1786 地球物理学报 (ChineseJ.Geophys.) 58 卷 TheclassicalSVMisabinaryclassifier,whereasweoftenhavetosolveproblemsinvolving multiclassclassification.firstly,th

Size: px

Start display at page:

Download "1786 地球物理学报 (ChineseJ.Geophys.) 58 卷 TheclassicalSVMisabinaryclassifier,whereasweoftenhavetosolveproblemsinvolving multiclassclassification.firstly,th"

追当茹
7 years ago
Views:

1 第 58 卷第 5 期 2015 年 5 月地球物理学报 CHINESE JOURNAL OF GEOPHYSICS Vol.58,No.5 May,2015 牟丹, 王祝文, 黄玉龙等基于 SVM 测井数据的火山岩岩性识别以辽河盆地东部坳陷为例. 地球物理学报,58 (5): ,doi: /cjg MouD,WangZ W,HuangYL,etal.2015.LithologicalidentificationofvolcanicrocksfromSVM welloggingdata:case studyintheeasterndepressionofliaohebasin. 犆犺犻狀犲狊犲犑. 犌犲狅狆犺狔狊.(inChinese),58(5): ,doi: /cjg 基于犛犞犕测井数据的火山岩岩性识别以辽河盆地东部坳陷为例牟丹 1, 王祝文 1, 黄玉龙 2, 许石 1, 周大鹏 1 1 吉林大学地球探测科学与技术学院, 长春吉林大学地球科学学院, 长春摘要辽河盆地东部坳陷储集层由火山多期喷发形成, 岩相岩性复杂, 岩性以中基性火山岩为主. 本文将火山岩的岩心及岩矿鉴定资料与测井数据进行整合, 应用测井数据建立支持向量机 (SVM) 两分类和多分类岩性识别模式. 首先, 深入研究支持向量机二分类及一对一一对多和有向无环图三种经典多分类算法的基本原理及结构 ; 然后, 总结研究区域火山岩岩石特征, 分析测井数据的测井响应组合特征, 选择 40 口井中岩心分析和薄片鉴定资料完整常规五种测井曲线 (RLLD,CNL,DEN,AC,GR) 齐全的 1200 个测井数据作为训练样本, 构造三种支持向量机岩性识别模式 ; 最后, 对 4 测试井中 800 个测井数据进行岩性识别, 识别结果与取心段岩心描述和岩心 / 岩屑薄片鉴定资料对比, 实验结果表明有向无环图更适合辽河盆地火山岩的识别, 识别正确率达到 82.3%. 关键词支持向量机 ; 辽河东部坳陷 ; 火山岩 ; 岩性识别 ; 测井响应 doi: /cjg 中图分类号 P631 收稿日期 , 收修定稿犔犻狋犺狅犾狅犵犻犮犪犾犻犱犲狀狋犻犳犻犮犪狋犻狅狀狅犳狏狅犾犮犪狀犻犮狉狅犮犽狊犳狉狅犿犛犞犕狑犲犾犾狅犵犵犻狀犵犱犪狋犪 : 犆犪狊犲狊狋狌犱狔犻狀狋犺犲犲犪狊狋犲狉狀犱犲狆狉犲狊犻狅狀狅犳犔犻犪狅犺犲犅犪狊犻狀 MOU Dan 1,WANGZhu Wen 1,HUANG Yu Long 2,XUShi 1,ZHOU Da Peng 1 1 犆狅犾犲犵犲狅犳犌犲狅犲狓狆犾狅狉犪狋犻狅狀犛犮犻犲狀犮犲狊犪狀犱犜犲犮犺狀狅犾狅犵狔, 犑犻犾犻狀犝狀犻狏犲狉狊犻狋狔, 犆犺犪狀犵犮犺狌狀 , 犆犺犻狀犪 2 犆狅犾犲犵犲狅犳犈犪狉狋犺犛犮犻犲狀犮犲狊, 犑犻犾犻狀犝狀犻狏犲狉狊犻狋狔, 犆犺犪狀犵犮犺狌狀 , 犆犺犻狀犪犃犫狊狋狉犪犮狋 TheeasterndepressioninLiaoheBasinhasthegeologiccharacteristicofmultiphase volcaniceruptionandcomplicatelithofacies/lithology.thereservoirismadeupofintermediate andbasaltic volcanicrock.thelithology ofvolcanicrockisthe basis of precisereservoir evaluationwhichisalsothe majortask ofloggingevaluation.incomplexreservoirs,itisa chalengetoclassifythelithologyofvolcanicrockbyusingtheexisting methodsbasedon wel loggingdata.onthebasisofcore,rock mineraldeterminationmaterialandwelloggingdata,we applybinarysupportvector machine(svm)and multiclasssupportvector machinetoidentify volcanicrocklithology. 基金项目国家重点基础研究发展计划项目 (2012CB822002), 中国石油天然气股份有限公司科学研究与技术开发项目 (2012E 3001) 联合资助. 作者简介牟丹, 女,1986 年生, 博士研究生, 主要从事地球物理测井测井新方法新技术等方面的解释理论和方法的科研工作. E mail:mudan main@163.com 通讯作者王祝文, 男,1961 年生, 教授, 博士生导师, 主要从事地球物理测井核地球物理测井新方法新技术等方面的解释理论和方法的教学与科研工作.E mail:wangzw@jlu.edu.cn

2 1786 地球物理学报 (ChineseJ.Geophys.) 58 卷 TheclassicalSVMisabinaryclassifier,whereasweoftenhavetosolveproblemsinvolving multiclassclassification.firstly,theprincipleofbinaryandthree multiclasssvm of one against rest, one against one and directedacyclicgraph wereanalyzed.secondly,onthe basisofcompensatedneutronlogging(cnl),densitylogging(den),acousticlogging(ac), deeplateralresistivitylog(rlld)andgammaraylogging(gr)from 40 wels,withatotalof 1200loggingdatainLiaoheBasin,China,weconstructthebinarysupportvectormachinemodel toclassifyvolcanicrockandnon volcanicrock.themethodofcrossvalidationandgridsearching algorithm wereadoptedtooptimizethepenaltyfactorandkernelparameterofsvm.then,we expendbinarymodeltomulticlassmodelby one against rest, one against one and directed acyclicgraph (DAG),andconstruct multiclass modelstoclassify6typesofvolcanicrocks, whichconsistofbasalt,non compactedbasalt,trachyte,non compactedtrachyte,gabbroanddiabase. Accordingtothegeologicalcoredata,wecomparethethree multiclasssvm models,and calculatetheiraccuracyrate,taking4 welswithatotalof800loggingdataforexample.we comparetheidentificationresultwithcoreanalysisandcutingdescription,thecalculatingresult indicatedtheaccuracyrateofdag methodreachesupto82.3%,andthe one against rest methodis80.2% andthe one against one methodis80.3%,ourexperimentsindicatethat DAG methodismoresuitableforpracticaluseinliaohebasinthantheothertwo methods.in ordertoachievebeterresultsoflithologyidentification,thepartofincorrectclassificationof SVMisanalyzed:1.TheperformanceofSVM modeldependsonthepenaltyfactorandkernel parameter,sothechoiceofoptimizationmethodsofthesetwoparametersafectstheclassification accuracytoacertainextent;2.intheestablishmentofsvm samplespace,thenumberof trainingsamplesalsoafectstheclassificationaccuracy;3.duetolithologicalcharacteristicsof volcanicrocksinliaohebasin,loggingresponseamongdiferentlithologyrocksappearcross, theclassificationaccuracyisafected. TheapproachcombiningbinarySVM withthreemulticlasssvmcanefectivelyclassifythe basalt,non compactedbasalt,trachyte,non compactedtrachyte,gabbroanddiabaselocatedin LiaoheBasin,China.1.SVMcandistinguishtheboundaryandthicknessofdiferentlithological formation;2.svmcan tdistinguishthelithologywithsimilarmineralcompositionanddiferent texture/structure;3.theclassifiersofbinarysvm and multiclasssvm werebuiltbasedon conventionalwelloggingdata.inlackofimagingloggingdata,elementalcapturespectroscopy (ECS)andotherspecialloggingdata,SVM methodisstilapplicabletolithologyidentification. 犓犲狔狑狅狉犱狊 SVM;Classification;Volcanicrock;Lithologicalidentification;Loggingresponse 1 引言辽河盆地东部坳陷伴随断裂活动影响, 岩浆活动十分活跃, 中生代至新生代广泛发育了大量的火山岩体. 受火山多期次喷发和成岩过程的影响, 形成了岩石类型多岩性复杂, 分布规律变化大的火山岩储层, 而火山岩岩性控制着储层裂缝孔洞的发育程度, 进而控制着储层分布渗流特征及含油饱和度. 因此, 火山岩岩性识别在火山岩储层地质研究中至关重要, 它是岩相喷发期次划分的依据, 也是储层评价的前提 ( 冉启全等,2005; 陶宏根等,2011; 田玉昆等,2013). 由于成岩方式不同矿物成分复杂及碎屑粒级多样性等原因, 使得火成岩岩性识别的难度较大. 火成岩在储层中取心收获率低, 并且在勘探开发过程中考虑勘探开发成本, 获得的岩心资料较少, 使得利用少量的岩心资料, 对储层进行完整系统地评价难度很大. 与岩心资料相比, 测井数据丰富且全面, 并具有纵向上连续性强精度高的特点, 可以更加全面地反映出储层特征, 因此, 挖掘岩心资料与测井数据在岩性识别领域的相互依存关系, 实现地质取心资

3 5 期牟丹等 : 基于 SVM 测井数据的火山岩岩性识别以辽河盆地东部坳陷为例 1787 料与测井数据的整合, 显得尤为重要. 利用测井数据的火山岩岩性识别, 国内外学者进行了深入的研究, 常用的岩性识别方法有 : 交会图识别多元统计学分析成像测井地层元素测井模式识别等, 这些方法在国内外各油田得到了广泛的应用 ( 李舟波和王祝文,1998; 范宜仁等,1999; 袁祖贵等,2004; 王臖等,2005; 张治国等,2005; 刘秀娟等,2007). 交会图法简单, 不受特殊测井项目限制, 但是由于辽河火山岩岩性复杂的特殊性, 因此, 交会图法不能作为单一的识别方法 ; 多元统计学分析方法工作量小速度快, 但是辽河火山岩岩性的多样性会导致处理过程中需要调整的参数多, 容易产生较大误差 ; 成像测井可以很好地识别火山岩碎屑颗粒和构造形态, 地层元素测井可以从岩石成分角度识别结构和构造差异不明显的岩性, 但是价格昂贵, 辽河油田现存的这两种测井资料很少. 支持向量机 (SupportVectorMachine, 以下简称 SVM) 是在统计学习理论的基础上发展的一种新的模式识别方法, 在解决小样本非线性以及高维识别问题方面的优势明显, 具有数学形式简单易于推广人为设置参数少的优点, 并且能寻找到的极值解即为全局最优解 (SuykensandVandewale,1999; Vapnik,1999; 张学工,2000). 目前,SVM 已成功应用在数据挖掘图像处理故障诊断等领域.SVM 是一个两类分类器, 而实际应用中经常需要解决多分类问题. 因此, 将两分类扩展到多分类是 SVM 研究的重要内容.SVM 多分类方法是通过分解和重构, 把多分类逐步转化成二分类, 即在分解阶段用不同的方法将训练样本二分类, 在重构阶段选择不同的策略将测试数据分类. 针对辽河油田火山岩的特点, 本文应用 SVM 两分类和多分类结合的方法解决岩性识别问题 (HsuandLin,2002; 唐发明等, 2005; 王立国等,2005;Abedietal.,2012). 2 SVM 二分类假设输入空间中的输入向量为狓犻, 狕犻为高维特征空间中的向量.SVM 的基本思想是 : 通过非线性映射 φ ( 狓 ): 狓犻狕犻, 将输入空间中的向量映射到一个高维的特征空间, 在这个高维特征空间中构造最优分类超平面 ( 马德锋等,2008)( 图 1). 在特征空间中只需采用适当的内积函数犓 ( 狓犻, 狓犼 )=φ ( 狓犻 ) φ( 狓犼 ), 就可以实现非线性变化后的线性分类. 最初,SVM 是为二分类问题设计的, 因此本文把标准的 SVM 图 1 把输入数据映射到高维空间 Fig.1 Maptheinputdataintoahigherdimensionspace 称为 SVM 二分类. 3 SVM 多分类假定多分类问题有犖个类别, 本文对目前经典的三种 SVM 多分类方法进行分析和比较 : 3.1 一对多一对多方法 ( 陈中杰等,2013) 在构造第 1 个子分类器时, 将类别为 1 的训练样本定为 +, 其余犖 -1 类训练样本定为 -, 得到 SVM 分类器犆 1; 在构造第 2 个子分类器时, 将类别为 2 的训练样本定为 +, 其余犖 -1 类训练样本定为 -, 得到 SVM 分类器犆 2, 如此下去, 一共得到犖个 SVM 子分类器. 测试时, 将测试数据分别输入到犖个子分类器, 并判断测试数据的类别. 一对多方法的结构如图 2a 所示. 由于只需调用犖个分类器, 因此一对多分类器的优点在于分类的速度快, 但是这种方法容易出现一个测试数据属于多种分类器类别, 或者不属于任何一种分类器类别的现象, 前者称为分类重叠, 后者称为不可分类. 分类重叠现象可以通过计算各个子分类器的决策函数值, 选取函数值最大值所对应的类别为测试数据的类别. 但是不可分类现象一对多分类器无法解决. 3.2 一对一一对一方法 ( 苟博和黄贤武,2006) 是在训练样本中选择类别为 1 和 2 的数据, 训练后得到 SVM 分类器犆 1,2, 选择类别为 1 和 3 的数据, 训练后得到 SVM 分类器犆 1,3, 依次下去, 一共得到犖 ( 犖 -1)/2 个子分类器. 测试时, 将测试数据分别输入到犖 ( 犖 - 1)/2 个子分类器, 并采取如下投票策略 : 如果分类器犆 1,2 判定测试数据属于第 1 类, 则第 1 类的得票数加 1, 最后累计各类别的票数, 哪一类票数最多, 测试数据属于哪一类. 一对一方法的结构如图 2b 所示. 一对一分类器虽然构造的分类器增多,

4 1788 地球物理学报 (ChineseJ.Geophys.) 58 卷但是由于每个分类器的训练样本数少, 所以总的训练时间比一对多分类器少. 这种方法也存在分类重叠, 但不存在不可分类现象. 3.3 有向无环图 ( 犇犻狉犲犮狋犲犱犃犮狔犮犾犻犮犌狉犪狆犺 ( 犇犃犌 )) DAG ( 李昆仑等,2003) 在训练阶段和一对一采用同样的方法构造犖 ( 犖 -1)/2 个子分类器. 测试阶段, 不是所有的子分类器都参与决策, 而是从犖 ( 犖 -1)/2 个子分类器中选择犆 1, 犖对测试数据判别, 如果测试数据属于第 1 类, 则把子分类器中所有带有犖标识的分类器剔除, 然后用带有 1 标识的分类器, 继续判别剔除, 直到得到最终分类类别. 则 DAG 的结构如图 3 所示. DAG 在测试时只调用了犖 -1 个分类器, 分类速度飞快, 且没有分类重叠和不可分类现象. 但是如果第一层的分类器出现错误, 下面每一层的分类器都会出现错误累积现象. 4 SVM 岩性识别实例分析本文主要研究范围为辽河盆地东部坳陷. 该地区目前钻井揭示的火山岩以中基性岩为主, 按照火成岩岩性分类原则 ( 王璞臖等,2007), 结合勘探中火山岩储层研究的实际需求和测井识别的可行性, 本文将研究区的火山岩分为玄武岩非致密玄武岩粗面岩非致密粗面岩辉绿岩辉长岩 6 种岩性. 火山岩储层岩石矿物成分种类多, 结构复杂, 具有多种岩性类型孔隙类型和储集类型, 测井响应特征更为复杂, 因此应用常规测井解释方法识别火山岩岩性难度很大. 辽河盆地东部坳陷储层火山岩与沉积岩共存, 火山岩与沉积岩在成因矿物成分结构和构造上有明显区别, 所以本文首先根据测井响应差异, 利用 SVM 二分类划分火山岩与沉积岩, 然后分别利用三种 SVM 多分类方法划分 6 类火山岩岩性, 具体流程如图 4. 常规测井方法中 RLLD AC CNL DEN GR 曲线分别反映导电性声速孔隙密度放射性等岩石学特征, 因此本文应用这 5 条测井曲线数据建立标准测井数据, 即每个标准测井数据是由 RLLD AC CNL DEN GR 组成的五维向量, 表 1 为辽河盆地东部坳陷 6 种火成岩的测井响应特征值. 本文选择辽河盆地东部坳陷 40 口井中岩心分析和薄片鉴定资料完整的岩层总厚度为 150 m 的测井数据作为训练样本. 训练样本分为两类, 一类为 600 个火成岩测井数据, 其中包含每类火成岩 100 个数据 ; 另一类为 600 个沉积岩测井数据. 选择 4 口井中岩心图 2 一对多和一对一方法结构示意图 (a) 一对多方法 ;(b) 一对一方法. Fig.2 Thestructuraldiagramofone against restandone against onemethod 图 3 DAG 方法结构示意图 Fig.3 ThestructuraldiagramofDAG method

5 5 期牟丹等 : 基于 SVM 测井数据的火山岩岩性识别以辽河盆地东部坳陷为例 1789 图 4 火成岩岩性识别流程图 Fig.4 Flowchartoflithologyidentificationofvolcanicrock 表 1 辽河东部坳陷火成岩测井响应犜犪犫犾犲 1 犔狅犵犵犻狀犵狉犲狊狆狅狀狊犲狅犳狏狅犾犮犪狀犻犮狉狅犮犽犻狀犲犪狊狋犲狉狀犱犲狆狉犲狊犻狅狀, 犔犻犪狅犺犲犅犪狊犻狀岩性 RLLD/Ωm AC/( μ s m -1 ) CNL/(%) DEN/(g cm -3 ) GR/API 测井响应特征非致密玄武岩 10~20 197~263 24~36 2.3~2.6 40~56 低 RLLD 中低 GR 玄武岩 8~12 184~236 24~29 2.6~2.8 28~40 低 RLLD 中低 GR 高 DEN 非致密粗面岩 42~80 223~263 16~24 2.1~ ~160 低 CNL 高 GR 低 DEN 粗面岩 44~ ~197 4~8 2.3~ ~155 低 CNL 高 GR 辉长岩 698~ ~171 13~16 2.6~2.7 60~80 低 CNL 高 DEN 低 GR 辉绿岩 128~ ~210 12~18 2.6~2.7 30~45 低 CNL 高 DEN 低 GR 分析和薄片鉴定资料完整的岩层厚度为 100 m 的测井数据作为测试样本. 测试样本也分为两类, 一类为 600 个火成岩测井数据, 其中包含每类火成岩 100 个数据 ; 另一类为 200 个沉积岩测井数据.SVM 中核函数的选择和核参数的优化过程实质上就是模型的建立过程, 由于径向基核函数适用于任意分布的函数, 且仅有一个参数需要确定, 大大降低了模型的复杂度, 因此本文选择径向基核函数犓 ( 狓犻, 狓 )= exp(- 狓 - 狓犻 2 /σ 2 ) 作为核函数, 并通过耦合模拟退火和交叉验证的方法确定核参数和惩罚因子 ( 王健峰等,2012).SVM 分类器程序是在 Matlab 2012a 版本下实现的. 将 SVM 岩性识别结果与取心段岩心描述和岩心 / 岩屑薄片资料对比, 以此检验 SVM 岩性测井识别的准确性, 表 2 为 4 口测试井的 SVM 岩性识别结果, 以此为例分析三种 SVM 多分类方法在火成岩识别阶段的表现 : 分类器一对多方法构造 6 个子分类器, 全部调用 ; 一对一和 DAG 方法均构造 15 个子分类器, 一对一全部调用,DAG 方法只调用 5 个. 由于沉积岩和火成岩的测井响应差别大, SVM 两分类识别平均准确率在 98% 以上. 虽然不同类型的火成岩对应的测井响应特征存在差异, 但是某些类型的火成岩测井响应也存在一定的共同特征, 例如, 基性的玄武岩非致密玄武岩辉绿岩和辉井号 H23 J26 O46 Y68 表 2 犛犞犕岩性识别正确率统计表犜犪犫犾犲 2 犃犮犮狌狉犪犮狔狅犳犛犞犕犾犻狋犺狅犾狅犵狔犻犱犲狀狋犻犳犻犮犪狋犻狅狀数据及结果 SVM 二分类 SVM 多分类一对多一对一 DAG 测试样本误判个数正确率 (%) 测试样本误判个数正确率 (%) 测试样本误判个数正确率 (%) 测试样本误判个数正确率 (%) 长岩地层显示为共同的低自然伽马特征. 不同类型火成岩测井响应的共同特征在一定程度上会影响 SVM 多分类的识别准确率. 此外, 一对多算法存在的不可分类以及一对一算法存在的分类重叠现象, 这些 SVM 技术上的局限性也降低了识别的准确性.DAG 算法规避了一对多一对一算法技术上的缺陷, 如果不出现错误累积, 理论上 DAG 算

6 １７９０地球物理学报ＣｈｎｅｓｅｊＧｅｏｐｈｙｓ５８卷法的识别精度会高于一对多和一对一算法实现以辽河盆地东部坳陷Ｘ井２３００２５８０ｍ为例际上４口测试井ＳＶＭ多分类算法的识别结果表对火成岩岩性特征及ＳＶＭ测井岩性识别结果进行明ＤＡＧ方法的平均识别正确率最高达到了８２３而一对多和一对一方法的平均识别正确率分别说明图５为Ｘ井２３００２５８０ｍ测井识别成果图从图５可以看出三种ＳＶＭ多分类法可根据测井为８０２和８０３为了达到更好的岩性识别效响应的差异区分Ｘ井非致密玄武岩与辉绿岩非致果对ＳＶＭ岩性分类算法中分类不正确部分进行密玄武岩与玄武岩非致密粗面岩与非致密玄武岩分析１ＳＶＭ模型的分类性能取决于两个重要参数核参数和惩罚因子对这两个参数优化方法的选泥岩与玄武岩的地层分界线同时确定这些岩性地择会在一定程度影响分类准确性２ＳＶＭ样本空深度为２３００２３４７ｍ的井段其中２３２４ｍ岩间建立过程中训练样本个数的选择也会对分类结心手标本描述岩性为灰绿色粗面岩属于非致密粗果有一定影响３由于辽河盆地火山岩自身的岩性面岩斑状结构斑晶主要为长石长石均比较新鲜特点不同岩性间测井响应有所交叉必定也会对分可见斜长石聚片双晶其次见少量细针状角闪石斑层的厚度晶致密块状气孔少见发育一组近垂直的裂缝连类的准确性造成干扰续性较好裂缝宽约１ｍｍ被方解石不完全充填５结果与讨论图６ａ岩心镜下描述斑状结构斑晶以碱性长石为主局部具有聚斑结构基质为粗面结构基质中为实现地质取心资料与测井数据的有机结合见有碱性长石微晶和玻璃质长石黏土矿化严重局图５Ｘ井２３００２５８０ｍ岩性识别成果Ｆ５ＴｈｅｄｅｎｆｃａｏｎｒｅｓｕｓｏｆｗｅＸ２３００２５８０ｍｇ

7 ５期牟丹等基于ＳＶＭ测井数据的火山岩岩性识别以辽河盆地东部坳陷为例１７９１图６Ｘ井２３２４ｍ粗面岩ａ钻井岩心ｂ岩心薄片单偏光ｃ岩心薄片正交偏光Ｆ６ＷｅＸ２３２４ｍｒａｃｈｙｅｇ图７Ｘ井２４３１２ｍ气孔玄武岩ａ钻井岩心ｂ岩心薄片单偏光ｃ岩心薄片正交偏光Ｆ７ＷｅＸ２４３１２ｍｖｅｓｃｕａｒｂａｓａｃｇ图８Ｘ井２５６４ｍ辉绿岩ａ钻井岩心ｂ岩心薄片单偏光ｃ岩心薄片正交偏光Ｆ８ＷｅＸ２５６４ｍｄａｂａｓｅｇ部方解石环绕斑晶生长现象不透明矿物较少裂隙玻璃和硅质完全充填见裂缝切割杏仁体图７ａ不发育图６ｂ６ｃＳＶＭ测井岩性识别结果一对岩心镜下描述斑状结构斑晶是普通辉石基质间一和一对多法识别为粗面岩而ＤＡＧ法识别为粒结构较自形的条状斜长石微晶格架中充填有细非致密粗面岩与岩心资料一致结果表明ＤＡＧ法小辉石橄榄石磁铁矿发育较多圆形似圆形气孔岩性识别结果与岩心资料一致图７ｂ７ｃＳＶＭ测井岩性识别结果一对一和深度为２３４７２３６２ｍ２４０９２４７８ｍ的井段其中２４３１２ｍ岩心手标本描述岩性为气孔玄武一对多法识别为玄武岩而ＤＡＧ法识别为非致岩属于非致密玄武岩岩石呈深灰色气孔杏仁体类重叠造成的误判结果表明ＤＡＧ法岩性识别结构造发育气孔内充填全为硅质岩心段发育高角度果与岩心资料一致近垂直的裂缝裂缝宽度在１８ｍｍ裂缝被火山密玄武岩分析是由于一对一和一对多算法分深度为２５２４２５８０ｍ的井段其中２５６４ｍ岩

8 1792 地球物理学报 (ChineseJ.Geophys.) 58 卷心手标本描述 : 岩性为深灰色辉绿岩. 由斜长石及钾长石辉石角闪石组成, 其中辉石见单斜辉石和斜方辉石 ( 图 8a). 岩心镜下描述 : 辉绿结构, 全晶质, 主要矿物为斜长石辉石, 斜长石 55%, 辉石 ( 普通辉石紫苏辉石 )30%, 橄榄石, 多已蚀变, 伊丁石化 10%, 少量不透明矿物 ( 磁铁矿 )( 图 8b,8c).SVM 测井岩性识别结果 : 三种多分类方法均误判为辉长岩. 辉长岩是一种基性深层侵入岩石, 辉绿岩成分相当于辉长岩的基性浅成岩. 两者矿物成分和化学成分相近, 但分别具有辉长结构和辉绿结构. 矿物成分类似导致测井响应差别不大, 因此识别结果出现误判, 这是常规测井方法的局限性. 6 结论本文从地质取心和岩矿鉴定资料中, 总结火成岩岩石类型 ; 从测井数据中, 分析测井曲线的测井响应组合特征. 应用 SVM 两分类和多分类结合方法有效的识别玄武岩非致密玄武岩粗面岩非致密粗面岩辉绿岩辉长岩 6 种火成岩岩性. 最终实现了地质资料和测井数据相互佐证, 达到了火成岩岩性识别的目的, 并得出以下结论 : 1) 从图 5 的岩性识别成果可以看出, 一对一一对多和 DAG 三种多分类算法虽然识别的准确率不同, 但是可依据测井响应特征的差异大致确定辽河盆地中基性火成岩 6 种岩性地层的厚度和分界线. 2)4 口测试井的识别结果表明,DAG 法的识别正确率最高, 达到 82.3%. 3)SVM 无法区分矿物成分和化学成分相近, 但结构和构造不同的岩性. 4)SVM 两分类和多分类分类器的样本空间是基于常规测井资料建立的, 也就是说在缺乏成像测井地层元素测井等特殊测井资料时,SVM 方法仍具有适用性. 犚犲犳犲狉犲狀犮犲狊 AbediM,NorouziG H,BahroudiA.2012.Supportvectormachine formulti classificationofmineralprospectivityareas. 犆狅犿狆狌狋犲狉狊牔犌犲狅狊犮犻犲狀犮犲狊,46: ChenZJ,JiangG,CaiY.2013.Researchofsecondarysubdivision methodforone versus onemulti classificationalgorithm based onsvm. 犜狉犪狀狊犱狌犮犲狉犪狀犱犕犻犮狉狅狊狔狊狋犲犿犜犲犮犺狀狅犾狅犵犻犲狊 (inchinese), 32(4): FanY R,Huang LJ,DaiS H.1999.Applicationofcrossplot techniquetothedetermination oflithologycomposition and fractureidentificationofigneousrock. 犠犲犾犔狅犵犵犻狀犵犜犲犮犺狀狅犾狅犵狔 (inchinese),23(1): GouB,HuangX W.2006.SVM multi classclassification. 犑狅狌狉狀犪犾狅犳犇犪狋犪犃犮狇狌犻狊犻狋犻狅狀牔犘狉狅犮犲狊狊犻狀犵 (inchinese),21(3): HsuC W,LinCJ.2002.Acomparisonofmethodsformulticlass supportvectormachines. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犖犲狌狉犪犾犖犲狋狑狅狉犽狊, 13(2): LiK L,Huang H K,TianSF.2003.A novelmulti classsvm classifierbasedonddag.pr & AI.(inChinese),16(2): LiZ B, Wang Z W.1998.Technique ofelementalloggingin scientific driling project. 犈犪狉狋犺犛犮犻犲狀犮犲犉狉狅狀狋犻犲狉狊 ( 犆犺犻狀犪犝狀犻狏犲狉狊犻狋狔狅犳犌犲狅狊犮犻犲狀犮犲狊, 犅犲犻犼犻狀犵 )(in Chinese),5(1 2): LiuX J,Chen C,Zeng C,etal Multivariatestatistical method of utilizing logging data to lithologic recognition. 犌犲狅犾狅犵犻犮犪犾犛犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅犵狔犐狀犳狅狉犿犪狋犻狅狀 (inchinese), 26(3): MaD F,LiPJ.2008.Theuseof multiscaletextureinimage classificationforlithologic mapping. 犃犮狋犪犘犲狋狉狅犾狅犵犻犮犪犛犻狀犻犮犪 (inchinese),24(6): RanQ Q,Hu Y L,Ren B S.2005.A lithologicidentification methodofigneousrocksanditsapplication:acase ofthe igneousreservoirinblockzao 35. 犆犺犻狀犪犗犳犳狊犺狅狉犲犗犻犾犪狀犱犌犪狊 (inchinese),17(1): SuykensJA K,VandewaleJ.1999.Leastsquaressupportvector machineclassifiers. 犖犲狌狉犪犾犘狉狅犮犲狊犻狀犵犔犲狋犲狉狊,9(3): Tang F M, Wang Z D, Chen M Y On multiclass classificationmethodsforsupportvectormachines. 犆狅狀狋狉狅犾犪狀犱犇犲犮犻狊犻狅狀 (inchinese),20(7): ,754. Tao H G,Cheng R H,Zhao X Q,etal Wellogging response to the volcaniclastic rocks of Hailar basin and application. 犆犺犻狀犲狊犲犑狅狌狉狀犪犾狅犳犌犲狅狆犺狔狊犻犮狊 (inchinese),54 (2): ,doi: /j.issn TianY K,Zhou H,Yuan S Y.2013.Lithologicdiscrimination methodbased on Markovrandom field. 犆犺犻狀犲狊犲犑狅狌狉狀犪犾狅犳犌犲狅狆犺狔狊犻犮狊 (inchinese),56(4): ,doi: / cjg Vapnik V N.1999.An overview ofstatisticallearningtheory. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犖犲狌狉犪犾犖犲狋狑狅狉犽,10(5): WangJ,YangCC,XuD H,etal.2005.Applicationandprospect oftheformation microresistivityimagewellogging. 犘狉狅犵狉犲狊狊犻狀犌犲狅狆犺狔狊犻犮狊 (inchinese),20(2): WangJ F,Zhang L,Chen G X,et al A parameter optimizationmethodforansvmbasedonimprovedgridsearch algorithm. 犃狆狆犾犻犲犱犛犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅犵狔 (inchinese),39 (3): WangLG,ZhangY,GuYF.2005.Theresearchofsimplification

9 5 期牟丹等 : 基于 SVM 测井数据的火山岩岩性识别以辽河盆地东部坳陷为例 1793 ofstructureofmulti classclassifierofsupportvectormachine. 犑狅狌狉狀犪犾狅犳犐犿犪犵犲犪狀犱犌狉犪狆犺犻犮狊 (in Chinese),10(5): WangPJ,ZhengC Q,ShuP,etal.2007.Classificationofdeep volcanicrocksinsongliaobasin. 犘犲狋狉狅犾犲狌犿犌犲狅犾狅犵狔牔犗犻犾犳犻犲犾犱犇犲狏犲犾狅狆犿犲狀狋犻狀犇犪狇犻狀犵 (inchinese),26(4): YuanZ G,Cheng X N,Sun J.2004.ECS new wel logging techniquefor completely evaluating the reservior. 犃狋狅犿犻犮犈狀犲狉犵狔犛犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅犵狔 (in Chinese),38(suppl.): ZhangX G.2000.Introductiontostatisticallearningtheoryand supportvectormachines. 犃犮狋犪犃狌狋狅犿犪狋犻犮犪犛犻狀犻犮犪 (inchinese),26 (1): ZhangZ G,Yang Y H,XiaL X.2005.Theapplicationofself organizingfeature mapneuralnetworktologginglithological identification. 犘狉狅犵狉犲狊狊犻狀犌犲狅狆犺狔狊犻犮狊 (in Chinese),20(2): 附中文参考文献陈中杰, 蒋刚, 蔡勇基于 SVM 一对一多分类算法的二次细分法研究. 传感器与微系统,32(4): 范宜仁, 黄隆基, 代诗华交会图技术在火山岩岩性与裂缝识别中的应用. 测井技术,23(1): 苟博, 黄贤武支持向量机多类分类方法. 数据采集与处理, 21(3): 李昆仑, 黄厚宽, 田盛丰一种基于有向无环图的多类 SVM 分类器. 模式识别与人工智能,16(2): 李舟波, 王祝文科学钻探中的元素测井技术. 地学前缘 ( 中国地质大学, 北京 ),5(1 2): 刘秀娟, 陈超, 曾冲等利用测井数据进行岩性识别的多元统计方法. 地质科技情报,26(3): 马德锋, 李培军加入多尺度图像纹理的岩性分类. 岩石学报,24(6): 冉启全, 胡永乐, 任宝生火成岩岩性识别方法及其应用研究以大港枣园油田枣 35 块火成岩油藏为例. 中国海上油气, 17(1): 唐发明, 王仲东, 陈绵云支持向量机多类分类算法研究. 控制与决策,20(7): 陶宏根, 程日辉, 赵小青等海拉尔盆地火山碎屑岩的测井响应与应用. 地球物理学报,54(2): ,doi: /j. issn 田玉昆, 周辉, 袁三一基于马尔科夫随机场的岩性识别方法. 地球物理学报,56(4): ,doi: /cjg 王臖, 杨长春, 许大华等微电阻率扫描成像测井方法应用及发展前景. 地球物理学进展,20(2): 王健峰, 张磊, 陈国兴等基于改进的网格搜索法的 SVM 参数优化. 应用科技,39(3): 王立国, 张晔, 谷延锋支持向量机多类目标分类器的结构简化研究. 中国图象图形学报,10(5): 王璞臖, 郑常青, 舒萍等松辽盆地深层火山岩岩性分类方案. 大庆石油地质与开发,26(4): 袁祖贵, 成晓宁, 孙娟地层元素测井 (ECS) 一种全面评价储层的测井新技术. 原子能科学技术,38( 增刊 ): 张学工关于统计学习理论与支持向量机. 自动化学报,26 (1): 张治国, 杨毅恒, 夏立显自组织特征映射神经网络在测井岩性识别中的应用. 地球物理学进展,20(2): ( 本文编辑汪海英 )

JournalofSoiland WaterConservation Vol.32No.1 Feb.,2018!"#$%&' 1, 2, 3, 1, 4, 5, 1 ( , :;, ; ( ),0 5 <-. 4, ;3

321 20182 JournalofSoiland WaterConservation Vol.32No.1 Feb.,2018!"#$%&' 1, 2, 3, 1, 4, 5, 1 (1. 23 4,567089 :;, 100083; 2. 23 ( ),0 5 4,?@ 750021; 4.A-2