西南石油大学学报(自然科学版)  2020, Vol. 42 Issue (5): 75-85
成像测井在灯影组微生物岩岩相识别中的应用    [PDF全文]
田瀚1,2,3, 张建勇1,2,3, 李昌1,2, 李文正1,2,3, 姚倩颖1,2,3    
1. 中国石油杭州地质研究院, 浙江 杭州 310023;
2. 中国石油勘探开发研究院四川盆地研究中心, 四川 成都 610041;
3. 中国石油天然气集团公司碳酸盐岩储集层重点实验室, 浙江 杭州 310023
摘要: 岩相识别是沉积储层研究的基础,针对未取芯井开展测井岩相识别工作至关重要。对于四川盆地震旦系灯影组碳酸盐岩地层而言,由于经历过多期成岩改造作用,使得不同岩相的常规测井响应特征区分度较低,准确识别难度大。为了建立有效的测井岩相识别方法,在前人岩石分类的基础上,通过选取多口岩芯、薄片和测井等资料齐全的代表性钻井作为关键井,在充分发挥成像测井优势基础上,明确不同岩相典型成像特征,建立成像测井相岩相的转换模型,并采用多点地质统计学方法开展成像测井全井眼图像处理,提取图像典型特征,结合所建立的岩相转换模型,开展全井段岩相识别,并推广应用于研究区其他未取芯井。通过实际效果验证表明,相比常规测井,基于成像测井所建立的岩相识别方法岩性识别准确率更高,能为后续沉积微相和储层研究提供有力支撑。
关键词: 四川盆地    灯影组    微生物白云岩    成像测井相    岩性识别    
The Application of Image Logging in the Identification of Microbialite Facies in Dengying Formation, Sichuan Basin
TIAN Han1,2,3, ZHANG Jianyong1,2,3, LI Chang1,2, LI Wenzheng1,2,3, YAO Qianying1,2,3    
1. Hangzhou Research Institute of Geology, PetroChina, Hangzhou, Zhejiang 310023, China;
2. Research Institute of Sichuan Basin, PetroChina Research Institute of Petroleum Exploration & Development, Chengdu, Sichuan 610041, China;
3. CNPC Key Laboratory of Carbonate Reservoirs, Hangzhou, Zhejiang 310023, China
Abstract: The lithology identification is the basis of study of the sedimentary facies and reservoirs, and it is very important to identify well logging lithofacies for uncored wells. The carbonate of Dengying Formation of Sinian system in Sichuan Basin, has undergone strong digenesis that led to the low discrimination for log response characteristics of different lithofacie, poses great challenge for conventional logs to identify carbonate lithofacies. In order to establish an effective identification method of log facies, on the basis of previous classification, the wells with complete core, thin section and logging data of the fourth Member of Dengying Formation in Gaoshiti-Moxi Area were selected as key wells. We conduct fine description of cores, extract the different typical imaging features of lithofacies, and establish the transformation model of the image logging facies and lithofacies. Finally, we use multi-point geostatistics method to carry out the whole wellbole imaging process. We extract image features, combine the established lithofacies identification model to carry out the lithofacies identification, then apply the method sto other uncored wells in the study area. The results show that the lithofacies identification method based on image logging has a high identification rate, which can provide a strong support for the subsequent studies of sedimentary microfacies and reservoir development mechanism.
Keywords: Sichuan Basin    Dengying Formation    microbial dolomite    image logging facies    lithofacies identification    
引言

不同岩石类型在测井曲线上具有不同的形态组合[1],经“岩芯标定测井”后,明确这些差异所反映的岩相特征是开展测井岩相识别工作的基础。目前,在碎屑岩体系中,利用测井曲线定量识别岩相已经是一项比较成熟的技术,许多学者对此都做过研究,其中较常用的方法包括BP神经网络[2-4]、贝叶斯判别法[1, 5]、主成分分析[6-7]、多元统计法[8]、模糊聚类分析[9]和自组织神经网络法[10-11]等。这些聚类分析方法在碎屑岩岩相识别中均有广泛应用,而且也取得较好的应用效果。

碳酸盐岩由于自身成分和结构的复杂性,使得一些在碎屑岩中应用较好的方法在碳酸盐岩岩相识别中遭遇挑战。不过仍有很多学者通过采用各种方法来提高常规测井的识别能力。如卢卡西等[12]针对国外孔隙型碳酸盐岩地层,利用碳酸盐岩岩石组构与岩石孔隙度和含水饱和度的关系,建立了视岩石结构数的方法开展岩相识别,但是这种方法适用范围有限,对于中国成岩改造作用强烈的碳酸盐岩地层而言,岩石组构与孔隙度和含水饱和度之间没有必然联系,应用效果差;李昌等[13]在Lucia提出的视岩石结构数的基础上,对其进行改进,按照裂缝发育程度、泥质含量、低阻地层等分别建立相应的岩石结构数计算模型,这种方法不仅比较繁琐,而且本质上与Lucia的方法差异不大;刘宏等[14]采用灰色关联分析法对磨溪气田嘉陵江组碳酸盐岩地层开展过岩相识别研究,其中岩电标准模式的建立最为关键,其采用加权平均数代表某一种岩性的方式不仅误差大,而且人为因素严重。

常规测井之所以在复杂碳酸盐岩地层岩相识别中精度不高,主要受自身能力所限。常规测井的测量结果主要是岩石矿物成分、孔隙空间大小及流体性质等综合信息的反映,对岩石结构特征并不敏感。学者们所开展的测井相研究,其本质上是将具有相同测井响应特征的测井单元归为同一岩类,这在成岩改造作用弱,岩石成分单一,且主要受沉积相控制的碎屑岩中应用效果好。在碳酸盐岩地层中,由于后期成岩改造作用强烈,相同岩性的测井响应特征有时也会存在较大差异,这就极易把同一岩相误识别为两种不同岩相。随着成像测井技术的发展,相对于常规测井而言,其具有明显的“三高”优势,即高分辨率、高覆盖率和高直观性[15-17]。成像测井不仅能利用颜色亮暗变化反映岩性差异,还可以通过图像特征变化反映地层岩石结构,从而有效弥补常规测井只能反映岩石成分的不足。因此,在深入挖掘成像测井蕴含的丰富信息基础上,使得利用成像测井开展复杂碳酸盐岩岩相识别成为可能。

川中高石梯—磨溪地区位于四川盆地中部的乐山—龙女寺古隆起区域,属于川中古隆起中斜平缓带(图 1)。自2011年获得勘探突破以来,截至2015年底,灯影组已发现地质储量规模超过万亿方[18-21],展现出巨大勘探潜力。

图1 研究区位置及地层柱状图[18] Fig. 1 Location of the study area and lithological characteristics

而在实际勘探开发过程中发现,灯影组储层虽然分布面积广,整体上以相控型为主,但是仍具有明显的非均质性。前期认为优质储层发育区的台缘带,近期钻遇多口储层不发育的井,而认为储层相对较差的台地内部,却有高产井的产生。高石梯—磨溪地区灯影组优质储层平面展布特征的不明确,严重制约了下一步井位部署和开发方案的设置。要想弄清楚优质储层的分布规律,首先必须明确有利沉积微相的展布规律,而岩相的识别又是沉积相分析的基础。受限于取芯资料有限和岩屑录井精度低,前期所刻画的沉积相已无法满足当前勘探开发的需求,为解决此问题,此次研究基于灯四段岩芯、薄片和测井等资料较为齐全的代表性钻井,采用“薄片鉴定岩性,岩芯标定测井”的思路,对取芯井开展岩性精细描述,同时利用多点地质统计学的方法对成像测井资料开展全井眼图像处理,在此基础上,明确不同岩相典型测井特征,总结典型岩性的成像测井相模式,并建立“常规+成像+岩芯+薄片”的岩相识别方法,以期为后续沉积微相识别提供有力的地质依据。

1 岩石学特征

灯影组微生物岩种类复杂多样,在国内,生产上主要采用张荫本[22]针对四川盆地灯影组提出的划分方案,该方法将灯影组富含藻类的白云岩分为层纹、叠层、棉层和黏连4种基本类型。这种分类多集中在藻类的形态研究,种类繁多,在实际生产操作中具有一定的难度,对贫藻类岩石的划分相对薄弱。为此,本次研究借鉴文龙[20]所提的岩石分类方法,该方法将Folk对碳酸盐岩分类与张荫本等对黏结岩的分类方案相结合,将灯四段主要碳酸盐岩大致划分为藻砂屑云岩、藻凝块云岩、藻叠层云岩、藻纹层云岩、泥—粉晶云岩(图 2)。通过对研究区内近2 000 m岩芯的统计发现,震旦系灯影组的主要储集岩为藻凝块云岩和藻砂屑云岩,也是优质储层的发育岩类。

图2 灯四段主要岩石类型岩芯及对应薄片特征 Fig. 2 The cores and thin sections of main rock type of the fourth Member of Dengying Formation
2 测井岩相识别方法

碳酸盐岩岩相识别属于测井相分析范畴,其核心内容是要建立测井相与岩相之间的对应关系。由于常规测井所蕴含信息的局限性,制约了其在成岩改造作用强烈的国内深层—超深层碳酸盐岩地层中的应用。相对常规测井,成像测井不仅在分辨率和覆盖率具有明显优势外,而且包含的信息更加丰富。成像测井相就是依据成像测井动、静态图像的颜色和结构变化来反映岩性的差异[15]。如图 3所示,静态图像颜色亮暗变化是地层电阻率值高低的表现,一定程度上反映岩性的差异;动态图像结构的差异则是由沉积环境或后期成岩作用所导致,其能间接反映地层岩石结构特征。利用成像测井进行岩相识别就是依据颜色和结构的差异来建立成像测井相与岩相之间的关系。

图3 成像测井相原理 Fig. 3 The theory of image logging facies
2.1 岩相测井响应特征 2.1.1 藻砂屑云岩

该岩性是灯四段储层发育的重要储集岩之一。如5 326.0$\sim$5 329.0 m井段(图 4),常规测井上表现为“三低两高”特征,即:低自然伽马、低电阻率、低密度、高声波时差和高中子。三孔隙度曲线显示出孔隙发育的特征。静态成像图上表现为棕—黄色,动态图像上表现为溶蚀孔洞发育,暗斑大小相对均匀,且呈层状分布;岩芯上见明显针状溶孔发育,同样呈层状分布,与动态图所展示的孔洞分布特征相似。

图4 不同岩性测井响应特征 Fig. 4 Logging response characteristics of different lithology
2.1.2 藻凝块云岩

该岩性在灯四段普遍发育,是储层发育最为重要的储集岩。如图 4所示井段,常规测井上的响应特征与藻砂屑云岩相似,同样表现出“三低两高”特征,但是成像测井上却存在一定差异。静态成像图上表现为棕色,表明电阻率值相对藻砂屑云岩而言更低;动态图上溶蚀孔洞发育,但暗斑大小不一,溶蚀孔洞发育没有方向性,呈杂乱展布,这是与藻砂屑云岩最为明显的区别。岩芯上颜色较浅,呈浅灰—白灰色,主要是由若干个中小型凝块结构构成,岩石表面通常表现出云雾状、雪花状或皱纹状特征,发育中小溶洞(>2 mm),储层物性最好。

2.1.3 泥粉晶云岩

该岩性主要发育于台缘滩之间的滩间海和局限台地内相对低洼和静水低能的地带[18]。如图 4所示,常规测井上声波时差曲线平直,三孔隙度曲线表现为无储层特征,电阻率值低。静态成像图上表现为黑色层状特征,中间可见亮色的硅质条带。岩芯上颜色较深,常呈黑色、灰黑色,岩芯致密,无溶蚀孔洞发育。

2.1.4 岩溶角砾岩

该岩性的形成与准同生期溶蚀作用有关,为海平面下降或藻丘快速生长至海平面附近,致使沉积物暴露于大气淡水之中而遭受溶蚀垮塌形成,角砾的分选性和磨圆度均较差,角砾之间多被上覆沉积物充填[21]。常规测井曲线指示储层发育,在成像图上表现为明显的亮色斑状特征,如图 4所示,其中亮色斑块为角砾,通常成分为泥晶云岩,暗色部分为角砾间充填的低阻物质。

2.1.5 藻纹层云岩

藻纹层云岩主要发育于潮间—潮上带浅水低能环境[20]。在镜下或岩芯上可见近于平直的暗色藻纹层组构,纵向上藻纹层较为稀疏,层与层间夹有薄层的泥—粉晶云岩且致密,且常见硅质充填,薄片上藻纹层与硅质条带成互层状分布。在常规测井上除电阻率值表现为异常高以外,其他曲线特征与泥—粉晶云岩相似。动、静态成像图上均表现为亮黄色块状特征(图 4)。

2.1.6 藻叠层云岩

藻叠层云岩是川中地区灯影组重要岩类之一,主要形成于潮间带下部—潮下带上部的中—低能环境[19, 23]。与藻纹层云岩相比,其纹层产状多样,呈连续、断续状或杂乱状展布,具有一定起伏形态。常规测井上伽马值低,三孔隙度曲线指示储层发育。静态成像图上表现为暗色不规则层状特征,动态图上可见暗色层状边界模糊,不规则,垂向上相互不连通(图 4),表明存在沿暗色层的溶蚀。

基于多口取芯井的精细标定,可以明确不同岩相的测井响应特征。虽然部分岩性在常规测井曲线特征上有一定的相似性,但在成像测井上的差异明显,因此,通过岩芯精细标定测井后所建立的成像测井相-岩相对应关系,能够准确识别不同岩相。

2.2 全井眼成像处理

成像测井虽然具有较高的覆盖率,但是由于井身结构和电成像测井仪器结构上的原因,在测量时仪器处于张开状态,造成在沿井壁扫描时,有部分井壁未能测量,覆盖率不能达到100%,在成像图上产生白色条带,影响了后续图像处理。以斯伦贝谢公司的FMI为例,该仪器在8 in.井眼环境下,井壁覆盖率为80%,而且随着井眼尺寸的增大,成像测井的井壁覆盖率会更低。为了实现井眼满覆盖,避免空白条带对成像特征识别的影响,本次研究采用多点地质统计学方法开展图像处理[24-26]。多点地质统计学方法由于考虑了处理窗内整幅图像的统计信息,在处理非均质性介质方面具有优势,具体方法原理在此不做详述。

图 5为全井眼图像处理后的结果,发现采用多点地质统计学对成像测井图像空白条带填补后,空白条带得到了很好地消除,与前后极板具有很好的连续性。将处理后的全井眼图像与岩芯滚扫图片进行对比,发现两者具有很好对比性,藻凝块云岩与藻纹层云岩在成像图上的特征明显,藻凝块云岩在成像图上的非均匀溶蚀暗斑状特征和藻纹层云岩的亮黄色块状特征易于识别。

图5 全井眼处理前后对比效果 Fig. 5 Comparison of the imaging process before and after whole wellbore
2.3 成像测井相-岩相模型

基于全井眼电成像处理后的结果,能够有效避免空白带所带来的干扰,并通过不同岩性测井响应特征差异的分析,笔者从全井眼成像图中提取出反映岩性的典型特征,包括静态图像中反映岩性变化的颜色(如白色、黄色、棕色及黑色)以及动态图像中反映地层岩石组构变化的结构特征(如块状,暗斑,层理,条带等)。图 6为针对研究区所建立的岩相-成像测井相转换模型,这对后续其他未取芯井进行岩性精细识别提供了良好的地质和测井依据。

图6 研究区岩相-成像测井相转换模型 Fig. 6 The lithofacies--imaging logging facies transformation model in the study area
3 实例应用

为了验证基于成像测井建立岩相识别模型的可靠性,笔者选取了研究区多口取芯井进行验证,同时,针对这些井也开展常规测井的岩相识别,主要采用神经网络聚类分析方法,希望将成像测井和常规测井岩相识别结果分别与实际岩芯分析进行对比,从而来明确不同方法的识别效果。

成像及常规测井岩相识别结果对比图见图 7图 7中,第7道为成像测井全井眼处理后的图像,基于全井眼图像,通过对典型特征的提取,并结合前述所建立的成像测井相-岩相转换模型,最终可以得到第9道的岩性识别结果。第10道则是根据所优选出的常规测井敏感参数,利用KNN聚类分析算法所得到的常规测井岩相识别结果;第11道为基于实际岩芯资料所得到的岩芯描述结果。

图7 成像及常规测井岩相识别结果对比 Fig. 7 The comparison of lithofacies identification result by conventional and image logging

对比成像测井和常规测井所识别的岩性与实际岩芯可以发现,利用成像测井所识别出的岩性与实际岩性吻合度较高,不同的岩性在成像图上的典型特征明显,易于识别,仅部分特征模糊处,识别的结果可能存在偏差,而利用常规测井所识别的结果则与实际情况差异较大。如图 7中5 303.0$\sim$5 306.0 m井段,常规测井上根据测井响应特征的差异,将其单独识别为一类岩性,但是从成像图上可以看出,该井段测井曲线的差异主要是由于物性所导致,而与岩性并无关系,岩芯上5 302.0$\sim$5 307.0 m段藻凝块云岩均发育;而5 323.5$\sim$5 326.5 m段由于电阻率曲线上存在差异,常规测井上将硅质藻纹层云岩识别成两类岩性,上部电阻率降低的井段识别为藻凝块云岩,与实际岩性存在明显不符,但是从成像测井就可以比较清楚识别出该段为硅质藻纹层云岩,因为该段成像测井表现为明显亮色块状特征,是典型硅质藻纹层云岩特点。

对比可以发现,对于深层—超深层的微生物白云岩,由于其岩性复杂,后期成岩改造作用强烈,常规测井岩相识别方法应用效果相对较差,无法有效真实反映出岩性特征,但是成像测井由于能从颜色和结构两方面入手,本质上克服了常规测井的局限性,在岩芯精细刻度的基础上,是能够有效识别岩性变化特征,而且识别准确率较高,能够满足后续沉积微相和储层的研究。

4 讨论与分析

笔者针对四川盆地高石梯—磨溪地区灯影组灯四段建立的微生物岩成像测井岩相识别方法相对常规测井识别结果具有较高识别率。利用这种方法可以对研究区中测有成像资料的钻井开展岩相精细识别工作,从而来弥补未取芯的不足。但认为仍存在3方面的因素制约识别结果:

(1) 成像测井质量的好坏影响图像处理结果。成像测井图像质量以及不同仪器刻度方式的差异会对特征提取存在影响,因此成像资料的好坏严重影响模型识别准确率。

(2) 研究区灯影组微生物岩成岩改造作用强烈,部分岩相测井特征差异不明显,影响模型识别精度。

(3) 由于成像测井颜色显示是渐变的,所以对于两种不同颜色的渐变色处,如何确定其岩相存在难度,而这种渐变色处,往往其岩石成分并非单一,该方法只能将其识别为主要岩类。

尽管成像测井岩相判别方法仍存在不足,但是针对国内深层—超深层、成岩改造作用强烈,岩石类型多样的碳酸盐岩地层,常规测井的岩相信息反映更加微弱,而成像测井的岩相判别结果显示出较好的识别率,表明其适用于研究区的岩相识别。

5 结论

(1)成像测井岩相识别方法是解决非取芯井岩性识别的重要手段,能够有效解决常规测井曲线对深层—超深层灯影组微生物岩岩相识别能力弱的难题。利用成像测井在图像颜色和结构上的优势,建立了研究区成像测井岩相识别模型,相比常规测井而言,具有较高识别率,可以为后续沉积微相和储层研究提供支撑。

(2)依据成像测井所建立的岩相识别方法的精度高低主要取决于根据建模井所确定的典型岩性特征图版是否具有普遍代表性和井筒成像图像质量的好坏。测井所能分辨出的岩相种类与地质所划分的岩石类型相互匹配才能更有效地指导在后续地质中的应用。

(3)深层—超深层碳酸盐岩经历过强烈的成岩改造作用,很大程度上造成不同岩石类型在岩石物理性质上差异不大,导致其在测井响应特征上区分度不明显,这也是碳酸盐岩岩相识别得到难点,对于古老的震旦系灯影组微生物岩,这点尤为突出,因此,仍需进一步深入挖掘成像测井所蕴含的反映岩性特征的信息。

参考文献
[1]
王玉玺, 田昌炳, 高计县, 等. 常规测井资料定量解释碳酸盐岩微相——以伊拉克北Rumaila油田Mishrif组为例[J]. 石油学报, 2013, 34(6): 1088-1099.
WANG Yuxi, TIAN Changbing, GAO Jixian, et al. A quantitative explanation of carbonate microfacies based on conventional logging data:A case study of the Mishrif Formation in north Rumaila Oilfield of Iraq[J]. Acta Petrolei Sinica, 2013, 34(6): 1088-1099. doi: 10.7623/syxb201306007
[2]
张洪, 邹乐君, 沈晓华. BP神经网络在测井岩性识别中的应用[J]. 地质与勘探, 2002, 38(6): 63-65.
ZHANG Hong, ZOU Lejun, SHEN Xiaohua. The application of BP neurai network in well lithology identification[J]. Geology and Prospecting, 2002, 38(6): 63-65. doi: 10.3969/j.issn.0495-5331.2002.06.015
[3]
焦翠华, 张福明, 李洪奇, 等. 神经网络和分形几何方法在识别测井沉积微相中的应用[J]. 沉积学报, 1997, 15(3): 62-66.
JIAO Cuihua, ZHANG Fuming, LI Hongqi, et al. Application of the neural network and fractal geometry in sedimentary environment study from well logs[J]. Acta Sedimentologica Sinica, 1997, 15(3): 62-66.
[4]
李道伦, 卢德唐, 孔祥言, 等. BP神经网络隐式法在测井数据处理中的应用[J]. 石油学报, 2007, 28(3): 105-108.
LI Daolun, LU Detang, KONG Xiangyan, et al. Processing of well log data based on backpropagation neural network implicit approximation[J]. Acta Petrolei Sinica, 2007, 28(3): 105-108. doi: 10.3321/j.issn:0253-2697.2007.03.021
[5]
雍世和, 陈钢花. 应用Bayes逐步判别分析自动确定岩性[J]. 石油物探, 1990, 29(2): 68-77.
YONG Shihe, CHEN Ganghua. Automatic determination of lithology by using of Bayes step-by-step discriminative analysis[J]. Geophysical Prospecting for Petroleum, 1990, 29(2): 68-77.
[6]
张莹, 潘保芝. 基于主成分分析的SOM神经网络在火山岩岩性识别中的应用[J]. 测井技术, 2009, 33(6): 550-554.
ZHANG Ying, PAN Baozhi. Application of SOM neural network method to volcanic lithology recognition based on principal components analysis[J]. Well Logging Technology, 2009, 33(6): 550-554. doi: 10.3969/j.issn.1004-1338.2009.06.011
[7]
蒋裕强, 张春, 张本健, 等. 复杂砂砾岩储集体岩相特征及识别技术以川西北地区为例[J]. 天然气工业, 2013, 33(4): 31-36.
JIANG Yuqiang, ZHANG Chun, ZHANG Benjian, et al. Characteristics and identification of lithofacies in complex siliceous clastic reservoirs:A case study from northwestern Sichuan Basin[J]. Natural Gas Industry, 2013, 33(4): 31-36. doi: 10.3787/j.issn.1000-0976.2013.04.004
[8]
陈钢花, 王中文, 李德云, 等. 利用多元统计方法自动识别沉积微相[J]. 石油物探, 1997, 36(1): 71-76.
CHEN Ganghua, WANG Zhongwen, LI Deyun, et al. Automatic discriminant sedimentary microfacies by means of multivariate statistics analysis[J]. Geophysical Prospecting for Petroleum, 1997, 36(1): 71-76.
[9]
张小莉, 沈英. 模式识别在测井相分析中的应用[J]. 西北大学学报(自然科学版), 1998, 28(5): 439-442.
ZHANG Xiaoli, SHEN Ying. Application of pattern recognition to logfaciese analysis[J]. Journal of Northwest University (Natural Science Edition), 1998, 28(5): 439-442.
[10]
张治国, 杨毅恒, 夏立显. 自组织特征映射神经网络在测井岩性识别中的应用[J]. 地球物理学进展, 2005, 20(2): 332-336.
ZHANG Zhiguo, YANG Yiheng, XIA Lixian. The application of self-organizing feature map neural network to logging lithological identification[J]. Progress in Geophysics, 2005, 20(2): 332-336.
[11]
任培罡, 夏存银, 李媛, 等. 自组织神经网络在测井储层评价中的应用[J]. 地质科技情报, 2010, 29(3): 114-118.
REN Peigang, XIA Cunyin, LI Yuan, et al. Application of self-organizing neural network to logging reservoir evaluation[J]. Geological Science and Technology Information, 2010, 29(3): 114-118. doi: 10.3969/j.issn.1000-7849.2010.03.018
[12]
卢西亚FJ. 碳酸盐岩储层表征[M]. 北京: 石油工业出版社, 2011.
LUCIA F J. Carbonate reservoir characterization[M]. Beijing: Petroleum Industry Press, 2011.
[13]
李昌, 乔占峰, 邓兴梁, 等. 视岩石结构数技术在测井识别碳酸盐岩岩相中的应用[J]. 油气地球物理, 2017, 15(1): 29-35.
LI Chang, QIAO Zhanfeng, DENG Xingliang, et al. Application of the apparent rock fabric number calculation technique in logging identification of the carbonate rock type[J]. Petroleum Geophysics, 2017, 15(1): 29-35.
[14]
刘宏, 谭秀成, 周彦, 等. 基于灰色关联的复杂碳酸盐岩测井岩相识别[J]. 大庆石油地质与开发, 2008, 27(1): 122-125.
LIU Hong, TAN Xiucheng, ZHOU Yan, et al. Log lithofacies identification for complex carbonate rock based on grey correlation method[J]. Petroleum Geology & Oilfield Development in Daqing, 2008, 27(1): 122-125.
[15]
李宁, 肖承文, 伍丽红, 等. 复杂碳酸盐岩储层测井评价中国的创新与发展[J]. 测井技术, 2014, 38(1): 1-10.
LI Ning, XIAO Chengwen, WU Lihong, et al. The innovation and development of log evaluation for complex carbonate reservoir in China[J]. Well Logging Technology, 2014, 38(1): 1-10. doi: 10.3969/j.issn.1004-1338.2014.01.001
[16]
张龙海, 代大经, 周明顺, 等. 成像测井资料在湖盆沉积研究中的应用[J]. 石油勘探与开发, 2006, 33(1): 67-71.
ZHANG Longhai, DAI Dajing, ZHOU Mingshun, et al. Application of imaging logs in studying lake basin sedimentations[J]. Petroleum Exploration and Development, 2006, 33(1): 67-71.
[17]
吴煜宇, 张为民, 田昌炳, 等. 成像测井资料在礁滩型碳酸盐岩储集层岩性和沉积相识别中的应用以伊拉克鲁迈拉油田为例[J]. 地球物理学进展, 2013, 28(3): 1497-1506.
WU Yuyu, ZHANG Weimin, TIAN Changbing, et al. Application of image logging in identifying lithologies and sedimental facies in reef-shoal carbonate reservoir:Take Rumaila Oilfield in Iraq for example[J]. Progress in Geophysics, 2013, 28(3): 1497-1506. doi: 10.6038/pg20130345
[18]
徐欣, 胡明毅, 高达. 磨溪高石梯地区灯影组四段微生物岩沉积特征及主控因素[J]. 中国海上油气, 2018, 30(2): 25-34.
XU Xin, HU Mingyi, GAO Da. Sedimentary characteristics and main control factors for microbialite of the fourth Member of Dengying Formation in Moxi-Gaoshiti Area, Central Sichuan Basin[J]. China Offshore Oil and Gas, 2018, 30(2): 25-34. doi: 10.11935/j.issn.1673-1506.2018.02.004
[19]
王文之, 杨跃明, 文龙, 等. 微生物碳酸盐岩沉积特征研究以四川盆地高磨地区灯影组为例[J]. 中国地质, 2016, 43(1): 306-318.
WANG Wenzhi, YANG Yueming, WEN Long, et al. A study of sedimentary characteristics of microbial carbonate:A case study of the Sinian Dengying Formation in Gaomo Area, Sichuan Baisn[J]. Geology in China, 2016, 43(1): 306-318.
[20]
文龙, 王文之, 张健, 等. 川中高石梯磨溪地区震旦系灯影组碳酸盐岩岩石类型及分布规律[J]. 岩石学报, 2017, 33(4): 1285-1294.
WEN Long, WANG Wenzhi, ZHANG Jian, et al. Classification of Sinian Dengying Formation and sedimentary evolution mechanism of Gaoshiti-Moxi Area in central Sichuan Basin[J]. Acta Petrologica Sinica, 2017, 33(4): 1285-1294.
[21]
王良军. 川北地区灯影组四段优质储层特征及控制因素[J]. 岩性油气藏, 2019, 31(2): 35-45.
WANG Liangjun. Characteristics and controlling factors of high-quality reservoirs of the fourth member of Dengying Formation in northern Sichuan Basin[J]. Lithologic Reservoirs, 2019, 31(2): 35-45. doi: 10.12108/yxyqc.20190205
[22]
张荫本, 唐泽尧, 陈季高. 粘结岩分类及应用[J]. 天然气勘探与开发, 1996, 19(4): 24-33.
ZHANG Yinben, TANG Zeyao, CHEN Jigao. Bond rock classification and application[J]. Natural Gas Exporation and Development, 1996, 19(4): 24-33.
[23]
段金宝, 代林呈, 李毕松, 等. 四川盆地北部上震旦统灯影组四段储层特征及其控制因素[J]. 天然气工业, 2019, 39(7): 9-20.
DUAN Jinbao, DAI Lincheng, LI Bisong, et al. Reservoir characteristics and their controlling factors of the fourth Member of Upper Sinian Dengying Fm in the northern Sichuan Basin[J]. Natural Gas Industry, 2019, 39(7): 9-20. doi: 10.3787/j.issn.1000-0976.2019.07.002
[24]
李国欣, 赵太平, 石玉江, 等. 鄂尔多斯盆地马家沟组碳酸盐岩储层成岩相测井识别评价[J]. 石油学报, 2018, 39(10): 1141-1154.
LI Guoxin, ZHAO Taiping, SHI Yujiang, et al. Diagenetic facies logging recognition and evaluation of carbonate reservoirs in Majiagou Formation, Ordos Basin[J]. Acta Petrolei Sinica, 2018, 39(10): 1141-1154. doi: 10.7623/syxb201810006
[25]
孙建孟, 赵建鹏, 赖富强, 等. 电测井图像空白条带填充方法[J]. 测井技术, 2011, 35(6): 532-537.
SUN Jianmeng, ZHAO Jianpeng, LAI Fuqiang, et al. Method to fill in the gaps between pads of electrical logging images[J]. Well Logging Technology, 2011, 35(6): 532-537. doi: 10.3969/j.issn.1004-1338.2011.06.008
[26]
张挺.基于多点地质统计的多孔介质重构方法及实现[D].合肥: 中国科学技术大学, 2009.
ZHANG Ting. Research on the reconstruction of porous media based on multiple-point geostatistics[D]. Hefei: University of Science and Technology of China, 2009.