基于Fisher判别的混积岩测井相定量表征及沉积模式分析:以渤海湾盆地大芦湖油田为例

Quantitative Characterization of Log Facies and Depositional Model of Mixed Siliciclastic⁃Carbonate Rocks Based on Fisher Discriminant： A Case Study on Daluhu Oilfield, Bohai Bay Basin

摘要

针对渤海湾盆地大芦湖油田西部沙四纯上亚段及沙三下亚段混积岩储层岩性复杂、非均质性强导致的岩相识别困难与沉积规律认识不足，本研究综合利用钻录井、测井及地震资料，在构建等时地层格架的基础上，应用Fisher判别分析进行混积岩测井相定量表征，并综合揭示了混积岩沉积演化规律.结果表明：（1）基于 Fisher 判别分析，优选自然伽马（GR）、声波时差（AC）、体积密度（DEN）和补偿中子孔隙度（CNL）测井曲线，分序列建立砂‒泥和灰‒泥系统岩性定量识别模型，有效解决了灰岩与砂岩测井响应重叠问题，显著提升了岩性识别精度， 砂‒泥系统验证集岩性识别正确率为79.5%，粉砂岩预测精度为95%；灰‒泥系统回判总正确率达84.5%.（2）沙四纯上亚段高位体系域发育浅湖‒半深湖相，岩性为灰质页岩与泥岩互层，受古水深和盐度的控制，有机质呈中西部富集和东南部局部发育的格局，集中在0.8%~1.9%；沙三下亚段低位和湖扩体系域以半深湖相为主，有机质北部和南部富集，TOC含量集中在0.9%~2.3%；沙三下亚段HST发育辫状河三角洲‒半深湖复合沉积体系，盆地边缘发育三角洲前缘粉砂岩相，致有机质保存条件变差，洼陷中心以半深湖相沉积为主，富有机质泥质页岩占优.（3）建立四类岩相垂向和平面组合模式：垂向组合为厚层砂夹薄泥型、厚层泥夹薄砂型、厚层灰质页岩夹薄泥型和厚层泥夹薄灰质页岩型.平面上，混积岩沉积体系西部及西南部陡岸发育辫状河三角洲与近岸水下扇复合体，低位和高位体系域坡折带之下的斜坡带和湖盆中发育滑塌成因浊积岩体，东部及东北部缓坡区发育半深湖和深湖环境中灰质为主的沉积相，泥质页岩和灰质页岩相向湖盆中心迁移.本研究为湖相混积岩测井相预测提供了定量化理论依据，为富含有机质烃源岩预测、细粒储层类型预测、沉积规律以及油气勘探研究提供指导.

Abstract

The lithological complexity and strong heterogeneity of the mixed siliciclastic and carbonate reservoirs result in difficulties in lithofacies identification and insufficient understanding of depositional patterns in the upper Shahejie 4 Member and lower Shahejie 3 Member in the western Daluhu oilfield, Bohai Bay basin. Integrating drilling, logging, and seismic data, Fisher discriminant analysis was applied for quantitative characterization of mixed siliciclastic and carbonate lithofacies from well logs, and the depositional evolution of mixed sediments was comprehensively revealed, on the basis of a chronostratigraphic framework. The results are as follows. (1) Based on Fisher discriminant analysis, quantitative lithology identification models for sand-mudstone and limestone-mudstone systems were established within subsequences using optimally selected natural gamma ray (GR), Sonic transit time (AC), density (DEN) and compensated neutron (CNL) logging curves, effectively addressing the problem of overlapping log responses between limestone and sandstone and significantly improving lithology identification accuracy. For the sand-mudstone system, the lithology identification accuracy in the validation set was 79.5%, with a siltstone prediction accuracy of 95%; for the limestone-mudstone system, the overall back-prediction accuracy reached 84.5%. (2) The highstand systems tract (HST) of the upper Shahejie 4 Member is dominated by shallow-lake to semi-deep-lake facies, consisting of interbedded calcareous shale and mudstone. Controlled by paleo-water depth and salinity, organic matter is enriched in the central-western and locally in the southeastern parts, with contents mainly between 0.8%-1.9%. The lowstand and lake-expansion systems tracts of the lower Shahejie 3 Member are dominated by semi-deep-lake facies, with organic matter enriched in the northern and southern areas and TOC content concentrated at 0.9%-2.3%. The HST of the lower Shahejie 3 Member developed a braided-river delta⁃semi-deep lake composite depositional system, with delta-front siltstone facies developed along the basin margins, resulting in poorer organic matter preservation, whereas the sag center was dominated by semi-deep lacustrine deposits, with organic-rich argillaceous shale being predominant. (3) Four types of vertical lithofacies association models were established: thick-bedded sandstone interbedded with thin mudstone, thick-bedded mudstone interbedded with thin sandstone, thick-bedded calcareous shale interbedded with thin mudstone, and thick-bedded mudstone interbedded with thin calcareous shale. In plan view, the mixed siliciclastic⁃carbonate depositional system is characterized by braided-river delta and nearshore subaqueous fan complexes along the western and southwestern steep margins. Slump-induced turbidite bodies developed in the slope zones and lake basin below the slope-break belts of the lowstand and highst and systems tracts. In the eastern and northeastern gentle-slope areas, calcareous-dominated sedimentary facies developed in semi-deep to deep lacustrine environments, while muddy shale and calcareous shale facies shifted toward the basin center. This study provides a quantitative theoretical basis for lacustrine mixed lithofacies prediction from well logs, offering guidance for organic-rich source rock and reservoir prediction, depositional pattern analysis, and oil and gas exploration.

Graphical abstract

关键词

混积岩 / Fisher判别法 / 测井相定量表征 / 页岩 / 沉积模式 / 油气地质.

Key words

mixed siliciclastic⁃carbonate rock / Fisher discriminant analysis / quantitative characterization of log facies / shale / depositional model / petroleum geology

混积岩是指陆源碎屑与碳酸盐组分在同一岩层内的混合或者在垂向和横向空间上构成互层的混合（李楚楚等，2023）.在美国二叠盆地和渤海湾等超级盆地中发育大量的浊积岩、混积岩、细粒页岩和碳酸盐岩等新领域的勘探对象（Kvale et al.， 2020； 蒋恕等， 2022； 邹才能等， 2023； 徐长贵等， 2024； 王永诗等， 2025； 叶茂松等， 2025）.混积岩作为陆源碎屑与碳酸盐组分混杂形成的岩石类型，常发育于湖泊、三角洲及海陆过渡相沉积环境，尤其陆相混积岩岩相的复杂性及强非均质性等特点导致测井响应特征重叠交错，常规岩性识别方法难以实现精确判别，准确识别混积岩的岩相对于沉积相刻画、储层表征及预测等均具有重要意义（Wang et al.， 2014； 毛振强等， 2020； 潘进等， 2023）.混积岩的高精度测井识别是个难题，冯冲等（2020）利用测井交会图和箱型图法对混积岩进行了半定量的测井识别；李楚楚等（2023）通过测井交会图并依据自然电位与自然伽马建立简单的混积岩识别参数模型；Duan et al.（2020）通过采用决策树方法对混积岩进行逐层筛选和测井识别.这些传统的测井识别方法通过理论图版等资料对岩性进行人工划分，经多参数测井交会图建立解释标准进行岩性推断，对于复杂岩性难以建立明确判别界限，岩性识别准确率偏低，且流程繁琐、工作量大、偏定性分析（Abouelresh and Slatt， 2012； 王民等， 2023）.机器学习方法在岩相测井识别中具有较高的效率与精度，前人常通过人工神经网络（ANN）、多分辨率图聚类（MRGC）、K最近邻（KNN）等机器学习方法，开展砂岩类相、碳酸盐岩岩相等组合较为简单的岩性识别研究（Aghchelou et al.， 2012； 王民等， 2023），但MRGC方法操作流程复杂且分类效果显著受人工预设聚类数影响；ANN虽具强大非线性映射能力，却存在易陷入局部极值及样本依赖性强的缺陷；KNN算法样本数量不均衡时，预测偏差大（Luo et al.， 2018），且基于此类方法的混积岩测井相定量识别研究较欠缺.Fisher判别分析是一种基于方差分析思想的线性判别方法，其核心原理是通过寻找最优投影向量将高维数据降维至低维判别空间，实现组内离散度最小化与组间离散度最大化（Dong et al.， 2022； Zhao et al.， 2022）.Fisher判别分析具有算法稳健、准确率高及操作简便等优点，且相较于贝叶斯判别和距离判别，在解决多指标判别问题时具有更好的数值稳定性，且能突破常规方法的分辨率局限，实现对复杂岩性组合的分类（Dong et al.， 2016； Song et al.， 2023）.

鉴于此，本研究以渤海湾盆地博兴洼陷大芦湖油田西部沙三下亚段和沙四纯上亚段发育的复杂多变混积岩为研究对象，基于测井、地震及钻录井资料等建立目的层等时地层格架，通过Fisher判别分析方法构建不同准层序下混积岩测井相定量表征模型，并通过井震联合分析揭示混积岩相空间展布规律，明确不同沉积环境岩性组合特征，进而阐明沉积体系空间演化模式，为储层预测提供理论依据，指导有利圈闭识别与勘探目标优选.

1 区域地质背景

博兴洼陷位于渤海湾盆地济阳坳陷东营凹陷北部断块区，其西北临青城‒平方王凸起，南接鲁西隆起，东北部与牛庄洼陷、利津洼陷相邻（高波等， 2025）.大芦湖油田地处博兴洼陷西北部的高青断层下降盘，位于金家三角洲前缘，紧邻青城凸起，处于三角洲的前缘坡折地带，具有优越的油气成藏条件.研究区处于大芦湖油田西部（图1），目的层沙四纯上亚段以及沙三下亚段沉积主要受南部、东南部鲁西隆起的三角洲体系、西部青城凸起的近岸水下扇体系三大物源体系控制，古气候呈现干旱向湿润过渡的演化特征，伴随古盐度逐渐降低、古物源输入强度持续递增的动态过程，发育富有机质细粒沉积岩，岩相种类多而复杂（林中凯等， 2023）.

2 研究区关键层序界面识别和层序地层

基于经典层序地层学理论，综合沉积环境、岩性突变、测井响应突变及地震反射终止类型（蒋恕等，2008），最终在研究区识别出沙三下亚段顶底界2个三级层序界面及两个最大湖泛面.以东部湖盆边缘FJF179井为例，沙三下亚段层序顶底界面均表现为强反射轴，底界面发育削截‒上超组合，岩性由灰质泥岩类过渡为粉砂岩，GR、AC及泥质含量曲线均为低值，且显示向上增加的趋势.顶界面具顶超型前积反射‒上超结构，岩性由粉砂岩突变为灰质泥岩和泥页岩，GR、AC曲线界面处突变.最大湖泛面mfs1、mfs2在地震剖面显示界面以下削截反射终止，以上收敛于下超界面，测井曲线表现为GR、TH高值和RT、AC低值的耦合响应，指示泥质富集、水体较深.基于测井曲线旋回性与岩相组合特征，将目的层的层序地层划分为三个体系域：沙四纯上亚段高位体系域（HST）、沙三下亚段低位‒湖扩复合体系域（LST+EST）、沙三下亚段高位体系域（HST），构建起区域等时地层格架（图2）.

3 测井相定量表征

为了精准预测层序地层格架内岩相的时空演化，本文首先通过测井资料预测测井相，建立不同井不同体系域的岩相垂向演化，然后通过井震结合预测等时地层格架内岩相的平面展布.测井相作为岩石物理性质的综合表征，其与岩相的映射关系源于不同岩性在矿物组分、有机质分布等方面固存的差异，测井曲线表现为参数值、曲线形态等不同（李国欣等， 2021）.本研究测井相表征的关键流程包括岩相数据库构建、岩性敏感曲线优选、岩性识别模型构建与推广.

3.1　岩相数据库构建

岩相是一定沉积环境中形成的岩石或岩石组合（王林等， 2025）.鉴于研究区岩性主要发育富含有机质的泥质页岩、灰质页岩、泥质灰岩、灰岩/白云岩、粉（细）砂岩等，本研究区的岩相划分以构造背景相似、实验测试数据较全的FJF⁃Y1井为模板，建立“有机质含量（TOC）+矿物组分”的湖相泥页岩岩相分类方案，比如根据有机质含量划分为富有机质、含有机质和贫有机质泥页岩，然后推广至研究区，分类依据如下：

3.1.1　研究区TOC含量划分和测井评价

基于TOC与S₁/氯仿沥青“A”的“三分性”关系，研究区泥页岩有机质丰度划分为贫有机质、含有机质和富有机质3类，不同层位的TOC划分标准存在差异：（1）沙三下亚段贫有机质类TOC<1.0%、含有机质类TOC介于1.0%~2.4%、富有机质类TOC>2.4%；（2）沙四纯上亚段贫有机质类TOC<0.7%、含有机质类TOC介于0.7%~2.0%、富有机质类TOC>2.0%.其中，富有机质类油藏饱和且具可动性，为优先勘探目标；含有机质类需结合技术突破开发，贫有机质类因分散低效缺乏开采价值.

基于ΔlgR方法预测研究区泥页岩总有机碳（TOC）含量.根据Passey等建立的经典模型，通过以合适的比例叠加声波时差与电阻率测井曲线，在非烃源岩的泥质岩段实现基线重合，曲线分离间距幅度经对数转换后定义为ΔlgR值（公式1），其可识别未成熟烃源岩、成熟烃源岩、煤层、油层、水层等（Passey et al.， 1990）.结合有机质成熟度参数（LOM），建立ΔlgR与TOC的定量关系式（公式2）.一般情况下ΔlgR与源岩中TOC呈正相关趋势，层序界面对应于ΔlgR低值区.

∆\mathrm{l}\mathrm{g}R=\mathrm{l}\mathrm{g}\left(\frac{R}{R_{\mathrm{基线}}}\right)+k(∆t-∆t_{\mathrm{基线}}),(1)

\mathrm{T}\mathrm{O}\mathrm{C}=a\times ∆\mathrm{l}\mathrm{g}R+b,(2)

式中：R表示地层电阻率测井数值（Ω·m）；R_基线为两条曲线叠合后确定的电阻率测井基线值（Ω·m）；Δt为实际地层声波时差测井值（μs/m）；

Δt_基线为两条曲线叠合后确定的声波时差测井基线值（μs/m），b为地层TOC的基准值（%）.

依据FJF⁃Y1井RT和AC测井曲线建立TOC预测模型，沙三下亚段和沙四纯上亚段模型参数分别为a=1.058、b=0.182（R²=0.767）和a=0.999、b=-0.177（R²=0.716），拟合结果与实测TOC趋势一致（图3）.

3.1.2　研究区岩相划分

根据FJF⁃Y1井碎屑颗粒粒度及矿物组分（泥质‒黏土+硅质，灰质‒碳酸盐矿物）相对含量，并结合岩屑录井、岩心观测及岩性测井响应特征建立沙四纯上亚段至沙三下亚段地层岩相数据库，分别为泥质页岩（泥质含量>75%，灰质含量<25%）、灰质页岩（泥质含量>50%，20%<灰质含量<25%）、泥质灰岩（25%>泥质含量>20%，灰质含量>50%）、灰岩/白云岩（泥质含量<25%，灰质含量>75%）和粉（细）砂岩（硅质含量>75%，黏土+灰质含量<25%）（图4）.

3.2　岩性敏感曲线优选

不同的测井曲线具有不同的岩性、物性、流体性质等反映能力.本文基于岩性识别目标，关键在于分析各类测井参数的岩性响应特征，优选岩性反应灵敏的测井曲线组合.基于录井、岩心等地质资料，通过箱线图分析了工区15余口井的165组岩性‒测井曲线敏感性特征发现：泥质页岩测井响应特征表现为高放射性（GR集中在63~ 76 API）、低密度（DEN约为2.5 g/cm³）、高声波时差（AC介于74~87 µs/ft）、高补偿中子测井（CNL介于16%~23%）和较低电阻（RT多介于20~52 Ω·m）；泥质灰岩整体上则测井响应特征反转，即具有低自然伽马（GR集中在47~ 54 API）、低声波时差（AC介于65~75 µs/ft）、高密度（DEN约为2.6 g/cm³）、低补偿中子测井（介于11%~17% CNL）及较高电阻（RT范围在26~69 Ω·m）；灰岩/白云岩测井响应显示为极低自然伽马（GR分布在44~54 API）、较高DEN值（约2.6 g/cm³）、较低声波时差（AC值介于68~81 µs/ft）；特别地，粉（细）砂岩与含灰岩性具有重叠的测井响应特征，两种岩性难以区分.整体上，GR、AC、DEN、CNL对岩性反应较敏感，蕴含有一定的岩性信息，而SP、RT岩性区分度较差.

进一步将GR、DEN、AC、CNL四条测井曲线作交会图证实该四种测井曲线能够有效区分主要岩类（图5）.然而，受复杂岩石组构和孔隙结构等因素影响，灰质和砂质成分在测井响应上表现出相似性，导致含砂质和含灰质岩性在测井交会图中出现显著重叠，难以明确区分（图5b、5d、5f）.因此将目的层岩相体系划分为灰‒泥系统（泥质页岩、灰质页岩、泥质灰岩、灰岩/白云岩）和砂‒泥系统（粉（细）砂岩、泥质页岩），显著提高了岩性区分度.此外发现，不同岩相间难以通过单一测井阈值进行区分，而是存在一定的函数关系，因此，确定岩性与测井曲线之间的函数关系是测井相定量表征的关键.

3.3　Fisher判别模型的构建与验证

本研究基于Fisher判别分析理论通过数学统计、知识推理等手段构建测井相与岩相的线性多元判别函数映射模型.具体地，假设有N个总体A₁，A₂，…，A_N，这N个总体的协方差矩阵和均值向量分别为B₁，B₂，…，B_N；μ₁，μ₂，…，μ_N .从总体N_i 中抽取容量为n_i 的样本为E_i^j，向量u为p维空间上的一个方向，那么E_i^j在u上的投影以u^{\mathrm{T}}{E}_i^j表示，则组内差f为和组间差r系列公式3~公式5所示：

E_i^j=(e_i^{\mathrm{1}},e_i^{\mathrm{2}},\cdots ,e_i^j),u=(u_{\mathrm{1}},u_{\mathrm{2}},\dots ,u_p{)}^{\mathrm{T}},(3)

f={\displaystyle \sum _{i=\mathrm{1}}^N} {\displaystyle \sum _{j=\mathrm{1}}^{n_i}} {\left(u^{\mathrm{T}}{E}_i^j-u^{\mathrm{T}}{\stackrel{-}{E}}_i\right)}^{\mathrm{2}}=u^{\mathrm{T}}\left\{{\displaystyle \sum _{i=\mathrm{1}}^N} S_i\right\}u=u^{\mathrm{T}}wu,\left(\mathrm{4}\right)

r={\displaystyle \sum _{i=\mathrm{1}}^N} {\displaystyle \sum _{j=\mathrm{1}}^{n_i}} (u^{\mathrm{T}}{\stackrel{-}{E}}_i-u^{\mathrm{T}}{\stackrel{-}{E})}^{\mathrm{2}}=u^{\mathrm{T}}\left\{{\displaystyle \sum _{i=\mathrm{1}}^N} \left[{\displaystyle \sum _{j=\mathrm{1}}^{n_i}} \left(E_i^j-{\overline{E}}_i\right){\left(E_i^j-{\overline{E}}_i\right)}^{\mathrm{T}}\right]\right\}u=u^{\mathrm{T}}Bu,\left(\mathrm{5}\right)

公式中，i=1，2，…，N；j=1，2，…，n_i；{\overline{E}}_i和\overline{E}分别代表组内样本均值和总样本均值；S_i 为M_i 中n_i 个样本e_i^j的样本离差阵.

由公式6计算Φ值，使其达到最大值同时解具有唯一性，此时得到最大特征值λ及特征向量u，并计算线性判别函数（郭剑南等， 2019）.

\mathrm{\Phi }=\frac{r}{f}=\frac{u^{\mathrm{T}}Bu}{u^{\mathrm{T}}w{u}^{\text{'}}},(6)

(w^{-\mathrm{1}}B-\lambda I)u=\mathrm{0}.(7)

本研究利用统计软件SPSS建立混积岩测井相Fisher判别分类方程函数，具体地，将五类岩相作为分组变量，并设定分组变量范围，将优选的四条测井曲线（GR、AC、DEN及CNL）作为输入自变量，选择统计函数以及相关输出项目.样本数据集采用分层随机抽样划分策略，遵循训练集与验证集约0.7：0.3的比例原则进行模型构建与验证，采用监督式机器学习算法构建双序列判别模型，即砂‒泥系与灰‒泥系统，并最终完成新样本的预测.

3.3.1　砂‒泥系统Fisher判别

对于砂‒泥系统，共建立训练样本120组，其中泥质页岩数据点数量为88组，粉（细）砂岩数据点数量为32组，判别函数如公式8所示：

Z=\mathrm{0.13}GR+\mathrm{0.06}AC+\mathrm{8.01}\mathrm{D}\mathrm{E}\mathrm{N}+\mathrm{0.03}\mathrm{C}\mathrm{N}\mathrm{L}-\mathrm{34.56},\left(\mathrm{8}\right)

泥质页岩组质心处函数为0.92，粉（细）砂岩组质心处函数为-2.54（图6）.岩相归属判定采用最小马氏距离准则，即样本点判别函数值越靠近某类质心，则判定为对应岩相类型.

训练集回判检验结果显示：泥质页岩回判准确率为97.7%，粉（细）砂岩回判准确率为96.9%，正确地对97.5%的原始已分组个案进行了分类（表1）.此外，参与验证集的数据点总共为44组，其中泥质页岩数据点数目为23组，粉（细）砂岩数据点数目为21组.结果为泥质页岩预测准确率为65%，粉（细）砂岩预测准确率为95%，验证集综合预测准确率为79.5%.

3.3.2　灰‒泥系统Fisher判别

灰‒泥系统纳入181组训练样本数据，其中泥质页岩数据点数目为88组，灰质页岩数据点数目为58组，泥质灰岩数据点数目为16组，灰岩/白云岩数据点数目为19组，构建的判别函数如下列公式9~公式11所示：

Z_{\mathrm{1}}=\mathrm{0.19}GR+\mathrm{0.24}AC-\mathrm{2.03}\mathrm{D}\mathrm{E}\mathrm{N}-\mathrm{0.06}\mathrm{C}\mathrm{N}\mathrm{L}-\mathrm{8.33},\left(\mathrm{9}\right)

Z_{\mathrm{2}}=-\mathrm{0.04}GR+\mathrm{0.24}AC+\mathrm{6.90}\mathrm{D}\mathrm{E}\mathrm{N}-\mathrm{0.40}\mathrm{C}\mathrm{N}\mathrm{L}-\mathrm{29.13},\left(\mathrm{10}\right)

Z_{\mathrm{3}}=-\mathrm{0.02}GR+\mathrm{0.07}AC-\mathrm{5.43}\mathrm{D}\mathrm{E}\mathrm{N}+\mathrm{0.04}\mathrm{C}\mathrm{N}\mathrm{L}+\mathrm{9.50}.\left(\mathrm{11}\right)

泥质页岩、灰质页岩、泥质灰岩和灰岩/白云岩4组岩性的空间投影分析直观揭示各岩相类别在判别空间中的分布规律（图7）.训练集回判检验获84.5%的总体判别精度，其中灰质页岩判别准确率最优（98.3%），次为泥质页岩（80.7%），泥质灰岩与灰岩/白云岩则分别取得75%和68.4%的判别效果.

3.3.3　Fisher判别模型应用

本研究选取未参与建模的GQF⁃X184井和ZLG⁃X86井作为验证样本，该两口井具备较完整的录井岩性及岩心描述资料.基于已建立的砂‒泥岩与灰‒泥岩判别体系，采用Fisher判别分析方法对验证井进行岩性预测，绘制单井岩相剖面并与岩心数据开展对比验证.验证结果显示：GQF⁃X184井粉砂岩‒细砂岩预测准确度较高，部分存在灰质泥岩误判为泥质灰岩或灰岩/白云岩的现象，但都属于富含灰质的岩相，整体与取心资料符合率较高，预测结果良好；ZLG⁃X86井整体预测结果良好，主要误差表现为灰质泥岩误判为灰岩/白云岩（图8）.本次研究建立的Fisher判别函数岩性预测模型在研究区岩性识别中具有很好的适用性，可将Fisher判别分析建立的测井相预测模型推广应用，将岩性识别模型推广应用于油田范围内的所有未取心井，进行多井分析和处理，从而获得所有井在目的层段连续的岩相剖面.

4 岩相展布特征与沉积演化模式

4.1　岩相和沉积相垂向演化规律

通过上述岩相识别方法，在工区北部、中部及南部开展了总有机碳和岩相连井剖面分析，从而可以揭示沙四纯上亚段与沙三下亚段沉积体系时空演化模式.结果表明：沙四纯上亚段HST主要发育富有机质与含有机质泥岩，TOC含量整体集中在0.8%~1.9%，岩性以泥质页岩与灰质页岩为主，夹薄层泥质灰岩.工区中部GQF⁃X190至ZLG92井间，页岩有机质含量呈微量降低趋势；南部剖面页岩有机质普遍呈低值，仅ZLG⁃X98井发育局部富集层段，且ZLG898井附近出现浊流沉积成因的粉砂岩夹层.沙三下亚段LST+EST沉积期，以富有机质泥页岩为主，TOC含量集中在0.9%~2.3%，该体系域顶界对应最大湖泛面，

TOC含量普遍较高.近物源区发育中‒厚层粉砂岩相，向洼陷中心过渡为泥质页岩和灰质页岩互层.沙三下亚段HST湖盆边缘相带因粉砂岩夹层增多导致有机质保存条件劣化.岩相呈现强分异特征，盆地边缘粉砂岩相发育占主导地位，向洼陷中心方向转变为泥质页岩和灰质页岩，且泥质页岩发育程度占优；南部区域具有双向物源作用特征，ZLG898井区灰质页岩有机质含量普遍高于伴生泥质页岩，研究区有机质丰度分布特征主要受古水深和盐度控制，有机质主要富集在盐度较小、水深较深的半深湖‒深湖环境（刘惠民， 2022）（图9）.

综上不同位置的连井剖面岩相时空分布规律，研究区目的层段发育4种典型垂向岩相组合模式.组合1：厚层砂夹薄泥型.以粉（细）砂岩相为主，序列以多期次厚层粉（细）砂岩相垂向叠置为特征，层间夹薄层泥质页岩；组合2：厚层泥夹薄砂型.以厚层泥质页岩相为主，夹薄层粉（细）砂岩透镜体；组合3：厚层灰质页岩夹薄泥型.以灰质页岩相为主，夹层发育泥质页岩及少量泥质灰岩、灰岩/白云岩薄层；组合4：厚层泥夹薄灰质页岩型.以泥质页岩相为主，夹薄层灰质页岩，底部偶见薄层泥质灰岩.

沙四纯上亚段HST沉积相以浅湖‒半深湖相为主，发育灰质页岩与泥质页岩互层组合（组合3），灰质含量向沉积中心呈递增趋势，偶见极薄灰岩/白云岩，斜坡的坡折带下方受同沉积断裂控制发育浊积砂体.沙三下亚段LST+EST整体为半深湖相沉积环境，湖盆边缘发育小型三角洲沉积体，向盆地中心灰质组分递增，偶见坡折带下部发育浊积砂体.沙三下亚段HST湖盆边缘主要发育三角洲相，岩相主要以厚层砂岩与薄层泥质页岩互层组合（组合1）为特征，顶部过渡为泥质页岩夹薄层砂岩条带组合（组合2）；半深湖亚相发育泥质页岩与灰质页岩韵律互层组合（组合4）（图10）.

4.2　岩相和沉积相平面展布模式

基于20余口井的Fisher判别模型预测的岩相以及录井岩屑等数据进行沉积相的平面刻画.沙四纯上亚段HST整体呈现浅湖‒半深湖相沉积格局.工区西部GQF⁃X190和GQF172等井周围发育富有机质岩性，含量约为2%~3%.岩性组合以灰质页岩与泥质页岩互层为主，灰质组分占比较高，在工区中西部和西南区域发育部分泥质灰岩相和灰岩/白云岩相，指示干旱气候背景下的低陆源输入特征.受鲁西隆起与青城凸起物源体系影响，北部GQF170井和中西部GQF⁃X190井区可见孤立状浊积相（图11a）.沙三下亚段LST+EST以半深湖相为主.有机质分布呈现较为显著分带性，富有机质岩性整体集中在工区北部的GQF⁃X184井和GQF170井附近的半深湖—深湖区，由北至南向沉积中心，富有机质泥页岩比例首先上升，而南部ZLG897和ZLG898井因物源混入导致有机质含量衰减.该时期受高青凸起物源影响，研究区西部陡坡带发育近岸水下扇体系，其前缘滑塌作用形成浊积扇体.ZLG92井、ZLG⁃X86井等岩性剖面显示暗色泥质页岩与灰质页岩占主导，粉砂的含量一般很低.GQF170井揭露浊积砂体呈西南‒东北向展布，厚度约为2~15 m，横向连续性差；ZLG898井钻遇的浊积体夹杂于泥质页岩与灰质页岩岩层（图11b）.沙三下亚段HST发育辫状河三角洲‒半深湖复合沉积体系.辫状河三角洲前缘主体分布于研究区中西部（GQF⁃X190和GQF172井区），呈扇状向东推进延伸，岩性以粉砂岩为主，夹泥页岩薄层.南部一带（ZLG88⁃ZLG⁃X98井区）发育弱均方根振幅特征的低能分流间湾与浅湖泥微相，岩性以灰色泥岩、粉砂质泥岩为主.GQF⁃X184井区识别出近西南‒东北向展布的浊积砂体，砂体厚度约10 m，指示重力流沉积事件（图11c）.总之，研究区沙三下亚段沉积体系具有显著的分带性与演化性，平面上自西南向东北呈现“粉（细）砂岩相‒泥质页岩相‒灰质页岩相”的递变格局.整体沉积体系空间展布规律为，西部及西南部陡岸发育辫状河三角洲与近岸水下扇复合体，前缘斜坡带发育滑塌成因浊积岩体，东部及东北部缓坡区发育半深湖灰质为主的混积岩沉积相.

5 结论

（1）基于ΔlgR法构建TOC预测模型，并针对不同层位建立界限标准，将有机质丰度划分为贫有机质、含有机质和富有机质；依据矿物组分、钻录井、测井、地震属性等，将渤海湾盆地大芦湖油田的沙四纯上亚段至沙三下亚段地层岩性划分为泥质页岩、灰质页岩、泥质灰岩、灰岩/白云岩和粉（细）砂岩5类.

（2）利用箱线图和交会图等优选出岩性反应较敏感的GR、AC、DEN、CNL测井曲线，针对砂质和灰质岩性的测井响应叠置难题，创新性基于Fisher判别分析分砂‒泥与灰‒泥系统建立测井相定量表征模型.砂‒泥系统验证集岩性识别准确率79.5%（粉砂岩预测精度95%），灰‒泥系统训练和验证结果回判准确率达到84.5%，显著提升灰岩与砂岩区分精度.

（3）总结出四种岩性组合模式及空间分布规律.组合1为厚层砂夹薄泥型，常发育于沙三下亚段高位体系域（HST）和低位及湖扩体系域（LST+EST）上部滨浅湖相带；组合2为厚层泥夹薄砂型，主要分布于沙三下亚段HST，也见于浊积砂体发育部位；组合3为厚层灰质页岩夹薄泥型，集中分布在较深湖区；组合4为厚层泥夹薄灰质页岩型，多发育于沙四纯上亚段HST和半深湖区.

（4）大芦湖油田沙四纯上亚段HST以半深湖相为主体，西缘和东北隅分布三角洲与浊积相，岩性以灰质页岩‒泥岩韵律互层为特征，TOC含量主要介于0.8%~1.9%，呈中部微量递减、南部局部富集的非均质分布格局.沙三下亚段LST+EST以半深湖相为主，TOC含量集中在0.9%~2.3%.沙三下亚段HST发育辫状河三角洲‒半深湖复合沉积体系，有机质和岩性分布呈现显著分异性，盆地边缘粉砂岩相抑制有机质保存，洼陷中心以泥质页岩占优，且伴生浊积砂体.平面上混积岩从西南向东北呈现“粉（细）砂岩相‒泥质页岩相‒灰质页岩相”的递变沉积格局.

参考文献

[1] Abouelresh, M. O., Slatt, R. M., 2012. Lithofacies and Sequence Stratigraphy of the Barnett Shale in East⁃Central Fort Worth Basin, Texas. AAPG Bulletin, 96(1): 1-22. https://doi.org/10.1306/04261110116

[2] Aghchelou, M., Nabi⁃Bidhendi, M., Shahvar, M. B., 2012. Lithofacies Estimation by Multi⁃Resolution Graph⁃Based Clustering of Petrophysical Well Logs: Case Study of South Pars Gas Field of Iran. Nigeria Annual International Conference and Exhibition, Lagos. Society of Petroleum Engineers， Richardson, SPE 162991⁃MS. https://doi.org/10.2118/162991⁃ms

[3] Dong, S. Q., Wang, Z. Z., Zeng, L. B., 2016. Lithology Identification Using Kernel Fisher Discriminant Analysis with Well Logs. Journal of Petroleum Science and Engineering, 143: 95-102. https://doi.org/10.1016/j.petrol.2016.02.017

[4] Dong, S. Q., Zeng, L. B., Du, X. Y., et al., 2022. Lithofacies Identification in Carbonate Reservoirs by Multiple Kernel Fisher Discriminant Analysis Using Conventional Well Logs: A Case Study in a Oilfield, Zagros Basin, Iraq. Journal of Petroleum Science and Engineering, 210: 110081. https://doi.org/10.1016/j.petrol.2021.110081

[5] Duan, Y. J., Xie, J., Li, B. C., et al., 2020. Lithology Identification and Reservoir Characteristics of the Mixed Siliciclastic⁃Carbonate Rocks of the Lower Third Member of the Shahejie Formation in the South of the Laizhouwan Sag, Bohai Bay Basin, China. Carbonates and Evaporites, 35(2): 55. https://doi.org/10.1007/s13146⁃020⁃00583⁃8

[6] Feng, C., Dai, L. M., Liu, X. J., et al., 2020. Logging Classification and Recognition of Lacustrine Mixed Sedimentary Reservoirs in First and Second Members of Shahejie Formation in Bohai Sea. Earth Science, 45(10): 3677-3692 (in Chinese with English abstract).

[7] Gao, B., Hao, F., Xu, S., et al., 2025. Oil Content and Its Occurrence State of Lower Member of Shahejie Formation Shale in Dongying Sag. Earth Science, 50(6): 2199-2208 (in Chinese with English abstract).

[8] Guo, J. N., Shan, X. L., Hao, G. L., 2019. Identification of Basement Lithology in Central Uplift Zone of Songliao Basin by Fisher Discriminant Analysis. Journal of Heilongjiang University of Science and Technology, 29(1): 60-65 (in Chinese with English abstract).

[9] Jiang, S., Wang, H., Guo, T., et al., 2022. Geomorphology of Gravity Flow Deposits in the Gentle Slope Zone of Intra⁃Basinal High in the Liaodong Bay Depression, Bohai Bay Basin and Its Controlling Factors. Oil & Gas Geology, 43(4): 823-832 (in Chinese with English abstract).

[10] Jiang, S., Wang, H., Weimer, P., 2008. Sequence Stratigraphy Characteristics and Sedimentary Elements in Deepwater. Earth Science, 33(6): 825-833 (in Chinese with English abstract).

[11] Kvale, E. P., Bowie, C. M., Flenthrope, C., et al., 2020. Facies Variability within a Mixed Carbonate⁃Siliciclastic Sea⁃Floor Fan (Upper Wolfcamp Formation, Permian, Delaware Basin, New Mexico). AAPG Bulletin, 104(3): 525-563. https://doi.org/10.1306/06121917225

[12] Li, C. C., Hong, X. E., Han, D. L., et al., 2023. Identification Method of Lithology by Logging in Favorable Reservoir of Lacustrine Mixed Rock—A Case Study of the Small Layer 2 of the Upper Part of the Member 3 of Shahejie Formation in Dawangzhuang Oilfield. Petroleum Geology and Engineering, 37(4): 37-44 (in Chinese with English abstract).

[13] Li, G. X., Liu, G. Q., Hou, Y. T., et al., 2021. Optimization Method of Favorable Lithofacies and Fracturing Parameter for Continental Shale Oil. Acta Petrolei Sinica, 42(11): 1405-1416 (in Chinese with English abstract).

[14] Lin, Z. K., Zhang, S. L., Li, C. H., et al., 2023. Types of Shale Lithofacies Assemblage and Its Significance for Shale Oil Exploration: A Case Study of Shahejie Formation in Boxing Sag. Petroleum Reservoir Evaluation and Development, 13(1): 39-51 (in Chinese with English abstract).

[15] Liu, H. M., 2022. Geological Particularity and Exploration Practice of Paleogene Shale Oil in Jiyang Depression: A Case Study of the Upper Submember of Member 4 to the Lower Submember of Member 3 of Shahejie Formation. Acta Petrolei Sinica, 43(5): 581-594 (in Chinese with English abstract).

[16] Lu, Y., Liu, K. Y., Xu, S. Y., et al., 2020. Identifying Flow Units by FA⁃Assisted SSOM—An Example from the Eocene Basin⁃Floor⁃Fan Turbidite Reservoirs in the Daluhu Oilfield, Dongying Depression, Bohai Bay Basin, China. Journal of Petroleum Science and Engineering, 186: 106695. https://doi.org/10.1016/j.petrol.2019.106695

[17] Luo, H., Lai, F. Q., Dong, Z., et al., 2018. A Lithology Identification Method for Continental Shale Oil Reservoir Based on BP Neural Network. Journal of Geophysics and Engineering, 15(3): 895. https://doi.org/10.1088/1742⁃2140/aaa4db

[18] Mao, Z. Q., Xia, Y., Gao, G., et al., 2020. Characteristics and Identification of Lacustrine Sedimentary Lithology in Lower Es₃ Strata of Boxing Subsag. Journal of Xi’an Shiyou University (Natural Science Edition), 35(5): 14-23 (in Chinese with English abstract).

[19] Pan, J., Liu, X. L., Li, H., et al., 2023. Characteristics and Distribution of Lithofacies Assemblages of the Permian Lucaogou Formation in the Eastern Slope of Fukang Sag. Acta Sedimentologica Sinica, 41(5): 1366-1379 (in Chinese with English abstract).

[20] Passey, Q. R., Creaney, S., Kulla, J. B., et al., 1990. A Practical Model for Organic Richness from Porosity and Resistivity Logs. AAPG Bulletin, 74(12): 1777-1794. https://doi.org/10.1306/0c9b25c9⁃1710⁃11d7⁃8645000102c1865d.

[21] Song, Z. J., Xiao, D. S., Wei, Y. B., et al., 2023. The Research on Complex Lithology Identification Based on Well Logs: A Case Study of Lower 1st Member of the Shahejie Formation in Raoyang Sag. Energies, 16(4): 1748. https://doi.org/10.3390/en16041748

[22] Wang, J., Cao, Y. C., Liu, K. Y., et al., 2017. Identification of Sedimentary⁃Diagenetic Facies and Reservoir Porosity and Permeability Prediction: An Example from the Eocene Beach⁃Bar Sandstone in the Dongying Depression, China. Marine and Petroleum Geology, 82: 69-84. https://doi.org/10.1016/j.marpetgeo.2017.02.004

[23] Wang, L., Lü, Q. Q., Zhang, Y., et al., 2025. Lithofacies Characteristics and Distribution Patterns of Deep Water Gravity Flow Deposits in the Chang 7 Oil Member in the Southwest Ordos Basin. Acta Sedimentologica Sinica, 43(1): 154-168 (in Chinese with English abstract).

[24] Wang, M., Yang, J. L., Wang, X., et al., 2023. Identification of Shale Lithofacies by Well Logs Based on Random Forest Algorithm. Earth Science, 48(1): 130-142 (in Chinese with English abstract).

[25] Wang, Y., Liu, L. F., Meng, J. H., et al., 2014. Depositional Environment of Es₄ ^u and Es₃ ^l Shales Based on Biomarkers from the Boxing Sag of Dongying Depression, East China. Acta Geologica Sinica (English Edition), 88(5): 1556-1564. https://doi.org/10.1111/1755⁃6724.12318

[26] Wang, Y. S., Gao, Y., Li, J. L., et al., 2025. New Exploration Fields and Resource Potential of Paleogene Clastic Tight Oil in Jiyang Depression, Bohai Bay Basin. Acta Petrolei Sinica, 46(1): 118-136 (in Chinese with English abstract).

[27] Xu, C. G., Zhou, J. X., Yang, H. F., et al., 2024. New Fields, New Types and Resource Potentials of Oil⁃Gas Exploration in Bohai Sea. Acta Petrolei Sinica, 45(1): 163-182 (in Chinese with English abstract).

[28] Ye, M. S., Xie, X. N., Du, X. B., et al., 2025. Characteristics and Formation Mechanism of Heterogeneity in “Compositional Mixing” Reservoirs: An Example from the First⁃Second Member of the Palaeogene Shahejie Formation, Bohai Sea. Acta Sedimentologica Sinica, 43(2): 635-652 (in Chinese with English abstract).

[29] Zhao, H., Wang, H. L., Liu, H. M., et al., 2022. Application of Fisher Discriminant Method in the Facies Division of Lake Facies-Taking the Third Member of Shahejie Formation in Dongying Sag as an Example. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 44(2): 4977-4990. https://doi.org/10.1080/15567036.2019.1656680

[30] Zou, C. N., Feng, Y. L., Yang, Z., et al., 2023. Fine⁃Grained Gravity Flow Sedimentation and Its Influence on Development of Shale Oil Sweet Spot Intervals in Lacustrine Basins in China. Petroleum Exploration and Development, 50(5): 883-897 (in Chinese with English abstract).

基金资助

国家重点研发计划项目(2022YFF0801202)

国家重点研发计划项目(2022YFF0801200)

国家自然科学基金项目(42072174)