[发明专利]基于贝叶斯神经网络的微生物岩沉积微相识别方法

说明书

本发明公开了一种基于贝叶斯神经网络的微生物岩沉积微相识别方法，包括以下步骤：S1、统计所有镜下鉴定结果，确定微生物岩沉积微相的类型、数目；S2、依据统计结果建立沉积微相贝叶斯网络结构图；S3、计算先验概率；S4、编写基于python的贝叶斯判别网络程序。本发明通过对已确定微生物岩性的多种类测井数据进行分析，建立先验概率集，有效解决了雷口坡组地层沉积微相样本数目分布不均，数目较少的叠层、泡沫绵层等对油气勘探具有重要意义的沉积微相难以预测的问题。本发明将贝叶斯算法引入感知机模型中，有效解决了感知机权重、阈值难以确定带来的误差，在提高识别准确度的同时也提高了识别工作的效率。

技术领域

本发明属于岩相识别技术领域，特别涉及一种基于贝叶斯神经网络的微生物岩沉积微相识别方法。

背景技术

微生物岩的研究热潮在近年来兴起，然而微生物岩不是一种新的岩石类型，在此之前，常被称作“藻礁”、“藻丘”、“藻灰结核”、“隐藻灰岩”、“藻团块”、“菌藻”、藻格架”。微生物岩中，最为重要的为微生物碳酸盐岩，而其中微生物白云岩占主导地位，故本文中的微生物岩特指微生物白云岩。微生物碳酸盐岩结构主要包括叠层石(Stromatolite)、凝块石(Thrombolite)、树枝石(Dendrolite)、均匀石(Leiolite)、核形石(Oncolite)和纹理石(Laminite)。随着微生物岩储层的规模性发展，越来越多的学者开始关注微生物岩。

四川盆地雷口坡组微生物岩储层的研究兴起于上世纪80年代，刘效增将川西马角坝和黄莲桥一带出现的一套巨厚的微生物碳酸盐岩称为“隐藻类”，但未发现微生物岩能够成为优质储集岩。直到2015以来，YaS1井、Ys1井和Pz1井等微生物岩储层的相继成功勘探，国内微生物岩储层开始被业界广泛关注。四川盆地雷口坡组储层主要包括3种类型：古岩溶型、颗粒滩型以及微生物岩型。古岩溶型主要分布在川北元坝-龙岗地区雷四3亚段；颗粒滩型主要分布在卧龙河、磨溪地区雷一1亚段，中坝地区雷三段；微生物岩型分布在彭州地区雷四3亚段。

四川盆地微生物岩储层层位有上震旦统灯影组和中三叠统雷口坡组。灯影组微生物岩全盆地发育，而雷口坡组微生物岩仅在川西地区发育。四川盆地雷口坡组微生物岩主要有凝块叠层石、叠层石、凝块石、核形石、枝状石、泡沫绵层石、微生物包覆结构7种结构类型，储层岩性以凝块叠层石白云岩、叠层石白云岩为主。田瀚将川西地区雷口坡组的微生物岩类型分为藻屑白云石、藻团粒白云石以及藻纹层白云石，储集岩为藻白云岩。宋晓波将川西地区雷口坡组微生物岩称为藻砂屑白云岩，并且将雷四段划分为上、中和下三个亚段，分别对应于雷四3、雷四2及雷四1亚段，微生物岩主要发育在雷四段上亚段。

搜集资料表明。四川盆地钻遇雷口坡地层老井众多，由于年代较久，取心资料已大量遗失，加上新井取心资料较少，建立一种利用有限取心资料及测井数据的微生物岩岩性预测方法十分必要。

当前微生物岩测井识别研究较少，研究方法主要有宋金民提出的《基于测井数据深度学习的灯影组微生物岩微相识别》和田瀚提出的《成像测井成像测井在灯影组微生物岩岩相识别中的应用》。

宋金民等提出的识别方法以取心段观察和薄片鉴定结果为标签数据库，结合神经网络算法，对标签数据库对应深度的测井曲线进行学习，完成对未取心段微生物岩沉积微相识别划分(其流程如图1所示)。该方法以神经网络算法为基础，以岩心观察和镜下鉴定结果为约束，实现对未取心段的预测。此方法对标签数据库的要求较高，且容易因算法选择不当造成训练模型陷入“局部最优化陷阱”或是数据的过拟合现象。具体缺点总结如下：

(1)标签数据库质量要求高。标签数据库作为算法的约束条件，必须做到完全准确，但微生物岩岩石结构复杂，常表现为多种沉积微相共同发育，岩心观察和镜下鉴定工作困难，降低了标签数据库准确性。

(2)标签种类及数量分布条件苛刻。完神经网络算法学习过程需要对所有沉积微相标签进行学习，完美的标签应该尽可能多的包含所有沉积微相，且所有沉积微相标签数目应尽可能保持一致，否则容易造成某几类标签数据训练缺乏，降低预测准确率。