基于沉积微相特征挖掘的随机森林岩石相测井识别方法——以新场地区须家河组二段致密砂岩为例

doi:10.11720/wtyht.2024.0180

基于沉积微相特征挖掘的随机森林岩石相测井识别方法——以新场地区须家河组二段致密砂岩为例

何小龙^,, 张兵^,, 杨凯, 何一帆, 李琢

成都理工大学地球勘探与信息技术教育部重点实验室,四川成都 610059

A log-based lithofacies identification method based on random forest and sedimentary microfacies characteristics:A case study of tight sandstones in the second member of the Xujiahe Formation in the Xinchang area

HE Xiao-Long^,, ZHANG Bing^,, YANG Kai, HE Yi-Fan, LI Zhuo

Key Laboratory of Earth Exploration and Information Techniques,Ministry of Education,Chengdu University of Technology,Chengdu 610059,China

通讯作者: 张兵(1981-),男,博士,教授,研究方向为沉积学与储层地质学。Email:zhangb@cdut.edu.cn

第一作者: 何小龙(2000-),男,成都理工大学在读硕士研究生,研究方向为地球物理勘探。Email:hexiaolong@stu.cdut.edu.cn

责任编辑: 叶佩

收稿日期: 2024-04-25 修回日期: 2024-06-30

基金资助:

中石化项目“川西坳陷须二段优质储层形成机理与‘甜点’预测”(AH2022-0577)

Received: 2024-04-25 Revised: 2024-06-30

摘要

致密砂岩是天然气和石油的重要储层之一,通过致密砂岩岩石相的识别,可以更加深入地了解储层发育特征。采用岩心观察和测井数据处理相结合,分析新场地区致密砂岩岩石相与沉积微相的特征以及内部联系,通过沉积微相特征数据挖掘,构建具有地质内涵的随机森林分类模型。结果表明:①致密砂岩可划分为泥岩、沙纹层理粉砂岩、块状细砂岩、平行层理细砂岩、块状中粗砂岩、平行层理中粗砂岩、交错层理中粗砂岩7种典型岩石相;②研究区主要沉积微相为水下分流河道、水下分流间湾、河口坝以及前三角洲泥,且与岩石相的沉积联系紧密;③分类模型中可以将沉积微相内GR曲线的相对重心(RM)、变差方根差(GS)、平均中位数(AM)以及平均斜率(M)作为特征参数,增加数据集的特征数;④考虑沉积微相特征尤其是水体能量与水体动荡情况,可以显著提升随机森林分类模型性能。研究结果为机器学习方法识别岩石相提供了新思路,并为致密砂岩油气勘探提供了重要的参考。

关键词： 沉积微相; 随机森林; 岩石相; 须家河组; 致密砂岩

Abstract

Tight sandstones serve as significant oil and gas reservoirs.Their lithofacies identification can assist in further understanding the developmental characteristics of reservoirs.Combining core observations with log data processing,this study analyzed the lithofacies and sedimentary microfacies characteristics of tight sandstones in the Xinchang area and the internal relationships between lithofacies and sedimentary microfacies.Moreover,it constructed a random forest classification model with geological implications through data mining of sedimentary microfacies characteristics.The results show that:(1)Tight sandstones in the Xinchang area can be classified into seven typical lithofacies,including mudstone,siltstone with ripple lamination,massive fine sandstone,fine sandstone with parallel bedding,massive medium- to coarse-grained sandstone,and medium- to coarse-grained sandstone with parallel/cross bedding;(2)The sedimentary microfacies in the Xinchang area consist primarily of subaqueous distributary channel,subaqueous distributary bay,river-mouth bar,and prodeltaic mud,which are closely associated with the sedimentation of lithofacies;(3)In the classification model,the relative centroid(RM),root mean square deviation(GS),average median(AM),and average slope(M) of the gamma ray(GR) curve can be used as the characteristic parameters of sedimentary microfacies to increase the number of characteristics in the dataset;(4)Considering the characteristics of sedimentary microfacies,especially the energy and turbulence of water bodies,can significantly enhance the performance of the random forest classification model.Overall,the results of this study provide a novel approach for lithofacies identification using machine learning methods and a significant reference for oil and gas exploration in tight sandstones.

Keywords： sedimentary microfacies; random forest; lithofacies; Xujiahe Formation; tight sandstone

PDF (5425KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

何小龙, 张兵, 杨凯, 何一帆, 李琢. 基于沉积微相特征挖掘的随机森林岩石相测井识别方法——以新场地区须家河组二段致密砂岩为例[J]. 物探与化探, 2024, 48(5): 1337-1347 doi:10.11720/wtyht.2024.0180

HE Xiao-Long, ZHANG Bing, YANG Kai, HE Yi-Fan, LI Zhuo. A log-based lithofacies identification method based on random forest and sedimentary microfacies characteristics:A case study of tight sandstones in the second member of the Xujiahe Formation in the Xinchang area[J]. Geophysical and Geochemical Exploration, 2024, 48(5): 1337-1347 doi:10.11720/wtyht.2024.0180

0 引言

早在20世纪60年代,四川盆地西部地区就发现了致密砂岩气,但因成藏规律认识、开发成本与技术等多重限制,发展缓慢^[1]。2010年,通过国家审定新场地区须二段气藏新增探明储量超千亿立方米,随致密砂岩油气勘探开发的不断突破,沉积相的宏观刻画已逐渐满足不了生产需要^[2],在测井解释的最终综合分析阶段,岩石相的识别和划分对储层预测和评价意义重大。

岩石相的概念最初由Miall^[3]提出,至今仍被国内外学者广泛借鉴应用,在不同的沉积体系中,岩石相划分方案也有适应性改变^[4⇓-6]。目前在致密砂岩储层中,岩石相划分主要依赖测井手段^[7],应用测井技术识别岩石相的方法大致可分为传统测井识别与智能测井识别。车世琦^[8]选择了去铀伽马和密度作为页岩岩相敏感参数,建立了适用于涪陵气田的页岩岩相识别图版;刘君龙等^[9]利用传统测井交汇划分并识别了新场地区须二段有利岩石相,从而揭示了有利岩石相平面展布规律及发育模式;杨洋等^[10]通过测井参数优选及线性拟合建立预测方程定量识别岩相,再通过岩相识别雷达图版定性识别岩相,最后将两者预测结果相互约束实现页岩岩相识别。随着人工智能算法的逐渐成熟,国内外大量学者将其应用于岩石相分类工作,AI-Mudhafar^[11]综合了多种机器学习算法对碳酸盐岩相进行精确识别;江丽等^[12]将多种机器学习算法应用于岩性分类,并比较了各种算法的性能差异;随机森林(randomforest)分类算法也被广泛应用于测井工作中,王民等^[13]尝试了随机森林模型识别泥页岩岩相,并使用SHAP方法量化了各种测井参数对分类模型的重要性,最终取得了较好的分类效果。

前人对于岩石相识别的研究通常关注于方法的创新^[14-15],缺乏对地质内涵的探讨。庞国印等^[16]在沉积微相类型的约束之下利用概率神经网络预测成岩相,并获得了良好的效果。然而,对于复杂的沉积环境,仅考虑不同沉积微相类型差异仍有不足,岩石相的形成与沉积环境密切相关,沉积环境条件控制着沉积物的成分、结构以及构造^[17]。本文通过探讨不同沉积微相间及同种微相内部由于水动力条件不同对岩石相的影响,构建相应的随机森林模型精确识别岩石相,并分析沉积微相特征对岩石相识别的实际意义。

1 区域地质概况

研究区位于四川盆地川西坳陷中部新场构造带,地处龙门山断裂带前缘,成都凹陷与梓潼凹陷之间,北东东向延伸。新场构造带经多期构造运动形成复合隆起^[18-19],整体表现为西高东低,南陡北缓(图1a)。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 川西坳陷新场地区构造位置(a)及须二段综合柱状图(b)

Fig.1 Map of structural position(a) and comprehensive columnar section(b) of the Xujiahe Formation in the Xinchang area,Western Sichuan Basin

川西坳陷是我国致密砂岩气的重要产区^[20],须家河组发育由海相到陆相的完整沉积体系,须二段沉积时期新场地区整体属于辫状河三角洲前缘近物源区,物源来自龙门山北段和米仓山—大巴山一带^[21],上亚段时期,海水倒灌,整体水动力开始减弱,西部沉积厚度减薄,砂体规模开始整体变小,砂体沉积向东部收拢^[22],主要物源区为米仓山—大巴山。新场须二段内部可细分10个砂组(图1b),T₃x^2-1砂组沉积时期,新场地区东西部产生明显差异,西部大面积过渡为前三角洲沉积亚相,沉积大量前三角洲泥。

2 岩石相与沉积微相特征

岩石相与沉积微相之间存在着密切的联系,通常,沉积微相作为岩石相组合的一种响应,具有独特的岩石结构、构造,并呈现一定的韵律性。

2.1 岩石相特征

岩石相反映了沉积物的自然分选与沉积过程,指示不同的水体能量,以及水动力变化情况。川西坳陷致密砂岩构造丰富,通过岩心观察识别出多种沉积构造类型(图2),借鉴Miall的岩石相分类方法^[3],在砂岩岩心沉积构造识别的基础上,结合粒度划分了7种典型岩石相类型。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 川西坳陷须二段岩石相典型沉积构造

a—XC7井(T₃x^2-3),透镜体软沉积变形; b—GM3井(T₃x^2-1),沙纹层理;c—ZJ20井(T₃x^2-3),后积层理;d—ZJ20井(T₃x^2-1),平行层理;e—ZJ20井(T₃x^2-1),槽状交错层理;f—GM3井(T₃x^2-1),块状层理;g—GM3井(T₃x^2-3),泥砾;h—CF563井(T₃x^2-1),碳屑;i—XC8井(T₃x^2-3),平行层理“酥饼缝”;j—GM3井(T₃x^2-3),板状交错层理“酥饼缝”

a—well XC7(T₃x^2-3),soft deposition deformation of lens body;b—well GM3(T₃x^2-1),sandprint bedding;c—well ZJ20井(T₃x^2-3),retrogradation bedding;d—well ZJ20(T₃x^2-1),parallel bedding;e—well ZJ20(T₃x^2-1),trough cross bedding;f—well GM3(T₃x^2-1),massive bedding;g—well GM3(T₃x^2-3),mud gravel;h—well CF563(T₃x^2-1),charcoal;i—well XC8(T₃x^2-3),parallel layer "puff pastry seam";j—well GM3(T₃x^2-3),plate shaped cross bedding "puff pastry seam"

Fig.2 Typical sandstone sedimentary structure of the second member of Xujiahe Formation in the Western Sichuan depression

1)泥岩(MS):研究区粒度最细的岩石相,发育在旋回顶部,在砂体间以隔夹层形式存在,指示弱水动力沉积环境,内部夹粉砂岩透镜体,或与砂岩互层,可见少量软沉积变形构造(图2a);

2)沙纹层理粉砂岩(S):岩性以粉砂岩为主,砂体较为致密,常与泥岩互层,在水流作用较弱的环境下,水流带动的砂粒逐渐沉积沙纹层理,这些沙纹层理会在横向上呈现出波状起伏的形态(图2b);

3)块状层理细砂岩(Fms):粒度较细,块状层理为主,发育于旋回中上部,指示较弱的水体能量,研究区分布范围广,水动力快速减弱、沉积物供应量减少时会出现后积层理(图2c);

4)平行层理细砂岩(Fpl):粒度较细,发育平行层理(图2d),指示宽缓河道沉积,具中等水动力条件,当河道水体动荡、水动力减弱时可见槽状交错层理(图2e);

5)块状层理中粗砂岩(CMms):粒度较粗,沉积速度快,以块状层理为主(图2f),发育于旋回中下部,指示较强水动力作用,底部偶见黑色泥砾、碳屑杂乱分布(图2g,2h);

6)平行层理中粗砂岩(CMpl):属于高流态产物,指示强水动力环境,当平行层理发育于粗砂岩中时,常形成层理缝,岩心中呈现“酥饼状”构造(图2i);

7)交错层理中粗砂岩(CMx):沉积于厚层砂体旋回底部,粒度较粗,纹层与层系界面斜交,粒度变粗时常出现层理缝,纹层间也能形成“酥饼状“构造,层系界面层理缝更明显(图2j)。

2.2 沉积微相特征

新场地区须二段主要为辫状河三角洲前缘沉积,T₃x^2-1砂组西侧发育前三角洲亚相。三角洲前缘亚相是围绕三角洲平原边缘的三角洲前沿水下部分,为三角洲沉积体系中最活跃的沉积中心,水动力条件复杂,岩石相变化频繁。通过岩心观察结合测井曲线形态特征,划分出主要沉积微相类型为水下分流河道、水下分流间湾、河口坝以及前三角洲泥(图3)。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 新场地区须二段主要沉积微相

Fig.3 Main sedimentary microfacies of the Xujiahe Formation in the Xinchang area

1)水下分流河道:典型岩石相组合为CMx-CMpl-CMms-Fpl-Fms,正粒序沉积,GR曲线形态呈箱型或连续钟型。当水动力条件变化时,主要岩石相类型会出现差异:近物源区水动力作用较强时,河道沉积厚度大,平面分布范围小,粒度粗,主要岩石相为交错层理中粗砂岩、平行层理中粗砂岩与块状层理中粗砂岩(CMx、CMpl、CMms);随水体能量下降、搬运距离增加,砂岩粒度逐渐变小,粗粒砂岩含量降低,在弱水动力环境中主要岩石相为平行层理细砂岩与块状层理细砂岩(Fpl、Fms)。

2)水下分流间湾:岩石相组合为Fpl-S-MS,常呈现粉泥互层,含少量平行层理细砂岩(Fpl),见软沉积变形构造,GR曲线形态为高幅齿状,发育于河道边部或尾部弱水动力区域。

3)河口坝:岩石相组合为S-Fpl-CMx-CMms,逆粒序沉积,GR曲线呈漏斗状,发育于水下分流河道边部或末端河口处,有泥砾杂乱发育,指示较强水动力作用,底部多见槽状交错层理,向上发育沙纹层理,在三角洲前缘中受河道快速迁移影响,难以厚层保存。

4)前三角洲泥:岩石相组合为S-MS,仅在须家河组二段顶部发育,平面分布范围广,粒度最细,以黑色泥岩(MS)为主。

综上所述,不同沉积微相间的岩石相组合存在明显差异,由于三角洲前缘水动力条件复杂,同种沉积微相内部主要的岩石相类型也有不同。因此,对于岩石相的测井识别工作,需要更加深入挖掘沉积微相特征,以沉积微相特征作为约束增加测井识别方法的地质内涵。

3 分类算法及数据准备

在众多机器学习算法中,随机森林具有其突出的优势:在构建每棵决策树的过程中会随机选择特征进行划分,因此通常不需要进行特征选择,从而保留大部分特征信息,这使得随机森林可以更好地处理高维度数据;每棵决策树都是在随机选择的样本子集和特征子集上训练的,这样可以使得每棵树都有所不同,减少了过拟合的可能性;由于决策树算法不依赖于特征的尺度或分布,因此不需要对数据进行归一化或标准化,这简化了数据预处理的流程。因此,本次研究选用随机森林算法完成岩石相识别任务。

3.1 随机森林算法

决策树具有树形结构,由节点(node)和边(edge)组成。节点分为根节点、内部节点和叶子节点,根节点与内部节点类似于树的分支处,表示对样本特征的判断条件(condition),在分类任务中,叶子节点表示输出的分类结果(岩石相类别)。单一决策树模型就可以完成简单的分类任务(图4)。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 决策树分类示意

Fig.4 Decision tree classification diagram

其中方框表示内部节点,椭圆表示叶子节点,决策树中通常以Gini指数来衡量一个集合中元素分布的不平等程度,从而作为重要分枝标准,Gini指数的计算方式为:

(1)

G i n i (D) = 1 - \overset{c}{\sum_{i = 1}} p_{i}^{2}

在决策树的某一节点中,D是的总样本集,c是类别数量,p_i是样本中属于类别i的总样本占比。在决策树的构建中通常选择使分枝后节点的加权Gini指数最小的特征作为判别条件,所以当Gini=0时,该节点中只有一类样本,即停止分裂。

随机森林算法(random forest)则是属于决策树的一种扩展,通过有放回地随机采样,构建多棵决策树以实现分类或回归任务^[23],随机森林由T棵决策树构成,每棵树的预测结果用函数h_t(x)表示,对于分类任务,预测结果通过投票决定,即:

(2)

\hat{y} (x) = \underset{d}{a r g m a x} \overset{T}{\sum_{t = 1}} I (h_{t} (x) = d)

式中: $\hat{y}$ (x)是随机森林对样本x的预测结果,h_t(x)是第t棵树对样本x的预测结果,d是类别,I(·)是指示函数,当h_t(x)=d时为1,否则为0,将投票结果最高的类别作为最终输出结果。

3.2 数据准备与沉积微相特征挖掘

结合研究区实际资料情况,首先选择自然伽马(GR)、密度(DEN)、补偿中子(CNL)、声波时差(AC)、深侧向电阻率(RD)等5条常规测井曲线作为样本特征值输入,通过岩心观察识别出7种典型岩石相作为标签,岩心归位后初步构成大小为733、特征数为5的数据集。

将测井参数归一化处理后,可绘制出不同岩石相的相关矩阵(图5),其中右上区域为各测井参数间的散点图,左下区域为对应散点图以等值线显示,对角线为各特征参数的核密度估计图。可见各测井参数间没有明显的相关性,不需要进一步筛选,且除泥岩(MS)与沙纹层理粉砂岩(S)以外,其余岩石相的测井参数交汇图均有大量重叠,说明岩石相分类任务难度较大,增加特征维度有利于模型捕捉到样本间更细微的差别。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 岩石相测井参数相关矩阵

Fig.5 Matrix plot of petrophysical logging parameters associated with rock facies

前已述及,岩石相在沉积微相内的分布具有一定规律性,不同沉积微相间的岩石相差异显著,同种微相内部由于水体能量及水动力变化情况不同也会产生差异,所以在岩石相识别中,考虑沉积微相对岩石相沉积的影响可以提高模型识别的准确性以及地质解释的可信度。

在划分沉积微相时,通常使用GR曲线形态变化作为重要指示标志^[24-25],可根据微相内GR曲线的相对重心、变差方根差、平均中位数以及平均斜率来推断河道迁移情况、水动力稳定状态和粒度变化等信息,以沉积微相相关参数增加训练集特征维数,最终构建大小为733、特征数为9的数据集。具体参数计算如下。

3.2.1 相对重心(RM)

重心能反映测井曲线的形状。不同沉积微相的粒序正、逆各有不同,正粒序水下分流河道沉积的重心会偏下方,逆粒序河口坝的重心会偏上方,分流间湾及前三角洲泥重心居中。由于各井段内离散测井曲线取样点数不同,故取相对重心RM(绝对重心除以N),以便比较。其公式如下:

(3)

R M = \frac{\overset{N}{\sum_{i = 1}} i a_{i}}{N \overset{N}{\sum_{i = 1}} a_{i}} (i = 1,2, \dots, n)

式中:a_i是该微相内的第i个GR值;N表示井段内GR值的总样点数。当RM>0.5时,重心位于曲线下方,曲线呈钟形,指示河道迁移,水流能量逐渐减小;当RM<0.5时,重心位于曲线上方,曲线呈漏斗状,反映了水动力作用逐渐增强;当RM≈0.5时,曲线形状为箱形或均匀高幅齿化,前者代表强水动力条件下水下分流河道,后者指示泥岩与砂岩互层。

3.2.2 变差方差根(GS)

GR曲线中锯齿的大小和整个数据波动性的大小可用来反映沉积微相水体动荡情况。方差S²的大小可以反映数据整体波动性的大小,如式(4)所示:

(4)

S^{2} = \frac{1}{N} \overset{N}{\sum_{i = 1}} {[a_{i} - \bar{a}]}^{2}

式中:a_i是井段内第i个取样点的GR值;N表示井段内GR值的点数; $\bar{a}$ 是该微相内所有取样点的GR平均值。变差函数γ(h)可以反映锯齿的多少和大小,如式(5)所示:

(5)

γ (h) = \frac{1}{2 N (h)} \overset{N (h)}{\sum_{i = 1}} {[a_{i} - a_{i + h}]}^{2}, h = 1,2, \dots, n

式中:N(h)是间隔为h的数据对[a_i,a_i₊_h]的数目。由于锯齿指的是在小距离上较大的波动,故我们仅需h=1、h=2时的变差函数。当锯齿较多且较大时,γ(1)和γ(2)都会较大,否则就较小。γ(1)和γ(2)主要反映的是GR曲线局部波动性的大小,而S²则反映曲线段整体波动性的大小。为同时体现两者的特点,可将其求和再取平方根(为了使量纲与原变量一致)。就构成了变差方差根GS,其计算公式如下:

(6)

G S = \sqrt{γ (1) + γ (2) + S^{2}}

。

3.2.3 平均中位数(AM)

GR值的大小可以反映沉积微相的整体能量强弱,水动力作用弱时,泥质含量高,GR曲线平均中位数也呈现相应高值,具体计算公式为:

(7)

A M = 0.5 (\bar{a} + M E)

式中: $\bar{a}$ 为该沉积微相内GR值的算数平均值,ME为GR值的中位数。

3.2.4 平均斜率(M)

水动力条件直接影响砂岩沉积速率,GR曲线的斜率往往与水动力的变化速度有关,较陡的斜率暗示着较高的沉积速率,河道侧向迁移速率快,而平缓的GR曲线反映着较低的沉积速率,河道沉积稳定。计算平均斜率采用线性回归模型对深度和GR值之间的关系进行线性拟合:

(8)

y = M x + B

式中:y是深度,x是GR值,M是平均斜率,B是截距。

4 应用与分析

4.1 模型超参数调优

在训练随机森林分类模型之前,首先将数据集按8:2的比例分为训练集与测试集,训练集用于超参数调优以及模型训练,测试集用于评价模型性能以及判断模型是否出现过拟合现象。

训练模型时超参数的选择显得至关重要,合适的超参数组合有利于提高模型的分类性能与泛化能力,本次模型训练采用k—折交叉验证法和网格搜索来选择合适的超参数组合,k—折交叉验证法是将原训练集随机分为k份相同大小的子集,其中(k-1)份作为新的训练集,余下1份作为新的验证集,这样每一个模型都将会循环训练k次,模型效果求平均值。网格搜索则是在指定的超参数空间中进行穷举搜索,结合交叉验证法即可确定最优的超参数组合。

由于样本有限,选用5—折交叉验证法进行调优,使用n-estimators(决策树的数量)、max-depth(树的最大深度)、min-samples-split和min-samples-leaf(节点分裂所需的最小样本数和叶子节点最少样本数)以及max-features(最大特征数)构建网格,具体网格空间如表1所示。

表1 超参数网格搜索范围设置

Table 1 Setting of hyperparameter grid search space

参数	搜索范围	步长	网格宽度
n-estimators	100~300	20	11
max-depth	5~25,None	2	12
min-samples-split	2~12	1	11
min-samples-leaf	1~11	1	11
max-features	1/9~1	1/9	9

新窗口打开| 下载CSV

F₁分数是精确率与召回率的调和平均值,本次实验选用F₁分数作为网格搜索中评估模型性能的综合指标。具体公式如下:

(9)

F_{1} = 2 \times \frac{P r e c i s i o n \times R e c a l l}{P r e c i s i o n + R e c a l l}

式中:Precision(精确率)表示所有预测为正类别的样本中,实际正类别样本所占的比例;Recall(召回率)表示所有实际为正类别的样本中,预测为正类别的样本所占的比例。

为了直观理解网格搜索过程,每一类超参数都可以独立成图,以超参数为横坐标,F₁分数为纵坐标,每一个超参数值都会产生 $\overset{4}{\prod_{i = 1}} X_{i}$ 个F₁分数值,其中X_i代表其他超参数类别的网格宽度。取每种超参数中最高F₁分数所处的超参数值(红点),可以组合为最优的超参数配置,即决策树的数量为140、树的最大深度为None(可无限生长)、节点分裂最小样本数为3、叶子节点最小样本数为1、最大特征数为2/9(图6)。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 网格搜索F₁分数分布及超参数优选

Fig.6 Distribution of F₁ scores from grid search and hyperparameter optimization

4.2 识别效果及讨论

为展现沉积微相对分类模型性能的影响,可对比有无沉积微相特征约束的分类结果,并通过计算各项参数在模型当中的重要性,揭示沉积微相各项特征与岩石相沉积的具体联系。

将网格搜索后优选出的超参数代入模型完成最终训练,并应用于测试集。分类报告显示了分类模型对每种岩相的识别效果以及模型的整体性能(表2),可见本次实验选用的随机森林分类器精确率、召回率、F₁分数的加权平均值与整体准确率均为0.92,模型分类效果好。

表2 随机森林分类报告(含沉积微相相关参数)

Table 2 Random forest classification report(including sedimentary microfacies related parameters)

标签	精确率	召回率	F₁分数	测试样本数
CMms	0.97	0.90	0.94	41
CMpl	0.82	0.88	0.85	16
CMx	0.87	0.91	0.89	22
Fms	0.84	0.89	0.86	18
Fpl	1.00	1.00	1.00	14
MS	0.94	1.00	0.97	15
S	0.95	0.90	0.93	21
加权平均	0.92	0.92	0.92	147
准确率	0.92			147

新窗口打开| 下载CSV

以分类结果构建混淆矩阵,按行归一化显示可以更加直观地看出模型对每一种岩石相预测的召回率(图7a),结果表明本次训练模型对平行层理细砂岩(Fpl)的预测效果最好,对平行层理中粗砂岩(CMpl)的预测效果最差,但召回率仍高于0.85。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 分类结果混淆矩阵

Fig.7 Confusion matrix of classification results

采用相同的流程对未添加沉积微相特征参数的数据集进行训练及测试(网格搜索超参数组合为n-estimators=160、max-depth=None、min-samples-split=2、min-samples-leaf=2、max-features=3/5),从测试集预测结果的归一化混淆矩阵中可以看出没有沉积微相约束的分类模型性能明显下降,对于块状细砂岩(Fms)的识别,召回率仅有0.78(图7b)。

为定量化评价沉积微相各项特征对岩石相识别的意义,可通过SHAP模型计算各项特征对模型识别岩石相的重要性^[13],多分类任务中SHAP模型计算公式为:

(10)

\begin{array}{l} φ_{i} (x) = \sum_{_{S \subseteq N \ {i}}} \frac{|S|! (M - |S| - 1)!}{M!} \\ [f_{x} (S ⋃ {i}) - f_{x} (S)] \end{array}

式中:φ_i(x)是特征i的贡献度,N为数据集中维度为M的所有特征的集合,S是特征集合N的一个子集,其维度为∣S∣,f_x(S)表示了模型利用特征子集S对于样本的预测,f_x(S∪{i})表示在特征子集S的基础上再添加特征i对于样本的预测, $\frac{|S|! (M - |S| - 1)!}{M!}$ 表示子集S的特征组合情况占比。

图8a展示了各项参数对于不同岩石相分类的重要性(φ_i(x)值),每个特征参数在图中都有一条水平柱状条,条的总长度展示了该参数对预测结果的影响程度,可见常规测井曲线是识别岩石相的关键因素,但同时也不能忽视沉积微相特征参数对岩石相识别的积极影响。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 SHAP模型重要性分析(a)及CL562井岩石相识别结果(b)

Fig.8 SHAP model importance analysis(a) and CL562 well lithofacies prediction results(b)

从沉积微相特征挖掘的过程中可以知道:相对重心(RM)与平均斜率(M)分别反映了沉积微相的粒序与粒序变化速度;平均中位数(AM)与变差方差根(GS)分别指示了水体能量与水体动荡情况。从重要性分析图中可以看出RM与M对岩石相识别的影响较小(φ_i(x)<0.1),表明岩石相类型与粒序变化没有明显联系,同时印证了单以微相类型(粒序差异,如河口坝与水下分流河道)约束岩石相识别并不能很好提升模型性能。而AM与GS对岩石相识别的影响较大(φ_i(x)>0.1),表明岩石相类型与水体能量以及水体动荡情况密切相关,进一步证明了岩石相识别过程中沉积微相特征挖掘的必要性。

盲井验证有利于直观展示模型性能,以CL562井中的两个取心段为例(图8b),沉积微相特征参数可视化为阶梯状分段曲线,可以看出部分岩石相分界线受沉积微相旋回界面的影响。有沉积微相特征参数约束的模型中,两个取心段内识别准确率分别为0.95和0.9,无约束的识别准确率仅为0.68和0.79,沉积微相特征约束下的模型性能显著提升。

5 结论

1)沉积构造与粒度相结合划分出泥岩、沙纹层理粉砂岩、块状细砂岩、平行层理细砂岩、块状中粗砂岩、平行层理中粗砂岩、交错层理中粗砂岩等7种典型岩石相,岩石相的形成与沉积环境密切相关。

2)新场地区须二段沉积微相主要为水下分流河道、水下分流间湾、河口坝以及前三角洲泥,每种微相都具有独特的岩石相组合,同种微相内受水动力条件变化也会导致主要岩石相产生差异。

3)提取GR曲线的相对重心、变差方根差、平均中位数以及平均斜率等形态参数作为沉积微相特征参数,可以增加数据集的特征维数,有利于随机森林分类模型捕捉样本间更细微的差别,丰富机器学习分类方法的地质内涵。

4)添加沉积微相特征参数约束后的随机森林分类模型具有更好的识别效果,测试集预测准确率为0.92,盲井取心段预测准确率分别为0.95与0.9,重要性分析结果显示反映水体能量的平均中位数(AM)与反映水体动荡情况的变差方差根(GS)对于岩石相识别具有重要意义。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

辜穗, 王文婧, 高琼, 等.

致密砂岩气规模效益开发管理机制

[J]. 天然气工业, 2023, 43(5):100-107.