基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。     

基于卷积神经网络迁移学习模型的矿岩智能识别方法

文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。     

青海木里三露天天然气水合物钻孔岩性测井识别

三露天井田具有断层发育、地层缺失和重复明显、岩性种类较多等特点,岩性识别难度较大。为此,专门利用测井资料对三露天井田地层岩性进行了岩性识别研究。通过对14个天然气水合物钻孔不同岩性的测井响应特征分析,优选了自然伽马、中子和密度测井作为岩性识别敏感参数,并采用交会图技术制作了岩性识别图版,建立岩性划分标准,对三露天井田地层岩性进行识别与划分。利用测井资料能够识别7种主要岩性,包括砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩、油页岩和煤等。根据岩性测井识别结果,三露天井田岩性分布特征在横向上表现为东部砂岩物性好,西部地区泥岩较为发育;纵向上表现为木里组地层砂泥比为4.48,含有煤层204.5 m;江仓组地层砂泥比为0.84,泥岩和油页岩较为发育,更有利于水合物赋存。测井岩性识别结果为寻找三露天井田天然气水合物有利储层奠定了基础。     

黔东北地区铁丝坳组—大塘坡组细粒沉积岩高精度层序地层特征和充填演化模式

南华系大塘坡组是一套优质烃源岩和潜在非常规油气储层，具有重要的地史研究和油气勘探意义，然而关于其沉积过程及高精度层序地层方面的研究还较为薄弱。作者以黔东北ZK513井岩心描述及薄片观察为主要研究手段，运用了新的细粒沉积物的分类标准，精细划分识别了以石英砂岩、含砾泥质砂岩、灰色泥岩、灰色含砾砂质泥岩、灰色泥质砂岩、黑色炭质–硅质砂质泥岩、黑色含砾炭质–硅质泥质砂岩、灰色石英砂岩、黑色锰质泥岩、黑色泥质粉砂岩、黑灰色泥质粉砂岩、灰黑色泥质粉砂岩、灰色粉砂质泥岩、灰白色泥岩为代表的14种岩相。并根据岩相组合特征识别了陆棚内盆地、深水陆棚、浅水陆棚3种沉积相，以及前滨、冰海浅水陆棚、陆棚内富锰盆地、陆棚内深水盆地、陆棚内盆地边缘、深水陆棚、浅水陆棚7种沉积亚相。据岩相、沉积相分析，认为陆棚内盆地相内LF9黑色锰质泥岩、LF10黑色泥质粉砂岩为烃源岩的有利相区和层段。通过对岩相、沉积相的研究，识别出5个三级层序SQ1—SQ5，以及4个三级层序界面SB1—SB4；在三级层序内部，根据岩相叠加样式并结合沉积构造定量化统计，总结出4种典型的准层序类型，根据准层序的叠加形式识别了三级层序内部若干准层序组...     

广东长坑金银矿区含矿地层特征及沉积环境分析

广东三洲长坑矿区的小坪组和梓门桥组是金银矿的赋存层位。小坪组的岩性自下崦上为：块状细砾岩、含砾粗砂岩→中粗粒砂岩夹细砂岩、粉砂质泥岩、炭质泥岩→黑色薄层泥岩夹细砂岩→泥质粉沙岩、薄层细砂岩夹碳质泥岩→细砂岩、粗砂岩等,总体经历了河流→滨浅源→海湾泻湖→三角洲→河流的沉积环境。梓门桥组的岩性以含钙质粉砂岩、泥岩、泥质灰岩为主,上部夹角砾状硅质岩、灰岩,属于碳酸盐局限台地的近外围沉积。     

基于Kohonen神经网络的页岩油岩相测井识别方法

准噶尔盆地吉木萨尔凹陷二叠系芦草沟组岩性复杂,岩相多样,亟需建立配套的岩相测井识别方法。综合利用岩心薄片、常规测井与成像测井等资料对芦草沟组的岩性、沉积构造等特征进行研究,在此基础上进行岩相类型划分,并分析不同岩相的测井响应特征,建立岩相测井评价模型。结果表明,研究区主要由云质泥岩、泥质粉砂岩、粉砂质泥岩等岩性组成;根据岩心的矿物组成,考虑在岩心尺度上的可区分性、测井中的可识别性,划分出块状白云质泥岩相、平行/波状层理泥质粉砂岩相、块状泥岩相、块状泥晶白云岩相、平行层理粉砂岩相和波状/水平层理粉砂质泥岩相6种主要岩相类型。在此基础上通过岩心刻度测井资料建立岩相判别准则,并利用Kohonen神经网络方法实现单井岩相测井自动判别,划分结果与薄片匹配较好。研究成果可提高未取心井的岩相识别效率与精度,为该地区页岩油勘探提供一定的理论依据与方法支撑。     

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%。     

PSO-GBDT识别致密砂岩储集层岩性研究——以姬塬油田西部长4+5段为例

交会图在致密砂岩储集层应用上难以奏效,其主要原因是多种储集层岩性具有相似测井响应特征而难以在交会图版中被有效分辨.众多机器学习技术可有效分辨属性相似度高的数据,为此识别性能出众的GBDT(gradient boosting decision tree,梯度提升决策树)常被用来解决致密砂岩储集层岩性识别问题.但GBDT使用较多超参数致训练模型难以最优化,本文选用PSO(particle swarm optimization,粒子群算法)来解决优化问题,进而提出PSO-GBDT模型.本文以姬塬油田西部长4+5段致密砂岩储集层为研究对象,通过设计两个实验来验证提出模型的识别能力.实验结果表明,PSO-GBDT岩性识别准确率分别为(90.37％,88.20％)和(93.48％,90.16％),高于其他验证模型.该模型能有效解决致密砂岩储集层岩性识别问题,在岩性识别研究上具有良好的推广应用前景.     

松科1井南孔选址、岩心剖面特征与特殊岩性层的分布

松科1井南孔是松辽盆地白垩系科学钻探工程两个钻孔中的一个,位于松辽盆地北部中央坳陷区齐家古龙凹陷敖南鼻状构造的翼部。通过对松科1井南孔嫩二段底部到泉三段顶部连续取心资料的详细描述,建立松科1井南孔岩心剖面,识别出5种常见岩性（泥岩、粉砂质泥岩、泥质粉砂岩、粉砂岩和细砂岩）和8种特殊岩性（白云岩、火山灰、油页岩、灰质泥岩、泥灰岩、重结晶灰岩、介形虫碎屑灰岩和介形虫灰岩）。特殊岩性出现的总层数为172层,总厚度为14.516m,分布在青一段,青二、三段,姚二、三段,嫩一段和嫩二段地层中。对松科1井的精细岩心描述和对特殊岩性的识别是后续研究工作开展的基础。     

松科1井南孔选址、岩心剖面特征与特殊岩性层的分布

松科1井南孔是松辽盆地白垩系科学钻探工程两个钻孔中的一个,位于松辽盆地北部中央坳陷区齐家古龙凹陷敖南鼻状构造的翼部。通过对松科1井南孔嫩二段底部到泉三段顶部连续取心资料的详细描述,建立松科1井南孔岩心剖面,识别出5种常见岩性(泥岩、粉砂质泥岩、泥质粉砂岩、粉砂岩和细砂岩)和8种特殊岩性(白云岩、火山灰、油页岩、灰质泥岩、泥灰岩、重结晶灰岩、介形虫碎屑灰岩和介形虫灰岩)。特殊岩性出现的总层数为172层,总厚度为14.516m,分布在青一段,青二、三段,姚二、三段,嫩一段和嫩二段地层中。对松科1井的精细岩心描述和对特殊岩性的识别是后续研究工作开展的基础。     

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%。     

支持向量机组合方法在砂泥岩储层岩性识别中的应用

岩性是表征储油物性、建立各类地质模型的重要参数,其与测井参数的函数关系很复杂。基于支持向量机一类对一类法对岩性识别分类精度不高的现状,结合二叉树法初始分类精度较高、分类速度快等优点,提出了一种新的组合方法——一类对一类法与二叉树法的结合应用。该方法对样本数据较少的类别设置权重系数,减少样本不平衡的影响,并利用几何平均准确率作为评价岩心识别效果的指标,其对岩性的分类效果远优于单一方法。具体步骤为:首先对不均衡的样本设置相应的权重系数,然后利用二叉树法将易于与砂泥岩区分的灰岩区分开来,再利用一对一分类法将剩下的砂泥岩样本进行分类。运用此方法对某油田测井数据进行岩性分类,分类的整体准确率以及几何平均准确率均有很大的提高。     

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。     

应用Bayes逐步判别分析识别辛176区块Es4储层岩性

辛176区块沙四段储层存在粗砂岩、不等粒砂岩和细砂岩,岩性非均质性较强.“四性”关系研究表明,岩性的准确识别是正确评价储层静态参数,识别油水层特别是低阻油层的前提.这里介绍了Bayes逐步判别方法原理和技术流程,在应用有序聚类分析方法开展测井曲线自动分层的基础上,综合应用自然电位(SP)、自然伽玛(GR)、声波时差(AC)、深探测电阻率(Rt)、浅探测电阻率(Rxo)测井资料和岩心分析资料,建立了粗砂岩、不等粒砂岩、细砂岩和泥岩的判别函数.应用效果表明,Bayes逐步判别法识别岩性符合率达到了86％,能够满足辛176区块沙四段储层岩性识别的需要.     

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.     

卸荷蠕变条件下软硬相接岩层非协调变形规律研究

软硬相接岩层在长时间跨度内的蠕变变形可能极为不协调,这对开挖工程安全稳定造成严重威胁。对某水电站引水隧洞同一开挖断面内砂质泥岩和泥质砂岩两种软硬相差较大的岩石进行卸荷条件下的蠕变试验和数值模拟,结果表明：在卸围压条件下,试样侧向蠕变变形较轴向发展更为迅速,呈现出显著的侧向扩容;初始围压水平较高时,试样卸荷蠕变破坏的侧向扩容效应更加显著;泥质砂岩在稳态蠕变阶段变形速率比砂质泥岩更慢,蠕变破坏时的应变值均比砂质泥岩蠕变破坏时的应变值要小,征兆性更弱。基于Burgers模型,引入损伤变量,建立带损伤的蠕变本构模型,模型曲线较好地描述了岩石破坏偏应力水平之前的线性蠕变特征和破坏偏应力水平下的非线性加速蠕变特征;软硬相接岩层蠕变数值模拟表明,蠕变变形初期,软硬相接点变形差别幅度不大,随着时间增长,在交接面处发生层间错动,对围岩整体稳定十分不利,工程实践中应予以足够关注。     

鄂尔多斯盆地合水地区长7致密油岩性岩相类型识别及其应用

利用岩心、薄片、常规测井、成像测井等资料结合物性分析等,对鄂尔多斯盆地合水地区长7致密油岩性岩相等特征进行了研究。长7致密油储层以砂质碎屑流、浊流和滑塌成因的砂岩为主,烃源岩以泥岩、油页岩为主,根据粒度参数进一步将长7致密油岩性岩相划分为砂质碎屑流细砂岩相、浊流细砂岩相、浊流粉砂岩相、滑塌岩相、半深湖—深湖泥岩相以及油页岩相6类。通过岩心刻度常规和成像测井,建立了不同岩性岩相的测井识别评价标准,并实现了各单井纵向上的岩性岩相的识别和划分。在此基础上,进一步探讨了不同岩性岩相与TOC含量和脆性指数的关系。最后结合试油气资料和油气解释结论,阐明岩性岩相对致密油储层物性和含油气性的定量控制。致密油岩性岩相的研究可为后期成岩相、孔隙结构以及优质储集体预测等奠定基础,为研究区长7致密油的综合评价和有利发育区带预测提供理论指导和技术支持。     

安徽绩溪新元古代海底扇沉积环境分析

研究区位于安徽绩溪县杨溪镇,区内主要发育一套新元古代浅变质碎屑岩系,厚度为639.7 m。碎屑岩以泥岩、泥质粉砂岩、砂岩、含砾砂岩和砾岩为主,发育水平层理,粒序层理,韵律层理等沉积构造,可见鲍马层序Ta、Tc、Td、Te段。碎屑组分以跃移组分为主,含量为35%～58%。地层上段厚为254.8 m,包含粉砂岩、泥质粉砂岩和粉砂质泥岩,水平层理和粒序层理发育,为中扇-外扇扇叶沉积,中段厚为192.5 m,主要为细砂岩、粉砂岩和泥质粉砂岩,砂岩条带广泛发育,属于中扇水道沉积,下段厚为192.4 m,为一套砾岩层,砾石分选较差,砾岩层间夹有粉砂质泥岩,为上扇水道滞留沉积。总体上,形成一套退积的海底扇沉积序列。