用数据挖掘方法识别碳酸盐岩岩性

碳酸盐岩储层受沉积、构造及成岩作用影响大,测井曲线不能完全反映岩性性质。分析常规交会图法在碳酸盐岩储层岩性识别中整体识别率偏低的原因。通过对比决策树、人工神经网络、支持向量机和贝叶斯网络等数据挖掘方法,发现决策树具有较高的识别正确率。采用该方法分析常规测井数据,通过构造新参数Rd/AC和Rd/Rs进行碳酸盐岩岩性识别,准确率可达到89.32%。实际应用表明,地质、测井知识和数据挖掘方法相结合,能有效识别常规方法无法准确判断的岩性,通过改进不同的优选参数,提高岩性识别的准确率,为储层沉积相解释提供更准确的地质信息。     

基于改进集成学习的测井岩性识别方法研究

测井数据中存在大量与岩性无关的冗余信息，且各类岩性标签数据分布不均匀，严重影响岩性识别准确率，现有测井岩性识别算法无法有效解决岩性类间不平衡问题。为此提出了一种针对不平衡样本集的集成学习岩性预测方法KSMOSEL:首先以录井岩性数据为岩性样本标签，将测井曲线作为模型输入；然后将K-means算法与合成少数类过采样技术(SMOTE)相结合形成K-means-合成过采样算法，即KS采样算法，对岩性样本集进行平衡化处理；最后将采样后的数据集用于构建集成学习模型并训练，采用多个分类器模型融合构成强学习器，通过“软投票”方式预测岩性类型。以Hugoton油气田测井岩性数据为基础，采用改进不平衡样本集的集成学习岩性预测方法对岩性进行分类，并将识别效果与传统的分类模型：支持向量机、K最近邻分类、决策树、XGBoost和随机森林等模型进行对比。试验结果表明：KSMOSEL方法具有更高的精度，岩性识别准确率达到94.28%;KS采样之后，支持向量机、K最近邻分类、决策树、XGBoost、随机森林、GBDT和集成学习等模型岩性识别准确率分别提高了18.68%,12.03%,3.77%,10.23%,24....     

利用决策树方法识别复杂碳酸盐岩岩性 ——以苏里格气田苏东41-33区块为例

苏里格气田苏东41-33区块具有低孔、低渗透、非均质性强的特点,其奥陶系马家沟组碳酸盐岩储层受多期不同类型构造、沉积等作用,岩性复杂多样,对岩性的准确识别成为研究区开发的重点和难点。近年来,决策树方法作为一种机器学习方法,在地质学领域中的运用越来越受到关注,尤其在岩性预测方面。以测井、录井资料为基础,通过岩性参数特征分析,优选出对岩性较敏感的声波时差、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6种测井参数,通过分析这6种测井参数特征,构建基于决策树方法的多分类器,将岩性信息与岩石特征信息融合。与测井、录井资料的对比、分析结果表明,利用决策树方法识别复杂碳酸盐岩岩性的准确率超过80%,且相比朴素贝叶斯方法,其岩性识别的准确率提高了13%。     

基于梯度提升决策树算法的岩性智能分类方法

岩性识别是油气勘探开发领域一项重要的基础工作。针对致密砂岩储层岩石成分复杂、岩性多样和岩性常规测井识别受限等问题,利用机器学习算法在数据分析上的强大功能,采用泛化能力出众的梯度提升决策树(GB?DT)算法解决岩性识别中人力和物力耗费大的问题。以鄂尔多斯盆地三叠系延长组长7段致密砂岩储层为研究对象,通过敏感分析选取声波时差、自然伽马、电阻率、泥质含量、自然电位、有效孔隙度、含水饱和度和密度8个测井参数,构建基于GBDT算法的岩性识别模型,结合实际数据进行验证和应用效果分析。与朴素贝叶斯、随机森林、支持向量机和人工神经网络算法岩性识别相比,GBDT算法岩性识别准确率达到了92%,高精度的GBDT算法岩性识别模型为致密砂岩储层岩性精确识别提供了新的解决途径。     

基于参数优化AdaBoost算法的酸性火山岩岩性分类

岩性识别是火山岩油气藏勘探的基础,为提高长岭气田火山岩岩性识别的准确率,采用决策树、支持向量机、逻辑回归、AdaBoost-决策树、AdaBoost-支持向量机和AdaBoost-逻辑回归6种算法,对研究区酸性火山岩岩性进行分类与识别。通过分析研究区火山岩不同岩性的测井响应特征,选取了对火山岩岩性、组构和孔隙结构反应灵敏的12种岩石物理测井参数作为分类特征量。选择3口井中岩心分析和岩矿录井资料完整的7 150个测井数据作为数据集,并从中随机选取70 % 的数据作为训练集建立岩性识别模型,剩余30 % 的数据作为测试集。对6种算法建立的模型通过交叉验证进行参数优化及模型评价,对比不同算法与录井剖面的结果表明,AdaBoost-决策树算法可作为长岭气田利用常规测井资料识别火山岩岩性的有效手段,准确率可达90 % 以上。     

模糊数学识别深层潜山碳酸盐岩岩性

针对深层潜山碳酸盐岩地层岩性识别成功率低的状况 ,应用模糊数学原理 ,建立模糊数学识别碳酸盐岩岩性模式。识别和划分深层潜山碳酸盐岩地层岩性 ,以便进一步深入研究深层潜山碳酸盐岩油气藏储层。选择反映深层潜山碳酸盐岩岩性特征的测井参数 ,在取心资料标定下 ,确定阈值 ;利用所建岩性识别模式 ,对碳酸盐岩岩性进行分类 ,依据最大隶属原则 ,识别碳酸盐岩岩性。应用实地研究资料 ,识别十种碳酸盐岩岩性 ,并与岩心鉴定统计分析结果对比 ,符号一致性达 94%以上 ,表明该方法识别深层潜山碳酸盐岩岩性精度较高 ,在地质上具有很好的应用前景     

复杂岩性及多相流体智能识别方法

基于优化算法与分类算法的基本原理,针对K-Means优化后的岩心、测井和产液数据集,利用自组织特征映射神经网络SOM聚类建立岩性预测模型,综合决策树和支持向量机建立流体预测模型,并利用遗传算法、网格算法和二次算法对支持向量机的重要参数进行优化,以精确识别复杂储集层岩性和多相流体。对准噶尔盆地东部五彩湾凹陷石炭系复杂储集层4口新井进行精细解释,SOM岩性预测模型、决策树和支持向量机流体预测模型识别准确率分别为91.30%和95.65%,岩性复杂并非导致该储集层中流体性质差异的主要因素;由于研究区数据集复杂性和非线性程度不够强,导致决策树的建模精度优于支持向量机,分别为94.31%和86.97%,且线性的多项式函数性能优于径向基函数RBF和神经元函数Sigmoid、支持向量分类机中C-SVC的分类性能和泛化能力强于υ-SVC。     

XGBoost算法在致密砂岩气储层测井解释中的应用

传统单一模型的机器学习方法用于致密砂岩气储层测井解释时存在多解性,为此,将XGBoost算法应用于致密砂岩气储层测井解释。基于A工区测井解释资料,以不同种类的测井资料作为输入变量,通过XGBoost算法建立回归预测模型,预测该区孔隙度与渗透率参数,并探讨了XGBoost算法中各类参数的优化。以准确率指标为评价标准,通过XGBoost算法建立的分类预测模型对该区储层类型进行预测,同时与随机森林方法和支持向量机算法进行比较,XGBoost算法的预测效果较好。结果表明XGBoost算法能准确地预测孔隙度、渗透率并对该工区致密砂岩气层进行有效识别。     

基于LSTM循环神经网络的岩性识别方法

针对复杂碳酸盐岩储层岩石组分复杂、岩性多样,常规测井岩性识别方法受限等问题,提出利用长短期记忆神经网络(LSTM)提高岩性识别效果的方法,并结合实际数据进行验证和应用效果分析。考虑到常规机器学习方法在岩性识别中无法充分利用沉积岩石在深度域序列上的潜在信息,从而基于LSTM方法构建了能够提取和学习岩性沉积序列特征的岩性识别手段。以苏里格气田苏东地区下古生界碳酸盐岩储层为例,通过敏感性分析选取自然伽马、光电吸收截面指数、密度、声波时差、补偿中子和电阻率等6种测井参数,构建了基于LSTM的岩性识别模型。结果表明,与朴素贝叶斯,KNN,决策树,SVM和HMM等传统方法相比,LSTM的岩性识别准确率提升幅度介于1.40%～12.25%。高精度的LSTM岩性识别模型为复杂碳酸盐岩储层的表征和评价提供了数据基础。     

应用最小二乘支持向量机识别J13井区杜家台油层岩性

J13井区杜家台油层的储层岩性以低孔低渗中砂岩、细砂岩和不等粒砂岩为主,常规交会图法难以识别,无法确保按岩性建立的测井评价模型的配套使用.为此,应用最小二乘支持向量机对储层岩性进行了识别.首先分析了最小二乘支持向量机的方法原理和实现流程;其次随机选取了J13井区部分层段的岩性和测井响应建立了学习样本集,采用网格搜索法确定了参数C和δ,自检结果表明识别正确率可达到94％;最后对J13井区储层岩性做了测井识别,与岩心分析资料进行对比,岩性识别正确率达到87.5％.研究表明,最小二乘支持向量机可满足J13井区岩性识别的需要.     

基于改进KNN算法的潜山复杂岩性测井识别方法

兴隆台中生界砾岩油气藏是辽河坳陷近年发现的大型整装构造-岩性油藏,探明程度低,勘探潜力大。油藏受岩相与构造的共同控制,储层非均质性极强,岩性类型复杂多样,导致测井识别难度较大,严重制约了该区的勘探进程。为此,依据岩心观察、岩屑录井及薄片鉴定结果,按照储层分类评价需求及测井可识别原则,重新将研究区岩性划分为碎屑岩和火山岩两大类,具体包括花岗质砾岩、混合砾岩、砂岩、泥岩、玄武岩、凝灰岩等6种岩石类型。通过分析不同类型岩石的测井响应特征,建立岩性交会图版,确定敏感测井参数。在此基础上,针对测井数据特点,对K最邻近值(KNN)算法进行改进,提出了基于测井属性加权的剪切邻近(MKNN)机器学习算法,并用于岩性预测。结果表明:相比传统的K最邻近值(KNN)算法,MKNN算法效率更高,解决了KNN算法受岩性样本类型不均衡及测井参数重叠的影响,岩性识别准确率由82.3%提高至88.7%,有效地解决了勘探老区岩性精细评价问题。该研究对提高复杂岩性油藏的测井评价精度具有一定的借鉴意义。     

基于模糊支持向量机方法的岩性识别

针对复杂岩性识别中存在的模糊性,提出一种基于模糊支持向量机方法的岩性识别方法。该方法在传统支持向量机方法中引入样本对岩性类别的隶属度,充分考虑储层岩性划分的模糊性和相同岩性对应的特征参数值范围很大等问题。在模糊支持向量机方法中,依据样本的重要性给不同的样本赋予相应的隶属度,使各样本在构造最优分类面时起不同的作用,从而使基于模糊支持向量机的岩性识别方法具有更好的抗噪性能及分类能力。应用效果表明该方法具有适应性强、识别精度高的优点。     

利用Stacking模型融合法识别高温、高压储层流体

东方X气田不同流体性质储层的测井响应差异不明显,尤其难以确定不同流体的电阻率下限;利用孔隙度测井曲线识别流体易受物性因素干扰,使不同流体性质的样本数据点存在重叠区域。因此,提出利用Stacking模型融合方法建模,集成了流体识别效果较好的机器学习算法（决策树、支持向量机、随机森林和极端梯度提升）,并利用模型融合方法识别高温、高压储层流体,通过10折交叉验证法对各个算法进行迭代优化,使模型达到最优。相比于单一机器学习算法,Stacking模型融合算法能够考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势。生产测试结论表明,与表现最优的单一模型极端梯度提升树相比,Stacking模型将预测准确率从87.08%提升到92%,具有更强的学习能力,更适用于高温、高压储层流体识别,为测井解释建模提供了新思路。     

多种岩性分类方法在火山岩岩性识别中的应用

基于对松辽盆地火山岩近5年的测井响应研究,探讨按照松辽盆地火山岩分类原则的二级分类类型,实现利用常规测井资料识别岩性的方法.建立了一个具有准确薄片定名信息的火山岩测井样本,通过交会图分析、聚类分析、判别分析、主成分分析、因子分析、BP神经网络、SOM神经网络及支持向量机等8种方法对样本进行处理,得出各种方法针对岩性分类...     

基于支持向量机的复杂碎屑岩储层岩性识别

以塔河地区石炭系碎屑岩储层的岩性识别为例,阐述了采用支持向量机技术及利用常规测井资料在取心资料少的情况下识别复杂碎屑岩储层岩性的方法。塔河地区石炭系碎屑岩储层的岩性复杂,普遍含泥、含灰和含砾,加之取心资料少和测井新技术资料缺乏,其岩性识别遇到了较大的困难。从常规测井资料中选取对储层岩性相对敏感的多种资料,选用径向基核函数和一对一多类分类编码模式,利用有限的取心资料建立岩性分类器。展示了塔河地区其中一个区块的岩性识别结果,并与BP神经网络方法的识别结果进行了对比,结果显示该方法具有更好的应用效果。     

基于XGBoost的测井曲线重构方法

测井数据在地层评价中具有十分重要的作用,但是实际应用中由于地质、工程等因素的影响,经常出现部分测井数据缺失甚至漏测的情况。基于传统的经验模型和多元回归分析的测井曲线重构方法精度不够,因此提出利用机器学习方法进行测井曲线的重构;考虑到神经网络的局限性,基于XGBoost构建了测井曲线重构模型。以渤海湾盆地定向井为例验证重构模型的效果：首先进行了测井曲线补全和生成实验,并通过K折交叉验证将XGBoost模型性能与梯度提升决策树（GBDT）、随机森林（RF）和全连接神经网络（FNN）三种方法进行对比,然后结合地质背景分析预测效果。验证结果表明,基于XGBoost的测井曲线重构方法在准确性和稳定性方面都取得了更好的效果,并且表现出较强的泛化能力。