伽马-伽马测井在鄂尔多斯盆地西南缘白垩系识别岩性的研究

近年来鄂尔多斯盆地西南缘白垩系砂岩型铀矿找矿取得突破,由于研究区白垩系特殊的沉积环境,环河组的泥岩和粉砂岩中广泛发育石膏类不导电矿物,导致常规测井曲线难以准确解释岩性。为了准确区分非渗透(泥岩、粉砂岩)和渗透砂岩,经过测量研究区岩石物性参数,发现泥岩、粉砂岩类岩石密度大于砂岩密度,伽马—伽马测井广泛应用在砂岩型铀矿地球物理测井工作中,用来计算地层密度,长、短源距测井参数为其中间测量参数,为了更好地发挥其作用,阐明了伽马-伽马测井原理,结合自然伽马与长、短源距拟合关系,优选了抗干扰强的短源距测井曲线,提出了自然伽马曲线消除长、短源距消除放射性矿层影响的校正方法。经钻孔岩性和测井曲线验证,伽马-伽马测井的短源距曲线可以较好地解释研究区白垩系岩性,对鄂尔多斯盆地西南缘白垩系砂岩型铀矿地球物理测井工作具有一定参考意义。

测井识别岩性新方法——支持向量机方法

将基于统计学习理论的支持向量机方法引入到测井资料处理和解释中。在测井岩性识别方面研究发现,支持向量机方法克服了神经网络的固有缺陷,提供了一种识别岩性的新方法。应用效果表明该方法具有适应性强、识别精度高的优点。

川东北大安寨段致密储层测井识别岩性技术研究

川东北地区侏罗系自流井组大安寨段地层岩性复杂,包括泥岩(页岩)、灰岩(含泥灰岩、泥质灰岩)和砂岩(粉砂岩、细砂岩)。针对研究区几种主要岩性,利用取心分析和岩屑录井资料综合标定,自然伽马、深侧向电阻率、三孔隙度、伽马能谱等测井项目的数据经过交会分析,优选出对岩性敏感的自然伽马、钍、钾测井曲线,经过适当刻度利用改进的重叠法进行岩性识别。识别结果与岩心分析和录井描述符合较好,岩性识别符合率达到84.7%,对该研究区储层测井评价及有类似地质特征地层的岩性识别有一定的指导意义。

测井序列变点分析自动识别岩性界面

将非线性统计学中的变点分析方法引入到地球物理测井序列分析中,实现了自动岩性界面识别和自动分层。以自然伽马测井曲线为例,采用均值变点模型,用最小二乘法确定测井序列的变点,将其解释为岩性变化界面。根据测井测量井段的长度与相应测井曲线的垂向分辨率之比,提出了估计变点个数上限的方法;根据变点跳跃度,提出了实现并层处理的方法。将此类方法应用于某井段自然伽马测井曲线,所得的岩性划分结果与实钻录井分层相吻合,证明了该方法的有效性。

基于正态分布理论的模糊综合评判法识别岩性

不同的测井参数对岩性的识别功能各不相同,只有综合评判各个测井参数曲线才能大致反映地层主要岩性特征,因此传统的定量的数学关系式很难正确地描述地层岩性。模糊综合评判法对多因素、多层次的复杂问题具有较好的评判效果。采用模糊综合评判法识别岩性过程中,合理地确定评判因素及其隶属度函数尤其重要。通过对大量测井和录井资料统计分析,发现对于同一岩性层段,部分测井响应特征参数基本服从正态分布规律。因此利用正态分布理论确定各评判因素隶属度函数,并通过模糊变换,得出用模糊集合表示的评价结果。将评判结果与实例比较证明,该种方法能够克服传统岩性识别中存在的缺点和不足,评判结果更加科学可靠。

测井识别岩性的新方法:自组织神经网络法

利用自组织神经网络对测井数据进行岩性识别,具有较强的自组织性、适应性和较高的容错能力,与其他神经网络算法相比,计算量小、收效速度快。实验结果表明:自组织特征映射神经网络对测井数据进行岩性识别是可行的,而且识别率较高,是一种行之有效的岩性识别的好方法。

利用贝叶斯判别分析方法识别岩性

将贝叶斯判别分析方法引入到测井资料处理和解释中,在测井岩性识别方面研究发现,贝叶斯判别方法克服了BP神经网络由于事先必须确定足够多的岩性类别,用大量的样本进行训练带来的网络运行速度慢的固有缺陷,提供了一种识别岩性的新方法。它将岩性识别看作是种类判别的问题,通过计算样本的后验概率大小来判别样本类别的归属。实际应用效果表明该方法具有适应性强、识别精度高的优点。

岩屑录井资料曲线识别岩性方法的改进

随着X射线荧光(XRF)录井技术的创立和推广,岩屑录井分析从定性到定量取得了飞速的发展。由于部分元素与岩性之间存在一定的相关性,目前利用元素含量变化趋势建立了一套基本的曲线解释方法。然而,在工作中曲线法所能达到的效果尚不能满足实际需要,给现场地质工作人员带来不便。拟依据不同元素与岩性之间的对应关系,进行元素优选,对优选之后的元素展开数据化处理、建立新模型的改进措施。改进后的结果在碎屑岩的岩性识别上相比之前更加合理,相信会在今后的油气勘探开发中发挥重要的作用。

利用贝叶斯判别法识别岩性基础上的孔隙度评价

伊拉克M油田具有岩性复杂、储集空间多样、非均质性强等特征,常规孔隙度计算模型不能较好地反映其储层孔隙度。为了提高其孔隙度计算精度,在计算孔隙度前先对储层作了岩性判别。以最小错误率的贝叶斯判别法为基础,选取研究区测井资料齐全和岩性分布较均衡的5口井作为样本,选择合适的测井曲线作为输入曲线,利用贝叶斯公式求得每个深度点的各类后验概率值,后验概率值最大的即为该点所属的类别,以此为依据对所有井作了岩性识别。在岩性识别的基础上对经过岩心分析的岩样分类拟合以获得各类岩性的拟合模型以及在该地区的骨架值,根据所输出的岩性代码,可选择该深度点所对应的测井解释模型。识别岩性后计算的孔隙度与岩心分析孔隙度的误差很小,为储层的解释评价提供了理论基础。

应用模糊神经网络识别岩性

岩性识别在油气勘探开发中占据重要的位置.经过将高木-关野模糊逻辑系统和神经网络BP算法相互集成,提出了一种新兴的模糊神经网络模型——"加-乘"模糊神经网络模型,并通过实际应用得到了很好的效果.与单纯的神经网络或模糊逻辑系统相比,所提出的模糊神经系统既不是一个"黑盒"模型,又不是"粗糙",它同时具备了神经网络和模糊逻辑的优点,所以具有广泛的应用潜力.

基于主成分分析的BP神经网络在Fauqi油田Asmari组地层识别岩性中的应用

Fauqi油田Asmari组地层岩性较为复杂,其沉积以潮坪碳酸盐岩、砂岩以及碳酸盐岩与陆源碎屑岩混积为特征,基于FQ-28井的取心资料与岩心分析,可将其主要分为云岩、云质砂岩、砂岩与泥岩四大类。利用测井曲线直接判别复杂岩性一直存在着多解性与不确定性,根据FQ-28井的测井资料建立的测井交会图就难以准确识别四种岩性,尤其是对云岩与云质砂岩的识别。为了将地层岩性准确而高效地识别出来,根据主成分分析法对FQ-28井7条测井曲线进行分析,从而将数据结构简化为三个主成分,在此基础之上建立了BP神经网络岩性识别模型,并利用873个岩性样品对其进行训练与验证。实践表明,基于主成分分析的BP神经网络与交会图法相比具有更高的识别准确率,不仅有效地减少数据信息的损失,而且也提高了神经网络模型的收敛效率,避免了人为因素对岩性识别过程的影响,使得其结果更加客观,对于其他复杂地层的岩性精确识别具有重要的借鉴意义与应用价值。

基于测井和薄片资料识别岩性——以红山嘴油田白垩系地层为例

由于对勘探开发技术要求的提高,所以对岩性识别的方法要求也越来越高。针对红山嘴油田白垩系地层的实际资料,在比较目前常用的岩性识别方法后,选择一种最有效的方法来识别该地区的岩性,在此选用测井资料和薄片资料相结合的方法。从中优选出密度、自然伽马、声波时差、中子孔隙度、电阻率等测井数据做出交会图版,并以此为依据识别出该地区岩性。应用效果表明该方法识别结果与实际情况基本吻合。

概率神经网络识别岩性方法在沙子岭地区的应用

神经网络是由大量简单非线性神经元相互连接构成的非线性动力学系统,具有很强的自适应性、容错性、联想记忆功能和推理意识功能,在模式识别领域应用广泛。利用自然电位(SP)、自然伽马(GR)、声波时差(AC)、泥质含量(SH)、电阻率(RT),有效孔隙度(PORR)、总孔隙度(POR)等7条测井曲线作为岩性识别网络输入信息的主要参数,建立沙子岭地区的概率神经网络模型。利用该模型对单井进行预测,发现该预测方法在沙子岭地区能识别出粉砂岩、泥质粉砂岩、砂质泥岩、泥岩、灰质粉砂岩、灰岩、灰质泥岩等多种岩性。将预测结果与取心资料对比,发现两者具有较好的一致性,证明了该方法在本区的适用性。

光谱检测识别岩性技术对比及发展方向

石油快速钻井技术的推广与应用在提高机械钻速的同时,也缩短了钻遇地层岩屑样品捞取时间,同时岩屑样品粒径变小,给岩屑录井带来难以准确识别钻遇地层岩性的不利影响。针对录井工程面临的技术难题,录井技术人员研究出一系列光谱检测识别岩性技术。为进一步对比不同光谱岩性识别技术的优缺点,分别阐释了基于光谱检测技术的X射线元素录井技术、X射线衍射录井技术、激光识别岩性技术的原理及技术特点,对基于激光诱导击穿光谱的谱图识别岩性、元素组合关系识别岩性、砂岩-泥岩-碳酸盐岩三角图板识别岩性、Ca/Mg比值数据识别碳酸盐岩等多项技术进行了重点分析,并给出了录井施工应用实例,描述了现有技术存在的技术缺陷,探讨了成分检测在今后岩性识别中的发展方向。

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。

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。