1、 第 卷 第 期 年 月 石 油 学 报 基金项目 ：国家重大基础研究发展计划 （）项目 “高效天然气藏形成分布与凝析 、低效气藏经济开发的基础研究 ”（）资助 。 第一作者及通讯作者 ：朱怡翔 ，男 ，年 月生 ，年获合肥工业大学学士学位 ，年获中国地质大学 （北京 ）博士学位 ，现为中国石油勘探开 发研究院教授级高级工程师 、博士生导师 ，主要从事储层地质 、地震和测井的综合表征和预测 、复杂岩性储层的测井评价等研究工作 。 ： 文章编号 ： （ ） ： 火山岩岩性的支持向量机识别 朱怡翔 石广仁 （中国石油勘探开发研究院 北京 ） 摘要 ：提出了用 种火山岩的岩石类型描述火山岩储层岩性的
2、模型 ，表达岩性对优质储层的控制作用 。基于该模型 ，选取了对火山 岩的岩性 、组构 、成因和孔隙结构反应灵敏的 种岩石物理测井参数 ，分别采用多元回归分析 （ ）、人工神经网络 （ ）和支 持向量机 （ ） 种机器学习算法 ，尝试火山岩岩性的识别 。在三塘湖盆地马朗凹陷牛东油田的实例中 ，使用了 口井的数据 ，其 中 井和 井的火山岩储层为学习样本 ， 井的火山岩储层为预测样本 。利用 井 个样本和 井 个样本 （每个样本含 种测井参数及岩性 ），通过这 种机器学习算法分别获得预测火山岩岩性的知识 ；然后 ，利用 井 个样本 （每个样本仅含 种测井参数 ），根据上述学习获得的知识 ，得到这
3、个样本的岩性 。研究发现 ：对于学习样本 ， 、 和 的计算与实际的平均相对误差绝对值分别为 ， 和 ；对于预测样本 ，则分别为 ， 和 。实例分析表明 ，只有 适用于本实例 ，这是由于火山岩岩性与 种岩石物理测井参数的非线性关系十分强烈 。 关键词 ：火山岩 ；岩性划分 ；储层 ；岩石物理测井 ；多元回归分析 ；人工神经网络 ；支持向量机 中图分类号 ： 文献标识码 ： （ ， ， ） ： ， ， ， ， ， （ ）， （ ） （ ）， ， ， ， ， ， ， ， ， ， （ ） ， ， ， ； ， ， ， ， ： ； ； ； ； （ ）； （ ）； （ ） 近年来 ，随着油气勘探开发难度的
4、不断加大 ，火山 岩作为新的含油气层系 ，正突显出越来越重要的作用 ， 展现出广阔的勘探开发前景 。目前已发现的 、具有一 定规模和前景的火山岩系油藏 ，主要分布在新疆三塘 湖盆地 、准噶尔盆地和中国与蒙古接壤的海拉尔 塔 木察格盆地 。 新疆三塘湖盆地有效勘探面积 ，是 一个多层系叠合型含油气盆地 ，发育石炭系 、二叠系和 第 期 朱怡翔等 ：火山岩岩性的支持向量机识别 中生界 套成藏组合 ，发现和探明了大量的石油地质 储量 。特别是 年在马朗凹陷牛东油田发现了亿 吨级火山岩油气聚集带 ，展现了三塘湖盆地石炭系火 山岩油藏勘探开发的广阔前景 。 火山岩岩性和岩相的有效识别 ，是火山岩储层评
5、价的一项最重要的基础工作 。在以往的火山岩岩性识 别中 ，主要采用对火山岩岩性敏感的常规测井曲线 ，利 用取心段的岩性描述 ，在相应的岩心段进行多个测井 曲线的分别取值 ，然后将不同岩性段的测井参数值两 两交会 ，建立各个双变量的火山岩岩性识别图版 。 随着测井新技术 （如 元素俘获谱测井 ）的应用 ，可 以用 测量地层中主要造岩元素 （ 、 、 、 ） 的百分含量 ，并与常规测井曲线参数值进行交会 ，从岩 石成分角度 ，有效地识别玄武岩 、安山质凝灰岩 、流纹 岩和流纹质凝灰岩等 。 火山岩储层的优劣取决于岩石成分 、结构和构造 、 孔隙结构和裂缝等多种因素 ，即使是同一种岩性 ，如玄 武岩
6、 ，由于其孔隙结构的不同而使其物性产生很大的 变化 ，可以是优质储层与非储层之分 。因此 ，火山岩岩 石的划分和识别 ，应当更加细化 ，要考虑多种因素 ，要 能够反映出储层品质的优劣 ，这样的岩石分类对储层 评价才更有意义 。 由于火山岩岩石的复杂性 ，使得传统的双参数交 会图识别岩性的方法分辨率不高 ，而各个不同的双参 数交会图版在识别火山岩岩性方面 ，彼此交叉和部分 重叠 ，需要一种综合考虑多维参数向量和有效的岩性 识别方法 。刘传平等 曾采用人工神经网络进行火山 岩测井岩性识别的研究工作 。近年来 ，基于不同测井 曲线 ，采用支持向量机进行岩性识别的研究工作已有 成果 。选用的测井曲线为
7、 种 ，识别的对象基本上 是一般的岩性 。例如 ：于代国等 利用自然伽马 、 自然电位 、声波时差 、密度 条测井曲线来识别某油田 一研究区的粉砂岩 、泥岩 、砾岩 种岩性 ；李新虎 利 用声波时差 、中子 、密度 、自然伽马 条测井曲线来识 别白音查干凹陷的白云岩 、粉砂岩 、砾状砂岩 、泥岩 、砂 砾岩 、砂岩 种岩性 ；马海等 利用准噶尔盆地 口井 的声波时差 、自然伽马 、自然电位 、密度 、井径 、深感应 、 中感应 、电导率 条测井曲线来识别中砂岩 、细砂岩 、 粉砂岩 种岩性 ；文政等 利用海拉尔盆地乌南地区 口井的 条电阻率曲线 （深感应 、中感应 、微球聚焦 、 深侧向 、浅
8、侧向 ）、 条孔隙度曲线 （声波时差 、中子孔隙 度 、补偿密度 ）、 条岩性曲线 （自然伽马 、铀 、钍 、钾 ）来识 别沉凝灰岩 、凝灰质砂砾岩 、凝灰质砂岩 、砂砾岩 、砂岩 种复杂岩性 ；钟仪华和李榕 利用云南陆良盆地 口井 的自然电位 、自然伽马 、声波时差 、电阻率 、中子孔隙度 条测井曲线来识别泥岩 、含钙泥岩 、钙质泥岩 、砂岩 种 岩性 ；程国建和郭瑞华 利用安纳托利亚东南部某油 田 口井的自然伽马 、声波时差 、岩石体积密度 、中子密 度 、微球形聚焦测井 、深侧向 、浅侧向 条测井曲线来识 别泥岩 、石灰岩 、白云岩 、白云质泥岩 种岩性 。这 篇 文章中 ，在支持向量机
9、进行岩性识别之前 ，有的提取能 够用于岩性识别的测井曲线参数值 ，有的采用主成分 分析法优化测井输入参数 ，有的采用粒子群优化算 法对支持向量机建模过程中的重要参数进行优化调 整 。对于火山岩岩性 ，张莹和潘保芝 使用松辽盆 地深层火山岩地层的 条测井曲线 （自然伽马 、钍 、铀 、 钾 、光电吸收截面指数 、中子孔隙度 ）进行支持向量机 识别 ，并采用微电阻率图像模式识别 ，两者结合 ，可以 识别典型的 种火山岩岩性 。 笔者根据新疆三塘湖盆地马朗凹陷牛东油田的火 山岩岩相 、岩性的特点及其与油气显示的关系 ，从储层 评价角度 ，将牛东油田火山岩细分成 种类型 。在此 基础上 ，选取了对火山
10、岩复杂岩性 、物性和孔隙结构反 应灵敏的 种岩石物理测井参数 ，针对 口井的资 料 ，采用支持向量机 ，很好地解决了火山岩岩性的有效 识别这一问题 。 火山岩储层岩性识别模型 国内外对于火山岩岩石学研究很早就开始了 ，但大 多是从岩石化学和地球化学的角度来研究火山岩 。以火 山岩的分类识别为例 ，目前国际上比较流行的火山岩岩 石化学分类方法以 分类图版作为标准 （图 ） ，它 在 年被国际地质科学联合会 （ ）火山岩分 类学分委会推荐 ，根据火山岩化学成分的含量 ，将 火山岩分成超基性岩 、基性岩 、中性岩和酸性岩 。 图 火山岩岩石 分类 （据文献 ） 石 油 学 报 年 第 卷 根据火山岩
11、的结构构造和产状可以将火山岩分 为 ：火山熔岩 、火山碎屑熔岩 、火山碎屑岩和火山碎屑 沉积岩 。火山碎屑岩根据其碎屑颗粒的大小可以进一 步分为火山集块岩 、火山角砾岩和凝灰岩等 。 在实际火山岩油气藏的储层评价中 ，仅从岩石的 结构构造及其化学成分的分类 ，往往并不能完全代表 火山岩储层物性的好坏和对油气层的控制作用 。比 如 ，在牛东油田的实际岩心观察和岩样分析结果对比 中发现 ：即使同种岩性 ，如玄武岩 ，由于处于不同的火 山喷发时期或处于同一时期熔岩流的不同部位 ，其岩 石内部的孔隙结构和物性特征差异很大 ，可以是气孔 裂缝非常发育的优质储层 ，也有可能是仅发育不连通 的微气孔的非储层
12、 。 根据火山岩发育特点和对储层油气的控制作用 ， 在储层岩性分类时 ，综合考虑了岩石的 “岩性 组构 成因 孔隙结构 ”诸多因素 ，将牛东油田火山岩油藏 的岩石分成了 种类型 ，并且 ，这些不同的岩性对储层 含油气性的控制作用明显不同 ，从而揭示了岩性对储 层的控制作用 。 在合理的火山岩岩性分类的条件下 ，对于火山岩 岩性的识别仅仅采用通常的几条测井曲线来识别 种 岩性具有很大的多解性 ，需要在高维岩石物理属性空 间中进行 。笔者选取了 种岩石物理属性的测井曲 线 ，采用支持向量机 ，对 种火山岩岩性进行识别 ，获 得很好的成功率 。 牛东油田的火山岩岩性特征与分类 牛东油田位于三塘湖盆地
13、马朗凹陷 ，钻井揭示的 地层自上而下依次为 ：第四系 ，第三系 ，下白垩统 ，上侏 罗统齐古组 ，中侏罗统头屯河组及西山窑组 ，下侏罗统 三工河组 八道湾组 ，中 上三叠统小泉沟群 ，中二叠 统条湖组及芦草沟组 ，上石炭统卡拉岗组 、哈尔加乌组 及巴塔玛依内山组 。 牛东油田目的层段为上石炭统卡拉岗组 ，其岩 性以灰色 、褐灰色杏仁状玄武岩为主 ，夹安山岩 、凝 灰岩 、含角砾凝灰岩 、凝灰质角砾岩 、火山角砾岩等 。 然而 ，这些岩性的描述 ，并不能完全体现出岩性对储 层的控制作用 ，亦即优质储层和非储层到底是什么 岩性 。 由于火山岩储层的复杂性 ，制约了火山岩油藏的 高效开发 ，其中 ，
14、如何准确划分和识别火山岩的岩性 ， 是火山岩储层评价首先需要解决的一个难点问题 。 牛东油田卡拉岗组火山岩根据岩性通常分成 大 类 （表 ）： 熔岩类 ，主要有玄武岩 、安山岩等 ； 火山 碎屑岩类 ，根据其火山碎屑的大小可细分成火山集块 岩 、火山角砾岩和凝灰岩 ； 过渡岩类 ，主要有沉火山 碎屑岩 （以沉凝灰岩为主 ），在本区不发育 。 表 牛东油田卡拉岗组火山岩岩性分类与特征 岩性分类 岩性特征 岩性 成因 孔隙 结构等细分类 岩性特征 气孔杏仁玄武岩 气孔状杏仁体发育 、且处于半充填 ，其中 常含油气 玄武岩 灰色 、褐色 ，斑状结构 ，常具杏仁 状构造 ，杏仁体为绿泥石或沸石 类 ，
15、部分层段见杏仁体溶蚀或半 充填玄武岩 蚀变气孔杏仁玄武岩 杏仁玄武岩处于岩相期次的顶部 ，岩石 有蚀变 脆裂玄武岩 岩性致密 ，气孔杏仁不发育 ，裂缝发育 致密玄武岩 岩性致密 ，气孔 、裂缝不发育 安山岩 灰白色 、灰红色 、黄棕色等 ；半晶 质 玻璃质 、斑状 、似斑状 、微粒 交织结构 、有气孔 、杏仁构造 ，但 气孔细小 气孔杏仁安山岩 有细小的气孔杏仁发育 ，常充填 致密安山岩 岩性致密 ，无气孔杏仁发育 ，处于岩相的 深部 火山集块岩 火山碎屑粒度大于 的占 以 上 ，磨圆差 ，集块间为角砾级凝灰质火山 碎屑 ，本区不发育 火山碎屑岩 杂色 ，以棕色 、灰色为主 。砾石成 分主要为
16、玄武岩及安山岩 ，以深 灰色 、棕色为主 ，砾石分选差 ，砾 石大小常 介 于 ，磨 圆 差 ，压实与胶结强烈 ，砾石之间以 紫红色火山灰 、沸石类胶结为主 脆裂凝灰质角砾岩 具有火山角砾 凝灰结构 ，裂缝发育 凝灰质角砾岩 具有火山角砾 凝灰结构 ，裂缝不发育 凝灰岩 灰绿色 、棕红色 ，细粒 ，块状均质构造或 略具平行层理 、斜层理 过渡岩性 沉凝灰岩或凝灰质砂岩 ，显示与沉积岩的过渡特征 ，如砂岩的粒序 、层理和泥岩的水平纹层等 。该 种岩性在本区不发育 。 根据岩心观察和开发井实际资料发现 ，同样的玄 武岩 ，可以是气孔状杏仁体和裂缝十分发育的高产油 层 ，也可能是非常致密和无油气显示
17、的致密玄武岩 。 并且 ，在玄武岩产出过程中 ，由于冷凝前气孔的向上聚 集作用和炽热的熔岩表面在冷凝中的自碎作用以及后 期风化面的溶蚀和脆裂作用 ，对每一期火山熔岩的溢 第 期 朱怡翔等 ：火山岩岩性的支持向量机识别 流来说 ，一般上部的玄武岩表现出杏仁状气孔规模 大 ，连通性好和裂缝发育 ，而在中下部的玄武岩的岩 性致密 ，其中的气孔也很细很均匀 ，气孔之间连通性 差 。安山岩虽然也属于火山熔岩类 ，也具有一定的 气孔杏仁结构 ，但是 ，安山岩往往发育在深部的早期 喷发熔岩中 ，具有半晶质 玻璃质结构 ，气孔细小且 基本充填 ，因此安山岩岩性致密 ，不是有效储层 。裂 缝的发育对火山角砾岩的
18、物性好坏具有重要的控制 作用 。因此 ，火山岩应当结合岩性 、结构 、成因和孔 隙结构的特征进行分类 ，才能客观地体现岩性对储 层的控制作用 。 在岩心描述的基础上 ，结合常规和成像测井曲线 特征 ，采用 “岩性 、结构 、成因和孔隙结构 ”的综合分类 方法 ，将牛东油田火山岩储层的岩石分成了 种类型 （表 ），即 ：气孔杏仁玄武岩 、蚀变气孔杏仁玄武岩 、脆 裂玄武岩 、脆裂凝灰质角砾岩 、凝灰质角砾 （熔 ）岩 、气 孔杏仁安山岩 、致密玄武岩 、致密安山岩 、凝灰岩 。根 据这 种岩性分类 ，将对应的实际试油结果和气测录 井资料进行统计分析 ，可以得出 ，含油气层主要来源于 种岩性 ：气
19、孔杏仁玄武岩 、蚀变气孔杏仁玄武岩和脆 裂玄武岩 。从 口井的气测录井资料中 ，共统计出气 测全烃含量大于 的井段共长 （图 ），在所有 这些有气测显示的井段总厚度中 ，气孔杏仁玄武岩占 ，蚀变气孔杏仁玄武岩占 ，脆裂玄武 岩 占 ，这 种岩性共占气测显示段的 ，最差的凝 灰岩仅占 ，最好的岩性与最差的岩性油气显示 的厚度相差 倍 ！ 可见 ，这 种不同的岩性分类基本 体现了本区火山岩的主要岩石特征 ，以及岩性对火山 岩储层油气的控制作用 。 图 不同的火山岩岩性占气测厚度的比例 火山岩岩性的分类识别方法与支持向量机分类 在使用岩石物理测井的多属性进行岩石类型识 别时 ，通常采用属性两两交会的
20、判别方法 ，这是因为 各种类型的岩石具有主要取值范围 ，如凝灰质岩层 的典型特征是高自然伽马 （ ）、低体积密 度 （ ）；气孔杏仁玄武岩的典型特征 是低自然伽马 （ ）和低体积密度 （ ）；致密玄武岩的分布特征是低自然伽马 （ ）、高密度 （ ）、低声波 时差 （ ）和高电阻 （ ）等特 征 ；而安山岩由于其 含量的增加 ，导致其具有高 密度 、高电阻 、高自然伽马和低中子 （ ） 特征 。 随着岩石分类数量的增加 ，各种岩石的物理响应 特征差别减小 ，就需要增加岩石物理测井属性的种类 （维数 ）来减少识别的多解性 。然而 ，在处理高维属性 空间的类型识别问题时 ，传统的两两属性交会的方法
21、显然不够用了 （图 ），各种岩性在双属性的交会空间 中 ，往往具有相交甚至包含关系 ，因此很难识别 。本研 究提出了采用机器学习方法 （如 ：多元回归分析 、人工 神经网络 、支持向量机 ）来进行识别 。 图 不同火山岩岩性的岩石物理测井属性线性交会 根据岩石物理测井响应机理和解释方法 ，选择了 种对火山岩岩性响应敏感的测井曲线 ，即 ：声波时 差 、体积密度 、光电吸收截面指数 、自然伽 马 、补偿中子 、井径 、浅电阻率 、 中电阻率 、深电阻率 、裂缝发育指数 、 密度孔隙度 、气孔孔隙度指数 、声波 孔隙度 、基于深浅电阻率差异的裂缝发育指数 、渗透率 ，作为多维地质表征参数进行火 山
22、岩岩性识别 。 石 油 学 报 年 第 卷 三种算法简介 笔者尝试采用如下 种算法 ：多元回归分析 （ ，简称 ），人工神经网络 （ ，简称 ），支持向量机 （ ，简称 ）。 这 种算法 （ 、 和 ）使用同一已知 参数 ，要求预测的未知量也相同 ，只是计算结果不同 。 假设有 个学习样本 ，每个含有 个地质参 数 （即 ， ， ， ）的成组观察值 （即 ， ， ， ）（ ， ， ）， ，而实际应用时 远 大于 。将前 个地质参数的 个样本定义为 个向量 ，即 ： （ ， ， ）（ ， ， ） （ ） 设 为式 （ ）定义的向量的一般形式 。 、 和 这 种算法的基本思想都是试求一个 表达式
23、（ ），使表达式 （ ）达到极小 ，仅是实现途 径 、计算结果精度不同 。 （ ） （ ） 在数学上 ，上述的 （ ， ， ）称为自变量 ， 称为应变量 。 借助于 求出的 表达式是 个地质参数 （即 ， ， ）的线性组合再加上一个常数项 ： （ ） 式中 ： ， ， ， 是通过逐步回归分析 求出 的常数 。 借助于 求出的 表达式是关于 个地质参 数 （即 ， ， ）的 “隐式 ”表达式 ： （ ， ， ） （ ） 式中 ： 是 非 线 性 函 数 ，可 由 误 差 反 向 传 播 模 型 算出 。这种函数不能用通常的数学公式表示 ， 故称为 “隐式 ”表达式 。 是在统计学习理论基础上发展
24、起来的一种 新的机器学习方法 ，其基本实现途径是通过核函数将 实际问题 （原空间 ）转换到新的高维特征空间 ，在新空 间中构造线性判别函数来代替原空间中的非线性判别 函数 。从理论上讲 ，该算法能够得到全局最优解 ， 可避免 在实际应用中可能出现的局部极值问题 （这种情况较为罕见 ）。 与 相比 ，其主要优 点是精度高 、计算速度快 。 笔者采用了 支持向量二分类技术 ，求出的 表达式是关于向量 的非线性表达式 ： （ ） （ ） 式中 ： 为拉格朗日乘子向量 ， （ ， ， ）， ； 为惩罚因子 ，约束条件为 ； （ ）为辐基函数 （ ， ）核函 数 ； 为调整参数 ， ； 为分类空间超平面
25、的偏移 ， 可通过自由 （即对应于 的 ，最 终 获 得 的 模型仅依赖于这些向量 ）算出 。 、 及 可由式 （ ）解出 ，这是一个对偶最优化 问题 。 ， （ ） （ ） 综上所述 ，上述 种算法的计算流程相同 ，即 ：第 一步 ，利用 个学习样本求出计算公式 （学习过程 ），即 对应的式 （ ）（ ）；第二步 ，将这 个学习样本代入这 些对应的公式 ，就可得到各自的预测值 ， ， ， 以检验算法的拟合度 ；第三步 ，将由式 （ ）所示的 个 预测样本代入这些对应的公式 ，就可得到各自的预测 值 ， ， 。 （ ， ， ）（ ， ， ） （ ） 为了与实例一致 ，上述 和 两种算法 中的
26、都定义为单应变量 。实际上 ， 软件早已 将 定义为向量 ，而目前 软件尚未将 定义为 向量 。 三种算法的应用 原始数据 将牛东油田火山岩储层岩性归类成 种 （表 ）， 将 井的 、 井的 及 井的 作为研究井段 。 按 间 距 进 行 采 样 ，则 这 个 井 段 分 别 有 、 及 个样本 （表 ）。每个样本包括 个 自变量 （ ， ， ， ， ， ， ， ， ， ， ， ， ， ， ）及 个应变量 （ ）。 为声波时差 （ ）， ； 为体积密度 （ ）， ； 为光电吸收截 面指数 （ ）， ； 为自然伽马 （ ）， ； 为补 偿中子 （ ）， ； 为井径 （ ）， ； 为浅电阻 率 （
27、 ）， ； 为中电阻率 （ ）， ； 为深 电阻率 （ ）， ； 为裂缝发育指数 （ ），取值 为 ； 为密度孔隙度 （ ）， ； 为气孔孔隙 度指数 （ ）， ； 为声波孔隙度 （ ）， ； 为低角度裂缝发育指数 （ ）； 为 渗 透 率 （ ）， 。 为火山岩岩性预测值 ，以 种岩性 代码表示 ： ， ， ， ， ， ， ， ， （表 和表 ）。 第 期 朱怡翔等 ：火山岩岩性的支持向量机识别 表 牛东油田的火山岩岩性代码 岩性 代码 岩性 物性 油气 显示 气孔杏仁玄武岩 最好 最好 蚀变气孔杏仁玄武岩 好 好 脆裂玄武岩 裂缝发育 好 脆裂凝灰质角砾岩 有 凝灰质角砾岩 有点 气孔杏仁
28、安山岩 少量 致密玄武岩 没有 致密安山岩 没有 凝灰岩 没有 这 个井段中某些岩性代码的样本个数小于 ， 故都不能单独作为学习样本 ；尤其是 井的研究 井段没有岩性代码 ，故不适宜与其他井段合起来为 学习样本 。因此 ，将 井和 井的两个井段 合起来作为学习井段 ，则有 个学习样本 （或称已 知样本 ），这样每个岩性代码的样本个数都大于 ；将 井的井段为预测井段 ，则有 个预测样本 。 预测样本中的岩性代码不是输入参数 ，仅作为与 种 算法的预测值对比之用 。 采用 、 和 共 种算法进行火山 岩岩性预测 。在学习样本中 ， 是输入参数 ，记为 ， 由火山岩岩性识别确定 。在预测样本中 ，无
29、输入参数 值 ，其由算法确定 。 三种算法的预测结果 使用 个学习样本 （图 和图 ），通过 、 和 求出火山岩岩性预测值 （ ）与 种测 井观察值 （即 ， ， ， ， ， ， ， ， ， ， ， ， ， ， ）的关系式 。 表 井 、 井及 井的 个井段火山岩岩性代码样本个数 ， 井号 井段 样本总数 岩性代码的样本个数 代码 代码 代码 代码 代码 代码 代码 代码 代码 采用 ，计算结果是一个 “显式 ”表达式 ： （ ） 式 （ ）的残余方差为 ，多重相关系数为 ， 说明拟合度低 。该算法还指出 ，火山岩岩性预测值 与 种测井方法的相关性由大到小依次为 ： （ ）， （ ）， （ ）
30、， （ ）， （ ）， （ ）， （ ）， （ ）， （ ）， （ ）， （ ）， （ ）， （ ）， （ ）， （ ）。 采用 ，输入层节点 个 ，输出层节点 个 ， 隐层节点 个 ；输出层和隐层的 网 络 学 习 率 均 为 ；迭代次数为 。终止计算精度取为 ，计算 结果是一个 “隐式 ”表达式 ： （ ， ， ） （ ） 式 （ ）的网络全局误差为 ，说明拟合度较低 。 采用 ， ， ，交叉检验精度为 ，说明拟合度非常高 。自由 共 个 。 终止计算精度取为 ，计算结果是一个 “显式 ”表 达式 ： （ ， ， ） （ ） 式中 ： 是非线性函数 。这种函数可以用形如式 （ ）的数学公式
31、具体表示出 ，故称为 “显式 ”表达式 ，但 因其公式太长而不必具体写出 。 将 个学习样本 （图 和图 ）的自变量值分 别代入式 （ ）、（ ）、（ ），就可分别算出每一学习样本 的火山岩岩性预测值 ，以检验算法的拟合度 （表 ）。 类似地 ，可得 个预测样本 （图 ）的火山岩岩性预 测值及预测精度 （表 ）。 如表 所示 ，采用 时预测样本错判个数为 ，相对误差绝对值为 。这 个错判样本 出现在 井预测井段的某些位置 （主要是从一种 岩性过渡到另一种岩性的交界处 ）的三种岩性上 ： 岩 性代码 （气孔杏仁安山岩 ）有 个 ，其中预测为岩性 代码 （气孔杏仁玄武岩 ）有 个 ，预测为岩性代码
32、 （脆裂玄武岩 ）有 个 ，预测为岩性代码 （致密玄武 岩 ）有 个 ； 岩性代码 （致密安山岩 ）有 个 ，其中 预测为岩性代码 （气孔杏仁安山岩 ）有 个 ，预测为 岩性代码 （致密玄武岩 ）有 个 ； 岩性代码 （凝灰 石 油 学 报 年 第 卷 岩 ）有 个 ，均被预测为岩性代码 （凝灰质角砾岩 ）。 错判的原因主要来自于学习样本个数的不足 ：用两口 井 （ 和 ）的 （ ）个学习样 本 ，对一口井 （ ）的 个预测样本进行预测 ，学 习样本个数显得有些不足 ，但 的错判率已满足 地质学中的实际应用要求 。 图 井火山岩储层测井解释综合成果 第 期 朱怡翔等 ：火山岩岩性的支持向量机识
33、别 图 井火山岩储层测井解释综合成果 表 、 和 种算法的应用比较 ， 算法 拟合公式 学习样本 （ 个 ） 预测样本 （个 ） 预测不正确 的样本个数 平均相对误 差绝对值 预测不正确 的样本个数 平均相对误 差绝对值 预测量 与参数 ， ， 的相关性 （由大到小次序 ） 计算时间 （在 机上 ） 算法 综合评价 线性 ，显式 个 个 ， ， ， ， ， ， ， ， ， ， ， ， ， ， 差 非线性 ，隐式 个 个 计算不出 差 非线性 ，显式 个 个 计算不出 良 注 ：相对误差绝对值 （） 计算值 实测值 实测值 降维的讨论 降维是指在挖掘算法正式计算之前 ，将 （自变 量 ，也称属性
34、 ）的个数尽可能减少 ，也就是使数据空间 的维数减少到尽可能的小 。其益处是 ：减少数据量 ，可 提高挖掘速度 ；减少属性 ，可扩大实际应用范围 ；减少 预测样本错判率 ，可提高挖掘质量 。例如 ，采用主成分 分析法对测井输入参数进行降维 ；采用 “以 为先导降维工具 、以 为降维验证工具 ”进行降 维 ， ，有一个非线性关系微弱的实例 ，可将 种测 井曲线约简为 种测井曲线 ，即 维问题降为 维问 题 。对于本实例 ，根据上述的 所得的 与 种测井方法的相关性由大到小的排序 ，可知 （ ） 与 的相关性最小 （表 ），将 删除后进行 计 算 ，发现原来的预测样本错判个数由 个 （表 ）上 石
35、 油 学 报 年 第 卷 图 井火山岩储层测井解释综合成果 升为 个 ，说明降维不成功 ，其原因是本实例的非线 性关系十分强烈 。 三种算法的比较 从表 可见 ，只有 适用于本实例 ，这是由于 火山岩岩性 与 种测井曲线 （ ， ， ）的 非线性关系十分强烈的缘故 ；至于 ，其所示的相 关性次序可作为辅助应用 。此外 ，从拟合度和预测 精度来 看 ， 种算法应用于本实例的优劣次序为 ： 第 期 朱怡翔等 ：火山岩岩性的支持向量机识别 ， ， 。 结论与建议 在火山岩储层评价中 ，火山岩岩石的分类应体现 不同类型的岩石对储层的控制作用 。通过综合考虑岩 石的岩性 、组构 、成因和孔隙结构等诸多因
36、素 ，将牛东 油田火山岩油藏的岩石分成了 种类型 ，即 ：气孔杏仁 玄武岩 、蚀变气孔杏仁玄武岩 、脆裂玄武岩 、脆裂凝灰 质角砾岩 、凝灰质角砾 （熔 ）岩 、气孔杏仁安山岩 、致密 玄武岩 、致密安山岩 、凝灰岩 。通过岩屑气测录井统计 显示 ，前 种岩性占油气显示井段厚度的 ，而最 好的岩性 （气孔杏仁玄武岩 ）油气显示的厚度是最差岩 性 （凝灰岩 ）厚度的 倍 ，因此 ，这样的岩石分类体现 出不同岩性对储层含油气性的控制作用 。 在样本井岩石合理分类的基础上 ，需要建立相应 的岩石物理测井解释模型进行岩性识别 。本次研究表 明 ，对于复杂的火山岩岩性的识别 ，需要采用高维岩石 物理测井
37、属性 （本次研究用 种 ）进行分类识别 ，对这 样大而复杂的信息量的处理 ，是常规的 维线性分类 识别方法难以处理的 ，而采用支持向量机具有优势 ，获 得高符合率 。 当描述一个研究目标与多个相关地质因素的复杂 关系时 ，应采用非线性算法 （ 或 ），而 可作为辅助应用 ；如果这种复杂关系的非线性关系不 十分强烈 ，采用 和 预测效果几乎是同等优 越 ，当然 ，相比之下 最理想 ，且计算速度比 快 倍以上 ；反之 ，若非线性关系强烈 ，应采用 。 种算法的计算结果对比 ，发现只有 适用于本实 例 ，这是由于火山岩岩性与 种岩石物理测井参数的 非线性关系十分强烈的缘故 。 参 考 文 献 范宜仁
38、 ，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 ，（）： ， ， ， ， ， （ ）： ， 王拥军 ，周雪峰 ，吴海忠 ，等 火山岩岩性识别新技术 断块油 气田 ，（）： ， ， ， ， ， （ ）： 赵新建 ，胡刚 ，张梦宁 ，等 火山岩岩性识别方法研究 国外测 井技术 ，（）： ， ， ， ， ， ， （ ）： ， 刘传平 ，郑建东 ，杨景强 徐深气田深层火山岩测井岩性识别方 法 石油学报 ，（增刊 ）： ， ， ， ， （ ）： 于代国 ，孙建孟 ，王焕增 ，等 测井识别岩性新方法 支持向量 机方法 大庆石油地质与开发 ，（）： ， ， ， ： ， ， （ ）
39、： 李新虎 基于不同测井曲线参数集的支持向量机岩性识别对比 煤田地质与勘探 ， ， （ ）： ， ， ， （ ）： ， 马海 ，王延江 ，胡睿 ，等 测井岩性识别新方法研究 地球物理 学进展 ，（）： ， ， ， ， ， （ ）： 文政 ，高松洋 ，毕广武 支持向量机在复杂岩性测井识别中的应 用 大庆石油地质与开发 ，（）： ， ， （ ） ， ， （ ）： 钟仪华 ，李榕 基于主成分分析的最小二乘支持向量机岩性识别 方法 测井技术 ，（）： ， ， ， （ ）： 程国建 ，郭瑞华 分类模型在岩性识别中的应用 西安石油大学学报 ：自然科学版 ， ， （ ）： ， ： ， ， （ ）： 张莹 ，
40、潘保芝 支持向量机与微电阻率成像测井识别火山岩岩性 物探与化探 ， ， （ ）： ， ， ， ， （ ）： ， （ ） ， ， （ ）： 邱家骧 国际地科联火成岩分类学分委会推荐的火山岩分类简 介 现代地质 ，（）： ， ， （ ）： 石 油 学 报 年 第 卷 ， ， ， ， 雍世和 ，洪有密 测井资料综合解释与数字处理 北京 ：石油 工业出版社 ，： ， ： ， ： 石广仁 ，张光亚 ，石骁騑 多地质因素的勘探目标优选 人工神 经网络法与多元回归分析法比较研究 石油学报 ，（）： ， ， ： ， ， （ ）： ， ， ， ： ， ， （ ）： 石广仁 地学数据挖掘与知识发现 北京 ：石油工
41、业出版社 ， ： ： ， ： ， ， （ ）： 统计学习理论的本质 张学工 ，译 北京 ：清华 大学出版社 ，： ： ， ： ， 支持向量机导论 李国正 ，王 猛 ，曾华军 ，译 北京 ：电子工业出版社 ，： ， ， ， ： ， ： ， ， ， ， ， （ ）： 石广仁 支持向量机在多地质因素分析中的应用 石油学报 ， ， （ ）： ， ， （ ）： 李洪奇 ，郭海峰 ，郭海敏 ，等 复杂储层测井评价数据挖掘方法研 究 石油学报 ，（）： ， ， ， ， ， （ ）： ， ， （ ）： 石广仁 数据挖掘在石油勘探数据库中的应用前景 中国石 油勘探 ，（）： ， ， （ ）： （收稿日期 改回日期 责任编辑 熊 英 ）
