储集层岩性识别是石油勘探开发领域中最基础的工作之一。砂砾岩体属于常见的岩性油气藏,富含油的砂砾岩地层具有重大勘探价值。但是砂砾岩岩石类型多样,具有粒度分布范围广、非均质性强等特点,给砂砾岩体沉积相划分、储集层单元识别、储量评价等造成了较大的困难。传统的钻井取心技术是最直观的,但由于钻井取心成本大,耗时长,对众多口井都进行钻井取心显然是不现实的,无法对每一口井的全部井段提供岩性信息。常规测井是井中最普遍的资料,不同岩性地层的常规测井响应不同。如何在岩心和常规测井资料中建立桥梁,在岩心的基础上利用测井资料识别全井段的地层岩性一直是测井解释中的重要内容。本文以准噶尔盆地玛湖凹陷三叠系百口泉组地层的砂砾岩为主要研究对象,结合数学方法和测井资料探讨了砂砾岩岩性识别的方法及其应用。根据岩心观察,结合现有的地质资料,可将该地区地层的砂砾岩岩性划分为三大类和九小类。三大类分别为:砾岩、砂岩和泥岩;其中砾岩包括粗砾岩、大中砾岩、小中砾岩和细砾岩四小类岩性,砂岩包括粗砂岩、中砂岩、细砂岩和粉砂岩四小类岩性。首先,优选声波时差(AC)、补偿中子(CNL)、密度曲线(DEN)、深电阻率(RT)和自然伽马(GR)这5条测井曲线来识别岩性。由于常规测井资料中参数量纲不同,易干扰岩性识别的结果,采取数据归一化方法对原始测井数据进行预处理,使得各测井曲线值范围均在0～1之间。其次,常规测井资料中包含多条测井曲线,它们之间反映的岩性信息存在一定的相关性,给岩性识别造成信息冗余现象,增加了数据计算的复杂度,本文采用主成分分析提取特征主成分,选用特征值大于1的主成分作为岩性识别模型的输入变量,降低数据维度。在岩性识别方面,支持向量机自身结构简单、学习速度快、适应性好、推广能力强,能在少样本情况下解决非线性问题,本文采用支持向量机方法构建岩性识别模型,对砂砾岩岩性进行逐次分类,先划分大类岩性,在此基础上进一步识别小类岩性。最后,将识别结果与判别分析和BP神经网络方法的结果进行对比。在大类岩性识别过程中,支持向量机方法的岩性识别准确率为88.05%,比判别分析方法和BP神经网络方法的岩性识别准确率分别高13.7%和12.46%;在砾岩岩性识别过程中,支持向量机方法的岩性识别准确率为79%,比判别分析方法和BP神经网络方法的岩性识别准确率分别高22.5%和20%;在砂岩岩性识别过程中,支持向量机方法的岩性识别准确率为68.02%,比判别分析方法和BP神经网络方法的岩性识别准确率分别高14.42%和5.86%。结果表明,主成分分析和支持向量机方法的岩性识别结果均好于判别分析和BP神经网络方法。通过与取心观察结果对比分析,主成分分析和支持向量机岩性识别方法在大类岩性识别过程中准确率可达73%;在砾岩小类识别过程中准确率可达61.35%;在砂岩小类识别过程中准确率可达58.61%。该方法在一定程度上准确识别砂砾岩岩性,可有效预测未取心井段的岩性,为隐蔽油气藏勘探和开发工作提供参考。