引用本文
宋昀轩, 岳雪, 张国栋, 王雷, 鲁法伟. 基于机器学习+元素录井的碎屑岩粒度评价方法——以东海盆地西湖凹陷为例[J]. 录井工程, 2026,37(1): 57-64.
SONG Yunxuan, YUE Xue, ZHANG Guodong, WANG Lei, LU Fawei. Clastic rock granularity evaluation method based on machine learning+element logging： A case study of Xihu Sag, East China Sea Basin[J]. Mud Logging Engineering, 2026,37(1): 57-64.
Doi:10.3969/j.issn.1672-9803.2026.01.009  
Permissions
Copyright©2026, 《录井工程》杂志社
《录井工程》杂志社 所有
基于机器学习+元素录井的碎屑岩粒度评价方法——以东海盆地西湖凹陷为例
宋昀轩①, 岳雪②, 张国栋①, 王雷①, 鲁法伟①
①中海石油（中国）有限公司上海分公司
②成都市市容环卫管理事务中心

作者简介：宋昀轩 工程师,1989年生,2012年毕业于西南石油大学资源勘查工程专业,现在中海石油（中国）有限公司上海分公司从事现场地质监督工作。通信地址：200050 上海市长宁区通协路388号中海油大厦。E-mail：songyx6@cnooc.com.cn

收稿日期: 2025-12-12
摘要

针对东海盆地西湖凹陷深层勘探中,因PDC钻头导致地层原始颗粒破坏程度高,难以利用岩屑对碎屑岩粒度进行准确分析,且钻井取心和井壁取心成本高、时效性差等问题,建立一种随钻条件下快速、准确的碎屑岩粒度评价方法。基于元素录井数据与地质机理分析,优选与粒度相关的特征元素组合;再通过机器学习方法,分层系建立预测模型：对花港组采用线性回归,对平湖组上段和中段分别采用决策树与随机森林算法,最终建立了适用于西湖凹陷不同层系的碎屑岩粒度评价方法。实践应用表明,该方法在西湖凹陷花港组及平湖组地层的岩性粒度预测中,总体符合率达89.7%,能够有效识别从泥岩到砂砾岩的7个粒度级别,为西湖凹陷花港组与平湖组碎屑岩储层的随钻甜点评价以及后续作业决策提供了较为可靠的技术手段和参考依据。

关键词: 西湖凹陷; 碎屑岩粒度; 元素录井; 机器学习; 储层评价; 随钻分析
中图分类号:TE132.1 文献标志码:A
Clastic rock granularity evaluation method based on machine learning+element logging： A case study of Xihu Sag, East China Sea Basin
SONG Yunxuan①, YUE Xue②, ZHANG Guodong①, WANG Lei①, LU Fawei①
①Shanghai Branch, CNOOC China Limited, Shanghai 200050, China
②Chengdu Municipal City Appearance and Sanitation Management Affairs Center, Chengdu, Sichuan 610000, China
Abstract

To address the challenges in deep exploration of Xihu Sag, East China Sea Basin, where PDC bits cause severe damage to original formation particles, making accurate analysis of clastic rock granularity from cuttings difficult, and where drilling coring and sidewall coring are costly and time-consuming, this study establishes a method of rapid and accurate clastic rock lithology granularity evaluation while drilling. Based on element logging data and geological mechanism analysis, typical element combinations related to granularity were optimized. Machine learning methods were then employed to establish predictive models for different series of strata： linear regression for Huagang Formation, and decision tree and random forest algorithms for the upper and middle sections of Pinghu Formation, respectively. This summarizes a clastic rock granularity evaluation method applicable to different series of strata in Xihu Sag. Practical applications demonstrate that this method achieves an overall accuracy rate of 89.7% in predicting lithology granularity in Huagang and Pinghu Formations of Xihu Sag, effectively identifying 7 granularity levels from mudstone to glutenite. It provides reliable technical means and reference basis for sweet spot evaluation while drilling and subsequent operational decisions in clastic rock reservoirs of Huagang and Pinghu Formations in Xihu Sag.

Keyword: Xihu Sag; clastic rock granularity; element logging; machine learning; reservoir evaluation; analysis while drilling
0 引言

储层评价是油气藏地质勘探的重点工作, 涉及储层岩性、物性、含油气性等诸多方面。储层物性受碎屑岩粒度、压实程度、胶结类型和胶结物性质等因素影响, 其中碎屑颗粒大小直接影响储层岩石抗压实程度, 在相同埋深情况下, 碎屑岩粒度越大, 储层物性越好[1, 2]。因此, 在随钻过程中分析碎屑岩粒度, 对储层评价、成藏模式研究具有重要意义。

目前确定碎屑岩粒度的评价方法主要包括筛分法、激光粒度法、薄片粒度分析法、图像分析法等。但随着PDC钻头在各大油气田的广泛应用, 其产生的钻屑更为细碎, 对地层原始颗粒破坏严重, 难以利用岩屑进行准确的碎屑岩粒度分析。上述评价方法只能分析钻井取心或井壁取心样品, 不仅取心成本高昂, 且只能反映地层局部的粒度特征, 不能反映整体粒度的纵向分布情况。同时, 需要在实验室中进行分析操作, 加上偏远地区运输时间较长, 导致分析周期较长, 影响决策的时效性。因此, 亟需寻找一种不依赖完整岩屑或昂贵取心, 并能实时反映碎屑岩粒度变化的技术途径。

在常规随钻录、测井项目中, 尚无直接表征碎屑岩粒度的参数。然而, 沉积环境决定了沉积物粒度的大小与分布, 元素录井所获取的地球化学参数能够有效反映沉积环境、物源条件及岩性组合特征。研究表明, 粒度特征与特定元素及其组合含量之间存在内在关联, 这为利用元素录井数据间接评价岩性粒度提供了基础。本文旨在通过优选元素录井参数, 并结合机器学习算法, 分层系建立适用于西湖凹陷花港组与平湖组的碎屑岩粒度随钻定量预测模型, 以期为该区储层甜点评价与作业决策提供可靠且高效的技术手段。

1 区域概况

西湖凹陷位于东海盆地, 西接海礁隆起和渔山东低隆起, 东邻钓鱼岛隆褶带, 南为钓北凹陷, 构造上属于东海盆地浙东坳陷内的三级构造单元, 其内部可以进一步划分为3个次一级构造：杭州构造带、平湖构造带和天台构造带。西湖凹陷从古新世到第四系共经历了断陷、断-拗转换、拗陷、反转和区域沉降5个阶段的构造演化, 形成现今形态, 新生界地层发育齐全, 自下而上依次为：下始新统八角亭组（E2b）、宝石组（E2bs）, 中上始新统平湖组（E2p）, 上渐新统花港组（E3h）, 中新统龙井组（N1l）、玉泉组（N1y）和柳浪组（N1ll）, 上新统三潭组（N2s）及第四系东海群（Qpdh）。其中, 中上始新统平湖组及上渐新统花港组是西湖凹陷油气主要赋存层位, 是本文重点研究对象。平湖组储层主要在西斜坡钻遇, 钻井揭示的沉积厚度为500~1 000 m, 埋深普遍介于3 500~4 800 m; 上覆花港组储层在整个西湖凹陷均有分布, 探井揭示沉积厚度600~2 200 m, 埋深普遍介于3 200~4 500 m[3, 4]。

2 碎屑岩储层岩性及粒度特征

西湖凹陷是一套潮坪背景下发育的自生自储的三角洲沉积。平湖组储层物源主要为来自西部海礁隆起的变质岩和花岗岩, 岩性以深灰色粉砂质泥岩、黑色泥岩, 以及浅灰色细、中砂岩为主, 夹有沥青质薄煤层, 有利沉积微相为水下分流河道、潮汐砂坝, 砂体薄且不连续。上覆花港组储层主要为河流相沉积, 受北部轴向虎皮礁隆起和东、西部钓鱼岛隆褶带及海礁隆起短轴物源联合供给的影响, 岩性以浅灰色细砂岩、中砂岩, 灰色、灰绿色、褐灰色泥岩, 灰色粉砂质泥岩为主, 局部含砾; 单套砂体厚、横向连续性好、纵向叠置频繁, 厚度最大可达数百米, 储层沉积微相为心滩和河床[5]。

2.1 碎屑岩储层岩石学特征

统计分析4 000余个西湖凹陷储层薄片可知, 平湖组与花港组储层岩性主要为长石质石英砂岩、岩屑质石英砂岩及长石岩屑质石英砂岩, 部分为岩屑质长石砂岩及长石质岩屑砂岩, 岩石矿物组成特征差异性不大（图1）。平湖组石英含量59.0%~90.0%（平均68.0%）, 长石含量8.0%~23.0%（平均14.5%）, 岩屑含量5.0%~32%（平均17.5%）; 花港组石英含量50.0%~93.0%（平均65.5%）, 长石含量6.8%~25.0%（平均16.3%）, 岩屑含量5.0%~36%（平均18.2%）。整体结构成熟度较高, 分选以好为主, 次为中-好及中等分选; 磨圆度均以次圆-次棱、次棱-次圆为主; 泥质杂基含量普遍低于5%[6]。

图1 西湖凹陷花港组及平湖组储层岩石学三角图板

2.2 碎屑岩粒度分布特征及物性控制

为明确研究区储层的粒度分布特征, 本次研究系统收集了西湖凹陷19口重点探井的64层具有井壁取心或钻井取心标定的铸体薄片样品, 采用马尔文3000激光粒度分析仪进行激光粒度分析, 然后分别采用Folk-Ward公式（ϕ）与Trask（mm）处理数据, 其中Folk-Ward公式更适合描述细粒组分的分选性, 而Trask能有效表征粗粒沉积的水动力条件。统计结果见表1和图2。

表1 西湖凹陷花港组及平湖组储层粒度占比分析数据（部分） %

图2 西湖凹陷花港组及平湖组储层粒度分布图（部分）

分析表明, 平湖组与花港组储层均以细砂岩为主, 其含量平均占砂岩总量的50%以上。平湖组储层的主要粒度分布值为0.18~0.46 mm, 花港组储层的主要粒度分布值为0.15~0.48 mm, 且花港组中砂岩的比例显著高于平湖组（表1、图2）。这与花港组为河流相心滩沉积、平湖组为潮控三角洲沉积的背景相符, 强水动力环境更易形成较粗粒的沉积物有关。

粒度是控制储层物性的关键因素。研究发现：粒度粗的样品（如中砂岩、含砾砂岩）具有更大的原始孔隙度和较好的抗压实性, 得以保留更多的原生孔隙与喉道隙[7, 8]。相同埋深, 含砾砂岩物性最优, 粗-中砂岩次之, 细砂岩再次之, 粉砂岩最差。且同样孔隙度的样品, 粒度大的砂岩渗透率更高。因此, 在随钻过程中准确识别储层粒度分布情况是评价储层有效性的关键。

2.3 粒度与元素地球化学参数的关联机理

粒度分布的本质是沉积动力分选的结果, 而元素在地层中的富集与分异同样受控于沉积环境与水动力条件, 故元素的分布与粒度之间存在内在关联[9]。考虑到西湖凹陷花港组及平湖组物源以长英质为主, 强水动力分选导致细粒沉积物中黏土携带的Ti、Fe更富集。Mn在氧化条件下易形成氧化物或氢氧化物（如软锰矿）, 常富集于氧化环境（如浅海、滨岸）的沉积物中, 但粗粒沉积物中Mn含量通常较低, 因其吸附能力弱, 且Mn易被水动力分选带走。在细粒碎屑岩中, Mn在还原环境（如缺氧盆地、有机质富集环境）可通过有机质络合或硫化作用富集。Ni易被黏土矿物或有机质吸附, 在黑色页岩、泥岩中含量较高, 尤其在缺氧环境中与S结合形成硫化物（如NiS）。西湖凹陷黏土矿物或原生长石残留较多, 粗粒沉积物中Ti的流失快于Zr, 锆石（含Zr）是稳定性极高的重矿物, Zr/Ti升高可能指示长期搬运或成熟沉积。综上所述, 利用元素录井反映沉积环境、物源条件及岩性粒度有较好理论依据[10, 11]。

3 方法构建

综上, 不仅明确了西湖凹陷花港组与平湖组储层以细砂为主且存在显著差异的粒度分布特征, 也从沉积动力学原理上, 论证了利用元素地球化学参数反演粒度特征的可行性。基于这一地质理论基础, 提出定量模型的构建：首先通过相关性分析筛选对粒度变化敏感的关键元素指标, 进而利用机器学习算法建立分层系的粒度预测模型。

3.1 相关性分析

利用皮尔逊法（Pearson method）对主要元素录井参数与岩屑、岩心等实物资料的粒度分析结果进行相关性分析可知：西湖凹陷花港组地层岩性粒度与Ti、Al、V、Mg、Si、Ba、Fe、K等元素有较好的相关性, 与Zr、S等元素也有一定相关性（图3a）; 平湖组上段与中段的元素相关性特征差异明显, 平湖组上段岩性粒度与Al、Mg、Si、K、Fe、Ti、Mn等元素有较好的相关性, 与P、V、S、Zr、Ni等元素也有一定相关性（图3b）; 平湖组中段岩性粒度与Si、Mg、Fe、Al、Mn、Sr、P、K等元素有较好的相关性, 与V、S、Zr、Ni等元素也有一定相关性（图3c）。综上, 不同层系地层影响岩性粒度的特征元素有一定的差异, 后续将把西湖凹陷花港组、平湖组地层分为3个层段分别进行分析, 即花港组、平湖组上段（P 1-P 4砂层组）、平湖组中段（P 5-P 8砂层组）。由于西湖凹陷的平湖组下段（P 9-P 10砂层组）钻探较少, 元素录井应用少, 暂不将其列入本次分析范围。

图3 西湖凹陷岩性粒度（级别）与各元素含量相关性分析

3.2 分层系建立预测方法

表征花港组、平湖组上段及平湖组中段储层粒度分析结果的敏感元素存在一定差异, 数据统计分析表明, 在实际应用中, 特征元素组合参数相较单一元素参数更能反映实际岩性粒度特征。通过对研究区花港组与平湖组地层元素录井参数与取心分析结果进行对比, 显示花港组砂岩储层粒度分析结果与敏感元素组合存在线性关系, 而平湖组上段及中段线性关系较差, 因此引入机器学习方法。

选取研究区19口井共4 196个碎屑岩层作为样本。为方便模型运算和定量分析, 将岩性粒度通过人工赋值划分为7个等级, 具体分级标准为：泥岩、粉砂质泥岩为1级; 泥质粉砂岩、粉砂岩为2级; 泥质细砂岩、细砂岩为3级; 中砂岩为4级; 含砾细砂岩为5级; 含砾中砂岩为6级; 砂砾岩为7级。基于粒度级别与筛选出的相关性较高的元素录井各元素含量数据, 通过机器学习建立元素数据到粒度级别的映射关系（图4）。关键步骤如下：①数据标准化, 对筛选出的高相关性参数进行Z-Score标准化, 消除量纲影响; ②特征重要性分析, 筛选对粒度级别影响最大的元素及元素组合参数; ③多分类模型训练, 比较随机森林、决策树、线性回归等模型性能; ④模型解释与公式推导, 通过线性模型或规则提取生成可解释公式。

图4 粒度级别与元素含量数据的预测关系机器学习建模流程

3.2.1 花港组

花港组采用线性回归法, 利用人工智能进行特征重要性分析, 选择关键元素组合参数, 确定其中关键参数Si/Al、（Fe+Mg+Al）/Si、Zr/Al、K/Al, 其重要性权重分别为0.48、0.25、0.18和0.09。经模型训练及公式推导, 最终形成粒度级别Sy值计算公式如下：

Sy=1.82×MSiMAl-0.95×MKMAl+0.68×MZrMAl-1.37×MFe+MMg+MAlMSi-9.5

式中：Sy为区域碎屑岩粒度级别, 无量纲; MSi为Si元素含量, %; MAl为Al元素含量, %; MK为K元素含量, %; MZr为Zr元素含量, %; MFe为Fe元素含量, %; MMg为Mg元素含量, %。

3.2.2 平湖组上段

通过分析平湖组上段（P 1-P 4砂层组）元素含量及元素组合参数与粒度级别的相关性, 发现Si/Al比值和Fe、Ca含量是最显著的预测指标。Si 主要赋存于石英（碎屑颗粒, 粗粒级）, Al主要赋存于黏土矿物（如高岭石、伊利石, 细粒基质）, 因此, Si/Al比值越高, 碎屑颗粒（粗粒）占比越大, 黏土基质（细粒）占比越小, 粒度越粗。在8.2<Si/Al≤ 9.5区间（细-中砂级范围）, Fe多赋存于黏土矿物或含铁矿物（如赤铁矿）, Fe含量≤ 1.8%, 说明泥质基质少, 颗粒以细砂为主（细砂岩/泥质细砂岩）; Fe含量>1.8%, 则指示颗粒支撑更强、粒度更粗（中砂岩）。在9.5<Si/Al≤ 10.5区间（含砾砂级范围）, Ca多与碳酸盐胶结物或碳酸盐颗粒有关, Ca含量≤ 1.3% 时, 砾石含量少、颗粒以细砂为主（含砾细砂岩）; Ca含量>1.3%时, 砾石和中砂级颗粒占比更高（含砾中砂岩）。基于此, 构建决策树模型, 辅以关键元素阈值判断。利用Si、Al、Fe、Ca四个关键元素数据, 以Si/Al比值、Fe元素含量、Ca元素含量等参数实现粒度分级决策（图5）。

图5 粒度级别预测决策树模型流程图

3.2.3 平湖组中段

经数据测试, 首先尝试利用线性回归及构建决策树的方式建立平湖组中段地层岩性粒度与元素录井参数之间的关系, 因其线性关系不明显, 同时决策树处理效果不佳, 所以采用随机森林模型。该模型在处理非线性关系、自动特征选择、处理特征交互、适应有序分类任务等方面具有优势, 主要关键判别特征参数包括：Si/Al（重要性占比18.2%）、Si含量（重要性占比12.5%）、Fe含量（重要性占比9.8%）、Al含量（重要性占比8.7%）、Zr/Ti（重要性占比7.3%）、K/Na（重要性占比6.1%）等。高Si/Al比值和高Si含量指示石英含量高, 对应粗粒沉积物; 高Fe、Al含量反映黏土矿物丰富, 对应细粒沉积物; Zr/Ti比值的变化与重矿物分选和搬运距离相关; K/Na比值可区分不同物源区的岩石类型。

模型关键参数如下：树的数量200, 单棵树最大深度12, 足够多的树有利于稳定模型, 防止过拟合, 同时保持模型表达能力; 分裂内部节点所需最小样本数8, 叶节点最少样本数4。其流程简述如下：①提取特征和目标变量, 从元素录井原始文件中提取各元素百分含量作为特征变量X, 选取“粒度级别（1, 2, …, 7）”作为目标变量Y; ②划分训练集与测试集, 将随机80%数据作为训练集用于模型训练, 20%数据作为测试集用于模型评估; ③创建随机森林分类器; ④在训练集上训练模型; ⑤在测试集上进行预测; ⑥计算准确率, 对比测试集真实标签和预测标签, 评估模型性能; ⑦使用训练好的模型对整个数据集进行预测。

模型性能评估：在测试集的总体准确率达到89.3%, 但模型对中间粒度级别（3~6级）的识别准确率相对较低, 主要因为这些级别的元素特征重叠度较高。粒度级别1和7级由于具有明显的元素端元特征, 识别准确率最高。

4 应用效果

在实际应用中, 对共计614层不同层位的碎屑岩储层、非储层段进行模拟计算, 总体岩性粒度解释符合率为89.7%, 各类型岩性符合率如表2所示。

表2 研究区部分层段岩性粒度符合率结果统计

以H 2Sa井为例, 该井位于西湖凹陷杭州斜坡带, 完钻井深6 239 m, 完钻层位平湖组P 7砂层组, 该井主要目的层P 6砂层组储层非均质性强、岩性粒度变化大, 纵向上以浅灰色细砂岩、中砂岩、含砾细砂岩、含砾中砂岩、砂砾岩交替分布为主。整体钻速较慢, 平均为5~6 m/h, 岩屑在PDC钻头的切削、研磨下返出颗粒极为细碎, 绝大部分岩屑粒径在0.3 mm以下, 不利于岩性识别。如该井平湖组中段P 6砂层组6 066~6 168 m井段, 从常规岩屑及随钻测井曲线上难以区分岩层粒度大小, 利用元素录井参数与随机森林模型预测岩性粒度级别, 可较好地反映碎屑岩层纵向粒度关系（图6）, 有助于随钻储层评价。

图6 H 2Sa井平湖组P 6砂层组预测岩性粒度综合图

经井壁取心进一步验证, 基于元素录井参数预测的岩性粒度与井壁取心一致性高, 其解释准确率明显优于常规综合录井。

井深6 083.2 m, 常规录井解释为含砾中砂岩, 利用元素录井参数与随机森林模型分析计算粒度级别为6, 解释为含砾中砂岩。井壁取心描述为含砾中砂岩, 结果与常规录井和模型分析结果一致。砾石成分主要为石英, 砾径一般介于2~4 mm, 最大10 mm; 砂质颗粒以中砂占绝对优势, 极少量细砂, 粒径最大0.6 mm, 主要分布范围0.25~0.50 mm（图7）。

图7 H 2Sa井6 083.2 m井壁取心样品外观及铸体薄片鉴定图

井深6 085.5 m, 常规录井解释为含砾中砂岩, 利用元素录井参数与随机森林模型分析计算粒度级别为7, 解释为砂砾岩。井壁取心描述为砂砾岩, 结果与常规录井解释不吻合, 而与模型分析结果一致。砾石成分主要为石英及酸性喷出岩, 砾径一般介于5~10 mm, 最大15 mm; 砂质成分以中粒为主, 主要粒径范围0.25~0.50 mm, 0.5~2.0 mm次之（图8）。

图8 H 2Sa井6 085.5 m井壁取心样品外观及铸体薄片鉴定图

井深6 147.7 m, 常规录井解释为细砂岩, 利用元素录井参数与随机森林模型分析计算粒度级别为4, 解释为中砂岩。井壁取心描述为中砂岩, 结果与常规录井解释不吻合, 而与模型分析结果一致。颗粒以中砂占绝对优势, 极少量细砂, 粒径最大0.68 mm, 主要分布范围0.25~0.50 mm（图9）。

图9 H 2Sa井6 147.7 m井壁取心样品外观及铸体薄片鉴定图

5 结论

本文基于元素录井参数, 利用机器学习方法, 分层系采用线性回归、决策树与随机森林算法建立的随钻碎屑岩粒度预测方法及模型, 在一定程度上实现了西湖凹陷储层粒度级别的定量预测, 在储层随钻物性分级、甜点评价与油气层快速解释方面有较大帮助, 与井壁取心、钻井取心相比具有时效、成本优势, 在东海作业区井深大、费用高、井况复杂钻井工程背景下, 具有较高的应用价值。

随着后续作业数据的增多, 通过实钻资料对该预测评价模型进行持续验证和修正, 再结合其他录井手段进一步优化, 将显著提升模型的准确性、实用性和普适性。

编辑 卜丽媛

参考文献
[1] 黄苏卫, 刘峰, 戚家振. 西湖凹陷Y构造花港组致密砂岩成藏特征[J]. 海洋地质前沿, 2023, 39(3): 71-80.
HUANG Suwei, LIU Feng, QI Jiazhen. Tight sand stone accumulation characteristics of Huagang Formation in Y Structure of Xihu Sag[J]. Marine Geology Frontiers, 2023, 39(3): 71-80. [本文引用:1]
[2] 俞洁, 姚兴宗, 封从军, 等. 东海盆地玉泉组-龙井组辫状河沉积特征: 以西湖凹陷Y地区为例[J]. 天然气地球科学, 2025, 36(5): 883-898.
YU Jie, YAO Xingzong, FENG Congjun, et al. Braided river depositional characteristics of the Yuquan-Longjing formations, East China Sea Basin: Case study of Y area, Xihu Sag[J]. Natural Gas Geoscience, 2025, 36(5): 883-898. [本文引用:1]
[3] 赵谦. 东海陆架盆地西湖凹陷西部斜坡带平湖组潮河联控沉积体系研究[D]. 中国地质大学, 2022.
ZHAO Qian. Study on the tidal fluvial associated sedimentary system of Pinghu Formation in the western slope of Xihu Sag in the East China Sea shelf basin[J]. China University of Geosciences, 2022. [本文引用:1]
[4] 刘毅, 林承焰, 林建力, 等. 东海盆地西湖凹陷深层低渗-致密砂岩孔隙结构特征及成因分析[J]. 天然气地球科学, 2024, 35(3): 405-422.
LIU Yi, LIN Chengyan, LIN Jianli, et al. Pore structure characteristics and genesis analysis of deep tight sand stone in Xihu Depression, East China Sea Basin[J]. Natural Gas Geoscience, 2024, 35(3): 405-422. [本文引用:1]
[5] 肖晓光, 秦兰芝, 张武, 等. 西湖凹陷西斜坡平湖组储层特征及致密化过程分析[J]. 海洋地质前沿, 2023, 39(4): 34-45.
XIAO Xiaoguang, QIN Lanzhi, ZHANG Wu, et al. Reservoir characteristics and densification process of Pinghu Formation in western slope of Xihu Sag[J]. Marine Geology Frontiers, 2023, 39(4): 34-45. [本文引用:1]
[6] 肖晓光. 西湖凹陷深层有效储层形成机理及深度下限研究[J]. 高校地质学报, 2023, 29(4): 630-643.
XIAO Xiaoguang. Study on formation mechanism and lower limit of deep effective reservoir in Xihu Sag[J]. Geological Journal of China Universities, 2023, 29(3): 630-643. [本文引用:1]
[7] 张武, 侯国伟, 肖晓光, 等. 西湖凹陷低渗储层成因及优质储层主控因素[J]. 中国海上油气, 2019, 31(3): 40-49.
ZHANG Wu, HOU Guowei, XIAO Xiaoguang, et al. Genesis of low permeability reservoir and main controlling factors of high quality reservoir in Xihu Sag[J]. China Offshore Oil And Gas, 2019, 31(3): 40-49. [本文引用:1]
[8] CHUHAN F A, KJELDSTAD A, BJORLYKKE K, et al. Experimental compression of loose sand s: Relevance to porosity reduction during burial in sedimentary basins[J]. Canadian Geotechnical Journal, 2003, 40(5): 995-1011. [本文引用:1]
[9] 王守君, 刘振江, 谭忠健, 等. 勘探监督手册[M]. 北京: 石油工业出版社, 2013: 160-161.
WANG Shoujun, LIU Zhenjiang, TAN Zhongjian, et al. Hand book of exploration supervision[M]. Beijing: Petroleum Industry Press, 2013: 160-161. [本文引用:1]
[10] 张锡楠, 王皖丽, 黄启彰. 东海盆地西湖凹陷平湖斜坡带典型井平湖组微量元素古环境差异及控制因素[J]. 海洋地质前沿, 2025, 41(7): 76-88.
ZHANG Xinan, WANG Wanli, HUANG Qizhang. Paleoenvironmental difference and controlling factor of trace elements in Pinghu Formation of typical wells in Pinghu Slope Belt of the Xihu Sag, East China Sea Basin[J]. Marine Geology Frontiers, 2025, 41(7): 76-88. [本文引用:1]
[11] 段仁春. 元素录井在南阳凹陷ZY 1井物源沉积及油气勘探重塑中的应用[J]. 录井工程, 2024, 35(4): 116-123.
DUAN Renchun. Application element logging in reshaping source deposit and oil and gas exploration of well ZY 1 in Nanyang[J]. Mud Logging Engineering, 2024, 35(4): 116-123. [本文引用:1]