利用线性判别分析(Linear Discriminant Analysis, LDA)辅助的监督自组织特征映射(Supervised Self-Organizing Map, SSOM)识别J油田变质基底储层岩性(Lithology Identification)

《ACS Omega》：Lithology Identification of Metamorphic Basement Reservoirs in the J Oilfield Using a Linear Discriminant Analysis-Assisted Supervised Self-Organizing Map

　　

精确的岩性识别是表征复杂变质基底储层与刻画有利裂缝段的基础，但在取心资料稀缺的海上环境中仍是一项艰巨挑战。本研究针对渤海湾盆地J油田由混合片麻岩、斜长混合花岗岩、二长混合花岗岩、闪长玢岩及构造角砾岩组成的复杂储层，建立了一种新颖的机器学习驱动岩性识别框架。研究人员整合元素俘获能谱(Elemental Capture Spectroscopy, ECS)与常规测井数据，并以岩心标定岩性作为训练样本，提出采用线性判别分析(Linear Discriminant Analysis, LDA)耦合监督自组织特征映射(Supervised Self-Organizing Map, SSOM)的混合分类方法。在该流程中，LDA用于提取使类间方差最大化的优选特征向量，通过筛选具高判别权重且相互低相关的元素与测井响应来实现特征空间降维，优化后的特征作为SSOM分类器的输入，并利用岩心岩性提供监督约束。该模型进一步捕捉了ECS与常规测井综合响应与岩性隶属度间的非线性映射关系。验证结果表明，LDA辅助SSOM模型总体识别精度达81.4%，盲检验精度为75.0%，显著优于仅依赖ECS或仅依赖常规测井的方法。研究表明，所提出的LDA辅助SSOM工作流程通过融合ECS与常规测井数据，为变质基底储层精确岩性预测提供了稳健解决方案。

论文解读：渤海湾盆地J油田变质基底储层LDA辅助监督自组织特征映射(SSOM)岩性识别研究

【研究背景与意义】

变质基底油气藏（特别是花岗质及变质岩潜山）是重要的战略勘探目标，全球约40%的基底油田产自此类地层，渤海湾盆地已发现多处变质基底油气藏。然而多期构造叠加与长期风化导致岩性极强非均质性与复杂储层结构，加之海上取心成本昂贵，岩性识别困难。不同于沉积岩，变质岩原岩多样、变质程度不同导致矿物组合复杂，常规测井（密度DEN、补偿中子CN、自然伽马GR、电阻率RDEEP）响应重叠严重，传统交会图与统计方法因解的非唯一性而失效；元素俘获能谱(Elemental Capture Spectroscopy, ECS)虽可获取Si、Ca、Fe、Ti、Al、K、S、Gd等元素含量，但对轻元素（如Mg、Na）定量能力不足，且标准机器学习算法难以处理变质岩模糊类别边界。因此，如何融合稀疏地质观察、元素数据与连续测井响应以降低高度非均质变质基底中的岩性歧义是关键科学问题。本研究发表于《ACS Omega》，旨在建立LDA辅助SSOM的混合机器学习框架，实现J油田太古宇变质基底五种主要岩性——混合片麻岩(migmatitic gneiss, I)、斜长混合花岗岩(plagioclase migmatitic granite, II)、二长混合花岗岩(monzonitic migmatitic granite, III)、闪长玢岩(diorite porphyrite, IV)及构造角砾岩(tectonic breccia, V)的高精度识别，并为裂缝"甜点"预测提供依据。

【关键技术方法】

研究人员以渤海湾盆地辽东湾凹陷中部J油田18口井为研究区，其中5口井同时具备ECS与常规测井数据。取心井（A2、A3、A5、A6为训练井；A9为盲检验/应用井；其余为非取心预测井）开展铸体薄片点计法（500点/片，263片）、全岩X射线衍射(X-Ray Diffraction, XRD，90件)、X射线荧光(X-Ray Fluorescence, XRF，8件)及阴极发光(Cathodoluminescence, CL)显微观测，确定五大岩性类型。所有常规测井（GR、CN、DEN、RDEEP）与ECS元素数据经分位数归一化(quantile normalization)处理后，先以线性判别分析(Linear Discriminant Analysis, LDA)计算类内/类间散度矩阵，提取前两个判别向量（累计信息占比95.9%），根据结构矩阵与相关圆图筛除高冗余变量（Al与Fe相关系数r=0.92故剔除Al），最终选定Si、Ti、K、GR、CN五个最优特征子集输入监督自组织特征映射(Supervised Self-Organizing Map, SSOM)。SSOM竞争层为10×10神经元阵列，输出层对应五类岩性，引入岩心标定标签进行有监督权值调整，初始学习率0.5、阈值0.001、最大迭代12000次，通过最佳匹配单元(Best Matching Unit, BMU)欧氏距离完成未知深度段的岩性概率分配。模型以井级划分训练集与测试集以避免深度相关性泄露，以混淆矩阵评估总体及单类精度，并与单独ECS模型、单独常规测井模型对比。

【研究结果】

4.1. Lithological Characteristics（岩性特征）

通过薄片、XRD及CL分析明确了五类岩性矿物组成与测井—元素响应标志：混合片麻岩(I)暗色条带发育，斜长石30–50%、钾长石10–28%、石英10–30%，含黑云母与角闪石，GR 70–240 API，ECS特征为低Si、高Fe、高Ti、中高Gd；斜长混合花岗岩(II)块状为主，斜长石40–60%、钾长石10–30%、石英20–30%，GR 86–120 API，ECS为高Si、低Fe、低Ti、低K、低Gd，CN–DEN呈"正差异"；二长混合花岗岩(III)浅色，钾长石约53%、斜长石约20%、石英约20%，GR 55–78 API，ECS为高Si、高K、中高Ti、高Gd、低Fe；闪长玢岩(IV)斑状结构，斜长石+角闪石斑晶，GR 40–90 API，ECS为低Si、高Fe、高Ti、低K，CN值偏高(15.4%–19.1%)；构造角杂岩(V)碎裂结构，沿断裂带分布，电阻率与DEN降低、CN升高呈左凹形，GR中高幅，ECS特征近似原岩但Ca略有升高。各类岩性脆性矿物含量差异控制裂缝发育强度：构造角砾岩>斜长/二长混合花岗岩>混合片麻岩>闪长玢岩。

4.2. Prediction of Lithology via ECS and Conventional Log Data（基于ECS与常规测井数据的岩性预测）

4.2.1. Linear Dimensionality Reduction of ECS and Well Log Data Sets（ECS与测井数据集的线性降维）

LDA前两个判别向量特征值分别为6.129（69.3%）与2.355（26.6%）。结构矩阵显示Fe、Ti、Si、K对判别向量1和2贡献最大（靠近最大相关圆），GR、CN、DEN亦为敏感指示曲线；变量相关矩阵表明Fe–Al(r=0.92)、Si–Fe(r=-0.88)高度冗余，保留Fe、Si、Ti、K及GR、CN（去Al与DEN），最终优选Si、Ti、GR、CN、K为SSOM输入特征。

4.2.2. Lithological Prediction Based on SSOM（基于SSOM的岩性预测）

SSOM 10×10拓扑图中相邻神经元响应相似测井—元素组合特征，经有监督约束后形成五类岩性分类映射。未知深度先计算LDA变换特征向量，求与100个神经元权值的欧氏距离取BMU，输出层给出五类隶属概率，最大值即为预测岩性。

4.2.3. Validation of the Model（模型验证）

训练集906个样本总体识别精度81.4%：混合片麻岩(I)98.1%，二长混合花岗岩(III)78.1%，闪长玢岩(IV)89.6%，斜长混合花岗岩(II)77.1%，构造角砾岩(V)62.7%（与原岩矿物组成相似性高致区分难）。盲检验（A9井，800样本）精度75.0%。ECS+常规测井联合模型训练精度较单纯ECS模型高6.2%，盲检较单纯常规测井模型高14.5%，证实元素与常规测井互补可提升判别力。深度剖面显示联合模型预测结果与取心岩性及微电阻率扫描成像(GeoVISION Resistivity, GVR)图像测井解释吻合良好。

4.3. Variations of Fracture Development（裂缝发育差异）

图像测井统计裂缝线密度：构造角砾岩最高(2–6 m^-1)，次为斜长混合花岗岩(3–5 m^-1)与二长混合花岗岩(2–4 m^-1)，混合片麻岩1–6 m^-1，闪长玢岩最低(0–0.8 m^-1)；孔隙度以构造角砾岩(5–18%)与混合片麻岩(5–14%)较高，斜长/二长混合花岗岩次之(2–12%)，闪长玢岩致密(<5%)。说明富脆性矿物（石英+长石>70%）利于裂缝网络发育，岩性是储层物性差异的主控因素。

【讨论与结论总结】

研究表明：(1) 岩性强烈控制裂缝发育与储层品质，构造角砾岩与富长石混合花岗岩为最有利储层段；(2) 变质岩岩性判别信息集中于LDA前两判别向量，Si、Ti、K、GR、CN为最有效分类输入特征；(3) LDA辅助SSOM模型通过ECS与常规测井数据融合有效降低测井响应模糊性，总体训练精度81.4%、盲检75.0%，优于单一数据源模型，并可辅助识别脆性岩性中的高裂缝"甜点"段，为类似地质背景下深层变质基底储层精细勘探与产层划分提供科学依据。