基于改进KNN算法的潜山复杂岩性测井识别方法

孙 岿

(中国石油辽河油田分公司，辽宁 盘锦 124010)

近年来，在探索辽河坳陷兴隆台潜山太古界潜山内幕油气藏过程中，多口探井在太古界上覆的中生界层段见到良好油气显示，部分老井在该层试油获得高产[1]。经论证，认为兴隆台潜山是中生界和太古界组成的双元结构复合型潜山[2]，中生界发育砾岩型油气藏，整体勘探程度较低，勘探前景广阔。但中生界地层的发育受古地貌的控制作用明显，横向上地层厚度变化大，纵向上可划分为3个岩性旋回段，储层非均质性较强。其中，位于中生界下部的Ⅲ段主要发育杂色花岗质角砾岩和混合角砾岩，中部的Ⅱ段主要发育杂色砂砾岩和混合角砾岩，上部Ⅰ段岩性偏细，以砂砾岩、砂岩为主，局部地区受火山喷发活动的影响，发育基性的玄武岩及玄武质角砾岩，零星见火山凝灰岩。复杂的岩性组合对基于常规测井资料的储层评价带来较大困难。截至目前，该区钻遇中生界探井及开发井共计205口，应用测井交会图版法识别岩性工作量大并且精度偏低，无法满足成熟探区精细勘探需求。因此，亟需建立一套满足兴隆台中生界地层的测井岩性预测的高效方法，解决有利岩性岩相的分布识别难问题。

利用测井信息进行岩性分类的方法包括测井交会图版法、成像测井方法及机器学习方法等。交会图版法通过统计分析不同岩性之间的测井响应特征差异，提取特征参数，建立二维或三维交会图，基于图版信息划分不同岩性的测井参数上下限[3]；
在复杂岩性地区，不同岩性的测井参数存在较大的重叠区域，导致交会图版法的适用性差。利用成像测井资料识别岩性比较直观，分辨率高，特别适用于识别储层的微构造信息[4]，但成像测井成本昂贵，在兴隆台地区，仅近年的重点探井有成像测井资料，大部分老井只有常规测井资料，无法依据成像测井完成全区岩性岩相的划分对比工作，因此，成像测井资料只能作为辅助判断手段。针对上述问题，提出基于机器学习的自动化算法的思路，采取人工智能方法充分挖掘常规测井资料的隐含信息，低成本高效率地建立符合区域地质特点的测井岩性识别方法。目前，机器学习算法在测井领域的应用越发广泛[5-8]，包括有监督的机器学习算法，例如KNN算法[9-10]、支持向量机(SVM)[11-12]、决策数算法[13-14]、随机森林算法[15-16]，无监督的K-means聚类方法[17]、图论推理算法[18-20]等，均广泛应用于测井岩性岩相识别与划分、储层分类评价等方面，并取得较好效果。

针对辽河坳陷兴隆台地区中生界储层的地质特点，基于KNN算法，提出一种改进后的新方法用于岩性预测。首先，在取心井岩心薄片鉴定的基础上，建立岩石地质分类方案，依据主要造岩矿物含量及其测井响应特征，确定测井参数可识别、同时满足地质评价需求的地质-测井岩性分类方案。在此基础上，通过测井交会图版优选岩性敏感参数，然后基于MKNN算法，对中生界重点井岩性进行快速有效识别，明确中生界不同岩性岩相纵横向上的分布变化规律，指导有利储层预测工作。

1.1 岩性类型

兴隆台潜山中生界地层埋藏深度较深，普遍在3 800 m左右，受多期构造运动及火山喷发等地质事件影响，岩性类型复杂，除沉积岩类外，局部地区见火山岩。目前，钻遇中生界的205口井中，取心井有20口，岩心长度共93.9 m；
开展扫描电镜分析、X衍射全岩分析以及薄片鉴定等岩石矿物分析共432块。

按照岩矿分析结果，将中生界地层岩性划分为碎屑岩和火山岩两大类，其中，碎屑岩类包括砾岩类、砂岩类及泥岩等，火山岩类包括火山熔岩和火山碎屑岩等，进一步依据矿物类型、成分含量以及结构等特征可细分为24种基本岩石类型(表1)。但依据传统地质学上的岩石分类无法与测井响应特征一一对应，测井识别十分困难，如中-粗砂岩和中-细粒砂岩的测井响应值接近，测井细分识别难度较大，可统一归为砂岩类；
花岗质砾岩和花岗质角砾岩的岩石成分类型基本一样，测井响应变化趋势相同，都可作为有利储层，只是由于相带上存在一定差异，导致岩石粒度、分选程度不同，储层物性条件稍有差异，可将其归为花岗质砾岩类。同理，将混合砂砾岩和混合角砾岩归为混合砾岩类。因此，在岩矿地质分类的指导下，依据矿物类型接近、成因上有联系、满足地质评价需求、测井响应特征类似的原则，确定地质-测井岩性分类方案，最终将中生界地层划分为花岗质砾岩、混合砾岩、砂岩、泥岩、玄武岩及凝灰岩等6种(表1)。由于凝灰岩在研究区内零星分布，且单层厚度较薄，不是研究区的主要岩石类型，并且凝灰岩取心资料较少，用于机器学习的有效训练样本不足，在此次研究中暂不予考虑。

1.2 测井响应特征

研究区主要岩石类型的典型测井响应特征如图1所示。由图1可知，自然伽马曲线对泥质含量反应敏感，泥岩的自然伽马值往往大于100 API，泥质砂岩的自然伽马值一般为70～100 API，岩性相对较纯的砂岩自然伽马值一般小于80 API；
花岗质砾岩主要成分为花岗质岩，填隙物以细碎屑为主，其自然伽马值一般为75～100 API；
混合砾岩类的主要成分中，花岗质岩和中性火成岩含量接近，砾石间填隙物为砂质和泥质杂基，其自然伽马值往往大于100 API；
玄武岩是岩浆喷发到地表后冷却凝固形成，岩石较致密，局部见杏仁气孔构造，自然伽马值表现出明显的低值异常，在该区一般小于60 API，蚀变后会略有升高。自然电位曲线在该区适用条件一般，仅作为定性判断泥岩段的辅助手段，无定量识别岩性标准。

由电性曲线可以看出，泥岩的电阻率最低，深侧向电阻率一般小于8 Ω·m，泥质砂岩及砂岩的深侧向电阻率为6～12 Ω·m，混合砾岩的深侧向电阻率通常大于50 Ω·m，花岗质砾岩的深侧向电阻率一般大于55 Ω·m；
由于砾岩类裂缝比较发育，深浅侧向曲线上也表现出明显的泥浆低侵特征，存在一定的正幅度差；
玄武岩的深侧向电阻率大都为20～100 Ω·m。

由物性曲线可以看出，泥岩的中子孔隙度最大，一般大于23%，砂岩的中子孔隙度一般小于25%，花岗质砾岩和混合砾岩的中子孔隙度较小，大部分小于10%，玄武岩的中子孔隙度为20%～30%；
泥岩的声波时差最大，一般大于262 μs/m，砂岩的声波时差为229～328 μs/m，花岗质砾岩、混合砾岩和玄武岩的声波时差值较接近，一般小于80 μs/m，表现出相对致密的特点。

由密度曲线可以看出，研究区泥岩的密度一般小于2.30 g/cm3，砂岩的密度多数小于2.60 g/cm3；
混合角砾和花岗质角砾密度相对较高，并且较为接近，受裂缝发育情况影响，密度值范围跨度较大，一般大于2.50 g/cm3；
玄武岩的密度一般大于2.55 g/cm3。

由电成像测井图可以看出，研究区花岗质砾岩的高阻块状特征明显，构造裂缝较发育；
混合砾岩大小不一，可见微裂缝，局部残余粒间孔发育；
砂岩的岩性较细，高阻背景下见微孔；
泥岩电阻值表现出一定的成层性，局部见波状层理特征，反应泥质不纯的特点；
玄武岩表现出明显的高阻特征，局部可见微裂缝。

图1 典型岩性测井响应特征

2.1 敏感参数优选

不同类型岩石的矿物组分、孔隙结构及流体类型导致其岩石物理性质存在差异。测井曲线即是综合利用岩石的声、电、放射性等物理性质的差异，进行地层岩性岩相的连续识别与表征[21]。因此，要实现测井曲线对岩性的准确识别与表征，首先要分析对比研究区主要岩石类型的岩石物理性质差异，优选出可定量区分岩性的测井参数。

在应用测井资料前，首先要完成岩心刻度测井的基础工作，尽量选取有系统取心、岩矿分析资料及测井系列较全，能代表该区地层分布特点的重点井作为分析对象。关键井确定后，要完成岩心数据与测井数据的深度归位工作，确保岩性与测井曲线特征能够一一对应。在此基础上，选取有取心及薄片鉴定、岩性明确的井段作为敏感参数分析的测井数据源。经初步分析，优选出自然伽马(GR)、深侧向电阻率(Rt)、密度(DEN)、声波时差(AC)和补偿中子(CNL)等5条测井曲线,分别作GR-Rt、GR-AC、GR-CNL、DEN-Rt、CNL-DEN、CNL-AC交会图版(图2)。由图2可知，GR-Rt、GR-AC岩性区分效果较好，CNL-AC、GR-CNL效果次之，DEN-Rt、CNL-DEN效果一般。玄武岩相比其他岩性，GR值特别低，较好区分；
泥岩具有高GR、低Rt、高AC的特点，区分度较高；
砂岩与砾岩之间AC、Rt存在一定差异；
混合砾岩和花岗质砾岩在GR、CNL和DEN上重叠严重，区分效果一般；
受岩矿组成成分上的差异影响，花岗质砾岩Rt最大，混合砾岩次之，另外，混合砾岩相比花岗质砾岩粒间充填物泥质含量更高，AC相对大一些。据此，确定研究区典型岩性的测井敏感性参数排序由高至低依次为GR、Rt、AC、CNL、DEN。

图2 测井参数交会图版

2.2 改进的KNN算法

KNN算法，即K最邻近值法(K- Nearest Neighbor)，该方法最早由Cover等人提出[22]，经过近50 a的发展应用，其理论算法十分成熟，在数据挖掘及机器学习方面应用广泛[22-27]。KNN算法是一种有监督的懒惰机器学习算法，通过遍历已知训练集样本，计算测试数据与训练样本点属性间的距离，找到与测试数据最近的K个样本点，采取少数服从多数的原则确定测试数据的类别[23]，因此， KNN算法在分类决策时十分依赖K值的选择。在训练样本量较大并且样本之间的差异性相对显著时，KNN算法优势比较明显，准确度非常高。然而KNN算法也存在先天不足，当样本类别大于2时，即使K为奇数，也可能出现投票数相同的情况，造成误判；
其次，当训练样本类别数量不均衡时，判别时极易倾向于数量多的样本类型。

在兴隆台地区的测井数据中，具有岩心薄片鉴定资料、岩性分类准确的训练样本大都集中在重点储层段，非储层段及隔夹层的样本点相对较少，样本数据类别不均衡矛盾突出。其次，岩石的测井属性值通常服从正态分布，不同类型岩性之间测井属性交叉重叠面积较大，仅依靠简单的投票原则很难给出测试样本的准确分类。为解决该问题，提出一种基于测井属性加权的剪切邻近算法(MKNN)。属性加权是指在计算测试点与样本点之间的距离时，给距离加上权重Wi，Wi的确定与属性类型有关，例如，根据岩性敏感参数分析结果，研究区GR对岩性最敏感，Rt、AC的识别效果要优于CNL和DEN，因此，可以将GR权重设置为0.30，Rt、AC的权重设置为0.20，CNL和DEN的权重设置为0.15，得到最终的权重向量[GR,AC,Rt,CNL,DEN]为[0.30,0.20,0.20,0.15,0.15]。基于权重的新的距离计算公式为：

(1)

式中：Wi为不同测井属性组成的归一化权重向量；
Di为第i个测井参数的测试点与样本点的归一化空间距离；
f(x)为属性加权后的归一化距离；
i为测井参数序号；
n为总的测试参数个数。

从GR-AC交会图(图3a)可以看出，砂岩、混合砾岩和花岗质砾岩的交叉重叠面积较大，当重叠区域内的数据点用于训练样本进行KNN分类时，该部分样本点是错误率的主要来源。因此，为减小算法的误判率，提出剪切邻近法(MKNN)。算法的主要步骤为：
①将训练样本集A重新分为N组，依次取其中1组作为测试样本Ti，剩下N-1组作为新的训练样本集B；

②利用新的训练样本集B，采用基于距离加权的KNN算法对测试样本Ti进行分类，如果分类结果与之前不同，则将其从训练集A中剔除；

③重复步骤①和②若干次后，若训练集样本数量不再变化，代表剪切完成。将剪切后的样本点作为最终的训练集C。图3b是剪切后的训练集C的GR-AC交会图。由图3b可以看出，相比剪切前训练集A(图3a)，剪切后的训练样本重叠区域明显减小。

图3 训练集剪切前后GR-AC交会图

为测试MKNN算法相比KNN算法具有的优越性，根据岩性敏感性参数分析结果，选取mt1、mt6、mt11、mg14、mg7等5口井的GR、Rt、CNL、DEN、AC5个测井参数作为机器学习特征参数。训练集与测试集样本建立前，需进行测井数据预处理。由于不同井测井年代及测井系列不同，同一测井参数间存在系统偏差，除此之外，不同测井参数量纲及数据范围差异巨大，会导致距离计算时，量级较大的参数权重过大，影响判断准确率。以稳定的泥岩段为标志层，采取归一化方法对5口井的测井曲线进行标准化。然后，选取目的层段岩性定名准确的测井数据建立初始数据集M，共1 883个样本点，其中，包括泥岩样本点249个，砂岩样本点313个，混合砾岩样本点473个，花岗质砾岩样本点566个，玄武岩样本点282个。将初始数据集M随机打乱重排，取其中70%的样本点作为训练集A，剩下30%样本点作为测试集B。对比不同K值条件下，MKNN方法和KNN方法对测试集B预测的误差(图4)。由图4可知，随着K值的增加，误差表现出先快速下降，后缓慢上升的过程。相比于KNN方法，MKNN算法误差明显减小，并且当K=7时，MKNN方法的误差最小为6.3%，而KNN算法在K=9时，才出现最小误差(8.2%)，说明MKNN方法收敛更快，在较小的K值下岩性预测准确率更高，能够有效地提高程序运行效率。

图4 MKNN与KNN识别误差与K值关系

当K=7时，分岩性统计了540个测试样本集的预测准确率(表2)。由表2可知，KNN算法的总体准确率为89.8%，其中，玄武岩样本测试准确率为100.0%，样本数量占比较少的泥岩及砂岩的测试准确率较低，分别为85.9%和84.8%，样本数量最多的花岗质砾岩准确率达到89.5%。相比之下，MKNN算法受样本类型数量不均衡影响较小，总体准确率为93.7%，其中，泥岩预测准确率达到94.4%，砂岩准确率达到91.3%，花岗质砾岩准确率达到92.6%。测试结果表明，相比KNN算法，MKNN算法受样本不均衡及测井属性值重叠影响较小，准确率更高，更适用于研究区的岩性预测。

表2 KNN和MKNN算法岩性预测结果对比

基于MKNN和KNN算法，对研究区13口井共计5 830个样本点进行机器学习分类，其中，1 207个样本点有取心或者岩心薄片资料定名结果。将机器学习分类结果与岩屑录井、取心及岩心薄片鉴定结果对比，MKNN算法和KNN算法对岩性识别的准确率分别为88.7%和82.3%。相比于KNN算法，MKNN算法与岩屑录井结果及测井曲线特征吻合度更高，有效地提高了研究区中生界复杂岩性的测井识别精度。以mg3X井和mg6X井为例，具体分析MKNN和KNN算法对不同岩性识别的差异。

图5为mg3X井的预测结果。由图5可知，在岩性发育比较稳定、厚度相对较大时，识别效果较好。在上部3 704.0～3 716.0 m井段，岩心薄片鉴定及岩屑录井定名为玄武岩，KNN和MKNN算法均准确识别为玄武岩；
在3 716.0～3 728.0 m井段，岩心薄片鉴定及岩屑录井定名为深色泥岩，KNN和MKNN算法也准确识别为泥岩。然而在薄层处识别效果存在一定误差，在3 728.0～3 730.0 m井段，岩屑录井鉴定为泥岩与粉砂岩薄互层特征，GR和Rt测井曲线也呈锯齿状，表现出典型的薄互层特点，但受测井仪器纵向分辨率的影响，GR曲线的值介于泥岩与砂岩之间，给机器学习带来一定难度，导致KNN算法识别为泥岩，MKNN算法识别为砂岩；
在3 750.0～3 751.5 m井段，录井岩性为泥岩，KNN算法识别为砂岩，MKNN算法识别为泥岩，在3 760.0～3 762.0 m井段，录井及薄片鉴定为花岗质砾岩，KNN算法识别为混合砾岩，MKNN算法识别为花岗质砾岩。

图6为mg6X井的预测结果，mg6X井的中生界地层埋藏较深，在4 000 m左右，物性条件变差，三孔隙曲线对岩性的识别能力减弱。录井岩性表明上部为玄武岩，中部为砂岩夹薄层泥岩，下部为花岗质砾岩。在3 932.0～3 948.0 m井段，录井岩性为玄武岩，KNN和MKNN算法均能准确识别。在中部泥质砂岩、砂砾岩和泥岩互层段，KNN和MKNN算法对岩性识别的准确性存在差异，如3 968.0～3 987.0 m井段，录井岩性为泥质砂岩，薄片鉴定为砂岩，KNN算法仅预测出2套薄层砂岩，总计厚度为4.3 m，MKNN算法预测出3套砂岩，总计厚度为9.8 m；
在4 016.0～4 060.0 m井段，岩性为花岗质砾岩，KNN和MKNN算法识别能力相当，但在4 025.0 m附近，孔隙度曲线和GR曲线均存在一个小的尖峰变化，KNN和MKNN算法均预测为混合砾岩，与录井岩性不一致。因此，基于MKNN算法，对兴隆台潜山的重点探井进行了岩性二次解释，重新落实了研究区中生界的岩性分布规律：中生界Ⅲ组的砾岩主要分布于兴古高潜山的东侧及南部的马古6块附近，其次为陈古潜山的轴部，由东向西过渡为砂砾岩相；
中生界Ⅱ组主要发育砂砾岩及砂岩，厚度中心位于潜山主体的兴古10块和南部的马古3块，北部陈古潜山岩性相对较细，以砂岩为主；
针对中生界Ⅰ组的火山岩，受训练样本限制，此次研究只预测了玄武岩类，其厚度中心位于南部的马古潜山北侧，在兴古潜山和陈古潜山局部区域也有分布。MKNN算法的应用提高了研究区测井岩性预测的效率及精度，首次明确了中生界优势岩性的分布特征，为储层评价及井位部署提供了支撑依据。

图5 mg3X井测井岩性识别结果

图6 mg6X井测井岩性识别结果

(1) 岩性的准确识别是测井储层分类评价的重要基础，将兴隆台中生界地层划分为花岗质砾岩、混合砾岩、砂岩、泥岩、玄武岩及凝灰岩等6种。通过测井参数交会图版分析可知，GR-Rt和GR-AC图版对中生界岩性区分度最高，CNL-AC和GR-CNL次之，DEN-Rt和CNL-DEN较差。对岩性敏感的测井参数排序依次为GR、Rt、AC、CNL和DEN。

(2) 基于测井属性加权的剪切邻近算法(MKNN)具有收敛快、精度高的特点，受测井样本不均衡及属性重叠影响较小，能够准确地识别出中生界花岗质砾岩、混合砾岩、砂岩、泥岩、玄武岩等5类岩性。

(3) 13口井的实际应用效果表明，MKNN算法岩性识别准确率达到88.7%，高效地解决了辽河坳陷兴隆台地区中生界复杂岩性的测井精细评价问题。

(4) MKNN算法岩性识别结果表明，兴隆台中生界优势岩性花岗质砾岩和混合砾岩的厚度中心位于兴古高潜山东侧及南部的马古6块以及北部陈古潜山的轴部。Ⅱ组的砂砾岩和砂岩的厚度中心位于马古3块和兴古10块，陈古潜山相对减薄。