基于随钻元素录井数据的岩性自动识别与解释剖面构建方法
孙业鹏①, 姚征②, 何成山③, 黄子舰④, 方铁园④, 张丽微④
①海城市石油化工仪器厂
②中国石油长庆油田公司勘探事业部
③中国石油大港油田公司勘探事业部
④盘锦中录油气技术服务有限公司

作者简介:孙业鹏 1981年生,2008年毕业于辽宁大学工商企业管理专业,现在海城市石油化工仪器厂从事石油设备立项、研发等管理工作。通信地址:114200 辽宁省海城市海州街道上海城2期北门东88米。E-mail:Xigxp@163.com

摘要

随着智能录井技术的发展,随钻元素录井已成为复杂岩性地层识别的重要手段。针对岩性自动识别的实际应用需求,基于长庆油田页岩油区块长7段的随钻元素录井数据,通过元素录井与矿物录井联合分析,建立元素-矿物多元线性回归关系,并结合机器学习优选关键判别参数,以拟合得到的砂质含量、泥质含量,以及Fe、S元素含量为基础,构建多级交会图板识别体系,制定了一套分层递进的岩性自动识别规则,实现了对鄂尔多斯盆地长7段细砂岩、碳质泥岩、凝灰质泥岩、粉砂质泥岩、泥岩及泥质粉砂岩6类岩性的高精度划分。该方法在长7主力储层随钻解释中的应用表明,岩性定名准确率提升至92%以上,显著优于传统经验判别法。研究成果可作为智能录井解释系统的核心模块,具有良好的可复制性与推广价值。

关键词: 随钻元素录井; 岩性识别; 解释剖面; 多元回归; 机器学习
中图分类号:TE132.1 文献标志码:A
Lithology automatic identification and interpretation profile construction method based on data of element logging while drilling
Sun Yepeng①, Yao Zheng②, He Chengshan③, Huang Zijian④, Fang Tieyuan④, Zhang Liwei④
①Haicheng Petro-Chemical Instrument Factory,Haicheng,Liaoning 114200,China
②Exploration Division of PetroChina Changqing Oilfield Company,Xi′an,Shaanxi 710000,China
③Exploration Division of PetroChina Dagang Oilfield Company,Tianjin 300280,China
④Panjin Zhonglu Oil & Gas Technology Service Ltd.,Panjin,Liaoning 124010,China
Abstract

With the development of intelligent mud logging technology,element logging while drilling has become an important means to identify strata with complex lithologies. To meet the practical needs of lithology automatic identification,based on the data of element logging while drilling from Chang 7 Member,the Changqing Oilfield shale oil block,we established a multivariate linear regression relationship between elements and minerals through conjoint analysis of element logging and mineral logging. And by combining with machine learning to optimize key discriminant parameters,we built a multi-level crossplot chart identification system based on the fitted sandy content,shale content,and the contents of Fe,and S elements,and made a set of hierarchical,progressive rules for lithology automatic identification,enabling high-precision classification of six types of lithologies in the Ordos Basin′s Chang 7 Member:fine sandstone,carbonaceous mudstone,tuffaceous mudstone,silty mudstone,mudstone,and argillaceous siltstone. The application of this method to interpretation while drilling of Chang 7 main reservoirs shows that the accuracy of lithology naming has been improved to over 92%,which is significantly better than the traditional empirical discriminant method. The study results can serve as the core module of the intelligent mud logging interpretation system and have good replicability and promotion value.

Keyword: element logging while drilling; lithology identification; interpretation profile; multivariate regression; machine learning
0 引言

随钻元素录井技术凭借其连续性好、垂向分辨率高、抗钻井液污染能力强等优势, 已成为非常规油气藏地质导向与储层精细描述的关键手段[1, 2, 3]。然而, 在长庆油田当前的随钻解释实践中, 岩性自动识别需求日益迫切, 而多数录井现场仍缺乏一套从原始元素数据到岩性结论的系统化、可计算、可工程化的解释流程与自动识别规则, 制约了元素录井数据在智能录井与实时决策中的深度应用[4, 5]。

针对上述问题, 本文以鄂尔多斯盆地长庆油田页岩油区块长7段为研究对象, 融合实验室元素录井(X射线荧光光谱分析, XRF)与矿物录井(X射线衍射分析, XRD)数据, 构建具有明确地质意义的元素-矿物多元回归模型, 避免“ 为拟合而拟合” 的黑箱建模。在此基础上, 引入shapley值、互信息[6]等可解释性机器学习方法, 优选兼具统计显著性与地质指示意义的岩性敏感参数, 进而建立分层递进式判别规则, 以实现对细砂岩、碳质泥岩、凝灰质泥岩、粉砂质泥岩、泥岩及泥质粉砂岩6类复杂岩性的高精度自动划分。需说明的是, 凝灰岩作为长7₃段的标志性特殊岩性, 在随钻过程中采集的数据量较少, 暂不具备建模条件。最终将整套方法集成至OneTOBar软件平台, 形成从数据采集到岩性结论的端到端自动化输出, 旨在提供一套可解释、可迁移、可工程化的标准化解决方案, 提升岩性识别精度, 推动智能录井从“ 自动采集” 向“ 输出结论” 的关键跨越, 为非常规油气高效勘探开发提供坚实的技术支撑。

1 数据基础与元素-矿物关联性分析
1.1 数据来源与预处理

本研究共采集鄂尔多斯盆地长7段岩心样品127块, 并同步获取每块样品的XRF元素数据与XRD矿物组成数据。

XRF分析涵盖36种元素[7, 8], 但部分微量元素(如U、Th)含量极低, 为10-6量级, 与主量元素(如Si、Al)10-2量级存在巨大差异, 可能干扰模型稳定性。因此, 本文对所有元素含量实施Z-score标准化处理, 将所有变量转化为无量纲、零均值、单位方差的形式, 有效避免回归模型受量纲差异影响。同时, 剔除缺失率超过10%的元素(如部分稀土元素), 最终筛选出16种关键元素作为建模输入变量, 包括:Na、Mg、Al、Si、P、S、Cl、K、Ca、Ti、V、Cr、Mn、Fe、Th、U。

XRD分析表明, 长7段岩石矿物组成复杂, 主要矿物包括石英、钠长石、钾长石、白云石、方解石、云母、高岭石、黄铁矿及菱铁矿。基于沉积成因与岩石学特征, 将其划分为3类功能组分:砂质成分包含石英、钠长石和钾长石, 代表碎屑颗粒来源; 泥质成分以黏土矿物(主要为高岭石, 含少量细粒云母)为主, 代表细粒沉积产物; 此外, 细粒成岩矿物(方解石、白云石、黄铁矿、菱铁矿)独立作为成岩组分, 反映成岩蚀变产物。

1.2 元素-矿物关联性分析

为建立元素数据向矿物含量的转换关系, 计算了上述16种元素与各XRD矿物含量之间的皮尔逊相关系数(图1), 该图中矿物计算砂质、矿物计算泥质作为Y值, 也参与了敏感参数的优选, 以减少单矿物求和带来的不确定性影响。判断统计显著性时, 需综合考虑样本规模与地质实际意义。本研究共采集分析127块岩心的元素与矿物对应数据, 在显著性水平α =0.05的情况下进行双尾t检验, 所得相关系数临界值为0.18, 故|r|> 0.18的相关系数在统计上显著。然而, 地质过程通常受多因素耦合作用控制, 微弱的相关性(|r|≈ 0.2)虽具备统计显著性, 但对矿物含量的解释能力极低, 易引入噪声并影响后续模型的稳定性。为此, 本文将“ 显著相关” 的实用阈值提升至|r|> 0.3。该标准既能有效滤除相关性较弱或成因关联不明确的元素-矿物组合, 又能保留具有明确成因联系的强信号组合(如Si含量与石英含量、Al含量与黏土矿物含量等), 从而在统计可靠性与地质可解释性之间取得合理平衡。由图1可知:Al、Si、K、Fe、U等元素的含量与多种矿物含量均表现出较强的相关性, 具有较广泛的矿物指示意义; 而Mg、Ca、S则对特定矿物具有较高专属性, 例如Mg和Ca与白云石、方解石含量密切相关, S作为黄铁矿(FeS₂)的主要组成元素, 其含量与黄铁矿含量呈强正相关。上述元素组合不仅满足统计显著性(|r|> 0.3)与多重共线性控制要求, 更具备明确的地球化学与沉积学意义, 为构建物理可解释、地质可推广的元素-矿物转换模型奠定了坚实基础。

图1 元素与矿物含量的皮尔逊相关系数热力图

传统矿物组分计算中, 砂质成分通常为石英、长石、岩屑、少量重矿物之和, 但岩屑和重矿物难以准确量化, 导致砂质总量不确定性大。类似地, 泥质成分理论上包括黏土矿物(如伊利石、蒙脱石、高岭石、绿泥石及伊/蒙混层)和细粒非黏土矿物(如黄铁矿、碳酸盐等), 其中除部分主量黏土可通过XRD间接约束外, 多数细粒组分缺乏有效定量手段。因此, 直接对不完整矿物组分求和, 所得的矿物砂质和矿物泥质总量与真实岩性相关性较差。

针对上述局限, 本文进一步利用元素数据重构了砂质与泥质拟合模型, 并结合图1的相关系数热力图结果, 汇总了长7段主要矿物与其优选敏感元素(或衍生参数)的对应关系(表1), 为后续多元线性回归建模提供了关键输入变量。所有元素组合的筛选均基于矿物晶体化学组成与区域沉积-成岩环境特征双重约束, 避免纯数学拟合。如石英含量敏感参数优选结果:选用Si作为主控正相关变量, 同时引入Al、K、Fe、U等负相关元素, 反映其与黏土矿物(高岭石、云母)及富铀重矿物的此消彼长关系; P、S虽非石英组分, 但在本区与有机质富集层共生。又如云母类矿物对应敏感参数优选:除主量元素Al、Si、K、Ca外, Fe、Ti反映黑云母特征, U的赋存与细粒云母质沉积物及伴生有机质密切相关, 反映了还原环境下有机质-黏土复合体对U的络合吸附作用, 也符合研究区物源特征。

表1 矿物-元素关联参数优选结果
2 岩性识别模型构建
2.1 矿物含量多元回归模型

基于表1所优选的元素-矿物关联参数, 采用最小二乘法构建多元线性回归模型, 将XRF测得的元素含量定量转换为各矿物组分及砂质、泥质总量。所有模型均采用5折交叉验证进行评估:将127个样本随机划分为5个子集, 每次以其中4个子集(约102个样本)作为训练集建立回归方程, 剩余1个子集(约25个样本)作为验证集计算预测值; 该过程重复5次, 每个子集均作为验证集1次。验证集上的决定系数(R² )均大于0.85, 表明各模型具有良好的拟合度与泛化能力。典型矿物及岩性组分的回归方程如下:

①W石英=45.64-4.01WAl+1.06WSi-25.83WP+

0.19WS+0.65WK-1.58WFe+2 013.03WU

②W云母=37.1+2.12WAl-1.17WSi+6.66WK-1.51WCa-15.04WTi-0.48WFe+554.91WU

③W钠长石=19.23+3.73WNa-5.27WK+0.2W云母

④W钾长石=2.57-2.49WP+3.79WS-1.07W黄铁矿

⑤W白云石=-2.18+2.61WMg-10.36WP+0.28WS+1.27WCa-888.21WU

⑥W方解石=1.46+0.007 9WAl+0.37WCa-0.19WFe-746.11WU

⑦W黄铁矿=-0.41+0.05WMg+1.94WP+2.43WS-1.9WTi+0.19WFe+394.45WU

⑧W高岭石=-2.37+1.63WAl-1.93WK-0.18WCa+0.58WFe-1 011.78WU

⑨W菱铁矿=0.77-0.22WMg-0.14WCa+11.57WMn

⑩W砂质=68.92-2.84WAl+1.02WSi-4.55WK-2.1WFe-73.1WU

⑪W泥质=16.15+3.08WAl-0.7WSi-3.09WP+1.51WS+3.6WK-1.37WCa+2.17WFe+4 912.13WU

式中:W石英、W云母、W钠长石、W钾长石、W白云石、W方解石、W黄铁矿、W高岭石、W菱铁矿、W砂质、W泥质分别为拟合后石英、云母、钠长石、钾长石、白云石、方解石、黄铁矿、高岭石、菱铁矿、砂质、泥质的含量; WAl、WSi、WP、WS、WK、WFe、WU、WCa、WTi、WMg、WNa、WMn分别为元素录井测得对应元素含量。

2.2 岩性敏感参数优选

为提升岩性分类的准确性与鲁棒性, 本文综合采用7种特征重要性评估策略:梯度提升树、极端梯度提升树、决策树、随机森林、置换法-随机森林、shapley值法-随机森林及互信息[9], 对原始元素参数及其衍生指标等10种参数进行评估与优选。

所有方法均以长7段岩性类别(如粉砂质泥岩、泥质粉砂岩、细砂岩等6类)作为监督标签, 在统一训练集(n=127)上独立计算各输入参数的重要性得分。每种方法选取重要性排名前三的参数, 汇总7种方法的优选结果(具体参数及其对应权重见表2)。最终确定WMg、WAl、WFe、WS、W砂质与W泥质6项参数构成最优岩性判别特征集。该参数组合兼具物理意义明确、响应特征显著及分类区分度高等优势, 为后续构建高精度岩性识别模型奠定了基础。但实际应用时, WFe、WS、W砂质与W泥质已可有效判别岩性, WMg、WAl暂不用于图板制作。

表2 长7段岩性分类不同算法敏感参数优选
2.3 多级岩性判别规则

为了实现对鄂尔多斯盆地长7段细砂岩、碳质泥岩、凝灰质泥岩、粉砂质泥岩、泥岩及泥质粉砂岩6类岩性的高精度划分, 本文融合优选敏感元素含量(WFe、WS)及衍生指标(W砂质与W泥质), 构建了多参数交会图板体系与逐级递进式岩性判别规则, 进而建立一套基于多元素组合计算的岩性智能识别模型, 实现对随钻元素分析数据的高效利用与高精度岩性自动定名。

2.3.1 细砂岩识别

基于拟合泥质含量与拟合砂质含量构建砂岩识别交会图板(图2)。以斜线为判别边界:左上区域对应细砂岩、右下区域对应泥岩及含泥质岩性(如粉砂质泥岩、泥质粉砂岩等), 纯砂岩在图板中可被清晰分离, 具有良好的识别效果。结合图板中边界线的分布特征, 通过线性回归拟合得到判别方程, 若满足W砂质-2.38W泥质+19.76> 0, 则判定该样品为细砂岩; 否则归类为含泥质岩性。

图2 W泥质-W砂质砂岩识别交会图板

2.3.2 碳质泥岩识别

在细砂岩判别标准建立的基础上, 针对图2右下区域岩性复杂、重叠度高的问题, 进一步构建多参数交会图板以提升识别精度。图3为WFe-WS碳质泥岩识别交会图板。分析表明:当满足判别条件WS+0.33WFe-2.27> 0(即在斜线右上方)时, 判定为碳质泥岩, 其在图中呈现明显分离特征, 与其他岩性无显著重叠。

图3 WFe-WS碳质泥岩识别交会图板

2.3.3 泥岩/泥质粉砂岩/凝灰质泥岩/粉砂质泥岩识别

在完成碳质泥岩的初步识别后, 去除碳质泥岩数据, 将WFe和WS二维交会图板量程缩小, 如图4所示, 泥岩与泥质粉砂岩的划分界限确定为:当WFe< 4.05%且WS< 0.15%时, 判别为泥质粉砂岩; 否则, 划分为泥岩。在去除泥岩/泥质粉砂岩数据后, 将WFe和WS元素二维交会图板量程缩小变化, 如图5所示, 在区分凝灰质泥岩与粉砂质泥岩时, 采用S元素作为关键判别指标:当WS> 0.6%时, 判定为凝灰质泥岩; 否则, 归类为粉砂质泥岩。上述判别规则基于区域岩性地球化学响应特征建立, 可有效支撑复杂细粒沉积岩的精细分类。

图4 WFe-WS泥岩与泥质粉砂岩识别交会图板

图5 WFe-WS凝灰质泥岩与粉砂质泥岩识别交会图板

2.4 岩性判别标准

基于图2-图5的判别依据, 建立了逐级判别标准(表3), 分别给出了细砂岩、碳质泥岩、泥岩、泥质粉砂岩、凝灰质泥岩及粉砂质泥岩的定量判定条件。

表3 长7段岩性分类标准

将该岩性判别规则封装为标准化算法模块, 集成至OneTOBar软件平台, 支持基于实时元素数据的岩性自动识别, 有效满足现场快速解释与决策需求。

3 现场应用与效果验证

为验证所建模型的实用性与可靠性, 在长庆油田页岩油主力开发区块的5口水平井中开展了随钻现场应用。现场操作流程为:随钻捞取岩屑→ 自动前处理(清洗、筛分、烘干、压片)→ XRF元素快速分析→ 实时调用岩性判别模型→ 自动生成岩性解释剖面并推送至地质导向平台, 全流程耗时控制在20 min以内, 显著提升了录井解释的时效性。

在现场应用过程中, 每口井选取不少于100个具有代表性的岩屑样品进行同步对比分析。以人工镜下鉴定结果作为基准真值, 由3名具有10年以上经验的资深录井专家独立完成岩性定名, 并通过共识机制确定最终参考标签。将模型自动识别结果与该基准进行逐点比对, 统计各类岩性的识别准确率及整体性能指标(表4)。

表4 岩性识别准确率统计

本方法在6类目标岩性上的平均识别准确率达到91.2%, 其中:细砂岩识别准确率为94.2%; 碳质泥岩为90.4%; 泥岩为93.6%; 凝灰质泥岩为87.8%; 泥质粉砂岩与粉砂质泥岩等过渡岩类亦分别达到91.4%和89.7%。相较传统依赖元素曲线经验判别的方法(其现场平均准确率约80.2%)显著提高, 整体误判率相对降低超过40%。本模型在复杂细粒沉积岩的精细区分能力上优势显著, 尤其在碳质与凝灰质等易混淆岩类的判别中表现突出。此外, 解释剖面连续性好、地层界面清晰, 有效支撑了水平井靶体追踪与甜点层优选, 已在多口井的压裂段设计中发挥关键指导作用。

以J 32H1井为例(图6), 该井为鄂尔多斯盆地部署的一口水平探井, 目的层为三叠系延长组长7₃段, 主要钻探目标是评价页岩油甜点发育特征及储层可压裂性。本井录井项目综合应用了气测录井、地化录井与随钻元素录井3项核心技术, 并全面接入智慧录井体系, 实现多源数据融合与实时智能解释。图6展示了J 32H1井长7段随钻岩性解释成果对比图, 包含元素曲线、拟合砂质与泥质含量、岩性自动判别结果等多道信息。由图可见, 模型准确识别出多个砂岩段与碳质富集段(图中框选部分), 并与现场岩屑描述高度吻合。

图6 J 32H1井长7段元素录井随钻岩性解释成果对比

通过上述多层次、多条件的岩性判别方法, 本研究成功实现了对鄂尔多斯盆地长7段复杂岩性的高精度划分。该方法不仅提高了岩性识别的准确率, 还显著增强了系统的鲁棒性和适应性, 适用于不同地质背景下的智能录井解释系统, 具有广泛的应用前景和推广价值。

4 结论

(1)通过元素-矿物联合标定与多元回归建模, 成功建立了元素含量与矿物组分的定量转换关系, 回归方程判定系数R² > 0.85, 且具备良好地质可解释性。

(2)融合机器学习与地球化学规律, 优选出WFe、WS、W砂质、W泥质4项核心判别参数, 构建了多级交会图板与分层判别规则, 实现了多矿物复杂岩性的精细划分。

(3)实现了对鄂尔多斯盆地长7段6类复杂岩性的高精度自动识别, 现场应用准确率达91.2%, 显著优于传统方法。

(4)本文所提方法已集成至智能录井平台, 实现了基于元素录井数据的快速、定量岩性评价, 具备工程化推广条件, 可为非常规油气智能勘探提供核心技术支撑。

编辑 郑春生

参考文献
[1] 谭伟雄, 阚留杰, 李文元, 等. X射线荧光元素录井技术在油气勘探开发中的应用[J]. 天津科技, 2023, 50(11): 33-36.
Tan Weixiong, Kan Liujie, Li Wenyuan, et al. Application of X-ray fluorescence element logging technology in oil and gas exploration and development[J]. Tianjin Science & Technology, 2023, 50(11): 33-36. [本文引用:1]
[2] 李春山, 陈英毅, 孙卫. 利用元素录井资料的随钻岩性判别方法[J]. 中国石油大学学报(自然科学版), 2011, 35(6): 66-70.
Li Chunshan, Chen Yingyi, Sun Wei. Lithology identification method while drilling based on element mud logging information[J]. Journal of China University of Petroleum, 2011, 35(6): 66-70. [本文引用:1]
[3] 方铁园, 马宏伟, 郭龙飞, 等. 智慧录井平台建设及其在长庆油田的创新应用[J]. 录井工程, 2023, 34(3): 97-101.
Fang Tieyuan, Ma Hongwei, Guo Longfei, et al. Construction of the intelligent mud logging platform and its innovative application in Changqing Oilfield[J]. Mud Logging Engineering, 2023, 34(3): 97-101. [本文引用:1]
[4] 任泽坤, 王舒迟, 刘欢, 等. 油气勘探开发地质工程一体化平台研发与应用[J]. 录井工程, 2024, 35(3): 1-10.
Ren Zekun, Wang Shuchi, Liu Huan, et al. R&D and application of geology-engineering integration platform for oil and gas exploration and development[J]. Mud Logging Engineering, 2024, 35(3): 1-10. [本文引用:1]
[5] 阎荣辉, 田伟志, 鲍永海, 等. 元素录井技术在鄂尔多斯盆地致密砂岩水平井地质导向中的研究与应用[J]. 录井工程, 2020, 31(4): 22-28.
Yan Ronghui, Tian Weizhi, Bao Yonghai, et al. Study and application of element logging technology in geosteering of tight sand stone horizontal wells in Ordos Basin[J]. Mud Logging Engineering, 2020, 31(4): 22-28. [本文引用:1]
[6] 王少将, 刘佳, 郑锋, 等. 机器学习层谱聚类综述[J]. 计算机科学, 2023, 50(1): 9-17.
Wang Shaojiang, Liu Jia, Zheng Feng, et al. Survey on hierarchical clustering for machine learning[J]. Computer Science, 2023, 50(1): 9-17. [本文引用:1]
[7] 张文雅, 刘治恒, 郝晋美, 等. 元素录井技术在鄂尔多斯盆地长7页岩油岩性识别中的应用[J]. 录井工程, 2023, 34(4): 35-41.
Zhang Wenya, Liu Zhiheng, Hao Jinmei, et al. Application of element logging technology in identifying the lithology of Chang 7 shale oil in Ordos Basin[J]. Mud Logging Engineering, 2023, 34(4): 35-41. [本文引用:1]
[8] 刘有武. 元素录井在陇东区块长7段致密油储层水平井地质导向中的研究与应用[J]. 录井工程, 2024, 35(1): 40-46.
Liu Youwu. Study and application of element logging in geosteering for horizontal wells in tight oil reservoirs of Chang 7 Member in Longdong Block[J]. Mud Logging Engineering, 2024, 35(1): 40-46. [本文引用:1]
[9] 何语星, 贺海洋, 徐堂兴, 等. 基于可解释性机器学习的流纹岩构造背景智能判别[J/OL]. 地质学报, 1-18[2026-03-30]. https//doi. org/1019762/j. cnki. dizhixuebao. 2025134.
He Yuxing, He Haiyang, Xu Tangxing, et al. Intelligent discrimination of rhyolite structural setting based on explainable machine learning[J/OL]. Acta Geologica Sinica, 1-18[2026-03-30]. https//doi.org/10.19762/j.cnki.dizhixuebao.2025134. [本文引用:1]