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。

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。

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。

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。

基于数据融合的无人机影像碎屑岩岩性识别

不同类型岩性影像纹理相似性高,基于单一的二维影像进行岩性识别精度较低。针对这一问题,开展了顾及影像深度信息的岩性智能识别方法研究。利用无人机影像具有多模态的特性,采用通道叠加、IHS(intensity,hue,saturation)变换、小波变换以及多模态融合4种影像融合方式,将深度信息融入影像数据中,运用深度卷积神经网络DeepLabv3+进行碎屑岩岩性识别。经人工解译结果对比分析,结果表明:实验区内基于多模态融合影像的岩性识别精度最高,Kappa系数可达76.17%,总体识别精度可提升到91.05%;分析认为,顾及影像深度信息的岩性智能识别方法针对岩层表面不平整,高差落差大的砾岩识别效果有明显提升,但表面平整、高差表现不明显的泥岩和砂岩地层识别效果有待提升。研究成果为野外碎屑岩露头岩性快速识别提供了新思路。

基于随机树嵌入的随钻测井岩性识别方法

岩性识别是储层评价中的一项重要工作.随着机器学习方法的不断发展,岩性的智能识别也成为热门研究方向.随钻测井技术目前已经得到了广泛的应用,但是受限于高温高压的钻井作业条件,随钻测井仪器只能测得少量测井参数.由于随钻测井参数较少,直接输入机器学习模型无法充分挖掘其中的信息.对此,本文将随机树嵌入引入随钻测井资料的岩性识别.该方法将低维随钻测井数据通过二叉树编码并转化为高维稀疏特征,利用升维后的数据进行训练从而提升机器学习模型的判别能力.对比实验结果表明,使用随机树嵌入的随机森林方法具有最佳的识别效果,准确率和F_(1)值较直接使用随机森林分别提升了3.16%和3.25%,且优于梯度提升树、极随机树和粒子群优化支持向量机算法.

基于深度学习方法的测井岩性识别研究

采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。以上模型可应用于不同环境和需求。文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。

基于特征加权的KNN模型岩性识别方法

岩性识别是一项重要的地质工作,为固体矿产勘探与油气勘探奠定了坚实的地质基础。岩石物性是连接岩性和地球物理场的桥梁,可以通过物性之间的差异进行岩性识别,但不同岩石的物性数据往往存在一定重合,仅靠交会图无法准确地识别岩性。KNN(K近邻)模型是一种简单、直接的机器学习方法,准确度和灵敏度都很高,适用于多分类问题。基于此,本文将基于特征加权的KNN模型引入岩性识别中,该方法将传统KNN模型与属性特征的信息增益相结合,对不同特征赋予不同权重,可以直观地反映属性特征对分类的重要程度。实验证明,相比于传统KNN方法,基于特征加权的KNN模型对岩性交界处的识别能力有大幅提升,整体提高了岩性识别的准确性和稳定性。

高光谱结合随机森林的岩性识别方法研究

为实现岩性的快速、无损识别,基于高光谱技术与随机森林算法相结合建立了岩性的识别模型。首先,采集了3种岩石样品的高光谱,然后使用Savizkg-Golag平滑滤波、标准正态变换、多元散射校正和一阶导数4种方法对高光谱数据进行预处理,最后分别结合随机森林算法建立岩性识别模型,基于测试集准确率和F1值等方面进行综合评价,并比较偏最小二乘判别分析方法,从而选择最优模型。结果表明,经SG平滑滤波处理后建立的RF模型识别效果最佳,得到SG-RF模型测试集分类准确率为93.33%,且各类岩石对应的F1值最高。因此,高光谱技术能够实现快速、无损、准确地识别岩性,是一种很有前景的岩性识别方法。

基于机器学习的蚀变火成岩测录井综合岩性识别——以南海北部珠江口盆地惠州26-6井区为例

岩性识别是储层测井评价的重要环节,储层发育程度和孔隙度等参数的评价精度很大程度上取决于岩性识别的准确率。然而南海北部珠江口盆地惠州26-6井区的火成岩岩性复杂,普遍存在的蚀变现象对常规测井数据产生了很大影响,令常规测井岩性识别更加困难,识别精度难以满足勘探需求。为了提高蚀变火成岩地层的岩性识别准确率,本文结合常规测井和元素录井数据,建立了基于不同机器学习算法的岩性识别方法并进行对比分析,得到了适用于确定蚀变火成岩岩性的综合识别方法。首先利用岩心元素数据建立录井元素校正方法,得到可靠的元素录井数据,并以常规测井的采样间隔为标准对标准化元素录井数据进行线性插值;之后优选出与岩性相关性更高的常规测井和元素录井曲线,分别采用k近邻(KNN)和支持向量机(SVM)两种机器学习算法对研究区的构造片岩、闪长岩、蚀变辉绿岩、花岗闪长岩、花岗岩和蚀变花岗岩等6种火成岩进行岩性识别。在研究区内4口有岩石薄片鉴定资料井的目标层中,按照对应深度提取数据点(共145个),其中80%作为训练样本,其余20%作为测试样本。以样本测试精度和全井岩性识别效果作为评价指标,对两种算法进行对比,结果表明:KNN和SVM算法的识别准确率均为92.65%,但是KNN算法全井识别效果更符合地层岩性分布特征,说明基于KNN算法的测、录井综合岩性识别更适用于研究区。

基于对应分析的丽水-椒江凹陷潜山岩性识别方法

随着丽水-椒江凹陷油气勘探扩展至潜山油藏,钻井揭示花岗岩、片麻岩、灰岩等岩性地层;加之应用了钻井新工艺,录井岩屑细小、混杂,现场准确识别岩性难度较大。为了解决此问题,基于XRD衍射和XRF元素录井资料,利用ReliefF算法筛选了对潜山及上覆地层敏感的8种元素和4种矿物,将筛选出的元素、矿物作为原始数据集的特征参数进行对应分析,构建了花岗岩、片麻岩、灰岩等岩石岩性的H_(1)与H_(2)函数,并建立了复杂岩性的识别图版。其中,花岗岩的H_(1)和H_(2)分别为-3.0~1.0和1.0~3.0,片麻岩的H_(1)和H_(2)分别为-4.0~0和-2.5~1.0,灰岩的H_(1)和H_(2)分别为0.5~2.5和-9.0~-3.0,砂砾岩的H_(1)和H_(2)分别为2.5~10.0和-1.0~2.5,泥岩的H_(1)和H_(2)分别为-1.0~3.5和-1.0~0.5。丽水-椒江凹陷潜山油气区6口井应用了基于对应分析的岩性识别方法,识别复杂岩性的准确率达90.7%,可为钻井施工安全及潜山储层综合评价提供技术支持。

渤中22-2构造中生界潜山岩性识别方法

近两年渤海油田对中生界潜山的勘探力度逐渐增大,渤中22-2构造多口井在中生界钻遇良好油气显示,测试获得商业产能,证实渤海油田中生界潜山具备极高的勘探价值。研究区中生界岩性以火山熔岩和火山碎屑岩为主,区域岩性复杂,现场识别难度大。笔者通过分析研究中生界潜山不同岩性的岩屑薄片特征、矿物元素特征,建立了中生界岩性的录井识别方法。该方法在渤中22-2区块多口井进行了应用,为中生界潜山随钻作业决策起到了指导作用。

吐哈雁木西油田储层岩性识别研究

雁木西油田第三系储层岩石类型主要为岩屑长石砂岩和混合砂岩,储集类型为砂岩孔隙型,储层为中高孔中高渗型,储层分选不均,岩性识别难。因此,利用测井资料准确识别储层岩性,成为雁木西油田亟待解决的重点问题。为结局以上问题,应用研究区2口取心井104层的测井、录井、取心、分析化验等资料,在储层“四性”关系研究基础上,搞清了不同岩性测井响应特征,优选测井参数,利用主成分分析方法建立了岩性识别图版,实现了对储层岩性的测井识别,岩性识别结果可以满足下部储层参数与地质评价需要。

融合储层纵向信息的机器学习岩性识别方法

测井资料中包含丰富的岩性信息,相比于取心资料,具有连续性强、成本低等优点。用机器学习方法探索测井曲线与实际取心段样本岩性之间的关系,实现储层岩性的自动识别,降低岩性识别成本,提高识别效率和准确性,可以为储层评价提供有效手段。基于岩性分类依据选择适合样本的分类方案,选取适合岩性分类问题的机器学习方法设计试验方案,提出了融合储层纵向信息的机器学习岩性识别方法,利用深度窗对常规测井数据和已知岩性数据进行了序列采样,生成了训练样本。用逻辑回归、支持向量机、随机森林、卷积神经网络和Stacking集成学习5种不同方法分别建立模型,对新疆某油田的强非均质岩层原始样本进行了岩性识别。结果表明,当深度窗宽度与岩层厚度相匹配时,在原始样本具有强非均衡性的情况下,用本方法对其进行预处理之后,各个机器学习方法获得的岩性识别准确率均有较大提高。深度窗的宽度决定了方法识别岩层厚度的精度,深度窗越小,识别精度越高;深度窗越大能够保留的纵向信息越多,对相应厚度的岩层识别准确率越高。本文的融合储层纵向信息的机器学习岩性识别方法能提升测井资料岩性识别的准确性,给非均质薄岩层的自动有效识别提供了经济有效的参考方案。

基于随钻数据的岩性识别机器学习算法研究进展

机器学习算法是岩性识别领域重点研究内容之一。与传统岩性识别方法相比,通过监测随钻参数变化进行岩性识别,具有高精度、多信息、集成化、智能化的优点。近年来,随着岩性识别技术不断发展,机器学习算法在岩性识别领域的研究和应用日益广泛。利用机器学习算法分析随钻数据,能够提高岩性识别结果的准确性,更高效地识别地层的岩性和构造。为了厘清岩性识别机器学习算法的发展现状,发掘其在岩性识别技术领域中的技术难题,综述了岩性识别机器学习算法的研究进展。首先,简要介绍了机器学习的概念与发展历程;其次,分类阐述能够用于岩性识别领域的机器学习算法;再次,总结了岩性识别领域各类常用机器学习算法的应用现状,比较了各类算法在岩性识别应用中的优缺点;最后,总结了岩性识别算法存在的问题和面临的挑战,并对其下一步发展方向提出了建议,使未来能更加准确高效地利用机器学习算法分析处理随钻数据,实现机器学习算法与岩性识别技术的深度结合。

基于改进ResNet深度残差网络的岩屑岩性识别研究

岩屑岩性识别在油气探测工作中具有重要地位,传统人工识别岩屑受主观因素影响大,操作繁琐。现研究一种采用深度学习方法对高分辨率岩屑图像进行分类,以达到识别岩屑岩性的目的。通过岩屑数据集在主流深度学习网络进行训练后对比研究,提出一种针对沉积岩岩屑的分类网络,该网络采用ResNet的深度残差思想,以残差学习单元进行堆叠,通过恒等映射克服随着网络深度加深导致的网络退化问题,同时加入深度可分离卷积操作,减少参数量以轻量化网络。通过RMSprop优化器最小化损失函数,以Softmax函数作为分类器进行分类。实验证明,网络在拥有更轻量化结构的同时,在岩屑数据集上拥有更优的准确率、精确率、召回率和F 1值。在以5类共计221张高分辨率沉积岩岩屑图像作为实验样本的数据集上,该网络准确率较传统ResNet网络提高1.73个百分点,在与VGG16、DenseNet169、MobileNet、传统ResNet网络的对比中也拥有最高的准确率,达到96.54%。对已知岩屑图像具有良好的分类能力,可为未知岩屑岩性的定义与地层结构描绘提供重要依据。

基于振动与声音信号深度学习的岩性识别方法

岩性识别对地质勘查和储层评价具有重要意义,科学有效地开展岩性自动识别的相关研究能够有效地为勘查过程提供指导,减少工作的盲目性和冗杂性。针对常见的砂岩地层,选择三类砂岩,基于室内微钻试验台,设计钻杆转速、钻孔深度和钻孔位置三个变量,检测钻进过程中产生的振动和声音特征信号。将采集的振动和声音信号预处理,提高信噪比,生成数据集。将振动和声音的数据集按6∶2∶2的比例划分为训练集、验证集和测试集,之后分别构建二维卷积神经网络和一维卷积神经网络并使用训练集和验证集训练岩性识别模型,最后运用未经训练的测试集验证模型准确率。模型训练完成后,以频谱图为数据集的振动信号识别模型准确率达到95.19%,以梅尔频率倒谱系数为数据集的声音信号识别模型准确率达到73.58%。研究结果表明,不同岩性在钻进过程中产生的振动和声音信号具有不同信号特征,基于振动和声音信号的岩性自动识别方法可以较好地实现几类砂岩的自动识别,这为地质勘查时的岩性自动识别提供了参考与依据。

双向长短时记忆神经网络在滩坝砂储层岩性识别中的应用

研究区致密滩坝砂储层油气储量丰富,勘探开发潜力较高,但存在埋藏深、单层厚度薄、渗透率超低、孔隙结构复杂以及单井自然产能极低的特征,储层划分与岩性识别困难。针对测井数据具有纵向时序连续的特点,构建一个双向长短时记忆神经网络(BiLSTM)岩性识别模型,采用随机森林方法对常规测井数据等参数进行特征选择,将选择的参数作为输入变量训练BiLSTM模型。应用该模型对测试集的井资料进行验证,结果表明模型的岩性识别准确率为0.86,取得了良好的应用效果,证明了BiLSTM模型适用于滩坝砂储层岩性识别。

基于机器学习的隧道地质勘察岩性识别分析及应用研究

为提高水平定向钻勘察中岩性识别的效率,基于机器学习算法采用钻进参数识别围岩岩性。以新疆某隧道工程为例,通过对水平定向钻的工作原理进行分析,采用钻进速度、校正后的钻孔底部压强、泥浆压力和进浆流量作为输入特征预测围岩岩性。对KNN(k-nearest neighbor)算法和随机森林算法各设置48个超参数,测试集的平均准确率分别为83.28%和93.04%,模型不存在欠拟合和过拟合问题。将五分类问题转化为5个二分类问题,2种算法的准确率、精确率、召回率、F_(1)值基本均在90.00%以上,受试者工作特征(receiver operating characteristic,ROC)曲线中曲线下面积(area under curve,AUC)也接近于1。使用Smote过采样后的KNN算法和随机森林算法都具有良好的鲁棒性和泛化能力,但综合各项评价指标可知,使用随机森林模型预测围岩岩性的效果更佳。

基于迁移学习技术的隧道围岩岩性识别方法

为实现隧道围岩岩性的自动识别与分类,提出了基于迁移学习技术的围岩岩性识别方法。首先,通过采用Inception-ResNet-V2(IRV2)卷积神经网络模型在Image-Net数据集上进行预训练,并利用模型迁移学习技术对岩石图片数据集(包含花岗岩、石灰岩、玄武岩和页岩)进行再训练,获取隧道围岩岩性识别模型;然后,对IRV2进行模型测试,并与ResNet-50、Inception-V3和VGG16三种模型的识别性能进行对比;最后,进行子图像法与整体图像法的识别效果对比试验。实验结果表明:(1)IRV2的各项分类性能指标均表现为最优,且均可达到90%以上,表明该模型可以实现围岩岩性的有效识别与精确分类;(2)对于具有更加突出的纹理、结构和构造等外部特征的岩石图片,模型的识别性能更好;(3)子图像法相比于整体图像法可有效提高模型的识别性能。