4. 测井数据预处理与质量检查

吸水剖面测井的原始资料，从井下仪器采集到最终进入分层配注计算，中间必须经过一套完整的预处理与质量检查流程。原因很直接：同位素示踪、流量计、井温、压力等多条曲线是在同一趟或不同趟下井中获得的，仪器漂移、深度误差、示踪剂沾污、接箍定位偏差、重复测量差异都会污染数据。如果把这些未经检查的数据直接代入分层吸水量公式，误差会被放大到各小层的配注量上，导致配注方案"看起来算得通、实际注不进去"。本节按数据处理的先后逻辑，讲清异常值识别、深度校正、重复性检验、归一化与可信度评估这五个环节各自要做什么、怎么做、结果怎么判断。

一、异常值识别：先分清"坏点"和"真异常"

异常值识别不是简单地把偏离均值大的点删掉。测井曲线上有两类"异常"：一类是仪器或施工造成的坏点，如同位素曲线上的尖峰毛刺、流量计遇阻后的跳变、井温曲线的阶跃；另一类是地层真实的响应，如射孔孔眼处同位素强度骤增、吸水层段流量计转速明显下降。前者必须剔除或平滑，后者恰恰是要保留的关键信息。因此识别前要先建立"正常基线"的概念：以稳定泥岩段或非射孔段的读数作为背景值，只有明显偏离背景且不具备地质合理性的点才判为坏点。

工程上常用的判据有三类。其一是幅值判据，设定物理量程上下限，例如同位素计数率超过背景值若干倍且持续仅一两个采样点，多为沾污或统计涨落；其二是变化率判据，相邻采样点差值超过设定阈值即标记，适用于流量计、压力曲线；其三是统计判据，用中位数绝对偏差（MAD）代替标准差，因为标准差本身会被异常值拉大。以一组示例数据说明：某段同位素计数率背景中位数约 1200 cps，MAD 约 90 cps，若某点读数 2600 cps，偏离约 15 倍 MAD，且上下采样点迅速回落，则判为坏点；若该点位于射孔井段且连续多个采样点维持高值，则应保留为吸水显示。识别出的坏点一般做剔除加邻点插值，或对短毛刺做三点中值滤波，处理前后要在原始曲线上留痕，便于复核。

二、深度校正：把多条曲线对齐到同一深度基准

深度校正是预处理中最容易被低估、却对分层结果影响最大的环节。不同测井项目、不同趟次下井，电缆伸缩、仪器零长、测速差异都会造成深度错位，几米的偏差足以让同位素吸水显示"落"到错误的射孔层。校正的基本思路是找一个深度上确定、响应上清晰的共同标志——最常用的是套管接箍（磁定位曲线上的明显尖峰）和射孔井段（自然伽马或同位素曲线的突变）。

具体做法是：在磁定位曲线上拾取各接箍深度，与套管记录中的接箍深度逐一对比，得到一组深度偏差值，若偏差近似常数则整体平移，若随深度线性增大则做线性拉伸/压缩校正，即对曲线深度轴施加 d' = a·d + b 的变换，其中 a 由首末接箍偏差确定、b 为常数偏移。校正后必须用未参与拟合的中间接箍做验证，残差应控制在 0.5 m 以内（示例判据，实际按井况和仪器精度确定）。需要强调的是，深度校正的参照约定要全文统一：本课程约定深度向下为正、校正量指"曲线深度减去套管记录深度"，后续图示与计算均按此约定，避免正负号混淆。

三、重复性检验：用两次测量互相"作证"

重复性检验的核心是判断同一口井、同一层段在相近条件下两次测量结果是否一致。常用做法有两种：一是同趟下井的正反两个测速段对比，二是不同趟次（如投球前后、不同注水量下）对同一非目的层的重复测量。检验指标一般用相对偏差：对同一层段的吸水百分比或流量计读数，计算两次结果的差值绝对值与两次均值的比值。示例判据取 10%：若某层两次测得吸水比分别为 28% 和 31%，相对偏差约 10.2%，处于临界，应结合该层同位素显示强度和流量计分辨率综合判断；若为 28% 和 40%，偏差约 35%，则说明该层数据不可靠，需检查是否因示踪剂分布不均、测速不稳或层间窜流造成。

重复性检验还有一个容易被忽略的作用：它能暴露系统性的深度问题。如果两次测量各层吸水比的"形状"相似但整体错位，往往不是数据随机误差，而是深度校正没有对齐，此时应回到深度校正环节复查标志层拾取，而不是简单地把数据判为不合格。

四、数据归一化：让不同来源的曲线可以相加、可以比较

归一化要解决两个问题。第一是量纲和背景差异：同位素计数率受示踪剂用量、测量时间、仪器灵敏度影响，不同趟次绝对值不可直接比较，必须先扣除泥岩段或非射孔段的背景值，得到净计数率，再转换为相对吸水比。第二是闭合约束：各小层吸水比之和应为 100%，若因测量误差导致总和为 96% 或 104%，需按比例归一。示例计算如下：某井三个射孔层扣除背景后的净计数率分别为 480、720、600 cps，总和 1800 cps，则相对吸水比分别为 26.7%、40.0%、33.3%，三者相加恰为 100%。归一化后的结果才是分层配注计算的输入。

需要提醒的是，归一化不能"救活"坏数据。如果某层净计数率为负值（背景扣除过度）或异常偏高（沾污未剔除），归一化只会把错误按比例分摊到其他层，因此归一化必须放在异常值识别和深度校正之后执行。

五、可信度评估：给数据打上"能不能用"的标签

可信度评估是把前面各环节的检查结果汇总成一个明确结论，通常分为合格、存疑、不合格三级。评估维度包括：异常点比例是否在可接受范围、深度校正残差是否达标、重复性相对偏差是否超限、归一化后各层吸水比是否出现负值或明显不合理突变、以及各条曲线之间是否相互印证（例如同位素显示吸水层段与井温异常段是否一致）。只有各项检查均通过的数据才标记为合格并进入配注计算；存疑数据可用于参考但需在成果中注明；不合格数据必须重测或重新处理。

把上述五个环节串起来看，预处理与质量检查的本质是"让数据先可信、再可用"：异常值识别保证单条曲线干净，深度校正保证多条曲线对齐，重复性检验保证测量可复现，归一化保证结果可比较、可闭合，可信度评估则给出最终放行判断。只有走完这一流程的数据，才具备进入分层配注计算的基本资格。