地球科学进展  2018 , 33 (6): 614-622 https://doi.org/10.11867/j.issn.1001-8166.2018.06.0614

研究论文

BP神经网络在富钾卤水中的应用研究

陈科贵1, 李进1*, 黄长兵2, 陈愿愿3, 王刚4, 刘阳1

1.西南石油大学地球科学与技术学院,四川 成都 610500
2.中国石油化工集团中原油田, 河南 濮阳 457000
3.川庆钻探工程有限公司地球物理勘探公司,四川 成都 610213
4.中国石油新疆油田分公司勘探开发研究院,新疆 克拉玛依 834000

Application Research of BP Neural Network in Potassium-Rich Brine

Chen Kegui1, Li Jin1*, Huang Changbing2, Chen Yuanyuan3, Wang Gang4, Liu Yang1

1. School of Geoscience and Technology, Southwest Petroleum University, Chengdu 610500, China
2.Sinopec Group Zhongyuan Oilfield, Puyang He’nan 457000, China;
3.Geophysical Exploration Company, Chuanqing Drilling Engineering Company Limited, Chengdu 610213, China
4.Research Institute of Exploration and Development, PetroChina Xinjiang Oilfield Company, Karamay Xinjiang 834000, China

中图分类号:  P619.211

文献标识码:  A

文章编号:  1001-8166(2018)06-0614-09

通讯作者:  *通信作者:李进(1993-),男,四川都江堰人,硕士研究生,主要从事测井解释研究.E-mail:1094129014@qq.com

收稿日期: 2018-02-3

修回日期:  2018-05-9

网络出版日期:  2018-06-20

版权声明:  2018 地球科学进展 编辑部 

基金资助:  *国家自然科学基金项目“四川盆地油钾兼探的地球物理评价方法研究”(编号:41372103)资助.

作者简介:

First author:Chen Kegui(1959-), male, Zigong City, Sichuan Province, Professor. Research areas include petroleum geology, technology of well logging reservoir evaluation and survey research potash in Sichuan. E-mail:chenkegui@21cn.com

作者简介:陈科贵(1959-),男,四川自贡人,教授,主要从事石油地质、测井储层评价技术和四川钾盐普查研究.E-mail:chenkegui@21cn.com

展开

摘要

富钾卤水是一种重要的液态钾盐资源,是四川盆地主要的找钾方向之一。川东地区三叠纪地层内与含盐系相邻的碳酸盐岩储层卤水矿化度极高,卤水资源丰富,开采潜力巨大,是我国目前钾盐勘探研究的重点区域。针对常规测井解释方法识别卤水层速度慢、准确率不高等特点,提出建立BP神经网络模型开展富钾卤水层的识别与划分。以BP神经网络理论和测井解释原理为基础,对卤水层识别影响最大的测井曲线值作为输入,建立BP神经网络模型,开展深层卤水层和富钾卤水层的识别和划分,并用准确的录井结果验证模型性能。测试发现,模型识别卤水的准确率为85.7%;改进的富钾卤水模型识别准确率为89.1%。结果表明,BP神经网络技术在四川盆地钾盐的勘探开发过程中具有广阔的应用前景。

关键词: 富钾卤水 ; 深层卤水 ; BP神经网络模型 ; 测井响应

Abstract

Potassium-rich brine, an important source of liquid potassium salt, is one of the major potassium-seeking directions in the Sichuan Basin. The potassium-rich brine in Triassic carbonate formation of the eastern Sichuan has a high degree of salinity, high exploitation potential and huge resources. It is one of the key areas of potassium salt exploration in China. Aiming at the characteristics of conventional logging interpretation method to identify deep brine with slow speed and low accuracy, it was proposed to establish BP neural network model to carry out the identification and division of potassium-rich brine in Sichuan Basin. Based on the theory of BP neural network and logging interpretation methods, a neural network model with logging curves as input was built and applied to the deep brine and potassium-rich brine. The discrimination results were compared with logging data. The accuracy rate of the model reaches 85.7%,and the accuracy rate of the improved potassium-rich brine model achieves 89.1%. This study demonstrates that BP neural network has a wide application prospect in the exploration and development of potassium salt in Sichuan Basin.

Keywords: Potassium-rich brine ; Deep brine ; BP neural network model ; Well logging response.

0

PDF (9322KB) 元数据 多维度评价 相关文章 收藏文章

本文引用格式 导出 EndNote Ris Bibtex

陈科贵, 李进, 黄长兵, 陈愿愿, 王刚, 刘阳. BP神经网络在富钾卤水中的应用研究[J]. 地球科学进展, 2018, 33(6): 614-622 https://doi.org/10.11867/j.issn.1001-8166.2018.06.0614

Chen Kegui, Li Jin, Huang Changbing, Chen Yuanyuan, Wang Gang, Liu Yang. Application Research of BP Neural Network in Potassium-Rich Brine[J]. Advances in Earth Science, 2018, 33(6): 614-622 https://doi.org/10.11867/j.issn.1001-8166.2018.06.0614

1 引言

深层地下卤水是一种极具潜力的液体矿床资源,工业开采可以从卤水中提取石盐及Br,I,Sr,Ba,B,Li,K等微量元素,具有极高的工业价值[1]。特别是有些深层地下卤水富含钾离子,是重要的液态钾盐资源。利用测井资料评价富钾卤水,需要先识别储层,在判断储层段为卤水层段之后,才能进一步判定其是否为富钾卤水。2008年,胡素华等[2]使用测井解释方法对川西平落坝富钾卤水储层进行了研究;2013年,黄华等[3]利用测井解释方法开展潜江凹陷卤水层的识别研究。传统的测井解释方法识别富钾卤水层受研究人员主观因素影响,误差较大,识别速度慢,且测井曲线复杂多变,在解释过程中很难正确识别出薄层,大大降低了储层划分的正确性。

四川盆地川东地区深层卤水分布广泛,下中三叠统嘉陵江组和雷口坡组地层中的富钾卤水资源是我国目前液态钾盐勘探的重点靶区[4,5]。四川盆地经过几十年的勘探研究,对盆地内下中三叠统卤水的水文地球化学特征、运移以及沉积环境等有了深刻的认识[6]。近年来,不少地质工作者将BP神经网络引入到地质领域,在岩性识别、沉积相划分、储层参数预测等方面取得了良好的应用效果[7,8],但在富钾卤水层识别方面还无人涉及。因此,利用该方法识别划分卤水层,为寻找深层卤水资源特别是富钾卤水资源提供了一种新方法、新思路。本文在测井、地质等资料的基础上通过不断约束束缚条件建立深层卤水和富钾卤水BP神经网络训练模型,快速识别深层卤水层和富钾卤水层,特别是对薄层进行精确的识别与划分,最后用准确的录井结果验证模型的性能。实验表明,BP神经网络模型具有良好的识别效果,适用于四川盆地富钾卤水的勘探开发。

2 研究区概况

川东是指四川盆地的东部地区,面积约为5×104 km2,行政区域上划分为四川省达州、大竹、重庆等地区。研究区位于川西坳陷带以东,鄂黔坳陷带以西,康滇古隆起以北,大巴山古隆起以南[9],构造上主要由川东隆起带组成,为一次级凹陷(图1)。川东地区经历过多期次复杂构造的叠加与改造,形成了现今的高陡构造格局,是盆地内稳定地块中相对活动的构造区域。海退期间,川东地区下中三叠统各沉积旋回后期发育的蒸发岩岩性组合多为白云岩、硬石膏、盐岩等,为卤水层的形成提供了良好条件[11]。研究区内的碳酸盐岩是品质优良的富钾卤水储集层,石膏和硬石膏为隔水层,岩性较为复杂。储层类型以孔隙和裂缝发育为主,封闭较好,埋藏较深,多数埋藏于2 000 m以下[12],分布较广。根据川东地区已有的水分析资料可以看出研究区卤水普遍发育,其中中偏南部、西南部小部分地区及东北部小范围矿化度较高,西北部矿化度达到327.86 g/L,具有良好的勘探开发前景。

图1   研究区构造图(据参考文献[10]修改)

Fig.1   Research area structure location map (modified after reference[10])

3 富钾卤水测井响应特征

富钾卤水由于富含放射性钾,且含多种矿物质,通常具有钾的同位素40K,放射性强度较高,但比泥岩的放射性低很多。因此,该层段的自然伽马值相对较高,其值通常为16~45 API,而盖层硬石膏中的泥质含量很低,自然伽马值很低,通常低于16 API[13]。自然伽马能谱测井反应较为灵敏,能很好地区分富钾卤水层与泥岩,富钾卤水层通常表现为高K、低TH、低U的特征,K值通常大于0.5 API;泥质通常为高K、高TH、低U。其他常规测井曲线与水层特征相似,三孔隙度曲线表现为高声波、低密度、高中子,电阻率曲线表现为高阻背景下的低值[10],当卤水层厚度较厚(通常大于2 m),围岩对电阻率影响较小时,卤水层电阻率通常低于200 Ω·m。由于储层段常有裂缝发育,深、浅双侧向往往出现尖锐的尖峰,且表现出微弱的正差异。自然电位曲线由于受到围岩石膏的影响,在卤水层段负异常不明显。

4 模型建立及算法步骤

4.1 模型结构设计

BP神经络是建立在梯度下降法之上的一种有导师指导下的算法,核心思想是将输出误差通过隐含层向输入层逐层反传,使网络误差函数达到最小值,能实现任何复杂非线性映射的功能[14]。训练过程包括信号的正向传输和误差的反馈传输。正向传输时,各层的连接权对上一层的输出进行控制,每一层的输入都是上一层所有神经元输出的加权和。若输出层的实际输出与期望输出不符,各层的输入通过反向传播来不断修改权值,使网络的误差平方和最小[15]

根据图2所示的BP神经网络结构建立网络训练模型,以对深层卤水识别影响较大的自然伽马(GR),声波时差(AC),补偿中子(CNL),密度(DEN)和电阻率(Rt)测井值作为输入,共计5个输入节点。为了提高训练模型的性能,根据Kolmogorov定理,如果输入层节点数为n,则一般选取2n+1作为隐层节点数[16],故隐含层节点数为11。测井曲线为不连续函数,因此隐含层设置为2层。模型设计1个输出节点,即判断是否为卤水层。

图2   BP神经网络结构

Fig.2   Structure of BP neural network

4.2 归一化处理

为了加快模型的学习速度,消除测井数据量纲和量纲单位的影响,需要对输入的测井数据进行归一化预处理[17],使所有样本的输入、输出数据控制在[0,1],使得每个指标均处于同一数量级。输入样本中的GR,AC,CNL,DEN测井曲线为线性特征曲线,预处理时进行线性归一化即可。Rt测井曲线为非线性特征曲线,与线性归一化相比使用对数归一化更为合适,图3为Rt曲线归一化对比图。

4.3 建立模型

BP神经网络识别深层卤水的模型训练过程如下:

第一步,设置变量和参量。

设输入层有M个输入信号,其中任一输入信号用m表示;第1隐含层有J个神经元,其中任一输入信号用i表示表示;第2隐含层有J个神经元,其中任一神经元用j表示;输出层为P,其中任一神经元用p表示[18];输入层与第一隐含层的权值用wmi表示;第1隐含层和第二隐含层的权值用wij表示;第2隐含层与输出层的权值用wjp表示;神经元的输入用u表示,输出用v表示。设输入层矢量为XRn,X=[X0,X1,Xk,…,Xn]T;期望输出dk=[dk1,dk2,…,dkP]T,迭代次数为n,每个神经元的激励函数为可微的Sigmoid函数[19,20]

第二步,初始化。

赋给wmi(0),wij(0),wjp(0)各一个较小的随机非零值。

第三步,随机输入样本Xk,n=0,开始训练。

uiI=m=1Mwmixkm,i=0,1,2,,I,(1)

viI=f(uiI)=11+exp(-λuiI)(2)

各层输出为:

viI=f(m=1Mwmixkm),i=0,1,2,,IvjJ=f(i=1IwijviI),j=0,1,2,,JvpP=ykp=f(j=1JwjpvjJ),p=0,1,2,,P(3)

第四步,若计算的ET误差满足精度要求则转至第七步;不满足转至第五步。

误差计算:

E(n)=12k=1P(dkp-ykp)2(4)

图3   Rt对数归一化和线性归一化对比图

Fig.3   Correlation between logarithmic normalized andlinear normalized of Rt

当所有样本都输入一次后,总误差为:

ET=n=1PE(n)(5)

第五步,若n+1超过设定的最大迭代次数,则结束训练;若不大于,则反向计算每层神经元的局部梯度δ。其中:

δpP(n)=ykp(n)[1-ykp(n)]ekp(n),p=1,2,,P,(6)

δjJ(n)=vjJ(n)[1-vjJ(n)]p=1PδpP(n)wjp(n),j=1,2,,J,(7)

δiI(n)=viI(n)[1-viI(n)]p=1PδjJ(n)wij(n),i=1,2,,I(8)

第六步,权值修正,完成后进行第三步。其中:

输出层的权值调整:

wjp(n+1)=wjp(n)+Δwjp(n)Δwjp(n)=ηvjJ(n)δpP(n),j=1,2,,J;p=1,2,,P(9)

(9)

第二隐含层的权值调整:

wij(n+1)=wij(n)+Δwij(n)Δwij(n)=ηviI(n)δjJ(n),i=1,2,,I;j=1,2,,J(10)

第一隐含层的权值调整:

wmi(n+1)=wmi(n)+Δwmi(n)Δwmi(n)=ηxkm(n)δiI(n),m=1,2,,M;i=1,2,,I(11)

第七步,用MATLAB编写程序进行训练,学完所有的训练样本并且收敛达到所要求的精度后,保存模型,进行未知深层卤水层的识别;若未达到收敛精度则转至第三步继续学习。

5 储层的识别

5.1 识别岩性,去掉明显的非储层段

研究区三叠纪嘉陵江组和雷口坡组地层受海平面变化的影响,沉积了大量的海相成因的蒸发岩,卤水主要富集于孔隙、裂缝发育的碳酸盐岩储层中,周围硬石膏和泥岩发育,岩性复杂[21]。硬石膏在测井曲线上表现为高电阻率,通常深侧向测井电阻率大于2 000 Ω·m,三孔隙度测井视孔隙度低值,一般低于1%,自然伽马低值,低于10 API。泥岩层具有高自然伽马的特点,电阻率为低值,三孔孔隙度测井响应为声波时差增高、中子孔隙度明显增大、密度测井值低。因此,准确识别岩性,去掉非储层段是识别深层卤水层的前提。

选择对岩性识别较为敏感的GR,AC,CNL,DEN和Rt 5条测井曲线作为输入曲线,具有岩心资料的90个典型样本(泥岩、硬石膏、碳酸盐岩各30个)作为输入样本,建立5×10×10×3的BP神经网络训练模型开展研究层段岩性识别。具体的岩性分别表示为:泥岩[1,0,0]、硬石膏[0,1,0]、碳酸盐岩[0,0,1]。为了提高预测结果的精确度,我们选择的样本多为特征明显、具有普遍代表性的学习样本(表1),去除了明显异常的样本点以及薄层、岩性界面处的样本点[22]

为了测试建立的BP神经网络训练模型的性能,我们将50个已知岩性的样本作为测试数据输入到模型中,部分测试结果见表2。分析测试结果发现,除了个别样本误差较大,其余的结果与期望输出基本一致,岩性的识别正确率达90%以上,效果较好。

表1   部分学习样本

Table 1   Partial learning sample

GR/APIAC/(μs/m)CNL/%DEN/(g/cm3)Rt/(Ω·m)岩性
57.230176.13616.1922.834139.737碳酸盐岩
55.340176.72017.2542.751145.236碳酸盐岩
12.477169.2631.3312.9842 114.281硬石膏
13.391168.7381.3572.9872 215.452硬石膏
165.743265.14119.1272.32816.579泥岩
171.175258.13318.0892.39316.855泥岩

新窗口打开

表2   部分样本测试结果

Table 2   Partial sample test results

岩性BP神经网络实际输出结果期望输出测试结果
泥岩0.95320.03860.0082100泥岩
泥岩0.93520.03510.0297100泥岩
硬石膏0.02810.94360.0283010硬石膏
硬石膏0.00840.92820.0634010硬石膏
碳酸盐岩0.01470.01990.9654001碳酸盐岩
碳酸盐岩0.01480.04290.9423001碳酸盐岩

新窗口打开

5.2 寻找缝、洞发育的层段

研究区卤水主要富集在碳酸盐岩储层中,储集

空间主要为裂缝—孔隙型,还发育有少量的溶洞。在识别裂缝—溶洞型储层时,如果双侧向测井曲线出现明显的幅度差异,声波测井曲线也异常变化,则可以初步判定为裂缝—溶洞型储层,结合成像测井即可进一步判断是否为裂缝—溶洞型储层。除了裂缝—溶洞型储层外,碳酸盐岩储层都有一定的基质孔隙度,在排除明显非储层的前提下,如果声波时差值增高、密度测井值降低、中子也有一定的孔隙度,则可能是储层;同时分析电阻率测井值,若在高阻背景下也有一定程度的降低,这种层段一般具备一定的储集条件[23]

6 深层卤水识别

识别岩性,去掉明显的非储层段后,选择工区内对深层卤水识别影响最大的GR,AC,CNL,DEN和Rt等5条测井曲线值作为输入曲线[24],具有水分析资料和录井资料的350组测井数据(部分学习样本见表1)作为学习样本进行模型训练(表3为部分学习样本),设定最大训练次数epoch=10 000次,训练的误差极限goal=0.001,命令卤水层为[1,0],干层为[0,1],建立5×10×10×2的BP神经网络训练模型。当网络的总误差达到精度要求或者训练次数达到设置的最大训练次数时,训练结束(图4),此时神经网络模型通过一系列隐含层权值的控制建立测井响应和深层卤水的非线性映射关系。然后以研究区内已知卤水层段的测井数据测试所建立的网络模型,并与准确的录井结果相对比,评价模型性能。图5为峰x5井部分层段卤水层识别结果对比图。

分析对比结果:BP神经网络的识别结果基本符合录井结果,相对于常规测井解释结果更加准确,避免了解释人员主观性带来的误差,有效地减少了工作量,优势明显。另外,川东地区深层卤水大多存储于碳酸盐岩地层中,周围盐岩、硬石膏等蒸发岩发育广泛,岩性复杂,导致卤水层交界面处与实际结果有较大的偏差,识别的准确性有所下降。为了进一步验证模型的性能,在研究区内另外选取5口井进行卤水层识别,识别结果如表4所示。统计每口井的识别结果发现以GR,AC,CNL,DEN和Rt等5条测井曲线值识别卤水层的正确率约为85.7%,可见BP神经网络模型识别深层卤水的性能是很好的,可以在研究区内进行推广使用。

表3   学习样本示例

Table 3   Examples of study samples

GR/APIAC/(μs/m)CNL/%DEN/(g/cm3)Rt/(Ω·m)流体性质
10.256165.72615.4742.64115.502卤水层
8.254183.07215.5942.64216.352卤水层
7.267176.90415.8132.64613.183卤水层
5.32578.2312.2572.849139.737干层
6.25488.6214.2522.841140.643干层
8.62367.3913.2542.841141.549干层

新窗口打开

图4   神经网络误差收敛曲线

Fig.4   Neural network error convergence curve

图5   峰x5井卤水层识别结果对比

Fig.5   Correlation of brine discrimination in Feng x5 well

表4   卤水层识别正确率

Table 4   Accuracy of brine discrimination

测井测试点符合点正确率/%
峰x5井897584.3
峰x7井23420688.0
峰x8井32228588.5
峰x12井25121786.5
峰x13井17614381.3

新窗口打开

7 富钾卤水层识别

四川盆地找钾历经30余年,除了在三叠系嘉陵江组和雷口坡组地层内发现杂卤石和无水钾镁钒以外[25],尚未发现可溶性钾盐。四川盆地三叠纪虽然具备了成钾地质条件,形成过钾盐,但是由于沉积后经历了复杂的地质作用,在浅部易溶性盐类已经淋滤殆尽,仅残留了少量难溶性的杂卤石,而且盐类沉积后的水溶、热溶变质作用已使相当一部分盐类(包括钾盐)被转移到卤水中,形成富钾卤水[26]。据统计,目前四川盆地仅下、中三叠统嘉五、雷一、雷三等层段富钾卤水的潜在资源量为8 545×108 m3,开发潜力巨大,是国家重点基础研究发展计划项目“中国陆块海相成钾规律及预测研究”的重点研究区域之一。

本文在上述卤水模型的基础上提出以GR,AC,DEN,CNL,Rt,U,Th和K等8条测井曲线值作为输入,建立8×17×17×1的BP神经网络训练模型。以四川盆地含有富钾卤水的PX井245组测井数据作为学习样本,建立模型。然后使用未作为学习样本的其他层段富钾卤水测井数据测试所建立的模型,图6为 PX井富钾卤水层识别结果对比图,符合率高达89.1%,效果明显。因此,以8条测井曲线值输入构建BP神经网络识别富钾卤水层是可行的。

图6   PX井富钾卤水层识别结果对比

Fig.6   Correlation of potassium-rich brine discrimination in PX well

8 结论

BP神经网络可以根据提供的测井数据,通过学习和训练非线性映射出输入和输出之间的联系,而不是依靠对问题的先验知识和规则,避免了由于解释人员的主观性带来的误差,客观可靠。

应用BP神经网络技术对川东地区部分含有深层卤水的井进行识别和划分,正确率达到了85.7%,改进的富钾卤水识别模型正确率也达到了89.1%,证明BP神经网络快速识别富钾卤水层,划分薄层效果较好。

与传统测井解释方法相比,BP神经网络具有识别正确率高、速度快、操作简单等特点,优势明显。同时该方法的提出也为四川盆地今后的钾盐勘探开发研究提供了一种新方法、新思路,具有很高的推广价值。

The authors have declared that no competing interests exist.


参考文献

[1] Cao Qin,Zhou Xun,Zhang Huan,et al.

Hydrochemical characteristics and genesis of the subsurface brines in the Wolonghe brine-bearing structure of Sichuan Basin

[J]. Geological Bulletin of China,2015,34(5):990-997.

[本文引用: 1]     

[曹琴,周训,张欢,.

四川盆地卧龙河储卤构造地下卤水的水化学特征及成因

[J]. 地质通报,2015,34(5):990-997.]

URL      [本文引用: 1]      摘要

四川盆地东部卧龙河储卤构造在深埋地下2000m左右的碳酸盐岩 中赋存海相同生沉积卤水.该储卤构造的深部断裂、背斜西翼陡断带断层及破碎带构成了卤水的主要储集空间.卤水的矿化度为105.67~129.4g/L, 为C1-Na型水.将该深层卤水各水化学组分含量与对应的黄海水蒸发浓缩曲线对比,得知其富集Br-、I-、Sr2+、B2O3等微量元素或成分,K+不 富集.卤水δD、δ18O资料显示其起源于古海水.利用离子系数及化学组分的分析结果,表明地下卤水在高温高压、封闭的还原环境中,发生了脱硫酸作用和白 云岩化作用等化学成分演化作用.
[2] Hu Suhua, Feng Yinghui,Shen Qianling, et al.

Preliminary approach on the explanatory method of well logging in the potassium-rich brine reservoir in Chengdu salt basin

[J]. China Well and Rock Salt,2008,39(6):11-14.

[本文引用: 1]     

[胡素华,冯迎辉,申潜玲,.

成都盐盆富钾卤水储层测井解释方法初探

[J]. 中国井矿盐,2008,39(6):11-14.]

DOI      URL      [本文引用: 1]      摘要

川西成都盐盆某4井的中三叠系雷口坡组雷四段储层中富含富钾卤水。我们根据富钾卤水的赋存特征.结合其地质构造特点,利用有限的几条常规测井曲线,总结出该类储层的测井相应特征,并建立起岩石物理模型,确定其解释参数和岩石骨架参数,为该类储层的测井解释工作奠定了良好的基础。
[3] Huang Hua,Zhang Shiwan,Zhang Lianyuan, et al.

Logging identification of brine mineral bed in the sandstone of Qianjiang formation,Qianjiang depression

[J]. Geology of Chemical Minerals,2013,35(2):67-71.

[本文引用: 1]     

[黄华,张士万,张连元,.

潜江凹陷潜江组砂岩卤水矿床测井识别方法研究

[J]. 化工矿产地质,2013,35(2):65-71.]

DOI      URL      [本文引用: 1]      摘要

江汉盆地潜江凹陷潜江组砂岩中 蕴藏着丰富的卤水资源,卤水品质好,有多个矿种达到了综合利用工业品位,其中溴的品级系数高达6.1。利用测井资料有效识别砂岩卤水矿床是卤水勘探开发的 基础。通过测井、试采、分析化验等资料研究深层卤水的岩性、物性、含卤性与测井之间的关系,确定有效卤水层解释标准,建立孔隙度、渗透率及卤水产能模型。
[4] Sun Dapeng.

Distribution and evolution characteristics of China’s iodine-rich Brines: 3.Formation condition of the brines and iodine exploration orientation

[J]. Journal of Salt Lake Research,2007,36(1),20-28.

[本文引用: 1]     

[孙大鹏.

我国高碘卤水分布规律及其形成(续完)——高碘卤水的形成条件和找碘方向

[J]. 盐湖研究,2007,36(1):20-28. ]

[本文引用: 1]     

[5] Mu Yanzong,Yan Zhen,Bu Lingzhong,et al.

Progress in study of potash resources of oil(gas) field brine in China

[J]. Advances in Earth Science,2016,31(2):147-160.

Magsci      [本文引用: 1]     

[穆延宗,乜贞,卜令忠,.我国油(

气)田水钾资源研究进展

[J].地球科学进展,2016,31(2):147-160.]

DOI      Magsci      [本文引用: 1]      摘要

我国是一个拥有13亿人口的农业大国,但是钾盐资源紧缺,多年来对外依存度高达50%以上。在地表盐湖增储潜力有限、海相地层找钾尚未取得突破性进展的情况下,富钾油(气)田水成为解决我国钾资源燃眉之急的首选。近年来,国内在“油钾兼探”方针的指导下对富钾油(气)田水进行了大量勘探、调查评价和研究工作并取得了丰硕的成果。从卤水特点、卤水地球化学和资源评价3个方面总结了前人对柴达木盆地、四川盆地、江汉盆地、塔里木盆地等重要钾盐前景区油(气)田水的研究成果,得出了我国不同盆地油(气)田水资源特点,评价了各盆地油(气)田水研究现状,认为应该重点加强对柴达木盆地西部地区的油(气)田水找钾及研究工作,而且各盆地在油(气)田水资源评价方面研究薄弱,亟需建立油(气)田水资源评价标准与方法。
[6] Lin Yaoting,Yan Yangji,Wu Yinglin.

High-grade Brine in the Sichuan basin: Hydrogeochemistry, origin and its resource significance

[J]. Sedimentary Facies and Paleogeography,1996,17(4):12-22.

[本文引用: 1]     

[林耀庭,颜仰基,吴应林.

四川盆地某地富矿卤水水文地球化学特征及其成因资源意义

[J].岩相古地理,1996,17(4):12-22.]

[本文引用: 1]     

[7] Jalalalhosseini S M,Ali H,Mostafazadeh M.

Predicting porosity by using seismic multi-attributes and well data and combining these available data by geostatistical methods in a South Iranian Oil Field

[J]. Petroleum Science and Technology,2014,32(1): 29-37.

DOI      URL      [本文引用: 1]     

[8] Baneshi M.

The determination of lithofacies using an optimized neural network and well log data

[J]. Petroleum Science and Technology,2014,32(8):897-903.

DOI      URL      [本文引用: 1]      摘要

Determination of lithofacies is prime factor in producing oil and gas for in oil and gas exploration. One of the most common ways to reach this information is using well log analysis, lithology information, and laboratory test. High skill experts are needed for interpretation and evaluation of data. Therefore, designing a model that is able to determine lithofacies using well log data without other information will be very economical. The author presents a neural network090009based lithofacies determination technique is presented and finally lithofacies were determined very well by using resistivity, neutron, density, gamma ray, and sonic logs.
[9] Lin Yaoting,Chen Shaolan.

Discussion on the evaporite generating modes,salt forming mechanism and potassium-hunting prospect of lower-middle Triassic in Sichuan Basin

[J]. Journal of Salt Lake Research,2008,37(3):1-10.

[本文引用: 1]     

[林耀庭,陈绍兰.

论四川盆地下、中三叠统蒸发岩的生成模式、成盐机理及找钾展望

[J].盐湖研究,2008,37(3):1-10.]

URL      [本文引用: 1]      摘要

四川盆地早中三叠统蒸发岩极为 发育,时空分布甚广。蒸发岩的生成模式可分为两大类和四个亚类。即Ⅰ,潮间环境的为(1)泻湖盐湖;Ⅱ,潮上环境的为(2)滨海盐湖;(3)近岸盐湖和 (4)远岸盐湖。不同生成模式中,其成盐机理虽对成钾皆不够理想,但仍有希望找到钾盐矿的地区和层段。
[10] Li Li.

Logging Evaluation of Potassium-bearing Formations in Sichuan Basin and Analysis of Potash-forming Geological Conditions in Favorable Areas[D]

. Chengdu:Southwest Petroleum University,2015.

[本文引用: 2]     

[李利.

四川盆地含钾地层测井评价及有利区成钾地质条件分析[D]

.成都:西南石油大学,2015.]

[本文引用: 2]     

[11] Chen Kegui,Li Li,Li Chunmei,et al.

Evolution of the Potash-Rich Areas in evaporation basin during the Epigenetic Stage with continental block being active

[J]. Advances in Earth Science,2014,29(4):515-522.

Magsci      [本文引用: 1]     

[陈科贵,李利,李春梅,.

活动陆块背景下蒸发盆地后生阶段富钾区的演变

[J].地球科学进展,2014,29(4):515-522.]

DOI      URL      Magsci      [本文引用: 1]      摘要

<p>在分析四川盆地成钾地质背景的基础上, 提出&ldquo;成盐源控论&rdquo;的思想, &ldquo;成盐源&rdquo;为早期符合成盐条件下的沉降中心。指出富钾区并不一定在最利成盐的沉降中心, 可能经过卤水的运移沉积在凹陷边缘压力相对较低的地带。在成岩阶段, 随着沉积凹陷的不断埋深, 沉积厚度不断增厚, 储卤层剩余压力持续增加, 温度不断上升, 钾盐的溶解度升高, 以至于钾盐在深盆中只会不断地溶解而不会沉积, 在压实作用下, 压实卤水从凹陷中心流向凹陷边缘。富含钾的地下水运移至压力相对较低的位置, 在一定的条件下得以析出或富集。以四川三叠系南充盐盆杂卤石和平落坝富钾卤水成矿特点为例作进一步详细说明。</p>
[12] Cao Qin.Hydrochemical Characteristics and Origin of the Deep-Formation Brines and Hot Springs Occurring in the Triassic Strata in the High-Fold Belts of the Eastern Sichuan Basin[D]. Beijing: China University of Geosciences (Beijing),2014.

[本文引用: 1]     

[曹琴.

川东高褶带三叠系深层卤水和温泉的水化学特征及成因

[D].北京:中国地质大学(北京),2014.]

[本文引用: 1]     

[13] Zhang Yan,Li Meng,Gong Daxing,et al.

Research on identification and prediction method of the Triassic potash deposits in Sichuan Basin

[J]. Acta Geologica Sinica,2015,89(11):1 970-1 979.

[本文引用: 1]     

[张研,李萌,龚大兴,.

四川盆地三叠系隐伏钾盐层识别与预测方法研究

[J].地质学报,2015,89(11):1 970-1 979.]

URL      [本文引用: 1]      摘要

本文首先通过总结四川盆地钾盐(杂卤石、富钾卤水)的测井响应特征,提出钾盐的测井组合识别法;其次为满足大数据量预测处理需求,介绍了钾盐的测井旋回地层学预测法,该方法具有处理速度快,预测准确度高的特点;最后在实际资料处理与解释中,本文采用了测井旋回地层学法初步预测潜在含钾层段,测井组合识别法再对存疑含钾层段精细排查的技术组合策略,对四川盆地三叠系钾盐资源分布进行了预测,并根据预测结果,划分了4期咸化旋回,指明了3个成钾期,圈定了4个成钾有利区。
[14] Chen Kegui,Chen Xu,Zhang Jiahao.

Combined methods of permeability logging evaluate in glutenite reservoirs—A case study of Badaowan Formation in Karamay Oilfield

[J]. Advances in Earth Science,2015,30(7):773-779.

Magsci      [本文引用: 1]     

[陈科贵,陈旭,张家浩.

复合渗透率测井评价方法在砂砾岩稠油油藏的应用——以克拉玛依油田某区八道湾组为例

[J].地球科学进展,2015,30(7):773-779.]

DOI      URL      Magsci      [本文引用: 1]      摘要

<p>砂砾岩储层孔隙结构复杂、非均质性强,在渗透率计算方面传统的测井解释方法误差较大,目前还没有经典的计算砂砾岩渗透率的测井解释模型。以克拉玛依油田某区八道湾组砂砾岩稠油油藏为例,首先在微观层面上分析了渗透率的主控因素。其次根据本地区的实际情况建立了3套渗透率测井解释方法:一是在前人研究基础上改进了多元回归模型;二是在岩性识别的基础上分不同岩性建立了渗透率模型;三是利用BP神经网络进行了渗透率的预测。最后对传统的经验公式与文中的3种方法进行检验。结果表明,比起传统的经验公式和多元回归模型,基于不同岩性的渗透率模型与BP神经网络在实际应用中效果更好,较大幅度地提高了测井解释精度,在非均质性强的砂砾岩油藏中具有更好的应用前景。</p>
[15] Gao Pengyi.

Research on BP Neural Network Classifier Optimization Technology[D]

. Wuhan:Huazhong University of Science and Technology,2012.

[本文引用: 1]     

[高鹏毅.

BP神经网络分类器优化技术研究[D]

.武汉:华中科技大学,2012.]

[本文引用: 1]     

[16] Chen Kegui,Wu Liulei,Chen Yuanyuan,et al.

Classification and recognition of polyhalite in Chuanzhong based on support vector machine

[J]. Advances in Earth Science,2016,31(10):1 041-1 046.

[本文引用: 1]     

[陈科贵,吴刘磊,陈愿愿,.

基于支持向量机的川中杂卤石分类识别研究

[J].地球科学进展,2016,31(10):1 041-1 046.]

DOI      URL      [本文引用: 1]      摘要

杂卤石是四川盆地主要的固态钾矿物,川中地区大多数杂卤石层不纯,通常伴随石膏层、硬石膏层、盐岩层发育,甚至同层沉积,常规测井解释方法只能粗略地识别杂卤石层。以支持向量机理论和测井解释为基础,测井数据作为输入,构建预测模型,对川中地区下中三叠统杂卤石样本做精细识别,将识别结果与录井资料验证对比,正确率达到90%以上。再以预测模型为基础,结合含杂卤石岩性在测井曲线上的响应情况,构建杂卤石层分类识别模型,识别杂卤石层、石膏质杂卤石层和杂卤石膏岩层,识别正确率达到91.78%,与常规测井解释方法相比具有明显优势。结果表明,将支持向量机运用到找钾矿中具有广阔的前景。
[17] Chen Kegui,Liu Li,Chen Yuanyuan,et al.

Research on classification and discrimination of polyhalite with drilling and logging data by BP neural network

[J]. Journal of China University of Petroleum (Edition of Natural Science),2016,40(4):66-72.

[本文引用: 1]     

[陈科贵,刘利,陈愿愿,.

BP神经网络在钻孔测井资料分类识别杂卤石中的研究

[J]. 中国石油大学学报:自然科学版,2016,40(4):66-72.]

DOI      URL      [本文引用: 1]      摘要

以BP神经网络理论和测井解释为基础,测井数据作为输入,构建神经网络模型.对川中地区下中三叠统杂卤石层做精细识别,将识别结果与录井资料对比,正确率达到86.3% ,在改变约束条件的情况下正确率达到97.7% ,识别效果好;以杂卤石含量髙低对测井响应值的影响程度不同为依据,构建杂卤石层分类识别模型,模型识别正确率达到82.51% ,能较为准确且快速地识别出杂卤石层、石膏质杂卤石层和杂卤石膏岩层,与常规测井解释方法相比具有明显优势.结果表明,将BP神经网络运用到钾矿勘探中具有良好前景.
[18] Li Huaqing.

Application of Neural Network in Forecasting Foreign Exchange Trading Signals[D]

. Beijing:Beijing University of Posts and Telecommunications,2007.

[本文引用: 1]     

[黎华清.

神经网络在外汇交易信号预测中的应用[D]

.北京:北京邮电大学,2007.]

[本文引用: 1]     

[19] Du Yejun,Zhou Su,

Siqinqiqige,et al.Using the synchronous observed data of two observation stations to calculate the delay of ionosphere

[J]. Science of Surveying and Mapping,2010,35(Suppl.1):120-121,51.

[本文引用: 1]     

[都业军,周肃,

斯琴其其格,等.人工神经网络在遥感影像分类中的应用与对比研究

[J].测绘科学,2010,35(增刊1):120-121,51.]

[本文引用: 1]     

[20] Hu Jialiang,Gao Yuchao,Yu Jifeng, et al.

Lithology identification of unconventional reservoirs based on PCA-BP neural network

[J]. Journal of Shandong University of Science and Technology (Natural Science),2016,35(5):9-16.

[本文引用: 1]     

[胡嘉良,高玉超,余继峰,.

基于PCA-BP神经网络的非常规储层岩性识别研究

[J].山东科技大学学报:自然科学版,2016,35(5):9-16.]

URL      [本文引用: 1]      摘要

岩性识别一直是储层测井解释的关键问题和难点之一。针对常规测井岩性识别准确率不高的状况,在分析测井资料的基础上,以Matlab为平台研究了基于主成分分析的PCA-BP神经网络,并以济阳坳陷非常规储层实际测井资料为样本,通过设计算法步骤进行了实验仿真。由仿真结果得出非常规储层岩性识别率为95.8%,高于BP神经网络,PCA-BP神经网络有效提高了识别率和运行速度。经过对济阳坳陷钻井的岩性识别表明,该岩性识别方法可行并具有实用价值。
[21] Lin Yaoting,Xu Zulin.

Significance of salts preservation condition research on finding potassium of the Triassic in Sichuan Basin

[J]. Journal of Salt Lake Research,2009,17(1):6-12.

[本文引用: 1]     

[林耀庭,许祖霖.

论盐类保存条件研究对四川盆地三叠系找钾工作的重要性

[J].盐湖研究,2009,17(1):6-12.]

[本文引用: 1]     

[22] Yang Bin,Yan Lichun,Sun Zhongchun, et al.Neural Network and Its Application in Oil Well Logging[M]. Beijing:Petroleum Industry Press,2005.

[本文引用: 1]     

[杨斌,匡立春,孙中春,. 神经网络及其在石油测井中的应用[M].北京:石油工业出版社,2005.]

[本文引用: 1]     

[23] Li Yu.

Evaluating fracturesby logging data and its modeling technology studies

[J]. Well Logging Technology,2009,33(6):575-578.

[本文引用: 1]     

[李毓.

储层裂缝的测井识别及其地质建模研究

[J].测井技术,2009,33(6):575-578.]

DOI      URL      [本文引用: 1]      摘要

利用常规测井及非常规测井裂缝识别技术,结合岩心刻度测井,开展 储层裂缝测井响应特征分析与裂缝测井的定性识别.通过储层裂缝特征参数如裂缝张开度、裂缝孔隙度、裂缝渗透率的计算,建立评价储层裂缝发育程度的裂缝特征 参数分布范围.在此基础上进行裂缝相划分,通过岩相和构造曲率等影响储层裂缝发育的地质因素进行趋势控制.采用Co-kriging和 Sequential Indicator Simulation等三维地质随机建模技术,提出2种裂缝模型优选方法,最终得到了气藏石炭系储层裂缝分布特征及规律.这一研究对后期气藏产能评价、储 量评价和进行储层压裂及酸化等具有重要的指导意义.
[24] Zhang Boxin, Yu Hongguo, Qi Jie.

Recognizing volcanic rock lithology in 69 area of Junggar Basin

[J]. Journal of Oil and Gas Technology,2010,32(4):97-101,426.

[本文引用: 1]     

[张伯新,于红果,祁杰.

准噶尔盆地六九区火山岩岩性识别方法

[J]. 石油天然气学报,2010,32(4):97-101,426.]

DOI      URL      [本文引用: 1]      摘要

火山岩岩性与岩石成分、结构、构造及成因等诸多因素有关,岩石类 型复杂.现场实际生产中常用的交会图法只能识别火山岩岩性大类,不能识别其具体岩性.鉴于此,以准噶尔盆地六九区石炭系火山岩为研究对象,优选出自然伽 马、声波、电阻率、密度、中子等测井参数,构建了测井相-岩性建模数据库,应用模糊数学方法建立了工区内火山岩岩性识别标准模型.利用所建立的标准模型对 研究区的火山岩岩性进行了识别.识别结果表明,该法能够较准确地对该工区的岩性进行识别,识别率可达到85%以上.
[25] Zheng Mianping,Qi Wen,Zhang Yongsheng.

The current situation of potassium mineral resources in China and the preliminary analysis of potassium application direction

[J]. Geological Bulletin of China,2006,25(11):1 239-1 246.

[本文引用: 1]     

[郑绵平,齐文,张永生.

中国钾盐地质资源现状与找钾方向初步分析

[J]. 地质通报,2006,25(11):1 239-1 246. ]

[本文引用: 1]     

[26] Zhang Chengjiang,Xu Zhengqi,Ni Shijun,et al.

Genesis of potassium-bearing brine in Pingluoba structure region,western Sichuan depression

[J]. Advances in Earth Science,2012,27(10):1 054-1 060.

[本文引用: 1]     

[张成江,徐争启,倪师军,.

川西坳陷平落坝构造富钾卤水成因探讨

[J].地球科学进展,2012,27(10):1 054-1 060.]

DOI      URL      [本文引用: 1]      摘要

川西坳陷平落坝构造区是我国目前发现的深层海相碳酸盐岩地层中钾 离子浓度最高的构造区,同时伴有B,Br,I,Li等多种元素。从平落4井于20世纪90年代初发现富钾卤水以来,研究人员对富钾卤水的成因先后提出了多 种认识,主要认为富钾卤水为原生海水沉积变质作用形成。然而,近年来研究发现有很多无法用沉积变质说解释的现象。为此,在研究过程中,不但追踪卤水中溶剂 (水)的来源,还关注卤水中溶质的来源,得出了川西坳陷平落坝构造区富钾卤水属于多来源、多期次成因的结论。研究认为:①卤水中水的来源与古海水和成岩作 用中含水矿物脱水有关;卤水中钾具有多源多期次成因特点,主要与原始海水浓缩有关,其次与含钾矿物的溶解有关,同时与二叠纪玄武岩、三叠纪绿豆岩及深部流 体活动有关。②富钾卤水的成因模式为:膏盐盆地是富钾卤水形成的基础条件;断层是富钾卤水运移的主要通道;夹持在膏盐岩层之间的碳酸盐岩层是富钾卤水的良 好储钾层;裂隙和孔洞是富钾卤水储集的主要空间;构造高点是富钾卤水主要储集场所;温度是富钾卤水品位高低的重要因素;厚度大的膏盐岩层是富钾卤水保存的 可靠屏障。

/