0 引言

碳酸盐岩储层是世界油气勘探和开采的主要目的层，该类型油气藏约占全球石油天然气产量的60%。然而，目前通过岩石物理建模对碳酸盐岩储层的认识依然不够深入，岩石物理的预测精度难以满足要求。相比于碎屑岩储层，碳酸盐岩的矿物成分复杂、孔隙类型多样，一些碳酸盐岩虽然具有相同矿物组分、类似结构，但是岩石物理性质却存在很大差异。以往的实践经验表明，碳酸盐岩孔隙结构是影响岩石物理建模精度的主要因素之一，在岩石基质弹性模量相同但孔隙结构不同的模型中，其干骨架的弹性模量往往差异极大。另外，碳酸盐岩形成时的沉积环境、成岩作用，以及成岩后地质运动改造等多种因素进一步导致碳酸盐岩孔隙类型、孔隙结构及填充方式具有不均一性^[1]。因此，如何准确、有效求取碳酸盐岩的孔隙结构参数，是建立碳酸盐岩岩石物理模型的关键。

碳酸盐岩的成岩过程受沉积作用和成岩后作用的影响，其孔隙结构类型往往与岩相存在较高的相关性，通过预测碳酸盐岩岩相可以间接得到岩石孔隙结构参数的大概范围^[2-3]。目前，碳酸盐岩岩相识别的可靠方法是岩心分析，但是存在取心段少且成本高的不足，得到的少量取心样本分析数据不能提供连续、全层段的分析结果，因此往往用于对岩石孔隙结构参数的验证，而非直接应用于岩石物理的建模过程。测井数据驱动的岩相预测通过引入机器学习方法，结合岩心样本分析结果与连续测井数据，利用深度学习模型进行全层段的岩相人工智能识别，预测结果分辨率高、可靠性强、连续性好，与定量连续的孔隙结构解释相结合，能有效提高碳酸盐岩的岩石物理建模精度。该方法在M区块白垩系M组碳酸盐岩地层中的实际应用取得了较好效果，验证了方法的有效性。

1 人工智能岩相预测原理

人工智能碳酸盐岩岩相预测是应用机器学习方法，通过对有限的取心样本数据的学习和训练，完成对目的层段岩石岩相的人工智能预测。该预测方法通常由两部分构成：一是测井数据统计、分析及优选；二是岩相自动识别^[4-5]。

测井数据统计、分析及优选是岩相自动识别的基础，主要用于在岩相自动识别前选择包含最大有效信息的输入样本。常用的数据统计及优选方法是主成分分析法（Principal Components Analysis，PCA），该方法是一种非督导的机器算法，它通过对样本空间的坐标旋转和降维映射寻找最能代表样本特征的、线性无关的变量组合（图 1）。如图所示，首先判断数据集（图中绿色散点）空间变化最明显的方向，则该方向矢量经过旋转后即成为主成分；然后将多条主成分矢量旋转成为两两一组、相互垂直的矢量集（图中红色细线），即为主成分特征矢量集。测井数据的统计、分析和优选能够有效提高样本信息的利用率，提升有效特征信息的权重，以达到最佳预测结果。

岩相自动识别技术利用人工智能机器学习中的督导和非督导神经网络技术对样本空间进行分类，主要应用于测井数据的自动地质解释和岩相自动预测。其中的自组织结构模式能根据样本分布，在整个样本空间自动学习和索引（图 2），在保持原始拓扑空间的约束下（图中红色样本点所示空间），找到样本学习空间与下采样空间之间的投影（图中绿色样本点所示空间），实现对样本空间进行分类。

2 碳酸盐岩孔隙结构类型

碳酸盐岩岩石物理建模的实践表明，孔隙的结构形状是影响碳酸盐岩岩石物理建模的主导因素^[6]。Anselmetti等^[7]和Eberli等^[8]通过岩石物理实验表明不同的岩石孔隙结构类型会影响岩石速度。2004年，Sun^[9]在对具有相同孔隙度、孔隙流体和矿物成分，不同孔隙结构的砂岩和碳酸盐岩进行岩石物理测试，发现由孔隙结构的不同而产生的地层速度差异能达到2000 m/s，渗透率之间的差异则可高达6个数量级。

孔隙结构是计算岩石等效弹性模量的主要参数，不同的孔隙结构参数，其象征的物理意义也有所不相同。2009年Xu等^[1]在碎屑岩岩石物理模型（Xu-White模型）^[2]的基础上将碳酸盐岩的总孔隙体积分为四类（图 3）：①黏土相关孔隙；②粒间孔隙；③微裂纹；④硬孔隙。由图可见，各类孔隙具有不同范围的孔隙结构参数，其中黏土相关孔隙结构参数范围约在0.15~0.02，粒间孔隙结构参数约为0.15，微裂缝孔隙结构参数约为0.02，刚性孔隙结构参数约为0.8。

海相碳酸盐岩通常是包含纯净的孔隙，但模型中依然保留了黏土孔隙（Φ_Clay），因此孔隙结构分类同样适用碳酸盐—碎屑岩混合环境。微裂纹（Φ_Crack）代表岩石包含的最柔顺的部分，对压力极为敏感。硬孔隙（Φ_Stiff）多表示碳酸盐岩中的圆形印模孔隙和溶洞。粒间孔隙（Φ_IP）是构成碳酸盐岩主要的孔隙空间，一般对应力不太敏感。岩石总孔隙（Φ_T）与上述各类孔隙空间的关系表达为

$ \varPhi _\text{T}=\varPhi _\text{Clay}+\varPhi _\text{IP}+\varPhi _\text{Crack}+\varPhi _\text{Stiff } $

(1)

每种孔隙类型均具有特定的孔隙纵横比，对于给定的孔隙度，圆形的孔隙会使地震传播的速度更快，而微裂纹会使地震传播的速度变慢。孔隙的形状一般是碳酸盐岩岩石物理中的主导因素，一般来说，印模孔、框架内孔和孔洞孔倾向于圆形，岩石的速度比只含粒间孔的岩石速度快。另一方面，微孔隙（微裂纹等）的形状往往是扁平的，因而岩石的速度相比于只含粒间孔的岩石速度慢。

3 应用效果 3.1 研究区地质概况

研究区M区块区域构造位于阿拉伯板块美索不达米亚盆地东南缘，紧邻波斯湾盆地，区块面积约785 km²。M区块地质构造较为单一，表现为NW-SE向单一孤立且继承性发育的长轴背斜，构造两翼地层倾角较小，一般小于10度，在整个中生代主要为被动大陆边缘缓坡型台地相沉积，地层沉积较为稳定，发育大量碳酸盐岩。本次研究目的层是中白垩系M组地层，为浅水缓坡型台地相碳酸盐岩沉积，主要的沉积亚相由礁滩相、礁前相、斜坡相以及礁后相组成。中白垩时期研究区未发生大型构造运动，沉积相带主要受全球海平面变化影响，横向表现为海岸线的反复向海、向陆迁移，纵向表现为碳酸盐岩地层的多期叠置。前人的研究成果表明，M组碳酸盐岩储层储集空间主要为基质孔隙，同时局部发育微小裂缝及孔洞。

3.1.1 碳酸盐岩岩相的识别

测井取心全岩分析显示（图 4）：研究区碳酸盐岩沉积约占总沉积物含量的96.73%，剩余大部为泥质沉积，约占总沉积物含量的1.29%，同时还含有部分碎屑岩沉积，约占总沉积物含量的1.49%（图 4a）。其中，碳酸盐岩沉积主要以石灰石矿物为主，约占总成分的93.76%，剩余部分主要为白云石矿物，含量较少，占总成分的6.24%（图 4b）。泥质矿物则主要以高岭石（41.25%），伊利石（35.63%），蒙脱石（18.12%）为主，夹杂部分绿泥石矿物（5%）（图 4c）。研究区主要矿物成分构成较为单一，说明后期成岩作用改造和白云化作用影响较少，这有利于岩石物理建模中基质模型的建立，但同时也表明岩石的孔隙结构对岩石物理性质影响较大。

对常规测井曲线序列进行降维处理，PCA显示特征曲线所代表的样点均远离圆心（图 4d），表明所包含的样本中有效信息较多。同时，特征曲线所代表的样点分布较为离散，分别为第一象限2条（声波时差DT和中子孔隙度CNL），由于两者位置近重合，故选取DT为特征曲线；第二象限2条（自然伽马GR和电阻率RT），第三和第四象限各一条（体积密度RHOB和有效孔隙度PHIE），表明特征曲线之间的相关性较低，能有效代表所有样本中的主要信息。本次研究选取的5条线性无关特征曲线（GR、DT、RHOB、RT、PHIE）各分量在最终分类中占比情况如图 4e。

根据测井取心样本分析结果，按照不同沉积相带和孔隙空间结构将研究区内主要的岩石岩相分为四类：①分布于礁滩相的生物砾屑灰岩；②分布于礁前相的生物粒屑灰岩；③分布于斜坡相的粒泥灰岩；④分布于礁后相的泥粒灰岩。人工智能机器学习岩芯样本以及特征曲线自组织结构模式的识别结果显示（图 5），具有不同曲线特征的样本空间也可以分为四种类型：①对应礁滩相的生物砾屑灰岩类型，主要特征为低伽马、高声波时差、低中子密度、高电阻率、高有效孔隙度，孔隙度约为25%，薄片显示有少量微裂缝和孔洞；②对应礁前相的生物粒屑灰岩类型，主要特征为低伽马、中等声波时差、中等中子密度、中等电阻率、中等效孔隙度，孔隙度约为19%，薄片显示有少量孔洞；③对应斜坡相的粒泥灰岩类型，主要特征为高伽马、低声波时差、高中子密度、低电阻率、低有效孔隙度；孔隙度约为11%，薄片显示主要为基质孔隙；④对应礁后相的泥粒灰岩类型，主要特征为低伽马、低声波时差、高中子密度、高深电阻率、极低效孔隙度，一般孔隙度小于5%。

3.1.2 孔隙结构参数分析

根据研究区的具体地质条件，本次研究选取Xu-Payne模型的孔隙结构分类系统作为参考，并以此分类为基准划分研究区内的岩石孔隙结构。由岩石孔隙度—纵波速度交汇图（图 6左）可知，粒间孔隙参考线代表的孔隙宽长比约为0.15（黑色虚线）；刚性孔隙参考线的孔隙宽长比约为0.8（黄色虚线），黄色参考线上百分比表示岩石孔隙中类刚性孔隙的百分含量；软孔隙参考线孔隙宽长比约为0.02（紫色虚线），紫色参考线上百分比表示岩石孔隙中软孔隙的百分含量。交汇图显示研究区岩石的主要孔隙结构类型的分布靠近基质孔隙结构的参考线区域，这表明研究区的干岩石孔隙结构主要以基质类孔隙为主。但不同岩相的岩石包含不同含量的软孔隙空间、少量的微裂缝以及硬孔隙空间，因此交汇图中孔隙结构类型分布显示出离散性。孔隙度—纵波速度交汇分析表明，在生物砾屑灰岩中软孔隙的含量约占18%，生物粒屑灰岩中软孔隙的含量约占25~30%，粒泥灰岩中软孔隙的含量约占30%，泥粒灰岩中软孔隙的含量约占55%。

纵波阻抗—纵横波速度比（Vp/Vs）交汇分析显示（图 6右），粒泥灰岩与泥粒灰岩中的软孔隙含量主要与岩石的泥质含量有关，软孔隙含量随泥质含量的增加而增加，表明目的层的泥质含量是软孔隙含量的主要影响因素。综合岩石的弹性参数分析设定了不同岩相的岩石孔隙结构参数，砾屑灰岩、粒屑灰岩、粒泥灰岩、泥粒灰岩的孔隙横纵比α分别为0.125、0.100、0.090和0.060。

3.1.3 岩石物理建模

选用广义Xu-White模型进行碳酸盐岩岩石物理建模工作，广义Xu-White模型在经典Xu-white模型的基础上加入了对岩石孔隙组分的考虑，将孔隙对岩石物理的影响引入到建模中。本次研究中岩石孔隙的组分含量由矿物组分计算获得，孔隙的结构参数由岩石的岩相分类及其对应的孔隙长宽比获得。作为对比，同时选取平均孔隙结构参数进行岩石物理建模。岩石物理建模过程如下。

（1）流体混合模型。研究区流体为油、水两相流体混合，选用Brie模型进行计算，Brie指数设定为3。

（2）岩石基质模型。研究区岩石矿物成分单一，主要为石灰岩矿物，剩余黏土矿物主要为高岭石和蒙脱石，因此岩石基质模型选用经典的Voigt-Reuss-Hill模型^[10-11]。

（3）干岩石骨架模型。研究区在白垩系时期地质构造稳定，各孔隙组分之间没有明显优先级关系，因而选用Self-consistent（SC）模型进行干岩石骨架建模。

（4）流体混合模型。主要考虑低频范围内的岩石物理建模，不考虑孔隙内流体压力梯度的传递，因此选用Gassmann方程进行流体替换^[12]。

M组地层两种方法岩石物理建模结果对比显示（图 7）：对比岩石基质的弹性参数，两种建模方法中基质的剪切模量和体积模量基本相同，表明研究区内影响岩石物理建模结果的主要因素为岩石孔隙结构；对比干岩石骨架的弹性参数，相比于采用均一孔隙结构建模，利用岩相划分的孔隙结构建模在不同岩相岩石间的区分度更高。最终的岩石物理建模结果对比显示，当岩石总孔隙较小时，两种孔隙结构参数建模方法的结果基本相同，如主要发育礁后相粒泥灰岩的M-a组下部、M-b1组和M-b2.3组；当地层平均孔隙度较高时，两种方法孔隙结构参数建模结果表现出较强的差异性，如M-a组顶部、M-b2.1组含油气段及M-c1组顶部，主要发育礁滩相生物砾屑灰岩，岩相划分孔隙结构参数一般大于平均孔隙结构参数，建模预测的Vp、Vs速度也大于平均参数建模预测结果。同时，两种孔隙结构参数建模方法的密度预测结果对比基本一致，表明岩石孔隙结构的变化对岩石密度影响较小。实测横波曲线对比表明，采用平均孔隙结构参数的岩石物理建模结果与实测结果的相关性为91.3%，而岩相划分的孔隙结构参数建模结果与实测横波的相关性为95.6%。表明采用岩相划分的孔隙结构参数岩石物理建模方法精度更高，与实际地质情况更吻合。

4 结论

（1）人工智能的岩相预测，直接以钻井取心和测井数据为基础，利用少量可靠的样本数据进行岩相预测，相比于人工解释，岩相预测的可靠性和稳定性较高。

（2）人工智能的岩相预测，有效结合了岩心分析数据的准确性和常规测井曲线的连续性，扩展了传统岩相预测结果的适用性，可以更好的应用于岩石物理建模工作。

（3）碳酸盐岩岩相与碳酸盐岩沉积环境密切相关，利用岩相预测结果开展孔隙结构分析能将研究区地质条件约束引入到岩石物理建模中。

（4）碳酸盐岩岩相分析结果与岩石孔隙结构相关性较强，利用岩相预测结果开展岩石孔隙结构分析，有利于提高碳酸盐岩岩石物理建模的精度。