本发明涉及一种利用改进的蜘蛛网图进行测井岩性定量识别的方法，属于石油天然气地质技术领域。
背景技术：
复杂岩性储层的测井岩性识别是目前储层研究的热点，常用的方法可以分为两大类，一类是单一曲线识别，一类是多曲线识别。单一曲线识别是利用一种测井信息进行岩性的测井识别解释，国内外学者和石油公司建立了多种不同的单一曲线识别方法，其中包括定量识别方法，如建立不同岩性的定量识别标准，也包括定性识别方法，如建立岩性识别图版以及利用神经网络进行岩性识别等。
多曲线识别方法是利用多种测井信息进行岩性识别，其优点是可以综合多种信息，识别的准确性高。多曲线识别最常用的方法有图版法、交会分析法、蜘蛛网图法、神经网络判别法等。图版法通过建立不同岩性测井图版得到岩性识别的定量标准，该方法以利用两种曲线为主。交会分析法利用曲线交汇图分析不同岩性的测井特征，一般的交会分析法只能对两种曲线进行分析，识别岩性采用的信息非常有限，对复杂岩性识别难度大。蜘蛛网图法是一种多曲线岩性识别方法，可以利用多种曲线综合识别岩性，但是这种方法有两个缺点，一是考虑每条曲线的测井绝对值而不仅仅是蜘蛛网图形状，不能充分发挥该方法的优势，二是对形状的判断是直观观察判断，速度慢，而且主观性强，导致实用性差。
基于神经网络的多曲线岩性识别是近年来经常被使用的一种方法，该方法避免了蜘蛛网图法的主观性，在岩性复杂不能建立岩性定量识别标准的情况下，也可以较好地使用，但是这种方法的判别过程是纯粹的数学过程，判别依据和过程不直观，缺乏判别的地质依据，对其结果也难以进行地质分析。
技术实现要素：
为了克服现有技术的不足,本发明提供一种利用改进的蜘蛛网图进行测井岩性定量识别的方法。
一种利用改进的蜘蛛网图进行测井岩性定量识别的方法，提出角度参数组用于定量化蜘蛛网图，利用角度参数组定量判断蜘蛛网图的相似性，从而实现非取心井段岩性定量识别。
一种利用改进的蜘蛛网图进行测井岩性定量识别的方法，含有以下步骤；
步骤(1)、通过岩心样品分析，划分目的层岩性类型；
步骤(2)、通过测井曲线与岩石样品岩性相关性分析，优选识别岩性的测井曲线，制作蜘蛛网图模板；
步骤(3)、利用步骤(2)制作的模板、测井曲线和岩心分析数据，制作每种岩性储层的典型蜘蛛网图，计算每种岩性典型蜘蛛网图的角度参数组；
步骤(4)、选取目的层第一个非取心井段深度点，利用其测井曲线数据，制作该点的蜘蛛网图，计算其蜘蛛网图角度参数组，通过角度参数组与步骤(3)中每种岩性典型蜘蛛网图的角度参数组的相似性计算，定量判别该深度点的岩性；
步骤(5)、利用步骤(4)的方法，按照深度顺序，逐点判别储层岩性，获得全井段岩性。
本发明具有如下有益效果：
1、不是依靠测井曲线的绝对值划分岩性，而是采用测井相对值，将蜘蛛网图的图形相似性作为判别岩性的标准，解决了由于碎屑含量差异导致的同种岩性测井响应复杂和岩性不易识别的问题；
2、提出角度参数组，利用角度参数组判别蜘蛛网图的相似性从而识别岩性，这一方法将蜘蛛网图法量化，提高了岩性识别速度，并减少了传统方法主观判断的误差。
附图说明
当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，如图其中：
图1为本发明的蜘蛛网图结构示意图。
下面结合附图和实施例对本发明进一步说明。
具体实施方式
显然，本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当称元件、组件被“连接”到另一元件、组件时，它可以直接连接到其他元件或者组件，或者也可以存在中间元件或者组件。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
为便于对本发明实施例的理解，下面将做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
实施例1：如图1所示，与本发明相关的蜘蛛网图也叫做雷达图或者戴布拉图，是主要运用于财务分析的一种圆形图表，将一些参数或者指标集中画在一个圆上，来表现公司各项财务比率的情况。
图1是一个公司财务分析蜘蛛网图的实例，对编号为A-F的6个指标制作在一张图上，每个指标有一条坐标轴，在其上标注该指标的值，然后图中依次用蓝线连接，通过该图可以直观反映公司各个财务指标的变化情形。
目前蜘蛛网图也被运用于其他领域的数据分析，比如在测井岩性识别中，可以用不同测井曲线类型作为岩性识别的指标，利用一个储层深度点上的不同测井值编制蜘蛛网图，反映储层不同测井参数的特征，用于定性或半定量识别储层岩性。
一种利用改进的蜘蛛网图进行测井岩性定量识别的方法，含有以下步骤；
步骤(1)、通过岩心样品分析，划分目的层岩性类型；
步骤(2)、通过测井曲线与岩石样品岩性相关性分析，优选识别岩性的测井曲线，制作蜘蛛网图模板；
步骤(3)、利用步骤(2)制作的模板、测井曲线和岩心分析数据，制作每种岩性储层的典型蜘蛛网图，计算每种岩性典型蜘蛛网图的角度参数组；
步骤(4)、选取目的层第一个非取心井段深度点，利用其测井曲线数据，制作该点的蜘蛛网图，计算其蜘蛛网图角度参数组，通过角度参数组与步骤(3)中每种岩性典型蜘蛛网图的角度参数组的相似性计算，定量判别该深度点的岩性；
步骤(5)、利用步骤(4)的方法，按照深度顺序，逐点判别储层岩性，获得全井段岩性。
一种利用改进的蜘蛛网图进行测井岩性定量识别的方法，提出角度参数组用于定量化蜘蛛网图，利用角度参数组定量判断蜘蛛网图的相似性，从而实现非取心井段岩性定量识别。
还含有以下步骤；
步骤(1)、通过岩心样品分析，划分目的层岩性类型，有以下步骤：
利用研究区目的层所有岩心样品的岩石薄片，确定样品的岩性，通过所有岩心样品的分析，确定研究区目的层段发育n(n为自然数)种岩性类型，n＝1,2,3,…；
步骤(2)、优选测井曲线，制作蜘蛛网图模板，有以下步骤：
步骤(2a)、利用所有岩心样品的岩石分析数据，分析每种测井曲线与岩性的相关性，从中选择相关系数大于0.7的m(m为自然数或者m＝1,2,3,…)种测井曲线用于测井岩性识别；
步骤(2b)、利用步骤(2a)优选的m种测井曲线，制作蜘蛛网图模板；
步骤(3)、制作每种岩性储层的典型蜘蛛网图，计算每种岩性典型蜘蛛网图的角度参数组，有以下步骤：
步骤(3a)、将所有岩心样品数据按照岩性划分为n组，每组代表一种岩性；
步骤(3b)、从第一组岩性样品中取出一个样品点，从步骤(2)优选后的测井曲线上读取该样品点的一组测井值，利用步骤(2)制作的蜘蛛网图模板，绘制该样品点的蜘蛛网图；
步骤(3c)、在步骤(3b)中绘制的蜘蛛网图上，通过解三角形，依次计算蜘蛛网图多边形的内角，组成该蜘蛛网图的角度参数组；
步骤(3d)、按照步骤(3b)和步骤(3c)的方法，求取第一组岩性样品所有数据点的蜘蛛网图角度参数组，并求取平均角度参数组，代表该组岩性典型蜘蛛网图的角度参数组；
步骤(3e)、按照步骤(3b)、步骤(3c)、步骤(3d)的方法，依次制作其它(n-1)种岩性的典型蜘蛛网图角度参数组，得到每种岩性典型蜘蛛网图的角度参数组；
步骤(4)、选取目的层第一个非取心井段深度点，利用其测井曲线数据，制作该点的蜘蛛网图，计算其蜘蛛网图角度参数组，通过相似性计算判别该深度点的岩性，有以下步骤：
步骤(4a)、选取目的层第一个非取心井段深度点，从步骤(2)优选后的测井曲线上读取该深度点的一组测井值，利用步骤(2)制作的蜘蛛网图模板，绘制该点的蜘蛛网图；
步骤(4b)、在步骤(4a)中绘制的蜘蛛网图上，通过解三角形，依次计算蜘蛛网图多边形的内角，组成该蜘蛛网图的角度参数组；
步骤(4)c、依次计算步骤(4b)中得到的角度参数组与步骤(3)中得到的n种不同岩性的典型蜘蛛网图角度参数组的相似系数，将相似系数最大的一组代表的岩性作为该深度点的岩性；
步骤(5)、按照步骤(4)的方法，依照深度顺序，逐点判别储层岩性，获得全井段岩性。
实施例2：
塔南凹陷某含油区块下白垩统南屯组发育复杂岩性地层，包括砾岩、砂岩、凝灰质砾岩、凝灰质砂岩类、沉凝灰岩和凝灰岩。研究区目的层段有125个岩心样品点，本次研究的目的层厚度110m，测井数据有880个深度数据点(测井采样为每0.125m一个样点，每米测井信息有8个深度数据点)。
一种利用改进的蜘蛛网图进行测井岩性定量识别的方法，按照如下步骤实现了岩性定量识别：
步骤1)、通过岩心样品分析，划分目的层岩性类型：
利用研究区目的层的125个岩心样品的岩石薄片，分析确定研究区目的层段发育6种岩性类型，包括砾岩、砂岩、凝灰质砾岩、凝灰质砂岩类、沉凝灰岩和凝灰岩；
步骤2)、优选测井曲线，制作蜘蛛网图模板：
步骤2a、利用125个样品的岩石分析数据，分析每种测井曲线与岩性的相关性，从中选择相关系数大于0.7的5种测井曲线(自然伽马GR，密度DEN，补偿中子CNL，声波时差DT，光电截面指数曲线PEF)用于测井岩性识别；
步骤2b、利用步骤2a优选的5种测井曲线，制作这五种曲线组成的蜘蛛网图图版；
步骤3)、制作每种岩性储层的典型蜘蛛网图，计算每种岩性典型蜘蛛网图的角度参数组：
步骤3a、将125个岩心样品数据按照岩性划分为6组，每组代表一种岩性；
步骤3b、从砾岩样品中取出一个样品点，读取该样品点的5种测井曲线值(自然伽马GR，密度DEN，补偿中子CNL，声波时差DT，光电截面指数曲线PEF)，利用步骤2)制作的蜘蛛网图模板，绘制该样品点的蜘蛛网图；
步骤3c、在步骤3b中绘制的蜘蛛网图上，通过解三角形，依次计算该岩石样品蜘蛛网图多边形的内角，组成该岩石样品蜘蛛网图的角度参数组(162.67,57.25,106.94,103.07,110.07)；
步骤3d、按照步骤3b和步骤3c的方法，分别求取砾岩样品组中每一个岩石样品的蜘蛛网图角度参数组，并求取砾岩样品组中所有岩石样品蜘蛛网图的平均角度参数组(160,60,105,105,110)，作为砾岩的典型蜘蛛网图角度参数组；
步骤3e、按照步骤3b、步骤3c、步骤3d的方法，获得6种不同岩性的典型蜘蛛网图角度参数组，依次为：砂岩(125,100,70,90,155)、凝灰质砾岩(80,70,145,95,150)、凝灰质砂岩类(105,65,130,100,140)、沉凝灰岩(104,74,117,109,136)和凝灰岩(86,72,133,117,132)；
步骤4)、选取目的层第一个非取心井段深度点，利用其测井曲线数据，制作该点的蜘蛛网图，计算其蜘蛛网图角度参数组，通过角度参数组的相似性计算判别该深度点的岩性：
步骤4a、选取目的层第一个非取心井段深度点，读取该深度点的一组测井值(自然伽马GR，密度DEN，补偿中子CNL，声波时差DT，光电截面指数曲线PEF)，利用步骤2)制作的蜘蛛网图模板，绘制该点的蜘蛛网图；
步骤4b、在步骤4a中绘制的蜘蛛网图上，通过解三角形，依次计算蜘蛛网图多边形的内角，组成该蜘蛛网图的角度参数组(105,72,118,115,130)；
步骤4c、依次计算步骤4b中得到的角度参数组与步骤3)中得到的6种不同岩性的典型蜘蛛网图角度参数组的相似系数，该点角度参数组与砾岩的角度参数组最相似，判定该点的岩性为砾岩；
步骤5)、按照步骤4)的方法，依照深度顺序，逐点判别储层岩性，获得全井段岩性。
上述获得的全井段岩性判别结果，指导研究区油气储层的研究。
如上所述，对本发明的实施例进行了详细地说明，但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形，这对本领域的技术人员来说是显而易见的。因此，这样的变形例也全部包含在本发明的保护范围之内。