基于KNN分類算法的微生物白云巖巖相測井綜合識別
——以四川盆地GM地區燈四段為例

李 昌，王 鑫，馮 周，宋連騰

1 中國石油杭州地質研究院；2 中國石油集團碳酸鹽巖儲層重點實驗室；3 中國石油勘探開發研究院

0 前 言

微生物丘灘是儲層發育的有利相帶［1-3］，復雜多樣的巖性類型［4］導致其巖-電關系復雜，僅依靠常規測井無法識別微生物巖的具體巖相（如藻紋層巖、藻疊層巖和藻凝塊巖等）［5-6］，僅能從整體上識別微生物巖。電成像測井具高分辨率特征，近似巖心觀察，能夠區分不同微生物構造，是有效識別微生物構造的主要手段［7-8］，但對于塊狀構造的砂屑白云巖和硅質泥晶白云巖，仍存在多解性問題［8］。目前常規測井與電成像測井結合是最有效且精度最高的識別手段，結合的主要方式包括圖版法和人工智能學習法。作為傳統方法的圖版法［6-8］，其識別效率低且受人工經驗影響較大。人工智能方法也存在2 個問題：①不同維度的測井數據融合難。常規測井為一維數據，采樣間距為0.125 m；而電成像測井為二維數據，采樣間距為0.25 cm。②巖心數量有限，訓練樣本數量不充足，而深度學習需要海量訓練數據。

本文優選適應小樣本的機器學習法——K 鄰近分類算法（KNN），提出分開訓練和識別，將識別結果再融合的技術手段，這樣可以有效解決上述2 個問題，發揮不同測井系列的優勢。首先基于巖心資料，分別建立巖相分類方案和巖石構造特征分類方案。以四川盆地GM 地區燈影組四段（簡稱燈四段）為例，劃分了6 種巖相類型（包括藻白云巖、砂屑白云巖、粉晶白云巖、硅質白云巖、泥晶白云巖和泥質泥晶白云巖）和7 種巖石構造特征類型（包括藻疊層、藻凝塊、藻紋層、塊狀、層狀、斑點狀、薄層狀）。分別建立巖心訓練樣本參數庫：對于常規測井，采用自然伽馬、聲波時差、中子、深電阻率和淺電阻率參數；對于電成像測井，采用動態圖像的紋理特征和方向梯度參數作為樣本訓練參數。然后基于KNN方法，采用常規測井識別出6種巖相類型，采用電成像測井識別出7種巖石構造類型。最后根據專家經驗，對這兩種識別結果進行融合，獲得9種巖相類型，即藻疊層白云巖、藻凝塊白云巖、藻紋層白云巖、藻砂屑白云巖、砂屑白云巖、粉晶白云巖、硅質白云巖、泥晶白云巖和泥質泥晶白云巖。實際應用表明，與取心井對比，識別符合率在85%以上，滿足了研究區燈影組精細沉積微相研究的需求，推動了勘探和開發生產。該方法充分利用常規測井和電成像測井的各自優勢，實現高效率、高精度的測井巖相識別，可推廣應用。

1 巖相類型及測井特征

四川盆地GM 地區燈四段是燈影組主力天然氣產層［9］。根據巖心觀察，燈影組儲層巖性主要以與藻類（藍細菌）有關的白云巖為主［10］?；趲r心觀察與薄片鑒定，參考鄧哈姆分類方案，將燈影組巖相劃分為9 類：藻疊層白云巖、藻凝塊白云巖、藻紋層白云巖、藻砂屑白云巖、砂屑白云巖、粉晶白云巖、硅質白云巖、泥晶白云巖和泥質泥晶白云巖。巖心物性資料顯示：藻疊層白云巖和藻砂屑白云巖物性最好，藻凝塊白云巖和藻紋層白云巖次之，砂屑白云巖、泥—粉晶白云巖及泥質白云巖物性較差。

GM 地區共有11 口取心井，其巖心總長度為428.6 m，選擇其中6 口井作為樣本井（GS1、GS18、GS102、GS21、MX108、MX51、GS16），4 口井作為驗證井（GS101、GS20、MX105、MX9）?；趲r心（已歸位）測井標定（圖1），通過常規測井交會圖（圖2）和電成像測井動態圖像（圖3）定性分析，得出如下認識（表1）:

表1 不同巖相的測井特征總結表Table 1 Summary of logging characteristics of different lithofacies

圖1 巖心測井標定（GS18井）Fig.1 Core-logging calibration(Well GS18)

圖2 巖-電關系分析圖Fig.2 Analysis diagram of lithology-electrical property relationship

圖3 不同巖石構造的典型電成像測井特征Fig.3 Typical electrical imaging logging characteristics of different rock structures

（1）藻疊層白云巖、藻凝塊白云巖和藻砂屑白云巖的物性最好，具有低自然伽馬、中—低電阻率、高聲波時差、高中子特征，這3 類巖相常規測井難于區分（圖2），在電成像測井上具有不同的巖石構造特征而容易區分。藻疊層白云巖具有疊層構造特征（圖3a），藻凝塊白云巖具有凝塊構造特征（圖3b），藻砂屑白云巖具有斑點狀構造特征（圖3c）。

（2）藻紋層白云巖物性較差，為低中子、低聲波時差、低自然伽馬和中-高電阻率特征（圖2），常規測井難于區分其與硅質白云巖和粉晶白云巖，但在電成像測井上具有紋層構造特征（圖3d）。

（3）砂屑白云巖物性差，具有較高電阻率（圖2）、低聲波時差、低中子、高密度特征，在電成像測井上為塊狀構造特征，塊狀內部有零星斑塊分布（圖3e，以塊狀構造-1指代這種特征）。

（4）硅質白云巖不發育孔隙，具有極高電阻率、低自然伽馬（圖2）、低中子、低聲波時差特征，在電成像測井上為塊狀構造特征（圖3f，以塊狀構造-2指代）。

（5）粉晶白云巖物性較差，具有低伽馬、較高電阻率（圖2）、低中子、低聲波時差特征，在電成像測井上主要為層狀構造特征，偶有塊狀構造特征。

（6）泥晶白云巖具有低—中自然伽馬、低中子、低聲波時差、高電阻率特征（圖2），在電成像測井上為層狀構造特征（圖3g）。

（7）泥質泥晶白云巖黏土含量高，因此具有中—高自然伽馬、低電阻率（圖2）、高中子、高聲波時差特征，在電成像測井上為薄層構造特征（圖3h）。

2 巖相測井識別

通過巖心標定測井，選擇敏感測井參數，建立訓練樣本庫；基于KNN 分類算法，實現6 種巖相和7種巖石構造特征識別；最后根據專家經驗進行合并，得到9 種巖相。其中最為關鍵的是樣本庫的建立，其核心是測井參數的提取。對于常規測井，選用的敏感參數為自然伽馬、聲波時差、中子、深電阻率和淺電阻率；對于電成像測井，選擇動態圖像紋理參數、方向和梯度參數作為訓練參數。下文予以詳細闡述。

2.1 電成像測井參數提取

電成像測井圖像具有空白條帶，需要采用地質統計學方法對動態圖像進行插值，獲得全井壁覆蓋圖像［11］?；谌鄹采w圖像計算其紋理特征參數和方向、梯度參數。

2.1.1 圖像紋理參數

圖像紋理特征能反映出圖像灰度相鄰間隔及變化幅度的綜合信息，非常適合描述微生物巖的疊層和凝塊的構造特征?；诨叶裙采仃嚕℅LCM）提取紋理特征的方法具有較強的適應能力和穩健性［12］，因此本文采用基于灰度共生矩陣提取紋理特征參數。

灰度共生矩陣就是一種通過研究灰度空間相關特性來描述紋理的常用方法［13］，它是對圖像上保持某距離的兩個象素分別具有某灰度的狀況進行統計得到的?；诨叶裙采仃?，提取4 種紋理特征參數：對比度、能量、相關性和均勻性（圖4）。相關性描述圖像紋理的粗糙程度，細紋理的相關性小，粗紋理的相關性大。能量是描述圖像灰度分布均勻程度和紋理粗細的一個度量，當圖像紋理較細致、灰度分布均勻時，能量值較小。從圖4可以看出，不同巖石構造的紋理參數具有一定的差異性：塊狀構造的紋理參數特點是對比度大、能量中等、相關性和均勻性較大，與其他構造能夠較好區分。塊狀構造具有2種形式，其能量和對比度存在差異性：第1種構造的能量相對小而對比度相對大，第2種構造的能量相對大而對比度相對小。對于微生物構造如凝塊、紋層構造，其對比度和能量差異較大，較容易與其他構造區分。層狀構造紋理參數具有低對比度和低能量，高均勻性和高相關性的特點，與塊狀構造具有區分性，但與微生物構造的紋理參數比較相似，不容易區分。

圖4 不同巖石構造的圖像紋理參數特征對比Fig.4 Comparison of image texture parameters of different rock structures

2.1.2 圖像梯度、方向參數

梯度和方向參數（HOG）能夠對局部外觀和形狀很好地進行表征［14］，適用于微生物巖局部紋層及疊層構造特征的刻畫。通過計算、統計圖像局部區域的梯度方向直方圖［15］可以提取梯度參數特征。首先對圖像進行灰度化和歸一化，然后計算每個像素水平方向和豎直方向的梯度，并計算每個像素位置的梯度大小和方向。梯度是一個向量場，在標量場中某一點上的梯度指向標量場增長最快的方向，梯度的長度是這個最大的變化率。

以7 種巖石構造特征的電成像測井圖像（圖3）為例，展示圖像顏色等值線顯示方式和梯度、方向特征參數的計算效果（圖5）。由圖5可以看出：對于塊狀構造，梯度變化小，矢量方向相對較少；對于微生物構造，藻疊層和紋層呈現有規律變化的梯度和矢量方向，梯度下降較大，凝塊構造則顯示雜亂；對于層狀構造，梯度下降相對較小，矢量方向有規律；斑點構造梯度下降中等，矢量方向雜亂，與層狀構造有明顯的差異性。

圖5 不同巖石構造的圖像梯度和方向特征Fig.5 Image gradient and directional features of different rock structures

2.2 基于KNN算法的巖相測井識別

本文采用KNN 算法開展巖相測井識別。該算法的優點是強制分類，對異常點不敏感，識別準確度高，因此特別適合重疊較多的待分樣本集或類域的交叉的分類問題［16］。其原理就是當預測一個新值x的時候，先計算x與它最近的k個鄰近點的距離，通過投票，判斷x屬于哪個分類，投票原則是少數服從多數。KNN 算法應用的關鍵條件是各種類型的樣本數量要均衡。

基于KNN 分類算法，采用自然伽馬、聲波時差、中子及深、淺側向電阻率等5 種測井參數，識別出6種巖相，包括藻白云巖、砂屑白云巖、粉晶白云巖、硅質白云巖、泥晶白云巖和泥質泥晶白云巖?；贙NN 分類算法，針對電成像測井提取的動態圖像的紋理特征及方向梯度參數作為樣本訓練參數，識別出7種巖石構造特征，包括藻疊層、藻凝塊、藻紋層、塊狀、層狀、斑點狀、薄層狀。

根據專家經驗對識別的大類巖相和構造特征進行組合，得到9 種巖相（表2）。專家經驗識別主要是在巖心描述、物性資料分析的基礎上，了解物性與巖性的關系、巖性與測井上電性的關系，并結合實際經驗，綜合識別巖相。對于常規測井容易識別的泥質白云巖，可直接識別；對于常規測井難于區分的藻疊層白云巖、藻凝塊白云巖、藻紋層白云巖等巖相，可在電成像測井上直接識別；對于常規測井特征相似而難于區分的粉晶白云巖和砂屑白云巖，可結合電成像測井構造特征綜合識別，例如，如果常規測井識別為砂屑白云巖，成像測井是層狀特征，則應解釋為泥晶白云巖，成像測井是塊狀特征，則為砂屑白云巖。

表2 基于專家經驗的巖相測井綜合識別表Table 2 Comprehensive logging identification of lithofacies based on expert experience

以GS101、GS20、MX105、MX9 等4 口取心井為驗證井，巖相識別總體符合率大于85%。例如，GS101 井測井識別的巖相與巖心描述的巖相對比（圖6），兩者相符的巖相厚度為42.55 m，巖心總厚度為49.3 m，符合率為86.3%。泥晶白云巖和硅質白云巖識別符合率相對較低。泥晶白云巖比較致密，電阻率較高，電成像以塊狀為主，與硅質白云巖的測井特征相似，可能會造成識別誤差。

圖6 GS101井巖相測井識別效果Fig.6 Logging identification effect of lithofacies in Well GS101

3 結 論

本文提出基于適應小樣本的機器學習法——K鄰近分類算法（KNN），對常規測井與電成像測井分別訓練和識別，再將識別結果融合的碳酸鹽巖巖相測井綜合識別方法。

首先，基于巖心資料分別建立巖相分類方案和巖石構造特征分類方案，建立巖心訓練樣本參數庫；然后，基于KNN 方法，應用常規測井（自然伽馬、聲波時差、中子、深電阻率和淺電阻率）識別巖相類型，應用電成像測井（基于圖像紋理參數和方向、梯度參數）定量識別巖石構造類型；最后，根據專家經驗對2 種識別結果進行融合，獲得細分類的巖相類型。實際應用于四川盆地GM 地區燈影組四段巖相識別，總體符合率超過85%。

該方法綜合利用了常規測井的多種巖石物理特征、電成像測井的高分辨率特征及專家的地質認識與經驗，可以實現高效率、高精度識別微生物碳酸鹽巖的巖石類型，具有推廣應用價值。