一种层序约束下的岩性识别方法
阅读说明：本技术 一种层序约束下的岩性识别方法 (Lithology identification method under sequence constraint ) 是由 龙飞 郭海伟 王志锋 蒙玉平 杜志宏 耿洪涛 王海洋 易建锋 于 2019-11-25 设计创作，主要内容包括：本发明涉及一种层序约束下的岩性识别方法,属于油气勘探开发技术领域。该方法包括以下步骤：1)获取同一目的层序的设定数目的已知井的取心数据；2)根据所述取心数据,确定目的层序内发育的岩性类别,并建立目的层序内各岩性类别与自然伽马测井数据的对应关系；3)根据所述对应关系以及目的层序中未知井的自然伽马测井数据,识别未知井的岩性。本发明依据同一目的层序的已知井的取心数据进行识别,结果误差较小、精度较高；且利用的是已知井的取心数据,无需再获取未知井的取心数据,因此成本较低。(The invention relates to a lithology identification method under the sequence constraint, and belongs to the technical field of oil and gas exploration and development. The method comprises the following steps: 1) acquiring the coring data of a set number of known wells of the same target sequence; 2) determining lithology categories developing in the target sequence according to the coring data, and establishing a corresponding relation between each lithology category in the target sequence and natural gamma well logging data; 3) and identifying the lithology of the unknown well according to the corresponding relation and the natural gamma ray logging data of the unknown well in the target sequence. The method carries out identification according to the coring data of the known well of the same target sequence, and has small error and high precision; and moreover, the coring data of the known well are utilized, and the coring data of the unknown well do not need to be acquired, so the cost is low.)
技术领域
本发明涉及一种层序约束下的岩性识别方法，属于油气勘探开发技术领域。
背景技术
岩性识别是地质研究中的一项基础工作，为油藏描述提供基础数据。目前岩性识别方法有以下几种：
1)地质方法。
地质专家通过观察岩心，根据岩心成分的粒度大小、韵律等沉积特征识别岩性。该方法识别的岩性最为准确，但是取心成本昂贵，只有少数取心井具备该方法的可行性，因此无法利用该方法进行覆盖全区的岩性识别。
2)聚类分析方法。
该方法以测井数据为基础数据,对研究区测井数据进行聚类分析，根据岩性分类数量划分出研究区岩性的种类。该方法具有简单快速的特点，但是聚类分析是对全井段的测井数据进行，分析结果受全井段非目标层数据影响较大，导致产生较大的误差。
3)地震方法。
该方法通过提取能够表征岩性类型的纵横波速度、振幅等地震属性进行岩性识别。该方法受地震采集、数据处理以及地质工作者的个人经验等因素制约比较大，因此岩性识别的误差较大，另外受制于地震波长的制约，地震数据的分辨率较低，无法准确识别薄层岩性。
综上，现有岩性识别方法存在成本高、误差大、精度低的问题。
发明内容
本发明的目的在于提供一种层序约束下的岩性识别方法，用以解决现有岩性识别方法中存在的成本高、误差大、精度低的问题。
为实现上述目的，本发明提出一种层序约束下的岩性识别方法，包括以下步骤：
1)获取同一目的层序的设定数目的已知井的取心数据；
2)根据所述取心数据，确定目的层序内发育的岩性类别，并建立目的层序内各岩性类别与自然伽马测井数据的对应关系；
3)根据所述对应关系以及目的层序中未知井的自然伽马测井数据，识别未知井的岩性。
有益效果是：本发明通过获取同一目的层序的已知井的取心数据，建立了目的层序内各岩性类别与自然伽马测井数据的对应关系，依据该对应关系，根据目的层序中未知井的自然伽马测井数据就可识别未知井的岩性；相同层序内的沉积体是具有相同成因的等时沉积单元，本发明依据同一目的层序的已知井的取心数据进行识别的结果误差较小、精度较高；且利用的是已知井的取心数据，无需再获取未知井的取心数据，因此成本较低。
进一步的，所述自然伽马测井数据为AmpGR，AmpGR＝GR-MinGR，GR为原始自然伽马测井数据，MinGR为目的层序内泥质含量最低的岩类所对应的最小原始自然伽马测井数据，AmpGR为标准化处理后的自然伽马测井数据。
有益效果是：本发明利用公式求AmpGR＝GR-MinGR，建立标准化处理后的自然伽马测井数据AmpGR与目的层序内各岩性类别的对应关系，可以使不同井、不同仪器测量的GR数据之间具有可比性，可以解决不同测井仪器对同一类岩性存在测量差异的问题。
进一步的，建立所述对应关系的过程包括：
A：根据步骤2)，以岩性类别和对应的自然伽马测井数据为样本，选取训练数据集；
B：利用训练数据集建立所述对应关系，所述对应关系包括：目的层序内各岩性类别与自然伽马测井数据上边界值的第一对应关系，以及目的层序内各岩性类别与自然伽马测井数据下边界值的第二对应关系。
有益效果是：本发明具体建立了目的层序内各岩性类别与自然伽马测井数据上边界值的第一对应关系，以及目的层序内各岩性类别与自然伽马测井数据下边界值的第二对应关系，为准确判别未知井的岩性奠定了基础。
进一步的，计算某类别岩性对应的上边界值和下边界值的方法包括：
①统计目的层序内各岩性类别的自然伽马测井数据的均值；
②按照目的层序内各岩性类别对应的均值的大小，从小到大依次排列岩性类别；
③计算某类别岩性与较大相邻类别岩性的自然伽马测井数据的平均值，记为该类别岩性对应的上边界值；计算某类别岩性与较小相邻类别岩性的自然伽马测井数据的平均值，记为该类别岩性对应的下边界值。
有益效果是：本发明提供了计算目的层序内各岩性类别与自然伽马测井数据上边界值的第一对应关系的方法，以及提供了计算目的层序内各岩性类别与自然伽马测井数据下边界值的第二对应关系的方法，提高了本发明未知井岩性判别的准确性。
进一步的，还包括：根据步骤2)，以岩性类别和对应的自然伽马测井数据为样本，选取测试数据集，利用测试数据集对所述对应关系进行评估。
有益效果是：本发明还包括对建立的所述对应关系进行评估的步骤，实现了对建立的所述对应关系的正确性的有效评估。
进一步的，所述训练数据集和测试数据集不重叠，且训练数据集和测试数据集样本数目之比为7:3。
有益效果是：按照7:3的比例关系对训练数据集和测试数据集样本进行划分，能够保证对应关系的准确建立以及评估过程的准确评估。
进一步的，步骤3)识别未知井的岩性的方法包括：判断未知井某深度点的自然伽马测井数据是否处于某类别岩性对应的上边界值与下边界值之间，若是，则判定为未知井该深度点为该类别岩性。
有益效果是：基于不同类别岩性对应的上边界值与下边界值，依据未知井某深度点的自然伽马测井数据的大小，实现了对未知井岩性的准确识别。
进一步的，步骤B还包括对建立的所述对应关系进行校正的过程。
有益效果是：提高了建立的对应关系的准确性，实现了对未知井岩性的准确识别。
进一步的，步骤B中进行校正时利用的参数包括方差、标准差和偏度。
有益效果是：基于数学参数提高了建立的对应关系的准确性，实现了对未知井岩性的准确识别。
进一步的，所述岩性类别包括：砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩和泥岩。
附图说明
图1为本发明层序约束下的岩性识别方法实施例中的岩性识别方法流程图；
图2为本发明层序约束下的岩性识别方法实施例中偏度校正前后泥质粉砂岩GR幅度均值AmpGR对比图；
图3为本发明层序约束下的岩性识别方法实施例中测试数据集中识别岩性与实际岩性的对比图。
具体实施方式
层序约束下的岩性识别方法实施例一：
本实施例在“相同层序内的沉积体是具有相同成因的等时沉积单元”的高分辨率层序学理论指导下，以伽马测井数据GR为研究对象，提出一种层序约束下的岩性识别方法，如图1所示，具体包括以下步骤：
S1：选择研究区内钻遇目的层序FⅠ1的150口井的取心数据，提取出FⅠ1层序内发育的岩性为：砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩,如表1所示。
表1
S2：利用公式AmpGR＝GR-MinGR对研究区内钻遇FⅠ1层序的150口井的GR测井数据进行标准化处理。其中GR为FⅠ1层序内各深度点的原始自然伽马测井数据，MinGR为FⅠ1层序内砂岩所对应的最小GR值，AmpGR为FⅠ1层序内其他岩性GR相对较纯净砂岩的GR幅度值。
S3：利用研究区内钻遇FⅠ1层序的150口井的各深度点的AmpGR数据与取心数据深度相等的关系，建立研究区内钻遇FⅠ1层序的已知岩性井的岩性类别和电性AmpGR一一对应的对应关系，将此150口井的岩性类别和AmpGR电性数值作为样本数据，按照7：3的经验比例，将其中105口井的数据作为建立岩性模型的训练数据集，将其中45口井的数据作为评估岩性模型识别效果的测试数据集。
对训练数据集中的砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩的AmpGR的偏度(sk)实施多轮次校正,利用统计学公式计算出目的层序内各类岩性的AmpGR数值的以下参数：均值()、方差(δ)、标准差(s)数据。
通过偏度(sk)校正剔除异常数据：样本数据的偏度(sk)反映样本的分布特征，具有正态分布特征的样本具有可统计性。通过对AmpGR的偏度(sk)多轮次校正，实现对目的层序地层内少数AmpGR极大值、AmpGR极小值等异常数据的剔除，使目的层序地层内各类岩性的AmpGR数值呈正态分布，校正后，同一目的层序地层内各类岩性的AmpGR平均值符合按泥质含量增加而增大的地质认识。校正前后的泥质粉砂岩GR幅度均值AmpGR对比如图2所示。
表2
岩性
最大
最小
均值
方差
偏度
类型
分层
砂岩
32.373
0
24.056
35.21065
-0.6543
GR
FⅠ1
粉砂岩
140.513
16.011
32.05648
3.47338
1.79631
GR
FⅠ1
泥质粉砂岩
45.263
32.992
40.28634
11.29982
-6.85344
GR
FⅠ1
粉砂质泥岩
55.694
31.987
43.54692
71.72768
-46.161
GR
FⅠ1
泥岩
55.36
45.235
50.30063
8.63781
-0.82447
GR
FⅠ1
由表2可知：同一目的层序地层内各类岩性的AmpGR平均值符合按泥质含量增加而增大的地质认识。
S4：在上步对AmpGR的偏度(sk)数据校正的基础上，用训练数据集建立FⅠ1层序地层内能够表征砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩的以下参数：AmpGR均值、AmpGR上边界、AmpGR下边界，见表3，此对应关系为本发明所建立的岩性模型。其中AmpGR的上边界，由按照AmpGR增大方向，相邻岩性的AmpGR均值的平均值获得，比如粉砂岩的AmpGR上边界＝(32.05648+40.28634)/2；AmpGR的下边界，由按照AmpGR减小方向，相邻岩性的AmpGR均值的平均值获得，比如粉砂岩的AmpGR下边界＝(32.05648+24.056)/2。
表3
S5：将研究区内钻遇FⅠ1层序的测试数据集中的45口井的AmpGR与S4步中所建立的FⅠ1层序地层下的岩性模型中砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩的AmpGR上边界、AmpGR下边界进行匹配，识别出该45口井FⅠ1层序地层内各深度点的AmpGR所对应的岩性，然后将该45口井FⅠ1层序内各深度点的识别岩性与实际岩性进行比对以评估岩性模型的效果，如图3所示。
S6：将研究区内钻遇FⅠ1层序的200口岩性未知井的AmpGR与S4步骤所建立的FⅠ1层序内的岩性模型中砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩的AmpGR上边界、AmpGR下边界进行匹配，识别出该200口井FⅠ1层序内各深度点的AmpGR所对应的岩性，见表4。
表4
顶界深度
底界深度
岩性名
分层
1450
1453.59
泥岩
FⅠ1
1453.59
1454.3
粉砂质泥岩
FⅠ1
1454.3
1462.2
泥岩
FⅠ1
1462.2
1463.18
粉砂岩
FⅠ1
1463.18
1463.59
泥质粉砂岩
FⅠ1
1463.59
1465.18
粉砂质泥岩
FⅠ1
层序约束下的岩性识别方法实施例二：
本实施例提出的层序约束下的岩性识别方法与实施例一中的步骤S1和S2相同，此处不再赘述。
本实施例提出的层序约束下的岩性识别方法与实施例一中的步骤S3的不同之处体现在：利用研究区内钻遇FⅠ1层序的150口井的各深度点的AmpGR数据与取心数据深度相等的关系，建立研究区内钻遇FⅠ1层序的已知岩性井的岩性类别和电性AmpGR一一对应的对应关系，将此150口井的岩性类别和AmpGR电性数值作为样本数据，均作为建立岩性模型的训练数据集。
对训练数据集中的砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩的AmpGR的偏度(sk)实施多轮次校正,利用统计学公式计算出目的层序内各类岩性的AmpGR数值的以下参数：均值()、方差(δ)、标准差(s)数据。
S4：在上步对AmpGR的偏度(sk)数据校正的基础上，用训练数据集建立FⅠ1层序地层内能够表征砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩的以下参数：AmpGR均值、AmpGR上边界、AmpGR下边界，此对应关系为本发明所建立的岩性模型。其中AmpGR的上边界，由按照AmpGR增大方向，相邻岩性的AmpGR均值的平均值获得；AmpGR的下边界，由按照AmpGR减小方向，相邻岩性的AmpGR均值的平均值获得。
S5：将研究区内钻遇FⅠ1层序的200口岩性未知井的AmpGR与S4步骤所建立的FⅠ1层序内的岩性模型中砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩的AmpGR上边界、AmpGR下边界进行匹配，识别出该200口井FⅠ1层序内各深度点的AmpGR所对应的岩性。
层序约束下的岩性识别方法实施例三：
本实施例提出的层序约束下的岩性识别方法与实施例一的不同之处在于，本实施例研究的目的层序发生改变，提取出的发育的岩性不包括砂岩，那么MinGR为层序内泥质含量最低的岩类所对应的最小原始自然伽马测井数据，AmpGR为层序内其他岩性GR相对层序内泥质含量最低的岩类的GR幅度值。其余的方法过程与实施例一相同，这里不做赘述。
层序约束下的岩性识别方法实施例四：
本实施例提出的层序约束下的岩性识别方法与实施例一的不同之处在于，本实施例在对训练数据集中的砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩的AmpGR的偏度(sk)实施校正时，利用滤波算法等不同于实施例一的方式进行校正。其余的方法过程与实施例一相同，这里不做赘述。
层序约束下的岩性识别方法实施例五：
本实施例提出的层序约束下的岩性识别方法与实施例一的不同之处在于，本实施例利用神经网络训练样本数据，进而建立目的层序内各岩性类别与自然伽马测井数据的对应关系。其余的方法过程与实施例一相同，这里不做赘述。
层序约束下的岩性识别方法实施例六：
本实施例提出的层序约束下的岩性识别方法与实施例一的不同之处在于，本实施例利用傅里叶训练样本数据，进而建立目的层序内各岩性类别与自然伽马测井数据的对应关系。其余的方法过程与实施例一相同，这里不做赘述。