基于小波与反褶积结合的薄互层岩性界面识别方法

准噶尔盆地莫西庄地区三工河组二段岩性复杂多样、变化快,单砂岩体中薄层岩性频繁互层,存在较强的岩性、物性、含油非均质性特征。精细划分薄互层岩性并识别其分层界面是开展储层识别、流体解释及有效储层厚度确立等重要的前提工作。为了精确地识别薄互层岩性的分层界面,从测井信息采集分辨率与信号分析角度出发,提出了基于小波与反褶积相结合的薄互层岩性分层界面识别方法。首先,利用小波变换多尺度分解和重构原理,对自然伽马测井曲线进行高、低频分解,提取出反映地层岩性变化的有效信号与高频噪声;然后,对有效信号进行重构,构建一条去除噪声能够表征更接近真实地层信息的自然伽马测井曲线;最后,利用反褶积方法对重构的自然伽马测井曲线进行高分辨率处理,很大程度上提高了自然伽马测井曲线响应薄层岩性的纵向分辨率。经实例井取心岩性资料验证,利用该方法处理得到高分辨率自然伽马测井曲线的形态与数值特征能够有效地提高单砂岩体中多套薄互层岩性分层界面识别的精度,为莫西庄三工河组二段储层有效性精细评价提供了依据。

基于MobileViT的岩石薄片图像岩性识别方法研究

岩石薄片图像中包含了大量肉眼无法观察到的地质特征信息,对岩石薄片图像的岩性识别结果为后续的石油勘探和开发奠定了基础。针对岩性识别数据集不均衡、识别模型参数多等问题,提出一种改进的轻量化MobileViT模型,该模型针对涵盖了90%以上常见岩性的岩石薄片图像进行建模分析。首先,为使模型更好地学习到每类岩石薄片图像中所包含的独特特征,对数据集进行数字增加。其次,使用GELU替换MobileViT中MV2模块中常规ReLU6,从而作为该模块的激活函数,有效解决神经元死亡的问题,提升模型的收敛速度。最后,划分训练集和测试集,使用余弦退火算法自动更新学习率,以迁移学习加速训练过程,实现岩石薄片图像中针对岩性的自动识别。实验结果表明,改进后的MobileViT对岩性识别的准确率达82.9%,模型的参数仅为7.66M,通过实例验证该算法具有较好的鲁棒性。

深度卷积网络在航空高光谱岩性识别中的应用——以塔木素铀矿床北部地区为例

岩矿信息识别是高光谱遥感在地质勘探领域的主要应用方向。传统高光谱遥感方法尽管在矿物识别中取得了良好效果,但对于岩性识别存在瓶颈。深度学习是当前人工智能领域的研究热点,卷积神经网络是适用于图像识别的重要网络架构。以巴音戈壁盆地西部塔木素铀矿床北部区域为试验区,以SASI航空高光谱影像为数据源,将深度卷积神经网络引入航空高光谱遥感岩性识别,测试和评估其应用效果。基于预处理后的SASI航空高光谱影像,以试验区地质图及野外调查为参考,制作了8类样本,包括:印支期花岗岩、华力西晚期花岗岩、华力西晚期花岗闪长岩、华力西中期石英闪长岩、石炭系碎屑岩、中下侏罗统火山凝灰岩、第四系沉积物和绢云母化蚀变岩。构建了基于光谱特征的一维卷积神经网络、基于图-谱联合特征的一维+二维卷积神经网络和三维卷积神经网络3种模型结构,分别进行模型训练、测试和试验区岩性分类应用。模型测试结果表明:一维卷积神经网络、一维+二维卷积神经网络和三维卷积神经网络的总体精度分别为82.13%、86.46%和90.90%。通过评价分析三种卷积神经网络模型的岩性分类识别结果,三维卷积神经网络的识别结果与真实参考最为接近,对试验区各类岩性的区分识别效果最优,一维+二维卷积神经网络的识别效果次之,表明利用卷积神经网络引入高光谱图像空间信息,进行图-谱特征的联合挖掘,有利于提高影像的识别精度和实际应用效果。同时,一维卷积神经网络和一维+二维卷积神经网络的识别结果因航空高光谱影像拼接后的条带效应,影响了它们的实际应用效果,而三维卷积神经网络较好地克服了这种影响,表明其对于大面积航空影像处理具有相对较好的应用前景。

岩性扫描测井解释评价方法及其地质应用

作为新兴的测井仪器,岩性扫描测井(LithoScanner)通过获取地层元素含量,进一步获得地层矿物含量,帮助地质学家解决复杂岩性识别等地质学难题。为了充分推广其在地质学领域的应用,笔者等对岩性扫描测井的原理和解释处理流程进行梳理,并对应用过程中出现的典型案例进行分析。LithoScanner测井可直接获取地层岩性特征,帮助识别地层界面,并实现页岩等复杂岩性、岩相的准确识别。而脆性矿物含量、有机碳含量等也可被LithoScanner测井准确获取,从而计算地层中的脆性指数和有机碳的含量。LithoScanner测井可以探测黄铁矿、煤层等特殊矿物组分,因此可以辅助核磁共振测井资料解释评价。最后指出LithoScanner测井与相应的岩芯和实验数据进行比对,提高LithoScanner测井的可靠性。研究有助于将LithoScanner测井中蕴含的大量地质信息进行挖掘与解读,并消除该资料应用中的一些误区,从而推广LithoScanner测井应用领域。

基于BiLSTM-XGBoost混合模型的储层岩性识别

储层岩性分类是地质研究基础,基于数据驱动的机器学习模型虽然能较好地识别储层岩性,但由于测井数据是特殊的序列数据,模型很难有效提取数据的空间相关性,造成模型对储层识别仍存在不足.针对此问题,本文结合双向长短期循环神经网络(bidirectional long short-term memory,BiLSTM)和极端梯度提升决策树(extreme gradient boosting decision tree,XGBoost),提出双向记忆极端梯度提升(BiLSTM-XGBoost,BiXGB)模型预测储层岩性.该模型在传统XGBoost基础上融入了BiLSTM,大大增强了模型对测井数据的特征提取能力.BiXGB模型使用BiLSTM对测井数据进行特征提取,将提取到的特征传递给XGBoost分类模型进行训练和预测.将BiXGB模型应用于储层岩性数据集时,模型预测的总体精度达到了91%.为了进一步验证模型的准确性和稳定性,将模型应用于UCI公开的Occupancy序列数据集,结果显示模型的预测总体精度也高达93%.相较于其他机器学习模型,BiXGB模型能准确地对序列数据进行分类,提高了储层岩性的识别精度,满足了油气勘探的实际需要,为储层岩性识别提供了新的方法.

基于相控岩性约束的隐蔽致密砂岩储层预测技术

鄂尔多斯盆地南缘延长组为辫状河三角洲-湖泊沉积体系。针对长3段水下分流河道致密砂岩优质储层与泥岩波阻抗难以区分、地震响应特征不明显、储层预测难度大的问题,文中通过不同沉积微相带储层的测井响应特征研究,采用“砂中找优”递进式思路,提出了一套基于相控的岩性约束隐蔽致密砂岩储层预测技术。该技术采用自适应神经网络算法波形聚类沉积微相分析、地质统计学岩性反演砂岩识别描述、围岩过滤的砂岩波阻抗储层定量表征的方法组合,解决了应用地震波形结构特征及振幅属性优化等方法识别河道砂体存在的多解性问题,实现了隐蔽致密砂岩优质储层甜点目标的刻画。该方法在鄂南地区延长组长3段的评价勘探应用中取得了成功,对于同类型介于致密砂岩和常规砂岩之间的隐蔽岩性油藏的储层识别描述具有借鉴和指导意义。

川东地区龙潭组页岩岩性序列及勘探意义

川东地区龙潭组具有较大的页岩气勘探前景,该地层沉积于海陆过渡环境,沉积相变化快,岩性复杂,存在难以通过常规的矿物成分方法划分岩相以及当前岩相划分尚不精确的问题,制约了该地区龙潭组页岩有利岩相带识别及勘探。本文基于岩心观察、野外剖面实测和薄片鉴定,结合钻井的泥地比、单层岩性厚度,建立了川东地区龙潭组7种特征岩性组合模式(泥页岩型、富泥含砂型、富泥含灰型、灰泥互层型、富灰含泥型、致密灰岩型和火成岩型);综合TOC、孔隙度、含气性、脆性指数等页岩储层特征参数,明确了不同岩性组合在龙潭组各段的平面分布规律。研究表明,纵向上优势岩性组合主要为龙潭一段富泥含灰型和泥页岩型,龙潭二段主要为泥页岩型、灰泥互层型和富泥含灰型。平面上龙潭一段优势岩性组合富泥含灰型主要分布在开州—云阳一带,泥页岩型主要分布在重庆—綦江一带;龙潭二段优势岩性组合泥页岩型分布在巴南—綦江一带,灰泥互层型分布在达州一带,富泥含灰型分布在万州—梁平—石柱一带。该项研究成果为川东地区龙潭组页岩气勘探提供了重要依据。

考虑层理缝岩性差异的页岩油藏压裂水平井动态分析方法

针对页岩储层近水平方向层理缝发育,且层理缝两侧岩性存在较大差异的特点,建立同时考虑层理缝和微裂缝的页岩油藏压裂水平井模型,其中层理缝两侧为页岩与泥岩基质的不稳态窜流;页岩基质考虑有机质吸附和无机质滑移效应。基于Laplace变换与叠加原理求得压裂水平井定产量生产时的压力动态,与经典Kazemi非稳态窜流模型对比,验证本模型的正确性,进一步分析压裂水平井压力及产量的影响因素。结果表明:压裂水平井渗流包括井筒存储、人工裂缝双线性流、层理缝不稳态窜流、微裂缝拟稳态窜流、地层线性流、页岩和泥岩向层理缝的窜流、地层径向流7个流动阶段;层理缝对压力和产量早期影响明显,且导流能力越大压力导数越平稳,产量越大;页岩及泥岩的窜流主要表现在地层线性流后,压力和产量随页岩与泥岩基质窜流能力和弹性储容比的相对大小发生变化,表明层理缝两侧岩性差异对生产动态的影响,差异越大窜流时间越早产量越低。

岩性分区异常下限衬值法圈定化探异常的优劣:以江苏金山地区为例

笔者以金山地区1∶10000土壤地球化学调查数据为例,利用岩性分区异常下限衬值法圈定异常,通过与传统方法对比,发现岩性分区异常下限衬值法可以有效避免岩性对异常的控制作用,消除背景的影响,圈定的化探异常能提供更有效的找矿信息。通过野外踏勘和异常查证,并对有找矿意义的重点异常进行槽探、钻探验证,发现具工业价值钨矿体和铅锌矿脉。研究表明,利用岩性分区异常下限衬值法在岩性较复杂区确定异常下限的有效性,该方法可以推广使用。

东濮凹陷北部古近系沙三段超压岩性油气藏成藏机理

东濮凹陷深部储层致密,超压广泛发育,油气生运聚过程复杂。利用测井、录井、钻井及地球化学分析等资料,对东濮凹陷北部古近系沙三段超压的形成机制、超压对源岩与储层的影响以及油气运移动力进行了系统研究,并阐明深层超压岩性油气藏的成藏机理。研究结果表明:(1)东濮凹陷北部古近系沙三段超压岩性油气藏类型主要包括砂岩上倾尖灭油气藏、砂岩透镜体油气藏、裂缝油气藏3种纯岩性油气藏和岩性-构造油气藏、构造-岩性油气藏2种复合油气藏。岩性油气藏主要分布于东濮凹陷北部地区,尤其在前梨园洼陷、海通集洼陷、柳屯洼陷及濮城—卫城洼陷周边,具有“环洼有序分布”的特征。(2)研究区厚层膏盐岩发育及生烃过程产生的深层超压对烃源岩的生烃具有抑制作用,有效扩大了生油窗,增强了深部源岩的生烃能力,促进了其对环洼岩性油气藏的大规模近源供烃;膏盐岩发育、早期快速埋藏、超压的抗压实作用和晚期发育的溶蚀作用控制了优质储层的分布;深部广泛发育的超压和浮力协同作用为深层油气运移提供了有效动力。(3)研究区东部洼陷带为“单洼单源、早混相晚气相、自生自储、超压驱动运聚”成藏模式;东部陡坡带为“单洼多源、早混相晚气相、超压-浮力驱动侧向运聚”成藏模式;西部斜坡带为“单洼多源、油相、超压-浮力驱动侧向运聚”成藏模式;西部洼陷带为“单洼单源、油相、超压-浮力驱动侧向运聚”成藏模式。

基于增强多头注意力机制的Optuna-BiGRU测井岩性识别

测井岩性识别是油气勘探开发中至关重要的内容。针对现有算法模型在处理测井曲线数据时,无法有效捕获曲线内部深层关联和深度方向关系、拟合能力较弱、难以准确提取关键特征、噪声干扰以及模型超参数调优过程复杂困难等问题,提出了一种通过Optuna超参数优化双向门循环单元(Optuna-BiGRU)结合增强多头注意力机制(EMHA)的测井岩性识别模型——Optuna-BiGRU-EMHA模型。该模型引入残差机制和层归一化以改进多头注意力机制模块,并结合双向门循环单元(BiGRU)解决了处理测井数据时的问题,同时使用Optuna超参数优化框架和小波包自适应阈值方法分别解决了超参数调优和噪声干扰问题。首先通过交会图分析和敏感性箱线图分析选取自然伽马、深感应电阻率、中子-密度孔隙度、平均中子-密度孔隙度和岩性密度5个特征参数的测井数据,通过小波包自适应阈值方法对数据进行去噪,并将测井数据分割成数据块,然后利用Optuna框架优化BiGRU-EMHA模型超参数,最后通过实验对比K-近邻算法(KNN)、随机森林(RF)、极端梯度提升算法(XGBoost)、长短期记忆(LSTM)神经网络、BiGRU、双向长短期记忆(BiLSTM)神经网络、BiGRU-MHA、Optuna-BiGRU-EMHA等8种模型在测井岩性识别中的精度。结果表明:Optuna-BiGRU-EMHA模型识别准确率达到80%,相对于传统机器学习模型和深度学习模型,综合岩性识别准确率分别提高15.94%~23.14%和3.93%~15.94%,该模型为常规测井岩性识别提供了坚实的理论支持。

基于量子衍生涡流算法和T⁃S模糊推理模型的储层岩性识别

鉴于梯度下降法易陷入局部极值、普通群智能优化算法易早熟收敛,提出一种基于量子衍生涡流算法(Quantum Vortex Search Algorithm,QVSA)和T⁃S模糊推理模型的岩性识别方法,QVSA具有操作简单、收敛速度快、寻优能力强等优点,有助于T⁃S模糊推理模型获得最优参数配置,从而实现储层岩性的准确识别。首先利用具有全局搜索能力的QVSA优化T⁃S模糊推理模型的各种参数;然后利用主成分分析方法降低获取的地震属性维度;再利用优化的T⁃S模糊推理模型识别储层岩性。实验结果表明,利用反映储层特征的8个地震属性识别储层岩性时,所提方法的识别正确率达到92%,比普通BP网络方法高5.1%,同时查准率、查全率、F1分数等指标也较BP网络方法提升明显。

无人机高光谱岩性和矿物识别技术研究

无人机高光谱遥感技术以其高空间分辨率和高光谱分辨率的技术优势,在大比例尺区域地质填图领域可以发挥重要作用。利用无人机搭载全谱段高光谱成像仪(HD_SAVI)获取0.2 m高空间分辨率影像数据,采用经验线性法对所获取数据进行光谱重建,重建后无人机高光谱影像光谱曲线与地面实测光谱曲线谱形基本一致,典型特征吸收峰位置偏差均在1个像元以内。采集岩性样本构建岩性知识库,利用深度学习算法基于无人机高光谱影像数据开展岩性识别;岩性识别结果与大比例尺地质图对比,岩性空间分布基本一致,地质体边界准确且较清晰。参考典型矿物光谱库进行矿物识别。与同一地区CASI/SASI航空高光谱数据地质填图结果进行对比分析,结果表明:两者提取的矿物在空间分布上具有较高的一致性,但无人机低空高光谱影像空间分辨率较高,识别出的矿物种类更加丰富。无人机高光谱遥感技术可以满足无人区、交通不便地区地质勘查,以及重点区或矿区外围等地区大比例尺地质填图的需要。

电成像测井中基于GA-RF的火山岩岩性识别

针对利用常规测井资料难以准确识别复杂火山岩岩性的问题,提出了一种基于GA-RF(遗传算法-随机森林)的利用电成像测井进行火山岩岩性识别的方法。首先,采用灰度共生矩阵(GLCM)方法提取电成像测井图像的能量、对比度、相关性、同质性等4个图像纹理特征,采用Tamura算法提取图像的粗糙度、对比度、方向度等3个图像纹理特征,并建立图像纹理特征数据集;然后,对数据集进行特征融合、降维,并利用ADASYN过采样算法平衡样本集,降低样本集不均衡对算法的影响;最后,通过遗传算法优化随机森林算法的参数,构建基于GA-RF的火山岩岩性识别模型(以下简称GA-RF模型),并与随机森林、GBDT、LightGBM等三种模型进行比较。实例分析结果表明,GA-RF模型岩性识别准确率可达94%左右,准确率高于3种对比算法。该方法有效地提高了火山岩岩性识别的精度和速度,可为样本不平衡问题以及测井方法识别岩性提供借鉴。

碎屑岩数字露头岩性识别及延长组砂体定量刻画

地面激光扫描仪可以快速获取野外数字地质剖面的几何信息和激光强度信息。本文基于几何信息建立数字地质露头模型,研究激光强度与碎屑岩岩性的相关性,提出碎屑岩岩性激光强度识别方法。在鄂尔多斯盆地延长组致密砂岩地质露头进行应用,建立了延长组长8滩坝沉积露头高精度三维数字露头模型,在数字露头上直接进行岩性识别,进而详细分析了层序格架。本文为碎屑岩地质剖面的室内反复研究提供了新手段。

基于层次分解、主成分分析和高斯混合模型的火成岩岩性识别——以惠州26洼古潜山为例

火成岩油气成藏规律复杂,受到火山运动、强构造运动以及风化剥蚀等叠加影响,火成岩的化学成分和结构构造复杂多样,非均质性极强,采用常规岩性识别方法难以一次性将所有岩性准确识别。借鉴层次分解思路,以惠州26洼古潜山为例,提出了一种火成岩岩性测井识别分类方法:综合考虑火成岩地质分类原则和测井响应特征来确定岩性识别层级,基于这种层次性的分类原则,在每一层次定量优选岩性识别敏感参数,建立研究区岩性识别优选层级;在明确岩性识别优选层级的基础上,逐级逐次使用主成分分析(PCA)和高斯混合模型(GMM)对岩性进行判别并确定其计算函数,建立分级优选岩性识别模型,最终达到整体岩性区分的目的。研究结果表明,研究区辉绿岩和闪长岩识别正确率分别为87.31%和84.32%,未分级未优选辉绿岩和闪长岩识别正确率为60.45%和54.88%,分级未优选其岩性识别正确率为69.61%和67.04%,有效提高了研究区的复杂岩性识别精度。该方法的提出对提高火成岩岩性识别精度提供了一种思路,也为研究区古潜山火成岩岩性精确识别提供了参考依据。

基于MobileNetV2的岩石薄片岩性识别

岩石薄片的岩性识别是地质分析中不可或缺的一环,其精准度直接影响后续地层岩石种类、性质和矿物成分等信息的确定,对于地质勘探和矿产开采具有重要意义。为了快速准确地识别岩性,本文提出了一种改进的MobileNetV2轻量化模型,通过选取5种岩石类型共3 700张岩石薄片图像进行岩性识别。在MobileNetV2的倒残差结构中嵌入坐标注意力机制,融合图像中多种矿物的全局特征信息。此外,改进MobileNetV2中的分类器,降低模型的参数量和计算复杂度,从而提高模型的运算速度和效率,并采用带泄露线性整流函数(leaky rectified linear unit, Leaky ReLU)作为激活函数,避免网络训练中的梯度消失问题。实验结果表明,本文提出的改进后的MobileNetV2模型大小仅为2.30 MB,在测试集上的精确率、召回率、F_(1)值分别为91.24%、90.18%、90.70%,具有较高的准确性,相比于SqueezeNet、ShuffleNetV2等同类型的轻量化网络,分类效果最好。

岩性特征对混凝土坝体-基岩原位直剪试验力学特性影响分析

以广西巴马县坡月水库工程为研究对象,采用平推法开展不同法向应力(0.4、0.8、1.2、1.6、2.0 MPa)下混凝土坝体-基岩原位直剪试验,探究岩性特征对混凝土坝体-基岩力学特性的影响。结果表明,不同法向应力下试样的剪切应力-位移曲线均表现出试样内部初始缺陷受力微裂纹扩展的稳定扩展阶段、微裂缝逐渐扩展形成宏观裂缝的不稳定扩展阶段及混凝土与岩体分离的开裂阶段3个阶段;法向应力、岩体岩性对试样的断裂能均有显著影响。不同法向应力下,试样断裂能的范围为16.65~177.28 N/m,断裂能随着法向应力或灰色砂岩含量增大而增大,随泥质粉砂岩含量或风化程度增大而减小;混凝土坝体-基岩的抗剪强度随基岩中灰色砂岩含量增大而增大,随泥质粉砂岩含量或基岩风化程度增大而减小。研究结果可为类似研究提供试验参考。

新型高分子抑尘剂对岩性颗粒物的抑制特性研究

为减轻综掘工作面粉尘逸散对巷道环境的污染以及人员、设备造成的损伤,以济宁市金桥煤矿西翼轨道巷为工程背景,以可吸入粉尘为研究对象,研发一种以表面活性剂为关键骨架、以无机盐和高分子黏附剂为辅助材料的强润湿性、强黏结性的环保型化学抑尘剂。现场验证结果表明,该抑尘剂对于岩性颗粒物具有较好的捕捉能力,能有效降低巷道内可吸入粉尘浓度。

基于PSO-BP的岩性识别方法研究

近些年来,数据分析、深度学习技术取得了长足的发展,并为社会带来了可观的收益。故利用深度学习手段进行岩性识别也成为了一个研究热点。岩性识别是录井解释的核心业务,准确而有效地预测储层性质对石油勘探工作有着重大意义。为解决传统岩性识别方法成本高、耗时长等缺点。论文利用松辽盆地中若干井的测井数据进行模型研究,提出了一种基于PSO-BP的岩性识别方法。通过对测井源数据进行数据预处理、构建网络识别模型、优化岩性识别模型、评价模型输出结果等步骤,实现基于PSO-BP岩性识别方法。经过反复试验,结果表明采用PSO-BP的岩性识别方法对岩性进行识别的平均准确率可达92.2%,为储层预测工作提供了可靠的支撑。