江苏龙网

  1. 首页 > 人文 > >

Marine and Petroleum Geology：基于机器学习的深层碳酸盐岩的测井相划分


Marine and Petroleum Geology：基于机器学习的深层碳酸盐岩的测井相划分文章插图
郑文浩等-MPG：基于机器学习的深层碳酸盐岩的测井相划分
Marine and Petroleum Geology：基于机器学习的深层碳酸盐岩的测井相划分文章插图
随着大数据时代的到来 ， 许多数据挖掘算法被广泛使用 ， 它们的优势可概括为：（1）识别数据中的隐藏模式；（2）捕获复杂的非线性关系；（3）自动学习模型；（4）无需定义完整的输入和输出变量之间基于物理的数学关系 。 在勘探地球物理学中 ， 由于岩石物理响应多解性 ， 使得地球物理数据与地质分类之间存在复杂的非线性关系 。 例如深层碳酸盐岩缝洞型储层由于岩性多变、易发生的成岩作用和随机裂缝 ， 导致存在很强的非均质性 。 此时 ， 单一属性的地球物理数据难以实现对储层的准确识别 ， 需要通过地质-地球物理结合的手段进行研究 ， 机器学习方法是处理复杂数据问题的强大工具 ， 是解决这类问题的钥匙 。 然而 ， 岩性识别是一个典型的多元分类问题 ， 但现在的大多数算法都是针对二元分类问题而开发的 ， 且每种算法都存在固有的局限性 ， 将多元分类转化为二元分类并非易事 。
针对上述难题 ， 中国科学院地质与地球物理研究所硕士研究生郑文浩、导师田飞高级工程师和底青云研究员等以塔河油田为例 ， 利用深层碳酸盐岩缝洞型储层丰富的常规测井信息 ， 结合岩心和电成像测井（FMI）资料 ， 同时应用主成分分析（PCA）、K-means、线性判别分析（LDA）3种算法进行测井相综合预测 。
【Marine and Petroleum Geology：基于机器学习的深层碳酸盐岩的测井相划分】方法如下：（1）首先是数据预处理 ， 采用箱形图去除异常数据以及深度不匹配的数据 ， 并进行了Z-score标准化处理；（2）然后通过PCA对测井参数降维 ， 将7维数据转化成2个互相独立的变量 ， 简化了数据结构（图1a、图1b） 。 然而 ， 一次PCA处理后 ， 各种测井相数据点之间仍存在大量重叠 。 为了进一步简化数据结构 ， 他们将洞穴数据点和非洞穴数据点做二次PCA处理（图1c、图1d）；（3）对得到的数据集进行K-means聚类（图2） ， 根据测井相的种类以及复杂程度选择合适的k值 ， 并以岩心约束下的FMI图像确定测井相的标签 ， 实现了地球物理数据的半定量解释与地质信息的定性解释相结合 ， 从而建立了测井相-岩相数据库（图3） ， 在测井相-岩相图版标定了每个测井相的区域范围；（4）最后为实现测井相的自动化定量预测 ， 使用LDA算法获得了6种测井相的判别函数 ， 将某一深度点测量的测井信息代入上述的判别函数 ， 函数值最大者作为该点的测井相类型归属（图4） 。 该测井相预测模型的正确率达到了92% ， 并能够快速获得测井相预测结果 ， 对于提高勘探效率、节约勘探成本具有重要意义 。
Marine and Petroleum Geology：基于机器学习的深层碳酸盐岩的测井相划分文章插图
图1 PC1-PC2交会图 。 （a）PC1-PC2交会图中的初始数据点；（b）在PC1-PC2相交图中 ， 基于FMI图像的粗略识别 ， 数据点可分为两类：非洞穴数据点和洞穴数据点 。 非洞穴数据点的线性相关线的系数为-0.697 ， 洞穴数据点的线性相关线的系数为1.874；（c）在PC1（非洞穴）-PC2（非洞穴）交会图中 ， 非洞穴数据点的线性相关线斜率为0；（d）在PC1（洞穴）-PC2（洞穴）交会图中 ， 洞穴数据点的线性相关线斜率为0
Marine and Petroleum Geology：基于机器学习的深层碳酸盐岩的测井相划分文章插图
图2 数据经过K-means处理 ， 通过FMI图像进行标定每类数据点的测井相 。 （a）K-means将非洞穴数据划分为16类；（b）K-means将洞穴数据点划分为8类；（c）第14类非洞穴数据点标定为裂缝相；（d）第37类洞穴数据点标定为洞穴（未充填）相


推荐阅读


上一篇：传统零售与新零售存在哪些区别？

下一篇：独家调查 | 拆解元气森林：会营销只是表象