长江中下游成矿带是我国东部重要的Cu、Fe、Au、S多金属资源基地，素有东部“工业走廊”之称.成矿带由7个大型矿集区、约200多个大中型矿床组成(常印佛等，1991；吕庆田等，2014；吕庆田等，2015)，庐纵矿集区位于其中.ZK01孔位于庐枞盆地中部石门庵西南900 m处，孔深2012.35 m.钻孔2~1469.81 m为砖桥组火山岩，主要岩石为粗安岩、高岭石化粗安岩、黄铁矿化粗安岩、硬石膏化粗安岩和辉石粗安岩；1488.84~1603.35 m为火成岩地层与下伏岩体的接触带；1603.35~2012.35 m为岩体，自上而下依次为(石英)正长岩、石英二长斑岩、黑云母石英二长岩，相互之间为渐变过渡关系(张舒等，2014).

地球物理测井可在高温、高压环境下获得岩层的原位物理特性(牛一雄等，2004).通过测井曲线分析，ZK01孔砖桥组中高岭石化后的粗安岩比粗安岩以及其他矿化后的粗安岩的自然伽马值、纵波速度和极化率要高；视电阻率值则要低于上述岩性；岩石密度值相差不大；受黄铁矿化影响，部分井段的磁化率值有所增大，但整体体现出弱磁性的特点.接触带和岩体的自然伽马值大于上部砖桥组地层，其中正长岩井段的自然伽马值最高；视电阻率值和岩石密度值变化幅度较小，但岩体整体的视电阻率值明显大于砖桥组地层，而密度值则小于砖桥组地层.

深度达2000 m的钻孔在庐纵矿集区并不多，而包含这么多方法的测井数据就更为稀少.庐枞矿集区科学钻探ZK01孔岩性复杂，基于测井曲线难以直接识别岩性，对于复杂岩性的识别，元素俘获能谱测井ECS能从岩石成分角度解决火山岩岩性识别所存在的困难，但其价格昂贵，实际应用不多，常常只被作为地区识别的标志性资料(陈军等，2007)，而目前国内通常利用常规测井数据进行交会图法、聚类分析、模糊数学等方法来识别岩性(李秀珍等，2011；张磊，2012).本文基于交会图等技术分析各种岩性测井响应特征，提取各种岩性的物性特征值，建立了砖桥组和岩体组相关岩性的Bayes自动判别模型，其回判正确率分别为85.1%和83%，并在实际判别中取得了较好的应用效果.

交会图法是一种测井资料处理解释方法，是划分岩性、确定岩石物性的有效手段之一，它是把两种测井数据在平面图上交会，根据交汇点的坐标定出所求参数的数值和范围(潘伟等，2010).ZK01孔自然伽马值变化范围较大，所有岩性放在一起交会识别效果不好，因此本文以1490 m为分界线，上部砖桥组和下部岩体.砖桥组选取的岩性为：粗安岩、高岭石化粗安岩、黄铁矿化粗安岩、硬石膏化粗安岩和辉石粗安岩，岩体选取的岩性为：正长岩、石英正长岩、石英二长斑岩和黑云母石英二长岩(高文利等，2015).

本孔地层为火成岩，不同岩石的测井特征相互重叠，故需多参数联合交会方能有效区分不同岩石的测井响应特征，选择参与交会的测井参数为：自然伽马、视电阻率、极化率、密度、纵波速度和磁化率(岩体井段未测极化率，故无此方法的交会图).

通过砖桥组测井响应特征交会图可得出如下结论：自然伽马能有效的将高岭石化粗安岩与其他岩石区分开(图 1a)；视电阻率结合极化率能将大部分硬石膏化粗安岩与其他岩性区分出来(图 1b)；密度结合纵波速度能识别部分黄铁矿化粗安岩(图 1c)；极化率结合磁化率能将识别部分辉石粗安岩(图 1d).对各岩石的物性特征值范围进行统计，结果见表 1.

图 1

Figure 1

图 1 砖桥组测井响应特征交会图 (a)自然伽马-视电阻率交会图；(b)极化率-视电阻率交会图；(c)密度-纵波速度交会图；(d)极化率-磁化率交会图. Figure 1 Logging dataCrossplots of Zhuanqiao formation (a) GR-RTCrossplots; (b)η-RT Crossplots; (c)DEN-Vp Crossplots; (d)η-M Crossplots.

表 1 (Table 1)

表 1 砖桥组岩石物性特征值统计表 Table 1 The statistics of physical characteristics of Zhuanqiao formation

表 1 砖桥组岩石物性特征值统计表 Table 1 The statistics of physical characteristics of Zhuanqiao formation

岩体测井响应特征交会图可分析出如下结论：自然伽马能将大部分正长岩识别出来(图 2a)；视电阻率能将石英二长斑岩与其他岩性区分开(图 2a)；纵波速度结合密度能将石英正长岩、石英二长斑岩和黑云母石英二长岩这三种岩石区分开(图 2b)；磁化率识别效果较好，能将正长岩和石英正长岩与石英二长斑岩和黑云母石英二长岩区分开(图 2c).下面对各岩石的物性特征值范围进行了统计，结果见表 2.

图 2

Figure 2

图 2 岩体测井响应特征交会图 (a)自然伽马-视电阻率交会图；(b)密度-纵波速度交会图；(c)磁化率-视电阻率交会图. Figure 2 Logging dataCrossplots of Bedrock (a)GR-RTCrossplots; (b)DEN-Vp Crossplots; (c)M-RT Crossplots.

表 2 (Table 2)

表 2 岩体岩石物性特征值统计表 Table 2 The statistics of physical characteristics of bedrock

表 2 岩体岩石物性特征值统计表 Table 2 The statistics of physical characteristics of bedrock

综上所述，本孔各岩石存在一定的物性差异，这为下一步采用Bayes判别方法来进行数值建模，从而实现岩性的自动识别奠定了理论基础.

庐枞矿集区科学钻探ZK01孔复杂岩性，通过交会图等技术对测井响应特征分析，提取了不同岩性不同测井曲线测井的特征，在此基础上分砖桥组和岩体两个模块来建立判别模型.选用建模参数为纵波速度(Vp)、自然伽马(GR)、视电阻率(Rt)和密度(DEN)；磁化率对磁性矿物反映灵敏，而对非磁性岩石的岩性变化识别应用效果较差，同时本孔极化率值小，对岩性变化反映不理想，故未选取磁化率和极化率参与建模.

建模数据是依据地质编录资料，从测井资料中选取相对应的深度段测井数值做为样品，样品数量及分布如表 3所示.

表 3 (Table 3)

表 3 原始样本数目 Table 3 The original number of samples

表 3 原始样本数目 Table 3 The original number of samples

利用样本数据，采用Bayes判别方法，通过计算各类的均值和协方差矩阵(Vapnik，2009)，建立了两个模块的判别函数，如表 4和表 5所示.

表 4 (Table 4)

表 4 砖桥组各主要岩性判别模型 Table 4 The lithology discriminant model of Zhuanqiao formation

表 4 砖桥组各主要岩性判别模型 Table 4 The lithology discriminant model of Zhuanqiao formation

表 5 (Table 5)

表 5 岩体各主要岩性判别模型 Table 5 The lithology discriminant model of bedrock

表 5 岩体各主要岩性判别模型 Table 5 The lithology discriminant model of bedrock

判别方法为：将样本分别带入相应模型的函数中，计算出Gi的数值，哪个数值最大，该样本即属于其对应的那一类.对原始样本进行回判性分析，结果如表 6和表 7所示.

表 6 (Table 6)

表 6 砖桥组样本回判结果 Table 6 The samples discriminant result of Zhuanqiao formation

表 6 砖桥组样本回判结果 Table 6 The samples discriminant result of Zhuanqiao formation

表 7 (Table 7)

表 7 岩体样本回判结果 Table 7 The samples discriminant result of Bedrock

表 7 岩体样本回判结果 Table 7 The samples discriminant result of Bedrock

砖桥组岩性的判别函数对原始样本的回判正确率为85.1%，对原始样本交叉确认回判的正确率为83.7%，两个回判的正确率数值接近，说明模型稳定.从表 6中可以看出，粗安岩、高岭石化粗安岩、黄铁矿化粗安岩、硬石膏化粗安岩和辉石粗安岩的交叉确认回判正确率分别为93.3%、100%、50%、82.1%和95.2%.其中黄铁矿化粗安岩判别正确率较低，分析原因为本孔粗安岩的黄铁矿化程度较低，加之黄铁矿化层位较少，参与计算数据量少，故很难将其与粗安岩区分开来.

岩体岩性的判别函数对原始样本的回判正确率为83%，对原始样本交叉确认回判的正确率为82.4%，两个回判的正确率数值接近，说明模型稳定.从表 7中可以看出，正长岩、石英正长岩、石英二长斑岩和黑云母石英二长岩的交叉确认回判正确率分别为84.4%、76.9%、83.3%和84.3%.石英正长岩的判别正确率相对较低，说明本孔石英正长岩中所含石英矿物较少，物性特征差异不明显.

利用Bayes判别方法建立的两种模型，对ZK01孔测井数据进行了判别分析，判别结果如图 3、图 4所示.图中第5道为地质编录结果，第6道为Bayes判别结果.

图 3

Figure 3

图 3 砖桥组Bayes判别结果图 Figure 3 The Bayes discriminant result of Zhuanqiao formation

图 4

Figure 4

图 4 岩体Bayes判别结果图 Figure 4 The Bayes discriminant result of bedrock

砖桥组岩性的判别结果中，高岭石化粗安岩的识别效果最好，其他岩性的识别受曲线异常变化影响与编录资料偶有差别，但大体上基本一致.粗安岩识别错误的地层的视电阻率值、自然伽马值和纵波速度值比识别正确的地层偏大，分析原因这些地层岩石为非纯的粗安岩，故测井值受所含有的其他矿物或岩石矿化影响，数值与纯粗安岩石有所差别，其他识别错误的地层也存在类似情况.1089~1197 m井段地质编录为辉石粗安岩，1150~1170 m段受井眼扩大影响，视电阻率、密度和纵波速度数值明显偏离正常值，故未做Bayes判别；1120~1150 m段大部分被识别为黄铁矿化粗安岩，分析该段井壁有含磁性体，从磁化率数值明显变大可以验证.

岩体岩性的判别结果与地质编录资料大体上也基本一致.其中1665~1699 m地质编录显示该段岩石主要由正长石为主(60%~70%)、斜长石(15%~20%)和石英(10%~15%)组成，而Bayes识别结果为石英正长岩，与实际情况相符；黑云母石英二长岩部分被识别为正长岩类，推断本层碱性长石含量比斜长石含量略微偏低.

虽然该孔钻遇岩性类型多、岩性复杂，但基于交会图等技术分析各种岩性测井响应特征，提取各种岩性的物性特征值，为岩性识别打下了良好的基础.

建立了砖桥组和岩体组相关岩性的Bayes自动判别模型，其回判正确率分别为85.1%和83%.

基于建立的判别模型，实际应用，全井段岩性判别符合率可以达到70%，取得了较好的应用效果.

由于训练样本的限制，本文只提供了2组地层9种岩性的判别模型，但随着今后该地区勘探力度的加大，将收集到更多的实测资料，增大训练样本的数量，能提高判别函数的准确性和代表性，从而逐步完善庐纵矿集区岩性识别模型.