科研之友
微信
新浪微博
Facebook
分享链接
摘要
微生物碳酸盐岩的岩-电关系复杂，目前常规测井与电成像测井结合是最有效且精度最高的识别手段。针对人工智能测井岩相识别方法存在的不同维度的测井数据融合难、取心资料有限而训练样本数量不充足的问题，提出基于适应小样本的机器学习法——K邻近分类算法（KNN），对常规测井与电成像测井分别训练和识别，再将识别结果融合的技术方法。首先，基于岩心资料分别建立岩相分类方案和岩石构造特征分类方案，建立岩心训练样本参数库；然后，基于KNN方法，应用常规测井识别的岩相类型，应用电成像测井识别岩石构造特征类型；最后，根据专家经验对2种识别结果进行融合，获得细分类的岩相类型。以四川盆地GM地区灯影组四段为例，应用上述方法分别识别6种岩相类型和7种岩石构造特征类型，在此基础上根据专家经验融合，最终识别9种细分类的岩相类型。该方法总体识别符合率在85%以上，有效支撑了GM地区灯四段沉积微相的精细研究，推动了该区的勘探和开发工作。该方法发挥了常规测井和电成像测井的优势，能够实现高效率、高精度的岩相测井识别，可推广应用。
- 出版日期2023
- 单位中国石油勘探开发研究院; 中国石油杭州地质研究院
