基于ECS测井的岩性识别方法

地球化学元素测井(ECS测井)可以定量地提供地层中的Si、Ca、Fe、S、Ti、Gd等化学元素的含量,利用这些元素与地层矿物之间的关系可以分析岩石矿物含量.在研究区利用ECS测井对岩石矿物含量进行定量评价时,由于矿物组合类型选择有误,导致矿物解释结果与岩心和录井资料分析结果存在偏差.针对这一问题,本文基于ECS测井岩性识别常规方法,提出两点改进:1),利用岩石薄片资料对ECS测井所选矿物组合进行校正;2)利用矿物和指示元素相关关系建立方解石和石膏的快速评价模型,模型相关系数分别0.99、0.96.应用表明,建立的快速评价模型计算更简洁,并且具有和矿物闭合模型相同的精度,此外,其解释结果与录井、岩心分析结果吻合度更高,说明该方法的可靠性.该方法可为测井识别岩性提供一种新的选择.     

基于元素俘获能谱测井的多矿物最优化处理方法(英文)

计算地层岩石矿物组分并形成连续变化的岩性剖面是测井解释的核心工作之一。相对于传统的POR、CRA等处理方法,最优化方法能够利用各类测井、地质信息进行综合求解,适用范围更广、计算精度更高。元素俘获能谱测井可以提供多达9种常见地层元素的重量百分含量,使得岩性剖面的计算更直接、更准确。为了充分发挥最优化方法、元素俘获能谱测井的优势,进一步提高岩石矿物组分计算的精度,本文首先确定了不同矿物的元素俘获能谱测井响应方程形式和权重系数计算方法,然后在全岩氧化物实验分析和理论计算的基础上确定了常见矿物的元素含量测井响应值,从而形成了一套完整的基于元素俘获能谱测井的多矿物最优化处理新方法。应用证明,新方法的处理结果与岩心分析结果具有较好的一致性,平均绝对误差在10%以内,其计算精度更高。     

南堡5号构造火山岩岩性识别技术研究

南堡5号构造具有火山多期喷发、岩相岩性复杂的地质特征,岩性识别困难.本文在取心分析、薄片鉴定、电镜扫描的基础上,分析总结不同岩性的测井响应特征,综合应用常规测井、ECS测井和成像测井资料,采用"结构"-"成分"-"粒级"的三级分类方法,利用交会图技术进行岩性识别.同时为能利用多条测井曲线识别岩性,并能避免分析问题的难度和复杂性,采用自动判别分析、主成分分析方法进行岩性自动识别,取得了较好的效果.     

基于DBN模型的火山岩岩性识别方法——以车排子地区为例

准噶尔盆地西北缘红车断裂带石炭系火山岩储层历经火山多期喷发形成,岩石矿物组成与岩石结构复杂、岩石类型繁多,导致常规方法识别岩性存在困难.为了能提高火山岩岩性识别精度,提出一种基于深度置信网络(DBN)识别岩性的方法.本文通过对薄片鉴定资料、岩心观察资料及测井数据统计分析,根据火山岩类型总结的测井响应特征绘制交会图,发现...     

基于深度卷积神经网络的岩石矿物组分含量测井评价方法研究

岩石矿物组分含量是地球物理勘探开发中的重点关注对象.在岩心与地层元素测井资料较少的情况下,如何提高矿物组分含量参数的预测精度显得尤为关键.本文采用深度学习方法,利用常规测井曲线对来自于地层元素测井获得的矿物组分含量进行预测.首先基于残差网络(ResNet)框架,利用一维卷积核和池化核构建了卷积神经网络模型.模型采用自然伽马、自然电位、井径、阵列感应电阻率、三孔隙度以及光电吸收截面指数测井参数作为输入,地层元素测井获得的矿物组分含量作为输出.随后对所搭建卷积神经网络进行了训练,建立了输入与输出之间的实际映射关系.最后,利用测试数据集和真实地层资料,对所建立的卷积神经网络进行了精度检验,并与人工神经网络和多元线性回归的评价结果进行了比较.结果显示,卷积神经网络在测试数据集上的总体预测数值相关性为0.90,明显优于人工神经网络的0.68与多元线性回归的0.51.通过处理实际测井资料,进一步验证了该方法的预测优越性和鲁棒性,以及其在地层参数评价方向的良好应用前景．     

页岩岩相测井表征方法——以准噶尔盆地玛湖凹陷风城组为例

页岩油气藏作为重要的非常规油气藏，富含巨大的油气资源潜力，且常形成于深湖-半深湖沉积体系.页岩中复杂的矿物成分以及沉积组构类型对于页岩储层物性、含油性和可动性具有重要的影响，因此“矿物成分+沉积组构”的岩相划分与识别是页岩储层油气勘探开发的关键所在.但由于目前常规测井纵向分辨率有限导致无法实现页岩中毫米尺度的沉积组构精细描述，在页岩“矿物成分+沉积组构”岩相的识别方面尚未形成完整的方法理论体系.本文由此将利用岩心刻度测井的方法，通过岩性扫描测井与微电阻率成像测井相结合的方法，对玛湖凹陷风城组页岩层段的矿物成分和沉积组构类型进行连续识别，实现单井页岩段“矿物成分+沉积组构”岩相类型划分.通过岩相划分结果与现场试油试采资料相对照，发现薄层状与厚层状长石-石英质泥页岩相叠置发育的岩相组合产能最佳，因此可作为风城组页岩层段的优势岩相组合进行深入研究，为后续勘探开发提供参考．     

全球变化的地球物理测井研究

地球物理测井可以直接服务于全球变化的方面有;地球物理测井矿物分析（粘土矿物分析计算,碳酸盐含量分析计算,反射光谱计算分析）,地球物理测井岩性分析（粗细成分含量分析计算,平均粒度,层里一纹理类型,岩石孔隙度,渗透率）磁性地层测井分析（磁测试对比或计算后为全球变化问题间接斩有：同位素地层分析,旋回与层序地层划分,地层水化学成分分析;     

基于改进多粒度级联森林的测井岩性识别方法研究与应用

岩性是储层评价和地层开发潜力评测的关键因素,是油藏描述、实时钻井监控及求取储层参数的基础.测井资料中包含丰富的地层岩性信息,是岩性分析的基础资料.然而,数据信息的精度往往会严重的影响到识别的准确率,同时复杂的岩性状况也加大了测井解释的难度,如何快速、精确、低耗地利用测井资料获取地层岩性信息越来越受到研究人员的重视.针对传统深度神经网络复杂的网络模型和学习性能严重依赖对超参数调节的问题,本文在机器学习的基础上引入余弦相似度对多粒度级联森林方法进行改进,提出改进多粒度级联森林模型(Improve Multi-Grained Cascade Forest,IgcForest),有效地提高了岩性识别的效率和精度.在大庆油田实际测井数据上使用IgcForest方法,综合自然伽马(GR)、声波时差(AC)、密度(DEN)、微梯度电阻率(RMN)、深侧向电阻率(PHIND)和浅侧向电阻率(RLLS)六种测井参数,对页岩、粉砂岩和砂岩进行识别,取得了较好的识别效果.通过实验数据对比,使用IgcForest模型的岩性识别准确率高于支持向量机、深度神经网络、决策树和多粒度级联森林(Multi-Grained Cascade Forest,gcForest)等其他模型10％左右,算法整体准确率高达87％,表明其在岩性识别算法中更具有发展前景.     

测井岩性识别新方法研究

为了更好地解决测井岩性识别问题,引入了一种基于粒子群优化的支持向量机算法.通过实际测井资料和岩性剖面资料进行学习训练支持向量机,并利用粒子群优化算法对支持向量机参数进行优化,建立了测井岩性识别的支持向量机模型,应用该方法对准噶尔盆地某井的测井岩性进行识别,并将该方法的识别结果与BP神经网络方法的识别结果进行了比较,结果表明该方法优于BP神经网络方法,具有识别正确率高、收敛速度快、推广能力强等优点.     

应用最小二乘支持向量机识别广利油田沙四段储层岩性

广利油田沙四段储层岩性以为粉砂岩、细砂岩和不等粒砂岩为主,岩性非均质性较强,应用常规测井交会图识别岩性难度大.本文介绍了最小二乘支持向量机的原理及实现流程,利用网格搜索法确定的参数对δ2(C,δ)=(2000,0.707)开展了广利油田沙四段储层岩性的测井识别.应用效果表明,测井识别岩性与岩心分析资料的符合率达到了86％,可满足广利油田沙四段储层岩性识别的需要.