机器学习在测井地层评价中的应用综述

随着测井技术的发展,测井数据量越来越大,传统方法在解决多种测井数据综合形成的大数据问题时遇到了困难。机器学习是人工智能领域的一个重要学科,其多种研究成果的途径是从海量数据中自动提取特征,并通过逐层特征变化进而解决复杂的分类或预测问题,可以完美应用在数据类型较多的测井解释中。本文对机器学习方法及其在地球物理测井评价中的应用进行归纳总结,并提出了展望。

基于随机森林算法的复杂碳酸盐岩岩性识别

储层岩性识别是复杂岩性储层勘探开发的基础,但是目前国内外复杂碳酸盐岩岩性识别方法多基于单一因素,通常精度较低,难以准确地描述储层岩性。因此基于测井曲线的岩性敏感性分析,选择合适的测井曲线作为输入曲线,利用泛化能力强、对特征缺失不敏感、训练速度快且实现比较简单的随机森林算法建立复杂碳酸盐岩岩性识别模型,并基于该模型对研究区9口井进行了全井段岩性分类预测。岩性分类结果表明,利用本文提出的方法对岩性的识别较为准确,岩性回判率高达97.6%,且在薄层识别中表现出较大的优势,说明此方法可用在复杂岩性识别的工作中。