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....     

核Fisher判别分析在火山岩岩性识别中的应用

针对火山岩储层岩性识别困难的问题,将核Fisher(KFDA)判别分析方法用于火山岩储层的岩性识别中。在详细介绍核Fisher(KFDA)判别分析方法的理论基础上,选取能够反映火山岩岩性变化的常规测井曲线作为特征变量,从8口取心井中随机选取70%的数据样本点参与核Fisher(KFDA)的模型建立,剩余30%数据样本点作为测试集进行岩性正确率的识别。通过对克拉美丽气田石炭系349块火山岩薄片的数据分析表明,利用核Fisher判别分析方法可以有效实现火山岩岩性的分离,与支持向量机(SVM)、BP神经网络和Fisher(FDA)方法比较,该方法识别准确率高,图形化显示方面直观性强,可作为利用常规测井资料识别火山岩岩性的有效手段。     

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。     

基于XGBoost算法的复杂碳酸盐岩岩性测井识别

碳酸盐岩储层在形成过程中受到多种因素的影响，储层岩性复杂多样，基于测井资料对碳酸盐岩岩性识别具有重要意义。为了解决传统的测井岩性识别方法和机器学习方法对于复杂碳酸盐岩岩性识别准确率不高的问题，以廊固凹陷北部奥陶系碳酸盐岩为例，将XGBoost算法应用于复杂碳酸盐岩岩性识别，并将模型的性能与决策树C4.5算法和支持向量机算法进行对比。结果表明，采用的XGBoost算法的岩性识别模型对研究区碳酸盐岩岩性识别的准确率达到了88.18%，相较于决策树C4.5算法和支持向量机算法准确率均提高了10%左右，且由于XGBoost算法采用多线程和分布式计算的方法，使得训练时间大大缩短。基于XGBoost算法建立的岩性识别模型能够有效地识别复杂碳酸盐岩岩性，为复杂碳酸盐岩岩性的测井识别提供了新的思路。     

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（GBDT）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。     

松辽盆地火山岩岩性测井识别方法研究

火山岩化学成分变化大、矿物组成复杂,利用测井资料识别火山岩岩性较困难。为了提高松辽盆地火山岩岩性识别的准确率,为火山岩气藏测井精细评价奠定基础,以火山岩岩石学特征为指导,总结了松辽盆地火山岩测井响应规律,得到了对岩性敏感的测井参数:密度、自然伽马、铀、钍、钾等;并利用这些参数绘制了交会图,建立了岩性识别图版;引入支持向量机方法,建立了火山岩岩性识别模型,并利用网格搜索技术优化了模型参数,最优模型的精度和推广能力均优于交会图版。将支持向量机岩性识别模型应用于松辽盆地实际井资料的处理中,将处理结果与岩石薄片鉴定结果对比,符合率高,证明了该模型的准确性。     

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%。     

基于机器学习的火山岩岩性智能识别及预测

针对准噶尔盆地金龙2井区佳木河组火山岩油气藏岩性多变,常规方法难以准确识别的问题,利用机器学习中的决策树、随机森林、梯度提升树、贝叶斯4种算法对研究区岩性进行智能识别,在分析研究区火山岩储层地质特点的基础上,结合不同岩性测井响应特征,确定M、N等8个对火山岩岩性极为敏感的特征参数。研究结果表明：随机森林法模型最优,准确率达到90%以上,模型泛化能力最强,可作为利用常规测井曲线识别火山岩岩性的有效方法。该模型可以高精度地进行火山岩岩性识别及预测,为后续火山岩油藏的勘探与开发奠定基础。     

基于机器学习的堵漏颗粒粒径推荐方法

井漏是油气勘探领域的重大技术难题。桥接堵漏是最常用的堵漏技术手段,其中架桥颗粒粒径是关键参数,直接影响堵漏成败,目前架桥颗粒粒径的选择主要依赖经验,缺乏科学有效的方法。研究了一种基于机器学习算法的堵漏颗粒粒径推荐方法。该方法基础数据为塔里木盆地库车山前区域126口完钻井的测井、录井及防漏堵漏施工数据,其输入层为基于皮尔森算法筛选出的23项主要参数,输出层为0～750μm、750～1 500μm、1 500～4 000μm、4 000μm以上等4个架桥颗粒粒径区间。训练测试了10种常用的机器学习算法在测井数据、录井数据及测井+录井数据等三类数据集上的准确率,测井+录井数据集上各算法得分普遍高于测井和录井数据集。在测井+录井数据集上,支持向量机和极限随机树算法的F1得分最高,达到0.9以上。基于支持向量机和极限随机树算法的架桥颗粒粒径推荐模型在库车山前一口井上验证2井次,两种算法模型的架桥颗粒粒径预测结果与现场实际堵漏效果一致,在桥堵粒径级配科学优选上具有良好的应用前景。     

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.     

准噶尔盆地东部西泉地区石炭系火山岩岩性识别

有效、精确的岩性识别是火山岩油气藏勘探的基础之一.针对准噶尔盆地东部西泉地区石炭系火山岩,基于大量岩心和镜下薄片资料,优选出对岩性响应敏感的6条测井曲线,利用主成分分析法对各测井响应值进行了标准化处理,并建立了一个随机样本,构建出累计方差贡献率为86.798％的2个综合主成分变量Y1和Y2,提高了不同岩性之间测井响应特...     

准噶尔盆地中拐凸起石炭系火山岩岩性测井识别及应用

储层岩性分析是储层评价和油藏勘探的基础。火山岩储层岩性复杂、种类较多,严重影响了油藏的 勘探开发效果。以中拐凸起石炭系火山岩薄片、录井、岩心及岩屑等资料为基础,分析了研究区的主要岩 石类型,建立了岩性与电性的对应关系图版,并结合常规测井交会图识别法来识别岩性,从而归纳、总结 出了研究区火山岩岩性的常规测井响应特征。     

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。     

火山岩岩性测井识别方法研究——以准噶尔盆地火山岩为例

储层岩性识别是火山岩油气藏勘探的基础。 通过对准噶尔盆地石炭系火山岩储层典型井的岩心观察,结合对岩石薄片及测井资料的详细分析,总结了火山岩的测井响应特征,提出了火山岩岩性测井识别方法。 该方法利用常规测井资料识别岩性,再应用成像测井资料识别火山岩的结构及构造,其中自然伽马、密度和声波时差是对火山岩岩性识别较有利的 3 种测井资料。 利用 GR-R t /AC 交会图可有效区分火山岩与沉积岩,在此基础上根据 GR-DEN 交会图与 GR-AC 交会图可区分出火山岩类型,最后结合成像测井图（ FMI ）可进一步识别火山岩的结构及构造特征。     

松辽盆地南部长岭断陷火山岩气藏储量评价与计算

利用高精度三维地震资料对松辽盆地南部长岭断陷火山岩分布及其火山喷发期次进行描述,并落实火山岩顶面构造特征和火山岩气藏圈闭类型;利用元素俘获测井和微电阻率扫描成像测井技术对该火山岩岩性进行标定、识别,并定性、定量评价火山岩储层裂缝发育程度;利用MDT、核磁点测、交叉偶极声波成像等资料对流体性质进行识别,描述了流体分布规律,确定气藏的气水界面;利用核磁、密度测井联合求取有效孔隙度;利用核磁T2谱转换毛管压力求取含气饱和度等,在此基础上计算长岭l号气田火山岩气藏探明储量。     

南堡5号构造深层火山岩岩性测井识别技术

冀东油田南堡5号构造深层广泛分布火山岩,具有分布面积大、厚度大、期次多、与砂泥岩穿插分布等特点。目前火山岩储层勘探获得工业油气流．这使得南堡5号构造深层火山岩储层成为勘探重点。基于火山岩特征,利用岩心薄片、钻井、录井和测井等资料,分析不同火山岩岩性的测井响应特征,建立火山岩岩性与常规测井、元素俘获谱测井（ECS）和电成像测井（FMI）响应的对应关系,总结出一套适合南堡5号构造的深层火山岩岩性识别方法,为储层参数的精确计算奠定了基础。     

火山岩岩性的支持向量机识别

提出了用9种火山岩的岩石类型描述火山岩储层岩性的模型,表达岩性对优质储层的控制作用。基于该模型,选取了对火山岩的岩性、组构、成因和孔隙结构反应灵敏的15种岩石物理测井参数,分别采用多元回归分析（MRA）、人工神经网络（ANN）和支持向量机（SVM）3种机器学习算法,尝试火山岩岩性的识别。在三塘湖盆地马朗凹陷牛东油田的实例中,使用了3口井的数据,其中N9-10井和N9-19井的火山岩储层为学习样本,N8-10井的火山岩储层为预测样本。利用N9-10井1361个样本和N9-19井881个样本（每个样本含15种测井参数及岩性）,通过这3种机器学习算法分别获得预测火山岩岩性的知识;然后,利用N8-10井961个样本（每个样本仅含15种测井参数）,根据上述学习获得的知识,得到这961个样本的岩性。研究发现：对于学习样本,MRA、ANN和SVM的计算与实际的平均相对误差绝对值分别为51.84%,48.66%和0;对于预测样本,则分别为52.44%,46.31%和6.30%。实例分析表明,只有SVM适用于本实例,这是由于火山岩岩性与15种岩石物理测井参数的非线性关系十分强烈。     

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...