富含有机质页岩是重要的非常规油气资源，岩相表征是页岩油藏评价前的一项重要的基础性研究，其研究的方式与精细程度直接影响着页岩油储层质量评价及开发方案的制定^[1-2]。富含有机质页岩具有岩相类型多、变化快的特点。依靠传统常规测井曲线建立岩性图版的方法由于未充分考虑到测井数据间的相似性造成的干扰以及与岩心实验数据尺度上的差异性，导致所建立的图版中不同类别的样本点相互重叠、界限模糊，辨识准确率受限，岩相预测偏差较大。BP神经网络法依据其输入、监督数据的灵活、多样性及其内部强大的样本学习算法获取的映射网络模型，很好地弥补了以往诸如图版法、模糊聚类法和统计法的不足^[3]，将该方法应用于岩性、岩相的识别，许多学者做过有意义的尝试，并且取得了较好的效果。周成当等^[4]尝试将模糊神经网络结合贝叶斯分析的方法用于构建岩性分类与识别系统，并经适当修改，进行岩相识别；张洪等^[5]在BP神经网络的收敛性方面做了一些改进性的研究，并用此方法对金衝盆地金66井的岩性进行了判别，获得了较好的效果；罗伟平等^[6]尝试在人工神经网络岩性识别中引入监督模式，对大庆外围油田某一地区的火山碎屑岩层段的岩性进行了判别，取得了容错性较好的聚类效果；张平等^[7]针对层段可用数据较少的情况，用神经网络法对松辽盆地南部某地区火成岩储层进行岩性判别，获得了较好的效果；朱怡翔等^[8]用多元回归分析、支持向量机和人工神经网络3种算法对三塘湖盆地马朗凹陷牛东油田火山岩储层的岩性进行了预测，尤其对各参数间复杂的非线性关系具有很好的适应性；赵忠军等^[9]用BP神经网络方法对苏里格气田致密砂岩气储层的岩性进行了识别，识别结果与录井岩性吻合度较高；胡嘉良等^[10]以Matlab为平台运用基于主成分的PCA-BP神经网络方法，对济阳凹陷非常规储层的岩性进行了识别，使常规测井岩性识别的准确率得到大幅度提高；马峥等^[11]以苏里格气田东41-33区块马家沟组五段碳酸盐岩测井数据为例，采用一种基于主成分分析与模糊识别相结合的方法解决了岩性识别过程中特征曲线间的模糊性和相关性问题。

基于对三塘湖盆地马朗凹陷芦草沟组二段复杂岩性的认识，对该段岩相进行合理分类，采用基于主成分分析的神经网络方法，以期准确而高效地实现批量识别复杂岩性页岩岩相的目的。

主成分分析的基本思想是构建原始变量相关矩阵，分析内部结构，拟合得出几个能够最大程度保留原始变量信息且相互之间不相关的主成分^[12-13]。具体实现步骤为：

(1) 对原始数据作标准化处理，剔除量纲干扰。在l维随机向量m =(m₁，m₂，…，m_l)^T中选出k个样本m_i=(m_i1，m_i2，…，m_il)^T，i = 1，…，k，k < l，构筑矩阵。本文采取最常用的极值归一化方法，归一化后数据Y_ij为

式中：m_{ij max}和m_{ij min}分别为某曲线最大值、最小值。

主成分中的各主分量均严重依赖于原始数据的测量尺度，测量尺度变化则特征值λ也随之变化，克服此问题的主要方法是对原始数据进行标准化处理，使其方差均为1 ^[10]。因测井曲线自然伽马(GR)、声波时差(AC)、补偿密度(DEN)、补偿中子(CNL)均为线性特征，故宜采取线性归一化方法；电阻率(R_t)为非线性特征，故宜采取对数归一化方法。

(2) 对矩阵Y作以下变换以求取相关系数矩阵S：

其中

(3) 构建矩阵S的特征方程| s - λ I_l| = 0，求取l个特征根，求解方程组S_a = λ_ja，得到单位特征向量a_j^o，其中j = 1, 2, …, v，以$ \sum\limits_{j = 1}^v {{\lambda _j}} /\sum\limits_{j = 1}^l \ge 0.85$为原则，求取v值，获得主成分个数。

(4) 目标变量经S_i^Ta_j^o变换得到主成分P_j，j = 1, 2, …, v，其中P₁, P₂, …, P_v分别被称作第一主成分，第二主成分，……，第v主成分。

BP神经网络的全称为误差信号反馈网络^{[10, 14]}，是一种基于误差反向传播算法的并行结构网络，包括输入层、隐含层和输出层3层。该算法以梯度下降法实现快速收敛，从而得到N维到M维的非线性映射。其一般过程为：首先对原始变量参数进行初始化，设置初始权重、阈值和学习速率等，其次利用给定样本通过sigmoid作用函数计算各层的输入值和输出值，最终采用误差梯度下降法对权值和阈值不断进行修正，直至输出结果接近期望目标^[14-16] [图 1(a)]。BP神经网络用于测井识别岩相的原理是，以样本井的测井信息作为输入变量，以对应的岩相类型作为输出变量，通过特定的算法得出各测井曲线与对应岩相之间的映射关系，再通过此映射关系对未知井目的层段进行批量岩相识别。

图 1

Fig. 1

下载eps/tif图 图 1 BP网络算法流程（a）与结构（b） Fig. 1 Flowchart (a) and structure (b) of BP neural network

为了提高训练网络模型的性能，构建由3层神经元组成的BP神经网络模型，输入层为训练样本的第2(PC2)、第3(PC3)和第4(PC4)个主成分，共计3个输入节点，输出层为3种岩相类型(富凝灰质纹层相、富碳酸盐纹层相和富有机质纹层相)，共计3个输出节点[图 1(b)]。依据Kolmogorov定理，输入节点数为n时，隐含层节点数一般为2 n + 1 ^[10]，故隐含层节点数为7。选取f (x) = (1 + e^-x)^-1为激活函数，最大迭代次数为500次，目标误差为0.01，学习速率为0.01。

研究区位于三塘湖盆地马朗凹陷，目的层段为二叠系芦草沟组二段。三塘湖盆地位于新疆维吾尔自治区东北部，呈长条状、北西向展布。马朗凹陷位于三塘湖盆地中东部^[17-20]的中央坳陷带，为目前主要的勘探区。马朗凹陷芦草沟组地层发育广泛，沉积厚度较大，最厚处超过600 m(图 2)，是主力的烃源岩及储油层。二叠系沉积时期，三塘湖盆地处于断陷期，主要发育陆相咸化湖盆沉积，同时伴有火山喷发^[19-20]。目前的勘探实践证明，芦草沟组页岩油已钻探井油气显示丰富，但获得工业产能的井较少，储层岩相分布预测是制约该区勘探取得突破的关键因素之一。

图 2

Fig. 2

下载eps/tif图 图 2 三塘湖盆地马朗凹陷区域构造位置（a）及岩性、测井综合柱状图（b）（据文献[18]修改） Fig. 2 Structural location (a) and stratigraphic column (b) of Malang Sag in Santanghu Basin

芦草沟组为一套火山活动构造背景下形成于水动力较弱的半深湖—深湖亚相的细粒岩沉积^[19-20]，沉积时期水体受季节性变化影响较大，加之受到火山活动的影响，沉积物来源多样，导致矿物成分种类繁杂、岩相变化较快、纵横向非均质性均较强。通过对13口井340余个样品进行X射线衍射分析表明，芦草沟组沉积物多为粒度较细的泥级颗粒，主要含有凝灰质(石英、钾长石、斜长石)、碳酸盐矿物(方解石、白云石)、黏土矿物、黄铁矿和有机质等[图 3(a)]；岩性主要有凝灰岩、沉凝灰岩、白云质凝灰岩、灰质云岩、凝灰质云岩、泥质云岩、灰质泥岩、凝灰质泥岩、云质泥岩及泥岩等。宏观上，岩心主要表现为富凝灰质、富碳酸盐、富有机质3种纹层类型互层[图 3(b)]，三者相互组合、交替旋回变换^[19]。

图 3

Fig. 3

下载eps/tif图 图 3 三塘湖盆地马朗凹陷芦草沟组二段矿物组成 Fig. 3 Mineral content of the second member of Lucaogou Formation in Malang Sag, Santanghu Basin

岩相划分上遵循便于油气储层评价与开发实用性的原则，同时为了尽量减小测井曲线取值与岩心薄片取样尺度不同造成的误差，将芦草沟组二段岩相划分为富凝灰质纹层相、富碳酸盐纹层相和富有机质纹层相3类。

(1) 富凝灰质纹层相。该岩相主要分布在芦草沟组二段下部，其中凝灰质、碳酸盐矿物、黏土矿物和黄铁矿的平均质量分数分别为67.0%，29.5%，4.8%和3.8%(图 3)，岩性以凝灰岩、沉凝灰岩、碳酸盐质凝灰岩和泥质凝灰岩为主(图 4)。岩石薄片可见纹层厚度为10~40 μm，由粉砂级的长石晶屑和玻屑组成，见少量有机质，斜长石主要来源于火山喷发形成的中基性凝灰质物质[图 5(a)]。晶屑磨圆度较差，且纹层表现出间隔出现特征，说明为不同方向季风携带物质，纹层间碳酸盐沉淀表明原始沉积环境为季风停歇期静水低能环境^[19]。

图 4

Fig. 4

下载eps/tif图 图 4 三塘湖盆地马朗凹陷芦草沟组二段岩相特征 Ⅰ.以凝灰岩、沉凝灰岩、碳酸盐质凝灰岩、泥质凝灰岩为主；Ⅱ.以碳酸盐岩、凝灰质碳酸盐岩、泥质碳酸盐岩、泥质凝灰质碳酸盐岩为主；Ⅲ.以泥岩、碳酸盐质泥岩、凝灰质泥岩、碳酸盐质凝灰质泥岩为主；Ⅳ.杂积岩 Fig. 4 Lithofacies characteristics of the second member of Lucaogou Formation in Malang Sag, Santanghu Basin

图 5

Fig. 5

下载eps/tif图 图 5 三塘湖盆地马朗凹陷芦草沟组二段纹层特征 （a）具沉凝灰结构，由火山灰和陆源碎屑组成，含质量分数为10%的泥—粉晶方解石，马702井，2 321.18 m，普通薄片，正交偏光；（b）暗色纹层由长石、石英和少量黏土组成，亮色纹层由泥晶和细粉晶白云石组成，晶间夹少量黏土和有机质，马7井，2 064.80 m，普通薄片，正交偏光；（c）富含矿物沥青基质，呈黄色荧光，牛122井，2 590.30 m，荧光薄片，单偏光 Fig. 5 Laminar characteristics of the second member of Lucaogou Formation in Malang Sag, Santanghu Basin

(2) 富碳酸盐纹层相。该岩相主要分布在芦草沟组二段上部，其中凝灰质、碳酸盐矿物、黏土矿物和黄铁矿的平均质量分数分别为21.5%，65.2%，4.6%和3.2%(图 3)，岩性以碳酸盐岩、凝灰质碳酸盐岩、泥质碳酸盐岩和泥质凝灰质碳酸盐岩为主(图 4)。岩石薄片可见纹层厚度为80~300 μm，由细粒的微晶方解石、白云石及少量铁白云石组成，晶间有少量有机质[图 5(b)]。碳酸盐晶形多为半自形，部分因重结晶而呈粗粒状，晶形较差，表明白云石形成于安静、温暖、低能量的环境^[19]。

(3) 富有机质纹层相。该岩相主要分布在芦草沟组二段中部，其中凝灰质、碳酸盐矿物、黏土矿物和黄铁矿的平均质量分数分别为48.9%，31.6%，6.5%和3.5%(图 3)。岩性以泥岩、碳酸盐质泥岩、凝灰质泥岩和碳酸盐质凝灰质泥岩为主(图 4)。岩石薄片可见纹层厚度为6~35 μm，纹理构造清晰可见，有机质以无定形腐泥组为主，部分可见藻类丝状体，浅绿色—黄色荧光较强，为极好的生油母质^[19] [图 5(c)]，表明原始沉积环境是一种静水缺氧的环境，具有较强的生物生产能力。

通过研究认为芦草沟组为典型源储一体页岩油藏，自生自储，含油不分构造高低，成藏受控于优质源岩和有利相带；凝灰质含量与储层物性正相关，且长英质含量高的凝灰岩发育层段为页岩油发育的最有利层段。因此，有效识别出凝灰质富集层对芦草沟组页岩油“甜点”预测具有重要的指示意义。

有机质含量和矿物成分的不同造成了不同页岩岩相之间的差异，而常规测井资料反映的就是岩石构造、矿物成分和流体信息，因此，不同页岩岩相的测井响应特征也存在一定的差异^[21-22]。结合研究区的勘探实践，认为芦草沟组页岩岩相在自然伽马(GR)、声波时差(AC)、补偿中子(CNL)、补偿密度(DEN)和电阻率(R_t)等测井曲线上均具有较为明显的对比特征，为此对研究区13口井芦草沟组二段的岩相进行了划分[图 6(a)]，总结出各井不同岩相对应测井曲线的响应特征(表 1)，并提取了340个岩石薄片对应的测井曲线值绘制了各测井相-岩相蛛网图[图 6(b)]来直观地反映各岩相测井参数指标的变动趋势。

图 6

Fig. 6

下载eps/tif图 图 6 岩相测井响应特征 Fig. 6 Logging response characteristics of shale lithofacies

表 1(Table 1)

表 1 三塘湖盆地马朗凹陷芦草沟组二段岩相测井响应特征 Table 1 Logging response characteristics of shale lithofacies of the second member of Lucaogou Formation in Malang Sag, Santanghu Basin 岩相 GR/API AC/（μs·m-1） DEN/（g·cm-3） CNL/% Rt/（Ω·m） 富凝灰质纹层相 36.79~153.02（73.92） 187.83~331.08（249.65） 1.86~2.63（2.38） 8.70~47.702（2.23） 0.63~1.98（1.04） 富碳酸盐纹层相 28.28~58.10（44.08） 189.08~318.97（234.52） 2.15~2.65（2.47） 10.10~41.44（21.01） 0.99~4.26（1.65） 富有机质纹层相 33.30~83.52（53.59） 229.65~388.17（321.79） 1.80~2.53（2.19） 20.43~55.83（42.85） 1.48~4.49（2.42） 注：括号中为平均值

下载CSV 表 1 三塘湖盆地马朗凹陷芦草沟组二段岩相测井响应特征 Table 1 Logging response characteristics of shale lithofacies of the second member of Lucaogou Formation in Malang Sag, Santanghu Basin

由图 6可以看出，自然伽马曲线和电阻率曲线变化幅度均较大，而声波时差等反映孔隙度大小的曲线差异明显。其中富有机质纹层相因有机质的影响而具有较高自然伽马、高声波时差、高补偿中子、低密度、高电阻率的特征；电成像图上以亮色显示为主。相对贫有机质的富凝灰质纹层相矿物成分多来源于火山喷发时形成的中基性凝灰岩，火山灰粒度细、比表面积大，有机质吸附力较强，相较于富有机质纹层相具有高自然伽马、高密度、低电阻率、低声波时差、低补偿中子的特征；电成像图上显示为纹层状的黑色、棕色条纹。因大部分有机质赋存于富有机质纹层和富凝灰质纹层中，只有很少一部分的有机质存在于富碳酸盐纹层，且该纹层富含大量的方解石、白云石等脆性矿物，使得其相较于前2种纹层相呈现出较低自然伽马、声波时差、补偿中子，较高密度、电阻率的特征；成像图上显示为层状的棕黄色条纹。

每一条测井曲线反映的都只是岩石某一物理性质或物理参数的变化，都是从某一侧面间接地反映岩层的地质特性^[23-24]。由于测量环境的不同和地质环境的复杂性等因素的影响，使得不同测井曲线之间存在着大量的相关性和模糊性^[23]。传统的交会图法因受制于人为因素的影响，其岩相划分没有具体的标准，尤其是针对芦草沟组的复杂岩性地层，通常需要依靠经验丰富的解释人员利用多个二维交会图，采取逐步剥离、组合判断的方法才能达到较好的识别效果^[25]。以声波时差、电阻率与自然伽马交会图(图 7)为例，富有机质纹层相较其他2种相测井响应明显，可以很好地区分，但对于测井响应较为接近的富碳酸盐和富凝灰质纹层岩相，样本点则有大量的重叠现象，因此，仅仅依靠测井曲线原始数据并不能很好地识别出各类岩相。

图 7

Fig. 7

下载eps/tif图 图 7 芦草沟组二段AC-GR（a）和Rt-GR（b）交会图 Fig. 7 Crossplots of AC-GR (a) and Rt-GR (b) of the second member of Lucaogou Formation

为了解决测井曲线之间相关性和模糊性的问题，有必要对主成分进行分析，选择尽量少且包含最多岩相信息的曲线进行聚类。主成分分析主要是分析因子载荷矩阵。因子载荷代表着原始数据与主成分之间的相关程度，因子载荷越大二者相关性越高^[26-27]。因子载荷分析地学方面的解释主要是依据主成分中占显著地位的变量(测井曲线)组合所代表的地质因素，再计算其特征值在特征值总和中所占比例，来说明该地质因素在所有影响因素中所起作用的大小^[26-27]。其中因子载荷的正负号反映的是其与主成分的正负相关性质，在地学解释时可以取绝对值。从图 8(a)中可以看出PC1受声波时差、补偿中子和密度作用显著；PC2受自然伽马、声波时差和电阻率作用显著；PC3受自然伽马、电阻率作用显著；PC4受声波时差、补偿中子和电阻率作用显著；PC5受声波时差、补偿中子和密度作用显著。结合曲线地质含义分析，对比第一主成分使用与否2种方案进行岩相聚类。第1种方案因使用了PC1，且PC1与三孔隙度曲线高度相关，反映的主要是孔隙度方面的信息，几乎没有能够区分岩相的信息，故与标准图版[图 8(b)]相比，其聚类结果[图 8(c)]与标准图版特征类似；第2种方案使用了PC2，PC3和PC4，且PC2和PC3与自然伽马、电阻率曲线相关性较好，在很大程度上削弱了孔隙度的干扰，使得所选主成分包含着大量的岩相信息，突出了岩相的影响，分类结果[图 8(d)]与交会图版(图 7)趋势基本一致。

图 8

Fig. 8

下载eps/tif图 图 8 主成分分析与选择 Fig. 8 Principal component analysis and selection

本次研究筛选出马朗凹陷芦草沟组二段岩心薄片、测井资料及地质资料齐全、完备的12口井作为基准井，芦1井作为检验井不参与网络模型的建立。选取由曲线敏感性分析得出的自然伽马、声波时差等5条电测曲线作为原始变量，以主成分分析得出的PC2，PC3和PC4作为BP神经网络的输入变量，以岩性薄片分析数据标定后的岩相作为监督数据建立岩相网络模型，然后据此岩相识别模型对芦1井芦草沟组二段进行岩相判别。因芦1井芦草沟组二段为连续取心，故以薄片鉴定成果数据结合上述岩性到岩相组合原则，对芦草沟组二段整体进行岩相标定和划分，并以划分结果作为检验数据，计算各岩相的符合率。计算后可知：总体符合率为81.49%，其中富有机质纹层相、富碳酸盐纹层相和富凝灰质纹层相的符合率分别为81.31%，75.12%和88.03%。通过与成像测井和岩心的典型特征进行对比后可以看出，岩相识别结果与薄片标定岩相一致性较好(图 9)，达到了预期目的。

图 9

Fig. 9

下载eps/tif图 图 9 芦1井芦草沟组二段岩相预测评价 Fig. 9 Lithofacies prediction and evaluation of the second member of Lucaogou Formation in well Lu 1

(1) 马朗凹陷芦草沟组二段富有机质页岩岩性复杂，为了有效避免因数据尺度不同造成的岩相预测误差，基于有机质和矿物组成的富集程度的原则，将岩相划分为富有机质纹层相、富碳酸盐纹层相和富凝灰质纹层相3类，既最大限度地保留了原始信息，又有助于提高岩相识别方法的实用性。

(2) 测井曲线之间的相似性造成的干扰，使得岩相识别具有较大难度。以主成分分析法选出了对岩相划分贡献较大的3个主成分，再结合BP神经网络方法，不仅消除了测井曲线之间的相关性与模糊性，同时也确保了每一主成分对相应的岩相具有最佳的辨识度，使得页岩岩相的识别准确率得到了有效提高。