基于交会图与模糊聚类算法的复杂岩性识别

针对复杂岩性识别中存在的模糊性,应用交会图和模糊聚类方法对复杂岩性储层的岩性识别问题进行了研究。首先依据岩心取样进行岩性归类,然后通过交会图技术确定了9个对岩性反映较明显的参数,并建立起研究区域的岩性样本集。最后,通过模糊聚类的识别模式,依最大隶属度的原则,建立了岩性判别方法,并应用该方法对海拉尔盆地的岩性进行了识别,取得较好的效果。     

新疆春风油田石炭系火山岩岩性特征及测井识别方法

不同岩性的火山岩其储集性能差异甚远,准确识别火山岩岩性对于火山岩储层的研究具有重要意义。研究区春风油田石炭系储层以火山岩为主,过渡类型较多,岩性较为复杂。利用岩心观察、薄片鉴定、地化分析等方法确定研究区发育火山熔岩类和火山碎屑岩类两类火山岩,其中,火山熔岩包括玄武岩、安山玄武岩、玄武安山岩以及安山岩,火山碎屑岩有凝灰岩和火山角砾岩等。通过识别出的岩性标定测井,分析每种岩性的测井响应特征,利用交会图法和星形图法,建立了不同岩性的识别标准。     

测井资料交会图法在火山岩岩性识别中的应用

在火山岩储层研究中，岩性识别显得越来越重要。在评述目前常用的岩性识别方法后，重点以测井资料交会图法为例，以松辽盆地徐家围子断陷升平气田深层白垩系营城组火山岩为对象，优选出密度测井、自然伽玛测井、声波测井、电阻率、钍铀等测井项目的数据进行交会，编制出测井曲线交会图版，并以此为依据识别出该区的火山岩主要岩性有：安山岩、玄武岩、流纹岩和凝灰岩等。识别结果与实际情况相吻合。     

银-额盆地哈日凹陷苏红图组复杂岩类分析

岩性识别是复杂岩性低渗透油藏中需要解决的首要地质问题,银-额盆地经历多期次构造运动,使其岩性变得复杂。通过测井响应分析以及交会图方法,对其哈日凹陷苏红图组进行复杂岩类分析,实现了对哈日凹陷区域苏红图组的非取芯井的测井岩性识别。     

火山岩岩性识别方法研究

岩性是测井储层评价的基础,在火山岩油藏的测井评价过程中,由于火山岩岩性定名方法的不统一以及岩性识别方法的不完善,使火山岩油藏的测井评价难以开展。采用国际地科联（IUGS）推荐的TAS图方法对火山岩岩样定名,并以此为基础,使用神经网络方法利用测井资料识别火山岩岩性。研究结果表明,利用传统的统计判别方法建立的测井资料与火山岩岩性的判别关系,识别符合率只有65%;而使用神经网络方法建立的判别关系,识别符合率可达81.8%。     

火山岩天然气藏地质储量参数的确定方法

大庆油田东部深层某井区火山岩气藏岩性复杂、储层参数计算以及流体性质识别困难。根据岩性组合规律建立火山岩解释模型,对深层的火山岩测井资料进行处理与解释。联合使用成像测井分析结果、岩性分类和多井对比等方法,提高了测井解释精度和解释符合率。计算的孔隙度、饱和度和渗透率为提交天然气地质储量提供了基础参数。     

储层厚度和泊松比对AVO截距—梯度交会图影响分析

随着AVO交会图的不断完善和发展及叠加反演技术的进步,可提取更丰富的AVO属性资料.通过将具有不同物理意义的属性交会于AVO交会图上,结合已经获得的一些先验信息,可以直观分析该种属性因子的变化规律,并识别和解释其所代表的油气或者岩性异常.这里研究储层厚度和泊松比两种属性因子对AVO交会图的影响,参数选取恰当,规律明显,取得了较好的效果.     

与火山作用有关的岩系测井识别与物源分析——以松南十屋油田营城组为例

松辽盆地十屋油田属于构造-岩性油气藏。营城组发育正常沉积岩、火山熔岩、凝灰岩、沉凝灰岩和凝灰质砂岩,岩石中不同程度地含有火山碎屑物质。火山碎屑的含量,不仅决定了岩石类型,而且影响储层物性。与火山作用有关的岩石类型及其分布反映了物源区的特征。岩心的岩性识别虽然精准,但数量与分布有限,影响到确定物源-沉积体系的类型与分布。测井资料的岩性识别,特别是含有火山碎屑岩石的识别可以弥补取心不足造成的限制。十屋油田不同层位岩石中K元素测井值的对比,相同层位岩石中的U、Th元素测井参数交会图,GR、DEN、CNL、AC、R_t、R_MSFL测井参数的玫瑰图和GR-PE、GR-DEN测井参数交会图,对十屋油田营城组Ⅳ-Ⅴ砂组与火山作用有关的岩石实现了有效的岩性识别,形成了测井识别模式。测井识别岩性和岩心识别岩性相结合,确定了研究区5种岩石类型分区,证明了松辽盆地十屋油田营城组Ⅳ-Ⅴ砂组来自火山岩物源、再旋回沉积岩源区的正常碎屑岩物源、受花岗岩影响的正常碎屑岩物源、受花岗岩和火山岩影响的正常碎屑岩物源以及混合区域物源沉积体系的存在与分布范围。     

巴彦塔拉油田南屯组、铜钵庙组岩性识别方法研究

巴彦塔拉油田南屯组、铜钵庙组地层属白垩系,岩性复杂,具有放射性的凝灰质对自然伽马值影响较大,难以用自然伽马来识别含泥地层,针对储层这一特点,提出了利用RLLD—AC交会图识别凝灰质的新途径;依据该区9口井测井、岩心和薄片分析资料,利用一套分步识别该区岩性的交会图方法,对该区巴X2和巴1两井取心井段进行岩性识别,符合率达91．7％,对研究区储层评价及与该区有类似地质特征的油田岩性识别有一定的指导意义。     

测井曲线概率分布法识别四川盆地火山岩气水层

火山岩的矿物成分复杂,主要矿物有石英、正长石、斜长石、云母、角闪石、辉石和橄榄石.不同岩性的储层物性和孔隙结构类型各不相同,这给火山岩气水层判别造成很大困难.基于测井资料,首先采用中子-密度交会图的方法求取孔隙度,然后结合实验室的岩电参数以及测井的电阻率曲线,构建P1/2概率分布曲线,根据概率曲线的分布形态来识别火山岩...     

多元回归分析方法在火山碎屑岩储层孔隙度计算中应用

火山碎屑岩储层具有岩性复杂、测井数据种类繁多以及区域大、层位多等特点,导致火山碎屑岩储层测井参数难于确定。以海拉尔盆地乌尔逊--贝尔凹陷的火山碎屑岩储层为研究主体,在准确识别岩性的基础上,对测井资料进行预处理,根据岩心分析资料计算其理论骨架参数值。依据孔隙度与中子、密度、声波三者之间的关系,将多元回归方法应用在孔隙度计算中,实现利用多元回归方法计算火山碎屑岩储层孔隙度。其结果与岩心分析孔隙度比较接近,绝对误差仅为1. 6%,能满足储量计算要求。     

3种经典机器学习算法在火山岩测井岩性识别中的对比

岩性识别一直是火山岩油气勘探中的重要课题,基于测井数据的岩性识别也逐渐成为火山岩研究的需要,大数据背景下的机器学习算法为测井岩性识别提供了一个新方向。为提高某研究区火山岩岩性识别符合率,本文采用K近邻、支持向量机和自适应增强3种经典机器学习算法,对研究区内的粗面岩、非致密粗面岩、辉绿岩、辉长岩、玄武岩和非致密玄武岩等6类中基性火山岩进行岩性识别。从常规测井系列中优选对研究区岩性敏感的自然伽马、声波时差、补偿中子、深侧向电阻率和补偿密度等5种测井参数作为岩性识别模型的输入向量,从研究区内5口有岩心样品或薄片鉴定资料的目标层中选取测井数据点1 440个,其中960个作为训练样本,其余480个作为测试样本。以识别符合率和时间作为评价指标,对3种算法的识别结果进行对比分析,实验表明：自适应增强算法的分类准确率最高,6类岩性平均识别符合率达到82.10%;支持向量机算法表现良好,平均识别符合率为81.04%;K近邻算法平均识别符合率为76.04%。     

克拉美丽气田石炭系火山岩复杂岩性岩电特征

准噶尔盆地东部克拉美丽气田石炭系火山岩岩石类型复杂多样,且同一岩性由于结构、构造和成分的差异,电性特征差异亦较大,岩性识别困难。本文通过对该区14口井取心段岩电关系研究,认为自然伽马、电阻率、密度三种曲线岩性特征响应明显; 电阻率、中子、密度、声波四条曲线对火山岩岩石构造特征响应明显。并编制了岩性和岩石构造测井识别交会图版11张。进而利用电测资料识别出该区11种火山岩岩石类型: 正长斑岩、二长斑岩、玄武岩、粗面岩、英安岩、流纹岩、霏细岩、沉凝灰岩、熔结凝灰岩、火山角砾岩和熔结火山角砾岩; 识别出5种岩石构造类型: 正长斑岩中气孔及块状构造和玄武岩中杏仁、碎裂及块状构造。通过本区12口钻井取心后验,测井识别结果与钻井岩心分析结果吻合良好,可作为地区性火山岩测井岩性、岩石构造识别模式。     

Well log data analysis for lithology and fluid identification in Krishna-Godavari Basin,India

Well log analysis provides the information on petrophysical properties of reservoir rock and its fluid content. The present study depicts interpretation of well log responses such as gamma ray, resistivity, density and neutron logs from six wells, namely W-1, W-2, W-9, W-12, W-13 and W-14 under the study area of Krishna-Godavari (K-G) basin. The logs have been used primarily for identification of lithology and hydrocarbon-bearing zones. The gamma ray log trend indicates deposition of cleaning upward sediment. Coarsening upward, clayey-silty-sandy bodies have been evidenced from the gamma ray log. Gas-bearing zones are characterised by low gamma ray, high deep resistivity and crossover between neutron and density logs. Total 14 numbers of hydrocarbon-bearing zones are identified from wells W-9, W-12, W-13 and W-14 using conventional log analysis. Crossplotting techniques are adopted for identification of lithology and fluid type using log responses. Crossplots, namely P-impedance vs. S-impedance, P-impedance vs. ratio of P-wave and S-wave velocities (Vp/Vs) and lambda-mu-rho (LMR), have been analysed to discriminate between lithology and fluid types. Vp/Vs vs. P-impedance crossplot is able to detect gas sand, brine sand and shale whereas P-impedance vs. S-impedance crossplot detects shale and sand trends only. LMR technique, i.e. λρ vs. μρ crossplot is able to discriminate gas sand, brine sand, carbonate and shale. The LMR crossplot improves the detectability and sensitivity of fluid types and carbonate lithology over other crossplotting techniques. Petrophysical parameters like volume of shale, effective porosity and water saturation in the hydrocarbon-bearing zones in these wells range from 5 to 37%, from 11 to 36 and from 10 to 50% respectively. The estimated petrophysical parameters and lithology are validated with limited core samples and cutting samples from five wells under the study area.     

海拉尔盆地侏罗系火山-沉积岩地震识别和岩相古地理重建

海拉尔盆地侏罗系塔木兰沟组火山岩显示有巨大油气勘探潜力. 海拉尔盆地内侏罗系“塔木兰沟组”火山喷发期次和岩相分布尚不清楚,制约了盆内火山岩型油气藏勘探部署.针对海拉尔盆地火山岩相复杂且相变快,火山机构类型多样等特点,通过野外露头调查、年代学资料和单井和连井地震对比,利用地震剖面、时间切片、三维可视化和均方根振幅属性提取等技术,对盆内各个凹陷开展火山-沉积岩识别、旋回划分和岩相古地理恢复.野外露头、测井、地震反射、火山岩U?Pb年代学等证据都表明海拉尔盆地侏罗系发育2期火山-沉积旋回. 火山喷发沉静期于火山机构外围发育沉积岩夹层,在地震剖面上形成的连续反射且可区域追踪对比,可以作为旋回划分依据. 利用均方根振幅属性对岩性敏感特性来勾勒火山机构和外围的沉积岩.盆内第1期火山-沉积旋回岩以中基性火山岩、酸性火山岩和沉积岩为特征,对应于盆地外围的塔木兰沟组. 第2期火山-沉积旋回岩以酸性火山岩和沉积岩为主,对应于盆地外围的玛尼吐组. 盆内西部凹陷带主要发育火山机构和裙边砂砾岩体,中部和东部凹陷带主要发育湖相砂岩和泥岩. 各个凹陷内火山机构主要集中在盆地或斜坡带,侏罗系火山-沉积发育具有明显的火山-断陷湖盆特征,与区域上额尔古纳和德尔布干断裂空间展布关系密切.      

利用支持向量机识别松辽盆地火山岩岩性

利用支持向量机(SVM)方法,选取个性特征元素,建立火山岩岩性成分的识别方法,来区分玄武质、安山质、粗面质、英安质、流纹质火山岩岩性.通过对松辽盆地内部的火山岩样本进行学习和预测,火山岩大类平均识别率达到95%以上,表明支持向量机在火山岩岩性成分识别方面取得了良好效果.