随着油气勘探的不断深入,常规碎屑岩油气藏已经难以满足现实需求,近十几年来,准噶尔盆地、松辽盆地、塔里木盆地等火山岩油气勘探相继获得了突破,引起了石油工作者的重视。实践证明,火山岩油气藏勘探正逐步成为油气产量、储量新的重要增长点[1-3]。火山岩矿物成分、结构等取决于不同火山作用、岩浆类型和后期构造运动的叠加改造,其测井响应特征规律性较差[4-5],岩性识别难度较大,解决岩性识别问题是火山岩油气藏成功勘探的关键[6-7],只有在准确地识别火山岩岩性的基础上,才能有效地开展储层评价研究,进而提高勘探成功率。
传统的岩性识别方法有岩屑录井识别、钻井取心鉴定及测井资料识别等,其中岩屑录井识别的精度直接取决于录井质量,然而钻井取心不仅很难对目标地层做出完整的描述[9-10],成本还比较高,不能在生产中大规模普及应用。测井资料种类丰富,成本低易于获得,具备纵向连续、横向对比性强的特点[11],因此,测井资料识别法是目前识别火山岩岩性的主要手段。由于不同测井曲线之间携带的岩性信息具有一定的相关性和重叠性,仅运用常规岩性交会图版难以对复杂岩性进行全面而精确地识别。为了充分运用测井资料,随着多元数据挖掘方法的快速发展,利用聚类[12-13]、判别[14-15]和降维[16-18]等数据挖掘方法对测井资料进行精细分析已成为识别复杂岩性的常用方法。自准噶尔盆地东部西泉地区石炭系火山岩油气藏发现至今,专家学者对该区域火山岩岩性识别方法的探索脚步从未停止。具有代表性的有:张丽华等[19]在岩心归位和岩性复查的基础上,利用常规测井资料,提出基于二维和三维岩性识别图版的识别流程;马尚伟等[20-21]采用全岩主量元素分析结合岩心、镜下薄片和成像测井进行岩性划分;黄力等[22]利用主成分分析法从岩石测井响应敏感性角度定量识别岩性。由于研究区石炭系火山岩测井响应多解性强,前人的成果中未能有效解决不同岩性测井响应特征相似所带来的识别误差,针对未知火山岩岩性未能建立有效的定量判识方法。
本次研究充分利用岩心资料和镜下薄片鉴定成果,确保测井响应特征的代表性,利用主成分分析法对复杂数据进行有效降维方面的优点,对目标测井曲线进行数据优化,提高不同岩性之间测井响应特征差异的敏感性,并结合典型判别函数在判别未知样本归属方面的显著优势,首次在研究区尝试运用复合数据挖掘方法识别石炭系火山岩岩性,并建立不同岩性定量判别模型,以期为研究区石炭系火山岩岩性识别提供参考依据。
1 研究区概况西泉地区位于准噶尔盆地东部隆起西翼北三台凸起西斜坡[23-24][图 1(a)],为凸起上规模最大的近东西向鼻状构造[25]。北三台凸起东接吉木萨尔凹陷、西临阜康凹陷、南抵阜康断裂带,北连沙奇凸起,是自晚海西期开始发育,又历经印支期、燕山期和喜马拉雅期共4期大的构造运动形成的继承性古凸起[26]。其中受海西期构造运动的影响,北三台凸起在中—晚石炭世发生了大规模强烈火山喷发活动,形成石炭系火山岩地层;早—中二叠世受南部博格达山挤压隆升作用,北三台基底凸起形成,石炭系经历强烈持续性风化-淋滤-剥蚀作用,导致部分中—晚石炭统和早—中二叠统缺失[26]。
根据已钻探井资料及地震解释成果,将西泉地区石炭系自下而上分为:下序列松喀尔苏下亚组火山岩段(C1sa)、中序列松喀尔苏上亚组火山沉积岩段(C1sb)和上序列巴塔玛依内山组火山岩段(C2b),其中C1sa主要由火山熔岩类组成,C1sb主要由火山沉积岩和沉积岩呈互层状组成,C2b主要由火山熔岩类和火山碎屑岩类组成[图 1(b)]。自2006年西泉1井石炭系火山岩油藏发现以来,西泉地区已累计提交石炭系探明储量近7 000万t,且在石炭系3个地层序列中均有油气发现,展现了该区域石炭系火山岩广阔的油气勘探前景。
2 火山岩测井响应特征准噶尔盆地东部西泉地区石炭系火山熔岩类、火山碎屑岩类和火山沉积岩类均有发育[27-28]。通过筛选研究区内51口石炭系钻遇厚度大且连续性好的钻井,以精细归位校正后的266块岩心资料和镜下薄片鉴定样品为基础,对岩性单一、厚度较大且测井曲线稳定性相对较好的井段进行数据提取,如表 1所列,提取出玄武岩、安山岩、英安岩、火山角砾岩、凝灰岩、含角砾凝灰岩、凝灰质砂砾岩、凝灰质泥岩和炭质泥岩共9种火山岩岩性的自然伽马(GR)、地层真电阻率(Rt)、冲洗带电阻率(Rxo)、密度测井(DEN)、中子孔隙度(CNL)和声波时差(AC)共计6条常规测井曲线数据,并以各不同岩性测井曲线值作为主要变量进行不同岩性样本均值及方差的计算。安山岩和英安岩的地层真电阻率(Rt)和冲洗带电阻率(Rxo)存在方差值极大异常,表明这2种岩性电阻率变化较大,难以利用电阻率相关曲线有效表征岩性分布。除此之外,其余大部分岩性对应测井曲线方差值较小,可以作为有效数据来识别岩性。
主成分分析法的基本思想是考虑各变量指标间的相关性,利用降维方法将参与运算的多个变量指标通过数学方法转换成少数几个互不相关的指标,且每个指标能代表多个原始变量,从而使研究变成一种更简单的统计学方法。典型判别分析法的基本思想是投影[29-32],通过建立一种线性组合,即最优化的数学模型来概括不同变量间的差异性,同时根据已知样本分类判断未知待判断的变量样本归属的统计学方法。由于这2种方法在数据处理和变量类型判别中的显著优势,已经在地学界得到了广泛的运用,尤其是在复杂岩性识别和储层评价等方面[33-35],准确性得到了提高。
3.1 主成分分析法假设样本数为n,每个样本对应的变量数为P,得到n×p维原始样本阵Xn×p。根据前期样本选取的结果,建立原始数据集X560 × 6
$ \mathit{\boldsymbol{X}} = \left[ {{\mathit{\boldsymbol{X}}_1}, {\mathit{\boldsymbol{X}}_2}, \cdots , {\mathit{\boldsymbol{X}}_{\rm{n}}}} \right] = \left[ {\begin{array}{*{20}{c}} {{x_{1 \times 1}}}&{{x_{1 \times 2}}, \cdots , {x_{1 \times 6}}}\\ {{x_{2 \times 1}}}&{{x_{2 \times 2}}, \cdots , {x_{2 \times 6}}}\\ \vdots &{ \vdots \;\;\;\;\;\;\;\;\;\; \vdots }\\ {{x_{560 \times 1}}}&{{x_{560 \times 2}}, \cdots , {x_{560 \times 6}}} \end{array}} \right] $ | (1) |
(1)由于所选取的6个变量具有量级和量纲的差异性,为了使原始变量的量级和量纲保持在同一个维度上,须对原始变量进行标准化处理,得到新的无量纲数据序列:ZGR,ZRt,ZRxo,ZDEN,ZCNL和ZAC,其均值为0,方差为1(表 2)。
对标准化后的数据集进行相关系数矩阵计算
$ \mathit{\boldsymbol{R}} = \frac{1}{{n - 1}}{\left( {{\mathit{\boldsymbol{x}}^\prime }} \right)^T}{\mathit{\boldsymbol{x}}^\prime } $ | (2) |
式中:R为样本相关系数矩阵;x'为样本标准化矩阵。
根据式(2)得到研究区石炭系的变量相关系数矩阵(表 3),正相关关系中ZAC与ZCNL的相关性最好,为显著相关,相关系数为0.911;负相关关系中ZAC与ZDEN的相关性最好,为显著相关,相关系数为-0.915,除此之外,ZCNL与ZDEN,ZRt与ZRxo,ZCNL,ZAC,ZGR与ZRt,ZCNL之间亦具有较好的相关关系,这表明不同参数间存在不同程度的信息重叠现象,这就使得在识别研究区火山岩岩性中常规双变量交会图版不仅无法反映出所有变量间的相关性,还存在着或多或少的信息重叠。
各岩性中ZAC曲线的标准差值相对较小(参见表 2),结合相关系数矩阵中各曲线的相关性,选取AC与CNL、DEN进行三参数散点交会分析(图 2),岩性识别效果不理想,岩性间普遍存在边界不清晰,岩性重叠现象较严重,所以仅通过常规交会图版很难将岩性区分清楚。
(2)利用Jacobi线性变换方程对相关系数矩阵进行计算,求解该相关系数矩阵非负特征值λ i(i = 1, 2, 3, ⋯, m)和特征向量
$ \mathit{\boldsymbol{R}} = \left| {{\lambda _i}{\mathit{\boldsymbol{I}}_m}} \right| $ | (3) |
式中:Im为单位矩阵;λi为相关系数矩阵R的非负特征值,同时也是主成分Yi(i = 1, 2, ⋯, m)的方差,方差越大,说明主成分Yi包合变量x1,x2,…,xm包含信息的能力越强。
将λi按由大到小的顺序排列,即λ1>λ2>⋯λm>0(表 4)。
(3)主成分P值一般选取累计方差贡献率≥ 80%或特征值λi > 1的前P个特征值。由表 4可知,满足λi > 1的主成分变量为Y1和Y2,其特征值分别为4.173和1.035,且Y1+Y2累计方差贡献率为86.798%,利用Y1和Y2这2个主成分变量可充分表征6个原始变量所反映的大部分信息,达到了对变量降维处理的目的。主成分Y1和Y2的特征向量计算结果如表 5所列。
$ F_{1}=0.581 Z G R+0.885 Z R \mathrm{t}+0.821 Z R \mathrm{xo}-0.952 Z C N L+0.821 Z D E N-0.893 Z A C $ | (4) |
$ F_{2}=0.688 Z G R+0.268 Z R \mathrm{t}+0.271 Z R \mathrm{xo}+0.107 Z C N L-0.508 Z D E N+0.382 Z A C $ | (5) |
利用主成分方程F1和F2所做的散点交会图版识别研究区石炭系岩性(图 3),识别精度得到了有效提高,各类岩性样本有了较为明显的区分界线:玄武岩、安山岩、英安岩、凝灰岩和炭质泥岩岩性分布界线清晰;凝灰质泥岩、含角砾凝灰岩、凝灰质砂砾岩和火山角砾岩也可以在交会图版中看到一定的区分规律。与常规双变量交会图版中大量岩性重叠现象相比,主成分交会图已经可以进行初步的岩性划分,说明在西泉地区利用主成分分析有利于解决火山岩岩性各变量样本间存在的相关性问题。
典型判别分析法是一种依据方差分析原理建立的判别方法。针对P维空间中的点Xi =(Xi1, Xi2, ⋯, Xip),i = 1, 2, ⋯, n通过一组线性函数将P维空间中的全部观测点统一转化到m维空间,然后在m维空间中对样本集进行分类,在此过程中采用方差分析思想,依据使组间均方差与组内均方差之比最大的原则,选择最优的有效线性函数。
$ {y_m}\left( {{x_i}} \right) = \sum\nolimits_j {{c_i}} {x_{ij}} $ | (6) |
式中:ym(xi)为判别指标;ci为各变量的系数,也称为判别系数;xij为反映研究对象特征的变量。
(1)基于前期对原始变量进行主成分分析优化的结果,结合典型判别分析法在根据已知样本分类来判断未知样本归属方面的优势,建立判别主成分模型
$ G_{i}=a F_{1}+b F_{2}+c(i=1, 2, \cdots, 9) $ | (7) |
式中:Gi为研究区石炭系第i种岩性的判别函数;a,b,c分别为各岩性判别函数系数或常数,取值如表 6所列。
由式(7)得到典型判别函数特征值、方差贡献率和相关性指标(表 7),其中典型判别函数1和2特征值的累计方差贡献率达到100%,说明利用典型判别函数1和2即可包含绝大部分变量的信息[36]。
(2)把主成分方程F1和F2带入式(7),建立研究区石炭系不同岩性的判别模型
(3)用岩性判别模型对原始岩性数据进行回判可靠性检验(表 8),判别模型对91.8%的原始变量进行了正确判别,针对全部原始变量进行交叉验证(交叉验证中,每个原始变量均由该变量之外的其他变量所属判别模型进行再次分类),准确率达到91.4%。其中玄武岩、安山岩、英安岩、凝灰岩、含角砾凝灰岩、凝灰质泥岩和炭质泥岩的判别分析准确率较高,均在89.0%以上;火山角砾岩和凝灰质砂砾岩判别分析准确率相对较低,经交叉验证后准确率均在70.0%以上,所有判别模型达到初步识别岩性的要求。
$ G_{\text {玄武岩 }}=-21.089 Z G R-5.954 Z R \mathrm{t}-6.274 Z R \times 0-6.858 Z C N L+19.863 Z D E N-15.882 Z A C-30.745 $ | (8) |
$ G_{\text {安山岩 }}=-8.189 Z G R+1.331 Z R \mathrm{t}+0.839 Z R \mathrm{xo}-8.428 Z C N L+14.626 Z D E N-12.89 Z A C-23.567 $ | (9) |
$ G_{\text {英安岩 }}=13.287 Z G R+8.543 Z R \mathrm{t}+8.261 Z R \mathrm{xo}-3.262 Z C N L-3.421 Z D E N+1.163 Z A C-30.609 $ | (10) |
$ G_{\text {火山角岳岩 }}=-9.63 Z G R-2.895 Z R \mathrm{t}-3.023 Z R \mathrm{xo}-2.853 Z C N L+8.736 Z D E N-6.927 Z A C-7.999 $ | (11) |
$ G_{\text {設灰岩 }}=11.743 Z G R-0.24 Z R_{\mathrm{t}}+0.298 Z R \mathrm{xo}+9.444 Z C N L-17.806 Z D E N+15.404 Z A C-28.737 $ | (12) |
$ G_{\text {含角频灰岩 }}=-1.669 Z G R-1.306 Z R \mathrm{t}-1.247 Z R \mathrm{xo}+0.779 Z C N L-0.013 Z D E N+0.284 Z A C-2.953 $ | (13) |
$ {G_{凝灰质砂砾岩}} = - 6.968ZGR - 1.664ZR{\rm{t}} - 1.801ZR{\rm{xo}} - 2.745ZCNL + 7.137ZDEN - 5.806ZAC - 5.637 $ | (14) |
$ {G_{凝灰质泥岩}} = 2.588ZGR - 1.074ZR{\rm{t}} - 0.852ZR{\rm{xo}} + 3.678ZCNL - 5.862ZDEN + 5.28ZAC - 6.529{\rm{ }} $ | (15) |
$ {G_{炭质泥岩}} = 24.235ZGR + 2.991ZR{\rm{t}} + 3.748ZR{\rm{xo}} + 13.975ZCNL - 30.133ZDEN + 25.358ZAC - 65.442 $ | (16) |
以准噶尔盆地东部西泉地区石炭系岩性判别模型为基础,对主要预探井段进行岩性识别,先对未知岩性段对应的连续测井曲线值进行统一标准化,再将每一点标准化曲线值带入岩性判别模型进行计算,根据最大相似性原则进行比较,计算结果最大者即为该点所对应判别岩性。
以研究区A井为例(图 4),对3 275.0~3 279.0 m井段进行岩性判断,录井解释3 275.0~3 278.0 m为凝灰质泥岩,3 278.0~3 279.0 m为炭质泥岩,而综合岩性判别模型解释3 275.0~3 275.3 m为凝灰质泥岩,3 275.3~3 275.8 m为凝灰岩,3 275.8~ 3 277.0 m为火山角砾岩,3 277.0~3 277.7 m为凝灰岩,3 277.7~3 278.0 m为凝灰质泥岩,3 278.0~ 3 278.8 m为炭质泥岩,3 278.8~3 279.0 m为凝灰岩,综合岩性判别模型解释结果与微电阻率成像显示结果吻合率更高,这说明综合岩性判别模型解释的火山岩岩性比录井解释的岩性更加精细,与薄片鉴定和微电阻率成像对应效果更好,同时通过此方法对火山岩薄互层识别也更加精确,表明该岩性识别方法在研究区具有一定的可靠性和适用性,在缺少石炭系钻井岩心资料的深度段可以有效地进行岩性识别。
(1)准噶尔盆地东部西泉地区石炭系火山岩的类型复杂多样,利用常规双变量交会图版进行岩性识别的效果不理想,存在岩性边界不清晰,不同岩性重叠等问题,而利用以主成分分析和典型判别分析为主的综合数据挖掘方法既消除了不同特征测井曲线携带岩性信息中的相关性和重叠性,又充分综合了更多测井曲线的信息,提高了研究区石炭系火山岩岩性识别的准确性和实用性。
(2)基于主成分特征值大于1且主成分累计方差贡献率大于80%的原则,构建出适用于准噶尔盆地西泉地区火山岩岩性识别的综合主成分变量Y1和Y2,结合典型判别分析法解释的火山岩岩性较录井解释的岩性更加精细,与薄片鉴定及成像测井资料的对应效果更好,对火山岩薄互层的识别能力也有了较大程度的提高。
[1] |
陈建文, 魏斌, 李长山, 等. 火山岩岩性的测井识别. 地学前缘, 2000, 7(4): 458. CHEN J W, WEI B, LI C S, et al. Log identification of volcanic lithology. Earth Science Frontiers, 2000, 7(4): 458. DOI:10.3321/j.issn:1005-2321.2000.04.039 |
[2] |
寇彧, 师永民, 李柏任, 等. 克拉美丽气田石炭系火山岩复杂岩性岩电特征. 岩石学报, 2010, 26(1): 291-300. KOU Y, SHI YM, LI B R, et al. The complex lithology rock-electricity features of volcanic rocks in Kelameili gas field. Acta Petrologica Sinica, 2010, 26(1): 291-300. |
[3] |
蔡冬梅, 叶涛, 鲁凤婷, 等. 渤海海域中生界火山岩岩相特征及其识别方法. 岩性油气藏, 2018, 30(1): 112-120. CAI DM, YE T, LU F T, et al. Lithofacies characteristics and identification methods of Mesozoic volcanic rocks in Bohai Sea. Lithologic Reservoirs, 2018, 30(1): 112-120. DOI:10.3969/j.issn.1673-8926.2018.01.011 |
[4] |
潘保芝, 李舟波, 付有升, 等. 测井资料在松辽盆地火成岩岩性识别和储层评价中的应用. 石油物探, 2009, 48(1): 48-52. PAN B Z, LI Z B, FU Y S, et al. Application of logging data in lithology identification and reservoir evaluation of igneous rock in Songliao Basin. Geophysical Prospecting for Petroleum, 2009, 48(1): 48-52. DOI:10.3969/j.issn.1000-1441.2009.01.008 |
[5] |
靳军, 王剑, 杨召, 等. 准噶尔盆地克-百断裂带石炭系内幕储层测井岩性识别. 岩性油气藏, 2018, 30(2): 85-92. JIN J, WANG J, YANG Z, et al. Well logging identification of Carboniferous volcanic inner buried-hill reservoirs in Ke-Bai fault zone in Junggar Basin. Lithologic Reservoirs, 2018, 30(2): 85-92. |
[6] |
吴煜宇, 赖强, 谢冰, 等. 四川盆地永探1井二叠系火山岩测井岩性识别. 天然气勘探与开发, 2019, 42(1): 21-27. WU YY, LAI Q, XIE B, et al. Logging-based lithologic identifying Permian volcanic rocks of Yongtan 1 well, Sichuan Basin. Natural Gas Exploration and Development, 2019, 42(1): 21-27. |
[7] |
李静. 中拐凸起石炭系低放射性火成岩岩性测井识别. 新疆石油地质, 2016, 37(4): 474-478. LI J. Lithology identification of carboniferous low radioactivity igneous rocks by logging data in Zhongguai Swell, Junggar Basin. Xinjiang Petroleum Geology, 2016, 37(4): 474-478. |
[8] |
黄隆基, 范宜仁. 火山岩测井评价的地质和地球物理基础. 测井技术, 1997, 21(5): 341-344. HUANG L J, FAN Y R. Geological and geophysical basis for studying igneous rock facies by logging method. Well Logging Technology, 1997, 21(5): 341-344. |
[9] |
佘刚, 马丽娟, 徐永发, 等. 油砂储层特征及测井评价方法研究:以柴达木盆地干柴沟地区为例. 岩性油气藏, 2015, 27(6): 119-124. SHE G, MA L J, XU Y F, et al. Reservoir characteristics of oil sands and logging evaluation methods:a case study from Ganchaigou area, Qaidam Basin. Lithologic Reservoirs, 2015, 27(6): 119-124. DOI:10.3969/j.issn.1673-8926.2015.06.016 |
[10] |
包强, 张婷, 张晓东, 等. 岩石相测井识别技术在阿姆河右岸A区的应用. 天然气工业, 2013, 33(11): 51-55. BAO Q, ZHANG T, ZHANG X D, et al. Application of logging lithofacies identification technology in block A of the right bank of the Amu-Darya River. Natural Gas Industry, 2013, 33(11): 51-55. |
[11] |
张兆辉, 陈华勇, 高艳玲, 等. 克拉美丽气田火山岩岩性测井识别技术研究. 石油物探, 2016, 55(5): 764-770. ZHANG Z H, CHEN H Y, GAO Y L, et al. Study on lithology identification of igneous rocks in Kelameili Gasfield by well logging. Geophysical Prospecting for Petroleum, 2016, 55(5): 764-770. DOI:10.3969/j.issn.1000-1441.2016.05.016 |
[12] |
葛新民, 范宜仁, 唐利民, 等. 基于信息熵-模糊谱聚类的非均质碎屑岩储层孔隙结构分类. 中南大学学报(自然科学版), 2015, 46(6): 2227-2235. GE X M, FAN Y R, TANG L M, et al. Pore structure typing of heterogeneous clastic reservoir using information entropy-fuzzy spectral clustering algorithm. Journal of Central South University (Science and Technology), 2015, 46(6): 2227-2235. |
[13] |
LIU J W, XU M Z. Kemelized fuzzy attribute C-means clustering algorithm. Fuzzy and Systems, 2008, 159(18): 2428-2445. DOI:10.1016/j.fss.2008.03.018 |
[14] |
王鹏, 王志章, 纪友亮, 等. 核Fisher判别分析在火山岩岩性识别中的应用. 测井技术, 2015, 39(3): 390-394. WANG P, WANG Z Z, JI Y L, et al. Identification of volcanic rock based on Kernel Fisher discriminant analysis. Well Logging Technology, 2015, 39(3): 390-394. |
[15] |
MIKAS, RATSCHG, WESTONJ, et al. Fisher discriminant analysis with kernels. Proceedings of the 1999 IEEE Signal Processing SocietyWorkshop.Madison, Wisconsin, USA: IEEE, 1999: 41-48.
|
[16] |
潘荣, 朱筱敏, 张剑锋, 等. 基于主成分分析的储层质量综合评价模型:以克拉苏构造带巴什基奇克组为例. 石油实验地质, 2012, 27(4): 1640-1647. PAN R, ZHU X M, ZHANG J F, et al. A model for comprehensive evaluation of reservoir quality based on principal component analysis:a case study of Bashijiqike Formation in Kelasu tectonic zone. Petroleum Geology & Experiment, 2012, 27(4): 1640-1647. |
[17] |
FENG Z Q. Volcanic rocks as prolific gas reservoir:a case study from the Qingshen gas field in the Songliao Basin, NE China. Marine and Petroleum Geology, 2008, 25: 416-432. DOI:10.1016/j.marpetgeo.2008.01.008 |
[18] |
刘跃杰, 刘书强, 马强, 等. BP神经网络法在三塘湖盆地芦草沟组页岩岩相识别中的应用. 岩性油气藏, 2019, 31(4): 101-111. LIU Y J, LIU S Q, MA Q, et al. Application of BP neutral network method to identification of shale lithofacies of Lucaogou Formation in Santanghu Basin. Lithologic Reservoirs, 2019, 31(4): 101-111. |
[19] |
张丽华, 张国斌, 齐艳萍, 等. 准噶尔盆地西泉地区石炭系火山岩岩性测井识别. 新疆石油地质, 2017, 38(4): 427-431. ZHANG L H, ZHANG G B, QI Y P, et al. Lithology identification of Carboniferous volcanic rock with logging data in Xiquan area, unggar Basin. Xinjiang Petroleum Geology, 2017, 38(4): 427-431. |
[20] |
马尚伟, 罗静兰, 陈春勇, 等. 火山岩储层微观孔隙结构分类评价:以准噶尔盆地东部西泉地区石炭系火山岩为例. 石油试验地质, 2017, 39(5): 647-654. MA SW, LUO J L, CHEN CY, et al. Classification and evaluation of micro pore structure of volcanic rock reservoirs:a case study of the Carboniferous volcanic reservoirs in Xiquan area, eastern Junggar Basin. Petroleum Geology and Experiment, 2017, 39(5): 647-654. |
[21] |
马尚伟.准噶尔盆地东部西泉地区石炭系火山岩岩性岩相识别及储层主控因素研究.西安: 西北大学, 2019. MA S W. Identification of lithology and lithofacies and research on main controlling factors of the Carboniferous volcanic rocks reservoir, Xiquan area, eastern Junggar Basin. Xi'an: Northwest University, 2019. |
[22] |
黄力, 王安生, 王跃祥, 等. 火成岩岩性识别与物性测井评价:以准噶尔盆地东部石炭系火成岩为例. 天然气勘探与开发, 2018, 41(4): 23-31. HUANG L, WANG A S, WANG Y X, et al. Logging lithological identification and petrophysical property evaluation of igneous rocks:Examples from Carboniferous igneous rocks, eastern Junggar Basin. Natural Gas Exploration and Development, 2018, 41(4): 23-31. |
[23] |
陈春勇. 准噶尔盆地西泉地区石炭系火山岩型油藏形成及分布. 沉积学报, 2019, 37(1): 212-223. CHEN C Y. The formation and distribution of volcanic reservoirs in the Xiquan area of Junggar Basin. Acta Sedimentologica Sinica, 2019, 37(1): 212-223. |
[24] |
杜洋, 罗明高, 李青, 等. 北三台地区火山岩储层特征及成藏模式研究. 天然气勘探与开发, 2011, 34(1): 9-12. DU Y, LUO M G, LI Q, et al. Reservoir characteristics and reservoir-forming mode of volcanic rock in Beisantai area. Natural Gas Exploration and Development, 2011, 34(1): 9-12. |
[25] |
范光旭, 朱卡, 汪莉彬, 等. 西泉地区石炭系内幕型火山岩储集层特征及成藏模式. 新疆石油地质, 2018, 39(4): 401-408. FAN G X, ZHU K, WANG L B, et al. Characteristics and hydrocarbon accumulation models of Carboniferous inside-type volcanic reservoir in Xiquan area, Jungger Basin. Xinjiang Petroleum Geology, 2018, 39(4): 401-408. |
[26] |
吴晓智, 周路, 杨迪生, 等. 准噶尔盆地北三台凸起构造演化与油气成藏. 地质科学, 2012, 47(3): 653-668. WU X Z, ZHOU L, YANG D S, et al. Structure evolution and hydrocarbon accumulation the Beisantai uplift in Junggar Basin. Chinese Journal of Geology, 2012, 47(3): 653-668. |
[27] |
石新朴, 张东平, 廖伟, 等. 准噶尔盆地滴南凸起石炭系火山岩气藏岩相结构. 新疆石油地质, 2013, 34(4): 390-393. SHI X P, ZHANG D P, LIAO W, et al. Lithofacies structures in Carboniferous volcanic gas reservoir in Dinan swell, Junggar Basin. Xinjiang Petroleum Geology, 2013, 34(4): 390-393. |
[28] |
张程恩, 潘保芝, 王飞, 等. 利用测井方法识别火山岩岩相方法. 世界地质, 2011, 30(4): 677-681. ZHANG C E, PAN B Z, WANG F, et al. Recognition method for volcanic rock facies by well logging. Global Geology, 2011, 30(4): 677-681. |
[29] |
王珍珍. 利用Fisher判别法识别复杂岩性. 国外测井技术, 2012(5): 22-24. WANG Z Z. Identifying complex lithology with Fisher discriminant. Foreign Logging Technology, 2012(5): 22-24. |
[30] |
文得进, 张占松. 利用Fisher判别分析技术识别火山岩油水层. 石油天然气学报, 2010, 32(3): 96-99. WEN D J, ZHANG Z S. Identification of volcanic oil and water layer by the Fisher discriminatory and analytical technology. Journal of Oil and Gas Technology, 2010, 32(3): 96-99. |
[31] |
张家政, 关泉生, 谈继强, 等. Fisher判别在红山嘴油田火山岩岩性识别中的应用. 新疆石油地质, 2008, 29(6): 761-764. ZHANG J Z, GUAN Q S, TAN J Q, et al. Application of Fisher discrimination to volcanic lithologic identification:an example from Hongshanzui oilfield, Junggar Basin. Xinjiang Petroleum Geology, 2008, 29(6): 761-764. |
[32] |
杨凯, 关叶钦, 季李岚. Fisher判别法在火山岩岩性识别中的应用. 国外测井技术, 2012(1): 44-46. YANG K, GUAN Y Q, JI L L. Application of Fisher discrimination in volcanic lithology identification. Foreign Logging Technology, 2012(1): 44-46. |
[33] |
吴昀昭, 田庆久, 陈骏, 等. 基于主成分分析的反射光谱在岩石学中的应用:以哈密地区为例. 岩石学报, 2003, 19(4): 761-766. WU Y Z, TIAN Q J, CHEN J, et al. Application of rock laboratorial reflectance spectra in Hami area based on principal component analysis. Acta Petrologica Sinica, 2003, 19(4): 761-766. |
[34] |
郑静静, 王延光, 杜磊, 等. 基于概率核主成分分析的属性优化方法及其应用. 石油地球物理勘探, 2014, 49(3): 567-571. ZHENG J J, WANG Y G, DU L, et al. Attribute optimization based on the probability kernel principal component analysis. Oil Geophysical Prospecting, 2014, 49(3): 567-571. |
[35] |
叶涛, 韦阿娟, 黄志, 等. 基于主成分分析法与Bayes判别法组合应用的火山岩岩性定量识别:以渤海海域中生界为例. 吉林大学学报(地球科学版), 2019, 49(3): 872-879. YE T, WEI A J, HUANG Z, et al. Quantitative identification of volcanic lithology based on comprehensive principal component analysis and bayes discriminant method:a case study of Mesozoic in Bohai Bay. Journal of Jilin University(Earth Science Edition), 2019, 49(3): 872-879. |
[36] |
喻盼, 邱鹏, 沈均均. Fisher判别法在帅垛-茅山地区岩性识别中的应用. 能源与环保, 2017, 39(11): 220-227. YU P, QIU P, SHEN J J. Application of Fisher discriminantmethod in lithologic identification of Maoshan area. China Energy and Environmental Protection, 2017, 39(11): 220-227. |