引用本文
覃瑞东, 林振洲, 潘和平, 秦臻, 邓呈祥, 纪扬, 徐伟. 木里地区水合物及岩性测井识别方法[J]. 物探与化探, 2017,41(6): 1088-1098.
QIN Rui-Dong, LIN Zhen-Zhou, PAN He-Ping, QIN Zhen, DENG Cheng-Xiang, JI Yang, XU Wei. Identification of hydrate and lithology based on well logs in Muli area[J]. Geophysical and Geochemical Exploration, 2017,41(6): 1088-1098.
Doi:10.11720/wtyht.2017.6.14  
Permissions
Copyright©2017, 物探与化探编辑部
#cod#x00A9; 《物探与化探》编辑部
木里地区水合物及岩性测井识别方法
覃瑞东1, 林振洲1,2, 潘和平1, 秦臻1, 邓呈祥1, 纪扬1, 徐伟1
1.中国地质大学(武汉) 地球物理与空间信息学院,湖北 武汉 430074
2.中国地质科学院 地球物理地球化学勘查研究所,河北 廊坊 065000
通讯作者：潘和平(1953-),男,教授,博士生导师,主要从事测井与井中物探的教学和科研工作。Email:panpinge@163.com

作者简介: 覃瑞东(1992-),男,硕士生在读,主要从事测井方法与解释研究工作。Email:qinruidong@cug.edu.cn

收稿日期: 2017-09-08
基金: 国家127专项“天然气水合物资源勘查与试采工程”项目(GZHL20110324,GZH201400305); 中国地质调查局地质调查项目(DD20160224)
摘要

木里地区由于断层、裂隙发育,以及多种岩性都存在天然气水合物,地质背景复杂,导致各种岩性的测井响应特征复杂,给天然气水合物及岩性识别带来一定的难度。本文通过分析多口井水合物及岩性的测井响应特征,利用直方图和交会图研究各种岩性在含天然气水合物或有水合物异常与不含天然气水合物时的测井响应的差异,找出对水合物反映敏感的测井参数,对该地区的水合物及岩性进行识别。然后综合利用对天然气水合物响应明显的自然伽马(GR)、电阻率(RT)、声波时差(AC)和补偿密度(DEN)等测井曲线,采用贝叶斯和BP神经网络两种方法识别岩性。识别结果与录井岩性吻合良好,准确识别出了含水合物地层的岩性,为木里地区寻找有利的天然气水合物储层提供了依据。

关键词: 木里地区; 天然气水合物; 测井响应特征; 岩性识别
中图分类号:P631.4 文献标志码:A 文章编号:1000-8918(2017)06-1088-11
Identification of hydrate and lithology based on well logs in Muli area
QIN Rui-Dong1, LIN Zhen-Zhou1,2, PAN He-Ping1, QIN Zhen1, DENG Cheng-Xiang1, JI Yang1, XU Wei1
1.Institute of Geophysics and Geomatics,China University of Geosciences (Wuhan),Wuhan 430074,China
2.Institute of Geophysical and Geochemical Exploration,CAGS,Langfang 065000,China
Abstract

The geological background in Muli area is very complex due to the well-developed faults,fractures and lithologic difference of gas hydrate-bearing formations,which makes it more difficult to identify the lithology with well logging data.Through the analysis of logging response characteristics,the differences between lithologic characters can be found so as to recognize the lithology that contains gas hydrate by utilizing histogram and cross-plot methods.According to natural gamma ray (GR),resistivity (RT),acoustic travel time (AC),and compensated density (DEN),which are sensitive to gas hydrate,the gas hydrate-bearing formation and lithology can be classified by using Bayesian discriminant and BP neural network.The identification results are consistent with the core data,the gas hydrate-bearing lithology is recognized accurately,which can provide some reference for the exploration of gas hydrate.

Keyword: Muli area; gas hydrate; well logging response characteristics; lithological identification
0 引言

天然气水合物(natural gas hydrate)是在低温高压条件下自然产生的一种白色结晶状固体物质, 主要由水分子形成的众多笼形结构以及结构内所包含的天然气分子(大部分为甲烷)所组成, 主要分布于海底沉积物和陆域永久冻土带中[1]。作为一种主要的新能源和化石燃料的替代品, 天然气水合物已经得到越来越多的关注, 其全球储量估计达到2.1× 1016 m3, 相当于常规的煤、石油和天然气总和的两倍[2]。自1967年俄罗斯科学家首次在极地永久冻土带发现天然气水合物后, 又陆续在世界各处的许多高纬度地区发现了天然气水合物[3]。我国的青藏高原和大兴安岭地区存在大片冻土区, 经学者研究具备较好的天然气水合物形成条件, 并于2008年11月5日在祁连山木里地区的DK-1钻孔133.5~135.5 m层段首次获得水合物样品, 之后又陆续获得了更多的水合物样品, 这也是首次在中纬度地区的冻土带发现天然气水合物[4]。

地球物理测井是一种能够有效地识别和评价天然气水合物的方法, 除了根据高电阻率和高声波时差来识别水合物外, 也可以根据测井数据定量计算地层的孔隙度和含天然气水合物的饱和度, 从而做出相应的评价[5, 6, 7]。例如Alaska北坡的664~677 m地层的地球物理测井数据包括井径、自然伽马、自然电位、电阻率、声波时差和中子孔隙度, 与相邻地层相比, 都具有很明显的含水合物的特征[8]。曲璐等人采用交会图技术对木里地区的岩性进行识别和划分[9]。林振洲等人根据岩心测试数据, 得到了适合木里地区的孔隙度计算公式和水合物饱和度计算公式[10]。目前用于岩性识别的方法可分为线性识别法和非线性识别法两类。线性识别法有贝叶斯识别、Fisher识别等多元统计方法, 如刘秀娟等人使用多元统计方法建立识别函数对岩性进行识别[11, 12]; 目前常用的非线性识别方法包括各种神经网络和支持向量机[13, 14], 如张洪等人通过BP神经网络, 利用测井数据进行岩性识别[15]; 牟丹等人通过分析火山岩岩石测井数据的组合响应特征, 采用支持向量机(SVM)方法进行岩性识别[16]。

由于木里地区水合物赋存于多种不同岩性的地层内, 使其测井响应特征变得复杂, 从而加大了水合物及岩性识别的难度[17]。笔者在前人研究基础上, 进一步研究和总结了天然气水合物的测井响应特征, 综合利用多条测井曲线进行识别。并选取步骤简单但识别效果好的贝叶斯识别和BP神经网络识别两种方法进行岩性的识别与划分, 将识别结果与实际地层对比, 得到天然气水合物储层识别的方法, 从而为该地区的水合物和岩性识别提供参考。

1 地质概况

本文的研究区域位于青海省天峻县的木里煤田聚乎更矿区(图 1), 属于青藏高原北部的祁连山冻土区[18]。祁连山脉分布着众多侏罗纪小型含煤盆地, 共同构成了祁连山含煤盆地群, 其内广泛发育的多年冻土层呈岛状分布, 平均厚度80 m。南祁连盆地位于祁连山内冻土区的中南部, 可细分成五个次级坳陷, 而木里坳陷的勘探前景最好, 其分布有四套烃源岩, 分别为侏罗系暗色页泥岩、上三叠中统尕勒得寺组暗色泥岩、下二叠统中草地沟组暗色灰岩、石炭系暗色泥(灰)岩。祁连山的冻土区内具有的气源条件良好, 比较有利于天然气水合物的形成[19]。地形上, 研究区在总体上的特征为东低西高、南高北低, 位于4 026~4 128 m的高海拔区域内, 通常其冻土层的厚度在60~80 m之间。在研究区内除有第四系地层出露外, 还主要有中侏罗统江仓组(J2j)与木里组(J2m), 主要岩性见表 1[20]。

木里地区所发现的天然气水合物均位于冻土层之下, 赋存层位主要为中侏罗统江仓组, 主要储集层段为133.0~396.0 m 的区间。主要储集在粉砂岩、油页岩、泥岩和细砂岩等致密类型的岩石中。储集层段受到多期构造运动和断层系统的影响, 岩石裂缝较为发育。构造活动、较粗岩性地层分布以及冻土层地温和岩性是控制水合物层分布的主要地质条件。其中, 断层是最主要控制因素, 主断层可作为主要气源和流体通道, 小断层和破碎带可作为水合物部分流体来源及储存空间。木里地区天然气水合物有两种可能的产出方式:一是裂隙型天然气水合物, 主要以薄层状、片状、团块状赋存于粉砂岩、泥岩、油页岩的裂隙中, 单层厚度仅数毫米, 肉眼可观测; 二是孔隙型天然气水合物, 主要以浸染状赋存于细粉砂岩的孔隙中, 肉眼难以观测, 但可通过岩心中不断冒出的气泡和水珠, 或者红外测温中的分散状低温异常来推测或证实这类水合物的存在。裂隙型天然气水合物为木里地区最主要的天然气水合物赋存类型。但不论是明显的水合物实物还是异常现象, 均主要见于断层发育、岩性较粗的层段, 表明相对较粗的岩性更利于水合物的形成和存储。由于研究区域内地质构造复杂、断裂发育、岩性变化较大, 加之水合物赋存状态复杂, 加大了该地区水合物及岩性识别的难度, 也使得各钻孔间天然气水合物层的横向对比困难[21]。

图1 聚乎更矿区主要构造及井位分布(根据文献[20-21])

表1 研究区域内江仓组和木里组岩性
2 识别方法
2.1 贝叶斯识别

贝叶斯的基本思想是:假定对所研究的对象在抽样前已有一定的认识, 常用先验概率分布来描述这种认识, 然后基于抽取的样本再对先验认识作修正, 得到后验概率分布, 再基于后验概率分布作各种统计判断, 将贝叶斯统计的思想应用于识别分析, 就得到贝叶斯识别方法。假设共有M种岩性, 共有N个样本, 每种岩性有Ni个样本, 每个样本有K个测井参数。当每种岩性均服从正态分布时, 识别方法就有所不同, 此时贝叶斯识别算法分为两步:在学习过程中, 利用已分类的学习样本, 采用贝叶斯算法建立识别函数; 在预测过程中, 利用识别函数对样本数据及待识别数据进行分类。重新排列N个样本, 并将所有的N行样本数据按岩性分为M组, 并依岩性类别组号次序重新排列为:

Xij=(Xij1, Xij2, …, Xijk), (1)

i=1, 2, …, M; j=1, 2, …, Ni; k=1, 2, …, K; 然后计算各组地质参数的平均值以及协方差矩阵的逆矩阵:

其中k1=1, 2, …, K; k2=1, 2, …, K, 表示不同的测井曲线。最后计算识别函数:

yk表示待预测样本的第k个测井值, 识别函数系数矩阵C中:

式(5)是贝叶斯识别算法的分组公式, 其计算结果的最大值所对应的i值即学习样本数据或待识别数据的预测岩性组号。因此, 这个公式既可以计算学习样本数据的拟合度, 又可预测待识别数据的分组值。计算学习样本数据的拟合度只需将每个样本数据Xijk回代入yk中, Fi中最大值所对应的i值即为所预测的岩性类别, 将计算的i与实际的i值进行比较, 就可以得到拟合误差, 反映学习样本过程中的拟合度。预测待识别数据的分组值时, 将yk代入式(5), 计算出Fi中的最大值所对应的i即为预测的岩性类别。如果有地质录井或人工识别的地层资料, 就能将计算的i与实际的i进行比较, 得到预测误差, 反应预测过程中的精确度。

2.2 BP神经网络

人工神经网络只需通过自身的训练, 在给定输入值时得到最接近期望输出值的结果, 无需事先确定输入输出之间映射关系的数学方程。BP神经网络是一种按误差反向传播训练的多层前馈网络, 基本思想是梯度下降法, 从而使得神经网络的实际输出值和期望输出值的误差均方差达到最小。

一般BP神经网络模型结构为一个输入层、多个隐层、一个输出层(图 2), 只要隐层的节点个数足够多, 就可以逼近任一非线性映射, 故多数情况下只采用一个多节点的隐层。BP神经网络模型结构的特点为:除了输入层和输出层, 还有一个多节点的隐层; 同一层的网络节点之间相互不连接; 相邻两层之间的神经元都要相互连接; 只在相邻两层之间有单向信息传递, 同层或者跨层均无信息交换。网络训练模式确定后, 各节点的值从输入层经隐层向输出层传播, 在输出层的各节点获得网络的输出, 按减小期望输出与实际输出的网络误差方向, 从输出层经隐含层到输入层逐层修正各连接权重值(Wij, Wjk)与阈值(Oj, Ok), 最后回到输入层。随着网络误差的反向传播不断进行, 网络训练对输入模式的响应正确率不断提高, 最终使网络的全局误差趋于一个最小值。

图2 神经网络结构示意

人工神经网络研究对象是学习样本和待预测样本, 分别用于学习过程和预测过程。人工神经网络需要足够多的学习样本, 来确保学习过程得到的信息可靠而精确, 进而确保预测结果的可信度。每一组学习样本具有已知参数与预测参数, 而待预测样本只需要有已知参数, 预测参数由人工神经网络计算得出。BP人工神经网络分为两个过程:学习过程, 采用BP模型, 用学习样本的已知指标和预测指标, 来求学习样本的预测指标与已知指标间的非线性关系; 预测过程, 利用计算出的非线性关系, 根据学习样本和待预测数据的已知指标的值, 分别求出学习样本和待预测数据的预测指标的值。

3 水合物及岩性测井响应特征
3.1 水合物测井响应特征

国内外在研究天然气水合物储层时, 经常使用自然伽马(GR)、井径(CAL)、电阻率(RT)、补偿密度(DEN)、补偿中子(CNL)以及声波时差(AC)等6种常规测井方法。天然气水合物在形成时会从周围吸收大量的水和烃类气体, 导致放射性元素沉积困难, 且水合物一般赋存于砂岩储层, 所以含天然气水合物的层段自然伽马测井值会降低; 但同时单位体积内含氢量增加, 从而使得补偿中子测井值变大。在钻探至水合物储层时, 水合物层的温压条件发生变化, 使水合物发生分解, 若水合物已固结成岩, 水合物分解对井径影响不大; 若未固结成岩, 则会导致井孔扩径。纯天然气水合物的电阻率很高, 一般视为绝缘体, 因此当地层含水合物时会使其电阻率测井值增大。纯水合物的密度为0.9 g/cm3, 小于不含水合物层段的孔隙所填充的矿化流体, 含水合物地层的密度测井值会低于相近深度不含水合物的地层。根据实验室测量结果, 纯水合物的纵波速度(3.3~3.6 km/s)要大于水的纵波速度(1.6 km/s), 当岩性和孔隙结构相近时, 含水合物地层的声波时差测井值会减小。综上可知, 含天然气水合物层段所特有的物理性质常呈现出独特的测井响应特征:低自然伽马、井径扩大、高电阻率、低密度、高中子孔隙度以及低声波时差等, 尤其是高电阻率和低声波时差特征最为明显[22, 23]。但由于实际许多因素的干扰, 根据常规测井的一种或两种数据来识别天然气水合物储层可能出现不准确的结果。例如不含水合物的地层, 若孔隙增加也会使得密度测井值减小和声波时差测井值增大。因此需要结合实际情况, 综合多种测井数据来识别天然气水合物储层。在木里地区众多井孔中, DK-1、DK-2、DK-3、DK-8等是被确认有天然气水合物晶体存在或观察到天然气水合物异常(疑似水合物)的井, 确认含天然气水合物晶体的层段如表2所示。

DK-1井中, 在133.50~135.50 m细砂岩层、142.90~147.70 m粉砂岩层和165.30~165.50 m粉砂岩层中均有天然气水合物晶体出现(图3中绿色区域), 在169.00~170.50 m观察到水合物异常(图3中黄色区域), 这4层的测井响应特征见表 3。根据图可知, 第一层和第二层含水合物储层和相邻地层的电阻率测井值对比, 呈现出明显的高阻异常; 这两层含水合物储层的声波时差测井值和相邻岩层对比, 均表现为低值异常; 第一层水合物储层的密度测井值有随着深度的加深而呈逐渐降低的趋势, 第二层测井值则在2.24 g/cm3左右细微变化, 未表现出明显的密度降低的特征; 第一层水合物储层的自然伽马测井值比第二层水合物储层小, 这可能是由于粉砂岩中粘土矿物含量高于细砂岩, 从而引起第二层自然伽马数值变大, 但这两层含水合物储层的自然伽马测井值和相邻岩层的自然伽马测井值比较表现出了较为明显的低值异常。第三层较薄, 但仍能看到有自然伽马值降低和地层电阻率升高的特征。第四层则可以观察到自然伽马变小、电阻率变大、声波时差变小以及密度变小的特征, 但水合物特征比第一层微弱。

表2 各井孔含天然气水合物层段

图3 DK-1井含水合物层段测井曲线

表3 DK-1井含水合物层段测井响应特征

DK-3井中, 在133.00~156.00 m细砂岩层、225.10~240.10 m粉砂岩层有天然气水合物晶体出现(图4中绿色区域), 其测井响应特征见表 4。由图4可知, 第一层水合物储层井径波动比较剧烈, 与邻近地层相比有比较明显的高阻异常; 自然伽马值整体未呈现出低值, 但局部有自然伽马值减小; 与下面的地层相比, 密度值有所减小; 与邻近地层相比, 声波时差较上覆地层有所增大。第二层水合物储层地层电阻率增大不明显, 储层下部自然伽马值降低, 声波时差和密度也未表现出明显的含水合物特征。

图4 DK-3井含水合物层段测井曲线

表4 DK-3井含水合物层段测井响应特征

在上述地层中, 只有DK-1井的第一层表现出明显的电阻率高值异常、密度低值异常、声波时差低值异常及自然伽马低值异常的组合特征, 符合天然气水合物储层测井响应特征的。其它层段的水合物特征则不太明显或者不具备含水合物地层的所有测井响应特性, 这可能是由于储集水合物地层的岩性差异所引起。因此在识别含水合物地层时, 需要综合利用多条测井曲线的信息, 结合其它地质信息综合判断, 才能得到更准确的识别结果。

3.2 岩性测井响应特征

木里地区主要有粗砂岩、中砂岩、细砂岩、粉砂岩、泥岩、油页岩和煤等7种岩性, 而根据钻井的结果可知, 天然气水合物储集层的岩性主要为细砂岩、粉砂岩、泥岩、油页岩及少数中砂岩。为了进一步认识木里地区含水合物地层的测井响应特征, 以SK-1和SK-2井为例, 分别利用直方图和交会图分析同一种岩性的地层中, 含水合物或有水合物异常与不含水合物时岩性测井响应的区别, 从而得出含水合物层段测井响应特征的统计结果。

根据SK-2井泥岩段天然气水合物层和常规泥岩层的测井响应可以看到(图5):该水合物层的声波时差主要分布在190~310 μ s/m之间, 而普通泥岩段的声波时差主要分布在210~300 μ s/m之间, 虽然水合物层的声波时差值范围较广, 但它的峰值集中在220 μ s/m左右, 比普通泥岩段250 μ s/m要低; 该水合物层的密度主要分布在2.40~2.56 g/cm3之间, 普通泥岩段在2.32~2.74 g/cm3之间, 它们基本重合以致难区分开来; 对于自然伽马, 含水合物层主要分布在70~115 API之间, 而普通泥岩段主要分布在95~160 API之间, 明显比含水合物层高, 二者重合的区域也较小; 水合物层的地层电阻率主要分布在50~240 Ω · m之间, 而普通泥岩段的电阻率分布, 在40~80 Ω · m之间, 水合物层的电阻率平均要比普通泥岩层高。目前已知地层水的矿化度在整个探区内是非常低的, 且没有较大变化, 故天然气水合物所赋存岩性的类型及水合物在储层中的含量是影响天然气水合物储层段测井响应特征的主要因素。

图5 SK-2井含天然气水合物泥岩与常规泥岩测井响应直方图

SK-1井粉砂岩中的水合物特征如图6所示, 高电阻率是其最明显的特征, 且含水合物细砂岩的电阻率要比有水合物异常的细砂岩的电阻率高; 其次含水合物细砂岩的自然伽马测井值整体偏小, 约为80 API; 含水合物细砂岩的声波时差整体略大于有水合物异常和常规细砂岩; 三者的密度测井值重合在一起, 差异不明显。该井的粉砂岩中的疑似水合物与普通粉砂岩岩层特征相似, 几乎重合, 岩芯记录特征为观察到孔隙气泡, 可能该层段水合物含量不高及分布不均, 所以对测井值的影响较小。

4 岩性识别结果及分析

通过前面天然气水合物的测井响应特征分析可知:密度、自然伽马、声波时差和电阻率在一定程度上能够区分沉积岩的岩性和含天然气水合物的地层, 故在这里学习样本与待识别数据均选用了密度、自然伽马、声波时差和电阻率这四种测井参数。其中, 学习样本共选用测井数据1 679行, 不含天然气水合物的地层每种样本都在100个以上, 含天然气水合物的地层中, 除了未发现天然气水合物晶体的粗砂岩和煤层, 其他地层的样本数均在20个以上。

DK-2井在DK-1井南侧约20 m处, 构造复杂, 断层、裂隙发育。在377.3~387.5 m层段的岩性为灰色、灰白色中砂岩, 成分以石英为主, 局部裂隙发育, 天然气水合物及其异常见于岩层孔隙中。文中以DK-2井为例, 利用挑选出来的样本进行学习, 使用贝叶斯和BP神经网络两种方法进行岩性识别。

图6 SK-1井常规粉砂岩与含水合物或有水合物异常粉砂岩测井响应交会图

其中根据贝叶斯识别方法, 通过样本学习得到的识别函数系数见表 5。比较各种岩性不同测井数据的系数可知, 煤的密度系数最小, 也反映了煤层密度较低的特性; 泥岩、粉砂岩和油页岩的自然伽马系数要大于其它岩性, 与实际这三种岩性的地层中放射性物质较多相符; 除了煤的声波时差系数略小外, 各种岩性声波时差系数相差不大; 而对于地层电阻率, 煤的系数要明显大于其它岩性。因此从识别系数中也可以了解到各种岩性的相关物理性质。BP神经网络识别的网络参数如表 6所示。最后代入识别样本, 两种方法的识别结果如表7所示。

表5 贝叶斯识别函数系数
表6 BP神经网络参数
表7 DK-2井375.50~516.70 m岩性识别结果

DK-2井中, 两种方法识别的岩性结果显示, 不同岩性类别和整体趋势与录井岩性剖面吻合较好, 含水合物储层段岩性识别较好。如在377.3~387.5 m的含水合物或有水合物异常的层段, 岩性为中砂岩。而两种识别方法的结果都显示, 该层段上部为细砂岩, 下部为中砂岩。结合测井数据可知, 该层段下部分具有低自然伽马值(28.99API), 明显低于该层段上部分; 此外下部分的声波时差也有所降低, 符合含水合物层段的测井响应特征。因此该层段的水合物应主要位于下部的中砂岩层段。对于其他深度段的常规岩性, 总体上泥岩识别效果较好, 其明显特征是低电阻率、高自然伽马。细砂岩和粉砂岩常误判, 其原因是在不同深度段, 这两种岩性的自然伽马值和电阻率值变化范围很大, 可能是由地层的孔隙结构和泥质含量不同引起。

5 结论

由于木里地区断层、裂隙发育, 而且天然气水合物赋存于多种不同的岩性中, 使得该地区天然气水合物测井响应特征比海域和极地都要复杂。除DK-1井中133.50~135.50m含水合物层段表现出了明显的高电阻率、低声波时差、低自然伽马和低密度的组合特征外, 其它含水合物层段都不具备所有的天然气水合物测井响应特征或某些响应特征不明显。对比常规岩性与含水合物或有水合物异常岩性地层的测井响应特征, 含水合物会使地层声波时差减小, 自然伽马值减小以及地层电阻率增大, 但密度差异不明显。这为木里地区天然气水合物的识别提供了依据。根据测井响应统计规律, 文中采用贝叶斯和BP神经网络两种方法对岩性进行识别。综合利用自然伽马、地层电阻率、声波时差和孔隙度四条测井曲线, 挑选出响应特征明显的学习样本, 从而提高水合物及地层岩性识别的准确性。识别的岩性与录井剖面对比吻合很好, DK-2井中含水合物层段的岩性能够被准确识别; 泥岩由于低电阻率和高自然伽马的测井响应特征明显, 识别准确率高; 细砂岩和粉砂岩有时会相互误判, 主要是由于这两种岩性由于孔隙结构和泥质含量的差异, 在不同深度的测井响应变化很大, 这也进一步说明了该地区岩性的复杂。

致谢:文章编写过程中得到地球物理地球化学勘查研究所高文利、孔广胜、方慧等专家的指导, 在此一并致谢。

(本文编辑:叶佩)

The authors have declared that no competing interests exist.

参考文献
[1] 祝有海, 张永勤, 文怀军, 等. 青海祁连山冻土区发现天然气水合物[J]. 地质学报, 2009, 83(11): 1762-1771. [本文引用:1]
[2] Zuo Y, Wang Q, Lu Z, et al. Tectono-thermal evolution and gas source potential for natural gas hydrates in the Qilian Mountain permafrost, China[J]. Journal of Natural Gas Science and Engineering, 2016, 36: 32-41. [本文引用:1]
[3] Sun Z, Yang Z, Mei H, et al. Geochemical characteristics of the shallow soil above the Muli gas hydrate reservoir in the permafrost region of the Qilian Mountains, China[J]. Journal of Geochemical Exploration, 2014, 139: 160-169. [本文引用:1]
[4] 王平康, 祝有海, 卢振权, 等. 祁连山冻土区天然气水合物岩性和分布特征[J]. 地质通报, 2011, 30(12): 1839-1850. [本文引用:1]
[5] 郭星旺, 祝有海. 祁连山冻土区DK-1钻孔天然气水合物测井响应特征和评价[J]. 地质通报, 2011, 31(12): 1868-1873. [本文引用:1]
[6] 王祝文, 李舟波, 刘菁华. 天然气水合物评价的测井响应特征[J]. 物探与化探, 2003, 27(1): 13-17. [本文引用:1]
[7] 田贵发, 栾安辉, 赵平, 等. 天然气水合物储集类型的测井响应特征[J]. 中国煤炭地质, 2013, 25(8): 55-61. [本文引用:1]
[8] Kvenvolden K A. Gas hydrates-geological perspective and global change[J]. Reviews of Geophysics, 1993, 31: 173-173. [本文引用:1]
[9] 曲璐, 邹长春, 宗青颖, 等. 青海木里三露天天然气水合物钻孔岩性测井识别[J]. 现代地质, 2015(5): 1122-1129. [本文引用:1]
[10] 林振洲, 李洋, 高文利, 等. 祁连山冻土区天然气水合物层位测井物性分析[J]. 物探与化探, 2013, 37(5): 834-838. [本文引用:1]
[11] Dong S, Wang Z, Zeng L. Lithology identification using kernel Fisher discriminant analysis with well logs[J]. Journal of Petroleum Science and Engineering, 2016, 143: 95-102. [本文引用:1]
[12] 刘秀娟, 陈超, 曾冲, 等. 利用测井数据进行岩性识别的多元统计方法[J]. 地质科技情报, 2007, 26(3): 109-112. [本文引用:1]
[13] Horrocks T, Holden E J, Wedge D. Evaluation of automated lithology classification architectures using highly-sampled wireline logs for coal exploration[J]. Computers & Geosciences, 2015, 83: 209-218. [本文引用:1]
[14] Konaté A A, Pan H, Fang S, et al. Capability of self-organizing map neural network in geophysical log data classification: case study from the CCSD-MH[J]. Journal of Applied Geophysics, 2015, 118: 37-46. [本文引用:1]
[15] 张洪, 邹乐君, 沈晓华. BP 神经网络在测井岩性识别中的应用[J]. 地质与勘探, 2002, 38(6): 63-65. [本文引用:1]
[16] 牟丹, 王祝文, 黄玉龙, 等. 基于 SVM 测井数据的火山岩岩性识别——以辽河盆地东部坳陷为例[J]. 地球物理学报, 2015, 58(5): 1785-1793. [本文引用:1]
[17] Fang H, Xu M, Lin Z, et al. Geophysical characteristics of gas hydrate in the Muli area, Qinghai province[J]. Journal of Natural Gas Science and Engineering, 2017, 37: 539-550. [本文引用:1]
[18] 卢振权, 祝有海, 张永勤, 等. 青海祁连山冻土区天然气水合物的气体成因研究[J]. 现代地质, 2010, 24(3): 581-588. [本文引用:1]
[19] 曹代勇, 王丹, 李靖, 等. 青海祁连山冻土区木里煤田天然气水合物气源分析[J]. 煤炭学报, 2012, 37(8): 1364-1368. [本文引用:1]
[20] 庞守吉, 苏新, 何浩, 等. 祁连山冻土区天然气水合物地质控制因素分析[J]. 地学前缘, 2013(1): 223-239. [本文引用:1]
[21] 祝有海, 张永勤, 文怀军, 等. 祁连山冻土区天然气水合物及其基本特征[J]. 地球学报, 2010, 31(1): 7-16. [本文引用:1]
[22] Jana S, Ojha M, Sain K. Gas hydrate saturation from heterogeneous model constructed from well log in Krishna-Godavari Basin, Eastern Indian Offshore[J]. Geophysical Journal International, 2015, 203: 246-256. [本文引用:1]
[23] 郭星旺. 祁连山冻土区天然气水合物测井响应特征及评价[D]. 北京: 中国地质科学院, 2011. [本文引用:1]