基于非开挖随钻检测系统与随机森林的地层岩性识别

通过自主研发设计的非开挖随钻检测系统,采集非开挖钻进参数,进行非开挖钻进实时地层岩性识别,为非开挖施工提供安全信息保证。针对非开挖工程工勘资料缺乏,掘进地层岩性难以判断的问题,提出了一种基于非开挖随钻检测系统实时采集数据,利用随机森林算法建立地层识别模型,通过模型去识别未知地层,并将识别结果可视化展示。通过非开挖随钻检测系统在工程现场的实际应用,获得了包括钻速、扭矩、转速、拉力、泵压、泵量等钻进敏感参数作为训练样本,利用随机森林算法对采集的钻进参数进行训练,构造决策树与随机森林,对钻进参数进行分类,建立了以典型非开挖地层岩性分类为目标的分类模型,分别确定了杂填土、黏土、粉细砂、砾石和淤泥的地层分类标签。进一步,基于机器学习的分类结果,利用PCA主成分分析将地层识别特征降维至三维,实现了地层岩性识别结果的三维展示。将预测模型应用于实际工程,以验证其有效性。结果表明,该方法能在非开挖实时钻进条件下快速识别钻进地层,识别正确率高达92%。该研究成果通过采集导向随钻参数,识别非开挖掘进段地层岩性,为非开挖扩孔阶段钻具选型、泥浆设计等提供了重要信息。     

基于不同机器学习模型的石油测井数据岩性分类对比研究

特定的计算工具帮助地质学家识别和分类油井钻探的岩石岩性,降低成本并提高工作效率。机器学习方法集成了大量信息,能够高效地实现模式识别和准确决策。文章将挪威海5口油井进行岩性分类,通过将数据随机分为训练集(70%)和测试集(30%),利用多变量测井参数数据进行训练和验证,对比多层感知器(MLP)、决策树、随机森林和XGboost等模型的应用效果。研究结果显示,XGBoost模型在数据的泛化性方面表现更佳,其准确率为95%;随机森林模型次之,准确率为94%;而多层感知机(MLP)和决策树模型表现出较好的鲁棒性,准确率分别为92%和90%。     

基于云端大数据的智能导向钻井技术方法

导向钻井技术方法是21世纪全球石油工业最重要的技术之一,也是美国“页岩气革命”核心技术水平钻井的关键组成部分。当前,导向钻井的主要研究目标是提高钻井速度、降低钻井时间和风险,智能化是目标实现的重要途径。文章分析了国内外大数据与人工智能在石油工业应用情况,建立了云端大数据智能导向钻井方法架构,提出了随钻测井参数人工智能反演与识别方法,指出了云端大数据与智能算法管理的实现途径,得出如下结论:(1)基于云端大数据智能导向钻井方法主要包括物联网感知层、大数据存储层和云平台决策层。物联网感知层实现井场关键信息的采集并传输至大数据中心;大数据中心支持数据存储与云管理;云平台决策层依托大数据中心的海量数据,进行云端地面软件控制、人工智能决策以及云平台管理。(2)采用机器学习的方法智能反演与识别地层岩性,选择自然电位、自然伽马、密度、声波、补偿中子、电阻率等6条随钻测井数据,分别采用不同的机器学习算法进行地层岩性反演与识别,决策树模型和随机森林模型分别达到0.81和0.89的准确度,形成了一套可快速自动描述岩性特性分类的方案。(3)云端平台管理决策可进行井下实时数据解码,获取钻井轨迹和测井曲线,其中云端人工智能决策模块对地层及钻井参数进行智能反演预测,可实现钻井轨迹智能修正和钻井参数智能优化,保证智能导向工程钻得准、钻得快。     

基于随机森林算法的泥页岩岩相测井识别

泥页岩岩相识别是页岩油空间分布及勘探目标预测的一项重要工作,受地层非均质性及测井信息冗余的制约,基于测井响应方程的岩相识别十分困难.本文建立了一种基于随机森林算法的岩相识别模型,使用SHAP方法量化测井参数重要性.结果表明：随机森林算法可以很好地识别泥页岩岩相,其准确率高于支持向量机、KNN和XGBoost,并且对数据集中岩相类别不均衡的分类问题更加有效;对模型识别岩相最重要的前3项测井参数是自然电位、井径和声波时差;该模型可快速识别单井岩相,再根据总孔隙度、游离烃S1、TOC等参数可确定有利岩相类型,进而确定研究区有利岩相分布,为后续“甜点”预测提供依据.     

PNN在煤田随钻测井岩性判识应用研究

介绍了PNN方法原理及其算法训练学习过程,详细阐述了网络识别岩性参数的选取、岩性识别模型的建立过程.通过对比研究PNN与其他6种岩性识别方法,分析相同条件下预测结果,得到不同识别方法的优劣性.经研究发现,PNN概率神经网络方法在生产应用中效果更佳、训练识别用时最短.利用人工智能神经网络对测井数据进行自动解释分析,可满足随钻测井时效性及快速解释处理的地质导向需求.     

3种经典机器学习算法在火山岩测井岩性识别中的对比

岩性识别一直是火山岩油气勘探中的重要课题,基于测井数据的岩性识别也逐渐成为火山岩研究的需要,大数据背景下的机器学习算法为测井岩性识别提供了一个新方向。为提高某研究区火山岩岩性识别符合率,本文采用K近邻、支持向量机和自适应增强3种经典机器学习算法,对研究区内的粗面岩、非致密粗面岩、辉绿岩、辉长岩、玄武岩和非致密玄武岩等6类中基性火山岩进行岩性识别。从常规测井系列中优选对研究区岩性敏感的自然伽马、声波时差、补偿中子、深侧向电阻率和补偿密度等5种测井参数作为岩性识别模型的输入向量,从研究区内5口有岩心样品或薄片鉴定资料的目标层中选取测井数据点1 440个,其中960个作为训练样本,其余480个作为测试样本。以识别符合率和时间作为评价指标,对3种算法的识别结果进行对比分析,实验表明：自适应增强算法的分类准确率最高,6类岩性平均识别符合率达到82.10%;支持向量机算法表现良好,平均识别符合率为81.04%;K近邻算法平均识别符合率为76.04%。     

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。     

基于梯度提升决策树(GBDT)算法的岩性识别技术

对覆盖区下伏岩体的有效识别是实现深部找矿突破的关键,近年来机器学习理论的发展为岩性识别提供了新的思路。梯度提升决策树(GBDT)算法是以决策树为基函数的集成学习方法,算法通过将学习得到的多个树模型进行集成,可以达到同时减少模型方差和偏差的效果。本文以地球化学元素数据为基础,利用GBDT算法进行岩性识别研究,并将所得结果与KNN、SVM和决策树3种机器学习算法进行对比,结果表明,针对岩性识别问题,GBDT算法具有更高的精度,可以作为岩性识别的参考技术,具有一定的推广和应用价值。     

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。     

基于深度学习方法的测井岩性识别研究

采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。以上模型可应用于不同环境和需求。文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。     

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。     

基于特征加权的KNN模型岩性识别方法

岩性识别是一项重要的地质工作,为固体矿产勘探与油气勘探奠定了坚实的地质基础。岩石物性是连接岩性和地球物理场的桥梁,可以通过物性之间的差异进行岩性识别,但不同岩石的物性数据往往存在一定重合,仅靠交会图无法准确地识别岩性。KNN(K近邻)模型是一种简单、直接的机器学习方法,准确度和灵敏度都很高,适用于多分类问题。基于此,本文将基于特征加权的KNN模型引入岩性识别中,该方法将传统KNN模型与属性特征的信息增益相结合,对不同特征赋予不同权重,可以直观地反映属性特征对分类的重要程度。实验证明,相比于传统KNN方法,基于特征加权的KNN模型对岩性交界处的识别能力有大幅提升,整体提高了岩性识别的准确性和稳定性。     

机器学习算法在地球物理测井中的适用性及应用

机器学习，特别是深度神经网络学习算法的发展，正在改变人们发现知识的方式。目前油气工业正在向转向非常规和深海的油气勘探和开发。基于有限岩石物理参数建立的评价解释模型难以满足反映非常规储层复杂的岩性和结构，这使传统测井评价技术受到了很大的挑战。以油气大数据为基础、机器学习算法为核心、油气大数据云计算为动力以及油气应用场景为源泉的油气人工智能（Oil&Gas AI）极大地改变传统的油气工业各个领域。笔者以地球物理测井为研究对象，依据数据驱动的地球物理知识发现原理和机器学习属性，按照“数据–算法–平台–知识–应用场景”研究思路，开展机器学习算法在测井技术中的适用性研究。对机器算法的内在特性、原理、质量控制、硬件要求，学习模型选择、测试以及性能评价实现过程进行分析。笔者梳理和总结了机器学习算法在测井中适用性的树状图，尤其是在油气测井的方法研究、数据处理以及地层评价中的应用潜力与机器学习算法对应关系，其中包括数据校正的模拟方法、数据标定的岩石物理分析、测井数据质量控制、综合评价以及油藏评价监测。研究表明，机器学习算法在岩性识别与储层分类、力学评价、以及油藏评价等方面应用有明显的优势，贯穿于...     

树分类器在测井岩性评价中的应用

利用测井资料进行岩性定量识别,分类方法的设计是决定分类结果好坏的关键。本文讨论了树分类器与产生式规则相结合的方法在岩性分类中的应用。利用数据完整的测井曲线参与树分类器的学习、判别工作,用树分类器进行岩性的“逐级识别”,不完整的特征交由定性规则处理,既实现了岩性的细分,且保证了分类的精度。     

基于不同测井曲线参数集的支持向量机岩性识别对比

对测井曲线提取的不同参数值,进行支持向量机(support vector machines,SVM)岩性识别对比,找出适合于岩性识别的测井参数集。利用取心段岩心和测井资料,依据M-N值法、曲线重叠法和测井曲线特征值法等3种常用的岩性识别方法,提取能够用于岩性识别的测井曲线参数值,再利用支持向量机进行岩性识别,将识别结果进行对比,按照误差最小原则,找出适合于岩性识别的测井参数集。结果显示,M-N值法、曲线重叠法和测井曲线特征值法3种不同的测井参数集在岩性识别时,测井曲线特征值法和重叠法误差最小,可优先作为识别的基础数据。      

树分类器在测井岩性评价中的应用

 利用测井资料进行岩性定量识别,分类方法的设计是决定分类结果好坏的关键。本文讨论了树分类器与产生式规则相结合的方法在岩性分类中的应用。利用数据完整的测井曲线参与树分类器的学习、判别工作,用树分类器进行岩性的“逐级识别”,不完整的特征交由定性规则处理,既实现了岩性的细分,且保证了分类的精度。     

基于SVR的定向井随钻电磁波测井层厚影响快速计算

大斜度井和水平井的快速发展使得仪器测量环境变得更加复杂,其测井解释、地层评价方法和模型与直井有很大的区别。本文通过建立三维层状介质模型,利用三维有限元方法得到大斜度井和水平井随钻电磁波测井响应,分析了三维地层模型下井斜角、层厚和围岩对随钻电磁波测井响应的影响。研究结果表明：当地层厚度小于等于3 m时,随钻电磁波测井响应易受围岩和层厚影响;当层厚大于3 m时,随钻电磁波测井响应基本不受围岩和层厚影响;且直井、大斜度井和水平井中随钻电磁波测井响应存在明显差异,井斜角越大,仪器受层厚及围岩的影响越大。因此建立了不同井斜角条件下随钻电磁波测井围岩校正图版,并据此研究随钻电磁波测井层厚影响快速计算方法。本文利用支持向量回归(SVR)的机器学习算法进行建模,并用十折交叉验证法对算法进行迭代优化,使模型达到最优,最终计算得到的测井响应与基于三维有限元数值方法的计算结果具有很好的相关性,平均相对误差只有0.62%,说明该方法可以用于大斜度井和水平井随钻电磁波测井响应的快速实时计算。     

基于机器学习和测井数据的碳酸盐岩孔隙度与渗透率预测

准确预测碳酸盐岩储层孔隙度和渗透率对于碳酸盐岩油气藏储层评价具有重要意义。碳酸盐岩储层裂缝与溶孔广泛发育,基于经验公式从测井曲线预测储层孔隙度和渗透率具有较大误差。以中东某碳酸盐岩油藏为研究对象,选取914块取心井岩心,测定孔隙度与渗透率,利用随机森林（RF）、K-近邻（KNN）、支持向量机（SVM）和长短期记忆网络（LSTM）4种不同机器学习方法,通过测井数据进行孔隙度与渗透率预测,优化机器学习参数,筛选出适用于碳酸盐岩油藏的测井孔隙度与渗透率预测方法。研究结果表明：4种机器学习方法预测储层孔隙度结果差异不大,通过调整输入参数种类,可进一步提高孔隙度与渗透率预测效果,当以补偿中子（NPHI）、岩性密度（RHOB）和声波时差（DT）3种测井参数数据作为输入时,基于LSTM的储层孔隙度预测精度最高,孔隙度预测结果均方根误差（RMSE）为4.536 2;由于碳酸盐岩储层的强非均质性,基于机器学习的测井储层渗透率预测效果较差,相对而言,仅以NPHI作为机器学习输入参数时,基于RF的储层渗透率预测精度最高,渗透率预测结果的RMSE为45.882 3。     

火山岩天然气藏地质储量参数的确定方法

大庆油田东部深层某井区火山岩气藏岩性复杂、储层参数计算以及流体性质识别困难。根据岩性组合规律建立火山岩解释模型,对深层的火山岩测井资料进行处理与解释。联合使用成像测井分析结果、岩性分类和多井对比等方法,提高了测井解释精度和解释符合率。计算的孔隙度、饱和度和渗透率为提交天然气地质储量提供了基础参数。     

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。