2. 中海油能源发展采油技术服务公司钻采工程研究院, 天津 300452
2. Drilling and Production Engineering Research Institute, CNOOC Energy Technology & Service, Tianjin 300452, China
随着世界对油气资源需求的不断增加,传统碎屑岩和碳酸盐岩油气田的资源难以满足日益增长的储量需求,火山岩油气藏的勘探、开发将逐步成为油气储量、产量新的增长点(寇彧等,2010).近年来,我国松辽盆地、准噶尔盆地以及渤海湾盆地的火山岩勘探不断取得重大突破(宋维海等,2003;郭振华等,2006;杨辉等,2009;金春爽等,2012),徐深气田、克拉美丽气田等一大批油气田的发现掀起了火山岩油气勘探的热潮.渤海海域中生界广泛发育火山岩,钻井揭示油气显示活跃,PL9-1亿吨级花岗岩潜山油气田的发现证实了该领域巨大的勘探潜力.火山岩能否作为良好的储集体,首要取决于火山岩的岩石类型(罗静兰等,2003),但研究区火山岩岩性复杂多样,岩性落实难的问题已严重制约了火山岩油藏的进一步勘探.岩性识别最直观可靠的方法是岩心分析,但由于资料限制以及成本高昂,利用测井资料进行岩性识别则成为了必然的选择.渤海海域中生界火山岩钻遇井多为老井,缺少成像测井、元素测井等特殊测井资料,因而探索以常规测井资料为基础的岩性识别方法具有重要的现实意义,精细的岩性识别工作也将为下一步火山岩勘探奠定良好的基础.
前人对基于常规测井资料的岩性识别方法开展了大量的研究,曲线形态组合判别,交会图分析以及不同数学判别方法在岩性识别中均取得了良好的应用效果(张晓峰和范晓敏,2007;张建民等,2008;孙圆辉等,2009;张莹和潘保芝,2011;张勇等,2012;张莹和潘保芝,2012).而不同的方法具有不同的优缺点和适用性,目前岩性识别多为单方法的应用,而对不同的方法的对比分析和组合应用还比较薄弱.利用多种方法进行岩性识别,探讨不同方法的优势及其局限性,综合各方法的优点综合开展岩性识别工作,是提高岩性识别精度的有效手段,同时该工作也为研究区下一步的火山岩的勘探奠定了坚实的基础.
1 工区地质概况渤海海域中生代沉积期盆地开始裂陷,并伴随着强裂的火山活动,火山岩发育广泛.目前,中生界已钻探井142口,钻井揭示火山岩岩石类型复杂多样,主要为火山熔岩、火山碎屑岩以及沉火山碎屑岩.火山熔岩主要为玄武岩与安山岩,部分玄武岩蚀变严重,但也有少量玄武质安山岩、安山质玄武岩、粗面岩、英安岩、流纹岩等钻遇;研究区火山碎屑岩以各类火山角砾岩以及凝灰岩为主,火山角砾岩主要为安山质火山角砾岩,玄武质火山角砾岩发育规模较小,分布较为局限;沉火山碎屑岩则主要含凝灰成分的各类碎屑岩(叶涛等,2016).
2 火山岩岩性识别方法 2.1 曲线特征法不同的测井曲线对不同类型的岩石具有不同的响应特征,多条曲线组合是进行岩性判别的有效手段.研究区自然伽马、密度曲线对岩石的成分响应敏感,由酸性岩向基性岩过渡,自然伽马值逐步降低,中子密度值逐步增大;声波时差、中子孔隙度以及电阻率对岩石结构的判别能力较强,由致密熔岩结构向火山碎屑结构(角砾结构、凝灰结构、沉凝灰结构)过渡,声波时差、中子孔隙度均明显增大,而电阻率则有不断降低的趋势.
火山熔岩类(未发生蚀变)均具有较高的电阻率、较低的声波时差和中子孔隙度值,但自然伽马以及中子密度存在较大的差异.酸性熔岩(流纹岩、霏细岩)具有高自然伽马(>120 API)、低中子孔隙度的特点;中酸性(英安岩)、中碱性熔岩(粗面岩)具有中、高伽马(93~120 API)特征,但密度响应存在差异,中酸性岩(英安岩)密度要高于中碱性(粗面岩)熔岩,这是由于粗面岩含有较高的钾长石(钾长石密度低于斜长石)导致的;安山岩自然伽马值较英安岩偏低,一般在60~93 API之间;中基性岩介于中性岩与基性岩之间,主要为安山质玄武岩及玄武质安山岩,其自然伽马主要介于53~70 API之间,具有中密度的特征;基性熔岩(玄武岩)在研究区最为发育,以低自然伽马( < 48 API)、高密度(>2.6 g/cm3)为其典型特征(图 1).
火山碎屑岩与熔岩相比,结构的变化导致密度、声波时差、中子孔隙度以及电阻率发生明显的变化,自然伽马值变化不大,尤其是声波时差与电阻率,对岩石的结构响应极为敏感,以75 us/ft和17 Ω·m为界可较好的划分火山熔岩与火山碎屑岩.角砾岩以中-低声波时差、中密度、中高电阻率为特征,凝灰岩与角砾岩相比自然伽马偏高,整体以中-高伽马为主,同时具有高声波时差,高中子孔隙度以及低密度、低电阻率的“双高-双低”特征(图 1).
2.2 交会图法前人针对不同研究区对火山岩与测井曲线的关系进行了大量的研究(刘传平等,2006;李祖兵等,2009;王洛等,2010;范宜仁等,2012),不同地区火山岩测井响应特征具有一定的相似性,但受成分的差异性控制,不同地区测井响应范围存在差别.以研究区取芯井段大量的薄片资料为基础(375个数据点),优选对岩性响应敏感的曲线进行了交会分析.
大量交会图对比分析表明,分别选取对岩石成分响应敏感的自然伽马以及对岩石结构响应敏感的电阻率进行交会岩性区分度最高,识别效果最好.在平面上,根据不同的样品点分布,可以划分出11个区域,分别对应于不同的岩性.自然伽马 < 48 API的区域为基性岩分布区,根据电阻率值的高低,可细分为玄武岩、玄武质火山角砾岩与玄武质凝灰岩三个区域;电阻率大于2 Ω·m,同时自然伽马介于48~70 API、70~88 API、88~120以及>120 API的区域分别为中基性岩过渡区,中性岩区、中酸、碱性岩混合区以及酸性岩区,不同的区带根据电阻率可进一步细分为熔岩、角砾岩与凝灰岩;电阻率小于2 Ω·m,同时自然伽马大于48 API的区域为沉凝灰岩分布区(图 2).
决策树法在岩性、流体识别方面具有广泛的应用(李洪奇等,2010;王瑞等,2012),作为一种典型的分类方法,它采用贪婪的局部搜索算法对实例数据进行学习分析,以交叉验证的损失函数作为评分函数,最后得到简单的二叉树模型结构,达到分类和预测的目的(李雄炎等,2012).
以研究区样本数据为基础,以自然伽马、电阻率为第一、第二枝点,分别对成分以及结构进行分类,其中第一枝以48 API、70 API、93 API、118 API为界限,大致对应于基性、中基性、中性、中酸性(含中碱性)以及酸性五大类,部分岩性中有沉积岩混杂;对于不同大类,第二枝点分界值存在差异,以中性岩为例,分别以4 Ω·m、10 Ω·m、17 Ω·m为界,可细分为沉积岩、凝灰岩,角砾岩以及火山熔岩,通过不断细分,可有效进行岩性精细识别.其中最大决策树为四级结构(图 3).
Bayes统计是现代统计学的重要分支,其基本思想是:假定对所研究的对象(总体)在抽样前已有一定的认识,常用先验分布来描述这种认识,然后给予抽取的样本再对先验认识作修正,得到后验分布,而各种统计推断均基于后验分布进行(王玉玺等,2013).将Bayes统计的思想用于判别分析,就得到Bayes判别方法.为了降低数据单位的影响,对曲线进行了归一化,公式为
Ai=(A-Amin)/(Amax-Amin),
式中Ai为曲线A归一化后的值,A为归一化前的值,Amin为该曲线最小值,Amax为最大值.以研究区375个样品点(15种岩性)为基础,进行判别函数构建,公式为
F1=-5.475×GRi+2.329×ACi+8.145×DENi+3.86×CNLi-1.433×LnRDi-4.22,
F2=-5.237×GRi+7.163×ACi+1.996×DENi-0.063×CNLi-6.795×LnRDi-1.204,
其中F1为成分指示函数,F2为结构指示函数,GRi、ACi、DENi、CNLi以及LnRDi分别为自然伽马、声波时差、中子密度、中子孔隙度以及电阻率自然对数标准化后的值.
通过F1与F2交会分析,制作了岩性识别的图版.其中,F1值越大,成分越偏酸性,反之,成分越偏基性;F2值越大,结构值越偏碎屑结构,反之,结构值越偏熔岩结构(图 4).
通过对样本进行训练,建立了不同岩石类型(15种)的数学模型,不同样品点带入模型并行运算,计算结果最大则表明其与已知模型中的类中心具有最大的相似性,其所对应的岩性即为该样品点对应的岩性.其中:
安山岩=64.544×GRi+188.671×ACi+188.368×DENi+92.97×CNLi+153.591×LnRDi-147.131,
安山质火山角砾岩=69.623×GRi+204.24×ACi+190.851×DENi+98.955×CNLi+143.741×LnRDi-150.255,
安山质凝灰岩=83.455×GRi+208.261×ACi+201.036×DENi+98.646×CNi+130.874×LnRDi-156.166,
沉积岩= 88.115×GRi+210.187×ACi+206.518×DENi+103.57×CNLi+116.794×lnRDi-159.579,
粗面岩=73.967×GRi+169.259×ACi+165.916×DENi+106.628×CNLi+157.934×lnRDi-143.112,
蚀变安山岩= 85.52×GRi+205.69×ACi+201.919×DENi+97.672×CNLi+128.041×lnRDi-155.194,
蚀变玄武岩=59.156×GRi+194.154×ACi+208.392×DENi+124.452×CNLi+130.358×lnRDi-163.042,
酸性熔岩= 98.599×GRi+188.7×ACi+169.298×DENi+98.095×CNLi+148.015×lnRDi-153.557,
玄武岩= 53.244×GRi+186.076×ACi+217.536×DENi+117.220×CNLi+150.528×lnRDi-169.821,
玄武质角砾岩=54.802×GRi+195.905×ACi+215.205×DENi+108.36×CNLi+142.715×lnRDi-162.355,
玄武质凝灰岩=61.835×GRi+263.827×ACi+234.724×DENi+103.977×CNLi+147.721×lnRDi-200.723,
英安岩=78.494×GRi+191.92×ACi+192.58×DENi+82.126×CNLi+145.203×lnRDi-148.299,
中基性火山角砾岩=60.39×GRi+190.155×ACi+210.255×DENi+111.152×CNLi+139.401×lnRDi-158.465,
中基性凝灰岩=62.237×GRi+207.407×ACi+201.944×DENi+100.575×CNLi+137.012×lnRDi-152.56,
中基性熔岩=57.029×GRi+187.495×ACi+198.381×DENi+108.456×CNLi+144.875×lnRDi-151.119.
3 不同方法对比分析与应用实例 3.1 不同方法应用对比回判对比分析表明,不同方法在岩性识别中对岩石成分判识误差均较小,但交会图法的成分判别结果略低于决策树法与Bayes判别法,这也表明了单条曲线在成分识别中的误差要大于多曲线分析结果;回判结果同时表明,岩性识别的主要误差在于对结构的误判:岩石结构的细微变化在不同的测井曲线上响应的幅度存在差异,决策树法利用概率论的原理,对每一个待解决的问题优选一条分辨能力最强的曲线,而对未解决的问题再选择曲线进行分步处理,直到待解决问题得以完成,尽管该方法利用了多条曲线,但在岩性识别中实际是单条多次分析;Bayes判别法则是同时将多条曲线代入计算,一种结果的确定是多条曲线综合表现的结果.原理的差异,导致了判别结果的不同,决策树法因为结果受单条曲线影响极大,故识别结果薄夹层较多,但整体准确度较高;Bayes判别法其判别的稳定性强,判别结果出现的夹层较少,但在某些岩性的过渡段处,由于曲线综合响应变化掩盖了某些信息,对于过渡类型的岩性识别存在一定的误差.故在岩性综合判别时因综合两者,优势互补,提高识别精度.
以研究区A井为例,决策树法识别2590~2622 m段为大套安山岩夹薄层玄武安山岩,2622~2649 m为大套安山质火山角砾岩夹薄层凝灰岩,解释岩性互层相对较多,这是由于玄武安山岩为从成分上分析介于安山岩与玄武岩之间,当自然伽马略低时,则易于将其判别为玄武安山岩,同时角砾结构与凝灰结构亦均为火山碎屑结构,当曲线在界限附近变化时易于判错;Bayes判别解释2590~2622 m段为大套安山岩,2622~2649 m为安山质火山角砾岩与凝灰岩互层,夹层明显较少,两种方法识别出的岩性略有差异,主要是相邻结构或成分的类似岩性易于误判,但岩性突变界限吻合较好,均为2622 m.对两者判别的结果结合曲线形态以及交会图约束,2594~2693 m全井段自然伽马约70 API左右,为典型的中性岩特征;2590~2622 m段高阻,为火山熔岩结构,2622~2649 m相对低阻,决策树法与Bayes判别结果多为角砾结构,故综合解释全井段上部解释为安山岩,下部为安山质火山角砾岩(图 5).
在综合解释过程中,即要结合决策树法的高分辨率与Bayes的稳定性,同时要利用曲线形态及其交会图进行约束,最终进行岩性的综合解释,可提高岩性解释的精度,该组合方法在研究区开展应用,岩性识别准确率提高为84.3%,明显高于单一方法判别.
4 结论 4.1钻井揭示,研究区火山岩以火山熔岩与火山碎屑岩为主.火山熔岩主要为中性安山岩以及基性玄武岩,部分熔岩,尤其是玄武岩蚀变现象明显;火山碎屑岩以凝灰岩和安山质火山角砾岩为主,玄武质火山角砾岩少见.
4.2自然伽马、密度对岩石成分响应敏感,声波时差、中子孔隙度以及电阻率对岩石结构判识能力较强.由基性岩至酸性岩,自然伽马逐步增大,中子密度逐步降低;岩石结构由致密熔结构向火山碎屑结构,中子密度和电阻率逐步降低,声波时差和孔隙度逐步增大.
4.3应用曲线法、交会图法、决策树法以及Bayes法进行了岩性识别.决策树法对单条曲线细微变化响应明显,精度相对较高,而Bayes的稳定性相对较强,岩性综合解释过程中需要两者兼顾,同时利用曲线形态及其交会图进行约束,可提高岩性识别精度.
致谢 感谢审稿专家的宝贵意见和编辑部主编的支持和帮助[] | Fan Y R, Zhu X J, Deng S G, et al. 2012. Research on the technology of lithology identification of volcanic rock in Nanpu 5th structure[J]. Progress in Geophysics, 27(4): 1640–1647. DOI:10.6038/j.issn.1004-2903.2012.04.042 |
[] | Guo Z H, Wang P J, Yin C H, et al. 2006. Relationship between lithofacies and logging facies of the volcanic reservoir rocks in Songliao Basin[J]. Journal of Jilin University (Earth Science Edition), 36(2): 207–214. |
[] | Jin C S, Qiao D W, Dan W N. 2012. Meso-Cenozoic volcanic rock distribution and reservoir characteristics in the Bohai Bay Basin[J]. Oil & Gas Geology, 33(1): 19–29, 36. |
[] | Kuo Y, Shi Y M, Li B R, et al. 2010. The complex lithology rock-electricity features of volcanic rocks in Kelameili gas field[J]. Acta Petrologica Sinica, 26(1): 291–301. |
[] | Li H Q, Tan F Q, Xu C F, et al. 2010. Lithology identification of conglomerate reservoir based on decision tree method[J]. Well Logging Technology, 34(1): 16–21. |
[] | Li X Y, Zhou J Y, Li H Q, et al. 2012. Computational intelligent methods for predicting complex lithologies and multiphase fluids[J]. Petroleum Exploration and Development, 39(2): 243–248. |
[] | Li Z B, Luo M G, Wang J W, et al. 2009. Research on methods of identifying volcanic rocks:An example from Shahejie group in 5th structure, Nanpu[J]. Natural Gas Geoscience, 20(1): 113–118. |
[] | Liu C P, Zheng J D, Yang J Q. 2006. Lithology identification of well logging for deep volcanic reservoir in Xushen Gas Field[J]. Acta Petrolei Sinica, 27(S1): 62–65. |
[] | Luo J L, Shao H M, Zhang C L. 2003. Summary of research methods and exploration technologies for volcanic reservoirs[J]. Acta Petrolei Sinica, 24(1): 31–38. |
[] | Song W H, Wang P J, Zhang X Z, et al. 2003. Characteristics of mesozoic volcanic reservoirs in Songliao Basin[J]. Oil & Gas Geology, 24(1): 12–17. |
[] | Sun Y H, Song X M, Ran Q Q, et al. 2009. Lithologic and lithofacies characteristics of volcanic rock and their control over reservoirs, Changling Gasfield[J]. Petroleum Exploration and Development, 36(1): 68–73. |
[] | Wang L, Li J H, Shi Y M, et al. 2010. The identification and prediction of Carboniferous volcanic rocks in Dixi area, Junggar basin[J]. Acta Petrologica Sinica, 26(1): 242–254. |
[] | Wang R, Zhu X M, Wang L C. 2012. Using data mining to identify carbonate lithology[J]. Well Logging Technology, 36(2): 197–201. |
[] | Wang Y X, Tian C B, Gao J X, et al. 2013. A quantitative explanation of carbonate microfacies based on conventional logging data:A case study of the Mishrif Formation in north Rumaila oil field of Iraq[J]. Acta Petrolei Sinica, 34(6): 1088–1099. |
[] | Yang H, Wen B H, Zhang Y, et al. 2009. Distribution of hydrocarbon traps in volcanic rocks and optimization for selecting exploration prospects and targets in Junggar Basin:Case study in Ludong-Wucaiwan area, NW China[J]. Petroleum Exploration and Development, 36(4): 419–427. DOI:10.1016/S1876-3804(09)60137-3 |
[] | Ye T, Wei A J, Gao K S, et al. 2016. Lithology comprehensive identification method with logging-geology data of Mesozoic volcanic rocks in Bohai sea[J]. China Offshore Oil and Gas, 28(1): 48–53. |
[] | Zhang J M, Li C W, Zhang J Y, et al. 2008. A lithologic identification method of igneous rocks and its application in Changling Area[J]. Journal of Jilin University (Earth Science Edition), 38(S): 106–109. |
[] | Zhang X F, Fan X M. 2007. Application of crossplot and carbon software to recognition of pyroclastic rock[J]. Journal of Jilin University (Earth Science Edition), 37(S1): 102–104. |
[] | Zhang Y, Pan B Z. 2011. Application of various lithologic classification methods to volcanic rock identification[J]. Well Logging Technology, 35(5): 474–478. |
[] | Zhang Y, Pan B Z. 2012. Selection and identification of logging data for lithology recognition of volcanic rocks in Songliao Basin[J]. Acta Petrolei Sinica, 33(5): 830–834. |
[] | Zhang Y, Zha M, Kong Y H, et al. 2012. Study on lithologic identification of the underground complex volcanics:Taking Kelameili Gasfield in Junggar Basin as an example[J]. Journal of Xi'an Shiyou University (Natural Science Edition), 27(5): 21–26. |
[] | 范宜仁, 朱学娟, 邓少贵, 等. 2012. 南堡5号构造火山岩岩性识别技术研究[J]. 地球物理学进展, 27(4): 1640–1647. DOI:10.6038/j.issn.1004-2903.2012.04.042 |
[] | 郭振华, 王璞珺, 印长海, 等. 2006. 松辽盆地北部火山岩岩相与测井相关系研究[J]. 吉林大学学报(地球科学版), 36(2): 207–214. |
[] | 金春爽, 乔德武, 淡伟宁. 2012. 渤海湾盆地中、新生代火山岩分布及油气藏特征[J]. 石油与天然气地质, 33(1): 19–29, 36. DOI:10.11743/ogg20120103 |
[] | 寇彧, 师永民, 李珀任, 等. 2010. 克拉美丽气田石炭系火山岩复杂岩性岩电特征[J]. 岩石学报, 26(1): 291–301. |
[] | 李洪奇, 谭锋奇, 许长福, 等. 2010. 基于决策树方法的砾岩油藏岩性识别[J]. 测井技术, 34(1): 16–21. |
[] | 李雄炎, 周金昱, 李洪奇, 等. 2012. 复杂岩性及多相流体智能识别方法[J]. 石油勘探与开发, 39(2): 243–248. |
[] | 李祖兵, 罗明高, 王建伟, 等. 2009. 利用测井资料识别火山岩岩性的方法探讨-以南堡5号构造沙河街组岩性圈闭为例[J]. 天然气地球科学, 20(1): 113–118. |
[] | 刘传平, 郑建东, 杨景强. 2006. 徐深气田深层火山岩测井岩性识别方法[J]. 石油学报, 27(S1): 62–65. DOI:10.7623/syxb2006S1012 |
[] | 罗静兰, 邵红梅, 张成立. 2003. 火山岩油气藏研究方法与勘探技术综述[J]. 石油学报, 24(1): 31–38. DOI:10.7623/syxb200301006 |
[] | 宋维海, 王璞珺, 张兴洲, 等. 2003. 松辽盆地中生代火山岩油气藏特征[J]. 石油与天然气地质, 24(1): 12–17. DOI:10.11743/ogg20030103 |
[] | 孙圆辉, 宋新民, 冉启全, 等. 2009. 长岭气田火山岩岩性和岩相特征及其对储集层的控制[J]. 石油勘探与开发, 36(1): 68–73. |
[] | 王洛, 李江海, 师永民, 等. 2010. 准噶尔盆地滴西地区石炭系火山岩识别与预测[J]. 岩石学报, 26(1): 242–254. |
[] | 王瑞, 朱筱敏, 王礼常. 2012. 用数据挖掘方法识别碳酸盐岩岩性[J]. 测井技术, 36(2): 197–201. |
[] | 王玉玺, 田昌炳, 高计县, 等. 2013. 常规测井资料定量解释碳酸盐岩微相-以伊拉克北Rumaila油田Mishrif组为例[J]. 石油学报, 34(6): 1088–1099. DOI:10.7623/syxb201306007 |
[] | 杨辉, 文百红, 张研, 等. 2009. 准噶尔盆地火山岩油气藏分布规律及区带目标优选-以陆东-五彩湾地区为例[J]. 石油勘探与开发, 36(4): 419–427. |
[] | 叶涛, 韦阿娟, 高坤顺, 等. 2016. 渤海海域中生界火山岩测井-地质岩性综合识别方法[J]. 中国海上油气, 28(1): 48–53. |
[] | 张建民, 李超炜, 张继业, 等. 2008. 长深1井区火成岩岩性识别方法及应用[J]. 吉林大学学报(地球科学版), 38(S): 106–109. |
[] | 张晓峰, 范晓敏. 2007. 交会图和Carbon软件在火山碎屑岩识别中的应用[J]. 吉林大学学报(地球科学版), 37(S): 102–104. |
[] | 张莹, 潘保芝. 2011. 多种岩性分类方法在火山岩岩性识别中的应用[J]. 测井技术, 35(5): 474–478. |
[] | 张莹, 潘保芝. 2012. 松辽盆地火山岩岩性识别中测井数据的选择及判别方法[J]. 石油学报, 33(5): 830–834. DOI:10.7623/syxb201205012 |
[] | 张勇, 查明, 孔玉华, 等. 2012. 地下复杂火山岩岩性测井识别方法-以准噶尔盆地克拉美丽气田为例[J]. 西安石油大学学报(自然科学版), 27(5): 21–26. |