1. 引言
在长期的沉积学研究及隐蔽油气藏勘探实践中，沉积相、亚相特别是微相的研究一直是非常重要的工作。目前，这项工作主要是在相模式和相序递变规律的指导下，通过大量观察岩心观察与描述，并综合地震、测井资料来判断沉积环境。这样的研究方法一般仅适用于确定取心段的沉积环境，在非取心井段可操作性差。而随着测井资料的丰富和计算机技术的逐步发展，在没有大量取心的情况下，可以利用各种测井资料及数学分析方法，结合岩心资料，以计算机为工具自动识别沉积微相及结构单元 [1] ，从而为砂体分布预测和隐蔽油气藏勘探打下良好的基础。
自动识别技术是将信息数据自动采集、自动输入计算机应用系统进行处理的，以计算机技术和通信技术为基础的综合性科学技术。自动识别技术提供了非常可靠的自动识别和事物追踪方法，它所传递、存储的信息可以非常大，包括从基本的关于人和事物的识别信息到关于它们的详尽的人们可以理解的信息。自动识别技术包括多种识别技术，可以提供处理不同的信息收集、传递信息的方法，是数据自动识读并自动输入计算机的重要方法和手段 [2] [3] 。近年来，如何快速而准确地识别油气层属性已逐渐成为国内外油气勘探开发及其相关领域亟需解决的难题，采用多参数判别油水层的方法有灰色理论分析法、数理统计法、模糊聚类法、神经网络法、微差分析法及多组、逐步判别法等 [4] [5] 。
砂质滩坝沉积是陆相断陷湖盆缓坡带滨浅湖区常见的一种沉积类型 [6] 。过去的滩坝微相划分方案未能解决坝和滩的关系和滩坝整体的沉积动力演变等问题。同时，受单个滩坝砂体横向展布范围有限和粒度变化不大的影响，仅利用岩心资料不易区分各沉积微相，因此，笔者从沉积动力演变的角度，对滩坝内部的沉积微相及沉积结构单元进行划分，并针对东营凹陷南坡为研究区，利用多种测井曲线和数学判别分析方法，对滩坝沉积结构单元进行了有效的自动识别。
2. 区域地质背景
研究区位于东营凹陷南斜坡的博兴洼陷和利津洼陷部分区域。东营凹陷位于济阳坳陷南部，属于北断南超、北陡南缓的不对称箕状断陷，其南斜坡区为洼陷向凸起的过渡地区，具有缓坡带的特征 [7] [8] 。博兴洼陷和利津洼陷是东营凹陷西南部缓坡带的次级洼陷(图1)。
Figure 1. Paleo-topography and paleo-environment matching graph of Upper Es4 in Dongying Depression
图1. 东营凹陷沙四上古地形–古环境匹配图 [9]
研究区沙四段地层划分为上、下两个亚段。沙四下亚段在东营凹陷南坡以红色泥岩夹砂岩沉积为主。沙四上部纯下亚段沉积时期为持续断陷期，气候开始向潮湿转化，水体逐渐加深。以滨浅湖相沉积为主。本层段滩坝砂体发育，岩性为灰色粉细砂岩、泥质粉砂岩、灰质粉砂岩与深灰色、灰色泥岩、砂质泥岩等厚互层。滩坝砂体在测井曲线上以2.5 m底部梯度视电阻率曲线基值较纯上显著降低和自然伽马曲线幅度突然增大为特征(图2)。纯上亚段沉积时期断陷持续、湖盆扩大，水体持续加深，为浅湖–半深湖相沉积。岩性以褐灰色油页岩、深灰色砂质泥岩、灰质泥岩为主，与下伏纯下亚段呈整合接触。
Figure 2. Sketch map of beach bar sand bodies logging response (shown in the red box)
图2. 滩坝砂体测井响应特征示意图(红框所示)
3. 滩坝沉积单元划分及测井响应特征
很多专家学者曾对滩坝的沉积微相及结构单元划分进行过研究。伊强 [10] 等整体上将滩坝分为滩坝外侧、滩坝内侧、滩坝主体三种微相。操应长、曾发福、冯兴雷 [11] [12] [13] 等将砂坝分为坝主体、坝测缘、坝间几种微相，廖东良、田继军、李国斌 [14] [15] [16] 等将滩砂分为滩脊、滩席(滩度)、滩脊间(滩间湾)几种微相。上述分类方案大多是从宏观形貌上对滩坝的沉积微相进行划分，没有对滩坝的沉积演化过程形成准确、全面的认识。陈世悦 [17] 等首次从沉积动力学的角度将一个完整的滩坝划分为坝前微相(a)、滩坝外侧缘微相(b)、滩坝主体或坝顶微相(c)、滩坝内侧缘微相(d)和坝后微相(e)，但这种方案没有将滩和坝这两种沉积体进行明确区分，同时划分不够完整。参照上述研究成果，将滩坝的演化过程划分为I、II、III、IV四个演化阶段及A、B、C、D、E五个沉积单元(图3)。
Figure 3. Graph of beach bar sedimentary units and evolution model
图3. 滩坝概念归属及演化模式图
针对研究区内滩坝沉积体的测井曲线特征，吴海燕、李燕等针对东营凹陷西部及南部缓坡带的滩坝砂岩的测井响应特征进行了总结 [18] [19] 。王继红 [20] 认为，利津洼陷沙四段坝砂储层响应为自然伽马相对低值，三孔隙度曲线重合性好；滩砂电阻率曲线呈低幅薄层指状，三孔隙度重合较好，自然电位起幅较低。但上述研究缺乏对滩坝各沉积微相测井响应特征的深入探讨。
阶段I属于弱波浪作用阶段，沉积物以泥质为主。该阶段发育水下浅滩微相，包括A、B两个单元。A单元水动力相对较弱，以砂质泥岩为主，测井相应特征包括GR曲线一般呈齿形，GR、RT曲线均呈低幅，三孔隙度曲线不重合，微电极曲线形态呈尖刀状。B单元水动力相对较强，以泥质砂岩及砂岩为主，厚度一般在2 m以上；测井响应特征表现为GR曲线一般呈钟形、漏斗形或钟形–漏斗形复合形态，GR、RT曲线幅度中等，三孔隙度曲线不重合，微电极曲线形态上出现“毛刺”且幅度小于A单元。阶段II (即C单元)属于动荡水流–冲洗回流阶段，岩性主要为较纯净的砂岩，是湖水冲刷回流作用所形成的，沉积构造以冲洗层理为主；测井响应特征方面，GR曲线一般呈指形或箱形，GR、RT曲线幅度较A、B单元有明显的增大，三孔隙度曲线重合较好。阶段Ⅲ属于风成阶段，与D单元相对应，岩性为风成作用下形成的砂岩，主要发育风成交错层理；测井响应特征主要表现为GR曲线幅度与C单元接近，曲线一般呈低幅RT、CNL曲线幅度比C单元略低，且紧邻C单元之上出现，三孔隙度曲线重合较好。阶段Ⅳ为沼泽化阶段，与E结构单元相对应，沉积物以静水环境中所形成的富含有机质的泥质沉积物为主；测井响应特征方面，GR一般呈幅度很低的比较平直的曲线，在测井曲线上难以识别(图4，图5)。
4. 滩坝沉积单元测井自动识别方法及应用
4.1. 测井曲线敏感性分析
根据测井曲线数值变化所反映的滩坝演化结构单元变化程度，来判断每种曲线与结构单元的变化之间的关联，从而将其中关联度大的曲线作为敏感曲线提取出来，为沉积单元划分做好准备。选取任意两种测井曲线中的任意两种，分别绘制交会图。如果交会图中滩坝的各个结构单元能够通过其中的一种(或两种)曲线被最大程度地区分开，说明这一种(或两种)测井曲线敏感性最好。
按照上述方法，以各单元不同类型测井曲线均值为基础绘制交会图，结果表明GR曲线的敏感性最强，进一步地，发现A单元GR曲线取值范围一般为80~103 API，B单元GR数值范围一般为60~80 API，C、D单元的GR数值范围接近，C单元一般为40~60 API，D单元约为45~60 API，E单元在岩性组合方面与A单元接近，GR数值范围一般为90~110 API。另外，CNL、AC和RT曲线的敏感性也较强，利用这三种曲线也可将各单元比较好地区分开，而DEN曲线敏感性较差，区分指示效果较差(图6)。
作为沉积相研究的一种新方法，不少学者曾对利用测井曲线自动识别沉积微相进行过探索。孔凡立、陈刚花等利用Bayes判别模型对河流相的各沉积微相进行了计算机快读判别 [21] [22] 。严科等根据判别分析原理对三角洲平原及前缘亚相所包括的各微相进行了自动识别 [23] 。但目前还未曾对滩坝的不同沉积单元进行有效的测井相分析和自动快速识别。
Figure 4. Graph of beach bar sedimentary units logging characteristics
图4. 滩坝各沉积单元测井响应特征表图
Figure 5. Typical core or outcrop pictures of beach bar sedimentary unit (a: Thin sand-shale interbed; b: Wave-built cross-bedding; c: Swash cross bedding; d: Aeolian sand deposition; e: Argillaceous marshy deposits)
图5. 滩坝各沉积单元典型岩心或露头照片(a：砂泥岩薄护层；b：浪成交错层理；c：冲洗层理；d：风成砂沉积；e：富泥质沼泽化沉积)
Figure 6. Sensibility cross-plots of logging curves of different beach bar units
图6. 不同沉积单元测井曲线敏感性交会图
4.2. 自动识别原理
针对滩坝结构单元的常规测井自动识别问题，主要是根据Bayes判别原理来实现对A、B、C、D等单元的判别。Bayes判别的基本思想是认为空间中有G个互相独立的总体，它们均服从多元正态分布且认为个总体的协方差矩阵相同。在考虑先验概率的前提下，对每一类总体分别构造判别函数，计算待判样本属于各个总体的条件概率，所有各概率的最大值即为该样本所属的类别 [24] 。
在上述基本思想的指导下，针对多元判别函数，推导得到Bayes判别法的判别方程形式如下：
, g = 1,2,∙∙∙,G (1)
式中，
与
为判别系数。将样本参数值
代入，则样本判别函数最大值为：
(2)
即将样本划归入第g*类总体。
4.3. 沉积单元自动识别
根据交会图分析结果，发现对研究区滩坝砂体中的A、B、C单元较敏感的曲线包括GR、RT、CNL和AC曲线，对D单元较敏感的曲线有CNL、AC和DEN曲线。由于AC曲线受井眼影响，跳尖现象明显。因此一般情况下，选用敏感性较强的GR、RT、CNL曲线建立A、B、C单元的判别方程较为精确；而在没有CNL曲线的情况下，可选取GR、RT、AC曲线建立判别方程。D单元与C单元在岩性方面特征类似，砂岩为主，砂质纯，并且粒度都较细，但D单元物性比C单元更好，CNL、AC和DEN曲线对区分C和D单元敏感性较强，而DEN曲线数值变化范围较小，判别时造成误差较大，因此选取CNL和AC曲线建立C、D单元的判别方程。E单元泥质含量很高，且出现频率很低，识别意义不大，因此不需要对E单元建立判别方程。由于D单元是在已经发育C单元的基础之上才会出现，因此首先对A、B、C单元进行自动识别，然后在已经识别出C单元(后简称Co单元)的基础上对C、D单元进一步识别。
具体来说，首先求取判别方程，并确定样本属于A、B、C单元的概率YA、YB、YC，再对这3个概率值进行比较，把最大概率值对应的单元作为样本判别结果。然后在此基础上，求取C、D单元的判别方程，并针对Co单元，得到样本属于C、D单元各自的概率YC、YD，进而按照上述方法对样本进行判别。
按照上述原理及步骤，挑选A、B、C单元中具有GR、RT、CNL曲线的共218组待判数据，利用A、B、C单元的GR、RT、CNL曲线判别方程(表1)，对218组经过人工判别的结构单元进行自动识别，结果表明，A单元判别符合率为76.9%，B单元判别符合率为92.4%，C单元判别符合率为90.2%。A、B、C单元的整体判别符合率为87.2%，达到判别要求。
Table 1. Discriminant equation by GR, RT and CNL curves of A, B and C units
表1. A、B、C单元GR、RT和CNL曲线判别方程
当没有CNL测井曲线时，选取A、B、C单元中具有GR、RT、AC测井曲线的269组待判数据，利用A、B、C单元的GR、RT、AC曲线判别方程来进行自动识别(表2)，结果表明，A单元判别符合率为78.4%，B单元判别符合率为91.4%，C单元判别符合率为87.3%。A、B、C单元判别的整体符合率为86.6%，达到判别要求。
Table 2. Discriminant equation by GR, RT and AC curves of A, B and C units
表2. 研究区A、B、C单元GR、RT和AC曲线判别方程
在上述A、B、C单元快速识别的基础上，利用Bayes判别原理，进一步建立了C、D单元的判别方程(表3)。结合由成像测井资料所得的人工判别结果，对具有CNL和AC数据的Co单元和D单元进行判别，结果表明C单元判别符合率为95.08%，D单元判别符合率为94.44%，两个单元整体判别符合率为94.76%，满足自动识别要求。综合分析上述判别结果，利用GR、RT、CNL曲线组和GR、RT、AC曲线组均可以比较好地实现对A、B、C单元的自动快速识别，而在此基础之上，再利用CNL和AC曲线组可以比较好地实现对C、D两种单元的自动快速识别。
Table 3. Discriminant equation by CNL and AC curves of C and D units
表3. 研究区C、D单元CNL和AC曲线判别方程
通过对上述识别过程中出现的误判单元进行分析，发现误判的主要原因有以下几个方面：1) 部分位置进行成像测井时出现的电极明显错位现象对判别造成了干扰；2) 针对一套砂岩中有多套较薄的泥质隔层的情况，常规测井曲线的分辨率影响了泥质隔层的识别，从而造成误判；3) 局部位置灰质含量过高，对单元内部沉积构造的识别造成影响。
4.4. 应用效果分析
为了验证上述常规测井曲线形态特征及自动识别方法的准确性及可行性，笔者对研究区的梁752井和滨440井的滩坝储层建立判别方程，进行不同结构单元的自动识别，然后将识别结果与利用测井曲线形态特征得到的人工识别结果相比较，发现二者基本保持一致(图7)。在A、B、C三个单元的自动识别过程中，B的符合率最高，C判别符合率也较高，人工判别为C的单元在自动识别过程中都可识别，存在少数C误判为B的情况；人工判别的A段大部分均可自动识别出来，但容易将紧邻C段或B段的上下误判为A；根据C单元初步判断结果，进一步识别C、D单元的过程中，判别符合率较高。
通过对该套判别思路及方法在东营凹陷及周围其它地区的滩坝主要发育区的进一步应用发现，利用计算机并基于Bayes原理建立判别方程，在滩坝结构单元的判别，特别是对大量滩坝结构单元进行无重复无遗漏的判别方面有着比较好的应用，也能和人工识别结果相互印证。在此基础之上，可进一步地根据各结构单元在垂向剖面上相互叠置的关系，确定滩坝的沉积类型及其演化阶段，对下一步滩坝砂体的勘探开发工作具有一定的指导意义。
Figure 7. Comparison diagram of automatic identification and artificial identification of beach bar units (Left: Well Bin440; Right: Well Liang 752)
图7. 沉积结构单元自动判别与人工判别对比图(左：滨440井； 右：梁752井)
5. 结论与认识
从过程沉积学的角度，将滩坝发育过程划分为I、II、III、IV四个演化阶段，进一步将滩坝细分为A、B、C、D、E五个沉积单元，并总结了各单元的岩性及测井响应特征。
从形态和幅度两方面总结各结构单元常规测井曲线特征，并利用交会图分析的方法对各单元的不同常规测井曲线的敏感性进行分析，结果表明，对于A、B、C单元，GR、RT、AC和CNL曲线敏感性较强，而对于D、E单元，CNL和AC曲线敏感性较强。
根据Bayes判别方法，首先建立A、B、C单元的判别方程，然后在此基础上建立C、D单元的判别方程，依据方程求取最大后验概率值并将其对应的单元作为样本的判别结果，从而实现对A、B、C、D等沉积单元的判别。通过将上述判别方法所得结果与人工判别结果进行对比，吻合率较高，表明上述判别方法对研究区滩坝沉积单元识别具有一定的应用价值。
NOTES
*通讯作者。