基于FMI图像深度学习的砂砾岩体沉积微相识别方法——以东营凹陷北带Y920区块沙四上亚段为例

P618.13; 砂砾岩体属于近源快速堆积,扇体多期叠置,岩性多样、非均质性强,常规测井曲线受粗碎屑岩石组构、流体复杂性的影响,往往对沉积微相识别有难度.以东营凹陷北带Y920区沙四上亚段砂砾岩体为例,将岩心刻度FMI(全井眼微电阻率扫描成像测井)图像,总结各沉积微相的FMI图像特征;分析不同沉积微相与岩性、物性、含油性的关系;利用灰度共生矩阵图像处理手段提取不同沉积微相FMI图像的对比度、相关度、角二阶矩、同质性4种纹理参数,将4种纹理参数与取心段不同沉积微相FMI图像分别作为K最近邻分类算法(KNN)和卷积神经网络(CNN)的学习样本,训练机器学习和深度学习网络来开展沉积微相的分类和识别.研究结果表明:Y920区沙四上亚段砂砾岩体可细分为扇根主水道、扇中辫状水道、扇中辫状水道间和扇端泥4种微相类型.其中扇中辫状水道为最优势微相,FMI图像大多具有亮色、块状且砾径分布较均匀的特征,其岩石分选性、物性、含油性较好,是有利的储集层发育带.KNN分类算法和CNN网络模型都可对沉积微相进行判识,相较于传统KNN机器学习,CNN深度学习模型识别微相误差更小、鲁棒性更高.FMI图像特征提取及CNN方法应用深化了砂砾岩体沉积微相的内部结构认识,为沉积微相精细刻画与有效储层预测提供了依据.