录井解释图板智能生成与智能解释技术

引用本文

郭亚非, 田伟志, 宋明会, 杜鹏, 王宇, 徐哲. 录井解释图板智能生成与智能解释技术[J]. 录井工程, 2026,37(2): 34-42.
GUO Yafei, TIAN Weizhi, SONG Minghui, DU Peng, WANG Yu, XU Zhe. Mud logging interpretation chart intelligent generation and intelligent interpretation technology[J]. Mud Logging Engineering, 2026,37(2): 34-42.
Doi:10.3969/j.issn.1672-9803.2026.02.005 复制到剪切板

Permissions

《录井工程》杂志社所有

录井解释图板智能生成与智能解释技术

郭亚非^①^②, 田伟志^①^②, 宋明会^①^②, 杜鹏^①^②, 王宇^①^②, 徐哲^①^②

①中国石油录井技术研发中心

②中国石油长城钻探录井公司

作者简介：郭亚非工程师,1989年生,2014年毕业于长江大学资源勘查工程专业,现在中国石油长城钻探录井公司从事石油地质综合研究工作。通信地址：124010 辽宁省盘锦市兴隆台区石油大街77号。E-mail：guoyf.gwdc@cnpc.com.cn

收稿日期: 2026-04-15

基金: 中国石油集团科技项目“基于人工智能方法的录井智能解释评价与井筒风险诊断关键技术研究”（编号：2025ZG84）

摘要

针对传统录井解释图板存在依赖人工绘制、标准不统一、解释效率偏低且主观性较强,难以适配复杂油气储层录井精细解释需求的问题,进行了录井解释图板智能生成与智能解释技术研发。以邻井录井资料为核心数据源,收集气测、岩石热解、轻烃等关键录井参数并完成数据清洗与标准化预处理;采用灰色关联分析法筛选与储层含油气性高度相关的敏感性参数,构建智能图板生成模型,并结合贝叶斯加权全局-局部融合方法完成交会图板界线科学划分,联动生成适配研究区域的标准化录井解释图板与量化解释标准;基于熵权法构建多指标综合得分评价模型,将目标井录井数据与生成的图板、标准进行比对分析,通过智能判别算法自动输出目标层位录井解释结论。选取辽河油田G区块多口邻井资料开展试验验证,该技术应用于目标层位解释后,区块小层判别准确率达94.64%,解释符合率较传统人工解释提升5.78%,单井解释效率提升97%以上,提高了录井解释的精准度、一致性与工作效率。实践表明该技术可实现邻井资料高效复用及解释图板、标准的自动化生成,有效提升录井解释的智能化水平与解释精度,适配复杂油气储层录井解释场景,具备良好的工程实用性与推广价值。

关键词: 录井解释图板; 智能生成; 智能解释; 敏感性参数; 贝叶斯; 熵权法

中图分类号:TE132.1 文献标志码:A

Mud logging interpretation chart intelligent generation and intelligent interpretation technology

GUO Yafei^①^②, TIAN Weizhi^①^②, SONG Minghui^①^②, DU Peng^①^②, WANG Yu^①^②, XU Zhe^①^②

① Mud Logging Technology R & D Center,CNPC,Panjin,Liaoning 124010,China

② GWDC Mud Logging Company,CNPC,Panjin,Liaoning 124010,China

Abstract

To address the issues of traditional mud logging interpretation charts relying on manual drawing,inconsistent standards,low efficiency,strong subjectivity,and difficulty in meeting the demands of fine mud logging interpretation for complex hydorcarbon reservoirs,intelligent generation and intelligent interpretation technology for mud logging interpretation charts were researched and developed.It uses adjacent well mud logging data as the core data source,collecting key mud logging parameters such as gas logging,rock pyrolysis,and light hydrocarbons,and completing data cleaning and standardization preprocessing. Use the grey relational analysis method to screen sensitivity parameters that are highly correlated with reservoir oil-gas bearing properties,and build an intelligent chart generation model. By combining with a Bayesian-weighted global-local fusion method,the boundary lines of the intersection charts are scientifically delineated,simultaneously generating standardized mud logging interpretation charts and quantitative interpretation standards adapted to the study area. Construct a comprehensive scoring evaluation model of multiple indicators based on the entropy weight method.Compare and analyze the target well mud logging data with the generated charts and standards,and automatically output mud logging interpretation conclusion of the target horizons through the intelligent discrimination algorithm. Select data from multiple adjacent wells in block G of Liaohe Oilfield for experimental verification. After this technology was applied to the interpretation of target horizons,the accuracy rate of small-layer discrimination in the block reached 94.64%,the interpretation coincidence rate was increased by 5.78% compared with traditional manual interpretation,and the efficiency of single-well interpretation was improved by more than 97%. This enhanced the accuracy,consistency and efficiency of mud logging interpretation. The practice has shown that this technology can achieve efficient reuse of adjacent well data and automated generation of interpretation charts and standards,effectively improve the intelligence level and interpretation accuracy of mud logging interpretation,adapt to complex hydrocarbon reservoir mud logging interpretation scenarios,and possess good engineering practicality and promotion value.

Keyword: mud logging interpretation chart; intelligent generation; intelligent interpretation; sensitive parameter; Bayes; entropy weight method

文章图片

0 引言

录井作为油气勘探开发的核心技术手段, 是实时获取井下地质与油气信息的关键窗口, 其解释成果的精准度与时效性直接影响油气储层评价的可靠性和勘探开发决策的科学性^{[1, 2, 3, 4, 5, 6, 7, 8]}。在传统录井解释工作中, 解释图板的绘制高度依赖专业人员的经验, 不同技术人员对同一套数据的理解与处理存在显著差异, 导致解释标准不统一、图板质量参差不齐, 难以满足复杂油气储层的精细评价需求。同时, 人工绘制图板和分析解释的效率低, 单井解释往往需要数小时甚至更久, 且受主观判断影响较大, 无法适配当前深层、非常规油气勘探中对高效、精准录井解释的迫切需求。

近年来, 随着人工智能与大数据技术在油气工程领域的深度渗透, 智能化已成为录井技术革新的核心方向^{[9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21]}。国内外学者针对录井数据智能化处理开展了大量研究, 在储层参数预测、油气识别等方面取得了阶段性成果, 但针对录井解释图板的智能生成与标准化解释技术的系统性研究仍较为匮乏。现有研究多聚焦于单一录井参数的智能分析, 未能建立多源录井数据与储层特征的关联模型, 也未实现解释图板的自动化生成与统一标准输出, 难以从根本上解决人工解释的瓶颈问题。

本文以复杂油气储层录井解释的实际需求为导向, 以辽河油田某区块为实验样本, 提出一套录井解释图板智能生成与智能解释技术体系。该技术以邻井多源录井资料为基础, 利用机器学习算法挖掘录井参数与储层特征的内在关联, 自动生成适配研究区域的标准化解释图板与统一解释标准; 在此基础上, 结合智能判别算法实现目标层位含油气性的快速、客观评价, 旨在提升解释符合率、缩短解释周期, 为复杂油气储层的高效评价提供新的技术路径。

1 录井解释图板智能生成

该研究基于邻井资料, 构建智能图板生成模型, 以实现研究区域标准化录井解释图板及解释标准的自动生成。本节重点阐述关键评价指标筛选与图板生成的核心流程。

1.1 录井参数收集

为系统挖掘气测、岩石热解（三峰法）、轻烃等录井技术与储层含油气性的内在关联, 支撑标准化解释图板构建, 本研究首先对各技术的核心参数及衍生参数进行梳理与量化评估（表1）。以邻井试油结论为标定依据, 采用敏感性分析方法对各参数与试油产量的相关性进行量化排序, 从气测、岩石热解、轻烃3类技术中, 各筛选出敏感性最高的两项评价参数, 为后续录井解释图板的精准生成奠定基础。

表1 气测、岩石热解、轻烃主要参数及衍生参数

1.2 敏感性评价参数筛选

通过灰色关联分析法计算各评价参数与试油产量数据的关联度, 筛选出与产量相关的高敏感性评价参数, 相关计算过程如下。

1.2.1 确定参考序列和比较序列

$Y = \{y_{} （ k ）\}$ , $k$ =1, 2, ⋯, n （1）

$X_{i} = \{x_{i} （ k ）\}$ , i=1, 2, 3, ⋯, m （2）

式中：Y为试油产量（参考序列）; $y_{} （ k ）$ 为第k口井的试油产量数据; n为井数; $X_{i}$ 为评价参数（对比序列）; $x_{i} （ k ）$ 为第i个评价参数在第k口井的数据; m为全烃、峰基比等参数总个数。

1.2.2 数据标准化（无量纲化）

采用均值化法消除量纲影响。通过将原始数据 $y_{} （ k ）、 x_{i} （ k ）$ 分别除以各自序列的均值 $\bar{y} 、 \bar{x_{i}}$ , 消除量纲影响。

对于试油产量序列Y：

$\bar{y} = \frac{1}{n} \sum_{k = 1}^{n} y （ k ）$ （3）

${y'}_{} （ k ） = \frac{y_{} （ k ）}{\bar{y}}$ （4）

对于评价参数序列 $X_{i}$ ：

$\bar{x_{i}} = \frac{1}{n} \sum_{k = 1}^{n} x_{i}^{} （ k ）$ （5）

$x_{i}^{'} （ k ） = \frac{x_{i} （ k ）}{\bar{x_{i}}}$ （6）

式中： $\bar{y}$ 为试油产量序列的均值; ${y'}_{} （ k ）$ 为标准化后的第k口井试油产量数据; $\bar{x_{i}}$ 为第i个参数序列的均值; $x_{i}^{'} （ k ）$ 为标准化后第i个评价参数在第k口井的数据。

1.2.3 计算关联系数

$ξ_{i} （ k ） = \frac{mi n_{i} mi n_{k} |{y'}_{} （ k ） - x_{i}^{'} （ k ）| + ρ ∙ ma x_{i} ma x_{k} |{y'}_{} （ k ） - x_{i}^{'} （ k ）|}{|{y'}_{} （ k ） - x_{i}^{'} （ k ）| + ρ ∙ ma x_{i} ma x_{k} |{y'}_{} （ k ） - x_{i}^{'} （ k ）|}$ （7）

式中： $mi n_{i} mi n_{k} |{y'}_{} （ k ） - x_{i}^{'} （ k ）|$ 表示双重最小值运算（先对所有井k计算差值绝对值并取最小值, 再对所有参数i取最小值从而获得全局最小差值）; ρ 为分辨系数, 用于调节关联系数的分辨力; $ma x_{i} ma x_{k} |{y'}_{} （ k ） - x_{i}^{'} （ k ）|$ 表示双重最大值运算（先对所有井k计算差值绝对值并取最大值, 再对所有参数i取最大值从而获得全局最大差值）; $|{y'}_{} （ k ） - x_{i}^{'} （ k ）|$ 为标准化后第k口井的试油产量与第i个评价参数的绝对差值, 表征序列差异程度。

1.2.4 计算关联度

通过对关联系数在n个数据点上进行求和并取平均值, 得到第i个评价参数与试油产量的关联度。

$r_{i} = \frac{1}{n} \sum_{k = 1}^{n} ξ_{i} （ k ）$ （8）

式中： $r_{i}$ 为第i个参数与产量的关联度。

1.2.5 敏感性参数优选

按关联度从大到小排序, 筛选 $r_{i}$ > 0.6的参数作为产量主控因素, 关联度越高的参数对试油产量的影响越显著。

基于灰色关联分析方法, 从气测、岩石热解、轻烃三类录井技术中各筛选出两项与试油产量相关性最强的敏感性评价参数。受不同区块、不同储层含油气性质差异的影响, 对应的高敏感性参数存在差异; 结合周边邻井资料, 通过敏感性参数优选, 可快速优选出适配研究区的关键参数。

1.3 图板智能生成

基于以上灰色关联分析筛选得到的两项高敏感性参数作为横、纵坐标, 构建录井参数交会图板。结合邻井气测、岩石热解、轻烃等技术参数的数值分布特征, 选取双对数坐标刻度建立坐标系, 将预处理后的邻井参数数据代入坐标系完成投点, 实现图板智能生成。

1.3.1 分离度临界值

以研究区K区块S 3层位的地化参数为例, 经灰色关联分析筛选, S₁与S₁/S₂两个指标与试油产量的关联度均大于0.6, 敏感性最优, 满足交会图横、纵坐标的选取要求。

交会图板的有效性取决于不同储层类型投点区域的分离程度。本文采用试油标定样本分离度作为交会图投点分离度的科学量化指标, 计算公式为：

$D = \frac{N_{s}}{N_{t}} \times 100 %$ （9）

式中：D为投点分离度; N_s为同类储层投点集中分布、与其他类储层无重叠的样本数量; N_t为参与投点的试油标定总样本数量。

分离度D的大小直接表征不同储层类型在参数空间的可区分程度, D值越高, 参数对储层类型的判别能力越强。通过对辽河油田K、G、S等多区块试油标定样本的统计验证, 确定分离度D的临界值为60%：当D≥ 60%时, 不同储层类型投点边界较清晰, 可划定定量界线, 形成适用性较强的解释图板; 当D< 60%时, 不同储层投点混杂重叠, 无法划分有效界线, 仅可作为储层含油气性的整体评价依据。如K区块S 3层位地化投点交会图（图1）所示, 油层与差油层的投点分离度高于60%, 边界清晰、可分性强; 而干层与水层的投点分离度低于60%, 分布混杂, 需作为整体进行综合评价。

	Figure Option View Download New Window
	图1 K区块S 3层位地化投点交会图

1.3.2 界线划分

地化录井参数交会图的界线划分是储层流体性质识别的核心环节, 直接决定解释评价结果的准确性。在S₁与S₁/S₂双对数地化投点图的应用中, 当分离度D=100%时, 不同储层投点无重叠, 可直接依据临近点中线划分界线。当分离度D< 100%时, 不同储层投点会出现不同程度的重叠, 如图2所示, 当分离度D接近80%时, 油层与差油层在参数空间内会形成较明显的纵、横重叠区。传统划分方法主要分为等数量划分法与局部比例划分法两类, 但均存在显著局限性。等数量划分法以重叠区内各类别投点数量的50%作为界线阈值, 未考虑全局样本的自然分布特征, 易导致界线偏移; 单一局部比例划分法仅依据重叠区内各类别投点的占比确定界线, 却未考虑全局样本总量的差异, 若某类储层的总样本量本身偏少, 极易因局部抽样偏差导致界线向该类储层偏移, 造成系统性的误判。

	Figure Option View Download New Window
	图2 K区块S 3层位地化投点图

针对上述问题, 本文结合试油标定的全局样本与重叠区局部样本特征, 提出基于贝叶斯加权的全局-局部融合界线划分方法, 实现重叠区判别界线的量化、科学化标定, 有效解决了样本量不均衡条件下的界线划分难题。本方法的核心理论依据为贝叶斯概率理论, 其本质是利用全局样本中各类储层的先验权重, 对重叠区局部投点的条件权重进行校正, 进而计算出重叠区内各类储层的加权归属概率, 最终以加权归属概率相等的临界点作为判别界线。

首先定义全局先验权重, 表征各类储层在总样本中的自然占比, 计算公式为：

$W_{G ， j} = \frac{N_{G ， j}}{N_{G ， total}}$ （10）

式中： $W_{G ， j}$ 为第j类储层的全局先验权重; $N_{G ， j}$ 为第j类储层的全局试油标定样本数量; N_{G, total}为全局试油标定样本的总数量。

其次定义局部条件权重, 表征各类储层在重叠区内的投点占比, 计算公式为：

$W_{L ， j} = \frac{N_{L ， j}}{N_{L ， total}}$ （11）

式中： $W_{L ， j}$ 为第j类储层在重叠区内的局部条件权重; $N_{L ， j}$ 为第j类储层在重叠区内的投点数量; $N_{L ， total}$ 为重叠区内的投点总数量。

基于全局先验权重与局部条件权重的乘积, 计算各类储层在重叠区内的加权归属概率, 公式为：

$P_{j} = \frac{W_{G ， j} \times W_{L ， j}}{\sum_{j = 1}^{t} （ W_{G ， j} \times W_{L ， j} ）}$ （12）

式中：P_j为第j类储层在重叠区内的加权归属概率; t为储层类型的类别数, 取值t=2, 即油层与差油层。

以两类储层在重叠区内的加权归属概率占比为依据分配重叠区范围, 据此确定的参数值即为重叠区的最优判别界线, 该划分方式可使整体错判率达到统计学意义上的最小值。

本次研究共选取140个经试油验证的有效样本作为全局标定样本, 其中油层样本76个, 差油层样本64个。根据公式（10）计算可得, 油层的全局先验权重W_{G, 油层}=76/140≈ 54.29%; 差油层的全局先验权重W_{G, 差油层}=64/140≈ 45.71%。全局样本中油层占比略高于差油层, 反映出研究区储层以油层为主、差油层次之的分布特征。在S₁与S₁/S₂地化投点图中（图2）, 纵重叠区（S₁参数方向）共识别出58个投点, 其中油层投点42个, 差油层投点16个, 根据公式（11）计算可得, 油层在纵重叠区内的局部条件权重W_{L, 油层}=42/58≈ 72.41%; 差油层的局部条件权重W_{L, 差油层}=16/58≈ 27.59%, 就局部来看油层在纵重叠区内占据绝对主导地位。

将全局先验权重与局部条件权重代入公式（12）, 计算纵重叠区内油层的加权归属概率, 其中：P_油层=（0.542 9× 0.724 1） / （0.542 9× 0.724 1+0.457 1 × 0.275 9）≈ 75.7%; P_差油层=1-75.7%=24.3%。对比单一局部比例划分法的结果（油层72.41%、差油层27.59%）可知, 经全局先验权重校正后, 油层的加权归属概率略有提升, 这是因为差油层的全局总样本量本身偏少, 贝叶斯加权校正有效消除了局部抽样对差油层占比的高估, 使加权归属概率更贴合储层的真实分布规律。

基于加权归属概率的计算结果, 将重叠区按概率比例分配给不同储层类型, 从而确定最优界线位置：以纵重叠区S₁的最小值S_1min与最大值S_1max为边界, 将纵界线划定在S_1min+（S_1max-S_1min）× P_差油层, 即纵重叠区S₁参数取值为从最小值向最大值方向的24.3%位置。该界线将纵重叠区按24.3%与75.7%的比例分别分配给差油层与油层。横重叠区（S₁/S₂参数方向）的界线划分遵循相同的原理, 通过统计横重叠区内油层与差油层的投点数量, 结合全局先验权重计算加权归属概率, 最终确定横界线的最优位置。

需特别说明的是, 本次S₁与S₁/S₂地化投点图板采用双对数坐标构建, 坐标刻度的非线性特征对界线的数值标定方法产生影响, 但不改变贝叶斯加权的比例划分原则。由于对数坐标下参数的刻度间隔为对数变换后的线性距离, 若直接基于原始参数的线性范围进行比例划分, 将导致界线位置的数值失真。因此, 本文在确定纵重叠区界线位置时, 引入对数域归一化处理, 修正步骤如下：首先, 对纵重叠区S₁的原始数值范围[ $S_{1 \min}$ , $S_{1 \max}$ ]进行对数变换, 得到lg $S_{1 \min}$ 与lg $S_{1 \max}$ ; 随后, 在对数域内按差油层的加权归属概率计算界线的对数坐标值, 公式为：

$\lg S_{1 界线} = \lg S_{1 \min} + （ \lg S_{1 \max} - \lg S_{1 \min} ）$ P_差油层（13）

最后, 将lgS_1界线进行反对数变换, 得到原始坐标下的S_1界线阈值。该方法消除了双对数坐标对界线数值标定的影响, 确保了判别阈值的准确性。横重叠区（S₁/S₂方向）的界线划定同样遵循对数域归一化处理流程, 完成判别界线的科学标定。

1.4 图板与解释标准的联动生成

图板与解释标准的协同性是录井智能解释的核心支撑。传统模式中二者独立构建, 易出现图板适配性与解释标准脱节的问题。本文基于敏感性参数筛选与贝叶斯加权界线划分成果, 结合研究区140个试油标定样本, 提出录井解释图板与量化解释标准的联动生成机制。该机制以灰色关联筛选的高敏感性参数为核心纽带, 在S₁与S₁/S₂双对数地化投点图板智能生成过程中, 自动提取图板核心特征：参数坐标体系（双对数坐标, S₁取值范围0.1~10 mg/g, S₁/S₂取值范围0.01~1）、储层投点分离度、重叠区加权划分界线及各类储层的参数分布区间, 实现图板特征与解释规则的同步迭代与相互校准。

以研究区为例, 在图板智能生成阶段, 同步统计得到纵重叠区S₁参数范围为2.0~5.0 mg/g, 基于贝叶斯加权计算的界线位置约为2.5 mg/g, 据此法直接联动计算横、纵界线位置, 生成量化解释标准：当S₁> 2.5 mg/g且S₁/S₂> 0.45时, 判定为油层; 当1.0< S₁≤ 2.5 mg/g且0.14≤ S₁/S₂≤ 0.45时, 判定为差油层; 当S₁< 1.0 mg/g且S₁/S₂< 0.14时, 判定为干层/水层。该联动模式实现了图板“ 形态特征” 向解释标准“ 量化规则” 的直接转化, 避免了人工制定标准的主观性使解释标准与图板形成高度耦合的有机整体, 为后续目标井的智能解释提供了统一、动态的技术依据。

2 智能解释技术

智能解释技术是录井解释图板智能生成与解释标准联动生成成果的工程化应用核心, 其目标是将多源录井参数、标准化图板及量化解释准则转化为可自动执行的综合评价模型, 实现目标层段含油气性的快速、客观、精准诊断。本节以K区块S 3层位为例, 在已生成的气测、岩石热解、轻烃系列图板及解释标准基础上, 构建基于熵权法的多指标综合得分评价模型, 用于进行油气显示层的解释。

2.1 评价指标体系与分类标准

根据前期研究成果, 选取对储层含油气性响应敏感、在图板中分离度高的6 项关键参数（气测全烃、峰基比、S₁、S₁/S₂、轻烃丰度、苯含量）作为评价指标, 建立K区块S 3层位录井解释图板（图3）。基于大量试油标定样本统计, 各指标对油层、差油层、干层/水层的分类阈值已通过智能图板生成方法量化标定, 如表2所示。该标准可作为后续单指标评分的基准依据。

	Figure Option View Download New Window
	图3 K区块S 3层位气测、岩石热解、轻烃图板

表2 K区块S 3层位气测、岩石热解、轻烃标准

2.2 基于熵权法的指标权重确定

为避免主观赋权带来的偏差, 采用熵权法客观计算各评价指标的权重^[22]。熵权法依据指标数据本身的离散程度确定权重：指标信息熵越小, 表明该指标提供的信息量越大, 权重相应越高。

2.2.1 构建原始数据矩阵

以K区块S 3层位56个小层作为待评样本（表3）, 6项评价指标作为属性, 构建原始数据矩阵 $Z = （ z_{ab} ）_{56 \times 6}$ （其中： $z_{ab}$ 为第a个待评样本第b项指标的原始值; a=1, 2, ⋯, 56, 代表小层; b=1, 2, ⋯, 6, 代表评价指标）。

表3 K区块S 3层位部分油气显示层气测、岩石热解、轻烃数据

2.2.2 数据标准化处理

为消除量纲影响, 采用极差变换法对各指标进行标准化处理。对于正向指标（指标值越大, 含油气性越好）, 标准化公式为：

$q_{ab} = \frac{z_{ab} - mi n_{} （ z_{b} ）}{ma x_{} （ z_{b} ） - mi n_{} （ z_{b} ）}$ （14）

式中： $q_{ab}$ 为第a个待评样本第b项指标的无量纲标准化值; min（ $z_{b}$ ）、max（ $z_{b}$ ）分别是第b项指标所有样本原始值的最小值、最大值。

本研究中6项指标均为正向指标, 计算得出标准化矩阵 $Q = （ q_{ab} ）_{56 \times 6}$ 。

2.2.3 计算信息熵与权重

第b项指标的信息熵E_b计算公式为：

$E_{b} = - \frac{1}{lnf} \sum_{a = 1}^{f} （ p_{ab} \ln p_{ab} ）$ （15）

$p_{ab} = \frac{q_{ab}}{\sum_{a = 1}^{f} q_{ab}}$ （16）

式中：E_b为第b项指标的无量纲信息熵; f为待评样本总数（本研究为56）; $p_{ab}$ 为第a个样本第b项指标的无量纲特征比重。

当 $p_{ab}$ =0时, 定义 $p_{ab} \ln p_{ab} = 0$ , 该处理为信息熵计算标准约定, 避免无意义计算。第b项指标的权重W_b为：

$W_{b} = \frac{1 - E_{b}}{\sum_{b = 1}^{h} （ 1 - E_{b} ）}$ （17）

式中：W_b为第b项指标的无量纲权重, %; h为评价指标总数, h=6。

经计算, 6项指标的熵值及权重如表4所示。

表4 6项评价指标熵值与权重

权重计算结果表明, 轻烃丰度与气测全烃对含油气性评价贡献最大, S₁/S₂权重相对较低, 与图板分离度分析结果一致。

2.3 单指标评分函数构建

为将各指标实测值转化为统一量纲的得分, 依据表2的分类标准构建线性评分函数。将油层、差油层、干层/水层三类储层分别赋予标准分值：油层100分、差油层60分、干层/水层40分。该赋值体现了含油气性由高到低的递减关系, 便于后续加权求和与阈值划分。

对于第b项指标, 设其油层下限阈值为 $T_{b, oil}$ , 差油层下限阈值为 $T_{b, poor}$ （具体数值见表2）。则单指标得分函数 $S_{} （ v_{b} ）$ 定义为：

$S_{} （ v_{b} ） = \{\begin{array}{l} 100 ， v_{b} \geq T_{b, oil} \\ 60 ， T_{b, poor} \leq v_{b} < T_{b, oil} \\ 40 ， v_{b} < T_{b, poor} \end{array}$ （18）

式中, $S_{} （ v_{b} ）$ 为第b项指标的单指标得分; $v_{b}$ 为第b项指标的实测值。

该函数在阈值区间内线性插值, 保证了评分的连续性与合理性。

2.4 综合得分计算与储层类别判定

对于任意待评样本, 其综合得分F为各指标得分的加权和：

$F = \sum_{b = 1}^{6} W_{b} S_{} （ v_{b} ）$ （19）

根据研究区试油样本的统计分布, 确定综合得分阈值：油层, F≥ 80; 差油层, 50≤ F< 80; 干层/水层, F< 50。

3 应用实例

为验证录井解释图板智能生成与智能解释技术的工程适用性与推广价值, 选取辽河油田G区块S 4层位作为研究对象, 基于该区块邻井试油标定数据与多源录井资料, 开展录井解释图板与量化标准的智能生成及现场应用验证。首先, 收集该区块邻井气测、岩石热解、轻烃等关键录井参数, 经数据清洗与标准化预处理后, 采用灰色关联分析法开展参数敏感性评价, 筛选出与储层含油气性关联度最高的C₁、峰基比、S₁、S₁/S₂、轻烃丰度、甲苯6项指标, 作为图板构建与解释评价的核心参数。随后以高敏感性参数为坐标轴, 采用双对数坐标完成交会投点, 基于试油样本分离度分析与贝叶斯加权全局-局部融合界线划分方法, 自动生成G区块S 4层位气测、岩石热解、轻烃系列解释图板（图4）, 并同步联动生成量化解释标准（表5）, 确定油层、差油层、干层/水层的参数阈值区间, 实现了图板形态与判别规则的统一耦合。在完成图板与标准智能生成的基础上, 将该技术体系应用于G区块S 4层位29个小层的录井解释, 采用熵权法确定各指标客观权重, 构建单指标线性评分函数与多指标综合得分评价模型, 实现储层流体性质的自动判别与快速评价, 全面检验该技术在目标区块与层位的解释精度与运行效率。

	Figure Option View Download New Window
	图4 G区块S 4层位气测、岩石热解、轻烃图板

表5 G区块S 4层位气测、岩石热解、轻烃标准

G区块S 4层位29个小层各指标实测值经评分函数转换为得分, 并加权计算综合得分, 部分结果见表6。从解释结果可以看出：Ⅱ 、Ⅲ 号小层综合得分均在80分以上, 各指标表现优异, 解释为油层, 与试油结论一致。Ⅰ 号小层综合得分为64.00分, 处于差油层区间, 解释为差油层, 与试油结论一致。Ⅳ 号小层综合得分为73.20分, 处于差油层区间, 解释为差油层, 但试油结论为油层, 表明模型对该类边缘样本存在一定误判, 后续可通过增加训练样本优化阈值。Ⅴ 号小层综合得分为47.60分, 各指标普遍偏低, 解释为干层/水层, 与试油结论吻合。

表6 G区块S 4层位部分小层智能解释结果

总体而言, 基于智能解释模型在29 个小层的判别准确率达到94.64%, 较该区块传统单指标经验法（符合率约89.47%）解释精度显著提高。在效率方面, 传统人工流程需完成数据整理、图板制作、标准建立及综合解释等全环节, 单井解释耗时需6~10 h; 而应用本模型, 全流程自动化执行, 仅需约10 min即可完成同等规模的解释任务, 效率提升97%以上。该模型实现了解释图板、量化标准与智能决策的闭环联动, 有效规避了人工经验的主观性与差异性, 在复杂油气储层录井评价中展现出良好的工程实用性与可扩展性。

4 结论

（1）采用灰色关联分析法从气测、岩石热解、轻烃中筛选高敏感性录井参数, 构建双对数交会图板; 针对不同储层投点重叠问题, 引入贝叶斯加权全局-局部融合方法, 科学量化划分界线, 实现标准化录井解释图板的智能生成。

（2）基于录井解释图板与量化解释标准的联动生成机制, 实现图板特征与解释规则的同步迭代、相互校准, 契合当前录井智能化领域“ 动态联动、量化闭环” 的最新研究理念, 彰显技术的创新性与实用性。

（3）构建基于熵权法的多指标综合得分智能解释模型。将图板与标准转化为自动评价体系, 客观赋权并计算综合得分, 实现储层含油气性快速判别。现场应用显示, 判别准确率达94.64%, 解释符合率提升5.78%, 效率提升97%以上。

该技术的成功应用对推动录井工程的智能化转型具有重要的理论与工程意义。

编辑王丙寅

参考文献

文献列表

[1]	王灿丹婷, 韩先明, 孙红华, 等. 录井随钻解释评价方法在保定凹陷的应用[J]. 录井工程, 2025, 36(3): 79-86. WANG Cand anting, HAN Xianming, SUN Honghua, et al. Application of method for mud logging interpretation and evaluation while drilling in Baoding Sag[J]. Mud Logging Engineering, 2025, 36(3): 79-86. [本文引用:1]
[2]	姚金志, 杜焕福, 侯文辉, 等. 机器学习建模及其在气测录井解释中的应用[J]. 录井工程, 2025, 36(2): 7-14. YAO Jinzhi, DU Huanfu, HOU Wenhui, et al. Machine learning modeling and its application to gas logging interpretation[J]. Mud Logging Engineering, 2025, 36(2): 7-14. [本文引用:1]
[3]	张文平, 胡洋, 姜维寨, 等. 录井定量化解释评价方法在河套盆地扎格构造临河组储层的应用[J]. 录井工程, 2025, 36(1): 98-105. ZHANG Wenping, HU Yang, JIANG Weizhai, et al. Application of mud logging quantitative interpretation and evaluation method to reservoirs of Linhe Formation in Zhage structure, Hetao Basin[J]. Mud Logging Engineering, 2025, 36(1): 98-105. [本文引用:1]
[4]	苑传江, 李怀军, 李秀彬, 等. 核磁共振录井优化实验及流体评价技术研究与应用[J]. 录井工程, 2023, 34(4): 1-8. YUAN Chuanjiang, LI Huaijun, LI Xiubin, et al. Research and application of NMR logging optimization experiment and fluid evaluation technology[J]. Mud Logging Engineering, 2023, 34(4): 1-8. [本文引用:1]
[5]	邹林浩. 基于数据挖掘的岩性剖面解释方法研究[D]. 大庆: 东北石油大学, 2022. ZOU Linhao. Research on lithologic profile interpretation method based on data mining[D]. Daqing: Northeast Petroleum University, 2022. [本文引用:1]
[6]	张鹏. 基于模型驱动的录井综合图处理平台研究[D]. 大庆: 东北石油大学, 2022. ZHANG Peng. Research on model-driven mud logging comprehensive graph processing platform[D]. Daqing: Northeast Petroleum University, 2022. [本文引用:1]
[7]	沈文建, 魏庆阳, 方振东, 等. 数据挖掘技术在录井原油性质判别中的应用[J]. 录井工程, 2019, 30(4): 13-16, 28. SHEN Wenjian, WEI Qingyang, FANG Zhendong, et al. Application of data mining technology to crude oil property discrimination via mud logging[J]. Mud Logging Engineering, 2019, 30(4): 13-16, 28. [本文引用:1]
[8]	郭亚非. 岩矿扫描录井技术在鄂尔多斯盆地长7段页岩油储层评价中的应用[J]. 录井工程, 2025, 36(4): 103-112. GUO Yafei. Application of rock-mineral scanning logging technology in shale oil reservoir evaluation of Chang 7 Member in Ordos Basin[J]. Mud Logging Engineering, 2025, 36(4): 103-112. [本文引用:1]
[9]	王志战. 我国“十四五”录井技术新进展与发展思考[J]. 石油钻探技术, 2025, 53(6): 63-72. WANG Zhizhan. New progress and development thoughts on surface logging technology in China during "14th Five-Year Plan" period[J]. Petroleum Drilling Techniques, 2025, 53(6): 63-72. [本文引用:1]
[10]	王志战. 中国石化录井技术新进展与发展方向思考[J]. 石油钻探技术, 2023, 51(4): 124-133. WANG Zhizhan. Thoughts for new progress and development directions of Sinopec′s surface logging technology[J]. Petroleum Drilling Techniques, 2023, 51(4): 124-133. [本文引用:1]
[11]	李中. 中国海油油气井工程数字化和智能化新进展与展望[J]. 石油钻探技术, 2022, 50(2): 1-8. LI Zhong. Progress and prospects of digitization and intelligentization of CNOOC′s oil and gas well engineering[J]. Petroleum Drilling Techniques, 2022, 50(2): 1-8. [本文引用:1]
[12]	裴志君, 宋先知, 李根生. 石油钻井钻速预测研究现状与未来展望[J]. 石油科学通报, 2025, 10(6): 1252-1266. PEI Zhijun, SONG Xianzhi, LI Gensheng. Research status and future prospect of penetration rate prediction for petroleum drilling[J]. Petroleum Science Bulletin, 2025, 10(6): 1252-1266. [本文引用:1]
[13]	卢履盛, 方铁园, 黄子舰, 等. 基于HSV色彩空间的岩屑荧光图像颜色信息提取技术及其在油气显示识别中的应用[J]. 录井工程, 2025, 36(4): 58-62. LU Lyusheng, FANG Tieyuan, HUANG Zijian, et al. Color information extraction technique for cuttings fluorescent images based on HSV color space and its application in SG&O identification[J]. Mud Logging Engineering, 2025, 36(4): 58-62. [本文引用:1]
[14]	王晔磊, 慈兴华, 杜焕福, 等. 基于极度随机树算法的火山岩岩性识别: 以长岭断陷查干花地区火石岭组为例[J]. 新疆石油地质, 2026, 47(2): 222-232. WANG Yelei, CI Xinghua, DU Huanfu, et al. Lithology identification of volcanic rocks based on extra-trees classifier: A case study of the Huoshiling Formation in the Chaganhua subsag, Changling fault depression, Songliao Basin[J]. Xinjiang Petroleum Geology, 2026, 47(2): 222-232. [本文引用:1]
[15]	吴立伟, 韩亮, 刘坤, 等. 融合逻辑规则的井漏智能诊断模型研究及应用[J]. 石油机械, 2026, 54(3): 32-42. WU Liwei, HAN Liang, LIU Kun, et al. Research and application of intelligent lost circulation diagnosis model integrating logic rules[J]. China Petroleum Machinery, 2026, 54(3): 32-42. [本文引用:1]
[16]	任忠宏, 杨丹, 赵腾, 等. 模块化录井仪器多通道信号检测系统的设计与应用[J]. 录井工程, 2026, 37(1): 28-33. REN Zhonghong, YANG Dan, ZHAO Teng, et al. Design and application of a multi-channel signal detection system for modular mud logging instruments[J]. Mud Logging Engineering, 2026, 37(1): 28-33. [本文引用:1]
[17]	周光元, 方振东, 王红娜, 等. 海上油田录井专有大语言模型OffshoreGPT的构建与部署[J]. 录井工程, 2026, 37(1): 1-7. ZHOU Guangyuan, FANG Zhendong, WANG Hongna, et al. Build and deployment of OffshoreGPT, a specialized large language model for offshore oilfield mud logging[J]. Mud Logging Engineering, 2026, 37(1): 1-7. [本文引用:1]
[18]	吕泽昊, 李桢, 魏风奇, 等. 卡钻风险无监督诊断与处置措施检索推荐系统[J]. 新疆石油天然气, 2026, 22(1): 26-32. LYU Zehao, LI Zhen, WEI Fengqi, et al. Unsupervised diagnosis and response recommendation system for stuck pipe risks[J]. Xinjiang Oil & Gas, 2026, 22(1): 26-32. [本文引用:1]
[19]	夏泊洢, 杨文军, 谢红玉, 等. 基于时序数据的昆仑钻井大模型关键技术研究[J]. 钻采工艺, 2026, 49(1): 42-49. XIA Boyi, YANG Wenjun, XIE Hongyu, et al. Key technologies research of the Kunlun drilling large model based on time-series data[J]. Drilling & Production Technology, 2026, 49(1): 42-49. [本文引用:1]
[20]	张硕, 王家进, 高文凯, 等. 高温-超高温随钻测量技术现状及发展趋势[J]. 石油钻采工艺, 2026, 48(1): 1-9. ZHANG Shuo, WANG Jiajin, GAO Wenkai, et al. Current status and development trend of high and ultra-high temperature measurement while drilling technology[J]. Oil Drilling & Production Technology, 2026, 48(1): 1-9. [本文引用:1]
[21]	李舒雯, 祝兆鹏, 宋先知, 等. 钻井溢流风险智能预警研究进展与前景展望[J]. 钻采工艺, 2026, 49(1): 184-192. LI Shuwen, ZHU Zhaopeng, SONG Xianzhi, et al. Research progress and future perspectives on intelligent early warning of drilling kick risk[J]. Drilling & Production Technology, 2026, 49(1): 184-192. [本文引用:1]
[22]	郭亚非, 张志文, 杜鹏, 等. 致密气井积液综合诊断及动态跟踪技术[J]. 石油钻采工艺, 2025, 47(4): 522-532. GUO Yafei, ZHANG Zhiwen, DU Peng, et al. Integrated diagnosis and dynamic tracking technology for liquid loading in tight gas wells[J]. Oil Drilling & Production Technology, 2025, 47(4): 522-532. [本文引用:1]

2025

0.0

... 0 引言录井作为油气勘探开发的核心技术手段,是实时获取井下地质与油气信息的关键窗口,其解释成果的精准度与时效性直接影响油气储层评价的可靠性和勘探开发决策的科学性^{[1,2,3,4,5,6,7,8]} ...

2025

0.0

2025

0.0

2023

0.0

2022

0.0

2022

0.0

2019

0.0

2025

0.0

2025

0.0