0 引言
成岩相可以直接反映储层性质、类型和质量等特性［15-16］，前人［17-19］通过研究成岩相来判别优质储层和预测有利储集体，并通过建立成岩相测井解释模板对储层进行评价［20-21］。但与单一成岩作用控制其成岩相的常规砂岩相比，致密砂岩不同成岩作用相互叠加，导致不同成岩相测井数据存在信息重叠，成岩相评价存在取心资料少、时间消耗长以及传统的交会图并不能有效区分各类成岩相等问题，难以实现成岩相空间上的连续性评价，从而给致密砂岩储层评价带来一定困难［22］。而BP神经网络是一种典型的数据挖掘方法［23］，判别过程依赖于训练数据，针对非线性变量具有良好的效果［23］。此外，BP神经网络相较于线性的多元统计算法，不会因个别神经元的损失而影响预测结果，对模糊数据的泛化能力强、稳定性高［23-24］。前人利用神经网络对储层岩性［23］和岩相识别［24］进行了应用，研究对象为碳酸盐岩岩性及岩相识别。因此，本文将探讨此方法在致密砂岩成岩相测井识别中的应用效果。
本文通过大量的岩心、薄片及扫描电镜资料的观察，依据成岩矿物和成岩作用将研究区划分为5种成岩相，利用Matlab软件搭建BP神经网络对测井数据进行学习，进而利用学习模型对全段成岩相进行了预测，通过与岩性、薄片及孔渗数据对比，明确了各类成岩相纵向分布规律，以期为致密砂岩有利区预测和评价提供借鉴。
1 区域地质概况
1.1 工区概况
1.2 岩石学特征
2 成岩作用类型
前人研究［13-15，29-30］认为库车坳陷北部阿合组经历的主要成岩作用及其对储层的影响为：较强烈的压实作用是储层孔隙度减小的重要因素，垂向和构造压实减孔量分别为12.1%和15.7%［29］；胶结作用形成的方解石、铁方解石、二氧化硅以及黏土杂基［30］堵塞喉道，破坏了孔隙连通性［13］；溶蚀作用是阿合组主要的增孔作用，成岩过程和生烃期形成的有机酸促进了溶蚀作用的进行［13-15，29］；古构造挤压具有减孔降渗和造缝增渗双重效应，是导致储层物性平面差异性的主要原因［29］。另外，方解石胶结物在碱性环境中还会发生交代长石或石英的交代作用［29］。本文在总结前人对库车坳陷阿合组成岩作用研究的基础上，认为对储层物性影响较大的成岩作用为压实和压溶作用、胶结作用、溶蚀作用和破裂作用，其成岩特征如下。
2.1 压实作用和压溶作用
图4 库车坳陷下侏罗统阿合组致密砂岩显微薄片特征（a）YN2井，4 785.8 m，塑性岩屑压实变形；（b）YN5井，4 850.71 m，碳酸盐胶结；（c）YN5井，4 850.71 m，碳酸盐胶结；（d）YN4井，4 500.7 m，粒间溶孔；（e）YN4井，4 473.77 m，粒间溶孔、粒内溶孔；（f）DB102井，5 022.8 m，粒间溶孔，微裂缝；（g）YN2井，4 551 m，粒间溶孔、粒内溶孔、微裂缝；（h）YN5井，4 534.76 m，石英等刚性颗粒破裂，微裂缝；（i）YN5井，4 779.96 m，石英等刚性颗粒破裂，微裂缝 Fig.4 Microsection characteristics of tight sandstone of Lower Jurassic Ahe Formation in Kuqa Depression |
2.2 胶结作用
2.3 溶蚀作用
2.4 破裂作用
3 成岩相划分
成岩相是指在成岩与构造等作用下，沉积物经历一定成岩阶段和演化的产物。目前，对于成岩相定义和划分方案尚无统一的认识，但多数涉及到成岩作用及其产物等内容［31］。综合前人研究成果总结出2种实用性较强的划分方案：成岩强度划分法［19-20］、成岩矿物+成岩作用类型及其组合划分法［16-18，21-22］。成岩作用强度虽然能定量表征不同成岩相类型，但缺点是镜下统计数据量较大，成岩相划分过于详细可能导致测井数据不敏感，致密压实相普遍具有较高GR值，将成岩相划分为强压实相，中等压实相则会导致测井数据信息重叠更为严重。因此，为使得各类成岩相在测井参数上区分更为明显，综合成岩相划分标准、测井参数敏感性和勘探实用性，本文依据成岩矿物+成岩作用类型进行成岩相划分。
通过对研究区普通、铸体薄片及扫描电镜共计350张照片资料的系统研究，总结出对阿合组储层物性具有重要影响的成岩作用为压实作用、胶结作用、溶蚀作用和破裂作用。当仅有压实作用存在时划为致密压实相，本文1.2节研究认为硅质胶结和黏土矿物胶结含量较低，在研究区不具有普遍性，因此将具有碳酸盐胶结作用的划分为碳酸盐胶结相，仅具有溶蚀作用和破裂作用的分别划分为溶蚀相和微裂缝相，而2种成岩作用同时存在时划分为溶蚀微裂缝相。各成岩相在孔渗特征（下文第5节）以及测井曲线响应上具有较好的区分性，因此本文将成岩相划分为以上5类。各类成岩相岩心、薄片及扫描电镜微观特征和测井曲线特征如下。
3.1 致密压实相
表1 各类成岩相测井数据范围及平均值Table 1 Logging data ranges and average values of various diagenetic facies |
| 成岩相类型 | GR/API | AC/（μs/m） | CNL/% | DEN/（g/cm3） | RD/（Ω·m） | RS/（Ω·m） |
|---|---|---|---|---|---|---|
| 致密压实相 | 58~146（85） | 56~78（66.4） | 0.04~0.25（0.1） | 2.51~2.72（2.65） | 6.5~85.1（19.5） | 4.1~25.3（12.4） |
| 碳酸盐胶结相 | 69~103（86） | 62~71（65.9） | 0.07~0.13（0.1） | 2.57~2.73（2.68） | 20.1~71（33.6） | 2.1~9.3（6.4） |
| 不稳定组分溶蚀相 | 56~92（75） | 65~78（69.0） | 0.03~0.06（0.05） | 2.52~2.65（2.58） | 6.0~69.2（46.7） | 5.8~51.8（31.9） |
| 溶蚀微裂缝相 | 58~98（74） | 68~79（69.7） | 0.04~0.06（0.05） | 2.43~2.62（2.56） | 18.7~35.3（27.4） | 11.4~19.3（15.5） |
| 微裂缝相 | 53~74（68） | 58~66（65.4） | 0.02~0.06（0.04） | 2.55~2.68（2.63） | 19.3~61.9（32.4） | 9.5~41.6（23.7） |
|
3.2 碳酸盐胶结相
3.3 不稳定组分溶蚀相
3.4 溶蚀微裂缝相
3.5 微裂缝相
4 成岩相测井识别
4.1 成岩相交会图特征
通过对150张普通和铸体薄片进行观察研究，对每张薄片进行成岩相命名，并提取对应深度点对成岩相测井响应比较敏感的参数GR、AC、CNL、DEN、RD、RM作交会图，通过对比交会图（图6）发现，不同成岩相在交会图中具有一定区分度，但由于不同成岩相存在信息重叠，传统测井曲线交会图并不能有效区分各类成岩相。
4.2 优选测井参数和数据预处理
前人研究发现，自然伽马对泥质反应敏感，声波时差、中子孔隙度和密度则对岩石的孔隙敏感程度较高，而双侧向电阻率（RD、RS）是表征岩石裂缝的有效常规测井参数，构建新参数∣RD/RS－1∣（简记为ΔR）可放大裂缝对测井曲线的影响［27］。从储层评价的角度出发，研究区成岩相划分最重要的影响因素为泥质含量、溶蚀形成的孔隙和微裂缝。因此，共选取对储层成岩相较为敏感的GR、AC、CNL、DEN、RD、RM和ΔR共7个测井参数作为BP神经网络的输入值进行学习。
另外，不同的测井参数具有不同的量纲，井间环境受钻井液等因素的影响也各不相同，这些因素的影响会极大影响智能性算法的学习效果。因此，在测井特征提取过程中，先对样本点进行严格的深度归位及井径校正，然后进行数据的标准化处理。利用SPSS24.0对全井数据统一进行Z-Score标准化处理 ，并去除测井数据中的极异常值。
4.3 训练BP神经网络
利用Matlab软件编程搭建BP神经网络，将7种测井参数作为输入层，成岩相类型作为输出层。目前神经网络神经元节点数与隐含层数的选取还没有统一的公式，现阶段对依奇克里克地区阿合组成岩相的BP神经网络经过多次测试发现，当隐含层神经元设定为15层时学习效果最好；通过对比各传递函数，函数的种类对学习效果影响不大，隐含层传递函数选用Logsig，输出层传递函数选用Purelin，为防止训练过程中占用大量的内存而宕机，训练函数选择Trainscg；设定的最大训练次数为20 000次，训练误差精度为0.005，即训练20 000次后其与实测误差在0.005范围内。选取具有薄片资料的样本点150个，每个样本点上下共提取5组测井数据，共计750组样本数据，按照4∶1的比例分为训练样本和测试样本。运行Matlab程序，得到学习结果准确率为87.9%。
从图7可以发现，函数输出1~5分别代表致密压实相、碳酸盐胶结相、不稳定组分溶蚀相、溶蚀微裂缝相和微裂缝相。致密压实相错分率略高，但也不难发现，一部分致密压实相被错分为碳酸盐胶结相，这与二者的岩石物理性质和物性密不可分，即均具有较高的密度和较低的孔隙度。另外，部分溶蚀微裂缝相是由碳酸盐胶结相演变而来，此类有一个错分，但该样本在研究区数量极少。因此，不单独作为一类成岩相来划分。部分微裂缝相由于裂缝率较高，开度较大，具有较高的孔隙度，2个样本被错分为溶蚀相。综合来看，以上少数被错分的成岩相从储层评价角度来看，不影响储层的评价和预测。因此，我们认为该模型的学习准确率较高，可被应用。
5 预测效果
YN2井下砂砾岩段共取心3次，该段上中下部均有取心，薄片资料共计150张。利用上节训练好的BP神经网络学习模型对依奇克里克构造带YN2井下侏罗统阿合组下砂砾岩段4 890~4 995 m进行成岩相测井识别，将Z-Score标准化后的测井数据作为输入层导入程序，识别效果如图8所示，将预测结果同微观薄片和孔渗数据的对比，可以看出5张检验薄片的成岩相类型同预测结果一致。另外，从孔渗规律上看，溶蚀相、溶蚀微裂缝相和微裂缝相对应的储层孔渗性较高，而致密压实相和碳酸盐胶结相对应层段孔渗性极差（图8）。通过预测结果统计各类成岩相孔隙度和渗透率数据，从交会图（图9）可以发现，总体上阿合组除微裂缝相外，各成岩相孔渗相关性较好。致密压实相和碳酸盐胶结相孔渗较差，二者重合部分略多，但显著特征是碳酸盐胶结相相较于致密压实相普遍具有更低的渗透率，个别碳酸盐胶结相具有较高的渗透率，这是由于部分碳酸盐胶结相样本同时也发育微裂缝，但此类样本极少，故不单独划为一类成岩相分析。不稳定组分溶蚀相孔隙度介于4%~10%之间，渗透率介于（1~8）×10-3 µm2之间。溶蚀微裂缝相孔隙度高，渗透性好，为研究区最好的一类储层，而微裂缝相普遍具有较高的渗透率。
由图8可以看出，各类成岩相在此层段发育程度具有明显的不同，致密压实相占比最大，这是由于地层埋深大，压实作用强烈所致，多发育于粒度细、塑性颗粒含量较高的层段。碳酸盐胶结相往往呈薄层分布于其他类成岩相中，但比较明显的规律是近泥岩段或泥质粉砂岩段较为发育，碳酸盐胶结相薄夹层物性极差，极大地降低了储层质量，对后期的开发具有一定影响。微裂缝相多发育于刚性颗粒含量比较高、分选性比较差的中—粗砂岩中，在本段多发育于中上部。
不稳定组分溶蚀相和溶蚀微裂缝相是2类最好的储层，二者多发育于细砂岩和含砾中砂岩中，发育的层位和储层物性相关性比较高，说明致密砂岩成岩相的测井识别有利于探明油气的分布规律，对油气的勘探开发具有重要意义。
6 结论
（1）塔里木盆地库车坳陷依奇克里克地区阿合组下砂砾岩段致密砂岩经历多期成岩作用，非均质性强。结合岩心、薄片和扫描电镜资料，依据成岩矿物和成岩作用类型将下砂砾岩段致密砂岩划分出5种成岩相：致密压实相、碳酸盐胶结相、不稳定组分溶蚀相、溶蚀微裂缝相和微裂缝相。
（2）岩心资料有限，难以对全井段成岩相进行预测，致密砂岩与常规砂岩相比，成岩作用的相互交叉导致不同成岩相测井信息存在重叠，利用传统的测井解释模板和交会图难以实现不同成岩相的识别，二者制约着储层预测和评价。通过BP神经网络对测井数据进行数据挖掘，将成岩相测井识别从低维线性不可分问题映射到高维非线性可分，实现了多维测井参数识别成岩相。
（3）通过BP神经网络训练测井数据得出训练模型，稳定性好、预测速度快、分辨率高，通过和5张检验薄片对比，统计各类成岩相146个孔渗数据，认为预测的成岩相符合孔渗规律，对快速实现致密砂岩储层成岩相预测和评价具有指导意义。
甘公网安备 62010202000678号
