基于最小二乘支持向量机测井识别火山岩类型:以辽河盆地中基性火山岩为例

最小二乘支持向量机是在统计学习理论基础上发展起来的模式识别方法。与传统统计学相比,它能有效解决有限样本、非线性、高维数模型的建立问题,而且建立的模型具有很好的预测性能。岩性识别本质是解决分类问题,本文基于最小二乘支持向量机解决分类问题的优势,首先用GR、CNL、DEN、AC、R_LLD等常规测井曲线数据建立样本空间;然后通过耦合模拟退火和交叉验证的方法寻找最佳参数,优化最小二乘支持向量机分类器;最后建立了最小二乘支持向量机岩性识别模型。通过取心段岩心描述和岩心/岩屑薄片鉴定,确定辽河盆地40口井315 m井段2 520个岩性样品作为训练样本,建立岩性识别标准。对8口井13 866 m井段110 928个火山岩数据采样点进行测井识别,可识别致密玄武岩、气孔玄武岩、粗面岩等8种主要火山岩类型。识别结果与8口测试井中316个有取心段岩心描述和岩心/岩屑薄片的精确岩矿定名对比,符合率达到75.2%,与以往测井识别复杂火山岩岩性相比,在识别准确率和效率上都有明显提高。     

辽河东部凹陷火成岩测井岩性识别方法与应用

采用基于K-means聚类算法的RBF神经网络法对辽河盆地东部凹陷火成岩岩性进行识别。综合利用自然伽马、补偿中子、声波时差、密度与电阻率的实际测井资料,建立火成岩岩性识别的基础RBF神经网络。选取有岩芯和岩屑记录的若干井次试验验证,该方法清楚地识别出了玄武岩、粗面岩等6种火成岩,识别准确率平均可达70%以上。     

基于梯度提升算法的岩性识别方法

传统的岩性识别方法如岩屑录井、钻井取心及测井资料解释等技术,对录井质量的依赖程度较高,识别精度与效率低,泛化能力差。随着计算机技术的迅速发展,将测井资料与计算机技术相结合开展岩性研究已成为岩性识别的有效手段。本文提出了一种基于梯度提升算法XGBoost和LightGBM的岩性识别方法。以苏里格气田苏东41-33区块下碳酸盐岩储层为例进行测试验证,采用该方法结合测井资料中的声波时差、自然伽马、光电吸收截面指数、密度、深侧向电阻率和补偿中子等6种参数进行岩性识别,并与KNN （K近邻分类器）、朴素贝叶斯和支持向量机等传统算法进行对比,结果表明,3种传统算法的岩性识别准确率分别为78.45%、74.43%和78.72%,基于梯度提升算法XGBoost和LightGBM的识别准确率分别达到了98.90%和98.72%,远高于传统算法。     

支持向量机与微电阻率成像测井识别火山岩岩性

针对火山岩储层,从岩石化学成分分类和岩石结构分类两个角度出发,提出了一种利用测井资料识别火山岩岩性的方法。基于取芯薄片鉴定资料获得对应井段的常规测井数据,利用统计学习理论中的支持向量机方法对其处理,得到地质上按岩石化学成分分类的火山岩岩性类别。建立地层微电阻率成像测井图像与不同结构火山岩岩性之间的对应关系,归纳出典型的微电阻率图像模式,从而得到地质上按岩石结构分类的火山岩岩性类别,结合上述两者结论确定最终岩性,实现了运用支持向量机算法处理常规测井资料与微电阻率图像模式相结合的火山岩岩性测井识别新方法。     

基于遗传算法优化的支持向量机在岩性识别中的应用

为提高测井岩性识别的精度,本文结合乌夏地区岩芯资料和测井数据,总结该地区砂砾岩测井响应特征,优选出声波、自然伽马、密度、中子孔隙度和电阻率等5条测井曲线参数作为训练和测试样本,通过遗传算法挑选出最佳的支持向量机核函数参数σ和惩罚因子C,建立支持向量机岩性识别模型。结果表明该模型实际数据预测总体符合率为81.6%,在识别准确率上与传统测井识别砂砾岩岩性方法相比都有明显提升。     

基于随机树嵌入的随钻测井岩性识别方法

岩性识别是储层评价中的一项重要工作。随着机器学习方法的不断发展,岩性的智能识别也成为热门研究方向。随钻测井技术目前已经得到了广泛的应用,但是受限于高温高压的钻井作业条件,随钻测井仪器只能测得少量测井参数。由于随钻测井参数较少,直接输入机器学习模型无法充分挖掘其中的信息。对此,本文将随机树嵌入引入随钻测井资料的岩性识别。该方法将低维随钻测井数据通过二叉树编码并转化为高维稀疏特征,利用升维后的数据进行训练从而提升机器学习模型的判别能力。对比实验结果表明,使用随机树嵌入的随机森林方法具有最佳的识别效果,准确率和F₁值较直接使用随机森林分别提升了3.16%和3.25%,且优于梯度提升树、极随机树和粒子群优化支持向量机算法。     

基于常规测井数据的火山岩岩性神经网络识别:以松辽盆地南部长岭断陷为例

松辽盆地南部长岭断陷火石岭组火山岩岩性复杂多变,成岩改造强烈,常规测井交会图法无法予以有效识别,严重阻碍了研究区火山岩油气藏的勘探开发进程。笔者以长岭断陷17口钻遇火石岭组火山岩钻井为基础,建立取芯段火山岩岩性序列,提取了8种火山岩常规测井(GR、LLS、LLD、CNL、DEN、AC)数据258组,总结出不同火山岩的测井响应基本特征。提取的数据随机分为训练数据(70%)和预测数据(30%)。训练数据用于建立BP神经网络岩性预测模型,同时引入Dropout机制减少过拟合现象。预测数据用于验证该模型岩性预测符合率。研究结果表明,该模型岩性预测符合率最高达89.03%,可有效区分研究区主要火山岩岩石类型。     

克拉美丽气田石炭系火山岩复杂岩性岩电特征

准噶尔盆地东部克拉美丽气田石炭系火山岩岩石类型复杂多样,且同一岩性由于结构、构造和成分的差异,电性特征差异亦较大,岩性识别困难。本文通过对该区14口井取心段岩电关系研究,认为自然伽马、电阻率、密度三种曲线岩性特征响应明显; 电阻率、中子、密度、声波四条曲线对火山岩岩石构造特征响应明显。并编制了岩性和岩石构造测井识别交会图版11张。进而利用电测资料识别出该区11种火山岩岩石类型: 正长斑岩、二长斑岩、玄武岩、粗面岩、英安岩、流纹岩、霏细岩、沉凝灰岩、熔结凝灰岩、火山角砾岩和熔结火山角砾岩; 识别出5种岩石构造类型: 正长斑岩中气孔及块状构造和玄武岩中杏仁、碎裂及块状构造。通过本区12口钻井取心后验,测井识别结果与钻井岩心分析结果吻合良好,可作为地区性火山岩测井岩性、岩石构造识别模式。     

火山岩岩性识别方法研究

岩性是测井储层评价的基础,在火山岩油藏的测井评价过程中,由于火山岩岩性定名方法的不统一以及岩性识别方法的不完善,使火山岩油藏的测井评价难以开展。采用国际地科联（IUGS）推荐的TAS图方法对火山岩岩样定名,并以此为基础,使用神经网络方法利用测井资料识别火山岩岩性。研究结果表明,利用传统的统计判别方法建立的测井资料与火山岩岩性的判别关系,识别符合率只有65%;而使用神经网络方法建立的判别关系,识别符合率可达81.8%。     

庐枞矿集区科学钻探的岩性识别方法

庐枞矿集区科学钻探钻遇岩性复杂,岩性亚种类别繁多,利用测井资料识别岩性存在较大的技术难度。笔者采用网格搜索法、粒子群优化和遗传算法三种方法优选支持向量机的核函数参数γ和惩罚因子C,其中基于遗传算法优选的支持向量机参数准确率最高。利用测井,结合岩芯、录井等资料,基于遗传算法建立支持向量机岩性自动识别模型,该模型实际数据预测总体符合率为86.86%,优于BP神经网络,全井岩性识别与岩芯录井相符,取得了好的应用效果。     

利用支持向量机识别松辽盆地火山岩岩性

利用支持向量机(SVM)方法,选取个性特征元素,建立火山岩岩性成分的识别方法,来区分玄武质、安山质、粗面质、英安质、流纹质火山岩岩性.通过对松辽盆地内部的火山岩样本进行学习和预测,火山岩大类平均识别率达到95%以上,表明支持向量机在火山岩岩性成分识别方面取得了良好效果.     

四川攀枝花二叠纪双峰式火山岩地球化学特征及其地质意义

攀枝花二叠纪火山岩发育有玄武岩和粗面岩的基性和碱性两个端元,区域上明显缺失中间过渡类型。玄武岩SiO_2含量处于45.65%~49.32%范围内,粗面岩SiO_2含量介于64.39%~69.17%之间,构成经典的"双峰式"火山岩特征组合。两者均具有富Na、贫K、轻稀土富集、轻重稀土明显分馏的特征。特征微量元素Nb/Ta、Th/Ta、Th/U比值变化相对较小,玄武岩分别为15.16、2.70和4.13,粗面岩分别为15.40、2.55和4.12,显示两者具有相似的地球化学属性。微量元素特征显示,除了Ti和Y等少数高场强元素不协调以外,玄武岩与粗面岩绝大多数微量元素变化规律相似,且Rb、Ce、Y、Nb、Hf、Ta等元素与洋岛玄武岩(OIB)特征一致,说明它们具有地幔柱构造系统下的岩浆属性,岩浆源于石榴石二辉橄榄岩岩石圈地幔的部分熔融。结合前人资料,攀枝花二叠纪双峰式火山岩的厘定,不仅暗示了岩浆形成于拉张的裂谷构造环境,也为西南地区二叠纪峨眉山大火成岩地幔柱成因提供支撑。     

长白山天池老虎洞期火山活动地质特征及成因意义

长白山天池火山老虎洞期火山活动发生在更新世晚期白头山组碱性粗面岩喷发之后,火山活动的产物主要为玄武岩质火山碎屑岩和少量玄武岩质或粗面岩质熔岩;老虎洞组火山岩的稀土元素地球化学特征介于早期玄武岩和气象站组碱流岩两者之间,将二者有机地联系在一起,使整个天池火山岩的演化趋势更加清晰。老虎洞组火山岩的存在充分证明了天池火山的粗面岩类与该区早期的大量玄武岩具有成因联系。长白山天池火山活动的成因并非简单地用西太平洋板块的俯冲作用所能解释的。     

线性降维映射方法识别火山岩岩性

随着世界对油气资源的需求不断增加,火山岩油气藏的勘探和开发逐步成为油气储量、产量的新的增长点。火山岩岩性研究是火山岩油气储层研究的基础。常规的识别岩性方法不是很有效,作者曾用主成份分析方法来识别火山岩岩性,取得了一些效果,能够把基性岩,中性岩和酸性岩三大类岩石区分开来。但当岩性中也包括结构时,识别的效果就不是很理想,很难将流纹岩和流纹质凝灰岩区分开来。对岩石薄片鉴定,全岩分析以及综合测井曲线得到的火山岩岩样应用线性降维映射方法来识别,取得了很好的效果,它能将常规主成份分析方法很难区分的流纹岩和流纹质凝灰岩区分开来。