CN113820754B - 基于人工智能识别储层成岩相的深层致密砂岩储层评价方法 - Google Patents

Abstract

本发明公开了一种基于人工智能识别储层成岩相的深层致密砂岩有利储层评价方法。本方法通过修改QFL图版的端元，建立新的砂岩分类图版划分砂岩的岩石类型，通过将各岩石类型与成岩相相对应，建立基于岩石类型的成岩相划分方法，利用研究区内取心井的测井资料，获取各成岩相的测井响应特征，利用已确定岩石相的测井资料训练BP神经网络识别研究区内各井的成岩相类型，分析深层致密砂岩储层中成岩相的横向分布规律，计算储层内各钻井井点处的储层综合评价指数并绘制储层综合评价指数平面分布图，预测深层致密砂岩储层的有利区。本发明实现了对深度致密砂岩储层的全井段系统评价，能够准确预测储层内的有利区，为深层油气的勘探开发奠定了基础。

Description

基于人工智能识别储层成岩相的深层致密砂岩储层评价方法

技术领域

本发明涉及油气田开发地质领域，具体涉及一种基于人工智能识别储层成岩相的深层致密砂岩储层评价方法。

背景技术

近十年，深层油气资源已成为全球探明储量的增长主体，2008-2018年间，全球在4000m以深地层新增油气探明储量234亿吨油当量，超过同期全球新增油气储量的60％。我国第四次油气资源评价(2017)结果显示，中国深层和超深层的石油占石油资源总量的20％，天然气占总天然气资源量的49％。深层、超深层储层具有低孔(平均孔隙度小于10％)、低渗(平均渗透率小于1mD)、裂缝发育、非均质性强等特征，储层评价难度大。针对常规、中浅层储层主要利用沉积相及砂体分布进行储层预测及评价，但预测方法难以适用于深层、超深层储层，因此，亟需基于深层碎屑岩储层沉积和成岩结构的非均质性特征，形成一种基于人工智能识别储层成岩相的深层致密砂岩储层评价方法。

发明内容

本发明针对深层致密砂岩储层评价困难的问题，提供了一种基于人工智能识别储层成岩相的深层致密砂岩储层评价方法。

本发明具体采用如下技术方案：

一种基于人工智能识别储层成岩相的深层致密砂岩储层评价方法，具体包括以下步骤：

步骤1，划分深层致密砂岩储层中砂岩的岩石类型；

选择深层致密砂岩所在区域作为研究区，根据研究区深层致密砂岩储层中砂岩的基质含量划分砂岩的岩石类型，将基质含量大于15％的砂岩划分为一类，基质含量为15％以下的砂岩划分为另一类；

对于基质含量大于15％的砂岩，根据基质类型对其岩石类型进行细分，将杂基含量大于15％的砂岩划分为杂砂岩，将钙质胶结物含量大于15％的砂岩划分为强钙质胶结砂岩；

对于基质含量为15％以下的砂岩，基于石英-长石-岩屑图版，根据不同碎屑颗粒的成岩特征对石英-长石-岩屑图版的端元进行修改，建立新的砂岩分类图版，通过在该砂岩分类图版中进行投点，将基质含量为15％以下的砂岩划分为四种类型，其中，将刚性颗粒含量大于85％的砂岩划分为富刚性颗粒砂岩，将刚性颗粒含量为75％～85％的砂岩划分为含塑性颗粒岩屑砂岩，将刚性颗粒含量小于75％的砂岩划分为富塑性颗粒岩屑砂岩，将长石含量大于25％的砂岩划分为长石砂岩；

步骤2，基于砂岩的岩石类型及成岩作用划分成岩相类型；

根据深层致密砂岩储层中砂岩的岩石类型，结合各岩石类型中矿物组分的成岩特征，通过将各岩石类型与成岩相相对应，建立基于岩石类型的成岩相划分方法，将砂岩的成岩相划分为杂砂岩压实成岩相、富塑性颗粒岩屑砂岩压实成岩相、含塑性颗粒岩屑砂岩裂缝-溶蚀成岩相、富刚性颗粒砂岩裂缝成岩相、长石砂岩溶蚀成岩相和强钙质胶结砂岩胶结成岩相；

步骤3，基于BP神经网络法识别深层致密砂岩的成岩相类型；

在研究区内选取多个取心井，获取各取心井的岩石相，结合各取心井的测井资料，确定各岩石成岩相的测井响应特征，利用数据分析软件构建BP神经网络，设置训练次数，以已确定岩石相的测井资料作为学习样本训练BP神经网络识别成岩相类型，从学习样本中抽取部分样本作为测试样本，利用训练后的BP神经网络识别测试样本的成岩相类型，采用混淆矩阵显示训练后BP神经网络的成岩相识别结果，并与测试样本的实际成岩相分类结果进行对比，验证训练后BP神经网络分类的准确性，并利用训练后的BP神经网络识别研究区内各井的成岩相类型；

步骤4，确定深层致密砂岩储层中成岩相的横向分布规律；

根据研究区内各井的成岩相类型，确定各井中成岩相的纵向分布情况，绘制单剖面成岩相识别图或连井剖面成岩相分布图，通过分析深层致密砂岩储层成岩相的分布特征，确定深层致密砂岩储层中成岩相的横向分布规律；

步骤5，定量表征深层致密砂岩储层；

基于深层致密砂岩储层中成岩相的横向分布规律，结合砂体成岩相的叠置样式及连通效率，以砂岩组为单元，计算深层致密砂岩储层内各钻井井点处的储层综合评价指数Y，对深层致密砂岩储层进行定量表征；

储层综合评价指数计算公式为：

式中，n为砂岩组内砂岩层的总层数；k为砂岩层的序号，k为整数，k＝1,2，…，n；H为砂岩层的总厚度，单位为m；R_k为砂岩组内第k层砂岩层的成岩相评价系数；S_k为砂岩组内第k层砂岩层所对应的有利相带评价系数，根据砂岩层的沉积相类型或岩石类型确定；H_k为砂岩组内第k层砂岩层所对应的厚度，单位为m；

步骤6，预测深层致密砂岩储层的有利区；

基于深层致密砂岩储层内各钻井井点处的储层综合评价指数，结合深层致密砂岩储层的沉积相平面图，绘制储层综合评价指数平面分布图，根据储层综合评价指数平面分布图预测深层致密砂岩储层的有利区，将储层综合评价指数平面分布图中储层综合评价指数大于0.5的区域预测为一类有利区，将储层综合评价指数平面分布图中储层综合评价指数介于0.3～0.5的区域预测为二类有利区。

优选地，所述步骤1中，根据不同碎岩颗粒的成岩特征，将石英-长石-岩屑图版的石英端元修改为稳定颗粒端元，长石端元修改为单晶长石颗粒端元，岩屑单元修改为软岩屑端元，其中，稳定颗粒端元包括石英、燧石岩屑、变质石英岩岩屑和花岗岩岩屑，单晶长石颗粒端元包括斜长石和钾长石，软岩屑端元包括沉积岩岩屑和云母颗粒。

优选地，所述步骤3中，混淆矩阵的行表示训练后BP神经网络识别的成岩相类型，列表示测试样本实际的成岩相类型，混淆矩阵中位于主对角线上的数字表示测试样本中被正确识别的样本个数，位于混淆矩阵其余位置处的数字表示测试样本中被错误识别的样本个数。

优选地，所述步骤3中，当BP神经网络成岩相识别的正确率大于80％时，BP神经网络满足成岩相识别要求的精度，BP神经网络的成岩相识别结果准确。

优选地，所述步骤5中，根据砂岩层的成岩相类型确定其成岩相评价系数，其中，杂砂岩压实成岩相、富塑性颗粒岩屑砂岩压实成岩相的成岩相评价系数均为0.5，含塑性颗粒岩屑砂岩裂缝-溶蚀成岩相、长石砂岩溶蚀成岩相的成岩相评价系数均为1，强钙质胶结砂岩胶结成岩相的成岩相评价系数为0.6，富刚性颗粒砂岩裂缝成岩相的成岩相评价系数为0.9。

本发明具有如下有益效果：

1、本方法根据不同碎屑颗粒的成岩特性，通过对传统石英-长石-岩屑图版的各端元进行修改建立了新的砂岩分类图版，该砂岩分类图版重点考虑了岩石组分的成岩演化特征对其物性的影响，能够划分传统石英-长石-岩屑图版中无法划分的岩石类型，解决了石英-长石-岩屑图版分类种类繁多、对深层及成岩强度大的砂岩储层物性预测指导性差的问题，更加符合人工智能储层成岩相识别的分类要求。

2、本发明基于岩石类型对成岩相进行划分，突出了成岩作用以及成岩作用改造后成岩相中最明显的矿物，既能体现不同成岩相之间在矿物组合和物性等方面的明显区别，又能保证利用储层的测井数据识别各成岩相，为成岩相的智能识别奠定了基础。

3、本发明基于深层碎屑岩储层沉积和成岩结构的非均质性特征，建立了能够反映成岩演化的岩石类型划分方法，基于划分的岩石类型及成岩作用划分成岩相类型，利用取心井的测井资料训练BP神经网络识别深层致密砂岩的成岩相类型，构建深层致密砂岩储层中岩石类型与沉积相带、成岩演化之间的耦合关系，形成基于人工智能储层岩石成岩相识别的储层综合评价方法，并利用该方法预测深度致密砂岩储层中的有利区。由于常规的储层评价方法主要依据储层孔隙度、渗透率等单一因素进行定性评价，易受钻井取心数量不足以及取心样品代表性差等因素的影响，无法实现对深度致密砂岩储层的全井段系统评价，评价结果受取心位置的影响大，评价结果的准确度低，本发明方法克服了常规储层评价方法中的缺陷，实现了对深度致密砂岩储层的全井段系统评价，且评价结果不受取心资料的影响，为深层油气的勘探开发奠定了基础。

附图说明

图1为传统的石英-长石-岩屑图版；其中，A类型为富刚性颗粒砂岩，B类型为富塑性颗粒岩屑砂岩，C类型为钙质胶结砂岩，D类型为含塑性颗粒岩屑砂岩。

图2为新构建的砂岩分类图版；其中，B类型为富刚性颗粒砂岩，D类型为含塑性颗粒岩屑砂岩，E类型为富塑性颗粒岩屑砂岩。

图3为BP神经网络的结构示意图。

图4为本实施例中BP神经网络的训练收敛图。

图5为本实施例中混淆矩阵的示意图。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

以依奇克里克地区为例，采用本发明提出的一种基于人工智能识别储层成岩相的深层致密砂岩有利储层评价方法预测有利区，具体包括以下步骤：

步骤1，划分深层致密砂岩储层中砂岩的岩石类型

选取深层致密砂岩所在区域作为研究区，对深层致密砂岩的岩石类型进行划分。

传统的砂岩岩石组分分类根据石英、长石、岩屑三种颗粒组分的相对含量，将砂岩划分为石英砂岩、长石质石英砂岩、岩屑质石英砂岩、长石岩屑质石英砂岩、长石砂岩、岩屑质长石砂岩、岩屑砂岩、长石质岩屑砂岩等类型，并在基质大于15％时将岩石名称改为石英杂砂岩、长石杂砂岩、岩屑杂砂岩，该岩石类型划分方法得到的岩石类型繁多，对深层以及成岩强度大的砂岩储层物性预测指导性差。

本步骤中采用了一种新的岩石类型划分方法，岩石类型划分过程中重点考虑岩石组分的成岩演化特征及其对物性的影响，分类结果有利于指导砂岩储层的物性预测，适用于岩石类型的准确识别。

根据研究区深层致密砂岩储层中砂岩的基质含量划分砂岩的岩石类型，由于深层致密砂岩储层中砂岩的基质含量大于15％时，基质会对岩石分类结果产生影响，不适合按照碎屑颗粒组分进行分类，所以需要对基质含量大于15％的砂岩单独分类，而基质又可进一步分为杂基(物理成因的细粒碎屑)和胶结物(化学沉淀)两大类，杂基和胶结物对成岩演化和物性的影响存在明显不同，需要根据基质类型对基质含量大于15％的砂岩进行细分，将杂基含量大于15％的砂岩划分为杂砂岩(简称为A1类砂岩)，将钙质胶结物含量大于15％的砂岩划分为强钙质胶结砂岩(简称为A2类砂岩)。

然后，针对基质含量为15％以下的砂岩，基于石英-长石-岩屑图版(即传统的QFL图版)，如图1所示，根据不同碎屑颗粒的成岩特征对石英-长石-岩屑图版的端元进行修改，将石英-长石-岩屑图版的石英端元修改为稳定颗粒端元、长石端元修改为单晶长石颗粒端元、岩屑单元修改为软岩屑端元，建立新的砂岩分类图版，如图2所示，砂岩分类图版的稳定颗粒端元包括石英、燧石岩屑、变质石英岩岩屑和花岗岩岩屑，单晶长石颗粒端元包括斜长石和钾长石，软岩屑端元包括沉积岩岩屑和云母颗粒。

通过在新的砂岩分类图版中进行投点，将基质含量为15％以下的砂岩划分为四种类型，其中，将刚性颗粒含量大于85％的砂岩划分为富刚性颗粒砂岩(简称为B类砂岩)，将刚性颗粒含量为75％～85％的砂岩划分为含塑性颗粒岩屑砂岩(简称为D类砂岩)，将刚性颗粒含量小于75％的砂岩划分为富塑性颗粒岩屑砂岩(简称为E类砂岩)，将长石含量大于25％的砂岩划分为长石砂岩(简称为C类砂岩)。

以研究区内下侏罗统阿合组砂岩为例，对本实施例中采用的岩石类型划分方法进行说明，下侏罗统阿合组砂岩的岩石类型以岩屑砂岩、含长石岩屑砂岩为主，石英含量一般为40％～70％，长石含量为2％～20％，岩屑含量一般为30％～65％；岩屑包括石英岩岩屑、燧石岩屑、千枚岩岩屑、片岩、板岩以及少量花岗岩岩屑等多种类型，其中，花岗岩岩屑含量低(一般小于5％)，石英岩岩屑和燧石岩屑含量高，这三种类型的岩屑在成岩演化过程中均表现为刚性颗粒的特征，而千枚岩、片岩、板岩以及泥岩等岩屑的含量中等，受挤压易变形。阿合组砂岩的碎屑颗粒分选为中等—较好；颗粒磨圆以次圆—棱角状为主，具有成分成熟度低、结构成熟度较高、杂基含量低(小于15％)的特征；胶结物以泥质为主，自生石英等硅质胶结物的含量较低，方解石、铁方解石等钙质胶结物的含量差异较大，局部含量高达15％。

利用新构建的砂岩分类图版进行投点，将研究区内砂岩划分为三个带，分别为富刚性颗粒砂岩、含塑性颗粒岩屑砂岩、富塑性颗粒岩屑砂岩，富刚性颗粒砂岩、长石砂岩、含塑性颗粒岩屑砂岩、富塑性颗粒岩屑砂岩中软岩屑含量依次增加，而采用石英-长石-岩屑图版无法将砂岩区分为上述六类，划分结果也无法体现岩石组分的成岩演化特征。

步骤2，基于砂岩的岩石类型及成岩作用划分成岩相类型

根据深层致密砂岩储层中砂岩的岩石类型，结合各岩石类型中矿物组分的成岩特征，通过将各岩石类型与成岩相相对应，建立基于岩石类型的成岩相划分方法，将砂岩的成岩相划分为杂砂岩压实成岩相、富塑性颗粒岩屑砂岩压实成岩相、含塑性颗粒岩屑砂岩裂缝-溶蚀成岩相、富刚性颗粒砂岩裂缝成岩相、长石砂岩溶蚀成岩相和强钙质胶结砂岩胶结成岩相。

本步骤中采用的基于岩石类型的成岩相划分方法重点体现了区域内最重要的成岩作用以及该成岩作用改造最明显的矿物，划分的成岩相类型数量适中，既能保证不同成岩相在矿物组合、物性等方面存在明显区别，又能保证利用测井数据能够识别各成岩相，为成岩相类型的准确识别奠定了基础。

步骤3，基于BP神经网络法识别深层致密砂岩的成岩相类型

在研究区内选取多个取心井，获取各取心井的岩石相，结合各取心井的测井资料，确定各岩石成岩相的测井响应特征，各岩石成岩相的测井响应特征为：

(1)富塑性颗粒岩屑砂岩压实成岩相、杂砂岩压实成岩相的测井响应特征

富塑性颗粒岩屑砂岩相颗粒较细，多为细—粉砂岩、泥岩，物性差。测井响应特征表现为中—高GR(自然伽马)、高CNC(中子孔隙度)和高DEN(密度)，AC(声波时差)值变换范围相对较大，但多表现为低值，同时深、浅电阻率曲线重合或接近重合，压实作用强烈。

(2)含塑性颗粒岩屑砂岩裂缝-溶蚀成岩相、长石砂岩溶蚀成岩相测井响应特征

含塑性颗粒岩屑砂岩及长石砂岩砂体一般较纯，长石和易溶岩屑含量较高，颗粒较粗，储层物性号。测井响应特征表现为低—中GR、低—中CNC和低DEN，AC值表现为中—高，深、浅电阻率曲线不重合，但由于受到储层含气性的影响，其变化范围较大。

(3)强钙质胶结砂岩成岩相测井响应特征

强钙质胶结砂岩相测井特征表现为：放射性和含氢指数都很低，因此其GR、CNC值较低；密度较大，故其DEN较高；由于碳酸盐矿物导电性极差，故电阻率值较大。综合以上特征，该类砂岩的测井响应特征表现为：低—中GR、低—中CNC和中—高DEN，AC值表现为低—中。深、浅电阻率值一般较高，且在碳酸盐胶结强烈的层段深、浅电阻率曲线重合。

(4)富刚性颗粒岩屑砂岩裂缝成岩相测井响应特征

富刚性颗粒岩屑砂岩相由于受到较为强烈的压实、构造挤压作用导致颗粒破裂，起初的微裂缝由于受到后期溶蚀作用的继续改造，微观裂缝逐渐连成网络状，并形成肉眼可见的宏观裂缝。该类砂岩的测井响应特征表现为：低GR、低—中CNC和中—低DEN，AC值表现为中—低，深、浅电阻率曲线呈现低值且存在一定差值。

利用Matlab软件构建BP神经网络，BP神经网络结构分为输入层、输出层和隐含层，输入层中各节点与各预测变量相对应，输出层的节点对应一个或多个目标变量，输入层与输出层之间设置有隐含层，隐含层的层数和各层隐含层的节点个数决定了整个神经网络的复杂度。

BP神经网络具有学习和执行功能，通过学习训练神经网络使得其对某种信息模式特别敏感，或具有某种特征的动力学系统。通过执行阶段，可以利用训练后的神经网络识别有关信息模式或特征，神经网络的各种有效行为和作用，都是通过这两个关键过程来实现的。图3所示为含有一个隐含层的BP神经网络示意图，该BP神经网络的学习过程包括正向传播和反向传播，正向传播过程中，输入信息从输入层经隐含层逐层处理后传向输出层，各层神经元的状态只会对其下一层神经元的状态产生影响，如果在输出层不能得到所期望的输出，则转为反向传播，将误差信号沿着原来的连接通路返回，通过修改各层神经元的权重，使得误差信号减小，然后再转入正向传播过程，反复迭代，直到误差小于初始设定的误差允许值为止。

设置BP神经网络的训练次数为2000次，以取心井(YN4井等)中约600个已确定岩石相的测井数据(每类成岩相约150个)作为学习样本，训练BP神经网络识别成岩相类型，从学习样本中抽取部分样本作为测试样本，随着训练次数的增加，BP神经网络逐渐收敛，均方根误差越来越小，如图4所示，当训练次数达到2000次时停止训练，此时的BP神经网络的均方根误差为0.020182。

利用训练后的BP神经网络识别测试样本的成岩相类型，采用混淆矩阵说明训练后BP神经网络对成岩相识别结果，并与测试样本的实际成岩相分类结果进行对比，验证训练后BP神经网络分类的准确性。混淆矩阵中行表示训练后BP神经网络识别的成岩相类型，列表示测试样本实际的成岩相类型，位于主对角线上的数字表示测试样本中被正确识别的样本个数，位于混淆矩阵其余位置处的数字表示测试样本中被错误识别的样本个数，如图5所示，学习样本中四类成岩相被正确识别的个数分别为110、104、102和127，以混淆矩阵中的第一行数据为例，“110”表示111个B类砂岩样品中有110个被识别正确，“1”表示有1个A1类砂岩样品被混淆为A2类砂岩，因此该类成岩相的学习结果准确率为99.1％。其余三类成岩相的学习结果准确率分别为97.2％、95.3％和97.7％，总学习结果的准确率为97.4％。

与支持向量机相同，该准确率仅是针对学习样本而言，即网络学习效果很好，但并不代表网络能够很好地将学到的规律应用于实践，需要用测试样品加以检验。利用BP神经网络识别测试样本中的成岩相类型，整体识别准确率为80％，其中，A1类砂岩、B类砂岩全部正确识别；A2类砂岩仅被误判为A1类砂岩，从勘探开发角度这种误判是允许的；B类砂岩识别准确率稍低，其中有4例被误判为D类砂岩，二者均为物性较好的有利储层，若同样从勘探开发的角度，这种误判可以允许，对油气勘探没有负面影响。总体来看，BP神经网络80.0％的识别准确率可以满足实际成岩相分类的要求。因此，利用训练后的BP神经网络识别研究区内各井的成岩相类型。

步骤4，确定深层致密砂岩储层中成岩相的横向分布规律

利用训练后的BP神经网络识别阿合组YN2、DB102和YN4三口单井纵向上的成岩相类型，确定各井中成岩相的纵向分布情况，绘制单剖面成岩相识别图或连井剖面成岩相分布图。分析深层致密砂岩储层成岩相的分布特征，发现库车地区阿合组上砂砾岩段的成岩相分布具有以下特征：

①各类成岩在横向上连续性差，各类成岩相厚度差异较大；②储层的层内非均质性较强，其中强钙质胶结砂岩成岩相多以薄层的形式分布于与厚层的富刚性颗粒岩屑砂岩裂缝成岩相或含塑性颗粒岩屑砂岩溶蚀成岩相之间。③部分A2类砂岩与A1类砂岩在纵向上呈现出交叉分布的特征。④B类砂岩和D类砂岩的层位与油气层层位的吻合度很高，纵向上有利成岩相的分布决定了有效储层的分布。

步骤5，定量表征深层致密砂岩储层

致密砂岩河流等相带迁移引起的砂体叠置样式以及其内部不同类型致密砂岩的差异性演化是约束有利储层规模性分布的本质因素，不同类型致密砂岩的分布受其砂体叠置样式影响大。不同砂岩岩石成岩相受沉积相带的控制，其连通性和含油气性不同，而对深层致密砂岩储层中有利区的预测，其本质是寻找有利成岩相砂体叠置厚度较大、连通好的地区。

基于深层致密砂岩储层中成岩相的横向分布规律，结合砂体成岩相的叠置样式及连通效率，以砂岩组为单元，利用公式(1)计算深层致密砂岩储层内各钻井井点处的储层综合评价指数Y，对深层致密砂岩储层进行定量表征。

式中，n为砂岩组内砂岩层的总层数；k为砂岩层的序号，k为整数，k＝1,2，…，n；H为砂岩层的总厚度，单位为m；R_k为砂岩组内第k层砂岩层的成岩相评价系数；S_k为砂岩组内第k层砂岩层所对应的有利相带评价系数，根据砂岩层的沉积相类型或岩石类型确定；H_k为砂岩组内第k层砂岩层所对应的厚度，单位为m；

本实施例中，砂岩层的成岩相评价系数R_k由砂岩层的成岩相类型所确定，其中，杂砂岩压实成岩相、富塑性颗粒岩屑砂岩压实成岩相的成岩相评价系数均为0.5，含塑性颗粒岩屑砂岩裂缝-溶蚀成岩相、长石砂岩溶蚀成岩相的成岩相评价系数均为1，强钙质胶结砂岩胶结成岩相的成岩相评价系数为0.6，富刚性颗粒砂岩裂缝成岩相的成岩相评价系数为0.9。

砂岩层的有利相带评价系数S_k由砂岩层的沉积相类型或岩石类型所确定，对于取心井段采用其岩石相类型赋值，非取心井段采用其沉积相类型赋值，根据取心井建立岩石类型与沉积相带的结构性对应关系，即可获得非取心井段对应的沉积相类型。以库车地区辫状河沉积为例，岩石类型具有结构非均质性特征，不同类型致密砂岩分布受其沉积结构的约束；本实施例区域中侏罗系阿合组二者的关系如下，辨状河以含砾粗砂岩和粗砂岩为主的心滩及辫状河道中下部多为富刚性颗粒砂岩，裂缝、溶蚀孔隙都比较发育，有利相带评价系数赋值为1；河道底部冲刷面常伴生钙质胶结砂岩，有利相带评价系数赋值0.4。河漫滩、决口扇微相、河道顶部，多为杂砂岩、富塑性岩屑砂岩层和强钙质胶结砂岩，有利相带评价系数赋值0.3。分支河道以中细砂岩为主，塑性岩屑含量较高，为含塑性颗粒岩屑砂岩，有利相带评价系数赋值0.9；辫状河道边缘、废弃河道以中细砂岩、粉砂岩为主，塑性岩屑含量较高，为含塑性颗粒岩屑砂岩，有利相带评价系数赋值0.7。

步骤6，预测深层致密砂岩储层的有利区

基于深层致密砂岩储层内各钻井井点处的储层综合评价指数，结合深层致密砂岩储层的沉积相平面图，绘制储层综合评价指数平面分布图，根据储层综合评价指数平面分布图预测深层致密砂岩储层的有利区，将储层综合评价指数平面分布图中储层综合评价指数大于0.5的区域预测为一类有利区，将储层综合评价指数平面分布图中储层综合评价指数介于0.3～0.5的区域预测为二类有利区。

本发明方法克服了常规储层评价方法中无法针对深度致密砂岩储层进行全井段系统评价、评价结构受取心位置影响、准确度低等的问题，不再依据储层孔隙度、渗透率参数等单一因素进行定性评价，实现了对深度致密砂岩储层的全井段系统评价，且评价结果不受取心资料的影响，为深层油气的勘探开发奠定了基础。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种基于人工智能识别储层成岩相的深层致密砂岩储层评价方法，其特征在于，具体包括以下步骤：

步骤1，划分深层致密砂岩储层中砂岩的岩石类型；

选择深层致密砂岩所在区域作为研究区，根据研究区深层致密砂岩储层中砂岩的基质含量划分砂岩的岩石类型，将基质含量大于15％的砂岩划分为一类，基质含量为15％以下的砂岩划分为另一类；

对于基质含量大于15％的砂岩，根据基质类型对其岩石类型进行细分，将杂基含量大于15％的砂岩划分为杂砂岩，将钙质胶结物含量大于15％的砂岩划分为强钙质胶结砂岩；

对于基质含量为15％以下的砂岩，基于石英-长石-岩屑图版，根据不同碎屑颗粒的成岩特征对石英-长石-岩屑图版的端元进行修改，建立新的砂岩分类图版，通过在该砂岩分类图版中进行投点，将基质含量为15％以下的砂岩划分为四种类型，其中，将刚性颗粒含量大于85％的砂岩划分为富刚性颗粒砂岩，将刚性颗粒含量为75％～85％的砂岩划分为含塑性颗粒岩屑砂岩，将刚性颗粒含量小于75％的砂岩划分为富塑性颗粒岩屑砂岩，将长石含量大于25％的砂岩划分为长石砂岩；

步骤2，基于砂岩的岩石类型及成岩作用划分成岩相类型；

根据深层致密砂岩储层中砂岩的岩石类型，结合各岩石类型中矿物组分的成岩特征，通过将各岩石类型与成岩相相对应，建立基于岩石类型的成岩相划分方法，将砂岩的成岩相划分为杂砂岩压实成岩相、富塑性颗粒岩屑砂岩压实成岩相、含塑性颗粒岩屑砂岩裂缝-溶蚀成岩相、富刚性颗粒砂岩裂缝成岩相、长石砂岩溶蚀成岩相和强钙质胶结砂岩胶结成岩相；

步骤3，基于BP神经网络法识别深层致密砂岩的成岩相类型；

在研究区内选取多个取心井，获取各取心井的岩石相，结合各取心井的测井资料，确定各岩石成岩相的测井响应特征，利用数据分析软件构建BP神经网络，设置训练次数，以已确定岩石相的测井资料作为学习样本训练BP神经网络识别成岩相类型，从学习样本中抽取部分样本作为测试样本，利用训练后的BP神经网络识别测试样本的成岩相类型，采用混淆矩阵显示训练后BP神经网络的成岩相识别结果，并与测试样本的实际成岩相分类结果进行对比，验证训练后BP神经网络分类的准确性，并利用训练后的BP神经网络识别研究区内各井的成岩相类型；

步骤4，确定深层致密砂岩储层中成岩相的横向分布规律；

根据研究区内各井的成岩相类型，确定各井中成岩相的纵向分布情况，绘制单剖面成岩相识别图或连井剖面成岩相分布图，通过分析深层致密砂岩储层成岩相的分布特征，确定深层致密砂岩储层中成岩相的横向分布规律；

步骤5，定量表征深层致密砂岩储层；

基于深层致密砂岩储层中成岩相的横向分布规律，结合砂体成岩相的叠置样式及连通效率，以砂岩组为单元，计算深层致密砂岩储层内各钻井井点处的储层综合评价指数Y，对深层致密砂岩储层进行定量表征；

储层综合评价指数计算公式为：

式中，n为砂岩组内砂岩层的总层数；k为砂岩层的序号，k为整数，k＝1,2，…，n；H为砂岩层的总厚度，单位为m；R_k为砂岩组内第k层砂岩层的成岩相评价系数；S_k为砂岩组内第k层砂岩层所对应的有利相带评价系数，根据砂岩层的沉积相类型或岩石类型确定；H_k为砂岩组内第k层砂岩层所对应的厚度，单位为m；

步骤6，预测深层致密砂岩储层的有利区；

基于深层致密砂岩储层内各钻井井点处的储层综合评价指数，结合深层致密砂岩储层的沉积相平面图，绘制储层综合评价指数平面分布图，根据储层综合评价指数平面分布图预测深层致密砂岩储层的有利区，将储层综合评价指数平面分布图中储层综合评价指数大于0.5的区域预测为一类有利区，将储层综合评价指数平面分布图中储层综合评价指数介于0.3～0.5的区域预测为二类有利区。

2.如权利要求1所述的一种基于人工智能识别储层成岩相的深层致密砂岩储层评价方法，其特征在于，所述步骤1中，根据不同碎岩颗粒的成岩特征，将石英-长石-岩屑图版的石英端元修改为稳定颗粒端元，长石端元修改为单晶长石颗粒端元，岩屑单元修改为软岩屑端元，其中，稳定颗粒端元包括石英、燧石岩屑、变质石英岩岩屑和花岗岩岩屑，单晶长石颗粒端元包括斜长石和钾长石，软岩屑端元包括沉积岩岩屑和云母颗粒。

3.如权利要求1所述的一种基于人工智能识别储层成岩相的深层致密砂岩储层评价方法，其特征在于，所述步骤3中，混淆矩阵的行表示训练后BP神经网络识别的成岩相类型，列表示测试样本实际的成岩相类型，混淆矩阵中位于主对角线上的数字表示测试样本中被正确识别的样本个数，位于混淆矩阵其余位置处的数字表示测试样本中被错误识别的样本个数。

4.如权利要求1所述的一种基于人工智能识别储层成岩相的深层致密砂岩储层评价方法，其特征在于，所述步骤3中，当BP神经网络成岩相识别的正确率大于80％时，BP神经网络的成岩相识别结果准确。

5.如权利要求1所述的一种基于人工智能识别储层成岩相的深层致密砂岩储层评价方法，其特征在于，所述步骤5中，根据砂岩层的成岩相类型确定其成岩相评价系数，其中，杂砂岩压实成岩相、富塑性颗粒岩屑砂岩压实成岩相的成岩相评价系数均为0.5，含塑性颗粒岩屑砂岩裂缝-溶蚀成岩相、长石砂岩溶蚀成岩相的成岩相评价系数均为1，强钙质胶结砂岩胶结成岩相的成岩相评价系数为0.6，富刚性颗粒砂岩裂缝成岩相的成岩相评价系数为0.9。

Images