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.     

基于GF-2影像西藏桑耶地区岩性-构造遥感解译

西藏桑耶地区位于青藏高原中南部,区内切割强烈,地势陡峻,属于高山峡谷区。为提高区域地质调查野外工作效率,在调查中率先开展了遥感解译研究。在充分收集已有资料的基础上,通过对GF-2卫星数据进行预处理和影像增强,结合野外验证建立了各地质要素的遥感解译标志,实现了区内不同地层岩性、侵入岩、断裂和褶皱等地质要素的提取,最终编制了研究区1:5万遥感地质解译图,为区域地质调查提供了数据支撑。结果表明: 各地质要素在GF-2数据上均有良好反映,完全满足1:5万尺度的遥感地质解译和编图的需要,充分显示出该卫星数据在区域地质调查等工作中具有良好的应用前景。     

混积岩分类命名体系探讨及对混积岩储层评价的启示——以渤海海域混积岩研究为例

混积岩是一种普遍而重要的岩石组合类型。然而长期以来,对混积岩的岩石学分类与命名一直存在诸多争议,且尚未有统一的分类体系与命名规则。本文结合渤海海域混积岩岩石薄片组分鉴定、岩石储层物性分析等最新研究成果,并与相关文献结合,最终确立以陆源碎屑物、生物成因碳酸盐颗粒、化学沉淀碳酸盐为三组分端元的一套新的混积岩岩性分类体系,并将混积岩分为4大类、16亚类。通过讨论混积岩混积层系及混积岩组构界定的问题,进一步完善了混积岩定义。利用新的岩石学分类方案,可为储层评价研究提供指导。以渤海海域为例,建立起研究区不同岩性相与储层物性的对应关系,并在岩性分类体系中划分出差储层、中等储层及优质储层三个储层区。     

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Hyperion高光谱数据和随机森林方法的岩性分类与分析

探索利用高光谱数据的岩性填图新方法是遥感地质应用领域的重要需求之一。本文运用随机森林方法和EO-1Hyperion高光谱数据,对新疆塔里木西北部柯坪地区的局部区域进行岩性分类,并对相关问题进行分析。分别利用光谱特征以及加入光谱一阶导数特征进行岩性分类,并对不同特征对岩性分类的重要性进行分析,同时与现有的基于光谱角制图方法(SAM)进行比较。结果表明,与SAM方法相比,随机森林方法得到了更高精度的岩性分类结果,是一种有效可行的岩性分类方法。根据特征重要性的排序,蓝绿光波段、短波红外波段以及相应的一阶导数特征对研究区Hyperion数据的沉积岩岩性分类贡献更大。     

多源遥感数据在新疆精河县震后滑坡调查中的应用

文章将高分二号（GF-2）和高景一号（Superview-1）等高分辨率卫星影像应用于精河县滑坡应急调查中,采用二、三维一体化技术解译疑似滑坡点20处,并以GF-2号卫星数据为基础,结合1:10万地质图勾画了研究区地层岩性分布图。由此,总结出滑坡点主要沿精河分布,坡体坡度一般介于42~60°之间,并大部分发生于头苏泉组（D2to）地层中的规律,为今后地质灾害的应急调查提供参考、示范。     

阳泉矿区新景矿构造煤发育规律的数值模拟

预测构造煤发育区对矿井瓦斯突出预测具有重要意义。以阳泉矿区新景矿3号煤层为研究对象,根据其地质赋存条件,建立了相应的岩性不均衡力学模型,基于FLAC3D数值模拟软件,研究了顶板砂岩透镜体存在情况下3号煤层围岩应力分布规律。结果显示:砂岩透镜体的存在使得煤岩地层的应力、位移分布不均,在透镜体影响范围内呈现应力集中现象,致使该区域煤层发生塑性变形;岩性不均衡条件下3号煤层的构造煤发育,进而证实了新景矿3号煤层顶板砂岩对构造煤发育的控制作用。      

辽河西部凹陷曙北地区沙四段薄砂层成因类型及分布规律

为了明确辽河西部凹陷曙北地区沙河街组四段薄砂层成因类型及分布规律,从岩心、测井响应和地震反射特征等方面总结了各类成因薄砂层的识别标志,并预测了各砂层组的砂体展布,探讨了砂体发育的控制因素,总结了沉积模式.研究结果表明,曙北地区沙四段为扇三角洲-湖泊的沉积体系,薄砂层发育水下分流河道、河口坝、低隆滩坝、沿岸浅滩4种成因类型,其中以水下分流河道和低隆滩坝为主.古地貌、古物源和古水深控制了各类砂体的展布.以曙光和兴隆台古潜山一线为界,南部为扇三角洲体系沉积区,主要发育前缘水下分流河道和河口坝;北部（包括低隆区）为无明显水流注入的半封闭湖湾区,主要发育低隆滩坝砂体和灰/云坪,在西侧沿岸局部地区还发育沿岸浅滩.储量区外大面积发育的低隆滩坝砂体,是下一步碎屑岩增储上产的潜在接替区域.     

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。