神经网络方法在岩性识别中的应用

在可地浸砂岩型铀矿测井工作中,铀矿地球物理测井方法提供了电阻率、密度、声波等多种地球物理参数。通过采用神经网络方法,利用上述参数．进行钻孔岩性识别的有关研究,确定了B-P网络结构及算法,并进行了初步应用和对比。     

火山岩岩性的测井识别

火山岩岩性识别是火山岩储层和火山岩油气藏描述的基础。识别含油气盆地中的火山岩岩性最直接有效的方法是岩芯分析 ,但不可能在每口井中都取芯 ,因此利用常规测井资料进行火山岩岩性的识别成为了必然的选择。这里选取松辽盆地徐家围子断陷营城组为实例进行研究。徐家围子断陷是松辽盆地内的一个较大的中生代断陷 ,下白垩统营城组发育于断陷晚期 ,分布面积广 ,火山岩发育。岩芯观察、薄片鉴定、岩芯测试分析表明 :营城组火山岩岩性有玄武岩、玄武安山岩、安山岩、英安岩、流纹岩、火山角砾岩、凝灰岩、安山玢岩和流纹斑岩等。通过对测井曲线…     

利用测井数据进行岩性识别的多元统计方法

在中国大陆科学钻探CCSD-1井110～2 000 m井段实测资料的基础上,通过取芯井岩芯和相应测井曲线对应特征的分析,挑选出对岩性识别能力强的测井参数,应用多组判别分析方法,建立了研究区各类岩性的识别模型.应用该模型可对井剖面地层进行连续自动解释,获得整口井的岩性解释剖面图,为进一步的地质研究提供基础资料.最后将得出的结果与分层资料进行误差分析,以判断资料的可靠性和方法的实用性.     

塔里木盆地寒武系地层测井岩性识别研究

塔里木盆地寒武系地层岩性复杂,包括白云岩、灰岩、盐岩和膏岩.为准确识别塔里木盆地研究区的地层岩性,笔者针对研究区几种主要岩性,利用取芯分析和岩屑录井资料综合标定,选出四种岩性对应的测井值作为标准响应值.根据实际情况和前人经验,选取自然伽马、密度测井、中子测井和声波测井四种岩性敏感的测井曲线数据进行交会分析,通过分析提出...     

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。     

深度学习在煤层气测井解释中的应用研究

将常规储层测井解释方法应用于煤层气储层测井解释,其效果存在一定的折扣。为了改善传统方法在煤层气测井解释中出现的问题,将深度学习的思想引入测井解释,提出受限玻尔兹曼机的数量、受限玻尔兹曼机隐含层神经元数量、分类阈值的确定方法,利用深度信念网络进行煤层识别及煤层气含气量的预测。实验结果表明：首先,在交会图法效果不好的情况下,通过深度信念网络进行煤层识别,继而对识别结果进行适当校正,煤层识别成功率可达到90%以上;其次,经过多种方法的对比,利用深度信念网络进行煤层气含气量预测的效果,要好于BP神经网络、多元回归统计以及Langmuir方程三种方法。深度学习改进了传统的BP神经网络,具备更强的复杂函数泛化能力,适用于煤层气测井解释,并具有进一步的推广价值。     

岩性识别：方法、现状及智能化发展趋势

岩性识别是地质工作中一项基础而又重要的工作。传统的岩性识别方法过于依赖经验和地质专业知识积累,不仅耗时长、专业性强,还易受主观因素影响,导致准确率不理想。笔者等首先回顾了传统的岩性识别方法,之后总结了最新涌现的智能化识别方法,最后详细介绍了基于岩石图像、镜下图像、图像与元素信息融合等的智能识别方法。基于岩石图像的识别方法对于文中的岩石识别准确率可达90%以上,基于图像与元素融合的岩性识别方法可以降低图像相似度高、风化破坏表观特征等因素对识别准确度的影响。笔者等认为当前岩性智能化识别研究仍处于初级阶段。综合各类数据源的优势,利用机器学习深度挖掘岩石元素、矿物、光谱和表观特征间的内在关联性,有利于突破单源信息的局限性,实现岩性快速准确识别。     

岩性识别：方法、现状及智能化发展趋势

岩性识别是地质工作中一项基础而又重要的工作。传统的岩性识别方法过于依赖经验和地质专业知识积累,不仅耗时长、专业性强,还易受主观因素影响,导致准确率不理想。笔者等首先回顾了传统的岩性识别方法,之后总结了最新涌现的智能化识别方法,最后详细介绍了基于岩石图像、镜下图像、图像与元素信息融合等的智能识别方法。基于岩石图像的识别方法对于文中的岩石识别准确率可达90%以上,基于图像与元素融合的岩性识别方法可以缓解图像相似度高、风化破坏表观特征等因素对识别准确度的影响。笔者等认为当前岩性智能化识别研究仍处于初级阶段,无法满足工程需求。综合各类数据源的优势,利用机器学习深度挖掘岩石元素、矿物、光谱和表观特征间的内在关联性,有利于突破单源信息的局限性,实现岩性快速准确识别。     

测井资料计算机自动分层与岩性识别

在测井资料格式转换、环境影响校正、平滑滤波、标准化和加权等预处理的基础上,应用系统加权综合曲线信息法、曲线活度分析法进行测井资料自动分层,用概率统计法、聚类分析法实现测井曲线自动岩性识别,形成了一套完整的测井资料计算机处理解释系统     

岩性识别的多元统计方法

识别地层岩性是在地层对比,沉积相分析等地质研究中的重要任务,在岩心资源较少,测井资料较多的情况下,利用多元统计分析进行地层岩性识别则是一种有效方法,为此,本文在胜利油田永一沙田砾岩体实际资料的基础上,通过取心井岩心和相应测井曲线的对应特征分析,应用判别分析方法,挑选了对岩性识别能力强的测井参数,确定了相应的岩性识别函数,利用该函数可以快速反应不同深度点上的地层岩性,并绘制相应的岩性剖面图等,为进一     

松辽盆地东岭地区深层火成岩测井特征与岩性识别

以松辽盆地东岭地区深层火成岩地层为研究对象,基于录井、岩心、薄片分析等岩性资料,建立火成岩岩性与测井响应的关系,绘制了利用测井响应识别火成岩岩性的图版。并利用自组织神经网络方法识别岩性,取得了良好的效果。     

基于岩样细观图像深度学习的岩性自动分类方法

在现阶段的岩土工程中,通常采用人工识别的方法来判别岩样种类,不仅耗时长、专业性强,还易受主观因素影响,准确率不理想。随着计算机技术的发展,机器学习逐渐被应用于岩性的自动识别,开启了岩样分类的新路径。本文以重庆市主城区4种典型岩样（泥岩、砂质泥岩、泥质砂岩和砂岩）的细观图像为研究对象,基于Inception V3卷积网络模型和迁移学习算法,建立了岩样细观图像深度学习模型,并完成了训练学习。结果显示：模型在训练1 000次后,训练集中的分类准确率达到92.77%,验证集中的分类准确率为76.31%。其中,验证集中的砂岩识别准确率为97.28%,泥岩识别准确率为81.85%,泥质砂岩识别准确率为72.59%,砂质泥岩识别准确率为72.35%。与现有的机器学习方法相比,本识别模型不仅可以自动识别岩性极为相近的岩样,而且具有较好的识别准确率、鲁棒性和泛化能力。     

BP神经网络在测井岩性识别中的应用

在岩性识别方法中，人工神经网络方法由于其识别结果客观可靠，得到越来越广泛的应用。研究选用BP神经网络，对金衢盆地的金66测井的岩性进行了识别，并对改善BP神经网络收敛性能的方法了有效探索。     

RPROP算法在测井岩性识别中的应用

为了更好地解决测井岩性识别问题,引入一种快速实用的BP算法--Resilient Backpropagation (RPROP)算法。在说明RPROP算法的基础上,结合某地的实际测井资料,建立基于RPROP算法的BP网络岩性识别模型,进行岩性识别的应用研究。结果表明,应用RPROP算法进行测井资料岩性识别,识别的准确率较高,与基本BP算法及其一些改进算法相比,训练速度快,具有很好的应用前景。     

基于地质图像大数据的岩性识别研究

近些年来,随着大数据、深度学习等技术的飞速发展,大数据的开发与利用为众多行业带来了显著经济与社会效益。借助大数据手段,开展地质文本、图像和序列数据挖掘与应用研究,具有极其重要的理论与社会意义。本文在归纳总结前人工作的基础上,重点针对地质大数据中的图像数据,基于深度学习理论,构建网络学习模型,通过基于网络搜索的数据采集、数据预处理、网络搭建、网络训练及结果/评价等步骤,实现基于地质图像的大数据岩性识别。结果表明,图像识别岩性的测试准确率约为90%;有限的图像数据数,可能是产生识别误差的一个原因;机器对岩石图片所呈现的某些特征相似性,如宏观的形状、颜色等,也会给出正相关评分,从而产生误判。理论上,采用BCNN(Bilinear Convolutional Neural Network)等能够捕捉更精细细节的网络模型,解决计算机视觉中的细粒度识别问题,从而从根本上提升图像识别效率,应该是今后一个研究方向。     

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。     

GA-BP神经网络模型在彬长矿区测井岩性识别中的应用

为提高测井岩性识别的自动化程度和地质解释精度,在分析遗传算法(Genetic Algorithm,简称GA)与误差反向传播算法(Back-Propagation,简称BP)各自特性的基础上,针对BP算法在反演中测井数据识别样本大以及BP算法本身存在的缺陷,提出了利用GA算法来同时优化BP神经网络的结构和连接权值的解决方案,建立了基于GA优化BP神经网络的测井数据岩性识别模型。该模型通过彬长矿区实际数据的检验,获得了较高的识别速度和准确率。     

神经网络模型在测井岩性识别中的应用

用山西赵庄1603孔测井资料作样本,应用反向传播(BP)神经网络进行处理,以达到自动识别岩性的目的;并对选择网络结构参数、学习样本等作了简要介绍,以此样本作为标准来预测潘庄0601孔测井相所对应的地质相特征,预测结果令人满意。