基于LDA協(xié)同SSOM算法的低滲透砂巖孔隙結(jié)構(gòu)評價

摘要：孔隙結(jié)構(gòu)決定了儲層的儲集特征和滲流能力，控制了油田的初期產(chǎn)能乃至開發(fā)中后期的剩余油分布，然而目前孔隙結(jié)構(gòu)的表征尺度多停留在巖心尺度。為了實現(xiàn)孔隙結(jié)構(gòu)的升尺度表征，基于由高壓壓汞、核磁共振以及常規(guī)物性分析實驗獲取的孔隙和喉道大小、流體可動性和物性參數(shù)劃分巖心孔隙結(jié)構(gòu)類型，作為學習監(jiān)督樣本；利用線性判別分析（linear discriminants analysis， LDA）算法挖掘?qū)紫督Y(jié)構(gòu)特征敏感的測井曲線，與有監(jiān)督自組織映射（supervised self-organizing map， SSOM）算法協(xié)同建立了孔隙結(jié)構(gòu)非線性測井預(yù)測模型，對渤海灣盆地J油田沙四段低滲透砂巖的孔隙結(jié)構(gòu)進行評價。結(jié)果表明，研究區(qū)發(fā)育6類孔隙結(jié)構(gòu)類型：Ⅰ類孔隙結(jié)構(gòu)中微裂縫發(fā)育，具有低孔相對高滲的特征；Ⅱ類孔隙結(jié)構(gòu)主要發(fā)育在細砂巖中，由殘余粒間孔隙和次生溶孔組成；Ⅲ類孔隙結(jié)構(gòu)主要由次生溶孔和少量殘余粒間孔隙組成，在粉砂巖中常見；Ⅳ類孔隙結(jié)構(gòu)主要由次生溶孔組成，常見孔隙充填式碳酸鹽膠結(jié)物；Ⅴ類孔隙結(jié)構(gòu)以強碳酸鹽膠結(jié)為特征，孔隙系統(tǒng)被微孔喉主導(dǎo)；Ⅵ類孔隙結(jié)構(gòu)中泥質(zhì)雜基體積分數(shù)高，常出現(xiàn)相對高孔低滲現(xiàn)象。LDA-SSOM預(yù)測模型總體正確率達86.20%，且盲測正確率（82.67%）相比LDA-BP（back propagation）（77.00%）、LDA（65.67%）、SSOM（73.33%）預(yù)測模型更高，能夠達到孔隙結(jié)構(gòu)研究尺度升級的目標。

關(guān)鍵詞：低滲透砂巖；孔隙結(jié)構(gòu)評價；線性判別分析；有監(jiān)督自組織映射

中圖分類號：TE122 文獻標志碼：A

收稿日期： 2024-01-07

作者簡介： 王亞（1994—），男，高級工程師，博士，主要從事海上油氣田開發(fā)與油藏描述工作，E-mail：wangya5@cnooc.com.cn

基金項目： 國家科技重大專項（2016ZX05058001）

Supported by the National Science and Technology Major Project" of China （2016ZX05058001）

Pore Structure Evaluation of Low-Permeability Sandstones Based on LDA Assisted SSOM Algorithm

Wang Ya， Liu Zongbin， Ma Kuiqian， Lu Yan， Liu Chao

Tianjin Branch， CNOOC China Limited， Tianjin 300452， China[HJ2mm]

Abstract： The pore structure determines the storage and seepage capacity of the reservoir， and controls the initial production capacity of the oilfield and even the distribution of the remaining oil in the middle and late stages of development. However， at present， the characterization of the pore structure mostly stays in the core scale. To up-scale characterization of pore structure， pore structure types of cores are divided based on pore and throat size， fluid mobility and physical property parameters obtained from high-pressure mercury intrusion， nuclear magnetic resonance， and conventional physical property analysis experiments， and are used as learning supervised samples. LDA （linear discriminant analysis） algorithm is used to excavate log curves sensitive to pore structure features， and a nonlinear log prediction model is established in collaboration with SSOM （supervised self-organizing map） algorithm to evaluate pore structure of" low-permeability sandstones "in the fourth member of J oilfield in Bohai Bay basin. The results show that there are six types of pore structures developed， among which， microfractures are developed in the type Ⅰ pore structure， which is characterized by low porosity and relative high permeability. The type Ⅱ pore structure is mainly developed in fine sandstone and consists of residual intergranular pores and secondary dissolved pores. The type Ⅲ pore structure is mainly composed of secondary dissolution pores and a few residual intergranular pores， which are common in siltstone. The type Ⅳ pore structure is mainly composed of secondary dissolved pores， and pore-filled carbonate cements are commonly observed. The type Ⅴ pore structure is characterized by extensive carbonate cementation， and the pore system is dominated by micropore throats. The volume fraction of argillaceous matrix in type Ⅵ pore structure is high， and the phenomenon of relatively high porosity and low permeability often occurs. The overall accuracy rate of the LDA-SSOM prediction model attains 86.20%. In terms of the accuracy rate in blind tests， which stands at 82.67%， it outperforms prediction models like LDA-BP （back propagation） （77.00%）， LDA （65.67%）， and SSOM （73.33%）. Moreover， it is capable of fulfilling the objective of escalating the research scale regarding pore structure.

Key words： low-permeability sandstones; pore structure evaluation; linear discriminants analysis; supervised self-organizing map

0 引言

由于低滲透砂巖的形成和分布受到沉積條件、埋藏過程、成巖改造以及構(gòu)造活動等多種地質(zhì)因素的控制[1-3]，低滲透砂巖呈現(xiàn)出與常規(guī)砂巖不同的儲集、孔隙結(jié)構(gòu)以及物性等巖石物理特征，總體上具有孔喉尺度?。ㄎ⒚?納米級）、孔隙類型多樣、孔隙結(jié)構(gòu)復(fù)雜、宏觀和微觀非均質(zhì)性強等特點[4-6]?？紫督Y(jié)構(gòu)的非均質(zhì)性顯著控制了儲滲關(guān)系及地下儲層的實際滲流能力[7]，對原油動用乃至剩余油分布具有重要影響[8-10]。因此，精細刻畫低滲透砂巖孔隙結(jié)構(gòu)及其分布特征對油氣田的高效開發(fā)具有重要意義。然而海上油氣田取心成本高、技術(shù)難度大，開發(fā)階段巖心分析化驗資料往往有限，需要借助有限的巖心資料開展巖心孔隙結(jié)構(gòu)特征及尺度升級研究。

核磁共振測井在孔隙結(jié)構(gòu)評價及預(yù)測方面取得了較好的應(yīng)用效果[11-12]，但利用常規(guī)測井資料進行孔隙結(jié)構(gòu)預(yù)測的相關(guān)研究較少，目前主要有儲層流動帶指數(shù)模型法、曲線重疊法以及交會圖法等線性識別方法[13-15]。由于低滲透砂巖孔隙結(jié)構(gòu)成因復(fù)雜，除了沉積組構(gòu)的差異外，沉積后往往經(jīng)受較強的壓實、膠結(jié)和溶蝕等成巖改造作用，后期構(gòu)造活動也會加劇孔隙結(jié)構(gòu)的非均質(zhì)性[16-18]，因此線性預(yù)測模型在低滲透砂巖孔隙結(jié)構(gòu)預(yù)測中的適用性和可推廣性存在限制。

為了借助常規(guī)測井資料進行孔隙結(jié)構(gòu)尺度升級，本文利用線性判別分析（linear discriminants analysis， LDA）算法優(yōu)選出能夠最大程度描述和區(qū)分孔隙結(jié)構(gòu)類型的測井曲線，并通過巖心孔隙結(jié)構(gòu)類型的有監(jiān)督自組織映射（supervised self-organizing map， SSOM）競爭學習確定不同類型孔隙結(jié)構(gòu)的非線性測井響應(yīng)組合特征，建立測井孔隙結(jié)構(gòu)預(yù)測模型，進而實現(xiàn)孔隙結(jié)構(gòu)特征的尺度升級，對單井進行精細儲層評價。

1 巖心孔隙結(jié)構(gòu)

1.1 低滲透儲層特征

研究樣品來自渤海灣盆地J油田沙四段，為濱淺湖灘壩相沉積，砂巖總體粒度較細，分選較好，磨圓為次棱角狀。根據(jù)粒度特征，主要劃分為細砂巖（粒徑為100～234 μm，平均172 μm）、粉砂巖（粒徑為50～100 μm，平均87 μm）和泥質(zhì)粉砂巖（粒徑為10～50 μm，平均31 μm）三種巖性?？傮w上巖石顆粒粒度中值與分選系數(shù)負相關(guān)，細砂巖和粉砂巖整體分選較好（巖石粒度分選系數(shù)小于2.5），而泥質(zhì)粉砂巖從分選好到分選差（巖石粒度分選系數(shù)大于4）均有發(fā)育。根據(jù)砂巖骨架顆粒的組成特征，灘壩砂巖的巖石類型以巖屑長石砂巖為主，有少量長石砂巖和長石巖屑砂巖。石英顆粒在灘壩砂巖中體積分數(shù)最高，為15.0%～62.0%；長石顆粒體積分數(shù)次之，為26.0%～45.0%，包括鉀長石和斜長石；巖屑顆粒體積分數(shù)為7.5%～58.0%，主要為變質(zhì)巖巖屑。總體上，成分成熟度較低。

砂巖埋深在2 200～3 400 m之間（圖1a），普遍遭受了中等—強的機械壓實作用，鑄體薄片下可以看到顆粒的定向排列、顆粒之間的線接觸、塑性巖屑的彎曲變形以及假雜基的形成（圖1b、c）。除了機械壓實作用外，碳酸鹽巖膠結(jié)作用也是導(dǎo)致儲層品質(zhì)退化的重要因素，砂巖中常見早期基底式和中期孔隙充填式碳酸鹽膠結(jié)物（圖1d、e）。早期基底式碳酸鹽膠結(jié)物形成時間早于大規(guī)模壓實作用，可以構(gòu)成巖石骨架，支撐顆粒，形成浮粒結(jié)構(gòu)，進而減緩進一步的機械壓實作用，但富集形成的致密層會在砂體內(nèi)部形成垂向滲流屏障，加劇儲層品質(zhì)的惡化。中期孔隙充填式碳酸鹽膠結(jié)物分布較為離散，沉淀所需的Ca2+主要來源于不穩(wěn)定組分（長石和部分巖屑）的溶蝕作用，因而通常發(fā)育在溶蝕作用發(fā)育的層段或其附近層段。綜上所述，受埋藏壓實作用和碳酸鹽膠結(jié)作用的綜合影響，儲層整體呈低孔低滲的特點，但由于巖石成巖非均質(zhì)性強，差異性碳酸鹽膠結(jié)作用導(dǎo)致儲層孔隙結(jié)構(gòu)復(fù)雜，儲層品質(zhì)評價難度大。

1.2 低滲透砂巖孔隙結(jié)構(gòu)類型及成因

對于具有復(fù)雜孔隙結(jié)構(gòu)的低滲透砂巖，僅用孔隙度難以反映其真實的地下滲流能力，因此，采用由高壓壓汞實驗獲取的反映喉道大小的最大喉道半徑和平均喉道半徑、反映喉道幾何非均質(zhì)性的分形維數(shù)，由核磁共振實驗獲取的反映孔隙大小的孔隙半徑和反映流體可動性的可動流體飽和度，由常規(guī)巖心分析資料獲取的反映宏觀巖石物理性質(zhì)的孔隙度、滲透率和儲層品質(zhì)指數(shù)等關(guān)鍵參數(shù)作為孔隙結(jié)構(gòu)類型分類參數(shù)，對低滲透砂巖孔隙結(jié)構(gòu)進行分類。其中，儲層品質(zhì)指數(shù)定義為滲透率與孔隙度之比的平方根，是將微觀孔隙結(jié)構(gòu)與宏觀儲層質(zhì)量聯(lián)系起來的重要參數(shù)[19]。為了使孔隙結(jié)構(gòu)類型劃分結(jié)果能夠更好地應(yīng)用到油氣田開發(fā)實踐中，重點考慮宏觀的滲透率、儲層品質(zhì)指數(shù)和流體可動性參數(shù)，將研究區(qū)孔隙結(jié)構(gòu)類型劃分為6類（表1，圖2）。

Ⅰ類孔隙結(jié)構(gòu)與微裂縫的發(fā)育有關(guān)，典型喉道大小分布曲線呈現(xiàn)出雙重孔隙網(wǎng)絡(luò)（基質(zhì)孔隙+裂縫）的特征（圖2a），具有最高的儲層品質(zhì)指數(shù)，常表現(xiàn)出低孔相對高滲的現(xiàn)象。灘壩砂巖中不同尺度裂縫的存在可以使?jié)B透率提升數(shù)個數(shù)量級，顯著改善儲層品質(zhì)，但由于裂縫的時空分布天然具有強烈的非均質(zhì)性和復(fù)雜性，且研究區(qū)缺乏成像測井資料，因此考慮到裂縫對儲層滲透率具有顯著的改造作用，而對儲層孔隙度影響較小，基于巖心常規(guī)分析資料和巖心觀察確定Ⅰ類孔隙結(jié)構(gòu)的發(fā)育位置。該類孔隙結(jié)構(gòu)的滲透率通常大于30.0×10-3 μm2，孔隙度浮動較大，5%～30%均有分布，可動流體飽和度通常gt;65%，開發(fā)過程中原油動用程度高（表1）。

Ⅱ類孔隙結(jié)構(gòu)主要發(fā)育于相對粗粒的厚層砂體中，普遍發(fā)育長石的溶蝕作用，產(chǎn)生大量的溶蝕孔隙（圖2b）。相對粗粒的顆粒結(jié)構(gòu)使得Ⅱ類孔隙結(jié)構(gòu)砂巖相抗壓實能力較強，埋藏過程中原生粒間孔隙得到有效保存，與次生溶孔組成了擴大孔，進一步增大了孔隙和喉道大小，平均喉道半徑為2.000～8.000 μm，顯著改善了灘壩砂巖的孔隙網(wǎng)絡(luò)連通性（圖3a）。在這些相對粗粒的砂巖中，喉道半徑較大的殘余原生孔隙和次生溶孔構(gòu)成了主要的孔隙系統(tǒng)。Ⅱ類孔隙結(jié)構(gòu)與Ⅲ類孔隙結(jié)構(gòu)或者Ⅳ類孔隙結(jié)構(gòu)相比，孔隙度并不存在明顯差異，但Ⅱ類孔隙結(jié)構(gòu)具有更高的滲透率和更好的儲層品質(zhì)，這主要是由于Ⅱ類孔隙結(jié)構(gòu)的孔喉系統(tǒng)被大孔喉網(wǎng)絡(luò)（主要由殘余粒間孔隙和擴大孔組成）主導(dǎo)，能夠?qū)B透率做出有效貢獻的連通孔隙占比較高，在砂巖中形成了多而寬的連通路徑，從而產(chǎn)生了優(yōu)越儲層品質(zhì)（圖3a）。Ⅱ類孔隙結(jié)構(gòu)滲透率通常gt;20.0×10-3 μm2，孔隙度介于10%～30%之間，可動流體飽和度介于45%～70%之間（表1）。

Ⅲ類孔隙結(jié)構(gòu)主要發(fā)育在相對厚層砂體（2～6 m）的正旋回頂部或者反旋回底部，砂巖中黏土雜基和碳酸鹽膠結(jié)物的體積分數(shù)均較低，常見于粉砂巖中（圖2c）。不穩(wěn)定組分的不完全溶蝕作用在該類孔隙結(jié)構(gòu)中普遍發(fā)育，形成了次生溶孔主導(dǎo)的孔隙系統(tǒng)，且由于沒有大規(guī)模碳酸鹽膠結(jié)物的充填作用，少量的原生粒間孔隙也得以保存下來，構(gòu)成了主要的連通孔隙路徑（圖3b）。鉀長石的普遍溶蝕作用提供了豐富的K+和Si4+物質(zhì)來源，使得砂巖中石英次生加大現(xiàn)象和孔隙充填的高嶺石集合體也較為常見，但總體上體積分數(shù)較低。Ⅲ類孔隙結(jié)構(gòu)中的次生溶孔和少量原生粒間孔隙的喉道半徑主要為1～5 μm，平均為0.100～3.000 μm，故儲層物性總體較好，孔隙度介于10%～25%之間，滲透率介于（5.0～20.0）×10-3 μm2之間，可動流體飽和度介于35%～45%之間（表1）。

Ⅳ類孔隙結(jié)構(gòu)主要發(fā)育在粉砂巖中，砂巖中的碳酸鹽膠結(jié)物主要呈孔隙充填式，體積分數(shù)一般小于15%，鑄體薄片下可見次生溶蝕孔隙，但面孔率小于2%，殘余粒間孔隙較少（圖2d）?？紫断到y(tǒng)主要由不穩(wěn)定組分部分溶蝕形成的次生溶孔和微孔喉組成。由于中等程度的壓實作用和碳酸鹽膠結(jié)作用，這些粒內(nèi)次生溶孔總體體積分數(shù)不高，且與次生溶孔相連的喉道較為狹小，在空間拓撲結(jié)構(gòu)上難以在砂巖中形成良好的滲流通道（圖3c），導(dǎo)致砂巖整體滲透率較低，分布于（0.1～5.0）×10-3 μm2之間，可動流體飽和度介于10%～35%之間（表1）。

Ⅴ類孔隙結(jié)構(gòu)通常發(fā)育在碳酸鹽膠結(jié)物體積分數(shù)高、泥質(zhì)雜基體積分數(shù)低的粉砂巖或者細砂巖中（圖2e）。在與泥巖互層的細粒砂巖中，由于泥巖中溶解碳酸鹽的擴散作用能夠產(chǎn)生充足的鈣質(zhì)來源， 因而更容易在與相鄰的泥巖接觸處發(fā)生強烈的碳酸鹽膠結(jié)作用[20]。Ⅴ類孔隙結(jié)構(gòu)砂巖中的大量碳酸鹽膠結(jié)物會充填孔隙、堵塞喉道，導(dǎo)致儲層孔隙度和滲透率的嚴重衰減。該類孔隙結(jié)構(gòu)的孔隙系統(tǒng)由微孔喉主導(dǎo)，平均喉道半徑小于1 μm，難以形成連通的滲流路徑，使得儲層的滲透率很低，基本小于0.1×10-3 μm2，孔隙內(nèi)基本為束縛流體（表1）。

Ⅵ類孔隙結(jié)構(gòu)的發(fā)育與沉積環(huán)境和砂巖的組構(gòu)具有明顯的關(guān)系，通常發(fā)育在抗壓實能力差的富含泥質(zhì)雜基、分選差、粒度較細的砂巖中（圖2f）。該類孔隙結(jié)構(gòu)砂巖抗壓實能力弱，埋藏過程中巖石中的粒間體積大量損失，巖石密度迅速增加，從而形成壓實程度高、物性致密的孔隙結(jié)構(gòu)類型。該類孔隙結(jié)構(gòu)中粒間孔隙和次生溶孔在鑄體薄片中基本

不可見。此外，砂巖中缺乏可供硅質(zhì)沉淀的干凈顆粒表面（顆粒表面多被黏土礦物包圍），硅質(zhì)膠結(jié)作用也基本不發(fā)育。由于泥質(zhì)雜基較豐富，Ⅵ類孔隙結(jié)構(gòu)的孔隙系統(tǒng)通常由大量賦存在黏土礦物中的微孔喉組成，最大喉道半徑通常小于1 μm。孤立的微孔喉主導(dǎo)的孔隙系統(tǒng)造成砂巖的物性很差，孔隙系統(tǒng)基本不連通，導(dǎo)致滲透率常小于0.1×10-3 μm2。然而由于大量賦存于黏土礦物中微孔隙的存在，巖石孔隙度變化較大，分布在3%～25%之間，常出現(xiàn)相對高孔低滲現(xiàn)象?？紫秲?nèi)主要為黏土束縛水（表1）。

2 測井孔隙結(jié)構(gòu)預(yù)測方法

不同類型的孔隙結(jié)構(gòu)是差異性沉積條件、成巖改造以及構(gòu)造作用綜合作用的結(jié)果，故呈現(xiàn)出差異的巖石組構(gòu)、成巖礦物組成、宏觀儲集物性以及巖石物理性質(zhì)，而這些參數(shù)都在測井曲線上有所響應(yīng)[21]。因此，可以通過挖掘測井曲線中能夠反映孔隙結(jié)構(gòu)特征的信息建立測井預(yù)測模型，進而將巖心尺度的孔隙結(jié)構(gòu)特征升級到測井尺度。

2.1 基于LDA的數(shù)據(jù)降維分析

研究中所使用的測井數(shù)據(jù)均利用分位數(shù)標準化方法進行了標準化處理，以補償不同測量條件下產(chǎn)生的測量值差異。由于研究區(qū)測井數(shù)據(jù)系列眾多，且不同系列的測井曲線反映了不同的巖石信息，如果全部作為輸入數(shù)據(jù)進行識別，非但不能有效預(yù)測孔隙結(jié)構(gòu)類型，反而會因為輸入樣本的空間維數(shù)過高而導(dǎo)致噪聲過多，影響預(yù)測效果。LDA是目前廣泛應(yīng)用的一種模式識別和降維統(tǒng)計學方法，與主成分分析自動選擇具有最大方差投影方向的無監(jiān)督降維思路不同，LDA是一種基于先驗知識的有監(jiān)督降維方法[22]。核心思想是通過尋找能夠最大程度描述并區(qū)分先驗分組的投影向量，使得帶有類別標簽的高維樣本在該向量上的投影值能夠滿足先驗分組之間的類間方差最大而類內(nèi)方差最小，從而將高維樣本的降維問題轉(zhuǎn)化為尋找最優(yōu)投影向量的問題[23]。

通過對由輸入數(shù)據(jù)生成的方差-協(xié)方差矩陣進行奇異值分解，能夠得到代表五個投影方向的五個特征向量（投影向量）（表2）。每個特征向量都代表一個投影方向，根據(jù)判別函數(shù)系數(shù)和常數(shù)可以建立特征向量的表達式。特征值和信息表示在每個特征向量上采集到的能夠區(qū)別不同孔隙結(jié)構(gòu)分類信息的數(shù)量和百分比。從特征向量1到特征向量5，特征值變小，說明所攜帶的信息在減少。特征向量1、2代表了各組之間的方差最大，包含了最多的孔隙結(jié)構(gòu)分組信息，即最擅長描述和區(qū)分先驗組。通過將不同類型孔隙結(jié)構(gòu)的輸入特征投影在特征向量1、2上，可以最大程度地區(qū)分不同類型的孔隙結(jié)構(gòu)（圖4）。為了實現(xiàn)線性降維，LDA的關(guān)鍵原則是選擇與特征向量1、2相關(guān)性最大的測井曲線。

表3給出了測井曲線與各特征向量之間的相關(guān)系數(shù)。圖5繪制出了表示測井曲線對特征向量1、2相對重要性的最大相關(guān)圓。越靠近最大相關(guān)圓的測井曲線對特征向量1、2的影響越大，反之，越靠近圓心的測井曲線對特征向量1、2的貢獻越小。此外，測井曲線之間距離近表明它們提供了相似的信息，可以從輸入樣本中選擇性刪除冗余的測井曲線，從而進一步降低樣本維度?？傮w來看：CNL、AC、GR和DEN曲線靠近最大相關(guān)圓，因而對判別函數(shù)的影響較大，能夠很好地表征和區(qū)分孔隙結(jié)構(gòu)信息；RILD和RILM曲線對判別函數(shù)的影響中等；而SP、R25和R4曲線對判別函數(shù)的貢獻較小，可以去除。此外，由于AC和CNL（相關(guān)系數(shù)為0.83）、RILD和RILM（相關(guān)系數(shù)為0.97）之間的相關(guān)性過高，因此刪去AC和RILM曲線。最終，優(yōu)選出CNL、GR、DEN和RILD四條測井曲線用于孔隙結(jié)構(gòu)類型的識別和預(yù)測。

2.2 SSOM預(yù)測模型

自組織映射（self-organizing map， SOM）是由Kohonen[24]（1982）提出的一種具有自組織功能的無監(jiān)督機器學習神經(jīng)網(wǎng)絡(luò)聚類分析方法。該方法是模擬人體大腦中神經(jīng)元之間信息處理系統(tǒng)功能的人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)由輸入層和競爭層構(gòu)成[25]。SOM方法能夠根據(jù)輸入變量的最顯著特征進行聚類，具有極大的便捷性，因而廣泛應(yīng)用于巖相、地震相、流體分類等無監(jiān)督聚類的應(yīng)用中[25-26]。然而，當SOM用于流動單元、沉積微相或者成巖相等具有復(fù)雜信息的相預(yù)測或地質(zhì)解釋時呈現(xiàn)出識別性能差、預(yù)測精度低的缺陷[27]。因此，在SOM網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，增加了一個由先驗知識組成的輸出層，可以通過考慮預(yù)測組與先驗分組之間的一致性達到最優(yōu)分類和預(yù)測的目的，發(fā)展成為有監(jiān)督的自組織神經(jīng)網(wǎng)絡(luò)方法——SSOM。

用于預(yù)測孔隙結(jié)構(gòu)類型的SSOM模型中，競爭層由一個10×10（100個神經(jīng)元）的拓撲網(wǎng)絡(luò)組成，每一個網(wǎng)絡(luò)單元都是由標準化后的測井數(shù)據(jù)變量構(gòu)

成的玫瑰花圖，玫瑰花圖中每部分的大小與測井響應(yīng)的強度大小相關(guān)（圖6）。每個神經(jīng)元都會對一種特定的測井響應(yīng)組合特征產(chǎn)生興奮，也就意味著競爭層神經(jīng)元拓撲圖中會自動產(chǎn)生100種測井響應(yīng)的組合特征。輸出層由6個神經(jīng)元節(jié)點組成，代表6種巖心孔隙結(jié)構(gòu)類型。初始學習率設(shè)置為0.5，閾值學習率設(shè)為0.001，即隨著競爭學習的進行，學習率逐漸下降，當小于0.001時，學習過程結(jié)束，否則繼續(xù)重復(fù)進行學習過程直到學習率小于閾值。最大迭代次數(shù)設(shè)置為12 000。

SSOM方法可以基于巖心孔隙結(jié)構(gòu)類型確定什么樣的測井響應(yīng)組合特征能夠更好地描述孔隙結(jié)構(gòu)，以及采用怎樣的分類準則可以將先驗分組區(qū)分開來。每種孔隙結(jié)構(gòu)測井響應(yīng)組合特征的統(tǒng)計信息如圖7所示?？梢钥闯?，Ⅰ類孔隙結(jié)構(gòu)中的高RILD值可能與它們主要發(fā)育于具有高電阻率的鈣質(zhì)粉砂巖或鈣質(zhì)泥巖有關(guān)。Ⅱ類孔隙結(jié)構(gòu)顯示出與Ⅲ類孔隙結(jié)構(gòu)類似的測井響應(yīng)特征，但Ⅱ類孔隙結(jié)構(gòu)的GR值非常低，表明Ⅱ類孔隙結(jié)構(gòu)中泥質(zhì)雜基體積分數(shù)很低，抗壓實能力強，原生孔隙的保存較好。Ⅲ類和Ⅴ類孔隙結(jié)構(gòu)具有非常相似的測井響應(yīng)特征，主要區(qū)別在于DEN值不同，Ⅴ類孔隙結(jié)構(gòu)具有顯著更大的巖石密度，也更加致密。這也表明強碳酸鹽膠結(jié)作用將大大增加巖石的密度，并導(dǎo)致儲層品質(zhì)退化。盡管Ⅵ和Ⅴ類孔隙結(jié)構(gòu)表現(xiàn)出相似的孔隙系統(tǒng)和儲層品質(zhì)特征，但它們具有明顯不同的測井響應(yīng)特征；這主要是由于它們實際上具有截然不同的成因機制，產(chǎn)生了差異的巖石組構(gòu)、礦物組成以及孔隙結(jié)構(gòu)特征。Ⅵ類孔隙結(jié)構(gòu)通常具有高GR值、低DEN值和高CNL值的測井響應(yīng)特征，而Ⅴ類孔隙結(jié)構(gòu)則主要以低GR值、高DEN值和低CNL值為特征（圖7）。作為過渡型類型，Ⅳ類孔隙結(jié)構(gòu)的測井響應(yīng)特征介于Ⅵ類和Ⅴ類孔隙結(jié)構(gòu)之間。

3 測井孔隙結(jié)構(gòu)預(yù)測結(jié)果

從孔隙結(jié)構(gòu)類型識別結(jié)果（圖8、圖9）來看，Ⅰ類孔隙結(jié)構(gòu)多出現(xiàn)在脆性巖石中，如鈣質(zhì)粉砂巖、灰質(zhì)泥巖或白云質(zhì)粉砂巖，導(dǎo)致異常高的滲透率；Ⅱ類孔隙結(jié)構(gòu)多分布在厚層細砂巖中；Ⅳ類孔隙結(jié)

構(gòu)在砂巖中分布廣泛，附近常發(fā)育Ⅲ類孔隙結(jié)構(gòu)；Ⅴ類孔隙結(jié)構(gòu)多出現(xiàn)在泥質(zhì)粉砂巖中。

總的來看，利用LDA協(xié)同SSOM模型的孔隙結(jié)構(gòu)類型測井預(yù)測方法可行，總體預(yù)測正確率為86.20%，Ⅰ類孔隙結(jié)構(gòu)預(yù)測正確率較低（74.29%），Ⅱ—Ⅵ類孔隙結(jié)構(gòu)預(yù)測正確率較高（表4）。這可能與兩方面因素有關(guān)：一是研究區(qū)缺乏成像測井資料，導(dǎo)致Ⅰ類孔隙結(jié)構(gòu)學習樣本總體較少；二則與裂縫天然具有強烈的非均質(zhì)性有關(guān)，客觀上難以進行預(yù)測。而由于Ⅱ—Ⅵ類孔隙結(jié)構(gòu)具有差異的沉積組構(gòu)，并經(jīng)歷了差異的成巖演化路徑，產(chǎn)生了不同的測井響應(yīng)特征，能夠借助LDA協(xié)同SSOM模型進行有效識別。

對學習樣本組成的測井數(shù)據(jù)集分別進行了LDA、SSOM和LDA-BP（back propagation）等算法的孔隙結(jié)構(gòu)類型識別預(yù)測，以驗證LDA-SSOM模型的優(yōu)越性。從訓(xùn)練和盲測結(jié)果可以看出，非線性模型（LDA-SSOM和LDA-BP）比線性模型（LDA）具有更高的準確性（表5）：這主要是因為不同類型孔隙結(jié)構(gòu)的測井響應(yīng)特征是非線性的并且非常復(fù)雜。此外，借助LDA降低測井數(shù)據(jù)集的空間維數(shù)可以將SSOM的測試樣本預(yù)測準確率提高86.20 8.72％（表5）。LDA-SSOM在訓(xùn)練和測試中均表現(xiàn)出比LDA-BP更好的分類性能，這主要歸因于SSOM比BP神經(jīng)網(wǎng)絡(luò)具有更高的收斂性和更好的網(wǎng)絡(luò)穩(wěn)定性。

將LDA-SSOM、SSOM、LDA和LDA-BP預(yù)測模型應(yīng)用于取心井A1（圖8）、A2（圖9）的非取心段。A1井中取心段巖心孔隙結(jié)構(gòu)類型的分類結(jié)果參與了四種模型的訓(xùn)練過程，而A2井中缺少微觀成巖作用的相關(guān)分析，因此沒有參與預(yù)測模型的訓(xùn)練學習，用來檢驗預(yù)測模型在研究區(qū)的普適性。結(jié)果表明：存在巖心孔隙結(jié)構(gòu)類型劃分結(jié)果作為監(jiān)督數(shù)據(jù)用于非取心段孔隙結(jié)構(gòu)類型預(yù)測時，LDA-SSOM和LDA-BP的預(yù)測結(jié)果與巖心孔隙結(jié)構(gòu)分類結(jié)果均較為吻合，而LDA算法則表現(xiàn)最差（圖8）；但在沒有取心段孔隙結(jié)構(gòu)劃分結(jié)果作為監(jiān)督數(shù)據(jù)的情況下，LDA-SSOM預(yù)測結(jié)果與取心段物性（孔隙度和滲透性）表現(xiàn)出良好的一致性，在預(yù)測具有高儲層品質(zhì)指數(shù)的優(yōu)質(zhì)儲層發(fā)育層段時具有優(yōu)越性（圖9）。因此，LDA-SSOM可以利用巖心孔隙結(jié)構(gòu)類型作為學習樣本，借助測井數(shù)據(jù)識別非取心段的孔隙結(jié)構(gòu)類型，進而實現(xiàn)孔隙結(jié)構(gòu)特征的尺度升級，對單井上進行精細儲層評價。

4 結(jié)論

1）根據(jù)影響低滲透砂巖儲層品質(zhì)及流體可動性的關(guān)鍵孔隙結(jié)構(gòu)參數(shù)可將巖心孔隙結(jié)構(gòu)類型劃分成6類：Ⅰ類孔隙結(jié)構(gòu)與微裂縫的發(fā)育密切相關(guān)，具有低孔相對高滲的特征；Ⅱ類孔隙結(jié)構(gòu)主要發(fā)育在細砂巖中，由殘余粒間孔隙和次生溶孔組成，巖石抗壓實能力強，長石溶蝕作用普遍發(fā)育；Ⅲ類孔隙結(jié)構(gòu)主要由次生溶孔和少量殘余粒間孔隙組成，在粉砂巖中常見，長石溶蝕作用普遍發(fā)育；Ⅳ類孔隙結(jié)構(gòu)主要由次生溶孔組成，常見孔隙充填式的碳酸鹽膠結(jié)物；Ⅴ類孔隙結(jié)構(gòu)以強碳酸鹽膠結(jié)為特征，孔隙系統(tǒng)被微孔喉主導(dǎo)，可見少量次生溶孔；Ⅵ類孔隙結(jié)構(gòu)主要由微孔喉組成，泥質(zhì)雜基體積分數(shù)高，常出現(xiàn)相對高孔低滲現(xiàn)象。

2）利用線性判別分析數(shù)據(jù)降維方法通過求取能夠最大程度區(qū)分和表征孔隙結(jié)構(gòu)特征的投影向量，并在定量計算不同測井曲線對投影向量的貢獻基礎(chǔ)上，優(yōu)選出CNL、GR、DEN和RILD四條測井曲線用于孔隙結(jié)構(gòu)類型的識別和預(yù)測，達到數(shù)據(jù)降維和減少噪聲的目的。

3）借助自組織神經(jīng)網(wǎng)絡(luò)算法，在巖心孔隙結(jié)構(gòu)類型的監(jiān)督下，通過神經(jīng)元競爭學習、一致性檢驗的方式將測井響應(yīng)特征與巖心孔隙結(jié)構(gòu)類型聯(lián)系起來，建立起孔隙結(jié)構(gòu)類型的非線性測井預(yù)測模型，總體預(yù)測準確率為86.20%，從而進行由巖心到測井的孔隙結(jié)構(gòu)特征標定，實現(xiàn)孔隙結(jié)構(gòu)研究的尺度升級。

參考文獻（References）：

[1] 王亞，楊少春，路研，等. 渤海灣盆地東營凹陷高青地區(qū)中生界低滲透碎屑巖有效儲層特征及發(fā)育控制因素[J]. 石油與天然氣地質(zhì)，2019， 40（2）： 271-283.

Wang Ya， Yang Shaochun， Lu Yan， et al.Characteristics and Controlling Factors of Effective Reservoirs of Mesozoic Low-Permeability Clastic Rocks in Gaoqing Region， Dongying Depression， Bohai Bay Basin， China[J]. Oil amp; Gas Geology， 2019， 40（2）： 271-283.

[2] 操應(yīng)長，楊田，宋明水，等. 陸相斷陷湖盆低滲透碎屑巖儲層特征及相對優(yōu)質(zhì)儲層成因： 以濟陽坳陷東營凹陷古近系為例[J]. 石油學報，2018， 39（7）： 727-743.

Cao Yingchang， Yang Tian， Song Mingshui， et al. Characteristics of Low-Permeability Clastic Reservoirs and Genesis of Relatively High-Quality Reservoirs in the Continental Rift Lake Basin： A Case Study of Paleogene in the Dongying Sag， Jiyang Depression[J]. Acta Petrolei Sinica， 2018， 39（7）： 727-743.

[3] 李彥澤，商琳，王群會，等. 斷陷盆地強非均質(zhì)低滲-致密砂巖儲層綜合分類： 以渤海灣盆地南堡凹陷為例[J]. 吉林大學學報（地球科學版），2022， 52（6）： 1830-1843.

Li Yanze， Shang Lin， Wang Qunhui， et al.Comprehensive Classification of Highly Heterogeneous Low Permeability-Tight Sandstone Reservoir in Faulted Basin： Taking Nanpu Sag of Bohai Bay Basin as an Example[J]. Journal of Jilin University （Earth Science Edition）， 2022， 52（6）： 1830-1843.

[4] Wang Y， Yang S， Zhang Y， et al. Investigation of Pore Structure and Reservoir Quality of Eocene Beach-Bar Sandstones in Dongying Depression， Bohai Bay Basin， East China[J]. Journal of Petroleum Science and Engineering， 2020， 189： 106854.

[5] 汪成，陳冬霞，李洪博，等. 珠江口盆地陸豐凹陷深部儲層原生孔隙特征及發(fā)育機制[J]. 吉林大學學報（地球科學版），2023， 53（1）： 44-59.

Wang Cheng， Chen Dongxia， Li Hongbo， et al. Characteristics and Development Mechanism of Primary Pores in Deep Burial Reservoirs in Lufeng Sag， Pearl River Month Basin[J]. Journal of Jilin University （Earth Science Edition）， 2023， 53（1）： 44-59.

[6] Jin L， Wang G， Wang Z， et al.A Review on Pore Structure Characterization in Tight Sandstones [J]. Earth-Science Reviews， 2017， 177： 436-457.

[7] 熊安亮，程國峰，李東濤，等. 超低滲儲層微觀孔隙結(jié)構(gòu)及剩余油分布特征： 以白豹地區(qū)長4+5為例[J]. 吉林大學學報（地球科學版），2023， 53（5）： 1338-1351.

Xiong Anliang， Cheng Guofeng， Li Dongtao， et al. Study on Micropore Structure and Micro Residual Oil Distribution of Ultra-Low Permeable Reservoir： A Case Study of Chang4+5 of Baibao Area [J]. Journal of Jilin University （Earth Science Edition）， 2023， 53（5）： 1338-1351.

[8] 張亞蒲，楊正明，黃延章，等. 低滲孔隙型碳酸鹽巖油藏儲層特征及剩余油分布規(guī)律[J]. 吉林大學學報（地球科學版），2021， 51（3）： 659-668.

Zhang Yapu， Yang Zhengming， Huang Yanzhang， et al. Study on Reservoir Characteristics and Remaining Oil Distribution of Low Permeability Pore Type Carbonate Rock [J]. Journal of Jilin University （Earth Science Edition）， 2021， 51（3）： 659-668.

[9] 孫廷彬，林承焰，王玲. 塔里木盆地石炭系海相碎屑巖油藏微觀剩余油形成機理與分布特征[J]. 石油與天然氣地質(zhì)，2021， 42（6）： 1334-1343.

Sun Tingbin， Lin Chengyan， Wang Ling. Microscopic Formation Mechanisms and Distribution Patterns of Remaining Oil in the Marine Clastic Reservoirs of the Carboniferous， Tarim Basin[J]. Oil amp; Gas Geology， 2021， 42（6）： 1334-1343.

[10] 吳蒙，秦勇，王曉青，等. 中國致密砂巖儲層流體可動性及其影響因素[J]. 吉林大學學報（地球科學版），2021， 51（1）： 35-51.

Wu Meng， Qin Yong， Wang Xiaoqing， et al. Fluid Mobility and Its Influencing Factors of Tight Sandstone Reservoirs in China[J]. Journal of Jilin University （Earth Science Edition）， 2021， 51（1）： 35-51.

[11] 金國文，王堂宇，劉忠華，等. 基于核磁共振測井的砂礫巖儲層分類與產(chǎn)能預(yù)測方法[J]. 石油學報，2022， 43（5）： 648-657.

Jin Guowen， Wang Tangyu， Liu Zhonghua， et al. Classification and Productivity Prediction of Glutenite Reservoirs Based on NMR Logging [J]. Acta Petrolei Sinica， 2022， 43（5）： 648-657.

[12] 王躍祥，謝冰，賴強，等. 基于核磁共振測井的致密氣儲層孔隙結(jié)構(gòu)評價與分類[J]. 地球物理學進展，2023， 38（2）： 759-767.

Wang Yuexiang， Xie Bing， Lai Qiang， et al.Evaluation of Pore Structure and Classification in Tight Gas Reservoir Based on NMR Logging[J]. Progress in Geophysics， 2023， 38（2）： 759-767.

[13] 吳松濤，朱如凱，李勛，等. 致密儲層孔隙結(jié)構(gòu)表征技術(shù)有效性評價與應(yīng)用[J]. 地學前緣，2018， 25（2）： 191-203.

Wu Songtao， Zhu Rukai， Li Xun， et al.Evaluation and Application of Porous Structure Characterization Technologies in Unconventional Tight Reservoirs[J]. Earth Science Frontiers， 2018， 25（2）： 191-203.

[14] 吳蒙，秦勇，申建，等. 致密砂巖儲層束縛水飽和度影響因素： 以鄂爾多斯盆地臨興地區(qū)為例[J]. 吉林大學學報（地球科學版），2022， 52（1）： 68-79.

Wu Meng， Qin Yong， Shen Jian， et al. Influencing Factors of Irreducible Water Saturation in Tight Sandstone Reservoirs： A Case Study of Linxing Area in Ordos Basin[J]. Journal of Jilin University （Earth Science Edition）， 2022， 52（1）： 68-79.

[15] 何勝林，張海榮，馬文宏，等. 常規(guī)測井評價復(fù)雜砂巖儲層孔隙結(jié)構(gòu)的方法與應(yīng)用： 以鶯歌海盆地黃流組儲層為例[J]. 地球物理學進展，2017， 32（6）： 2642-2649.

He Shenglin， Zhang Hairong， Ma Wenhong， et al. Pore Structures Evaluation of Low Permeability Clastic Reservoirs Based on Petrophysical Facies： A Case Study on Chang 8 Reservoir in the Jiyuan Region， Ordos Basin[J]. Progress in Geophysics， 2017， 32（6）： 2642-2649.

[16] Hui X， Nan X， Yuanyuan L， et al. Experimental Investigation of Pore Structure and Its Influencing Factors of Marine-Continental Transitional Shales in Southern Yan’an Area， Ordos Basin， China[J]. Frontiers in Earth Science， 2022， 10： 1-14.

[17] 吳海光，康遜，秦明陽，等. 準噶爾盆地瑪湖凹陷百口泉組砂礫巖非均質(zhì)儲層孔隙結(jié)構(gòu)特征與成因[J]. 中南大學學報（自然科學版），2022， 53（9）： 3337-3353.

Wu Haiguang， Kang Xun， Qin Mingyang， et al. Pore Structure Characteristics and Genesis of Heterogeneous Conglomerate Reservoir of Baikouquan Formation in Mahu Sag， Junggar Basin [J]. Journal of Central South University （Science and Technology）， 2022， 53（9）： 3337-3353.

[18] 文志剛，羅雨舒，劉江艷，等. 隴東地區(qū)三疊系長7段頁巖油儲層孔隙結(jié)構(gòu)特征及成因機制[J]. 巖性油氣藏，2022， 34（6）：47-59.

Wen Zhigang， Luo Yushu， Liu Jiangyan， et al. Pore Structure Characteristics and Genetic Mechanism of Triassic Chang 7 Shale Oil Reservoir in Longdong Area [J]. Lithologic Reservoirs， 2022， 34（6）： 47-59.

[19] Kassab M A， Hassanain I M， Salem A M. Petrography，Diagenesis and Reservoir Characteristics of the Pre-Cenomanian Sandstone， Sheikh Attia， Egypt[J]. Journal of African Earth Sciences， 2014， 96： 122-138.

[20] Wang J， Cao Y， Liu K， et al. Identification of Sedimentary-Petrophysical Facies and Reservoir Porosity and Permeability Prediction： An Example from the Eocene Beach-Bar Sandstone in the Dongying Depression， China[J]. Marine and Petroleum Geology， 2017， 82： 69-84.

[21] 賴錦，王貴文，陳敏，等. 基于巖石物理相的儲集層孔隙結(jié)構(gòu)分類評價： 以鄂爾多斯盆地姬塬地區(qū)長8油層組為例[J]. 石油勘探與開發(fā)，2013， 40（5）： 566-573.

Lai Jin， Wang Guiwen， Chen Min， et al.Pore Structures Evaluation of Low Permeability Clastic Reservoirs Based on Petrophysical Facies： A Case Study on Chang 8 Reservoir in the Jiyuan Region， Ordos Basin[J]. Petroleum Exploration and Development， 2013， 40（5）： 566-573.

[22] 郭喜浩，徐昉昊，黃曉波，等. 基于多元統(tǒng)計分析的油-源對比： 以渤海灣盆地渤東凹陷為例[J]. 石油與天然氣地質(zhì)，2022， 43（5）： 1259-1270.

Guo Xihao， Xu Fanghao， Huang Xiaobo， et al. Oil-Source Correlation Based on Multivariate Statistical Analysis： A Case Study of the Bodong Sag，Bohai Bay Basin[J]. Oil amp; Gas Geology， 2022， 43（5）： 1259-1270.

[23] Friedel M J， Wilson S R， Close M E， et al. Comparison of Four Learning-Based Methods for Predicting Groundwater Redox Status[J]. Journal of Hydrology， 2020， 580： 124200.

[24] Kohonen T. Self-Organized Formation of Topologically Correct Feature Maps. Biol[J]. Cybernetics， 1982， 43（1）： 59-69.

[25] 張艷，張春雷，高世臣. 基于SOM和HSV染色技術(shù)的致密砂巖儲層地震相分析[J].天然氣地球科學，2018， 29（2）： 259-267.

Zhang Yan， Zhang Chunlei， Gao Shichen， et al.Seismic Facies Analysis of Tight Sandstone Reservoir Based on SOM and HSV Color Technique[J]. Natural Gas Geoscience， 2018， 29（2）： 259-267.

[26] 王天云，韓小鋒，許海紅，等. 無監(jiān)督神經(jīng)網(wǎng)絡(luò)地震屬性聚類方法在沉積相研究中的應(yīng)用[J]. 石油地球物理勘探，2021， 56（2）： 372-379.

Wang Tianyun， Han Xiaofeng， Xu Haihong， et al. Study on Sedimentary Facies Based on Unsupervised Neural Network Seismic Attribute Clustering[J]. Oil Geophysical Prospecting， 2021， 56（2）： 372-379.

[27] Lu Y， Liu K， Xu S， et al. Identifying Flow Units by FA-Assisted SSOM： An Example from the Eocene Basin-Floor-Fan Turbidite Reservoirs in the Daluhu Oilfield， Dongying Depression， Bohai Bay Basin， China[J]. Journal of Petroleum Science and Engineering， 2020， 186： 106695.