lithology Identification Based on Improve Multi-Class Twin Support Vector Machine[J]. Progress in Geophysics， 2020， 35 （1）： 174-180.

[15]李廣，丁迪，石福升，等. 基于支持向量機(jī)的可控源電磁數(shù)據(jù)智能識(shí)別方法[J]. 吉林大學(xué)學(xué)報(bào)（地球科學(xué)版）， 2022， 52（3）： 725-736.

Li Guang， Ding Di， Shi Fusheng， et al. Intelligent Recognition of Controlled-Source Electromagnetic Data by Support Vector Machine[J]. Journal of Jilin University （Earth Science Edition）， 2022， 52（3）：725-736.

[16]李猛猛，劉敬黨，梁天意，等. 基于支持向量機(jī)算法的巖漿硫化物礦床硫元素預(yù)測(cè)模型[J]. 吉林大學(xué)學(xué)報(bào)（地球科學(xué)版），2022， 52（3）： 866-878.

Li Mengmeng，Liu Jingdang，Liang Tianyi，et al. Prediction Model of Sulfur Element in Magmatic Sulfide Deposits Based on Support Vector Machine Algorithm[J]. Journal of Jilin University （Earth Science Edition）， 2022， 52（3）： 866-878.

[17]Thanh C L， Trong N N， Samir K， et al. An Efficient Approach for Damage Identification Based on Improved Machine Learning Using PSO-SVM[J]. Engineering with Computers， 2022， 38（4）： 3069-3084.

[18]Liu Ping， Xie Mengchu， Bian Jing， et al. A Hybrid PSO–SVM Model Based on Safety Risk Prediction for the Design Process in Metro Station Construction[J]. International Journal of Environmental Research & Public Health， 2020， 17（5）： 1714.

[19]唐謝， 尹平， 唐家瓊， 等. 元素錄井應(yīng)用中的問題及對(duì)策[J]. 天然氣工業(yè)， 2020， 40（4）： 51-58.

Tang Xie， Yin Ping， Tang Jiaqiong， et al. Problems in the Application of Element Cutting Logging and Solutions[J]. Natural Gas Industry， 2020， 40（4）： 51-58.

[20]何葉， 張涵冰， 鄭儒， 等. 基于元素錄井的頁巖氣水平井鉆遇小層分析及儲(chǔ)層評(píng)價(jià)參數(shù)計(jì)算[J]. 天然氣工業(yè)， 2021， 41（增刊1）： 110-117.

He Ye， Zhang Hanbing， Zheng Ru， et al. Analyzing the Sublayers Drilled by Shale-Gas Horizontal Wells and Calculating Reservoir Evaluation Parameters Based on Element Cutting Logging[J]. Natural Gas Industry， 2020， 41（Sup. 1）： 110-117.

[21]高云龍，羅斯哲，潘金艷，等. 魯棒自適應(yīng)概率加權(quán)主成分分析[J]. 自動(dòng)化學(xué)報(bào)， 2021， 47（4）： 825-838.

Gao Yunlong， Luo Sizhe， Pan Jinyan， et al. Robust PCA Using Adaptive Probability Weighting[J]. Acta Automatica Sinica， 2021， 47 （4）： 825-838.