岩石相由Miall提出^[1-2]，定义为一定沉积环境中形成的岩石或岩石组合，倡导将沉积构造和岩性统一起来，作为沉积相研究的重要内容^[3]，但实际应用中时常出现相同岩石相发育在不同沉积微相现象。因此，提出将砂体成因、沉积构造和岩性统一起来，开展沉积微相约束下的岩石相划分，对致密砂岩优势砂体预测更具有实际应用意义。目前，岩石相识别方法主要有三大类：①直接观察描述法，通过露头剖面、钻井岩心、岩石薄片等直接划分岩石相^[3-4]。这种方法直观、准确，但需要大量岩石样品，难以实现工业化应用，且成本高、耗时长。②测井曲线交会识别法，利用观察描述岩石相标定测井曲线，直接制作测井曲线的二维、三维交会图^[5]或蜘蛛网图版识别岩石相^[6]，实际应用中由于图版上的分区界限不明显，往往出现较大的识别误差。为此，有学者首先利用主成分分析测井曲线，然后构建新参数制作图版^[7-8]，一定程度上减小了识别误差。③随着人工智能的深入应用，岩石相智能识别方法得到快速发展，常见BP神经网络^[9]、卷积神经网络^[10-11]、Fisher线性判别^[12]、随机森林^[13]等机器学习算法，相较于传统识别方法，智能识别方法展现出了误差小、效率高、工业化应用程度强的明显优势，但具有较强的地区局限性。

近年来，鄂尔多斯盆地三叠系延长组长8—长10段发现了多个大型致密油藏，特别是陇东地区长8段先后落实了多个含油气富集区^[14-15]，显示出广阔的勘探前景和较大的资源潜力。对于河道摆动频繁致使“满盆富砂”的沉积体系^{[4, 16-17]}，平面不同位置的砂体物性迥异、非均质性强，导致大面积致密油藏存在明显差异富集^[18-19]。前期砂体成因及分布规律研究主要利用砂体厚度法^[20-22]和微相组合法^[23-24]。砂体厚度累计法侧重于研究砂体的整体形态、规模及展布，难以反映其内部物性变化，时常出现钻遇砂体厚、品质差的情况，表明砂体厚度与物性并无直接相关性。微相组合法相比砂体厚度法虽然考虑到了砂体成因，但难以细分相同微相的优质与劣质砂体^{[18-19, 24]}。

致密砂岩内部优劣性通常以孔隙度和渗透率为标准^[25-27]，其与沉积过程密切相关，主要受砂体成因、岩性和沉积构造等因素的控制^{[4, 15-16]}。砂体成因、岩性对储层孔隙度的影响较大，而沉积构造对渗透能力的影响异常明显，特别是不同规模、不同发育程度的平行层理、交错层理及斜层理等非均质性层理构造，不仅是油气纵向运移的屏障，且对压裂改造会产生消极影响。因此，在砂体成因、岩性和沉积构造分析基础上，精细刻画岩石相是提高致密砂岩优势砂体预测准确度的有效途径。基于鄂尔多斯盆地陇东地区三叠系延长组长8₁亚段52口取心井岩心描述、1 000余口井测井资料等，并结合铜川金锁关剖面及以往对湖盆古地理环境的研究成果，重点解剖了分流河道砂体的纵横向岩石相差异，建立致密砂岩岩石相智能识别方法，明确了优势砂体平面分布规律及发育模式，形成了一种精细刻画分流河道预测优势砂体的方法，以期为陇东地区致密砂岩油藏的精准勘探、高效开发提供了重要的技术支撑。

鄂尔多斯盆地是一个整体升降、坳陷迁移、构造简单的大型多旋回克拉通盆地，勘探面积约25× 10⁴ km²，现今构造格局主要包括北部伊盟隆起、南部渭北隆起、东部晋西挠褶带、西部天环坳陷和西缘冲断带、中部伊陕斜坡等6个一级构造单元（图 1a）。陇东地区位于盆地伊陕斜坡西南部，整体构造平缓，局部发育小型鼻状隆起，区域面积约5×10⁴ km²。研究区钻穿延长组长8段的探井、评价井1 400余口，地层保存完整，常规测井系列较全，岩心资料丰富。

图 1

Fig. 1

下载原图 图 1 鄂尔多斯盆地陇东地区构造位置（a）、三叠系延长组（b）及长8段（c）地层划分（据文献[12]修改） Fig. 1 The tectonic position of the Longdong area in Ordos Basin (a), stratigraphic division of the Triassic Yanchang Formation (b) and the Chang 8 member (c)

三叠系延长组是一套内陆湖泊—三角洲沉积体系，自上而下划分为长1段—长10段共10个段^{[24, 26]}（图 1b），长10—长8沉积时期是湖盆快速扩张阶段，至长7沉积时期达到鼎盛，长6—长1沉积时期湖盆开始萎缩至消亡。其中长8段处于初次湖泛面与最大湖泛面之间，随着湖盆快速升降变化，短期内发生了三角洲的进积和退积过程，发育了大面积垂向叠置、横向连片分布的致密砂岩。长8段根据沉积旋回可分为长8₁与长8₂亚段，2个亚段的沉积厚度相对稳定，一般为35~45 m。研究目的层长8₁亚段根据短期旋回，自上而下可细分为长8₁¹、长8₁²、长8₁³等3个小层（图 1c），储层岩性以细砂岩为主，其次为粉砂岩。

近年来，学者们在陇东地区长8段沉积体系研究基础上，深入探讨了致密砂岩储层的沉积特征、砂体成因及其叠置关系等^{[15, 28-29]}，但对相同沉积微相在不同位置处的优劣差异研究较少涉及。通过开展岩石相研究，不仅加深了对地质体的认识精度，且对勘探目标优选及井位部署具有较好的指导意义。

通过研究区52口井1 200余米岩心的观察分析，肉眼可见纹层厚度主要为1~3 mm，根据地层厚度及地质年代，结合测井曲线的纵向分辨率，以15 cm作为厚度下限，进行岩心岩石相识别划分。根据沉积构造、砂体成因、岩性及水动力等证据（表 1），识别出6种典型岩石相，分别为均质分流河道砂岩相、非均质分流河道砂岩相、均质河口坝砂岩相、非均质河口坝砂岩相、非均质漫溢砂岩相和泥岩相。需要注意的是，由于研究区长8₁亚段储层主要为细砂岩，因此岩性属性未详细区分，若岩性多样则在岩石相划分过程中务必考虑岩性属性。针对岩性变化复杂情况的岩石相划分，目前沉积储层研究综合岩性、颜色、沉积构造、分选、磨圆、胶结、粒径等13种属性进行了命名^{[3, 30]}；然而测井识别研究必须考虑曲线分辨率（常规测井大于0.5 m、电成像测井大于5 cm）^[31]，首先进行测井粒度识别，如砾岩（粗砾、大砾、中砾、小砾）、砂岩（粗砂、中砂、细砂、粉砂）、泥岩等，然后结合沉积微相和沉积层理特征，进行三属性岩石相划分，如均质分流河道粗砂岩相、均质辫状河道小中砾岩相等。随着数学智能算法在测井解释领域的深入应用^[32-33]，在岩性解释基础上利用电成像测井资料识别交错层理、平行层理、波状层理、斜层理等典型非均质性层理，将为进一步细化岩石相的测井划分及识别提供新的方法和思路。

表 1(Table 1)

表 1 鄂尔多斯盆地陇东地区三叠系长81亚段致密砂岩岩石相类型划分表 Table 1 Classification of lithofacies for tight sandstone of the Triassic Chang 81 sub-member, Longdong area, Ordos Basin 岩石相 岩心 地质解释 矿物成分 露头剖面 高能岩石相 均质分流河道砂岩相 中细砂岩，颗粒分选中等，常见块状层理，底部突变 发育在分流河道底部沉积序列，指示强水动力 颗粒为棱角状，成分成熟度低，石英、长石含量高，粒间孔、粒内溶蚀孔较发育 发育在分流河道微相中部主体部位，常见块状层理、大型交错层理，单期厚度较大，与河道宽度比约为100∶1 均质河口坝砂岩相 粉细砂岩，颗粒分选较好，常见块状层理，顶部突变 发育在河口坝顶部沉积序列，指示强水动力 发育在河口坝微相中部主体部位，常见块状层理 低能砂岩相 非均质分流河道砂岩相 中细砂岩，常见小型交错、平行层理 发育在分流河道中下部沉积序列，指示中等—较强水动力 颗粒多为次棱角状，石英、长石含量相对较高，泥质含量明显增多，且呈层状分布，溶蚀现象较少，可见少量原生孔 发育在分流河道边部侧翼部位，非均质性层理较发育，单期厚度较小，一般小于2 m 粉细砂岩，常见波状层理、砂纹层理 发育在分流河道中上部沉积序列，指示中等—较弱水动力 粉砂岩，常见水平层理 发育在分流河道顶部沉积序列，指示弱水动力 非均质河口坝砂岩相 粉细砂岩，常见砂纹交错层理、波状层理、变形层理 发育在河口坝中、下部沉积序列，指示较弱水动力 发育在河口坝微相边部侧翼部位，内部常见泥质条带，单期厚度较小，一般小于2 m 非均质漫溢砂岩相 粉砂岩和粉砂质泥岩，常见水平层理、波状层理 分流间湾沉积序列为主，指示弱水动力 颗粒整体较细，泥质明显加重，物性较差 发育在分流河道两岸，常见单期砂体，厚度一般小于1 m 泥岩相 泥岩 发育在沼泽、分流河道间湾等 黏土矿物为主

下载CSV 表 1 鄂尔多斯盆地陇东地区三叠系长81亚段致密砂岩岩石相类型划分表 Table 1 Classification of lithofacies for tight sandstone of the Triassic Chang 81 sub-member, Longdong area, Ordos Basin

划分岩石相的目的是为了精细区分相同微相不同位置的砂体，这些岩石相一般以一定组合形式出现在微相中^[16]。分流河道微相底部一般发育块状层理中—细砂岩，向上逐渐过渡为小型交错层理、平行层理、波状层理、砂纹层理粉—细砂岩等，指示水动力由强变弱的过程^{[1, 4]}，岩石相由均质分流河道砂岩相过渡为非均质分流河道砂岩相。河口坝微相以非均质性层理为主，顶部见少量块状层理，漫溢砂岩相主要发育非均质性层理。进一步根据层理构造与水动力的关系，将均质块状层理发育的岩石相划分为高能岩石相，包括均质分流河道砂岩相和均质河口坝砂岩相；非均质性层理发育的岩石相划分为低能岩石相，包括非均质分流河道砂岩相、非均质河口坝砂岩相和非均质漫溢砂岩相。

高能岩石相一般在较强水动力下，沉积物快速堆积过程中形成，砂岩结构成熟度较低、成分成熟度较高，石英与长石体积分数均大于70%，颗粒多为棱角状，黏土矿物通常衬垫在碎屑矿物颗粒表面，溶蚀作用改善了储层物性（图 2a）。岩心以均质块状细砂岩为主，无明显泥质纹层（图 2b）。露头剖面显示单期沉积厚度较大，主要发育在分流河道主体部位，以块状层理和大中型交错层理为主，向侧翼和边部砂体厚度逐渐减薄（图 2g）。

图 2

Fig. 2

下载原图 图 2 鄂尔多斯盆地陇东地区三叠系长81亚段岩心孔隙、层理特征 （a）块状层理，细砂岩，发育大量粒间孔、粒内溶孔，物性较好，里98井，2 446.82 m；（b）块状层理，细砂岩，里357井，2 269.64 m；（c）斜层理，细砂岩，发育少量粒间孔，物性较差，里98井，2 436.72 m；（d）波状层理，泥质粉砂岩，池245井，2 455.79 m；（e）小型交错层理、斜层理，细砂岩，池245井，2 455.79 m；（f）斜层理，细砂岩，池245井，2 469.02 m；（g）铜川金锁关剖面，长8段分流河道中部厚层块状细砂岩，侧翼方向逐渐尖灭，可见平行层理或小型交错层理。 Fig. 2 Pores and sedimentary beddings characteristics from core samples and outcrop of the tight sandstone of the Triassic Chang 81 sub-member, Longdong area, Ordos Basin

低能岩石相形成的水体环境较为稳定，水动力能量较弱，砂岩结构成熟度及成分成熟度相对较低，石英与长石体积分数平均为35%，颗粒多为次棱角状，孔隙以原生孔为主（图 2c）。岩心以粉细砂岩为主，发育小型交错层理、平行层理、斜层理、波状层理等非均质性层理构造（图 2d—2f）。露头剖面显示单期厚度较小，主要发育在分流河道侧翼及边部（图 2g）。

基于不同测井系列对岩石物理性质的响应机理及敏感性分析^[34-36]，利用岩心观察描述的岩石相标定测井曲线后，梳理出不同岩石相的典型测井响应模式（图 3）。

图 3

Fig. 3

下载原图 图 3 鄂尔多斯盆地陇东地区三叠系长81亚段致密砂岩不同岩石相测井响应模式 Fig. 3 Logging response patterns of different lithofacies in tight sandstone of the Triassic Chang 81 sub-member, Longdong area, Ordos Basin

分流河道细砂岩相整体上具有中—低自然伽马（GR）、中—高电阻率（R_D）和高密度（DEN）曲线响应特征，GR曲线形态呈箱形或钟形，其中非均质分流河道细砂岩相的GR曲线可见明显的齿化现象（图 3a，3b），均质分流河道细砂岩相的曲线较为平滑（图 3c，3d）。河口坝细砂岩相的曲线响应特征值与分流河道细砂岩相较接近，但GR曲线形态以漏斗形为主，均质河口坝细砂岩相的曲线光滑程度明显高于非均质河口坝细砂岩相（图 3e，3f）。非均质漫溢砂岩常以单期沉积为主，厚度通常小于1 m，测井曲线呈明显指状特征（图 3g）。较上述5类细砂岩相而言，泥岩相则以高GR、低R_D为典型特征（图 3）。

陇东地区长8₁亚段致密砂岩岩石相类型及其测井响应模式分析发现，指状非均质漫溢砂岩相的厚度均小于1 m，且主要发育在分流河道两侧，分流河道砂岩相、河口坝砂岩相识别后即可得到其分布。因此，本次研究充分发挥测井曲线连续性好、分辨率高且易获取的明显优势，优选智能算法，着重建立均质和非均质分流河道砂岩相、均质与非均质河口坝砂岩相及泥岩相的识别方法，以提高单井岩石相的识别准确率及效率，推动岩石相研究成果工业化应用技术的发展。

根据测井曲线响应原理可知，任何测井（声、电、核等）曲线响应值均是地层信息（包括结构、矿物、流体等）的综合响应^{[31, 37]}。在岩心岩石相精细识别、标定测井曲线基础上，分别统计了陇东地区长8₁亚段均质和非均质分流河道砂岩相、均质与非均质河口坝砂岩相以及泥岩相的测井响应特征值（表 2），进一步建立了不同岩石相与测井响应之间的相关矩阵图（图 4）。表 2和图 4均表明，泥岩相与其它4类岩石相具有明显的区分，而不同岩石相之间的测井响应特征值存在较大的重叠区域，曲线耦合关系复杂，致使测井曲线与岩石相的相关性不明显。因此，直接使用这6条测井曲线，只能区分砂岩相与泥岩相，但难以实现均质分流河道砂岩相、非均质分流河道砂岩相、均质河口坝砂岩相、非均质河口坝砂岩相的有效识别。

表 2(Table 2)

表 2 鄂尔多斯盆地陇东地区三叠系长81亚段不同岩石相测井响应特征表 Table 2 Well logging response characteristics of different lithofacies in the Triassic Chang 81 sub-member, Longdong area, Ordos Basin 岩石相类型 AC/（μs·m-1） CAL/cm CNL/% DEN/（g·cm-3） GR/API RD/（Ω·m） SP/mV 均质分流河道砂岩相 $ \frac{206 \sim 237}{221} $ $ \frac{20.1 \sim 22.9}{21.5} $ $ \frac{12 \sim 21}{17} $ $ \frac{2.48 \sim 2.64}{2.57} $ $ \frac{69 \sim 106}{86} $ $ \frac{16 \sim 93}{46} $ $ \frac{42 \sim 68}{56} $ 均质河口坝砂岩相 $ \frac{205 \sim 235}{223} $ $ \frac{20.2 \sim 23.2}{21.3} $ $ \frac{13 \sim 19}{16} $ $ \frac{2.54 \sim 2.62}{2.58} $ $ \frac{61 \sim 99}{84} $ $ \frac{23 \sim 99}{41} $ $ \frac{51 \sim 70}{68} $ 非均质分流河道砂岩相 $ \frac{192 \sim 243}{220} $ $ \frac{20.1 \sim 22.7}{21.6} $ $ \frac{11 \sim 21}{16} $ $ \frac{2.49 \sim 2.63}{2.56} $ $ \frac{46 \sim 98}{80} $ $ \frac{12 \sim 111}{35} $ $ \frac{34 \sim 68}{57} $ 非均质河口坝砂岩相 $ \frac{194 \sim 233}{220} $ $ \frac{21.3 \sim 22.8}{21.9} $ $ \frac{13 \sim 23}{18} $ $ \frac{2.48 \sim 2.66}{2.57} $ $\frac{62 \sim 10 \prime}{86} $ $ \frac{16 \sim 168}{47} $ $\frac{44 \sim 61}{52} $ 泥岩相 $ \frac{212 \sim 315}{235} $ $ \frac{20.0 \sim 22.8}{21.0} $ $ \frac{10 \sim 39}{20} $ $ \frac{2.48 \sim 2.68}{2.59} $ $ \frac{72 \sim 169}{101}$ $ \frac{13 \sim 78}{29} $ $ \frac{52 \sim 85}{69} $ 注：$\frac{\text { 最小值 } \sim \text { 最大值 }}{\text { 平均值 }} $。

下载CSV 表 2 鄂尔多斯盆地陇东地区三叠系长81亚段不同岩石相测井响应特征表 Table 2 Well logging response characteristics of different lithofacies in the Triassic Chang 81 sub-member, Longdong area, Ordos Basin

图 4

Fig. 4

下载原图 图 4 鄂尔多斯盆地陇东地区三叠系长81亚段不同岩石相与测井参数相关矩阵图 Fig. 4 Matrix diagram of different lithofacies correlated with logging parameters in the Triassic Chang 81 sub-member, Longdong area, Ordos Basin

因此，为了明确不同岩石相的敏感测井参数，利用井径（CAL）、声波（AC）、中子（CNL）、DEN、自然电位（SP）、GR和深R_D曲线开展主成分分析，通过数据变换与组合，能够将多变量集合为少变量，且几乎包含原始多变量信息^[38-39]。图 5a展示了CAL，AC，CNL，DEN，SP，GR和R_D曲线的融合降维结果，可以看出，前5个主成分的累计贡献率达90% 以上，故选择主成分1，2，3，4，5构成的新样本作为岩石相标签数据库。为进一步明确这些曲线对各主成分的贡献大小，进行了测井曲线对各主成分的贡献分析（图 5b），可以看出，各测井曲线对每个主成分均没有绝对的贡献，也就是说每个主成分包含了多条曲线信息。总体对比发现，主成分1受SP曲线的影响最大，主成分2和3受GR曲线的影响最大，主成分4和5受深R_D曲线的影响最大。因此，优选出GR，SP和R_D曲线构建出岩石相标签数据库，而DEN，CNL和AC曲线属于孔隙度测井系列，与岩性的相关性较差，印证了主成分分析结果的可靠性。

图 5

Fig. 5

下载原图 图 5 鄂尔多斯盆地陇东地区三叠系长81亚段测井参数对主成分的贡献图 Fig. 5 Contribution plot of logging parameters to principal components in the Triassic Chang 81 sub-member, Longdong area, Ordos Basin

Extreme Gradient Boosting（XGBoost）模型和随机森林（RF）模型均是将多个弱分类器组装成一个更强的非线性机器学习模型^[40]。RF模型是一种基于决策树的集成分类算法^[41-42]，通过构建多个决策树来训练样本，在解决分类问题时，将若干个弱分类器的分类结果进行投票选择，从而得出最终预测结果，具有较高的准确性和泛化能力^[43-44]。该算法适用于高方差—低偏差模型，可以增强融合后模型的泛化能力，降低方差^{[42, 45]}。XGBoost模型通过提高前一轮被弱分类器错误分类的样本权重，减小前一轮正确分类的样本权重，使分类器对错误分类的数据有较好的效果^[46]。该算法适用于低方差—高偏差模型，可以在很大程度上减小预测和标签之间的偏差。根据上述XGBoost模型和RF模型的综合分析，研究充分发挥2种算法的互补优势，将随机森林RF和XGBoost算法集成为Stacking学习算法，开展陇东地区长8₁亚段致密砂岩岩石相智能识别。Stacking算法识别岩石相的实现流程如图 6所示，集成策略可分为4步。

图 6

Fig. 6

下载原图 图 6 鄂尔多斯盆地陇东地区三叠系长81亚段岩石相识别流程图 Fig. 6 Lithofacies identification flowchart in the Triassic Chang 81 sub-member, Longdong area, Ordos Basin

第1步：随机选择岩石相标签数据，按照训练集70%，测试集30%的比例生成多个训练集。第2步：分别应用RF和XGboost 2种算法，训练子分类器，进行分类训练并得到训练结果。第3步：方法集成，将第2步RF和XGboost算法的预测结果，作为集成方法的输入数据，经过Stacking算法的训练，优化组合得到一组新的预测结果。然后利用准确率来判断模型是否满足要求，当训练集的准确率>90%、测试集的准确率≤ 90%，表明训练得到的模型可能过拟合，需要对RF模型进行优化；当训练集的准确率≤ 90%、测试集的准确率> 90%，表明训练得到的模型可能欠拟合，需要对XGBoost模型进行优化；直到集成模型的准确率满足需要，即训练集和测试集的准确率均大于90%。第4步：通过混淆矩阵计算精准率、召回率和F1-score评价模型识别效果，当这3个评价指标均大于0.8，表明识别性能良好。

基于研究区三叠系长8₁亚段岩心岩石相描述结果，及其对应的GR，SP和R_D曲线构建出研究区岩石相标签数据库。按照上述集成算法的实现流程，智能识别了研究区200余口井中长8₁亚段的岩石相。表 3列出了取心井中RF，XGBoost，Stacking算法模型识别结果的平均准确率、平均精准率、平均召回率和平均F1-score，与岩心描述岩石相相比，3种算法的平均识别准确率均大于90%，但Stacking算法的平均精准率、平均召回率和平均F1-score（均大于0.84）明显大于RF，XGBoot算法，体现了良好的识别性能。

表 3(Table 3)

表 3 鄂尔多斯盆地陇东地区三叠系长81亚段RF，XGBoost，Stacking 3种岩石相识别算法模型的评价指标 Table 3 Evaluation metrics for RF, XGBoost, and Stacking lithofacies identification models in the Triassic Chang 81 sub-member, Longdong area, Ordos Basin 评价指标 RF XGBoost Stacking 准确率 0.928 0.912 0.942 精准率 0.802 0.772 0.846 召回率 0.788 0.730 0.848 F1-score 0.794 0.740 0.844

下载CSV 表 3 鄂尔多斯盆地陇东地区三叠系长81亚段RF，XGBoost，Stacking 3种岩石相识别算法模型的评价指标 Table 3 Evaluation metrics for RF, XGBoost, and Stacking lithofacies identification models in the Triassic Chang 81 sub-member, Longdong area, Ordos Basin

图 7展示了研究区木217井长8₁亚段岩心描述岩石相与3种算法（RF，XGBoost和Stacking）的识别结果。可以看出，在2 440 m深度位置，RF分类器无法精确岩石相类型之间的边界；同时，在2 457~ 2 459 m深度位置发育的钟形河道砂岩，RF识别结果整体上不一致，很难判断出是均质分流河道砂岩相还是非均质分流河道砂岩相，这些情况均是RF分类器的大偏差现象。XGBoost算法模型由于其强大的拟合能力，通常对标签数据的变化较为敏感，致使模型预测结果的方差较大，如在2 459~2 461 m深度位置出现3种岩石相识别结果。相比而言，Stacking算法的岩石相识别结果与岩心描述岩石相类型高度吻合，证实该集成算法具有较高的可靠性，能够满足工业化应用需求。

图 7

Fig. 7

下载原图 图 7 鄂尔多斯盆地陇东地区三叠系长81亚段木217井不同方法的岩石相识别结果 Fig. 7 Lithofacies identification results of well Mu 217 using different methods in the Triassic Chang 81 sub-member, Longdong area, Ordos Basin

需要注意的是，由于Stacking集成学习模型在很大程度上依赖于多个基学习器的组合^[44]，致使其内部决策机制变的相当复杂，从而降低了模型的透明度和可解释性，导致在实际应用中，很难进一步提升Stacking集成学习模型的应用效果。当前，基于各种机器学习算法的人工智能技术，虽然为挖掘测井数据中的潜在价值、实现测井资料的增值应用，提供了新的方法和思路，仍然存在明显局限性：①标签样本数据量有限，很难全面包含岩石特征；②侧重于学习算法及其应用讨论，忽视了标签样本不平衡、异常值、标准化等方面的测井数据前处理；③纯粹依靠数据本身，缺乏岩石物理、地质规律等先验认知约束，很难在模型应用中逐步提高分析和自适应能力。因此，学者们在设计智能模型过程中，尽可能在代表性标签样本生成、数据校准、专家知识融合驱动策略及可解释性模型开发等方面，加大研究投入，降低人工智能技术在测井解释领域的应用风险。

在陇东地区长8₁亚段致密砂岩岩石相智能识别基础上，开展了长8₁¹、长8₁²、长8₁³小层岩石相的纵横向分布特征研究，对建产目标优选及井位部署具有一定指导意义。

近垂直物源方向西22—庄110—宁93井剖面岩石相对比（图 8）表明，分流河道中部主体部位发育均质河道砂岩相，厚度为3~10 m，河道边部侧翼部位以非均质河道砂岩相为主，厚度一般小于3 m；同时，分流河道频繁摆动区也以非均质河道砂岩相为主，叠置厚度较大。研究区长8₁亚段次级小层最多发育3期分流河道砂体，以长8₁¹小层为例，横向上，同一分流河道在不同位置发育不同岩石相；纵向上，由于分流河道的迁移摆动，主要形成四大类、八小类岩石相叠置类型（图 9）。第一大类，3期均质分流河道砂岩相叠置；第二大类，至少2期均质分流河道砂岩相叠置；第三大类，至少1期均质分流河道砂岩相；第四大类，不发育均质分流河道砂岩相。其中第一大类岩石相叠置模式最有利，其次为第二大类岩石相叠置模式。

图 8

Fig. 8

下载原图 图 8 鄂尔多斯盆地陇东地区三叠系长81亚段岩石相连井对比剖面（剖面位置见图 10） Fig. 8 Section of lithofacies correlation of Well-to-Well in the Triassic Chang 81 sub-member, Longdong area, Ordos Basin

图 9

Fig. 9

下载原图 图 9 鄂尔多斯盆地陇东地区三叠系长81亚段小层岩石相叠置模式 Fig. 9 Schematic diagram of the lithofacies superimposed types for the Chang 81 sub-member in the Triassic Yanchang Formation, Longdong area, Ordos Basin

平面分布以长8₁³小层为例（图 10），均质分流河道砂岩相呈明显的平面区带性。南部受陇西古陆物源的影响，在镇原、庆阳、庆城、合水地区，呈北东—南西向展布，延伸距离高达100 km，平面宽约4.5 km，呈窄条带状。西北部受阿拉善古陆物源的影响，主要位于环县东南地区，呈北西—南东向展布，延伸距离约50 km，平面宽4.2 km，亦为窄条带状。盆地西缘受古地貌影响，均质分流河道砂岩相的展布明显增宽，末端叠置连片。非均质分流河道砂岩相主要分布在各均质分流河道砂岩相的侧翼及边部，呈外包络状展布。

图 10

Fig. 10

下载原图 图 10 鄂尔多斯盆地陇东地区三叠系长813小层砂体岩石相平面分布图 Fig. 10 Lithofacies'planar distribution of the sandbodies in the Triassic Chang 813 unit, Longdong area, Ordos Basin

近年来，浅水三角洲沉积体系研究不断完善，理论趋于成熟，浅水三角洲环境下形成的致密砂岩等非常规油气储集体已经成为重要的勘探目标。陇东地区长8₁亚段砂体具有横向分布面积大、纵向多期叠置的发育特征，储集层平均孔隙度为8.8%，平均渗透率为0.64 mD，为典型致密砂岩储集层。系统分析了陇东地区长8₁亚段砂体的岩石相，结合岩心测试物性结果，制作了均质、非均质河道砂岩相的孔渗交会图（图 11），发现均质河道砂岩相的物性整体上好于非均质河道砂岩相。主要是由于均质河道砂岩相为快速沉积，石英、长石含量均较高，粒间孔、粒内溶孔均较发育（参见图 2a），而非均质河道砂岩相中黏土矿物含量增多，致使孔隙度严重减小、孔喉连通性变差（参见图 2c）。因此，基于测井资料建立致密砂岩岩石相智能识别方法，为深化认识致密砂岩有利岩石相分布，给陆相湖盆大面积致密砂岩优势砂体的分布预测提供了可靠的方法技术支撑，对岩石相空间展布规律研究具有十分重要的现实意义。

图 11

Fig. 11

下载原图 图 11 鄂尔多斯盆地陇东地区三叠系长81亚段砂体孔渗交会图 Fig. 11 Relationship between porosity and permeability for sandbodies in the Triassic Chang 81 Sub-member, Longdong area, Ordos Basin

通过编绘研究区长8₁亚段长8₁¹、长8₁²、长8₁³小层的主要岩石相叠合图（图 12），认为第一大类3期均质河道砂岩相叠置分布区是物性优势区，主要分布在环县、华池、马岭、庆阳、合水地区，呈不规则坨状，可作为陇东地区石油勘探开发的潜力建产区。

图 12

Fig. 12

下载原图 图 12 鄂尔多斯盆地陇东地区三叠系长81亚段岩石相叠合图 Fig. 12 Plan map of superposed types of lithofacies of the Triassic Chang 81 sub-member, Longdong area, Ordos Basin

（1）鄂尔多斯盆地陇东地区三叠系长8₁亚段共发育6种岩石相类型，其中均质分流河道砂岩相、均质河口坝砂岩相以高能沉积环境形成的均质块状层理为识别标志，物性条件较为优越，是有利岩石相；非均质分流河道砂岩相、非均质河口坝砂岩相则以中—低能环境发育的非均质层理为典型特征，物性较差。

（2）测井参数主成分分析是构建高质量岩石相标签数据库的关键，Stacking学习模型集成了RF分类器的小方差特性和XGBoost算法的小偏差优势，实现了致密砂岩岩石相的智能识别，准确率达94.2%，为有利岩石相空间刻画基础上的致密砂岩优势储层预测提供了可靠的方法技术支撑。

（3）沉积作用决定了砂体空间展布，是岩石相的物质基础，水动力能量对其具有控制作用。长8₁亚段次级小层在剖面上，河道迁移摆动形成四大类、八小类岩石相叠置类型，其中3期均质分流河道砂岩相叠置模式最有利；平面上，均质分流河道砂岩相主要发育在洪水期分流河道中部主体部位，呈条带状、延伸至平均低水位线附近；非均质分流河道砂岩相则主要发育在河道边部侧翼部位，分布在均质河道细砂岩相外围，呈包络状。陇东地区长8₁亚段有利岩石相叠置类型主要分布在环县、华池、庆城、合水地区，呈不规则坨状，可作为重点建产区。