核心咨询网,国内外期刊推荐与投稿指导的专业指导服务平台

重力流成因致密砂岩储层成岩相识别与分布——以鄂尔多斯盆地合水南地区长7段为例

来源:核心期刊咨询网 发布时间: 咨询:

摘要:摘要:重力流成因致密砂岩储层非均质性强、孔隙结构复杂,储层物性受成岩作用影响大,整体致密背景下成岩相分布控制优质储层的发育。综合利用岩心、铸体薄片、扫描电镜和测井数据,采用随机森林算法,研究鄂尔多斯盆地合水南地区长7段储层成岩相类型、识别及分布。结果

  摘要:重力流成因致密砂岩储层非均质性强、孔隙结构复杂,储层物性受成岩作用影响大,整体致密背景下成岩相分布控制优质储层的发育。综合利用岩心、铸体薄片、扫描电镜和测井数据,采用随机森林算法,研究鄂尔多斯盆地合水南地区长7段储层成岩相类型、识别及分布。结果表明:合水南地区长7段储层是重力沉积致密砂岩储层,后期成岩过程中遭受强烈压实、胶结作用,导致储层致密,整体表现为超低孔—超低渗的特征。根据面孔率、溶蚀孔面孔率及成岩作用强度,定量划分4种成岩相,分别为压实致密相(Ⅰ类)、强胶结晶间微孔相(Ⅱ类)、复合孔相(Ⅲ类)及易溶组分溶蚀相(Ⅳ类)。以划分的成岩相及测井曲线为样本训练随机森林模型,优选DEN、GR、AC、RT、SP五条测井曲线识别成岩相,成岩相识别精度达85.4%;成岩相带分布整体沿物源方向(SW-NE向)呈条带状分布,易溶组分溶蚀相(Ⅳ类)和复合孔相(Ⅲ类)含油性好,是研究区优质储层相带。该结果为致密砂岩油高效开发提供指导。

  关键词:鄂尔多斯盆地;合水南地区;延长组;重力流;致密砂岩储层;成岩相

  论文《重力流成因致密砂岩储层成岩相识别与分布——以鄂尔多斯盆地合水南地区长7段为例》发表在《东北石油大学学报》,版权归《东北石油大学学报》所有。本文来自网络平台,仅供参考。

鄂尔多斯盆地合水南地区区域构造位置、地层综合柱状图

  0 引言

  随着常规油气田开发程度提高,大庆、胜利等油田经过长期的勘探开发进入高含水采油期,油气产量日益减少,开发非常规油气资源成为关键。鄂尔多斯盆地长7段储层致密油储量达2.0×10⁹t,合水南地区长7段储层为该盆地致密油主要富集区,是典型的致密砂岩储层。与常规储层相比,其具有孔隙度、渗透率低、成岩作用强的特点,实现该地区致密油高效开发,优质储层分布预测是关键。

  成岩相是指沉积物沉积后,在特定物理、化学条件下经历不同成岩演化序列形成的具有一定特征的岩石,是影响优质储层分布预测的重要因素。重力流沉积背景下,长7段储层浊流沉积较为发育,储层抗压能力差,成岩时期遭受极强的压实作用;同时发育压实、胶结及溶蚀三种成岩作用,其中胶结作用是储层致密化的主要原因,压实作用次之,而溶蚀作用强弱是储层物性好坏的关键。

  目前,成岩相划分尚无统一标准,常用镜下鉴定法、测井参数交会图法、线性多元函数判别法及机器学习法等定性或半定量划分。测井参数交会图法在多个盆地成岩相划分中取得良好效果,但当成岩相数据点交叉重叠分布时难以有效区分,对复杂成岩相识别能力差。随机森林算法可有效解决复杂分类问题,在多个盆地储层岩相、岩性识别中大幅提高了精度。

  本文利用铸体薄片与扫描电镜方法分析孔隙特征,根据面孔率及溶蚀孔面孔率划分成岩相,采用测井特征参数交会图法和随机森林算法识别成岩相,选择随机森林算法解释研究区全部单井成岩相,明确合水南地区成岩相平面分布特征,为致密油效益开发提供依据。

  1 区域地质概况

  鄂尔多斯盆地是中国第二大陆相沉积湖盆,占地面积为3.7×10⁵km²,位于华北板块西南部。三叠世沉积的延长组是油气勘探开发的重点层位,根据沉积及旋回特征,自上而下划分为10段。长10段湖盆开始沉积,水体逐渐加深;长7段沉积时,水深至最大,底部为最大湖泛时期沉积的一套泥岩,沉积范围最广;长7段沉积后转换为高位体系域沉积,水体逐渐变浅。

  合水南地区位于甘肃省庆阳市合水县南部,天环坳陷以东,渭北隆起以北。研究目的层位长7段可划分为长7₁、长7₂、长7₃三个小层,沉积物来源于研究区西南方向,往东北方向沉积。长7₃为最大湖泛时期沉积的一套优质烃源岩;长7₂多为浊流成因砂体,主要发育致密砂岩、粉—细砂岩夹薄层泥岩;长7₁多为砂质碎屑流成因砂体,主要发育厚层砂岩、粉—细砂岩夹薄层泥岩,是长7段的优质储层。两套砂岩叠置于长7₃上,形成良好的生储模式。

  2 储层特征

  2.1 沉积特征

  通过岩心观察、沉积特征及测井曲线分析,长7段储层岩性主要为细砂岩、粉砂岩、泥质粉砂岩和泥岩,主要发育砂质碎屑流砂体、浊流砂体及深湖泥岩沉积。

  砂质碎屑流砂体物性相对较好,粒度较细、磨圆好、分选好、砂质体积分数高,岩心段以块状细砂岩为主,主要发育灰黑色块状含油细砂岩、含泥岩漂砾细砂岩、含泥岩撕裂屑细砂岩,测井曲线上表现为低幅齿化箱形。

  浊流砂体物性相对较差,粒度极细,泥质体积分数较高,岩心段可见频繁的砂泥转换,主要发育含鲍马序列BC段的砂纹层理细砂岩、含火焰状构造细砂岩、印模构造,测井曲线上表现为高幅齿化钟形或漏斗形。整体上,合水南地区长7段重力流沉积砂体以砂质碎屑流为主。

  2.2 物性特征

  储层以长石岩屑砂岩和岩屑长石砂岩为主,岩屑砂岩和长石砂岩次之;矿物以石英和长石为主,岩屑次之(体积分数在20%~40%之间);胶结物以黏土矿物胶结为主,其次为碳酸盐矿物胶结;伊/蒙混层比为25%,整体表现为“高岩屑—低石英”的低成分成熟度特征。

  岩心物性分析显示,合水南地区整体表现为超低孔—超低渗的特征。砂质碎屑流砂体孔隙度大于浊流砂体,砂质碎屑流成因砂体砂质体积分数高,储层抗压实能力强,原生粒间孔保留更多;二者渗透率相差不大,主要是因为砂质碎屑流砂体后期经历较强的胶结作用,大量胶结物堵塞喉道,降低了储层渗透率。研究区优质储层发育受沉积、成岩作用控制明显,浊流沉积砂体受压实作用减孔明显,砂质碎屑流砂体受胶结作用减孔明显,整体上砂质碎屑流砂体物性优于浊流砂体。

  3 成岩作用

  3.1 压实作用

  重力流沉积背景下,储层颗粒粒度细、岩屑体积分数较高,早期沉积的储层抗压实能力差,随埋深增加,上覆地层压力增大,导致储层经历较强到极强的压实作用。受强烈压实作用影响,岩石内部受到一定程度压缩,原始孔隙大幅降低,颗粒间接触关系由原始的点—点一线接触转变为凹凸接触,甚至发生压溶作用,压溶的矿物颗粒呈缝合线状接触。同时,岩石内部矿物颗粒受到不同程度破坏,如刚性颗粒长石、石英等碎裂而呈假杂基充填粒间孔,塑性颗粒岩屑、云母等发生形变。

  3.2 胶结作用

  研究区胶结作用较强,是储层物性变差的重要因素之一。胶结作用以黏土矿物胶结和碳酸盐矿物胶结为主,发育少量硅质胶结,胶结类型以基底胶结和孔隙胶结为主。在强压实作用下,储层内部小孔喉较为发育,小孔喉中的流体易发生半透膜效应,引起强烈的黏土矿物和碳酸盐胶结。

  黏土矿物胶结以绿泥石胶结、伊利石胶结和伊/蒙混层胶结为主,可见少量手风琴状高岭石胶结孔隙。绿泥石胶结以包膜状包裹石英颗粒或直接充填孔隙,包膜状绿泥石一方面可增强储层抗压能力,另一方面能有效阻止石英次生加大,有利于优质储层形成,但当绿泥石体积分数较高时,会充填孔隙堵塞喉道,降低储层物性。伊利石胶结和伊/蒙混层常以搭桥状充填孔隙,附着在长石、岩屑表面,阻止其与酸性流体接触,进而减弱溶蚀作用,不利于优质储层形成。

  碳酸盐矿物胶结以晚期铁白云石和铁方解石胶结为主,发育少量早期方解石胶结。镜下可见大量被茜素红和铁氰化钾染色的铁方解石和铁白云石,以孔隙式胶结充填粒间孔隙。

  3.3 溶蚀作用

  在致密化程度高、小孔喉背景下,溶蚀作用的强弱是储层物性好坏的关键因素。观察铸体薄片,可见长石颗粒沿解理溶蚀形成的粒内孔、岩屑颗粒溶蚀孔,以及长石、岩屑颗粒完全溶蚀形成的铸膜孔。研究区经历较强的溶蚀作用,钾长石溶蚀产生的钾离子促进蒙脱石向伊利石转化,孔隙中存在大量的伊利石包膜,表明溶蚀作用较强。XRD结果显示,钾长石体积分数仅占长石的25%,表明钾长石大量溶蚀。

  4 成岩相类型及识别

  合水南地区优质储层分布受沉积作用和成岩作用共同控制。沉积作用奠定粒度细、杂基高的物质基础,成岩作用决定后期孔隙结构的演化。成岩相是沉积物岩性、物性、孔隙结构及成岩过程中遭受成岩作用强弱的综合体现,利用成岩相分布特征可有效预测优质储层分布。

  4.1 成岩相类型

  合水南地区长7段储层面孔率低于2%时,油气储集效果不明显或为无效储层,因此划分成岩相以面孔率2%为优质成岩相和非优质成岩相的界限:

  - 当面孔率≥2%,且溶蚀孔面孔率≥2%时,为易溶组分溶蚀相(Ⅳ类);

  - 当面孔率≥2%,且溶蚀孔面孔率<2%时,为复合孔相(Ⅲ类);

  - 当面孔率<2%时,根据压实减孔和胶结减孔大小划分,胶结减孔大于压实减孔,为强胶结晶间微孔相(Ⅱ类);压实减孔大于胶结减孔,为压实致密相(Ⅰ类)。

  4种类型成岩相储层物性差异明显,Ⅰ类到Ⅳ类物性逐渐变好。

  (1)压实致密相(Ⅰ类)

  面孔率<2.00%,且压实作用减孔大于胶结作用减孔。多发育于浊流沉积砂体,泥质杂基体积分数较高,测井上表现为高GR、高DEN,GR为89.32~235.66 API,平均为139.52 API;DEN为2.41~2.65g·cm⁻³,平均为2.56g·cm⁻³,测井曲线呈指状或漏斗状。该类成岩相泥质体积分数及塑性组分体积分数高,粒度细,储层抗压实能力差,成岩期遭受极强的压实作用,碎屑颗粒压实紧密重排,原生粒间孔几乎无保留,后期酸性流体难以进入,溶蚀作用极弱,发育少量黏土矿物和碳酸盐矿物胶结,镜下几乎无孔隙,物性极差。孔隙度为0.10%~5.55%,平均为1.57%;渗透率为(0.01~0.12)×10⁻³μm²,平均为0.03×10⁻³μm²。

  (2)强胶结晶间微孔相(Ⅱ类)

  面孔率<2.00%,且胶结作用减孔大于压实作用减孔。发育在浊流砂体和砂质碎屑流砂体中,浊流砂体黏土矿物胶结较为发育,砂质碎屑流砂体碳酸盐岩矿物胶结较为发育,测井曲线上表现为高RT,RT为16.58~112.89Ω·m,平均为45.64Ω·m,测井曲线呈指状。储层遭受极强的胶结作用,早期压实残余的粒间孔隙被黏土矿物和碳酸盐胶结物以孔隙式胶结充填致密,流体难以进入,溶蚀作用弱,后期生烃排酸成因的溶蚀孔被晚期的铁白云石、铁方解石胶结物充填,储层孔隙度急剧减少。此类成岩相孔隙发育少,以晶间微孔为主,物性较差,孔隙度为5.30%~9.68%,平均为7.91%;渗透率为(0.08~0.20)×10⁻³μm²,平均为0.13×10⁻³μm²。

  (3)复合孔相(Ⅲ类)

  面孔率≥2.00%,且溶蚀孔面孔率≤2.00%。主要发育在砂质碎屑流砂体中,刚性组分增加、泥质体积分数减少,储层拥有一定的抗压能力,易溶蚀组分体积分数较多。早期压实残余粒间孔大部分被胶结物充填,保留的部分孔隙易于酸性流体进入改造储层。储层孔隙类型较为复杂,多为残余粒间孔遭受溶蚀作用形成的复合孔,喉道以狭缝型为主,物性较Ⅰ类、Ⅱ类成岩相好。测井曲线特征不明显,GR、DEN相对较低,AC、RT、SP在强胶结晶间微孔相和易溶组分溶蚀相之间。孔隙度为5.36%~13.08%,平均为10.27%;渗透率为(0.14~1.37)×10⁻³μm²,平均为0.31×10⁻³μm²;溶蚀孔面孔率为0.40%~1.80%,平均为1.05%。

  (4)易溶组分溶蚀相(Ⅳ类)

  面孔率≥2.00%,且溶蚀孔面孔率>2.00%。主要发育在砂质碎屑流砂体中,长石、岩屑等易溶蚀组分体积分数高,储层前期遭受较强的压实作用和胶结作用,溶蚀作用较强,镜下可见溶蚀成因的长石、岩屑溶孔,完全溶蚀形成的铸膜孔及少量残余粒间孔。早期胶结物以包膜状附着在颗粒表面,一定程度上增加储层抗压能力,减弱压实作用;同时,胶结物包膜可有效抑制石英次生加大,从而减弱胶结作用,前期保留的残余粒间孔为后期溶蚀作用提供通道,促进溶蚀作用。测井曲线上表现为低GR、低DEN、高AC,GR为76.70~140.21 API,平均为96.76 API;DEN为2.45~2.60g·cm⁻³,平均为2.50g·cm⁻³;AC为227.59~305.91μs·m⁻¹,平均为237.15μs·m⁻¹,测井曲线呈箱形。孔隙类型以残余粒间孔和溶蚀孔为主,孔隙较为发育,孔喉连通性好,是研究区优质储层成岩相。孔隙度为9.10~16.91%,平均为12.52%;渗透率为(0.29~1.91)×10⁻³μm²,平均为0.60×10⁻³μm²;溶蚀孔面孔率为2.00%~4.00%,平均为2.84%。

  4.2 成岩相识别

  4.2.1 交会图法

  由铸体薄片成岩相划分结果与对应深度的砂层组测井曲线分析可知,易溶组分溶蚀相物性相对较好,孔隙较为发育,具有较高的孔隙度,测井曲线上表现为较低的DEN;压实致密相多发育于浊流沉积砂体,泥质杂基体积分数较高,测井上表现为高GR。4类成岩相物性呈逐渐变好趋势,孔隙度及渗透率呈增加趋势,测井曲线上表现为AC逐渐增加。基于成岩相特征测井参数差异,利用GR、DEN、AC交会图识别4种成岩相,各成岩相存在一定区别,但无明显界限,无法精确识别成岩相。

  4.2.2 随机森林算法

  随机森林算法通过建立多个决策树进行预测,可较好处理分类问题,具有准确性高和抗拟合能力强的特点。多棵决策树组成一个随机森林模型,决策树由节点和边构成,节点包括根节点、内部节点和叶子节点,根节点和内部节点是对样本特征的判断条件,叶子节点表示输出结果(成岩相类型),一棵决策树输出一个结果。

  成岩相识别流程如下:

  1. 确定数据集及参数,利用不同测井曲线组合及成岩相构建不同的数据集,限定决策树数为60,减小运算成本;

  2. 构建随机森林模型,随机抽取80%的样本作为训练数据,剩余20%作为验证样本,生成多个不同的数据集,为每棵决策树提供独特的训练样本,重复步骤直到构建60棵决策树的随机森林模型;

  3. 优选测井曲线组合,根据构建的随机森林模型识别精度确定最优测井曲线组合;

  4. 成岩相识别,以最优测井曲线组合为识别依据,在识别精度最高的随机森林模型中输入非取心井样本测井曲线参数,每一棵决策树对其进行分类,采用投票方式决定最终成岩相类别。

  在测井曲线优选时以GR、DEN、AC三条测井曲线为基础,加入CNL、RT、SP等测井曲线识别成岩相,取得良好效果。优选6条测井曲线提高成岩相识别精度,其中组合4(DEN、GR、AC、RT、SP)加入RT测井曲线后,对强胶结晶间微孔相(Ⅱ类)的识别精度显著提高,识别精度达85.4%,其中对压实致密相(Ⅰ类)识别率为83%,对强胶结晶间微孔相(Ⅱ类)识别率为80%,对复合孔相(Ⅲ类)识别率为85%,对易溶组分溶蚀相(Ⅳ类)识别率为92%。

  利用随机森林算法识别成岩相,在致密砂岩储层成岩相识别过程中具有识别精度高、速度快的特点,在其他盆地或油田应用时需分析成岩相类型、曲线组合及随机森林模型的参数配置。

  5 成岩相分布特征

  5.1 单井分布

  应用训练好的随机森林模型对研究区9口单井识别成岩相,以LY10井(盲井)为例,随机森林算法识别结果与镜下成岩相划分结果一致,说明随机森林模型在成岩相自动识别上具有明显优势。

  成岩相与油水层解释成果、试油结论有一定相关性。根据单井成岩相识别结果及试油结论统计4种成岩相含油性特征,Ⅰ类到Ⅳ类成岩相含油性呈变好趋势,干层比例呈下降趋势,油层比例呈上升趋势。压实致密相(Ⅰ类)物性最差,含油性差,以干层为主,占比96%;易溶组分溶蚀相(Ⅳ类)物性最好,含油性好,以油层为主,占比38%;复合孔相(Ⅲ类)以油水同层为主。

  长7₁段发育浊流成因砂体多,泥质体积分数高,砂地比小,岩性以粉砂岩、泥质粉砂岩为主,砂岩段厚度小,储层抗压实能力弱,受压实作用明显,多发育压实致密相(Ⅰ类),含油性相对较差。长7₂段发育砂质碎屑流成因砂体多,砂地比大,砂岩段厚度大,储层抗压实能力强,压实残余的粒间孔为酸性流体提供进入通道,促进长石溶蚀,长石溶蚀相较为发育,含油性相对较好。垂向上,成岩相变化快,导致含油性变化快。易溶组分溶蚀相(Ⅳ类)和复合孔相(Ⅲ类)储层含油性好,多发育油层和油水同层,受物性影响水层也多发育于两类成岩相储层;强胶结晶间微孔相(Ⅱ类)储层含油性相对较差,以油水同层和干层为主;压实致密相(Ⅰ类)储层几乎不含油,以干层为主。

  5.2 平面分布

  利用训练好的随机森林模型识别非研究区227口单井成岩相,研究平面成岩相展布特征。易溶组分溶蚀相(Ⅳ类)、强胶结晶间微孔相(Ⅱ类)、压实致密相(Ⅰ类)沿SW-NE向呈透镜状分布,与物源方向一致。复合孔相(Ⅲ类)分布范围较广,连片性好,整体上沿物源方向呈条带状分布。

  成岩相分布受沉积作用和成岩作用共同控制,整体上西南区域优质成岩相发育优于东北区域,与沉积、成岩特征相吻合。西南区域以砂质碎屑流沉积微相为主,易溶组分溶蚀相(Ⅳ类)较为发育,物性相对较好;东北区域发育较多的浊流沉积微相,沉积物粒度变细,泥质体积分数增加,压实致密相(Ⅰ类)较为发育,物性相对较差。

  L27H和N140H井完钻投入生产,根据生产数据分析,L27H井轨迹主要钻遇易溶组分溶蚀相(Ⅳ类)储层,含水率低、产油量高,投产初期产油量为23.26t/d、含水率为47.57%,目前产油量为8.45t/d、含水率为42.04%,22个月平均日产油量为13.45t;N140H井轨迹钻遇强胶结晶间微孔相(Ⅱ类)、复合孔相(Ⅲ类)储层,生产效果明显差于L27H井,含水率高、含水率下降慢、产油量低,投产初期产油量为8.68t/d、含水率为76.72%,目前产油量为6.32t/d、含水率为62.95%,22个月平均日产油量为8.70t。这表明成岩相类型对水平井生产效果有一定的控制作用,易溶组分溶蚀相(Ⅳ类)储层生产效果总体上优于复合孔相(Ⅲ类)、强胶结晶间微孔相(Ⅱ类)储层,成岩相分布可为井位部署、井轨迹优化提供支持。

  6 结论

  (1)鄂尔多斯盆地合水南地区长7段为典型的重力流沉积致密砂岩储层,根据镜下面孔率、溶蚀孔面孔率及成岩作用减孔体积,将储层划分为压实致密相(Ⅰ类)、强胶结晶间微孔相(Ⅱ类)、复合孔相(Ⅲ类)、易溶组分溶蚀相(Ⅳ类)4种成岩相类型,其中Ⅲ类、Ⅳ类储层物性好、含油性好,是研究区优质储层相带。

  (2)合水南地区长7段致密储层成岩作用复杂,采用交会图法难以确定不同成岩相的测井参数界限。利用随机森林算法识别成岩相精度达85.4%,验证了随机森林算法可有效识别成岩相。

  (3)合水南地区长7段成岩相带分布整体沿物源方向(SW-NE向)呈条带状分布,油气主要分布在易溶组分溶蚀相(Ⅳ类)相带,复合孔相(Ⅲ类)相带次之。成岩相分布特征为优质储层分布预测提供依据、为井位部署提供指导。

  参考文献

  [1]金之钧,白振瑞,高波,等.中国迎来页岩油气革命了吗?[J].石油与天然气地质,2019,40(3):451-458.

  [2]赵文智,胡素云,侯连华.页岩油地下原位转化的内涵与战略地位[J].石油勘探与开发,2018,45(4):537-545.

  [3]宋岩,李卓,姜振学,等.非常规油气地质研究进展与发展趋势[J].石油勘探与开发,2017,44(4):638-648.

  [4]李倩文,马晓潇,高波,等.美国重点页岩油区开发进展及启示[J].新疆石油地质,2021,42(5):630-640.

  [5]王玉普,刘义坤,邓庆军.中国陆相砂岩油田特高含水期开发现状及发展战略[J].东北石油大学学报,2014,38(1):1-9.

  [6]付亚荣,窦勤光,刘泽,等.中国老油田二次开发现状及前景[J].新疆石油地质,2023,44(6):739-750.

  [7]付林圃,王喜鑫,麻书伟,等.合水南地区长7夹层型页岩油储层孔隙结构特征及主控因素[J].东北石油大学学报,2025,49(1):78-90.

  [8]肖玲,陈曦,雷宁,等.鄂尔多斯盆地合水地区三叠系长7段页岩油储层特征及主控因素[J].岩性油气藏,2023,35(2):80-93.

  [9]曹江军,王茜,王刘伟,等.鄂尔多斯盆地合水地区三叠系长7段夹层型页岩油储层特征及主控因素[J].岩性油气藏,2024,36(3):158-171.

  [10]冉毅,王桂文,周正龙,等.鄂尔多斯盆地合水地区长7致密油岩性岩相类型识别及其应用[J].中国地质,2016,43(4):1331-1340.

  [11]钟大康,祝海华,孙海涛,等.鄂尔多斯盆地陇东地区延长组砂岩成岩作用及孔隙演化[J].地学前缘,2013,20(2):61-68.

  [12]文志刚,罗雨舒,刘江艳,等.陇东地区三叠系长7段页岩油储层孔隙结构特征及成因机制[J].岩性油气藏,2022,34(6):47-59.

  [13]邹才能,陶士振,周慧,等.成岩相的形成、分类与定量评价方法[J].石油勘探与开发,2008,35(5):526-540.

  [14]杨浩,阳波,石伟,等.鄂尔多斯盆地华庆地区长9油藏富集特征及潜力区预测[J].特种油气藏,2023,30(2):78-85.

  [15]胡青,刘洛夫,万青青,等.准噶尔盆地乌尔禾—风南地区百口泉组储层有利成岩相[J].东北石油大学学报,2017,41(5):81-89.

  [16]许琳,常秋生,张妮,等.玛东地区下乌尔禾组储层成岩作用与成岩相[J].新疆石油地质,2018,39(1):76-82.

  [17]王亚东,余继峰,刘天娇,等.东濮凹陷上二叠统致密砂岩储层成岩相及孔隙演化[J].东北石油大学学报,2021,45(2):79-91.

  [18]黎盼,孙卫,李长政.鄂尔多斯盆地华庆油田长6₁储集层成岩相特征[J].新疆石油地质,2018,39(5):517-523.

  [19]刘浩杰,张昌民,盖姗姗,等.准噶尔盆地永进油田侏罗系超深层致密砂岩储层成岩相识别及分布预测[J].油气地质与采收率,2024,31(1):13-22.

  [20]吕孝威,王少飞,万友利,等.鄂尔多斯盆地麻黄山西区块延8段成岩相特征及油气地质意义[J].东北石油大学学报,2013,37(4):1-8.

  [21]彭晓勇,刘国利,王兵,等.陇东地区HQ区块东部长8致密砂岩储集层成岩相划分[J].新疆石油地质,2023,44(4):383-391.

  [22]于景维,罗刚,李斌,等.沙湾凹陷上乌尔禾组储层成岩作用及成岩相分析[J].现代地质,2022,36(4):1095-1104.

  [23]张浩,陈刚,唐鑫,等.应用测井响应评价致密油储层成岩相——以鄂尔多斯盆地合水地区长7储层为例[J].地质科技情报,2017,36(3):262-270.

  [24]何小龙,张兵,杨凯,等.基于沉积微相特征挖掘的随机森林岩石相测井识别方法——以新场地区须家河组二段致密砂岩为例[J].物探与化探,2024,48(5):1337-1347.

  [25]秦志军,操应长,冯程,等.基于改进型随机森林算法的页岩岩性识别——以准噶尔盆地芦草沟组为例[J].新疆石油地质,2024,45(5):595-603.

  [26]谢馨慧,邓虎成,胡蓝霄,等.沉积环境对细粒沉积岩微观结构的影响——以鄂尔多斯盆地延长组7段页岩为例[J].东北石油大学学报,2024,48(1):1-12.

  [27]庞军刚,李文厚,石硕,等.鄂尔多斯盆地长7浊积岩沉积演化模式及石油地质意义[J].岩性油气藏,2009,21(4):73-77.

  [28]蒲宇新,李伟,罗顺社,等.鄂尔多斯盆地陇东地区长7油层组深水水道型重力流沉积特征及沉积模式[J].东北石油大学学报,2023,47(4):70-81.

  [29]刘翰林,邹才能,邱振,等.陆相黑色页岩沉积环境及有机质富集机制——以鄂尔多斯盆地长7为例[J].沉积学报,2023,41(6):1810-1829.

  [30]BEARD D C,WEYL P K.Influence of texture on porosity and permeability of unconsolidated sand[J].American Association of Petroleum Geologists Bulletin,1973,57(2):349-369.

  [31]BREIMAN L.Random forests[J].Machine Learning,2001,45(1):5-32.

  [32]ROKACH L.Ensemble-based classifiers[J].Artificial Intelligence Review,2010,33:1-39.

转载请注明来自:http://www.qikan2017.com/lunwen/lig/23521.html
论文润色预审 助力快速录用

SCI指导

SSCI指导

EI指导

SCOPUS指导

英文论文发表

论文润色预审 助力快速录用

学术问题

中文出版

英文出版

论文润色预审 助力快速录用

学术指导范围

范文文献库

学术期刊库

首页 期刊推荐 学术指导