基于地层元素测井资料的沉积岩、岩浆 岩识别方法.doc

基于地层元素测井资料的沉积岩、岩浆 岩识别方法王淑真李蓿西北大学大陆动力学国家重点实验室摘要：地层元素测井技术对沉积岩、岩浆岩岩性识别具有独特意义通过分析收集的沉 积岩、岩浆岩数据，提出利用Si、Ca. Al三种元素建立岩性识别图版，并利用 Si、Ca. Al、Fe四种元素，建立神经网络模型利用元素含量交会法建立岩性 图版能准确划分沉积岩与岩浆岩的线性部分，BP神经网络对于解决元素含量与 沉积岩、岩浆岩岩性之间的非线性关系具有独特优势本文基于地层元素测井资 料，利用岩性识别图版与BP神经网络，建立沉积岩、岩浆岩识别模型，用未参 与建立模型的数据进行验证，证明模型的可靠性本文的研究对于掌握元素含量 识别岩性技术，拓展地层元素测井的应用能力具有重要的意义关键词：沉积岩;岩浆岩;地层元素测井;元素图版;BP神经网络;作者简介：王淑真（1997-）,女，山东泰安人，主攻方向:地质学收稿日期：2017-08-14基金：西北大学创新基金项目（2017125）Sedimentary rock and magmatic rock identification method based onformation element logging dataWANG Shu—zhen LI BeiNorthwestern University, State Key Laborstory of continental dynamics;Abstract：The ECS logging has unique significance in identifying the sedimentary rock and magmatic rock. Based on the data of sedimentary rocks and magmatic rocks collected, the lithological identification pattern were establ i shed by using Si, Ca and Al el ements, and the neural network model was established by using Si, Ca, Al and Fe. It is possible to accurately classify the linear part of sedimentary rocks and magmatic rocks by using the elemental pattern. BP neural network has a unique advantage in solving the nonlinear relationship between elemental pattern and sedimenta/ry rocks, magmatic 1 ithology. Based on the the ECS logging, the lithologic identifiedtion pattern and BP neural network are used to establish the sedimentary rock and magmatic rock identification model, and the reliability of the model is proved by the chta of the model. The research of this paper is of great significance to master the elemental identificatio门 of lithologv and to apply the ECS logging technique extensively.Keyword：sedimentsTy rock; magnidtic rock; ECS logging; elementai patteTn; BP neural network;Received： 2017-08-14地层中元素含量对于判断岩石类型具有重要意义。

冃前地层中已发现的元素虽然 有100多种，但研究证实，各元素在地壳中的分布是极不均匀的，只相对集中 于少数几种元素其中 0 (46. 13%)、Si (26.00%)、Al (7. 45%)、Fe (4. 2%)、 Ca (3. 25%)、Na (2.4%)、Mg (2. 35%)、K (2. 35%)、H (1.00%)等 9 种元素 占地売总质量的98. 13%,其余元素仅占1.87%因此，只要精确测量到这些主要 元素的含量，进而研究所测元素与岩性对应关系，就可以通过元素含量鉴别地 壳的岩石类型地层元素测井，是通过测量中子与井眼周围地层原子核发牛非弹性散射、辐射俘 获等核反应后产生的次牛伽马能谱，得到地层岩石骨架的Si, Ca, Fe, S, Ti, Gd, Mg, K, Mn, Al等十余种元素的含量，进而确定矿物含量和识别岩性随着地层 元素测井仪的不断改进和完善(元素含量精度不断提高、元素含量种类不断丰 富、实现绿色环保测量)，其在复杂岩性地层、非常规油气储层领域中将会发挥 越来越重要的作用［5］目前国内外区分沉积岩、岩浆岩主要通过岩石矿物特征、地震资料解释、观察野 外露头、薄片研究、主微量元素分析，常用的测井方法有:交会图法（张晓峰和 范晓敏，2007;陶宏根等，2011;徐德龙等;2012）、成像测井（张莹等，2007）以 及各种数学判别分析方法（张学工等，1997;田玉昆等，2013）,其中神经网络 法（刘争平和何永富，1995;张治国等，2005）、支持向量机法（张尔华等，2011;韩学辉等，2013）和K近邻方法（王淑盛等，2004）较为常用，这些方法各有其 优势和局限性。

针对这些问题，木文主要基于地层元素测井所测元素含量，利用元素交会图法 和神经网络建立区分沉积岩、岩浆岩理论模型元素交会图可以准确判断元素与 沉积岩、岩浆岩之间的线性关系;神经网络对于解决元素与沉积岩、岩浆岩之间 的非线性关系具有独特优势结合二者建立沉积岩、岩浆岩识别模型，可以准确、 高效、系统的划分元素与沉积岩、岩浆岩之间的关系，从而划分钻遇地层岩性， 以满足牛产现场应用需要本文主要通过图版线性区分与神经网络非线性区分结合使用由于图版可以使用 excel表格直接作图故本文只简要介绍BP神经网络原理BP神经网络是一种通过误差逆向传播来改变算法权值的多层前端反馈网络，它 无需数学方程便可育接体现非线性数据之间的映射关系，正是因为这种性质，BP神经网络成为了戸前世界上应用最广泛的神经网络模型之一BP神经网络的 结构一般由三部分构成（图1）:输入层、中间隐层和输出层输入层是负责接 收外界信号，输入层接收的输入信号，可以是单输入信号也可以是多输入信号 中间隐层是负责内部信息处理，大多可以设计为单层或多层结构，理论已经证 明，一个三层网络可以任意精度实现各种复杂的非线性映射，因此一个三层结 构的神经网络模型便可以解释大部分测井问题了。

设计中间层的吋，还需要确定 神经元数量、训练函数等输出层是负责输出处理结果图1 BP神经网络模型结构 下载原图BP神经网络模型训练流程如下：第一步:正向输入样本数据，设置参数，选定训练函数第二步：当输出值与期望值不符时，误差进行反向逐层传递，并且会根据误差减 小最快的方向（一般为梯度方向）逐层修改各个神经元的权系数第三步:直到误差满足要求或者达到设定的训练次数时停止训练，输出结果2元素与沉积岩、岩浆岩关系研究 在沉积岩研究过程中，我们收集了 9067个岩石X衍射数据，涵盖了中国大部分 含油气盆地在岩浆岩研究过程中，我们收集了中国19个省、4个自治区、3 个直辖市以及中国台湾共计7834个岩浆岩数据利用这些样品的X衍射数据计算元素Si、Al、5含量并通过Excel绘制了一系 列散点图，如x轴Ca+Si与y轴Si+3 Al-Ca> x轴3 Ca+Al与y轴2 Si+3 Al 等等，经对应比较得出x轴:7Ca+3AK y轴:2Si+3Al区分性良好，该图表（图 2）主要分为三个区域：I区在左下半区，为岩浆岩区，较独立，主要为超基性 岩与部分基性岩；II区在右下半区，为沉积岩区，区分度较好，主要为白云岩碳 酸盐岩和方解石碳酸盐岩，含有少量黏土岩及杂岩;III区在中上部，为混合区， 不能很好得区分岩浆岩与沉积岩的岩石类型。

因此，对于川区混合区内的岩石类 型我们需要训练神经网络来进行进一步区分图2元素7C&+3A1与2S1+3A1交会与沉积岩、岩浆岩关系研究图版 下载原图3神经网络算法建立利用MATLAB内置软件工具箱建立BP神经网络模型，可以节省大量时间，同时也 可以避免编写计算机程序的烦恼BP神经网络模型在测井中的应用--般由输入 层、隐含层、和输出层三部分组成模型的具体构建方法如下：3. 1构建输入层用神经网络对研究区内成岩石类型划分，就是建立一种成岩石类型与岩石中所 测元素含量之间的映射关系根据岩石中所测岩石含量不同，选定所测元素Si 的含量、所测元素A1的含量和所测元素Ca的含量三类元素含量数据作为BP神 经网络模型的输入层3. 2构建隐含层确定B卩神经网络层数、神经元数量、和传递函数就是确定BP神经网络隐含层 现有理论证明，通过改变神经元数量，只含有一个隐含层的BP神经网络模型可 以充分预测大部分岩石类型区分问题但是如果神经元数量过多就会大大增加训 练时间，影响效率，反之，如果神经元数量过少则又会影响精度所以，在BP 神经网络模型构建中，先采用较小的神经元数量，再逐渐增加，直到课差满足 训练要求。

BP神经网络的传递函数有多种，不同函数有不同的性质（线性传递 或非线性传递）对应不同的输入、输出范围经过研究试验，最终确定神经元数 量为200,训练函数为TRATNLM,适应学习函数类型为LEARXGDM，误差分析为 MSEo3. 3构建输出层目前，对岩石类型划分主要为沉积岩五类:碎屑岩、杂岩、黏土岩、方解石碳酸 盐岩、白云岩碳酸盐岩;岩浆岩四类:超基性岩、基性岩、中性岩、酸性岩而根 据本文的主要研究内容，将BP神经网络模型的输出层只设定为两大类岩石类 型由于MATLB软件无法识别汉字，因为将输出结果设定为数字，1—沉积岩， 2一岩浆岩当BP神经网络模型构建好之后，利用101个样木数据进行预测，预测结果如表 1所示，表中左侧为输入参数(分别为所测Si、Al、5的含量)；右侧目标岩性 即岩石原本已鉴定的岩石类型，预测岩性即通过输入参数的值经过神经网络的 划分来预测出的岩石类型(1-沉积岩，2-岩浆岩)其中83个样本数据预测准确， 精度达到82. 2%o岩浆岩样本数量61,其中51个数据预测准确,精度达到83. 6%; 沉积岩样木数量40,其中32个数据预测准确，精度达到80. 0%;预测结果与岩心 资料匹配度高，说明木文利用BP神经网络方法来划分成岩石类型方法是可行 的。

4沉积岩、岩浆岩识别模型建立通过上述过程研究，本文建立起图版与神经网络共同工作的混合模型由图版(图3)可知：在x为7Ca+3Al与y为2Si+3Al图版中：(1) 0. 5668x-83・ 403+yW0的区域为岩浆岩区;(2) 0. 5668x-83. 403+yN0且0. 602x~4. 066820的区域为岩浆岩与沉积岩的混 合区；(3) 0. 5668X-83. 403+yM0 且 0. 602x-4. 0668W0 的区域为沉积岩区(4) 混合区中的岩石样品利用神经网络工具进行判别；(5) 结合图版与神经。