洪积扇砂砾岩储层岩相识别方法及装置与流程

本申请涉及石油天然气勘探开发技术领域，尤其是涉及一种洪积扇砂砾岩储层岩相识别方法及装置。

背景技术：

洪积扇属干旱或半干旱气候条件下季节性暴雨成因的冲积扇。洪水携带着大量碎屑物质涌出山口，由于坡度的变缓、流速降低及水流的分散，加之蒸发或向下渗透，碎屑物质快速堆积，沉积物以砾石支撑的砂砾岩为主，分选极差，磨圆度低，以次圆状—次棱角状为主，成分复杂，杂质含量高，是近源高能环境下形成的一类特殊的砂砾岩储集体。

目前对洪积扇的研究主要通过现代沉积、野外露头以及取芯资料进行大量分析探讨，以建立洪积扇沉积模式、依据沉积特征、曲线模式等资料定性的识别和划分沉积微相。但是由于该类储层极强的非均质性，使得该类储层沉积微相与储层质量的关系尚不明晰，同一沉积微相类型，不同岩相的分布不均，储层质量往往差异很大，传统的沉积微相研究尺度已难以满足砂砾岩储层评价需要，目前亟需一种准确识别洪积扇砂砾岩储层空间分布的技术方案。

技术实现要素：

本申请实施例的目的在于提供一种洪积扇砂砾岩储层岩相识别方法及装置，以提高洪积扇砂砾岩储层岩相识别的准确度及识别效率。

为达到上述目的，一方面，本申请实施例提供了一种洪积扇砂砾岩储层岩相识别方法，包括：

确定洪积扇扇顶的沉积特征；

根据所述沉积特征识别出所述洪积扇扇顶内的沉积微相；

根据所述洪积扇扇顶内的取芯井数据形成岩相样本数据；

以一部分岩相样本数据训练样本，利用贝叶斯判别方法构建所述沉积微相内不同岩相的岩相识别模型；所述岩相识别模型包含特定的储层参数与岩相的对应关系；

基于余下的岩相样本数据验证所述岩相识别模型是否满足预设要求；

在所述岩相识别模型满足预设要求时，获取所述沉积微相内目标层岩石的特定的储层参数值，并将其代入所述岩相识别模型，得到所述目标层岩石的岩相类型。

本申请实施例的洪积扇砂砾岩储层岩相识别方法，还包括：

在得到所述目标层岩石的岩相类型之后，以小层为单位，确定岩相在同一小层中的组合及所占比例；

以岩相在同一小层中的组合及所占比例为依据,确定沉积微相内小层的岩相平面分布。

本申请实施例的洪积扇砂砾岩储层岩相识别方法，所述洪积扇扇顶的沉积特征包括岩石学特征、粒度分布特征和沉积构造特征。

本申请实施例的洪积扇砂砾岩储层岩相识别方法，所述根据所述洪积扇扇顶的取芯井数据形成岩相样本数据，包括：

对洪积扇扇顶内取芯井的岩芯进行单井相观察分析，以统计不同岩相所对应特定的储层参数的取值范围；而不同岩相及其对应特定的储层参数的取值构成了岩相样本数据。

本申请实施例的洪积扇砂砾岩储层岩相识别方法，所述获取所述沉积微相内目标层岩石的特定的储层参数值，并将其代入所述岩相识别模型，得到所述目标层岩石的岩相类型，包括：

将获取的沉积微相内目标层岩石的特定的储层参数值，分别代入每个岩相识别模型，对应得到多个计算值；

确定多个计算值中的最大者，并将最大者对应的岩相类型赋予所述目标层岩石。本申请实施例的洪积扇砂砾岩储层岩相识别方法，所述基于余下的岩相样本数据验证所述岩相识别模型是否满足预设要求，包括：

基于余下的岩相样本数据验证所述岩相识别模型的识别准确率是否大于预设的准确率阈值。

本申请实施例的洪积扇砂砾岩储层岩相识别方法，所述沉积微相内不同岩相的岩相识别模型包括：砾岩岩相识别模型、砂砾岩岩相识别模型、砂岩岩相识别模型和泥岩岩相识别模型。

另一方面，本申请实施例还提供了一种洪积扇砂砾岩储层岩相识别装置，包括：

沉积特征确定模块，用于确定洪积扇扇顶的沉积特征；

沉积微相确定模块，用于根据所述沉积特征识别出所述洪积扇扇顶内的沉积微相；

样本数据获取模块，用于根据所述洪积扇扇顶内的取芯井数据形成岩相样本数据；

识别模型构建模块，用于以一部分岩相样本数据训练样本，利用贝叶斯判别方法构建所述沉积微相内不同岩相的岩相识别模型；所述岩相识别模型包含特定的储层参数与岩相的对应关系；

识别模型检验模块，用于基于余下的岩相样本数据验证所述岩相识别模型是否满足预设要求；

岩相类型识别模块，用于在所述岩相识别模型满足预设要求时，获取所述沉积微相内目标层岩石的特定的储层参数值，并将其代入所述岩相识别模型，得到所述目标层岩石的岩相类型。

本申请实施例的洪积扇砂砾岩储层岩相识别装置，还包括：

岩相分布确定模块，用于在得到所述目标层岩石的岩相类型之后，以小层为单位，确定岩相在同一小层中的组合及所占比例；并以岩相在同一小层中的组合及所占比例为依据,确定沉积微相内岩相平面分布。

另一方面，本申请实施例还提供了另一种洪积扇砂砾岩储层岩相识别装置，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时执行如下步骤：

确定洪积扇扇顶的沉积特征；

根据所述沉积特征识别出所述洪积扇扇顶内的沉积微相；

根据所述洪积扇扇顶内的取芯井数据形成岩相样本数据；

以一部分岩相样本数据训练样本，利用贝叶斯判别方法构建所述沉积微相内不同岩相的岩相识别模型；所述岩相识别模型包含特定的储层参数与岩相的对应关系；

基于余下的岩相样本数据验证所述岩相识别模型是否满足预设要求；

在所述岩相识别模型满足预设要求时，获取所述沉积微相内目标层岩石的特定的储层参数值，并将其代入所述岩相识别模型，得到所述目标层岩石的岩相类型。

由以上本申请实施例提供的技术方案可见，本申请实施例中，在根据沉积特征识别出洪积扇扇顶内的沉积微相的基础上，还可以根据洪积扇扇顶内的取芯井数据形成岩相样本数据；然后基于一部分岩相样本数据构建沉积微相内不同岩相的岩相识别模型；岩相识别模型包含特定的储层参数与岩相的对应关系；并基于余下的岩相样本数据验证岩相识别模型是否满足预设要求；在岩相识别模型满足预设要求时，获取沉积微相内目标层岩石的特定的储层参数值，并将其代入岩相识别模型，得到目标层岩石的岩相类型，从而根据岩相识别模型和特定的储层参数值实现了洪积扇砂砾岩储层岩相的识别。与以往主要依据主观对某种岩性占比、定性识别岩性相比，本申请实施例可以依据岩相识别模型及特定的储层参数对划分出的沉积微相进行岩相识别，更加客观、细致且识别直观、快速，从而提高了洪积扇砂砾岩储层岩相识别的准确度和识别效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本申请一实施例中洪积扇砂砾岩储层岩相识别方法的流程图；

图2a为本申请一实施例中砾岩成分三角图；

图2b为本申请一实施例中砂岩成分三角图；

图3为本申请一实施例中单井沉积相划分示意图；

图4a～图4f为图3所示单井沉积相划分示意图中，粒度分析部分的放大示意图；

图5a～图5f为本申请一实施例中洪积扇扇顶主要沉积构造示意图；

图6为本申请一实施例中沉积微相平面分布图；

图7为本申请一实施例中沉积微相-岩相平面分布图；

图8为本申请一实施例中洪积扇砂砾岩储层岩相识别装置的结构框图；

图9为本申请另一实施例中洪积扇砂砾岩储层岩相识别装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

参考图1所示，本申请实施例的洪积扇砂砾岩储层岩相识别方法可以包括以下步骤：

s101、确定洪积扇扇顶的沉积特征。

在本申请一实施例中，洪积扇的形成不仅受季节性暴雨控制，同时受发育区的地形、地貌制约。而且，不同地区形成的洪积扇，沉积特征往往差异很大，有必要在开展沉积微相研究之前通过分析储层岩石学特征、粒度分布特征和沉积构造特征来确认研究区洪积扇扇顶沉积特征。

在本申请一实施例中，可基于取芯井岩芯薄片鉴定统计资料，并利用成分三角图分析方法分别制作砾岩成分三角图(例如图2a所示)和砂岩成分三角图(例如图2b所示)，从而使得根据成分三角图可以确定各种岩性和矿物含量的百分占比。

在本申请一实施例中，还可基于取芯井岩芯粒度分析统计资料，并利用粒度概率曲线图分析方法，分别制作各取芯井段的粒度概率曲线分布图(例如图4a～图4f所示)，以便于明确研究区搬用沉积的水动力机制。

在本申请一实施例中，沉积构造是恢复古沉积环境的重要标志，它是沉积物沉积时水动力条件的直接反映，因此具有良好的指相性，通过取芯井岩芯图像观察可以认识各种沉积构造(例如图5a～图5f所示)，以便于识别研究区的古沉积环境。其中，图5a为卵石质砾岩的图像；图5b为洪积层理的图像；图5c为平行层理(细砂岩)的图像；图5d为冲刷面上砾岩定向排列的图像；图5e为斜层理的岩芯图像，图5f为粒序层理的图像。

s102、根据所述沉积特征识别出所述洪积扇扇顶内的沉积微相。

在本申请一实施例中，依据洪积扇扇顶的沉积特征、测井曲线等资料可以进行洪积扇扇顶的沉积微相的划分，在本申请一示例性实施例中，洪积扇扇顶的沉积微相的划分可例如图3及下表1所示。

表1

从表1中可以看出，洪积扇扇顶的沉积微相可以包括主槽、槽滩和漫洪带。其中，主槽和槽滩的含油性较好。漫洪带中大部分为泥岩，但是也存一些砂岩、细砂岩，可以认为漫洪带不含油或含油性较差。

在本申请一实施例中，在识别出所述洪积扇扇顶内的沉积微相的基础上，还可以绘制出沉积微相的平面分布图，例如图6所示。

s103、根据所述洪积扇扇顶内的取芯井数据形成岩相样本数据。

在本申请一实施例中，可对洪积扇扇顶内取芯井的岩芯进行单井相观察分析，以统计不同岩相所对应特定的储层参数的取值范围。而不同岩相及其对应特定的储层参数的取值构成了岩相样本数据。在本申请一示例性实施例中，不同岩相所对应特定的储层参数的取值范围例如可以如下表2所示。

在本申请一实施例中，特定的储层参数可以是从众多典型样本中提取了反映各岩相的储层参数，然后通过逐步判别分析、优选出的对本区岩相分类起主要作用的储层参数。在一示例性实施例中，从表2中可以看出，起特定的储层参数可以包括声波时差、电阻率、孔隙度、渗透率、泥质含量和粒度中值。

表2

s104、以一部分岩相样本数据训练样本，利用贝叶斯判别方法构建所述沉积微相内不同岩相的岩相识别模型；其中，所述岩相识别模型包含特定的储层参数与岩相的对应关系。

在本申请一实施例中，可以一部分岩相样本数据训练样本，并利用贝叶斯(bayes)判别方法构建所述沉积微相内不同岩相的岩相识别模型。其中，bayes判别方法原理如下：

首先优选出对本区岩相分类起主要作用的储层参数，将标准样品分组，建立判别分析的输入文件，利用bayes判别分析法建立各类储层的岩相识别模型。其通式为：

第i类岩相的岩相识别模型为：

pi＝α0i+∑α0ixij,i＝1,2,3,4；j＝1,2,...11.

其中，α为判别系数，xij为i类岩相的第j个特征变量，pi为待判储层属于第i类储层的判别值。

bayes判别分析的准则是：假设样品来自各类母体是等可能的，由bayes公式计算这一样品来自第i类的后验概率pi：

其中，pi(y1...ym)为样品y(y1...ym)属于第i组的概率密度，q1为第i组的先验概率。可用样品的频率作为先验概率的估计值，即q1＝n1/n，判别样品归属类型的准则是pi(y1...ym)为最大。

当岩相识别模型等于时，则把新样品y(y1...ym)划入第s类。

在本申请一示例性实施例中，利用bayes判别分析方法建立了沉积微相内不同岩相的岩相识别模型:

①砾岩相识别模型：

y＝966.944*ф-153.246*k-2.725*md-0.210*vsh+240.684*rt-2905.827

②砂砾岩相识别模型：

y＝951.834*ф-151.696*k-1.436*md-0.071*vsh+236.851*rt-2814.702

③砂岩相识别模型：

y＝856.504*ф-136.818*k-0.248*md+0.812*vsh+220.030*rt-2356.630

④泥岩相识别模型：

其中，ф为孔隙度，k为渗透率，md为粒度中值，vsh为泥质含量，rt为电阻率，ac为声波时差。

在本申请一实施例中，由于不同岩石相的储集物性是有差异，因此通过建立不同类型岩相的岩相识别模型可以有利于可找出最好的储集体。

s105、基于余下的岩相样本数据验证所述岩相识别模型是否满足预设要求。

在本申请一实施例中，为验证或检验上述s104所构建的岩相识别模型的性能，可以基于余下的岩相样本验证所述岩相识别模型是否满足预设要求。例如，对于砾岩相识别模型，可以将余下的岩相样本中的砾岩相数据作为模型输入，然后根据输出结果判断砾岩相识别模型的识别性能。在本申请一实施例中，所述验证所述岩相识别模型是否满足预设要求，例如可以是验证所述岩相识别模型的识别准确率是否大于预设的准确率阈值；如果大于，则表明该岩相识别模型的识别性能准确可靠。否则，可进一步优化(例如调整系数、调整数据样本等)所述岩相识别模型以使之满足要求。

s106、在所述岩相识别模型满足预设要求时，获取所述沉积微相内目标层岩石的特定的储层参数值，并将其代入所述岩相识别模型，得到所述目标层岩石的岩相类型。

在本申请一实施例中，所述获取沉积微相内目标层岩石的特定的储层参数值，并将其代入所述岩相识别模型，得到所述目标层岩石的岩相类型，具体包括：将获取的沉积微相内目标层岩石的特定的储层参数值，分别代入每个岩相识别模型(例如上述的砾岩相识别模型、砂砾岩相识别模型、砂岩相识别模型和泥岩相识别模型)，可以对应得到多个y值；确定多个y值中的最大者，并将最大者对应的岩相类型赋予所述目标层岩石。

在本申请一实施例中，所述岩相识别模型满足预设要求是指所述沉积微相内不同岩相的岩相识别模型均满足预设要求。此时，则可以将其用于沉积微相的非取芯井区域内不同岩相的岩相时别。一般的，目标层内的砂岩可进一步分为砾岩、砂砾岩、粗砂岩、细砂岩等，各种岩性的物性是有差异的，并且这些岩性是混在一起的。与以往主要依据主观对某种岩性占比、定性识别岩性相比。本申请实施例可以依据岩相识别模型及特定的储层参数对沉积微相进行岩相识别，更加客观、细致，且直观、快速。

在本申请一实施例中，在步骤s106之后还可以以小层为单位，确定岩相在同一小层中的组合及所占比例；然后以岩相在同一小层中的组合及所占比例为依据,确定沉积微相内小层的岩相平面分布，例如图7所示。一般的，目标层有地层厚度，统计小层中各类岩性的厚度，可计算出各类岩性厚度占小层地层厚度的百分比。

参考图8所示，本申请一实施例的洪积扇砂砾岩储层岩相识别装置可以包括：

沉积特征确定模块81，可以用于确定洪积扇扇顶的沉积特征；

沉积微相确定模块82，可以用于根据所述沉积特征识别出所述洪积扇扇顶内的沉积微相；

样本数据获取模块83，可以用于根据所述洪积扇扇顶内的取芯井数据形成岩相样本数据；

识别模型构建模块84，可以用于以一部分岩相样本数据训练样本，利用贝叶斯判别方法构建所述沉积微相内不同岩相的岩相识别模型；所述岩相识别模型包含特定的储层参数与岩相的对应关系；

识别模型检验模块85，可以用于基于余下的岩相样本数据验证所述岩相识别模型是否满足预设要求；

岩相类型识别模块86，可以用于在所述岩相识别模型满足预设要求时，获取所述沉积微相内目标层岩石的特定的储层参数值，并将其代入所述岩相识别模型，得到所述目标层岩石的岩相类型。

在本申请另一实施例中，上述洪积扇砂砾岩储层岩相识别装置还可以包括岩相分布确定模块，其用于在得到所述目标层岩石的岩相类型之后，以小层为单位，确定岩相在同一小层中的组合及所占比例；并以岩相在同一小层中的组合及所占比例为依据,确定沉积微相内岩相平面分布。

参考图9所示，本申请一实施例洪积扇砂砾岩储层岩相识别装置，可以包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时执行如下步骤：

确定洪积扇扇顶的沉积特征；

根据所述沉积特征识别出所述洪积扇扇顶内的沉积微相；

根据所述洪积扇扇顶内的取芯井数据形成岩相样本数据；

以一部分岩相样本数据训练样本，利用贝叶斯判别方法构建所述沉积微相内不同岩相的岩相识别模型；所述岩相识别模型包含特定的储层参数与岩相的对应关系；

基于余下的岩相样本数据验证所述岩相识别模型是否满足预设要求；

在所述岩相识别模型满足预设要求时，获取所述沉积微相内目标层岩石的特定的储层参数值，并将其代入所述岩相识别模型，得到所述目标层岩石的岩相类型。

虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。