地球物理学进展  2015, Vol. 30 Issue (1): 159-164   PDF    
超浅疏松地层泥质粉砂岩与粉砂质泥岩识别方法——以大庆某地区黑帝庙层为例
李雪英1,2,3, 赵玉秋1, 范长海4, 张剑风4, 胡莹5    
1. 东北石油大学地球科学学院, 大庆 163318;
2. 大庆油田博士后科研工作站, 大庆 163458;
3. 东北石油大学博士后科研流动站, 大庆 163318;
4. 大庆油田有限责任公司第九采油厂, 大庆 163853;
5. 大庆钻探工程公司——测井公司(数据处理解释二站), 吉林 138000
摘要:超浅疏松地层压实程度低, 未压实的粉砂质泥岩具有一定的孔隙度, 与泥质粉砂岩的电性特征相接近, 不易区分.本文针对这一难题, 提出了稳定泥质单元控制下的岩性划分技术.该技术的核心思想是:在测井曲线上将厚层稳定的泥岩段定义为泥质单元, 将泥质单元所分隔的大套砂体部分定义为非泥质单元.在泥质单元内采用电阻率的回返率和自然伽马的交会识别泥质粉砂岩和粉砂质泥岩;在非泥质单元内, 按照沉积韵律控制下电阻率曲线的相对变化来区分泥质粉砂岩和粉砂质泥岩.而针对不包含在任何韵律内的2种岩性, 采用3参数、4种电测曲线交会分区识别.以密闭取心井岩性分析结果为标准, 采用该套技术共解释岩性58层, 误判4层, 岩性判别总符合率达到93.1%.其中, 判别泥质粉砂岩和粉砂质泥岩32层, 符合率达到87.5%.
关键词超疏松地层     泥质粉砂岩     粉砂质泥岩     泥质单元     非泥质单元     沉积韵律    
An identification method of argillaceous siltstone and silty mudstone in extra shallow unconsolidated formation——Taking an example of Heidimiao reservoir in a area of Daqing
LI Xue-ying1,2,3, ZHAO Yu-qiu1, FAN Chang-hai4, ZHANG Jian-feng4, HU Ying5    
1. College of Earth Science, Northeast Petroleum University, Daqing 163318, China;
2. Post Doctoral Work Station, Daqing Oilfield, Daqing 163458, China;
3. Post Doctoral Mobile Station, Northeast Petroleum University, Daqing 163318, China;
4. No. 9 Oil Production Company, Daqing Oilfield company Ltd., Daqing 163853, China;
5. Data processing and interpretation of two station, Drilling Engineering Company, Daqing Oilfield Logging Company, Jilin 138000, China
Abstract: The compaction degree is very low in extra shallow unconsolidated formation and the uncompacted silty mudstone has a certain porosity so electrical characteristics is close to the argillaceous siltstone. Therefore it is difficult to distinguish two kinds of lithology. In order to solve this problem, this paper presents a lithology classification technology under the control of the stable argillaceous unit. The main idea of this technology is as follows: The thick and stable mudstone is defined as the argillaceous unit according to the well logging curve and the large sets of sand-bodies separated by argillaceous unit are defined as the non-argillaceous unit. In the argillaceous unit, the cross plot between GR and the return rate of resistivity is used to identify argillaceous siltstone and silty mudstone; However, in non-argillaceous unit, argillaceous siltstone and silty mudstone are distinguished according to the relative changes of resistivity curve under the control of sedimentary rhythm. If two kinds of lithology are outside to any a rhythm, three parameters cross plot from four kinds of electrical logging curves is adopted to identify two kinds of lithology. Based on lithologic analysis result in sealed core well, the lithology of 58 layers are explained by using this set of technology, but only four layers are misjudged and the total coincidence rate of lithology identification reaches 93.1%. Among them we identify argillaceous siltstone and silty mudstone for 32 layers and the coincidence rate of two kinds of lithology reaches 87.5%.
Key words: extra shallow unconsolidated formation     argillaceous siltstone     silty mudstone     argillaceous unit     non-argillaceous unit     sedimentary rhythm    
0 引 言

超浅疏松地层一般指埋藏深度在400~800 m之间的地层.该类储层具有埋藏深度浅,成岩作用弱,导电性强,储层跨度广,物性差异大的特点,导致岩性不易区分.由于埋藏深度浅,未压实的粉砂质泥岩具有一定的孔隙度,在测井曲线上与泥质粉砂岩的电性响应特征差异小,造成测井识别难度较大.而泥质粉砂岩与粉砂质泥岩两种岩性的有效识别是超浅疏松地层砂体展布状况研究、流体分布规律,含气面积圈定及地质储量计算的重要基础.此外,泥质粉砂岩的准确识别对浅层低阻差气层的解释具有决定性的意义.

关于砂、泥岩地质剖面的岩性区分,许多作者都做过大量的研究(黄隆基和胡庆东,1997李汉林和赵永军,1998陆万雨等,2002王淑盛等,2004刘传平等,2006王拥军等,2006张莹等,2007程希和任战利,2008顾军锋等,2009马海等,2009关继腾等,2010李成立等,2011范宜仁等,2012徐德龙等,2012韩学辉等,2013刘明军,2013田玉昆等,2013吴煜宇等,2013朱林奇等,2014).张美玲、刘江等利用测井曲线,将地层划分为泥质单元与非泥质单元.在泥质单元内采用寻找极大值的方法进一步划分粉砂质泥岩;在非泥质单元内,首先识别油页岩,然后按照厚峰层、薄峰层、谷层3类层进行岩性细化,岩性识别符合率达到85.9%(张美玲等,2008);袁子龙等结合岩心观察、薄片鉴定和常规测井资料等地质信息,分析总结不同岩性在FMI成像测井资料上的响应特征,建立各种岩性典型的FMI图像识别模板,岩性识别符合率达82.4%(袁子龙等,2012).韩琳利用元素俘获谱测井(ECS)和常规测井资料建立元素干重量百分含量与地层矿物含量的关系,得到火山岩地层的岩性剖面(韩琳,2009).此外,许多作者利用神经网络(周成当和成菊安,1993姜效典和李巍然,1994张治国等,2005)、图像处理(任立辉等,2010)、支持向量机(宋延杰等,2007张翔等,2009朱怡翔和石广仁,2013)、决策树(李洪奇等,2010)等方法进行岩性识别,取得了理想的效果.但上述文献所研究对象大多集中在埋藏深度大于1000 m的地层,而关于超浅疏松地层的泥质粉砂岩与粉砂质泥岩两种岩性识别研究的文献尚不多见,对此本文展开了研究. 1 识别思路

泥质粉砂岩和粉砂质泥岩识别的难点在于2种岩性的电性特征过于相近,使常规测井交会图版不能有效区分2种岩性.通过岩电分析对比发现:大套泥岩中所夹的薄层泥质粉砂岩和粉砂质泥岩与大套砂岩中所夹的薄层泥质粉砂岩和粉砂质泥岩的电性特征是完全不同的.究其原因,2种岩性所受围岩影响是不同的.对于泥岩中的薄层泥质粉砂岩,由于受上下低阻泥岩的影响,其电性特征必然与粉砂质泥岩相接近;而对于大套砂岩中的粉砂质泥岩,由于其受上下高阻砂岩的影响,其电性特征必然与泥质粉砂岩相接近.如果对上述2种地质沉积环境不加以区分,必然会造成2种岩性电性特征混叠,从而造成不易区分.

为了解决超浅疏松地层泥质粉砂岩和粉砂质泥岩识别的技术难题,我们提出了一种稳定泥质单元控制下的岩性划分技术.该技术的核心思想是:在测井曲线上首先将厚层稳定的泥岩段(>1.5 m)识别划分出来,作为泥质单元.然后将厚层泥质单元之间所分隔的大套砂体部分称为非泥质单元.泥质粉砂岩和粉砂质泥岩在泥质单元和非泥质单元的电性特征、组合关系是截然不同的,必须分别加以对待,从而增加2种岩性识别的准确程度.因此,在泥质单元内,按照“先泥后砂,侵入分家”的方法划分泥质粉砂岩和粉砂质泥岩;在非泥质单元内,按照“先砂后夹,韵律控砂”的方法划分泥质粉砂岩和粉砂质泥岩. 2 识别方法 2.1 泥质单元的岩性识别

泥质单元中,泥岩与砂岩的电性特征明显,较易识别.泥岩的电性特征表现为深、浅侧向电阻率均低于5 Ω·m,自然电位处于基线位置,高密度,高自然伽马.砂岩的深侧向电阻率一般大于5.5 Ω·m;自然电位负异常幅度一般大于2 mV,表明砂岩具有相对较好的渗透性.依据上述特征可将泥岩和粉砂岩首先识别出来.

粉砂质泥岩和泥质粉砂岩具有相近的电性特征,电阻率值均为中低值,自然电位均表现为基线值.从机理上讲,粉砂质泥岩与泥质粉砂岩的本质区别在于前者泥质含量要大于后者,而后者的含砂量要大于前者,因此,表现出来的侵入特征要好于前者.因此建立GR—(LLD-LLS)/LLD关系图版(图 1),从交会图版上可以看到,当GR<96API且(LLD-LLS)/LLD>0.1时,为泥质粉砂岩,否则为粉砂质泥岩.

图 1 泥质单元内区分泥质粉砂岩和粉砂质泥岩的 GR与(RLLD-RLLS)/RLLD交会图Fig. 1 The cross-plot of GR and (RLLD-RLLS)/ RLLD for distinguishing argillaceous siltstone and silty mudstone in the argillaceous unit
2.2 非泥质单元的岩性识别

非泥质单元中主要以大套砂体为主,中间包含少量的泥质夹层.非泥质单元中的砂岩的电性特征总体表现为相对高电阻,高回返率,低密度,低自然伽马,较大的自然电位负异常(图 2).该地区黑帝庙层非泥质单元中砂岩的深侧向电阻率一般要大于7 Ω·m,深侧向电阻率回返率大于40%,自然电位负异常幅度大于6 mV,自然伽马小于85 API.泥岩夹层具体表现为层薄,厚度小于1 m,电阻率比较低,深侧向电阻率小于5 Ω·m,在电阻率曲线和微电极曲线上以高幅值背景中的曲线回返为特征(图 2中525.4~525.6 m),深侧向电阻率回返率大于12%,微球聚焦电阻率回返率一般大于14%,较易于识别.

图 2 非泥质单元内砂岩及泥质夹层岩性—电性综合图Fig. 2 The lithology and electrical property comprehensive figure of s and stone and argillaceous interlayer in non-argillaceous unit

泥质粉砂岩与粉砂质泥岩在大套砂岩中往往以薄层形式存在(大部分小于0.4 m),其电性特征受上下围岩的影响,导致其电性特征更接近于围岩特征,表现出较大的相似性,也是最难区分的两种岩性.因此,本文提出了在沉积韵律控制下的由电阻率曲线相对变化特征来区分岩性.正韵律的岩性变化是向上逐渐变细的(图 2中的520.4~523.2 m).因此,其电阻率曲线的阻值是逐渐向上减小的,随着阻值的减小,岩性由粉砂岩、泥质粉砂岩过渡到粉砂质泥岩,而且这一规律在正韵律中是固定不变的.同理,反韵律的岩性是逐渐向上变粗的(图 3).因此,其电阻率曲线的阻值是逐渐向上增大的,随着阻值的增大,岩性由粉砂质泥岩、泥质粉砂岩过渡到粉砂岩,而且这一规律在反韵律中也是固定不变的.因此,根据电阻率曲线表现出来的韵律特征,结合微电极曲线细分层能力,可以有效的将泥质粉砂岩和粉砂质泥岩有效区分开来.

图 4 非泥质单元泥质粉砂岩和粉砂质泥岩识别图版Fig. 4 The identification chart for argillaceous siltstone and silty mudstone in non-argillaceous unit

针对非泥质单元中无法由韵律特征识别的泥质粉砂岩和粉砂质泥岩,我们建立了LLD-(ILD/DEN)与自然伽马Z值交会图(其中,Z=int((GR-Gmin)/(GRmax-GRmin)×10)).在图上根据不同岩性泥质含量的多少,将样品点分为三个区:低泥区(ILD/DEN<1.93)、过渡区(1.93<ILD/DEN<2.30)、高泥区(ILD/DEN>2.30).针对不同区间设定不同的电性判断标准(图 4).

图 3 反韵律的岩性—电性综合图(745.4~748 m)Fig. 3 The lithology and electrical property comprehensive figure of the inverse rhythm(745.4~748 m)

低泥区:泥质粉砂岩和粉砂质泥岩以LLD=3.2048×(ILD/DEN)-1.54为界,在界线的上部当Z值大于5可判断为粉砂质泥岩;在界线的下部当Z值小于3时可以判断为泥质粉砂岩.

过渡区:粉砂质泥岩和泥质粉砂岩以LLD=2.154×(ILD/DEN)+1.2569为界,在界线的上部当Z值大于6可判断为粉砂质泥岩;在界线的下部,当Z值小于4可以判断为泥质粉砂岩.

高泥区:当ILD/DEN大于1.55时,泥质粉砂岩和粉砂质泥岩先以LLD=2.33×(ILD/DEN)+1.4352为界;当ILD/DEN小于1.55时,以电阻率值5.10 Ω·m为界;当ILD/DEN小于1.55时,如果电阻率值小于5.10 Ω·m为粉砂质泥岩;当ILD/DEN大于1.55时,在斜线上部当Z值大于6时可判别为粉砂质泥岩;在斜线的下部,当Z值小于等于5时可判断为泥质粉砂岩.

图版选取岩性总点数为66个,误判为9个点,图版精度为86.4% 3 实际资料处理解释

利用上述的研究思路和确定的研究方法,对研究区内1口密闭取心井进行岩性解释,共解释岩性58层,误判4层,岩性判断的总符合率达到93.1%.其中共识别泥质粉砂岩和粉砂质泥岩32层,泥质粉砂岩和粉砂质泥岩的判别符合率达到87.5%.针对研究区内1口录井资料进行岩性解释与划分,共解释岩性202层,误判6层,岩性判别总符合率达到97%,其中共有泥质粉砂岩和粉砂质泥岩75层,泥质粉砂岩和粉砂质泥岩的判别符合率达到92%. 4 结 论

4.1      泥质粉砂岩和粉砂质泥岩在泥质单元和非泥质单元由于受围岩影响较大,导致电性特征出现重叠,识别时要加以区分,分别对待.

4.2     在泥质单元中,采用GR—(LLD-LLS)/LLD关系图版可以有效识别泥质粉砂岩和粉砂质泥岩这2种电性特征非常相近的岩性.

4.3     在非泥质单元中,不同岩性在纵向上的分布规律是由原始沉积时的水动力条件决定的,是受沉积韵律控制的.因此,采用在沉积韵律控制下的电阻率曲线相对变化特征来识别粉砂质泥岩和泥质粉砂岩.而针对不包含在韵律内部的2种岩性,采用多种测井曲线联合分区解释,可提高2种岩性识别的准确程度.

4.4     通过密闭取心井的解释结果检测,该套技术的粉砂质泥岩和泥质粉砂岩的判别符合率可达85%以上.

致 谢    感谢审稿专家的宝贵修改意见和编辑部老师的帮助.
参考文献
[1] Cheng X, Ren Z L. 2008. Identification of Ganchaigou group rock lithology in the GS Oilfield by Relationship between elements and minerals using geochemical logging technology[J]. Progress in Geophysics (in Chinese), 23(6): 1903-1908.
[2] 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 (in Chinese), 27(4): 1640-1647, doi: 10.6038/j.issn.1004-2903.2012.04.042.
[3] Gu J F, Jin Z K, Zhu L F, et al. 2009. The log response and the determining method of ultrahigh-pressure metamorphic rocks in CC[J]. Progress in Geophysics (in Chinese), 24(4): 1252-1256.
[4] Guan J T, Wang Q, Fan Y K, et al. 2010. Study on the mechanisms of electrochemical logging response in shaly sandstone based on capillary model[J]. Chinese Journal of Geophysics (in Chinese), 53(1): 214-223, doi:10.3969/j.issn.00015733.2010.01.024.
[5] Han L. 2009. Application elemental capture spectroscopy logging to lithologic identification and reservoir evaluation in igneous formation (in Chinese)[D]. Changchun: Jilin University, 47-63.
[6] Han X H, Zhi L F, Liu R, et al. 2013. A lithologic identification method in Es4 reservoir of Guangli oilfield with Least square support vector machine[J]. Progress in Geophysics (in Chinese), 28(4): 1886-1892, doi: 10.6038/pg20130430.
[7] Huang L J, Hu Q D. 1997. The then-bed response of natural gamma-ray spectral log[J]. Chinese Journal of Geophysics (in Chinese), 40(2): 272-279.
[8] Jiang X D, Li W R. 1994. The Applications of Walsh transform and artificial neural network to identify the rock stratum and lithology automatically[J]. Acta Petrolei Sinica (in Chinese), 15(4): 17-22.
[9] Li C L, Cui R H, Liu Y Z. 2011. Comprehensive geophysical prediction method of basement lithology—Example of Binbei area, Songliao basin[J]. Chinese Journal of Geophysics (in Chinese), 54(2): 491-498, doi: 10.3969/j.issn.0001-5733.2011.02.028.
[10] Li H L, Zhao Y J. 1998. Multivariate statistical method of lithologic recognition[J]. Geological Review (in Chinese), 44(1): 106-112.
[11] 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 (in Chinese), 34(1): 16-21.
[12] 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 (in Chinese), 27(S1): 62-65.
[13] Liu M J. 2013. Development and application of lithology identification software system by logging data[J]. Progress in Geophysics (in Chinese), 28(2): 908-913, doi: 10.6038/pg20130243.
[14] Lu W Y, Huang S R, Qin S Y. 2002. Using the CP-network to identify the lithology[J]. Journal of Jilin University(Earth Science Edition)(in Chinese), 32(1): 100-102.
[15] Ma H, Wang Y J, Hu R, et al. 2009. A novel method for well logging lithologic identification[J]. Progress in Geophysics (in Chinese), 24(1): 263-269.
[16] Ren L H, Li W D, Ci X H, et al. 2010. A method for identification of cuttings in petroleum logging by LIBSVMs[J]. Periodical of Ocean University of China (in Chinese), 40(9): 131-136.
[17] Song Y J, Zhang J F, Yan W L, et al. 2007. A new identification method for complex lithology with support vector machine[J]. Journal of Daqing Petroleum Institute (in Chinese), 31(5): 18-20.
[18] Tian Y K, Zhou H, Yuan S Y. 2013. Lithologic discrimination method based on Markov random-field[J]. Chinese Journal of Geophysics (in Chinese), 56(4): 1360-1368, doi: 10.6038/cjg20130430.
[19] Wang S S, Xu Z G, Liu H W, et al. 2004. The advanced k-nearest neighborhood method used in the recognition of lithology[J]. Progress in Geophysics (in Chinese), 19(2): 478-480.
[20] Wang Y J, Zhou X F, Wu H Z, et al. 2006. A new technique of lithologic identification for volcanics[J]. Fault-Block Oil & Gas Field (in Chinese), 13(3): 86-88.
[21] Wu Y Y, Zhang W M, Tian C B, et al. 2013. Application of Image logging in identifying lithologies and sedimental facies in Reef-Shoal Carbonate Reservoir—Take Rumaila Oil Field in Iraq for Example[J]. Progress in Geophysics (in Chinese), 28(3): 1497-1506, doi: 10.6038/pg20130345.
[22] Xu D L, Li T, Huang B H, et al. 2012. Research on the identification of the lithology and fluid type of foreign M oilfield by using the crossplot method[J]. Progress in Geophysics (in Chinese), 27(3): 1123-1132, doi: 10.6038/j.issn.1004-2903.2012.03.037.
[23] Yuan Z L, Chen X, Zhang H J. 2012. An application of resistivity imaging logging data in lithologic identification of glutenite reservoir[J]. Science Technology and Engineering (in Chinese), 12(4): 758-761.
[24] Zhang M L, Liu J, Wang A Y, et al. 2008. A practical lithology identification technique for sandstone and shale section[J]. Petroleum Geology & Oilfield Development in Daqing (in Chinese), 27(5): 127-131.
[25] Zhang X, Xiao X L, Yan L J, et al. 2009. Lithologic identification based on fuzzy support vector machines[J]. Journal of Oil and Gas Technology (in Chinese), 31(6): 115-118.
[26] Zhang Y, Pan B Z, Yin C H, et al. 2007. Application of imaging logging maps in lithologic identification of volcanics[J]. Geophysical Prospecting For Petroleum (in Chinese), 46(3): 288-293.
[27] Zhang Z G, Yang H Y, Xia Y X. 2005. The application of self-organizing feature map neural network to logging lithological identification[J]. Progress in Geophysics (in Chinese), 20(2): 332-336.
[28] Zhou C D, Cheng J A. 1993. A lithology recognition system based on fuzzy neural network[J]. Journal of Jianghan Petroleum Institute (in Chinese), 15(4): 40-44.
[29] Zhu L Q, Zhang J, Xie D X, et al. 2014. Liaohe Xinggu depression in horizontal well logging response characteristics of metamorphic rocks[J]. Chinese Journal of Engineering Geophysics (in Chinese), 11(5): 639-642.
[30] Zhu Y X, Shi G R. 2013. Identification of lithologic characteristics of volcanic rocks by support vector machine[J]. Acta Petrolei Sinica (in Chinese), 34(2): 313-322.
[31] 程希, 任战利. 2008. 利用地球化学元素与矿物关系识别GS油田下干柴沟组地层岩性[J]. 地球物理学进展, 23(6): 1903-1908.
[32] 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.
[33] 顾军锋, 金振奎, 朱留方,等. 2009. 中国大陆科学钻探井(CCSD)超高压变质岩岩性的识别[J]. 地球物理学进展, 24(4): 1252-1256.
[34] 关继腾, 王谦, 范业活,等. 2010. 利用毛管模型研究泥质砂岩电化学测井响应机理[J]. 地球物理学报, 53(1): 214-223, doi:10.3969/j.issn.00015733.2010.01.024.
[35] 韩琳. 2009. 元素俘获谱测井(ECS)在火成岩岩性识别与储层评价中的应用研究[硕士论文]. 长春: 吉林大学, 47-63.
[36] 韩学辉, 支乐菲, 刘荣,等. 2013. 应用最小二乘支持向量机识别广利油田沙四段储层岩性[J]. 地球物理学进展, 28(4): 1886-1892, doi: 10.6038/pg20130430.
[37] 黄隆基, 胡庆东. 1997. 自然伽马能谱测井薄层响应[J]. 地球物理学报, 40(2): 272-279.
[38] 姜效典, 李巍然. 1994. 应用瓦尔什变换和人工神经网络划分岩层和岩性识别[J]. 石油学报, 15(4): 17-22.
[39] 李成立, 崔瑞华, 刘益中. 2011. 盆地基底岩性的综合地球物理预测方法—以松辽盆地滨北地区基底岩性预测为例[J]. 地球物理学报, 54(2): 491-498, doi: 10.3969/j.issn.0001-5733.2011.02.028.
[40] 李汉林, 赵永军. 1998. 岩性识别的多元统计方法[J]. 地质论评, 44(1): 106-112.
[41] 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.
[42] 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.
[43] 刘明军. 2013. 测井数据岩性识别软件系统的开发与应用[J]. 地球物理学进展, 28(2): 908-913, doi: 10.6038/pg20130243.
[44] 陆万雨, 黄盛仁, 覃世银. 2002. 应用CP网络进行岩性识别[J]. 吉林大学学报(地球科学版), 32(1): 100-102.
[45] 马海, 王延江, 胡睿,等. 2009. 测井岩性识别新方法研究[J]. 地球物理学进展, 24(1): 263-269.
[46] 任立辉, 李文东, 慈兴华,等. 2010. 基于LIBSVM的石油录井中岩屑岩性识别方法研究[J]. 中国海洋大学学报(自然科学版), 40(9): 131-136.
[47] 宋延杰, 张剑风, 闫伟林,等. 2007. 基于支持向量机的复杂岩性测井识别方法[J]. 大庆石油学院学报, 31(5): 18-20.
[48] 田玉昆, 周辉, 袁三一. 2013. 基于马尔科夫随机场的岩性识别方法[J]. 地球物理学报, 56(4): 1360-1368, doi: 10.6038/cjg20130430.
[49] 王淑盛, 徐正光, 刘黄伟,等. 2004. 改进的K近邻方法在岩性识别中的应用[J]. 地球物理学进展, 19(2): 478-480.
[50] 王拥军, 周雪峰, 吴海忠,等. 2006. 火山岩岩性识别新技术[J]. 断块油气田, 13(3): 86-88.
[51] 吴煜宇, 张为民, 田昌炳,等. 2013. 成像测井资料在礁滩型碳酸盐岩储集层岩性和沉积相识别中的应用—以伊拉克鲁迈拉油田为例[J]. 地球物理学进展, 28(3): 1497-1506, doi: 10.6038/pg20130345.
[52] 徐德龙, 李涛, 黄宝华,等. 2012. 利用交会图法识别国外M油田岩性与流体类型的研究[J]. 地球物理学进展, 27(3): 1123-1132, doi: 10.6038/j.issn.1004-2903.2012.03.037.
[53] 袁子龙, 陈曦, 张洪江. 2012. 电成像测井资料在砂砾岩油气藏岩性识别中的应用[J]. 科学技术与工程, 12(4): 758-761.
[54] 张美玲, 刘江, 汪爱云,等. 2008. 一种实用的砂泥岩剖面岩性识别技术[J]. 大庆石油地质与开发, 27(5): 127-131.
[55] 张翔, 肖小玲, 严良俊,等. 2009. 基于模糊支持向量机方法的岩性识别[J]. 石油天然气学报, 31(6): 115-118.
[56] 张莹, 潘保芝, 印长海,等. 2007. 成像测井图像在火山岩岩性识别中的应用[J]. 石油物探, 46(3): 288-293.
[57] 张治国, 杨毅恒, 夏立显. 2005. 自组织特征映射神经网络在测井岩性识别中的应用[J]. 地球物理学进展, 20(2): 332-336.
[58] 周成当, 成菊安. 1993. 模糊神经网络岩性识别系统[J]. 江汉石油学院学报, 15(4): 40-44.
[59] 朱林奇, 张杰, 谢东旭,等. 2014. 辽河兴古凹陷变质岩水平井岩性测井识别方法研究[J]. 工程地球物理学报, 11(5): 639-642.
[60] 朱怡翔, 石广仁. 2013. 火山岩岩性的支持向量机识别[J]. 石油学报, 34(2): 313-322.