测井相分析是通过自动聚类方法对多维测井曲线进行分析,进而进行相聚类与预测。基于图的多分辨率聚类(MultiResolution Graph-based Clustering,MRGC)方法是一种常用的测井相分析方法,然而MRGC算法非常耗时,并且在传播过程中高度依赖初...测井相分析是通过自动聚类方法对多维测井曲线进行分析,进而进行相聚类与预测。基于图的多分辨率聚类(MultiResolution Graph-based Clustering,MRGC)方法是一种常用的测井相分析方法,然而MRGC算法非常耗时,并且在传播过程中高度依赖初始参数,实际应用效益差。本文提出了一种自适应多分辨率图聚类(Adaptive Multi Resolution Graph based Clustering,AMRGC)分析方法。该方法不仅能提高测井相计算效率,而且能获得稳定的测井相传播结果。本文方法的两个核心算法是:1)轻核代表指数(L-KRI)算法只需计算少量"自由吸引"点,有效提高了计算效率;2)采用了反向传播算法(BP)与多层感知器(MLP)神经网络,有效避免了传统K近邻算法因随机初始化参数导致的不稳定结果。实验结果表明,本文方法在聚类和传播预测任务上优于传统的MRGC方法,具有更高的运行效率和稳定性;同时,在没有数据先验知识的条件下效果明显优于自组织映射(SOM)、动态聚类(DYN)和自底向上的层次聚类(AHC)等其它常用聚类方法。展开更多
基金sponsored by the Science and Technology Project of CNPC(No.2018D-5010-16 and 2019D-3808)。
文摘测井相分析是通过自动聚类方法对多维测井曲线进行分析,进而进行相聚类与预测。基于图的多分辨率聚类(MultiResolution Graph-based Clustering,MRGC)方法是一种常用的测井相分析方法,然而MRGC算法非常耗时,并且在传播过程中高度依赖初始参数,实际应用效益差。本文提出了一种自适应多分辨率图聚类(Adaptive Multi Resolution Graph based Clustering,AMRGC)分析方法。该方法不仅能提高测井相计算效率,而且能获得稳定的测井相传播结果。本文方法的两个核心算法是:1)轻核代表指数(L-KRI)算法只需计算少量"自由吸引"点,有效提高了计算效率;2)采用了反向传播算法(BP)与多层感知器(MLP)神经网络,有效避免了传统K近邻算法因随机初始化参数导致的不稳定结果。实验结果表明,本文方法在聚类和传播预测任务上优于传统的MRGC方法,具有更高的运行效率和稳定性;同时,在没有数据先验知识的条件下效果明显优于自组织映射(SOM)、动态聚类(DYN)和自底向上的层次聚类(AHC)等其它常用聚类方法。
