2025, Vol. 37
岩性精准识别是储层评价的基础和前提。岩性信息主要来源于钻井取心，但取心成本较高且取心覆盖率有限，所以利用测井资料识别岩性成为主要的研究方向[1-3]。目前利用测井资料识别岩性的方法主要有传统解释方法[4-6]、数学理论算法、机器学习法三大类。传统解释方法包括测井曲线定性解释法[7]、测井曲线定量解释法[8]、地震解释法[9-10]等；数学理论算法包括主成分分析法[11]、灰色关联度法[12]等；机器学习法包括神经网络法[13-14]、XGBoost算法[15]、决策树法[16]等。对于碳酸盐岩，其形成过程对古地貌、温度、光照等环境的变化极为敏感[17]，导致岩石内部组分变化快，利用传统解释方法识别岩性误差较大[18]，且无法剔除测井曲线间存在的冗余信息，而机器学习法操作难度高且不能对岩性进行二次解释。故本文提出将蛛网图、交会图、主成分分析法相结合的方法，对白云岩进行精确解释。
主成分分析法在各大研究领域均有涉及，应用范围广、准确率高。张国英等[19]提出将主成分分析法与其他方法相结合的思想，受到研究人员的广泛关注。马峥等[20]通过剖析主成分分析法的原理，并与传统识别法进行对比，发现主成分分析法可将岩性界限划分得更加精确。东营凹陷八面河地区沙四段4砂组沉积大量白云岩，表现出优异的储集性能，孔隙度为16.0%~48.0%，渗透率为1~100 mD，试油成功率高达100.0%，平均单井初期产能4.8 t，勘探潜力巨大，但该区域针对白云岩岩性识别和展布特征的研究相对薄弱。鉴于此，研究人员基于岩心观察确定岩性类别，并结合测井曲线进行定性分析，寻找对岩性敏感的测井曲线类型，进而进行定量分析[21]，确定不同类型白云岩测井定量识别标准并建立蛛网图与交会图，分析不同岩性的测井曲线特征，作为全区岩性识别的标准；然后将该标准融入至主成分分析法，精准识别岩性。本文借鉴以往研究人员[22-24]在多方法识别白云岩岩性方面的经验，首次将蛛网图、交会图与主成分分析相结合进行岩性识别，以期为八面河地区沙四段白云岩展布及沉积相提供一定地质依据。
1 地质概况研究区位于东营凹陷南部的八面河地区，面积共1 139 km2，地理位置处于山东省寿光市及其周缘地区，构造位置处于东营凹陷南坡八面河鼻状构造带上。八面河地区北部与王家岗油田毗邻，南部与广饶凸起相接，该地区的构造单元自北向南可划分为北部斜坡带、鼻状构造带和南部斜坡带3个次级构造单元（图 1a）。自中生代以来，八面河地区构造活动频繁，燕山运动Ⅳ幕使该地区构造抬升遭受剥蚀，随后盆地沉降并接受沉积。沙四段沉积早期，构造活动相对稳定，沙四段沉积末期，基底抬升，湖盆面积减小，致使沙三下亚段沉积间断，沙三中亚段与沙四段地层形成不整合接触，长期的构造活动促进了古斜坡的发育，早期的构造运动奠定了南高北低的古构造形态，塑造了南高北低的沉积格局。沉积地层在南西—北东向呈小幅加厚的趋势[25]。此外，该区发育北东向、东西向断层[26]，断层数量众多但活动性弱。八面河地区古近系地层自下而上依次发育孔店组（Ek）、沙河街组（Es）（图 1b）。其中，沙河街组自下而上可分为沙四段（Es4）、沙三段（Es3）、沙二段（Es2）和沙一段（Es1）。沙四段进一步划分为沙四上亚段（Es4上）和沙四下亚段（Es4下），沙四上亚段包含1~4砂组，其中4砂组为本次研究目的层。沙四段是主要的生油层和储集层，为勘探开发的重点层系。八面河地区沙四段以湖泊相为主，受东亚季风气候影响[27]，整体呈现干热气候特征，湖水蒸发量大，形成了半咸水—咸水湖泊环境。在4砂组沉积时期形成大量白云岩，随着气候周期性变化，沉积环境发生变化，3砂组沉积时期沉积物类型由碳酸盐岩转为碎屑岩。
|
下载原图 图 1 东营凹陷八面河地区构造位置（a）及八面河地区岩性地层综合柱状图（b） Fig. 1 Structural location (a) and stratigraphic column (b) in Bamianhe area, Dongying Sag |
对东营凹陷八面河地区沙四段4砂组13口取心井进行岩心观察和显微实验分析，并依据颗粒类型和粒径大小，将岩性划分为颗粒云岩、微晶云岩、泥晶云岩、砂岩和页岩五大类。其中，颗粒云岩、微晶云岩和页岩是研究区主要的岩石类型。
（1）颗粒云岩是研究区主要的白云岩类型之一，含油性好，是重要的储集岩。研究区颗粒云岩以浅灰色为主，常呈块状，具有刀砍纹、风暴搅动现象，以变形构造和溶蚀孔为主（图 2a）。颗粒类型主要为球粒和内碎屑，偶见鲕粒和藻粒，几乎不含生屑，颗粒含量大于50%，分选性和磨圆度均较好，孔隙发育，以原生粒间孔为主，储集性能优良（图 2b），微裂缝和溶蚀现象进一步提升了其储集性能。沉积特征表明颗粒云岩形成于高能水体环境，受后期风暴搅动作用影响，导致颗粒分布不均。
|
下载原图 图 2 东营凹陷八面河地区沙四段4砂组薄片及岩心特征 （a）块状颗粒云岩，风暴搅动变形，溶孔发育，M14-8-X71井，1 231.7 m；（b）球粒、内碎屑，M120-12-X19井，1 142.7 m；（c）微晶云岩，极薄纹层状，M22-5-X13井，1 197.8 m；（d）微晶云岩，晶粒直径15~25 μm，M22-6-X151井，1 181.9 m；（e）致密块状泥晶云岩，M22-5-X13井，1 183.3 m；（f）泥晶云岩，含少量亮晶胶结物，含油性差，M22-12-X15井，1 253.6 m；（g）页岩，页理现象发育，M14-12-X27井，1 234.9 m；（h）页岩，含有少量油珠，M120-25-X10C井，1 405.5 m；（i）粗砂岩，顶底均为云岩，M22-5-X13井，1 185.0 m。 Fig. 2 Characteristics of thin section and core in the fourth sand formation of Sha 4 Formation in Bamianhe Area, Dongying Sag |
（2）微晶云岩主要为浅灰色和深灰色，以块状和黑白相间薄纹层状为主，见页理现象、风暴搅动现象，含油性好（图 2c）。显微观察显示，微晶云岩晶粒较细，方解石晶粒直径为10~30 μm，孔隙发育，以粒间孔隙和晶间孔隙为主（图 2d）。块状微晶云岩在古地貌较高位置和水体能量强的环境中均有分布[28-29]，极薄纹层状微晶云岩，指示了水动力条件较为平静。
（3）泥晶云岩主要为灰白色和浅灰色，以致密厚层块状为主，含油性差（图 2e），显微观察显示，晶粒直径小于5 μm，发育泥质胶结物，孔隙发育差（图 2f），偶见细小油珠分散分布。该类岩石灰质含量相对较高，形成于水体较为安静的环境。在古地貌较低位置和水体能量弱的环境中均有分布。
（4）岩心观察中除了主要的白云岩外，还可见页岩、砂岩及少量泥晶灰岩。其中页岩岩心呈深灰色或灰黑色，见超压缝、碳化现象（图 2g），从薄片可看出，发育泥质，孔隙发育差（图 2h）。该类岩石泥质含量高，形成于水体较为安静的环境，在古地貌较低的位置和水体能量弱的环境中均有分布。泥晶灰岩主要为灰白色和深灰色，常呈致密块状，物性较差，不发育层理。砂岩岩心主要为灰白色，以20 cm薄层块状为主，内部层理现象不明显，顶底岩性突变为云岩（图 2i）。从薄片可看出，该类岩石以中、粗砂岩为主，孔隙发育好，分选性和磨圆度均较好，成分成熟度高，具有与云岩混合沉积的特征。形成于水体较为动荡的环境，属风暴沉积砂岩。在研究区东部和靠近广饶凸起附近均有分布。
3 岩性识别方法水动力、光照强度、古地貌等共同制约了白云岩的发育和分布[30-32]。不同岩性具有不同的岩电响应特征[33-34]，因此，找出每种岩性敏感的测井曲线尤为重要[35-36]。本文结合蛛网图与交会图成果，应用主成分分析法，对岩心进行综合识别[37]。
3.1 测井参数定性分析声波时差（AC）曲线可反映沉积物内部的孔隙特征和致密程度，孔隙度越小，声波时差值越小，可用于区分颗粒云岩与泥晶云岩；自然电位（SP）可反映沉积物的渗透性，研究区砂岩粒度粗，渗透性好，自然电位值较小，可区分砂岩、颗粒云岩等；自然伽玛（GR）曲线主要反应放射性元素的含量，通常与岩石的泥质含量、黏土矿物类型等有关，可区分页岩、微晶云岩等；感应电导率（COND）曲线在岩性突变位置变化明显，研究区砂岩属风暴成因，上下突变为块状微晶云岩，可通过感应电导率进行区分；深感应电阻率（RILD）和中感应电阻率（RILM）反映岩石的导电能力，可区分砂岩与微晶云岩。
将岩心与测井曲线相互标定，总结了以上5类岩性的测井响应特征。其中SP曲线结合AC曲线可有效区分砂岩与其他岩性，AC值小于350 μs/m，GR值小于55 API是区分颗粒云岩的主要测井曲线特征。微晶云岩常呈块状，发育薄纹层现象，AC值通常大于300 μs/m；泥晶云岩常呈致密块状，AC值约为330 μs/m，GR值约为48 API；页岩泥质含量高、颗粒粒径小，GR值大于50 API（图 3）。
|
下载原图 图 3 东营凹陷八面河地区沙四段4砂组M22-5-X13井岩石测井响应特征 Fig. 3 Rock logging response characteristics of M22-5-X13 well in the fourth sand formation of Sha 4 Formation in Bamianhe Area, Dongying Sag |
在定性分析的基础上，选取研究区13口取心井资料和其余井岩屑录井资料作为岩性识别的输入数据，对岩性厚度大、质纯且测井曲线特征明显的数据进行提取，遵循提取的单一岩性为原则，剔除含油性、岩性变化界面的数据点，消除其他岩性干扰，提高准确率。取心井提取225组有效测井曲线参数数据，岩屑录井提取6 642组有效测井曲线参数数据，提取出颗粒云岩、微晶云岩、泥晶云岩、页岩和砂岩共5种岩性的自然电位幅度差（SSP），GR，AC，COND和RILD和RILM共计6条常规测井曲线数据，并结合深度数据，统计出不同岩性的测井曲线范围（表 1）。
|
下载CSV 表 1 东营凹陷八面河地区沙四段4砂组不同岩石类型测井曲线定量分析 Table 1 Quantitative analysis of logging curves for different rock types in the fourth sand formation of Sha 4 Formation in Bamianhe Area, Dongying Sag |
利用上述定性-定量分析结果，提取蛛网图与交会图中具有显著区分效果的岩性坐标参数，融合主成分分析法，实现研究区岩性的高效识别。蛛网图可作为一种统计工具，对不同岩性的测井数据进行初步整合，便于观察和分析各岩性测井参数的范围与响应特性，有助于区分白云岩。定量分析结果显示，通过收集颗粒云岩、微晶云岩、泥晶云岩、页岩及砂岩的AC，GR，COND，RILD和RILM等测井曲线数据，利用蛛网图法分析测井参数的变化，可全面直观地揭示原始测井数据的特征。
通过分析测井相-岩相蛛网图，可直接确定每种岩性的敏感曲线，颗粒云岩测井曲线呈中低值特征（图 4a）；微晶云岩的COND分布显著区别于其他岩性，呈中高COND值特征（图 4b）；泥晶云岩与泥晶灰岩测井曲线分布特征相似，其他岩性均呈低值特征（图 4c，4d）；通过高GR的分布特征可有效区分页岩（图 4e）；砂岩的SSP分布是区别其他岩性的显著特征，呈现高SSP-高AC的组合特征（图 4f），与产能、岩心及微观薄片检验，该方法识别精度为63.5%，存在无法对所有区域的岩性进行识别的局限性。
|
下载原图 图 4 东营凹陷八面河地区沙四段4砂组岩石测井响应蛛网图 Fig. 4 Spider web diagram of logging response of rocks in the fourth sand formation of Sha 4 Formation in Bamianhe Area, Dongying Sag |
通过上述蛛网图分析，发现局部岩性未能有效区分，且存在重叠区域。因此，引入密度（DEN）、2.5 m底部梯度电阻率（R25）和中子（CNL）曲线，采用交会图法进行分析。通过对研究区岩心及测井曲线形态和变化幅度特征进行分析，确定岩石的敏感曲线为GR，AC，DEN，R25和CNL。选择不同岩性的敏感曲线进行两两组合交会分析，可实现对岩性的精确识别。选取资料完整的钻井，以厚度大于35 cm且岩性一致的样品作为研究对象，排除岩性变化的过渡界面，准确读取测井曲线的数值，为建立岩石测井识别的定量化模型奠定了基础。
通过蛛网图分析，页岩的GR曲线和砂岩的AC曲线明显区别于其他岩性。GR与AC曲线交会图显示，颗粒云岩及微晶云岩虽存在重叠区，但微晶云岩GR与AC数据整体大于颗粒云岩；泥晶云岩呈低GR、低AC特征；页岩呈高GR、高AC特征，砂岩呈现低GR、高AC特征。该特征有助于区分泥晶云岩、页岩和砂岩（图 5a）。DEN与GR曲线交会图对于识别砂岩与页岩具有优势，该地区页岩呈低DEN、高GR特征；砂岩呈现低DEN、低GR特征（图 5b）。R25曲线相较于常规的RILD曲线和RILM曲线可以更加有效地区分岩性，AC与R25曲线交会图显示，该方法易于区分页岩、砂岩、泥晶云岩和微晶云岩，而颗粒云岩存在重叠区（图 5c）。CNL与DEN曲线交会易于识别颗粒云岩，颗粒云岩呈中CNL、中DEN特征，分布较为集中；微晶云岩与泥晶云岩存在重叠区；页岩呈高CNL、低DEN特征，砂岩呈低CNL、低DEN特征（图 5d），该方法识别精度为61.2%，但无法区分所有岩性。
|
下载原图 图 5 东营凹陷八面河地区沙四段4砂组岩性识别交会图版 Fig. 5 Lithological identification intersection chart in the fourth sand formation of Sha 4 Formation in Bamianhe Area, Dongying Sag |
通过分析蛛网图与交会图，发现CNL与DEN曲线交会图识别效果较好，但少部分颗粒云岩依然存在重叠区，存在一定的偶然性与误差。因此本文结合蛛网图与交会图综合分析的结果，利用主成分分析法对研究区岩性进行识别。
主成分分析法是一种数据降维法，其利用数据降维思想，将多条敏感测井曲线转化为几个主成分综合变量，可有效简化数据结构，去除冗余信息。主成分分析法体现的是岩性综合响应特征，通过数据转换提取出数据的变异方向，该方向与渗透性、致密性等因素相关，而非单一特性，也是其识别准确率高的主要因素。该方法较传统的测井曲线有诸多优势，如：①可压缩数据，便于解释；②识别数据组趋势，可解释岩性之间的差异；③提取主成分，可有效降低数据噪声，提高岩性识别准确率；④多种曲线融合实现多参数综合分析，利用主成分综合性对岩性识别，比单一参数的常规识别方法更准确；⑤将非线性关系转为线性关系，简化识别模型；⑥可有效剔除测井数据中的异常值；⑦将多条复杂测井曲线转化为较少的主成分，易于解释；⑧可有效减少解释过程中的不确定性，可应用于不同类型的岩性。
主成分分析法的核心在于识别对岩性具有显著区分能力的测井参数，并通过构建成分矩阵，对数学模型的特征值、方差及贡献率进行深入分析。该方法旨在将测井参数的多维信息，高效地转化为能够识别白云岩岩性的主成分F1和F2，这2个主成分反映了多条测井曲线的综合特性。这种方法摒弃了以往通过单一测井曲线进行岩性识别的传统思路，转而利用综合特性在交会图上区分颗粒云岩、微晶云岩、泥晶云岩、页岩和砂岩。
主成分分析法的具体流程为：依据蛛网图确定的测井曲线分布范围，进行数据统计和筛选，通过交会图分析，将有效的测井曲线按岩性进行分类；选取GR，R25、AC、DEN和CNL这5个原始变量，进行线性组合，并对测井参数进行标准化处理，进而计算相关系数矩阵。采用雅可比方法对相关系数矩阵进行特征值计算，得到特征值，并据此生成F1—F5的成分矩阵（表 2）。通过评估系数比例的相应值，确定各主成分对变量的贡献率，其中相关系数的绝对值越大，表明主成分对该变量的代表性越强（表 3）。
|
|
下载CSV 表 2 各主成分的成分矩阵 Table 2 Component matrix of each principal component |
|
|
下载CSV 表 3 特征值及主成分累计贡献率 Table 3 Eigenvalues and cumulative contribution rate of principal components |
由表 3可知，主成分F1与F2累计贡献率达90.75%，可代替样本总数据，数据损失最小。将F1与F2的特征值提取，并与输入测井曲线数据进行计算，建立岩性判别模型
| $ \begin{aligned} \mathrm{F} 1= & -0.567 \mathrm{Z} G R+0.523 \mathrm{Z} R_{25}+0.502 \mathrm{Z}AC- \\ & 0.234 \mathrm{Z} D E N+0.313 Z C N L \end{aligned} $ | (1) |
| $ \begin{aligned} \mathrm{F} 2= & -0.001 \mathrm{Z} G R+0.283 \mathrm{Z} R_{25}+0.377 \mathrm{Z}AC+ \\ & 0.656 \mathrm{Z} D E N-0.589 \mathrm{Z} C N L \end{aligned} $ | (2) |
式中：Z为标准化后矩阵
根据上述公式，主成分F1和F2综合体现了5种测井曲线的特征。将标准化后的原始数据应用于主成分的计算模型，可以确定每个样本的主成分权重。通过以上方式计算出主成分F1和F2的权重范围：页岩的F1权重为0.291~0.444，F2权重为1.038~1.367；颗粒云岩的F1权重为-0.101~ 0.043，F2权重为-0.069~0.866；泥晶灰岩的F1权重为-0.322~0.102，F2权重则显著不同，为-1.284~ -2.218；微晶云岩的F1权重为0.051~0.204，F2权重为-0.391~0.872；砂岩的F1权重为-0.302~ -0.722，F2权重为0.354~1.166。原有的5种岩性的GR，R25，AC，DEN和CNL测井曲线在数值上存在重叠，这使得直接从曲线上识别每种岩性的特征变得十分困难。通过主成分分析法进行处理后，数学模型计算出的主成分权重在岩性分界上表现出明显的区分度，且综合反映了多条测井曲线的识别结果，打破了传统曲线判断岩性的局限（图 6）。
|
下载原图 图 6 东营凹陷八面河地区沙四段4砂组岩性敏感因子识别交会图 Fig. 6 Intersection chart for identification of lithological sensitivity factors in the fourth sand formation of Sha 4 Formation in Bamianhe Area, Dongying Sag |
基于上述岩性识别方法，通过先定性后定量的研究思路，利用多种方法相融合，对研究区岩性进行精准划分。本文以M14-12-X27井为例进行岩性综合识别（图 7），将产能、岩心与薄片作为识别效果的判断依据（表 4）。取心段对应的测井参数为原始数据，利用蛛网图和交会图确定敏感测井参数GR，R25，AC，DEN和CNL。通过蛛网图界定敏感曲线参数范围，提取对应岩性数据，对测井参数按岩性进行分类，再将数据点投入交会图，对岩性进行预判别，再利用主成分分析法将多种敏感测井参数综合为主成分F1与F2，通过该融合方法对M14-12-X27井进行岩性综合识别。
|
下载原图 图 7 东营凹陷八面河地区沙四段4砂组M14-12-X27井岩性识别结果 Fig. 7 Lithological identification results of Well M14-12-X27 in the fourth sand formation of Sha 4 Formation in Bamianhe Area, Dongying Sag |
|
|
下载CSV 表 4 东营凹陷八面河地区沙四段4砂组M14-12-X27井岩心与岩性识别符合情况 Table 4 Compliance of core and lithological identification in the fourth sand formation of Sha 4 Formation in Bamianhe Area, Dongying Sag |
将测井参数应用于敏感因子数学模型中，计算出主成分F1与F2的权重，将主成分F1与F2投影至岩性敏感因子交会图，实现岩性分类。在1 237.8~ 1 239.4 m层段，SP呈基线特征、GR值为38~57 API，AC值为352~412 μs/m，COND值为488~513 ms/m、RILD值为1.96~2.33 Ω·m，常规测井呈低SSP、低GR、低AC、低COND、高RILD等特征，主成分F1为0.562，主成分F2为0.681，根据表 1和敏感因子数学模型，综合判断该层段岩性为颗粒云岩。1 248.0 m附近SP出现负异常，而此处AC为250 μs/m，与砂岩定量分析范围不符，此处的F1为0.659，F2为0.566，符合颗粒云岩特征，综合判定为颗粒云岩，经微观薄片观察确认，该处颗粒云岩受风暴搅动强烈，陆源碎屑含量高，故呈现SP负异常现象。
利用以上识别方法，可以准确地识别东营凹陷八面河地区沙四上亚段4砂组白云岩岩性。以M121-X7井951.4~958.6 m井段为标准层，岩性识别结果为颗粒云岩夹薄层页岩，2023年8月投产，初期日产油10.0 t，截至2023年12月累产油721.9 t；以M22-5-X13井1 156.4~1 171.0 m井段为标准层，岩性识别结果主要为颗粒云岩与微晶云岩，夹薄层页岩，2023年6月投产，初期日产油9.0 t，截至2023年12月累计产油831.9 t，该井经取心辅助验证，识别结果准确；以M121-X8井918.8~939.9 m井段为标准层，岩性识别结果为泥晶云岩和页岩，含薄层微晶云岩，2023年8月投产，初期日产油1.7 t，截至2023年12月累产油23.5 t，经取心辅助验证，岩性划分准确。经22口井的产能数据和13口取心井的岩心数据双重验证，识别准确率高达85.4%，岩性的准确识别为沉积相的研究提供了有利条件，也为后续研究及油气藏开发提供了理论依据。
依据上述岩性识别方法，将东营凹陷八面河地区沙四段所有井的测井参数带入岩性判别模型，进行岩性识别，总结岩性展布特征。垂向上颗粒云岩在沙四段4砂组广泛发育（图 8），4砂组底部颗粒云岩发育稳定。M14-16-X27井附近处于构造低部位，水体较深，出现小规模泥晶灰岩，4砂组沉积时期处于湖侵域，随着水体逐渐加深和咸度降低，颗粒云岩逐渐过渡为微晶云岩和泥晶云岩。M4-8-X291井靠近东部物源区，受风暴砂岩影响，导致地层厚度增大，碳酸盐岩减少、砂岩与页岩增多。
|
下载原图 图 8 东营凹陷八面河地区沙四段4砂组岩相剖面 Fig. 8 Distribution map of lithofacies profile of in the fourth sand formation of Sha 4 Formation in Bamianhe Area, Dongying Sag |
平面上，颗粒云岩在西部以SW—NE走向呈条带状分布（图 9），中部范围逐渐增大，西南部、西北部与东南部均发育小规模微晶云岩，向西砂岩逐渐增多，根据岩性识别统计的岩性数据发现，西部页岩厚度最大。碳酸盐岩发育受控于多种因素影响[38]，其中古地貌、古气候、湖平面变化是主要因素。古气候影响碳酸盐岩沉积的过程，沙四段4砂组处于亚热带季风气候，具有干热的气候特征，为碳酸盐岩的大量沉积提供了温暖、浅水、清澈的理想环境。在古地貌高部位，由于水体较浅且光照充足，为颗粒云岩的大量沉积提供了有利条件。相反，在古地貌低部位，由于水体能量较弱，通常发育为泥晶云岩、泥晶灰岩和页岩。八面河地区处于东营凹陷南坡，地势相对较高。在4砂组沉积早期，由于水体较浅，逐渐发育颗粒云岩。随着湖平面的持续上升，岩性逐渐转变为微晶云岩。当水体达到一定深度时，不再沉积碳酸盐岩。在西部地区，由于地势较低且水体较深，通常发育深灰色页岩。
|
下载原图 图 9 东营凹陷八面河地区沙四段4砂组岩相平面分布 Fig. 9 Lithofacies distribution map of in the fourth sand formation of Sha 4 Formation in Bamianhe Area, Dongying Sag |
（1）东营凹陷八面河地区沙四上亚段4砂组岩心观察识别出颗粒云岩、微晶云岩、泥晶云岩、页岩和砂岩等岩性，通过对沙四上亚段4砂组测井响应特征分析，初步优选对岩石敏感的测井曲线，按照对测井曲线先定性后定量的原则，明确了各岩性对应的测井参数范围，并结合蛛网图分析了各岩性与测井曲线之间的关系。
（2）基于蛛网图定量分析，识别精度为63.5%，建立了GR-AC，DEN-GR，AC-R25和CNL-DEN交会图，其中CNL与DEN交会图识别效果较好，可较好的区分页岩、砂岩、泥晶云岩和微晶云岩，但颗粒云岩仍存在重叠区，具有一定误差。
（3）结合蛛网图与交会图分析结果，优选出5种对岩性敏感的测井曲线，应用主成分分析法建立岩性判别模型，并通过交会图检验，区分度较高。利用该方法有效区分了目标岩性，通过将识别结果与产能、岩心对比，岩性识别准确率大于85.4%。
| [1] |
靳军, 王剑, 杨召, 等. 准噶尔盆地克-百断裂带石炭系内幕储层测井岩性识别. 岩性油气藏, 2018, 30(2): 85-92. JIN Jun, WANG Jian, YANG Zhao, et al. Logging lithologic identification of Carboniferous internal reservoirs in Kebai fault zone of Junggar Basin. Lithologic Reservoirs, 2018, 30(2): 85-92. |
| [2] |
叶涛, 牛成民, 王清斌, 等. 用"成分-结构"分类法识别古潜山变质岩岩性: 以渤海海域太古界为例. 岩性油气藏, 2021, 33(6): 156-164. YE Tao, NIU Chengmin, WANG Qingbin, et al. Identification of lithology of metamorphic rocks in ancient buried hills using the"composition structure"classification method: a case study of the Precambrian in the Bohai Sea. Lithologic Reservoirs, 2021, 33(6): 156-164. |
| [3] |
唐昱哲, 柴辉, 王红军, 等. 中亚阿姆河右岸东部地区侏罗系盐下碳酸盐岩储层特征及预测新方法. 岩性油气藏, 2023, 35(6): 147-158. TANG Yuzhe, CHAI Hui, WANG Hongjun, et al. Characteristics and new prediction methods of Jurassic subsalt carbonate reservoirs in the eastern right bank of Amu Darya, Central Asia. Lithologic Reservoirs, 2023, 35(6): 147-158. |
| [4] |
唐建云, 魏新, 宋红霞, 等. 准噶尔盆地吉木萨尔凹陷芦草沟组页岩油储层岩性解释方法研究. 石化技术, 2023, 30(4): 169-172. TANG Jianyun, WEI Xin, SONG Hongxia, et al. Study on lithologic interpretation method of Lucaogou Formation shale oil reservoir in Jimusar Sag, the Junggar Basin. Petrochemical Technology, 2023, 30(4): 169-172. DOI:10.3969/j.issn.1006-0235.2023.04.058 |
| [5] |
周恒, 张春雷, 张欣, 等. 基于胶囊网络的碳酸盐岩储层岩性识别方法. 天然气地球科学, 2021, 32(5): 685-694. ZHOU Heng, ZHANG Chunlei, ZHANG Xin, et al. Identification method of carbonate reservoir lithology based on capsule network. Natural Gas Geoscience, 2021, 32(5): 685-694. |
| [6] |
毛振强, 夏宇, 高刚, 等. 博兴洼陷沙三下段湖相沉积岩性特征及识别. 西安石油大学学报(自然科学版), 2020, 35(5): 14-23. MAO Zhenqiang, XIA Yu, GAO Gang, et al. Lithological characteristics and identification of lacustrine sedimentary rocks in the Lower Shasan Formation of Boxing Depression. Journal of Xi'an Shiyou University (Natural Science Edition), 2020, 35(5): 14-23. |
| [7] |
余鸿飞. 塔里木盆地储层测井识别方法研究[D]. 成都: 成都理工大学, 2012. YU Hongfei. Research on reservoir logging identification method in Tarim Basin[D]. Chengdu: Chengdu University of Technology, 2012. |
| [8] |
RANI S M, RANJANA G, MAHESWAR O, et al. Well log evaluation of the gas-bearing reservoirs in the Bombay offshore basin, Gulf of Cambay, western coast of India. Exploration Geophysics, 2024, 55(2): 191-212. DOI:10.1080/08123985.2023.2288958 |
| [9] |
YASIR B, AHMED N S, LORO D M, et al. Cohesive approach for determining porosity and P-impedance in carbonate rocks using seismic attributes and inversion analysis. Journal of Petroleum Exploration and Production Technology, 2024, 14(5): 1173-1187. DOI:10.1007/s13202-024-01767-x |
| [10] |
龙隆, 何青林, 张艺华, 等. 川中龙女寺地区茅口组储层地震预测方法. 天然气勘探与开发, 2022, 45(4): 40-48. LONG Long, HE Qinglin, ZHANG Yihua, et al. Seismic prediction method for the Maokou Formation reservoir in the Longnvsi area of central Sichuan. Natural Gas Exploration and Development, 2022, 45(4): 40-48. |
| [11] |
刘爱疆, 左烈, 李景景, 等. 主成分分析法在碳酸盐岩岩性识别中的应用: 以地区寒武系碳酸盐岩储层为例. 石油与天然气地质, 2013, 34(2): 192-196. LIU Aijiang, ZUO Lie, LI Jingjing, et al. Application of principal component analysis in carbonate lithology identification: A case study of cambrian carbonate reservoirs in the region. Oil & Gas Geology, 2013, 34(2): 192-196. |
| [12] |
王博, 阎建业, 刘浪, 等. 灰色关联法识别地层岩性应用研究. 重庆科技学院学报(自然科学版), 2010, 12(6): 25-27. WANG Bo, YAN Jianye, LIU Lang, et al. Application of grey correlation method in identifying stratigraphic lithology. Journal of Chongqing University of Science and Technology (Natural Science Edition), 2010, 12(6): 25-27. |
| [13] |
仲鸿儒, 成育红, 林孟雄, 等. 基于SOM和模糊识别的复杂碳酸盐岩岩性识别. 岩性油气藏, 2019, 31(5): 84-91. ZHONG Hongru, CHENG Yuhong, LIN Mengxiong, et al. Complex carbonate rock lithology identification based on SOM and fuzzy recognition. Lithologic Reservoirs, 2019, 31(5): 84-91. |
| [14] |
武中原, 张欣, 张春雷, 等. 基于LSTM循环神经网络的岩性识别方法. 岩性油气藏, 2021, 33(3): 120-128. WU Zhongyuan, ZHANG Xin, ZHANG Chunlei, et al. Lithological identification method based on LSTM recurrent neural network. Lithologic Reservoirs, 2021, 33(3): 120-128. |
| [15] |
孙予舒, 黄芸, 梁婷, 等. 基于XGBoost算法的复杂碳酸盐岩岩性测井识别. 岩性油气藏, 2020, 32(4): 98-106. SUN Yushu, HUANG Yun, LIANG Ting, et al. Complex carbonate rock logging identification based on XGBoost algorithm. Lithologic Reservoirs, 2020, 32(4): 98-106. |
| [16] |
ABEL C. Lithofacies prediction from conventional well logs using geological information, wavelet transform, and decision tree approach in a carbonate reservoir in southeastern Brazil. Journal of South American Earth Sciences, 2023, 128(3): 104431. |
| [17] |
刘震, 张军华, 王静, 等. 湖相碳酸盐岩研究进展及展望. 石油地球物理勘探, 2022, 57(2): 487-497. LIU Zhen, ZHANG Junhua, WANG Jing, et al. Research progress and prospects of lacustrine carbonate rocks. Oil Geophysical Prospecting, 2022, 57(2): 487-497. |
| [18] |
李晓辉, 吴庆岩, 庞福基. 碳酸盐岩三矿物岩石组分识别模型的建立与应用. 测井技术, 2017, 41(3): 301-304. LI Xiaohui, WU Qingyan, PANG Fuji. Establishment and application of a three mineral rock component identification model for carbonate rocks. Well Logging Technology, 2017, 41(3): 301-304. |
| [19] |
张国英, 王娜娜, 张润生, 等. 基于主成分分析的BP神经网络在岩性识别中的应用. 北京石油化工学院学报, 2008, 16(3): 43-46. ZHANG Guoying, WANG Nana, ZHANG Runsheng, et al. Application of BP neural network based on principal component analysis in lithology recognition. Journal of Beijing Institute of Petrochemical Technology, 2008, 16(3): 43-46. |
| [20] |
马峥, 张春雷, 高世臣. 主成分分析与模糊识别在岩性识别中的应用. 岩性油气藏, 2017, 29(5): 127-133. MA Zheng, ZHANG Chunlei, GAO Shichen. Application of principal component analysis and fuzzy recognition in lithological identification. Lithological Reservoirs, 2017, 29(5): 127-133. |
| [21] |
何伟. 复杂碳酸盐岩储层岩性测井分类及识别方法研究[D]. 北京: 中国石油大学(北京), 2023. HE Wei. Research on classification and identification methods of complex carbonate reservoir lithology logging[D]. Beijing: China University of Petroleum (Beijing), 2023. |
| [22] |
陈宏逵. 高-磨地区灯四段碳酸盐岩测井沉积微相识别方法2025年胡心玲等: 东营凹陷八面河地区古近系沙四段湖相白云岩测井识别及应用23及应用[D]. 北京: 中国石油大学(北京), 2020. CHEN Hongkui. Identification method and application of sedimentary microfacies in carbonate rocks from the fourth member of Deng Formation in Gaomo Region[D]. Beijing: China University of Petroleum (Beijing), 2020. |
| [23] |
梁久红, 张丽艳, 韩冰冰, 等. 松辽盆地古龙页岩油储层岩性识别与流体评价技术. 大庆石油地质与开发, 2020, 39(3): 163-169. LIANG Jiuhong, ZHANG Liyan, HAN Bingbing, et al. Lithological identification and fluid evaluation techniques for Gulong shale oil reservoirs in the Songliao Basin. Petroleum Geology & Development in Daqing, 2020, 39(3): 163-169. |
| [24] |
张婕茹, 刘文超, 周连德, 等. 基于地层元素测井的混积岩岩性识别模型及应用: 以莱州湾凹陷KL油田沙三下亚段为例. 中国海洋大学学报(自然科学版), 2019, 49(11): 92-101. ZHANG Jieru, LIU Wenchao, ZHOU Liande, et al. Identification model and application of mixed rock lithology based on stratigraphic element logging: A case study of the Lower Shasan Formation in KL Oilfield, Laizhou Bay Depression. Journal of Ocean University of China (Natural Science Edition), 2019, 49(11): 92-101. |
| [25] |
安辉. 八面河油田面14区沙四1砂组开发特征研究[D]. 武汉: 长江大学, 2018. AN Hui. A study on the development characteristics of Sha4-1 sand Formation in Mian14 District of Bamianhe Oilfield[D]. Wuhan: Changjiang University, 2018. |
| [26] |
安邦, 李宝刚, 王伟锋, 等. 渤海湾盆地东营凹陷南斜坡断裂趋势带形成机制与控藏作用. 地质论评, 2022, 68(3): 1049-1060. AN Bang, LI Baogang, WANG Weifeng, et al. The formation mechanism and reservoir control of the southern slope fault trend zone in the Dongying Depression of the Bohai Bay Basin. Geological Review, 2022, 68(3): 1049-1060. |
| [27] |
周维维, 董有浦, 肖安成, 等. 东营凹陷基底断裂走滑活动对油气成藏的影响. 地球科学, 2023, 48(7): 2718-2732. ZHOU Weiwei, DONG Youpu, XIAO Ancheng, et al. The impact of strike slip activity of basement faults in Dongying Depression on oil and gas accumulation. Chinese Journal of Geology, 2023, 48(7): 2718-2732. |
| [28] |
李守军, 王新征, 杨国权, 等. 胜利油田王家岗地区下第三系沙四段砂岩储集层类型及分布. 石油大学学报(自然科学版), 2002, 26(4): 16-18. LI Shoujun, WANG Xinzheng, YANG Guoquan, et al. Types and distribution of sandstone reservoirs in the Lower Tertiary Shahejie Formation of Wangjiagang area in Shengli Oilfield. Journal of China University of Petroleum (Edition of Natural Science), 2002, 26(4): 16-18. |
| [29] |
杨艳玲. 邵家地区湖相碳酸盐岩储层研究[D]. 北京: 中国地质大学(北京), 2020. YANG Yanling. Research on lacustrine carbonate reservoirs in the Shaojia area[D]. Beijing: China University of Geosciences (Beijing), 2020. |
| [30] |
杜江民, 崔子豪, 贾志伟, 等. 鄂尔多斯盆地苏里格地区奥陶系马家沟组马五5亚段沉积特征. 岩性油气藏, 2023, 35(5): 37-48. DU Jiangmin, CUI Zihao, JIA Zhiwei, et al. Sedimentary characteristics of Ma 55 sub-member of Ordovician Majiagou Formation in Sulige area, Ordos Basin. Lithologic Reservoirs, 2023, 35(5): 37-48. |
| [31] |
杜江民, 刘泊远, 张毅, 等. 中国典型白云岩储集层特征及成藏模式. 岩性油气藏, 2023, 35(3): 86-98. DU Jiangmin, LIU Boyuan, ZHANG Yi, et al. Characteristics and accumulation model of typical dolomite reservoirs in China. Lithologic Reservoirs, 2023, 35(3): 86-98. |
| [32] |
李珊珊, 姜鹏飞, 刘磊, 等. 四川盆地高磨地区寒武系沧浪铺组碳酸盐岩颗粒滩地震响应特征及展布规律. 岩性油气藏, 2022, 34(4): 22-31. LI Shanshan, JIANG Pengfei, LIU Lei, et al. Seismic response characteristics and distribution law of carbonate shoals of Cambrian Canglangpu Formation in Gaoshiti-Moxi area, Sichuan Basin. Lithologic Reservoirs, 2022, 34(4): 22-31. |
| [33] |
张审琴, 李亚锋, 郭正权, 等. 英西湖相碳酸盐岩储层测井解释新方法. 测井技术, 2019, 43(6): 620-625. ZHANG Shenqin, LI Yafeng, GUO Zhengquan, et al. A new method for logging interpretation of Yingxi lacustrine carbonate reservoirs. Well Logging Technology, 2019, 43(6): 620-625. |
| [34] |
李亚锋, 伍坤宇, 高树芳, 等. 英西地区混积碳酸盐岩有效储集层评价. 新疆石油地质, 2019, 40(5): 520-527. LI Yafeng, WU Kunyu, GAO Shufang, et al. Evaluation of effective reservoirs of mixed carbonate rocks in the Yingxi region. Xinjiang Petroleum Geology, 2019, 40(5): 520-527. |
| [35] |
佘刚, 魏莉, 王高科, 等. 柴达木盆地西部地区复杂碳酸盐岩储层流体识别新方法. 测井技术, 2021, 45(2): 149-155. SHE Gang, WEI Li, WANG Gaoke, et al. A new method for fluid identification of complex carbonate reservoirs in the western Qaidam Basin. Well Logging Technology, 2021, 45(2): 149-155. |
| [36] |
杨兆栓, 林畅松, 尹宏, 等. 主成分分析在塔中地区奥陶系鹰山组碳酸盐岩岩性识别中的应用. 天然气地球科学, 2015, 26(1): 54-59. YANG Zhaoshuan, LIN Changsong, YIN Hong, et al. Application of principal component analysis in lithological identification of carbonate rocks in the Ordovician Yingshan Formation in the Tazhong Area. Natural Gas Geoscience, 2015, 26(1): 54-59. |
| [37] |
冯梓岩, 殷文, 钟云滔, 等. 基于常规测井的火成岩岩性识别方法: 以准噶尔盆地西北缘红车断裂带石炭系火成岩储层为例. 东北石油大学学报, 2021, 45(5): 95-108. FENG Ziyan, YIN Wen, ZHONG Yuntao, et al. Identification method of igneous rock lithology based on conventional logging: taking Carboniferous igneous rock reservoir in Hongche fault zone, northwest margin of the Junggar Basin as an example. Journal of Northeast Petroleum University, 2021, 45(5): 95-108. |
| [38] |
宋华颖, 伊海生, 范爱春, 等. 柴达木盆地西部西岔沟剖面湖相碳酸盐岩岩石学特征与沉积环境分析. 中国地质, 2010, 37(1): 117-126. SONG Huaying, YI Haisheng, FAN Aichun, et al. Petrological characteristics and sedimentary environment analysis of lacustrine carbonate rocks in the Xichagou section of the western Qaidam Basin. Geology in China, 2010, 37(1): 117-126. |