共查询到17条相似文献，搜索用时 484 毫秒
1.
2.
RPROP算法在测井岩性识别中的应用 总被引：4，自引：1，他引：3
为了更好地解决测井岩性识别问题,引入一种快速实用的BP算法--Resilient Backpropagation (RPROP)算法。在说明RPROP算法的基础上,结合某地的实际测井资料,建立基于RPROP算法的BP网络岩性识别模型,进行岩性识别的应用研究。结果表明,应用RPROP算法进行测井资料岩性识别,识别的准确率较高,与基本BP算法及其一些改进算法相比,训练速度快,具有很好的应用前景。 相似文献
3.
《地质科技情报》2021,40(4)
以交会图为代表的传统岩性识别图版无法适用于致密砂岩地层,其主要原因是大部分地层岩性的测井响应特征相似度高,难以基于图版分析被有效识别。LightGBM较传统模式识别模型能更高效地解决问题,为此采用该模型识别致密砂岩地层岩性。由于LightGBM在建模时利用了较多的超参数,导致预测结果难以保证为最优,所以采用GS算法进行优化,进而提出GS-LightGBM。实验目的层为姬塬油田西部长4+5段致密砂岩地层。提出模型的预测能力通过设计两个实验来验证。为突出验证效果,实验中加入SVM和XGBoost作为对比模型。实验结果显示,GS-XGBoost和GS-LightGBM的准确率、F1-score和AUC指标相接近,都最高,但GS-LightGBM的计算时间只有GS-XGBoost的约1/23。实验结果表明,GS-LightGBM模型可在不失精度的情况下,能快速给出预测结果,具备了在致密砂岩地层岩性识别研究上的应用价值和推广性。 相似文献
4.
岩性识别是致密砂砾岩测井评价的重要工作。砂砾岩岩性多样、成分复杂,导致测井识别岩性准确率低、测井解释孔隙度不准确。以东营凹陷北部陡坡带沙四下亚段致密砂砾岩为例,在对其岩石学特征分析的基础上,按照岩石类型和骨架矿物差异给砂砾岩分类,利用铸体薄片资料对测井曲线进行岩性标定,提取各种岩性的测井响应特征,在此基础上建立了基于主成分分析的测井岩性识别方法,并分岩性建立了孔隙度测井评价模型,提高了砂砾岩测井岩性识别和测井孔隙度计算的准确率。 相似文献
5.
岩性识别是对地层认识及储层参数求解的基础,受沉积环境复杂性和非均质性影响,传统岩性识别方法已不能满足实际生产需要。针对传统识别方法容错能力差、自动化程度低和解释精度低的问题,通过应用神经网络自主学习预测分析手段,对比分析当下几种流行的岩性识别方法,选出更为适合现场实用的方法应用到随钻测井系统中。经研究发现,在预测方法及测井曲线相同的情况下,获得标准层段训练样本越多,准确率越高。通过对比得出结果:PNN概率神经网络方法在生产应用中效果更佳、识别准确率高、训练识别用时最短,在获取较少测井资料信息时,仍能保持较高的识别水平。 相似文献
6.
岩性识别一直是火山岩油气勘探中的重要课题,基于测井数据的岩性识别也逐渐成为火山岩研究的需要,大数据背景下的机器学习算法为测井岩性识别提供了一个新方向。为提高某研究区火山岩岩性识别符合率,本文采用K近邻、支持向量机和自适应增强3种经典机器学习算法,对研究区内的粗面岩、非致密粗面岩、辉绿岩、辉长岩、玄武岩和非致密玄武岩等6类中基性火山岩进行岩性识别。从常规测井系列中优选对研究区岩性敏感的自然伽马、声波时差、补偿中子、深侧向电阻率和补偿密度等5种测井参数作为岩性识别模型的输入向量,从研究区内5口有岩心样品或薄片鉴定资料的目标层中选取测井数据点1 440个,其中960个作为训练样本,其余480个作为测试样本。以识别符合率和时间作为评价指标,对3种算法的识别结果进行对比分析,实验表明：自适应增强算法的分类准确率最高,6类岩性平均识别符合率达到82.10%;支持向量机算法表现良好,平均识别符合率为81.04%;K近邻算法平均识别符合率为76.04%。 相似文献
7.
岩性识别是地质工作中一项基础而又重要的工作。传统的岩性识别方法过于依赖经验和地质专业知识积累,不仅耗时长、专业性强,还易受主观因素影响,导致准确率不理想。笔者等首先回顾了传统的岩性识别方法,之后总结了最新涌现的智能化识别方法,最后详细介绍了基于岩石图像、镜下图像、图像与元素信息融合等的智能识别方法。基于岩石图像的识别方法对于文中的岩石识别准确率可达90%以上,基于图像与元素融合的岩性识别方法可以缓解图像相似度高、风化破坏表观特征等因素对识别准确度的影响。笔者等认为当前岩性智能化识别研究仍处于初级阶段,无法满足工程需求。综合各类数据源的优势,利用机器学习深度挖掘岩石元素、矿物、光谱和表观特征间的内在关联性,有利于突破单源信息的局限性,实现岩性快速准确识别。 相似文献
8.
9.
岩性识别是地质工作中一项基础而又重要的工作。传统的岩性识别方法过于依赖经验和地质专业知识积累,不仅耗时长、专业性强,还易受主观因素影响,导致准确率不理想。笔者等首先回顾了传统的岩性识别方法,之后总结了最新涌现的智能化识别方法,最后详细介绍了基于岩石图像、镜下图像、图像与元素信息融合等的智能识别方法。基于岩石图像的识别方法对于文中的岩石识别准确率可达90%以上,基于图像与元素融合的岩性识别方法可以降低图像相似度高、风化破坏表观特征等因素对识别准确度的影响。笔者等认为当前岩性智能化识别研究仍处于初级阶段。综合各类数据源的优势,利用机器学习深度挖掘岩石元素、矿物、光谱和表观特征间的内在关联性,有利于突破单源信息的局限性,实现岩性快速准确识别。 相似文献
10.
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F1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。 相似文献
11.
DENG Song PAN Haoyu LI Chaowei YAN Xiaopeng WANG Jiangshuai SHI Lin PEI Chunyu CAI Meng 《《地质学报》英文版》2024,98(2):518-530
In petroleum engineering, real-time lithology identification is very important for reservoir evaluation, drilling decisions and petroleum geological exploration. A lithology identification method while drilling based on machine learning and mud logging data is studied in this paper. This method can effectively utilize downhole parameters collected in real-time during drilling, to identify lithology in real-time and provide a reference for optimization of drilling parameters. Given the imbalance of lithology samples, the synthetic minority over-sampling technique (SMOTE) and Tomek link were used to balance the sample number of five lithologies. Meanwhile, this paper introduces Tent map, random opposition-based learning and dynamic perceived probability to the original crow search algorithm (CSA), and establishes an improved crow search algorithm (ICSA). In this paper, ICSA is used to optimize the hyperparameter combination of random forest (RF), extremely random trees (ET), extreme gradient boosting (XGB), and light gradient boosting machine (LGBM) models. In addition, this study combines the recognition advantages of the four models. The accuracy of lithology identification by the weighted average probability model reaches 0.877. The study of this paper realizes high-precision real-time lithology identification method, which can provide lithology reference for the drilling process. 相似文献
12.
应用CP网络进行岩性识别 总被引：2，自引：3，他引：2
为通过测井解决岩性识别问题，引入了具有分类准确、算法简练等优点的CP（Counter-Propagation)网络。在详细介绍CP网络的网络模型和算法的基础上，结合某油田的实际测井资料，进行了CP网络识别研究。应用结果表明：CP网络训练周期短、识别准确率高、不存在收敛问题。通过试验研究得出结论：CP网络完全可以用于解决岩性识别等问题，具有广阔的应用前景。 相似文献
13.
基于最小二乘支持向量机测井识别火山岩类型:以辽河盆地中基性火山岩为例 总被引：1，自引：0，他引：1
最小二乘支持向量机是在统计学习理论基础上发展起来的模式识别方法。与传统统计学相比,它能有效解决有限样本、非线性、高维数模型的建立问题,而且建立的模型具有很好的预测性能。岩性识别本质是解决分类问题,本文基于最小二乘支持向量机解决分类问题的优势,首先用GR、CNL、DEN、AC、RLLD等常规测井曲线数据建立样本空间;然后通过耦合模拟退火和交叉验证的方法寻找最佳参数,优化最小二乘支持向量机分类器;最后建立了最小二乘支持向量机岩性识别模型。通过取心段岩心描述和岩心/岩屑薄片鉴定,确定辽河盆地40口井315 m井段2 520个岩性样品作为训练样本,建立岩性识别标准。对8口井13 866 m井段110 928个火山岩数据采样点进行测井识别,可识别致密玄武岩、气孔玄武岩、粗面岩等8种主要火山岩类型。识别结果与8口测试井中316个有取心段岩心描述和岩心/岩屑薄片的精确岩矿定名对比,符合率达到75.2%,与以往测井识别复杂火山岩岩性相比,在识别准确率和效率上都有明显提高。 相似文献
14.
三露天井田具有断层发育、地层缺失和重复明显、岩性种类较多等特点,岩性识别难度较大。为此,专门利用测井资料对三露天井田地层岩性进行了岩性识别研究。通过对14个天然气水合物钻孔不同岩性的测井响应特征分析,优选了自然伽马、中子和密度测井作为岩性识别敏感参数,并采用交会图技术制作了岩性识别图版,建立岩性划分标准,对三露天井田地层岩性进行识别与划分。利用测井资料能够识别7种主要岩性,包括砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩、泥岩、油页岩和煤等。根据岩性测井识别结果,三露天井田岩性分布特征在横向上表现为东部砂岩物性好,西部地区泥岩较为发育;纵向上表现为木里组地层砂泥比为4.48,含有煤层204.5 m;江仓组地层砂泥比为0.84,泥岩和油页岩较为发育,更有利于水合物赋存。测井岩性识别结果为寻找三露天井田天然气水合物有利储层奠定了基础。 相似文献
15.
在油气勘探、评价及开发中,岩性识别和薄片鉴定是十分重要的基础工作,准确的薄片识别结果可以为勘探和开发提供可靠的依据。传统的人工判定方法或实验室分析方法具有主观性强、效率低、自动化程度低等问题。目前基于内容的智能图像识别技术在准确性和具体应用方面还面临着许多难题。论文基于国内外相关研究成果与油气勘探与开发中岩芯薄片图像的特点及要求,设计并研制成功薄片图像自动识别系统和薄片智能鉴定系统。利用图像梯度分布和色彩分析进行火成岩岩石薄片智能分类,对所有像素进行类别划分进而得到整体的鉴定结果,实现了省时、高效、高精度的薄片智能鉴定成果。 相似文献
16.
在油气勘探、评价及开发中,岩性识别和薄片鉴定是十分重要的基础工作,准确的薄片识别结果可以为勘探和开发提供可靠的依据。传统的人工判定方法或实验室分析方法具有主观性强、效率低、自动化程度低等问题。目前基于内容的智能图像识别技术在准确性和具体应用方面还面临着许多难题。论文基于国内外相关研究成果与油气勘探与开发中岩芯薄片图像的特点及要求,设计并研制成功薄片图像自动识别系统和薄片智能鉴定系统。利用图像梯度分布和色彩分析进行火成岩岩石薄片智能分类,对所有像素进行类别划分进而得到整体的鉴定结果,实现了省时、高效、高精度的薄片智能鉴定成果。 相似文献
17.
在现阶段的岩土工程中,通常采用人工识别的方法来判别岩样种类,不仅耗时长、专业性强,还易受主观因素影响,准确率不理想。随着计算机技术的发展,机器学习逐渐被应用于岩性的自动识别,开启了岩样分类的新路径。本文以重庆市主城区4种典型岩样（泥岩、砂质泥岩、泥质砂岩和砂岩）的细观图像为研究对象,基于Inception V3卷积网络模型和迁移学习算法,建立了岩样细观图像深度学习模型,并完成了训练学习。结果显示：模型在训练1 000次后,训练集中的分类准确率达到92.77%,验证集中的分类准确率为76.31%。其中,验证集中的砂岩识别准确率为97.28%,泥岩识别准确率为81.85%,泥质砂岩识别准确率为72.59%,砂质泥岩识别准确率为72.35%。与现有的机器学习方法相比,本识别模型不仅可以自动识别岩性极为相近的岩样,而且具有较好的识别准确率、鲁棒性和泛化能力。 相似文献