东营凹陷南部缓坡带的沙四上亚段是湖相碳酸盐岩滩坝发育的主要层段。湖相碳酸盐岩是济阳坳陷古近系重要的油气储层类型之一，以层薄、分布面积广、局部富集高产为显著特点。济阳坳陷已经探明湖相碳酸盐岩油藏储量7200×104 t，在24个油田钻遇湖相碳酸盐岩油层，早期勘探曾有4口井获得日产千吨高产工业油流，有30多口井获得日产50 t以上的工业油流。2001年东营南坡陈官庄地区沙四段上报预测储量3343×104 t。以上勘探成果充分展示了湖相碳酸盐岩油藏仍具有较大的勘探空间和潜力。

东营凹陷南坡湖相碳酸盐岩岩性复杂，储层物性差异大，缺乏系统的储层评价研究 [1-6]。因此，本次研究以东营南坡陈官庄地区为主要的研究区域，通过岩心刻度测井的方法，对研究区开展岩性识别、储层划分测井评价研究，力求逐步形成一套适合本地区湖相碳酸盐岩储层的岩性识别、储层划分方法。

1 岩性识别

在油田实际应用中，岩性识别一直是储层评价的重要工作之一，是求解储层参数的基础。根据岩心资料分析，陈官庄地区沙四段碳酸盐岩主要岩性为灰岩、白云岩、泥灰岩、灰质白云岩、白云质灰岩和生物灰岩。

1.1 稻田工程建设 稻田面积4 hm2，在稻田四周开挖环形沟，中间开挖“田”字型田间沟。环形沟上口宽6 m，底宽3 m，深1.5 m；田间沟宽3 m，底宽1.5 m，深1.5 m，沟面积占稻田面积的14.4%。在靠近环沟的田面围上高30 cm、宽20 cm的土埂，将环沟与田面分隔开来。将开挖环形沟的泥土垒在田埂上并夯实，确保田埂高达1.2 m以上，田埂加固时每加一层泥土都要打紧夯实，在水满时不能崩塌。稻田排水口和田埂上设置防逃网。

目前测井识别岩性的方法主要有常规测井曲线法、交会图识别法、成像测井识别法等，其中岩性交会图法是应用最普遍的方法[7-8]。这种类型的交会图在复杂的碳酸盐岩储层中，一次只能应用两种直接的测井变量，忽略了更多与岩性有关的变量，识别精度不高。另外，本地区碳酸盐岩单层厚度小，多与泥岩形成互层，致使碳酸盐岩测井特征值的变化区间比较大，且多有重叠区间，大大制约了常规岩性识别方法的应用。

界面间的结合力是由吸附力、键合力以及结合力多种力耦合作用形成的，涂层、基体以及界面的的弹性模量、硬度、厚度、结合强度均会对结合力产生影响[16]。

1.1 改进灰色关联法

灰岩：f4(x)=-52.281F1-418.720F2-863.727

针对一般关联度存在的缺陷，相继产生了一系列改进方法[12-14]。其中斜率关联度满足无量纲化处理后的保序效应，均值化、初值化等标准化处理都不会改变灰关联序，与其他关联度相比有了较大的进步(式(1))。

由最重要主成分F1和次重要主成分F2对岩性进行交会图分析。如图1a所示，在常规的中子—密度交会图上，各类岩性混杂在一起，很难准确区分泥灰岩、生物灰岩、灰质白云岩和白云岩；而在主成分岩性交会图上(图1b)则能够进行有效的区分。

(1)

在应用斜率关联度进行测井岩性识别时，发现存在计算关联度值偏小，关联结果精度不高的问题。究其原因，应是斜率关联度模型本身的理论缺陷造成的。斜率关联度是根据两时间序列在对应各时段上曲线斜率的接近程度来判定其曲线的接近程度，算法中只考虑了各序列相邻两点间的变化量，不能全面反映各序列间的相关性。

泥灰岩：f1(x)=-1.482F1+12.962F2-3.329

(2)

其中，

根据上述改进灰色关联的理论方法，对研究区内6口取心井28个样品点的岩性进行了灰色关联分析。设待分析岩性为参考数列x，测井参数指标为比较数列x1，x2，…，x7。按照斜率关联度公式(1)和改进关联度公式(2)分别进行了计算，计算结果见表1。

从表1中可以看出，斜率关联度值明显低于改进关联度值，并且识别结果误差较大，岩性符合率为53.6%；改进关联度值基本都大于0.80，岩性符合率为85.7%，岩性识别结果与实际岩性基本吻合。由此说明，改进关联度相比斜率关联度更适合进行复杂的小样本岩性识别问题。改进关联度量化模型的提出为灰色理论在复杂岩性识别中的应用提供了一个很好的借鉴。

1.2 岩性综合识别方法

选取岩石样品的自然伽马(GR)、密度(DEN)、声波时差(AC)、中子孔隙度(CNL)和深侧向电阻率(RT)值作为输入参数X=[GR，DEN，AC，CNL，RT]，以陈官庄地区66块岩心分析岩性作为岩性判别依据。首先对样本数据进行标准化，计算出相关系数矩阵，然后利用雅可比方法求取相关系数矩阵的特征值与方差贡献率(表2)。由各特征值所对应的特征向量，可得到如下主成分变换的方程式：

表1 灰色关联识别结果对比 Table 1 The results comparison of grey correlation

井号GR/APIRT/(Ω·m)AC/(μs·ft-1)DEN/(g·cm-3)CNL/%岩心分析斜率关联度值识别结果改进关联度值识别结果官661．573．9389．832．4729．02泥灰岩0．79灰岩0．88泥灰岩官663．323．7190．952．5325．91泥灰岩0．68泥灰岩0．85泥灰岩官662．474．0288．942．4930．46泥灰岩0．58灰岩0．81泥灰岩官672．543．8172．512．5818．95白云质灰岩0．62白云岩0．79灰岩官666．214．5469．662．6018．02白云质灰岩0．71白云岩0．74白云质灰岩官647．965．2172．452．6022．99白云质灰岩0．72白云质灰岩0．77白云质灰岩官653．053．7380．162．5726．36白云质灰岩0．66白云质灰岩0．80白云质灰岩王67161．231．8384．652．5223．99泥灰岩0．54泥灰岩0．78泥灰岩王67160．631．9769．062．4917．49泥灰岩0．61泥灰岩0．74泥灰岩王67149．681．6178．962．5522．50泥灰岩0．64灰岩0．76灰岩王67152．992．9971．592．5219．72泥灰岩0．81泥灰岩0．89泥灰岩王66120．072．3871．482．5919．49白云岩0．71白云岩0．84白云岩王66123．762．5083．162．5228．97生物灰岩0．67生物灰岩0．85生物灰岩王66124．292．5984．672．5728．43生物灰岩0．71生物灰岩0．89生物灰岩王66125．052．7985．782．5427．99生物灰岩0．75生物灰岩0．92生物灰岩王66123．062．6986．682．5228．12生物灰岩0．68生物灰岩0．84生物灰岩官11059．469．9987．232．6124．89灰岩0．58白云质灰岩0．86泥灰岩官11051．6512．0981．662．5722．96灰岩0．60白云质灰岩0．87灰岩官11044．6713．8379．602．5521．83灰岩0．63灰岩0．79灰岩官11050．618．8779．252．6220．40灰岩0．61白云质灰岩0．78灰岩官2147．542．5676．782．5421．80灰质白云岩0．55生物灰岩0．81灰质白云岩官2152．522．6373．692．5422．72灰质白云岩0．48泥灰岩0．82白云质灰岩官2145．443．2369．732．5821．04灰质白云岩0．56灰质白云岩0．87灰质白云岩官2147．972．0979．472．5221．03灰质白云岩0．63泥灰岩0．79灰质白云岩官15164．222．4584．812．4928．65白云岩0．77灰质白云岩0．86灰质白云岩官15170．752．3488．312．6430．85白云岩0．63灰质白云岩0．82白云岩官15159．232．4585．182．6529．95白云岩0．59白云岩0．79白云岩官15156．922．4985．622．5829．08白云岩0．64白云岩0．81白云岩

1.2.1 主成分分析

郭熙在《林泉高致》[15]中强调绘画空间意境的“高远”、“深远”和“平远”。山水画中不拘泥与自然的景观顺序，根据立意对景物进行空间组合，通过简化轮廓，弱化边界表达，达到空间的相互渗透（图9）。

主成分分析是一种数据降维的方法，将主成分分析应用于岩性识别中，是通过将多个原始测井变量转换成几个独立的综合性测井变量，仅利用几个重要的主成分就能够代表多个测井变量之间的变化规律，这样就可以尽量减少信息的损失。

岩性综合识别方法是将主成分分析法与Fisher判别法相结合，首先应用主成分分析法确定出岩性敏感主成分，然后再利用Fisher判别法建立岩性判别函数，从而实现对全井段岩性的连续定量判别。

本次研究的思路是：①利用灰色关联法简单、直观、适合小样本的特点，对现有关联度量化模型进行改进，增强该方法在复杂岩性识别中的适用性。②利用主成分分析、判别分析方法，建立起一套综合的岩性识别方法，弥补单种识别方法的局限性。

表2 特征值与方差贡献率 Table 2 The characteristic value and the variance contribution rate

成分初始特征值自变量解释能力(标准化后)特征值方差/%累计方差/%DENGRCNLACRTF12．886457．7357．73-0．55100．1244-0．32130．0521-0．7583F21．319426．3984．12-0．13670．80610．3232-0．47250．0622F30．620112．4096．520．5463-0．1907-0．2227-0．6859-0．3810F40．10632．1298．640．54150．22130．45840．4766-0．4990F50．06781．36100．00-0．3385-0．49940．7298-0．2765-0．1642

(3)

以上转换方程中，F1～F5相互独立，且F1方差贡献最大，占总方差的57.73%，F2的贡献率为26.39%，F1、F2两个主成分占总方差的84.12%，这说明应用F1、F2这两个变量，可以代替原来的5个变量，数据信息损失很小。

设参考数列x0={x0(k)|k=1,2,…,n}，比较数列xi={xi(k)|k=1,2,…,n} (i=1,2,…,N),则x与xi的斜率关联度γ(x0,xi)为：

1.2.2 Fisher判别

判别分析法是依据前期工作经验积累中认为有关类别划分的方法及有关最优准则，判定一个新的样本归属哪一类最合适。Fisher 判别法是其中较为行之有效的一种方法，并且具有算法稳健、信息量大、准确率高和应用方便的特点。因此，在应用主成分分析确定了岩性敏感的最重要主成分F1和次重要主成分F2后，选用Fisher判别法来建立各类岩性的判别函数，以实现对全井段岩性的自动定量解释。

按照Fisher判别的算法，得到判别函数中分类函数的系数值，见表3。

图1 传统岩性交会图与主成分岩性交会图 Fig.1 Traditional crossplot and principal component analysis crossplot

表3 判别函数系数表 Table 3 The characteristic values and the variance contribution rates

系数Y123456F11．4820．499-74．741-52．281-2．773-12．053F212．96232．872-45．621-418．7209．185-8．450常数-3．329-8．044-372．686863．727-3．353-11．297

建立的各岩性的判别函数如下：

针对以上缺陷，本次研究对斜率关联度的算法进行了改进，在算法中用各序列变化量的平均值代替了序列值，使其不仅考虑相邻两点间的变化量，还考虑了各变量变化率的差异，力求使其能更好地保持待分析数据的特征，更全面地考虑序列间相关性的影响因素。改进关联度计算方法如下：

白云质灰岩：f2(x)=0.499F1+32.872F2-8.044

算法作为智能投顾业务的核心，算法编码的正确与否影响着投资者的投资策略和目标。我国智能投顾业务尚未建立起完善的算法检测机制，有必要尽快弥补该类空白。第一，平台需要全方位了解和把握智能投顾算法背后假设、原理、局限等；第二，记录算法相关设计规则和要素等，设置专门的文档用以储存，便于后续监管部门监督管理；第三，对智能投顾算法及时监测、改进和完善，实时更新；第四，如果算法出现错误，需要有及时止损设置，做到及时终止投资服务，尽可能避免投资者损失。

3．2 根据不同年龄阶段调整健康教育内容，重视知识巩固 调查发现，5年级小学生对一些慢性病防控知识如“体质指数（BMI）计算方法”，“导致高血压或血压升高的因素”和“每日食油量”等的知晓率均高于6年级。进一步分析学校问卷中健康教育课时发现，6年级平均课时数量（37．1节／学年）与5年级（36．4节／学年）相当。因此笔者推测这一结果应与5、6年级健康教育课程涉及的内容差异有关，因本调查并未涉及课程的具体内容，所以无法论证。但这提示在健康教育课程设置方面，不能只注重数量，要注意内容的合理性并要注重一些重点知识的巩固，这样才能达到更好的效果。

生物灰岩：f3(x)=-74.741F1-45.621F2-372.686

企业与农户签订合同的方式还能够有效稳定中药材市场价格的波动，稳定农户种植中药材的数量，避免农户因市场价格的刺激而盲目减少或增加种植量，有助于企业降低中药材收购成本，帮助企业将节省下的收购成本用于药材筛选、分装、贮存、运输等方面，帮助企业间接提高经济效益。中药材种植企业要充分利用互联网、物联网等信息化产物，通过线上交流降低无效中药材运输流通浪费的时间，提高中药材交易效率，缩短资金回收时间间隔，降低企业的财务风险。

目前灰色关联法在储层测井评价中的应用实例有很多[9-11]，但绝大多数都是直接使用现有的关联度量化模型，对于分辨系数的选取以及无量纲化处理方式的选择等问题都还没有形成一定的结论。

在全民“减脂”时代，体重和体脂被精准计算，精致生活成为向都市主流进阶的方式。人们急迫地在周围或者健身软件上找到身型参考，坚持健身，又辅以配套饮食方案。健康的名号之下，轻食、生酮饮食、补剂市场、左旋肉碱……这一切开始流行。在“减脂”市场疯狂增速的背后，暗色地带开始出现：小作坊生产的轻食外卖、“三无”减肥药横行市场、各种减脂饮食模式的非科学引导……当每一个减脂品类都被开发成了一门生意，在海量的信息和食品选择里，却是说不清的标准。

灰质白云岩：f5(x)=-2.773F1+9.185F2-3.353

白云岩：f6(x)=-12.053F1-8.450F2-11.297

判别方法是f1(x)～ f6(x)函数计算得到最大值，样本点就判定为该函数对应的岩性。对各样本点进行Fisher判别的结果见表4，所有96个样本中，判对的样本为79个，整体符合率为83.2%。其中，生物灰岩、灰岩、白云岩的符合率均为100%，泥灰岩的符合率为75%，白云质灰岩的符合率为87.5%，灰质白云岩的符合率为68%。由此说明，将主成分分析与Fisher判别相结合，用于岩性识别的思路是可行的，实际的应用效果是比单独使用主成分分析与Fisher判别的效果好。

2 储层划分

2.1 不同类型储层电性特征

陆相断陷盆地湖相碳酸盐岩是一种独特的沉积体系。对现代碳酸盐沉积物的研究发现，该类岩体主要发育于温暖、动荡、清澈的浅湖环境。主导控制因素是古构造、古气候和古地理三大因素。

本次研究利用12口探井岩心和160块岩心薄片分析资料，结合本地区碳酸盐岩的发育特点，综合了国内外众家之观点[15-16]，从油气勘探实际需要出发，采用了可操作性强的碳酸盐岩沉积结构分类方法，将本地区碳酸盐岩划分为泥晶型、生物型、颗粒型三大类(表5)。

1.1.2 仪器设备 6CST-40型滚筒杀青机、6CH-1型烘干机和6CR-30型名优茶揉捻机，均产自浙江衢州高山茶机厂；TAINA 350远红外测温计(-20～500℃)，上海精密仪器厂生产；700 mm篾质簸箕、手工套筛(自制)；干湿度计和茶叶专用审评茶具等。

表4 判别结果表 Table 4 The discriminant results

Y预测岩性代码123456总数计数12150020282070010830015000154000100010544001702560000099未分组个数1000001百分比/%17517．9007．10100．02087．50012．50100．0300100．0000100．04000100．00．00100．0516160068．00100．0600000100．0100．0未分组比例10000000100．0

表5 碳酸盐岩分类表 Table 5 The category of carbonate

类别岩石类型结构组分组分主要填隙物沉积环境1泥晶碳酸盐岩颗粒含量<10%泥晶静水低能带2生物碳酸盐岩骨架>10%非骨架生物组分>50%亮晶或泥晶浅水高能、阳光、氧气充足、水体清澈地带3颗粒碳酸盐岩颗粒含量>50%亮晶50%>颗粒含量>25%亮晶25%>颗粒含量>10%泥晶滨、浅湖波浪作用的高能带

2.1.1 泥晶型碳酸盐岩储层

从上表可以很直观地看到，李商隐诗中五律、七律、七绝是沈德潜最为欣赏肯定的，所选数量占选李诗的82%，其中七律更是以40%的高比重入选，这种情况就很符合传统诗论对于李商隐七律成就的推崇事实。这是就李商隐自身诗入选而言，那么在这些体裁的总体选诗量中李商隐诗又处于怎样的地位呢？详情可参考表3。

泥晶型碳酸盐岩发育于静水低能带，主要为化学及生物化学沉积，由原始沉积物文石质灰泥和白云岩化泥晶白云岩组成。岩石中不含或含少量颗粒，如果含颗粒，颗粒多以生物碎屑或完整化石为主，除近滩相沉积外，高能颗粒少见。泥晶碳酸盐岩的矿物成分随沉积环境或陆源物质供给丰度不同而大幅度地变化。产于滩相或滩内洼地的泥晶灰岩，其成分较为纯正；在陆源供给量较大时可形成泥灰岩，岩芯上常可见从泥岩泥灰岩灰岩渐变的过渡关系，有时它们也呈夹层产于滩相砂屑白云岩间。

泥晶型碳酸盐岩由于缺少颗粒，在成岩作用过程中，原生孔隙损失很快，成岩后岩石中基本不存在孔隙，阻止了侵蚀性流体的进入，从而不能在岩石中形成溶孔，因此其储集性能是三种类型中最差的。

主要储集空间由层间缝、收缩缝和少量溶孔组成。储层的主要岩性是泥灰岩，电性特征是：各类曲线总体变化幅度小，微电极曲线呈“齿状”，储层物性取决于泥质含量及裂缝发育情况。

图2 泥晶型碳酸盐岩典型曲线 Fig.2 The typical curves of crystal carbonate

2.1.2 生物型碳酸盐岩储层

生物型碳酸盐岩主要发育在浅水高能、阳光、氧气充足、水体清澈地带，由造架生物或藻类障积黏结而成原地堆积的，骨架组分含量大于10%。也可以是由非骨架生物(主要是介形虫、螺、蚌等)的壳体原地堆积埋藏石化而成，生物组分大于50%。目前已发现的这类生物有枝管藻、龙介虫管及形成叠层石的隐藻等。化石的保存状态与沉积环境有关，由完整生物体壳和泥伴生。生物粒屑亦常与砂屑、表鲕、球粒等粒屑相伴生。枝管藻易白云化，形成的白云岩多孔状、疏松易碎。

生物型碳酸盐岩的主要储集空间有原生骨架孔、生物体腔孔和生物溶孔。储层的主要岩性是生物灰岩，电性特征是：微电极曲线高值，有明显正差异；自然电位曲线明显负异常；高电阻率，储层物性随生物含量的增加而变好。

2.1.3 颗粒型碳酸盐岩储层

作为最小构造模型和正向试错模拟的中间步骤，人们可以利用续至震相进行层析成像反演。然而，其应用由于需要精确识别震相而受到限制。当特定震相与特定模型层或界面不相关时就会引入较大的误差。为了克服这些限制，一些学者提倡在射线追踪模拟之前识别震相（如 Majdański et al，2006），但是与向前一步跳过试错模拟的多层层析成像这一想法存在某种矛盾。现有的多层层析成像软件包（Hobro et al，2003；Trinks et al，2005）因为正向解相当慢，所以效率不高，然而，正如Malinowski等（2009）指出，它们可用于大型三维广角反射／折射测量的模拟。

颗粒型碳酸盐岩主要发育在滨、浅湖波浪作用的高能带，主要由砂、砾屑碳酸盐岩、鲕粒、球团粒等粒屑组成，颗粒含量大于10%，颗粒主要有介形虫、螺和藻等生物化石、鲕粒、内碎屑、团粒等粒屑，这些粒屑在沉积过程中经水力搬运或分选。由砂屑内碎屑组成的颗粒型碳酸盐岩为研究区主要的碳酸盐岩类型，也是主要的储集岩类。砂屑是在强水动力条件下，先期形成的半固结或弱固结的碳酸盐岩体遭到机械破坏形成的。

首先，在特色产业聚集的创业集群中，加快将现有支持“双创”财政政策向返乡创业人员创业拓展，通过村镇银行、邮政储蓄、小额信贷机构等有效的金融机构，为开展农业适度规模经营返乡创业农民工提供创业资金，解决其交易和生产过程中的资金问题。其次，按规定把返乡创业农民工纳入全国农业信贷担保体系支持范围，支持农民工返乡创业的融资担保、风险补偿基金，降低融资企业和金融机构双方的风险，实现企业和金融机构的共赢。同时恰当地通过建设返乡创业园降低返乡创业农民工用电用水用地等成本，推动农民工返乡创业集聚发展。最后是要预留新兴产业的载体，做好农村新增建设用地使用计划，落实好减税降费政策。

图3 生物型碳酸盐岩典型曲线 Fig.3 The typical curves of biotype carbonate

图4 颗粒型碳酸盐岩典型曲线 Fig.4 The typical curves of partical carbonate

颗粒型碳酸盐岩的储集空间主要有粒间孔隙、鲕模孔。储层的岩性包括：灰岩、白云岩、灰质白云岩、白云质灰岩等。电性特征是：曲线变化幅度取决于储层厚度以及上下围岩差异。薄层曲线变化呈锯齿状，中厚层储层碳酸盐岩电性特征明显(三低两高：低伽马、声波、中子，高电阻、密度)，物性好时曲线呈“U”形变化。

根据物性资料统计分析，颗粒型碳酸盐岩储层物性最好，孔隙度范围为15%～35%，渗透率范围为0.1～500 mD。

本文按照服务对象固定程度、可商业化运营程度、成本分担核算的可行性和准确性等维度，把以高校基本建设项目可以归纳为教学科研用房、日常生活用房、师生活动用房、行政管理用房等四类；然后根据PPP项目四种具体操作模式的特点和四类高校基本建设项目的特点，研究了新增项目和存量项目分类下，各个类型的高校建设项目适合采取的具体操作模式和付费机制，为高校利用PPP模式解决基本建设提出具体思路和路径。

2.2 平面岩相划分

研究区储层展布规律认识不清一直是影响该地区储量升级的难点。储层岩性、物性横向变化快，致使有效储层标准建立困难。本次研究应用上述的岩性综合识别方法，对研究区内23口井进行了岩性精细解释，并按照3种碳酸盐岩储层的岩性、物性、电性特征对23口井进行了岩性类型划分，分别对泥晶型、生物型和颗粒型碳酸盐岩储层在平面上的分布区域进行了圈定，明确了其分布规律，如图5所示。从图5上可以看出，本地区碳酸盐岩的发育具有明显的分带性。从南到北依次发育了颗粒型、生物型和泥晶型碳酸盐岩，粒度由粗变细，呈规律性变化。

图5 碳酸盐岩岩相分布 Fig.5 The lithofacies distribution map

3 结论

(1)相对于常规岩性识别方法，改进灰色关联法更适合解决样本不足、岩性复杂的岩性识别问题，具有快速、相对准确的特点。将主成分分析与Fisher判别法相结合，充分发挥两种方法的优势，使复杂岩性识别的精度达到了83.2%，具有推广使用的前景。

(2)研究区碳酸盐岩发育具有明显的分带性。从南到北依次发育了颗粒型、生物型和泥晶型碳酸盐岩，粒度由粗变细，呈规律性变化。

参考文献

[1] 何伶.利用常规测井资料评价碳酸盐岩裂缝—孔隙性储层[J].石油天然气学报,2010,32(6):258-262.

[2] 牛苗宁.富县地区马家沟组碳酸盐岩测井储层评价研究[D].西安:西安石油大学,2013:55-62.

[3] 田蒲源.轮古地区碳酸盐岩缝洞油藏储层流体识别技术研究[D].北京:中国地质大学(北京),2009:85-97.

[4] 何绪全,赵佐安,唐雪萍,等.复杂碳酸盐岩储层流体性质识别新技术[J].天然气工业,2005,25(增刊):32-34.

[5] 贾宏芳.碳酸盐岩储层测井解释方法研究[D].长春:吉林大学,2010:70-81.

[6] 高宪伟.应用测井资料定量识别碳酸盐岩沉积微相的方法研究[D].成都:成都理工大学,2013:21-26.

[7] 李保霖.基于测井数据的岩性识别方法研究[D].西安:西安科技大学,2009:61-68.

[8] 鲁国明.济阳坳陷碳酸盐岩油藏储层评级及有效厚度研究[J].石油实验地质,2011,33(2):155-159.

[9] 刘吉余,彭志春,郭晓博.灰色关联分析法在储层评价中的应用——以大庆萨尔图油田北二区为例[J].油气地质与采收率,2005,12(2):13-15．

[10] 吕锋,刘翔,刘泉.七种灰色系统关联度的比较研究[J].武汉工业大学学报,2000,22(2):41-44.

[11] 张绍良,张国良.灰色关联度计算方法比较及存在问题分析[J].系统工程,1996,14(3):45-49.

[12] 李明凉.灰色关联度新判别准则及其计算公式[J].系统工程,1998,16(1):68-70.

[13] 彭得兵,唐海,李呈祥,等.灰色关联法在剩余油分布研究中的应用[J].断块油气田,2010,22(3):133-136.

[14] 肖新平.关于灰色关联度量化模型的理论研究和评论[J].系统工程理论与实践,1997,17(8):76-81.

[15] 王宝萍,李艳承,董小刚.鄂尔多斯盆地伊陕斜坡西部山西组古沉积环境及烃源岩评价[J].非常规油气,2017,4(1):14-22.

[16] 赵冲,屈红军,章志明.杏子川油田化子坪南区长6储层特征及分类评价[J].非常规油气,2017,4(5):44-50.