CN108931815B - 一种岩性的分级识别方法 - Google Patents

Abstract

本发明涉及一种岩性的分级识别方法，其包括：S1对包含k类岩性的岩心数据样本集进行广义判别分析，建立初始岩性识别模型，将初始岩性识别模型未能识别出的b类岩性划分为二级岩性，则所述岩心数据样本集包含k‑b+1类岩性；S2对包含所述k‑b+1类岩性的所述岩心数据样本集进行广义判别分析，建立一级岩性识别模型；S3将所述岩心数据样本集中包含二级岩性的样本划分为二级岩心数据样本集，对包含所述b类岩性的二级岩心数据样本集进行广义判别分析，建立二级岩性识别模型；S4通过一级岩性识别模型和二级岩性识别模型完成对整个油气藏的岩性的识别。本发明首次将核函数引入到复杂岩性的非线性判别中，并对岩性进行分级评价，进一步提高岩性识别精度。

Description

一种岩性的分级识别方法

技术领域

本发明涉及测井解释中的岩性识别技术领域，尤其涉及一种岩性的分级识别方法。

背景技术

目前现有岩性识别技术主要包括交会图分析法、聚类分析、神经网络、支持向量机等。然而不同方法对划分岩性的判别率也不同，主要取决于方法本身的限制条件，常规交会图方法对于在实际应用中不具备线性可分条件的岩性识别变得困难；聚类分析方法只有在训练样本趋于无穷大时，其性能才能在理论上得以保证；神经网络的最优参数和最优网络结构确定没有较好的方法，且易于陷入过度拟合，并且泛化能力不够理想；支持向量机中加入了惩罚参数，即当有些点是误判的时候，加入惩罚参数来进行更正，这样对一些奇异值点不容易进行分析。对于仍然难以划分的岩性未有更好的手段，划分结果的图形显示方面以二维空间展示为主，直观性不强。

发明内容

针对上述问题，本次发明首次将广义判别分析(GDA)方法用到岩性识别中，针对复杂岩性油气藏可以提高岩性判别率，对判别率低的岩性通过分级建立模型可更有效的提高岩性判别率，在建立平台方面也将结果以三维化方式进行了展示，增强了直观性。

进而的，本发明提出了一种岩性的分级识别方法，包括以下步骤：

S1对包含k类岩性的岩心数据样本集进行广义判别分析，建立初始岩性识别模型，将所述初始岩性识别模型未能识别出的b类岩性划分为二级岩性，则所述岩心数据样本集包含k-b+1类岩性；

S2对包含所述k-b+1类岩性的所述岩心数据样本集进行广义判别分析，建立一级岩性识别模型；

S3将所述岩心数据样本集中包含所述二级岩性的样本划分为二级岩心数据样本集，对包含所述b类岩性的所述二级岩心数据样本集进行广义判别分析，建立二级岩性识别模型；

S4通过所述一级岩性识别模型和二级岩性识别模型完成对整个油气藏的岩性的识别。

优选的，在步骤S1中，在对包含k类岩性的岩心数据样本集进行广义判别分析之前，对所述岩心数据样本集所对应的测井数据进行数据标准化处理。

优选的，在步骤S1中，所述包含k类岩性的岩心数据样本集还配置有同样包含所述k类岩性的测试样本集，在建立所述初始岩性识别模型后，通过包含所述k类岩性的测试样本集对所述初始岩性识别模型进行验证。

优选的，在步骤S2中，包含所述k-b+1类岩性的所述岩心数据样本集还配置有同样包含所述k-b+1类岩性的测试样本集，在建立所述一级岩性识别模型后，通过包含所述k-b+1类岩性的测试样本集对所述一级岩性识别模型进行验证。

优选的，在步骤S3中，包含所述b类岩性的所述二级岩心数据样本集还配置有同样包含所述b类岩性的测试样本集，在建立所述二级岩性识别模型后，通过包含所述b类岩性的测试样本集对所述二级岩性识别模型进行验证。

进一步的，通过广义判别分析，建立上述所有的岩性识别模型的步骤均为：

通过映射

把岩心数据样本投影到一个高维的特征空间F中，找到最佳投影向量v，使得同类岩心数据样本有最大的类间散度，而不同类岩心数据样本有最小类内散度，并根据找到的最佳投影向量v建立岩性识别模型对待判岩性数据进行判别。

进一步的，通过广义判别分析，建立所述岩性识别模型的步骤具体为：

通过最优化广义判别分析准则函数找到一个最佳的投影矩阵V_opt，使得同类岩心数据样本有最大的类间散度，而不同类岩心数据样本有最小类内散度，并根据找到的最佳投影矩阵V_opt建立所述岩性识别模型对待判岩性数据进行判别。

优选的，在通过广义判别分析，建立所述岩性识别模型的过程中，核函数的核参数通过交叉验证法进行确定。

进一步的，通过广义判别分析，建立所述岩性识别模型的步骤具体包括：

S10建立最优化广义判别分析准则函数：

式中

为类内离散度矩阵，

为类间离散度矩阵；

S20在特征空间F中，为避免维数灾难，对投影后的数据进行内积运算，将所述最优化广义判别分析准则函数等价为：

式中K_w为核类内散度矩阵，K_b为核类间散度矩阵；

S30根据广义瑞利商的极值性质，使最优化广义判别分析准则函数等价于求解广义特征方程，并将求解广义特征方程的特征值和特征向量组成最佳投影矩阵V_opt，建立所述岩性识别模型对待判岩性数据进行判别；其中，所述广义特征方程为：

K_bα＝λK_wα。

进一步的，在步骤S20中，对投影后的数据进行内积运算的公式为：

K(χ_i，χ_j)＝(φ(χ_i)，φ(χ_j))。

本发明的有益效果：

(1)本发明的软件平台建立在图形显示方面实现的三维可视化，增强了直观性。

(2)从选取的岩心数据样本中，通过广义判别分析(GDA)平台建立高精度的岩性识别模型，将未参与模型建立的岩性数据作为检验样本，通过建立的模型可以有效的对未参与模型的岩性数据进行划分，对于难以更好区分的岩性采取分级建立模型进行识别，并将模型应用与其他井的岩性识别中，实现岩性的识别。

(3)发明将核方法与分类算法有效的结合，并通过程序编写完成平台的建立。具有操作简易、节约成本、图形显示直观性强、有效性高等特点，可以更有效的对岩性进行识别。

附图说明

在下文中将基于实施例并参考附图来对本发明进行更详细的描述。在图中：

图1为本发明岩性的分级识别方法的流程图；

图2为本发明未标准化数据的岩性识别效果图；

图3为本发明标准化数据的岩性识别效果图；

图4a为本发明初始岩性识别模型的识别效果图。

图4b为本发明测试样本集验证初始岩性识别模型的识别效果图；

图5a为本发明一级岩性识别模型的识别效果图；

图5b为本发明测试样本集验证一级岩性识别模型的识别效果图；

图6a为本发明二级岩性识别模型的识别效果图；

图6b为本发明测试样本集验证二级岩性识别模型的识别效果图；

图7为本发明未经过分级的初始岩性识别模型和经过分级的一级岩性识别模型以及二级岩性识别模型的识别效果对比图；

图8为本发明核参数的交叉验证结果图；

图9为本发明火山岩岩性识别效果对比图；

图10为本发明致密岩岩性识别效果对比图；

图11为本发明不同方法岩性识别结果对比图；

图12a为本发明火山岩GDA训练模型的识别效果图；

图12b为本发明火山岩测试样本验证训练模型的识别效果图；

图13为本发明X井岩性识别总和解释图。

在附图中，相同的部件使用相同的附图标记。附图并未按照实际的比例描绘。

具体实施方式

下面将结合附图对本发明作进一步说明。

请参阅图1，其为本发明岩性的分级识别方法的流程图。如图所述，本发明主要包括S1对包含k类岩性的岩心数据样本集进行广义判别分析，建立初始岩性识别模型，将初始岩性识别模型未能识别出的b类岩性划分为二级岩性，则岩心数据样本集包含k-b+1类岩性；S2对包含所述k-b+1类岩性的所述岩心数据样本集进行广义判别分析，建立一级岩性识别模型；S3将所述岩心数据样本集中包含所述二级岩性的样本划分为二级岩心数据样本集，对包含所述b类岩性的所述二级岩心数据样本集进行广义判别分析，建立二级岩性识别模型；S4通过所述一级岩性识别模型和二级岩性识别模型完成对整个油气藏的岩性的识别这四大步骤。

在本发明的一个具体实施例中，步骤S1包括两个步骤，第一个步骤为对包含8类岩性(沉凝灰岩、火山岩、蒸发岩、泥岩、白云化沉凝灰岩、泥质白云岩、云质泥岩和砂砾岩)的岩心数据样本集进行广义判别分析，建立初始岩性识别模型。在本步骤中，需要对岩心数据样本集所对应的测井数据进行数据标准化处理。这是由于不同的测井曲线的量纲存在差异，如伽马值一般在0-150API之间，而密度一般在2-3g/cm³之间，会导致不同的岩性样本在分类时无法在同一刻度下进行划分；其次广义判别分析的原则是使分析样本保持类内距最大、类间距最小，其中使用了距离的概念。

本步骤通过数据标准化处理，使得变换后的数据均值为0，方差为1。如图2所示，其为未标准化数据的岩性识别效果图；如图3所示，其为标准化数据的岩性识别效果图。从图中可知，标准化数据的识别效果更好。

步骤S1的第二个步骤为将初始岩性识别模型未能识别出的4类岩性(白云化沉凝灰岩、泥质白云岩、云质泥岩和砂砾岩)划分为二级岩性，则岩心数据样本集包含5类岩性(沉凝灰岩、火山岩、蒸发岩、泥岩和二级岩性)。在本步骤中，所述包含8类岩性的岩心数据样本集还配置有同样包含所述8类岩性的测试样本集，在建立所述初始岩性识别模型后，通过包含所述8类岩性的测试样本集对所述初始岩性识别模型进行验证。

如图4a所示，其为初始岩性识别模型的识别效果图，根据该效果图可知，初始岩性识别模型的正判率为88.5496％；如图4b所示，其为测试样本集验证初始岩性识别模型的识别效果图，根据该效果图可知，初始模型的正判率为84.956％。

根据本实施例，步骤S2对包含所述5类岩性(沉凝灰岩、火山岩、蒸发岩、泥岩和二级岩性)的所述岩心数据样本集进行广义判别分析，建立一级岩性识别模型。在本步骤中，所述包含5类岩性的所述岩心数据样本集还配置有同样包含所述5类岩性的测试样本集，在建立所述一级岩性识别模型后，通过包含所述5类岩性的测试样本集对所述一级岩性识别模型进行验证。

如图5a所示，其为一级岩性识别模型的识别效果图，根据该效果图可知，一级岩性识别模型的正判率为97.5728％；如图5b所示，其为测试样本集验证一级岩性识别模型的识别效果图，根据该效果图可知，一级岩性识别模型的正判率为96.629％。

根据本实施例，步骤S3将所述岩心数据样本集中包含所述二级岩性的样本划分为二级岩心数据样本集，对包含所述4类岩性(白云化沉凝灰岩、泥质白云岩、云质泥岩和砂砾岩)的所述二级岩心数据样本集进行广义判别分析，建立二级岩性识别模型；

在本步骤中，所述包含4类岩性的所述二级岩心数据样本集还配置有同样包含所述4类岩性的测试样本集，在建立所述二级岩性识别模型后，通过包含所述4类岩性的测试样本集对所述二级岩性识别模型进行验证。

如图6a所示，其为二级岩性识别模型的识别效果图，根据该效果图可知，二级岩性识别模型的正判率为95.8333％；如图6b所示，其为测试样本集验证二级岩性识别模型的识别效果图，根据该效果图可知，二级岩性识别模型的正判率为84.375％。

根据本实施例，步骤S4通过所述一级岩性识别模型和二级岩性识别模型，并利用经数据标准化的测井数据(如GR曲线)，对取心的油气藏的岩性进行识别，完成对整个油气藏的岩性的识别。

根据本实施例，如图7所示，其为未经过分级的初始岩性识别模型和经过分级的一级岩性识别模型以及二级岩性识别模型的效果对比图，该效果图显示了，经过分级的经过分级的一级岩性识别模型以及二级岩性识别模型的正判率高于未经过分级的初始岩性识别模型的正判率，本发明通过对岩性进行分级，提高了岩性识别的精度。

需要说明的是，本发明不限于将岩性分为两个级别，本发明根据油气藏岩性的复杂性，还可将岩性分为三个以上级别，将不能很好识别出的岩性不断的进行分级，直到岩心数据样本集中的全部岩性都能够很好的被识别出来。

在本发明中，假设一个包含N个d维的K类岩性样本集S＝{χ₁，χ₂，…χ_N}，其中N为总岩性样本数，d为观测变量数。设N个样本可分为k类，即ω₁，ω₂，…，ω_k，N_j(j＝1，2，…，k)为属于第j类ω_j的样本数，N＝N₁+N₂+…+N_k。

进而的，本发明解决岩性识别问题是将核函数引入到线性判别式分析(LDA)，通过

把岩性样本投影到一个高维的特征空间F中，实现岩性样本的最优分类。即本发明解决岩性识别问题就是通过寻找最佳投影向量v，使得同类岩性的样本有最大的类间散度，而不同类岩性的样本有最小类内散度。即本发明解决岩性识别问题就是通过最优化广义判别分析(GDA)准则函数找到一个最优的投影矩阵V_opt，并根据找到的最佳投影矩阵V_opt建立岩性识别模型对待判岩性数据进行判别。

由于本发明需要用到核函数，因此，本发明首先需要对核参数进行确定。合适的核参数(sigma)对于样本在映射到特征空间的分布状态，使得样本如何更好的线性区分，提高学习精度起着至关重要的作用。

在本发明中，核参数的确定使用了经典的交叉验证法，该方法是用来验证分类器的性能一种统计分析方法，基本思想是把在某种意义下将原始数据进行分组，一部分做为训练集，另一部分做为验证集，首先用训练集对分类器进行训练，在利用验证集来测试训练得到的模型，以此来做为评价分类器的性能指标。下面以具体实例进行说明。

实施例：

将研究区全部数据样本分成5折，抽取其中4折作为训练样本，剩余的1折作为测试数据，每折数据均要做一次测试数据，然后这五次测试数据的正判率均值作为该核参数对应的正判率。选取平均正判率最大时对应的sigma作为核函数的参数。根据图8分析可知，sigma＝1.3时可作为核参数的正判率值。

根据本发明，通过广义判别分析，建立岩性识别模型的步骤具体步骤为：

S10建立最优化广义判别分析准则函数：

特征中间F中可定义总体散度矩阵S_t为：

类内离散度矩阵S_w为：

类间离散度矩阵S_b为：

S_t、S_w和S_b均为非负定矩阵，三者之间关系也可表示为：

其中，

为第j类的第i个样本的投影值，m^φ为总体的平均值向量，ω_j类的样本平均值向量为

即解决岩性识别问题通过最优化GDA准则函数可表达为：

其中，

为类内离散度矩阵，

为类间离散度矩阵。

S20在特征空间F中，为避免维数灾难，对投影后的数据进行内积运算，并对最优化广义判别分析准则函数(5)进行等价代换：

由于特征空间F维数很高或者无穷维的，最大的障碍则是在高维特征空间运算时存在的“维数灾难”，对得到最优判别向量造成阻碍，而采用核技巧可以有效地解决这个问题，对投影后的数据进行内积运算，从而避免“维数灾难”，其中，内积运算公式为：

K(χ_i，χ_j)＝(φ(χ_i)，φ(χ_j)) (6)；

根据在生核理论，任何一个最优化准则函数的解向量v一定位于由特种空间F中的数据φ(χ₁)，φ(χ₂)，…，φ(χ_N)所成的空间内：

特征空间F中把任一测试样本χ投影到v上有：

记ξ_χ＝(K(χ，χ₁)，K(χ，χ₂)，...，K(χ，χ_N))，在特征空间F把类内均值

(式9)和m^φ投影到v上有(式10)：

便可得到投影后的类内均值μ_i(式11)和总体均值μ₀(式12)，再定义核类内散度矩阵K_w(式13)和核类间散度矩阵K_b(式14)后，在高维特征空间F中的判别准函数(式5)等价于(式15)：

式中K_w为核类内散度矩阵，K_b为核类间散度矩阵；

S30根据广义瑞利商的极值性质，使最优化广义判别分析准则函数(15)等价于求解广义特征方程(16)，并将求解广义特征方程的特征值和特征向量组成最佳投影矩阵V_opt，建立岩性识别模型对待判岩性数据进行判别；

其中，所述广义特征方程为：

K_bα＝2K_wα (16)。

本发明将数学方法与测井信息有效结合，通过MATLAB编程形成岩性识别软件平台，为复杂岩性油气藏中的岩性识别提供有利保障。多井应用后均被测试结论所证明，在复杂岩性油气藏的应用中取得了良好的效果。

本发明通过应用多种岩性识别方法对岩性进行识别，并对不同方法的岩性识别效果进行对比，显示了本发明所述的岩性的分级识别方法在岩性识别技术中的进步。

如图9所示，其为火山岩岩性识别效果对比图，该图显示了应用广义判别分析方法对岩性进行识别的正判率明显好于其他方法。

如图10所示，其为致密砂岩岩性识别效果对比图，该图显示了应用广义判别分析方法对岩性进行识别的正判率明显好于其他方法。

本发明将560个数据样本，随机抽取70％的数据点作为训练样本，另外30％的数据点作为测试样本，核参数sigma＝1.3，本发明运用不同的岩性识别方法对数据样本进行岩性识别，每种岩性识别方法均进行20次识别，取正判率的平均值作为结果数据，实验结果统计如表1和图11所示：

表1 不同方法岩性识别结果统计表

从表1和图11中可以看出，将核函数引入到线性判别式分析中的广义判别分析方法对岩性识别率提高了近20％，正判率均值较高，标准差均低于其它方法，说明核方法提取分类特征的能力较好，算法健壮性好。

如图12a所示，其为火山岩GDA训练模型的识别效果图，如图12b所示，其为火山岩测试样本验证训练模型的识别效果图。根据图12a-12b可知，广义判别分析对岩性识别具有很好的正判率。

如图13所示，其为X井岩性识别综合解释图。X井剖面上主要有4类岩性：粗面岩、凝灰岩、安山岩和正长斑岩。广义判别分析方法岩性识别结果与录井信息吻合较好，同时也证明了该方法对岩性识别的实用性及有效性。

本发明首次利用核方法作为一种分类模块，线性判别式分析作为分类工具，引入到岩性识别中，这样有助于将线性不可分的复杂岩性数据投影到高维度空间，在高维度空间实现岩性数据的线性可分，较其它岩性识别方法还可以进行图形化显示，易于分析不同岩性间的关系，小类样本进行分级别的建立模型可有效提高判别精度。

本发明所述的方法在复杂岩性油气藏的岩性识别应用中取得了良好的效果。本发明所述的方法所具有的优势：(1)无需知道非线性变换函数，可以实现从低维到高维的映射；(2)可以使低维失效的线性方法复活，可以较好的解决一些线性不可分问题；(3)核函数的计算量与特征空间的维数无关，可以避免维数灾难。(4)分级别的广义判别分析岩性模型建立可进一步提高岩性识别效果。

虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (10)

1.一种岩性的分级识别方法，其特征在于，包括以下步骤：

S1对包含k类岩性的岩心数据样本集进行广义判别分析，建立初始岩性识别模型，将所述初始岩性识别模型未能识别出的b类岩性划分为二级岩性，则所述岩心数据样本集包含k-b+1类岩性；

S2对包含所述k-b+1类岩性的所述岩心数据样本集进行广义判别分析，建立一级岩性识别模型；

S3将所述岩心数据样本集中包含所述二级岩性的样本划分为二级岩心数据样本集，对包含所述b类岩性的所述二级岩心数据样本集进行广义判别分析，建立二级岩性识别模型；

S4通过所述一级岩性识别模型和二级岩性识别模型完成对整个油气藏的岩性的识别。

2.根据权利要求1所述的岩性的分级识别方法，其特征在于，在步骤S1中，在对包含k类岩性的岩心数据样本集进行广义判别分析之前，对所述岩心数据样本集所对应的测井数据进行数据标准化处理。

3.根据权利要求1所述的岩性的分级识别方法，其特征在于，在步骤S1中，所述包含k类岩性的岩心数据样本集还配置有同样包含所述k类岩性的测试样本集，在建立所述初始岩性识别模型后，通过包含所述k类岩性的测试样本集对所述初始岩性识别模型进行验证。

4.根据权利要求1所述的岩性的分级识别方法，其特征在于，在步骤S2中，包含所述k-b+1类岩性的所述岩心数据样本集还配置有同样包含所述k-b+1类岩性的测试样本集，在建立所述一级岩性识别模型后，通过包含所述k-b+1类岩性的测试样本集对所述一级岩性识别模型进行验证。

5.根据权利要求1所述的岩性的分级识别方法，其特征在于，在步骤S3中，包含所述b类岩性的所述二级岩心数据样本集还配置有同样包含所述b类岩性的测试样本集，在建立所述二级岩性识别模型后，通过包含所述b类岩性的测试样本集对所述二级岩性识别模型进行验证。

6.根据权利要求1-5中任一项所述的岩性的分级识别方法，其特征在于，通过广义判别分析，建立上述所有的岩性识别模型的步骤均为：

通过映射

把岩心数据样本投影到一个高维的特征空间F中，找到最佳投影向量v，使得同类岩心数据样本有最大的类间散度，而不同类岩心数据样本有最小类内散度，并根据找到的最佳投影向量v建立所述岩性识别模型对待判岩性数据进行判别。

7.根据权利要求6所述的岩性的分级识别方法，其特征在于，通过广义判别分析，建立所述岩性识别模型的步骤具体为：

通过最优化广义判别分析准则函数找到一个最佳的投影矩阵V_opt，使得同类岩心数据样本有最大的类间散度，而不同类岩心数据样本有最小类内散度，并根据找到的最佳投影矩阵V_opt建立所述岩性识别模型对待判岩性数据进行判别。

8.根据权利要求7所述的岩性的分级识别方法，其特征在于，在通过广义判别分析，建立所述岩性识别模型的过程中，核函数的核参数通过交叉验证法进行确定。

9.根据权利要求7所述的岩性的分级识别方法，其特征在于，通过广义判别分析，建立所述岩性识别模型的步骤具体包括：

S10建立最优化广义判别分析准则函数：

式中

为类内离散度矩阵，

为类间离散度矩阵；

S20在特征空间F中，为避免维数灾难，对投影后的数据进行内积运算，将所述最优化广义判别分析准则函数等价为：

式中K_w为核类内散度矩阵，K_b为核类间散度矩阵；

S30根据广义瑞利商的极值性质，使最优化广义判别分析准则函数等价于求解广义特征方程，并将求解广义特征方程的特征值和特征向量组成最佳投影矩阵V_opt，建立所述岩性识别模型对待判岩性数据进行判别；其中，所述广义特征方程为：

K_bα＝λK_wα。

10.根据权利要求9所述的岩性的分级识别方法，其特征在于，在步骤S20中，对投影后的数据进行内积运算的公式为：

K(χ_i，χ_j)＝(φ(χ_i)，φ(χ_j))。

Images