聚类分析方法在测井曲线重构中的应用

测井曲线基本原理及其应用测井曲线基本原理及其应用一．国产测井系列1、标准测井曲线2．5m底部梯度视电阻率曲线。

地层对比，划分储集层，基本反映地层真电组率。

恢复地层剖面。

自然电位（SP）曲线。

地层对比，了解地层的物性，了解储集层的泥质含量。

2、组合测井曲线（横向测井）含油气层（目的层）井段的详细测井项目。

双侧向测井（三侧向测井）曲线。

深双侧向测井曲线，测量地层的真电组率（RT），试双侧向测井曲线，测量地层的侵入带电阻率（RS）。

0．5m电位曲线。

测量地层的侵入带电阻率。

0.45m底部梯率曲线，测量地层的侵入带电阻率，主要做为井壁取蕊的深度跟踪曲线。

补偿声波测井曲线。

测量声波在地层中的传输速度。

测时是声波时差曲线（AC）自然电位（SP）曲线。

井径曲线（CALP）。

测量实际井眼的井径值。

微电极测井曲线。

微梯度（RML），微电位（RMN），了解地层的渗透性。

感应测井曲线。

由深双侧向曲线计算平滑画出。

[L/RD]*1000=COND。

地层对比用。

3、套管井测井曲线自然伽玛测井曲线（GR）。

划分储集层，了解泥质含量，划分岩性。

中子伽玛测井曲线（NGR）划分储集层，了解岩性粗细，确定气层。

校正套管节箍的深度。

套管节箍曲线。

确定射孔的深度。

固井质量检查（声波幅度测井曲线）二、3700测井系列1、组合测井双侧向测井曲线。

深双侧向测井曲线，反映地层的真电阻率（RD）。

浅双侧向测井曲线，反映侵入带电阻率（RS）。

微侧向测井曲线。

反映冲洗带电阻率（RX0）。

补偿声波测井曲线（AC），测量地层的声波传播速度，单位长度地层价质声波传播所需的时间（MS/M）。

反映地层的致密程度。

补偿密度测井曲线（DEN），测量地层的体积密度（g/cm3），反映地层的总孔隙度。

补偿中子测井曲线（CN）。

测量地层的含氢量，反映地层的含氢指数（地层的孔隙度%）自然电位曲线（SP）自然伽玛测蟛曲线（GR），测量地层的天然放射性总量。

划分岩性，反映泥质含量多少。

第53卷 第8期 2023年8月中国海洋大学学报P E R I O D I C A LO FO C E A N U N I V E R S I T YO FC H I N A53(8):086~092A u g.,2023基于U -N e t 神经网络的声波测井曲线重构❋李枫林1,刘怀山1,2❋❋,杨熙镭1,赵明鑫1,杨 宸1,张罗成1(1.中国海洋大学海洋地球科学学院,山东青岛266100;2.中国海洋大学海底科学与探测技术教育部重点实验室,山东青岛266100)摘 要: 本文提出了一种基于U -N e t 神经网络的声波测井曲线重构方法㊂通过编码器提取自然伽马(G R )㊁密度(R H O B )等测井曲线的数据特征,利用解码器建立数据特征与声波测井曲线之间的映射关系,实现了声波测井曲线的精准重构㊂实验结果表明,该方法在保留原始声波测井低频信息的基础上,兼顾了输入测井曲线的高频特征,实现了对原始声波测井泥岩层段数据噪音的有效压制,在渤中凹陷东南环测井数据重构中取得了良好的效果,验证了该方法较高的精度和实用性㊂关键词: 声波测井曲线;测井曲线重构;U -N e t 模型;深度学习;卷积神经网络中图法分类号: P 631.4 文献标志码: A 文章编号: 1672-5174(2023)08-086-07D O I : 10.16441/j.c n k i .h d x b .20220239引用格式: 李枫林,刘怀山,杨熙镭,等.基于U -N e t 神经网络的声波测井曲线重构[J ].中国海洋大学学报(自然科学版),2023,53(8):86-92.L i F e n g l i n ,L i uH u a i s h a n ,Y a n g Xi l e i ,e t a l .R e c o n s t r u c t i o n o f a c o u s t i c c u r v e b a s e d o nU -N e t n e u r a l n e t w o r k [J ].P e r i o d i c a l o fO c e a nU n i v e r s i t y of C h i n a ,2023,53(8):86-92. ❋ 基金项目:国家自然科学基金项目(91958206)资助S u p p o r t e d b yt h eN a t i o n a l N a t u r a l S c i e n c e F o u n d a t i o n o f C h i n a (91958206)收稿日期:2022-04-25;修订日期:2022-05-17作者简介:李枫林(1997 ),男,硕士,研究方向为地震资料处理㊂E -m a i l :l i f e n gl i n @s t u .o u c .e d u .c n ❋❋ 通讯作者:E -m a i l :l h s @o u c .e d u .c n声波测井曲线数据在地震地质标定和波阻抗反演中起着非常重要的作用[1]㊂然而,实际工作中由于受到泥浆浸泡㊁井筒污染㊁地层压实程度及测井仪器等多种因素的影响,声波测井曲线数据部分信息失真或被噪音数据掩盖,难以真实反映地下地层岩性变化,影响后续地球物理工作的开展[2],而重新钻探和测井不仅费用高昂且缺乏现实可行性㊂为此,探索声波测井曲线重构方法具有重要的现实意义㊂理论上可以通过测井曲线之间的内在关系,用多元回归分析的方法把畸变失真的曲线校正到真实的测量范围[3-4],但复杂的地下地质情况很难用简单的曲线相关关系来表达,故基于统计分析的常规测井曲线重构方法难以满足储层精细描述与精确解释的需要㊂近年来,随着深度学习方法在各个领域的广泛应用,利用数据驱动的方法解决之前难以解决的地质问题也成为了一种趋势[5-8]㊂本文利用的U -N e t 神经网络由R o n n e b e r ge r 等[9]在2015年提出,最初用于医疗图像分割任务㊂在地球物理勘探领域,丁建群等[10]基于U -N e t 网络进行了地震初至拾取方法的相关研究㊂W u 等[11]改进了U -N e t 模型,充分利用了三维地震数据特征进行地震断层识别;L i u 等[12]在U -N e t 模型的基础上引入残差模块,进一步提高了断层识别的精度㊂在测井曲线重构方面,杨志力等[13]基于B P 神经网络综合多条测井曲线信息对声波测井曲线进行重构㊂金永吉等[14]在传统B P 神经网络的基础上引入了遗传算法提高了B P 神经网络曲线重构精度㊂郑庆伟等[15]将聚类分析方法应用到了测井曲线重构中,利用该方法对测井曲线进行了保真重构;王俊等[16]兼顾了测井数据前后信息㊁储层深度信息之间的关联性,利用G R U神经网络对纵波曲线进行了预测;张海涛等[17]基于B i -L S T M 神经网络通过增加网络深度的方式增强了网络的表达能力,并评估了四种模型的曲线重构效果㊂测井曲线重构方法在深度学习技术的加持下相较于传统方法已经取得了长足的进步,然而上述方法在应用过程中存在对数据噪音的容忍度低㊁在复杂地质环境情况下的曲线重构精度低等问题,同时在曲线重构流程上未进行系统的重构效果分析,仅停留在神经网络学习效果分析与基本曲线对比㊂本文提出了一种基于U -N e t 网络的声波测井曲线重构方法和一套以深度学习技术为核心的测井曲线重构分析流程㊂利用U -N e t 网络高效的数据特征提取与映射的能力,建立自然伽马(G R )㊁密度(R H O B)等输入测井曲线与声波测井曲线之间的非线性映射关系,实现了声波测井曲线的精准重构㊂实验结果分析表明,Copyright ©博看网. All Rights Reserved.8期李枫林,等:基于U -N e t 神经网络的声波测井曲线重构U -N e t 网络在渤中凹陷东南环区域进行的声波测井曲线重构应用上取得了较好的效果㊂1 测井曲线重构理论与流程1.1数据集预处理与构建1.1.1测井曲线标准化 由于研究区内各测井的完钻时间㊁钻井设备㊁钻井技术存在一定差异,导致测井曲线存在系统误差,使得部分地下地质特征差异被掩盖,无法进行准确的弹性参数交会分析㊂针对这一情况,需要首先结合研究区测井数据质量情况,选择目的层段范围内扩径影响小㊁底层特征稳定㊁具备标志性岩性特征的井位数据,以该井位测井数据为基准对其他测井曲线利用频率直方图的形式进行标准化[18-19]㊂从而消除各测井曲线之间的系统误差,使得研究区内所有具有相似沉积背景的测井曲线拥有相似的分布特征㊂1.1.2曲线校正与归一化 为避免某条测井曲线的值主导整体声波测井曲线重构过程,不同曲线之间的权重差异过大影响神经网络训练过程的稳定性㊂需要保证研究区各条输入测井曲线具有统一的量纲,为此对输入网络的测井数据进行两个步骤的处理:一是对曲线在深度上存在的问题进行校正,比如泥岩基线校正等;二是采用以下方式对曲线数据进行统一的归一化处理:X i =x i -x m i nx m a x -x m i n㊂(1)其中:x i 为原测井曲线各样点值;x m a x 和x m i n 为选取测井曲线的最大值和最小值;X i 为归一化后的测井曲线各样点值㊂1.1.3数据集构建 在数据集构建过程中对不同性质的井位划分为测井曲线标准井(后称标准井)与网络模型泛化应用井(后称泛化井)两种类型㊂采用固定时窗随机取样的方法提取标准井非扩径段数据作为训练集数据,包括自然伽马(G R )㊁密度(R H O B )㊁自然电位(S P)等五条测井曲线㊂将标准井与泛化井全井段测井曲线数据采用与训练集相同时窗㊁相同曲线顺序取样的方法构建测试集,以便于后续网络模型的应用分析㊂1.2神经网络架构本文采用的U -N e t 网络如图1所示,主要由卷积层㊁池化层㊁反卷积层组成,五条测井曲线组成的5通道训练集数据组成网络输入,声波测井曲线作为网络输出㊂网络左侧为编码过程,利用卷积层与池化层进行将输入缩小为原来的1/2,数据通道扩展为原来的2倍,同时提取数据特征;网络右侧为解码过程,利用多组反卷积将数据扩展为原来的2倍,通道缩小为原来的1/2,然后通过c o n c a t e n a t e 函数将解码过程产生的特征图与编码过程提取的特征图进行组合,建立输入测井曲线数据与目标声波测井曲线之间的非线性映射关系,网络解码编码过程的卷积组数保持严格一致㊂通过U -N e t 网络对训练集进行训练,可以获得一个相对稳定的声波测井曲线重构参数模型,从而能够利用该模型对研究区其他井位数据进行声波测井曲线重构研究㊂图1 U -N e t 网络结构示意图F i g .1 S c h e m a t i c d i a gr a mo fU -N e t n e t w o r k s t r u c t u r e 1.3测井曲线重构的验证与分析为了尽可能准确地评价声波测井曲线重构效果,针对重构声波测井曲线,本文从以下三个方面进行定性与定量的分析㊂1.3.1曲线对比分析 以测井解释层位为基准,对比分析重构前后声波测井曲线在目的层段整体趋势走向㊁曲线异常值校正㊁砂泥岩薄互层位处曲线分辨率㊁曲线与测井解释层位匹配等问题㊂78Copyright ©博看网. All Rights Reserved.中 国 海 洋 大 学 学 报2023年1.3.2岩石物理交会分析 交会图法是一种快速直观解释岩性的方法,由于其形象直观的特性,适合嵌入测井曲线重构流程中的效果分析部分㊂以重构前后的声波数据与密度数据建立交会图,通过分析测井解释结果约束下的砂泥岩数据分布,判断重构前后曲线在岩性识别中的效果,可以比较直观的说明重构过程对于声波测井曲线的影响㊂1.3.3相关性分析 在进行声波测井曲线重构后,需要利用皮尔逊系数对重构前后的曲线进行相关性分析㊂相应的皮尔逊相关系数公式为:F R X A C ,X U n e t A C ()=ðX A C X U ne t A C -ðX A C ðX U n e t A C NðX 2A C -ðX A C ()2N æèçöø÷ðX 2U n e t A C -ðX U n e t A C ()2Næèçöø÷㊂(2)其中:X A C 为原始声波测井曲线;X U n e t A C 为重构声波测井曲线;N 为曲线样本点总数;R X A C ,X U n e t A C ()为原始声波测井曲线和重构声波测井曲线的相关系数,范围为-1到1㊂当两条曲线的相关系数为1时表示完全正相关,-1表示完全负相关,值为0表示两条曲线之间没有任何关系㊂1.4测井曲线重构的工作流程本文声波测井曲线重构包含四个步骤,具体流程图如图2所示㊂图2 曲线重构步骤流程图F i g .2 F l o wc h a r t o f c u r v e -r e c o n s t r u c t i o n s t e ps (1)划分标准井与泛化井,分别进行数据预处理,对已处理测井曲线数据划分训练集和测试集㊂(2)确定U -N e t 神经网络结构及算法参数㊂(3)采用训练集对神经网络进行训练,利用标准井测试集检验模型重构效果,进行曲线验证分析,若满足要求则进入步骤4,否则返回步骤2,调整网络参数,直到满足重构要求㊂(4)利用训练好的模型对泛化井测试集进行重构实验,得到对应泛化井声波测井曲线㊂2 网络训练与重构效果分析本文实验数据来源于渤中凹陷东南环,该区域储层发育特征复杂,测井资料时间跨度长,测井设备种类复杂㊂由于目的层段埋深较浅,在钻井过程中,出现井壁塌陷㊁泥浆浸泡等问题,目的层段存在严重的欠压实效应,不同含流体特征砂岩及围岩测井弹性参数数值范围重合,难以进行有效区分㊂依据研究区测井数据质量情况,结合标准井选取原则,最终选择研究区A 1井作为标准井进行神经网络训练㊂目的层段测井曲线对应深度为900~1300m ,数据采样间隔为0.125m ㊂利用固定时窗随机取样的方法构建大小为64的256组5通道数据集,损失函数采用M S E l o s s 算法,优化算法采用A d a m 算法,学习率设置为10-4㊂图3为对数据集进行训练的趋势图,可见训练误差在100次迭代之前迅速减小,在400次迭代之后趋近于0,达到所设定的训练精度㊂图3 训练收敛趋势图F i g .3 T r a i n i n gt r e n d c h a r t 神经网络输入与输出曲线如图4所示,包括自然伽马曲线(G R )㊁深侧向电阻率曲线(R D )㊁热中子孔隙曲线(T N P H )㊁密度曲线(R H O B )㊁自然电位曲线(S P ),网络输出为重构声波测井曲线(U n e t A C )㊂虽然不同的测井曲线具有不同的地球物理响应,但总体反映的是同一地质体,因此声波测井曲线与其它的测井曲线之间也存在某种映射关系,这种关系就给声波测井曲线重构带来了可能㊂88Copyright ©博看网. All Rights Reserved.8期李枫林,等:基于U -N e t神经网络的声波测井曲线重构图4 网络输入-输出测井曲线F i g .4 N e t w o r k i n p u t -o u t p u t l o gs 图5为A 1标准井测井曲线重构效果对比图,A C 为原始声波测井曲线,U n e t A C 为重构声波测井曲线,C A L 为井径曲线㊂对原始声波测井曲线A C 与重构声波测井曲线U n e t A C 进行相关性分析后得相关系数:R =0.896㊂在深度900~940m 的泥岩层段,原始声波测井曲线出现了强烈的数值跳跃现象,重构声波测井曲线更为稳定㊁一致,更符合该层位的地质规律;在深度990m ㊁深度1155m 处,受扩径影响,原始声波测井曲线出现较大异常值,重构声波测井曲线在该层位处曲线数值基本恢复正常;在深度950㊁1220m 砂泥岩薄互层处,重构声波测井曲线的泥岩低值与砂岩高值对比更为明显,对砂泥岩薄互层的指示效果相比原始曲线更好㊂在对重构前后曲线的分析中可以看出:重构声波测井曲线在与原始声波测井曲线整体趋势基本一致的基础上,在层位分界面处的分辨率更高,在泥岩段更加波动更小,基本避免了数值跳跃,在砂泥岩薄互层段的区分更为突出,相比于原始曲线更加符合地质规律㊂图6是以A 1标准井声波测井数据与密度测井数据为基础建立的交会图㊂原始曲线交会图(见图6(a )),A C -R H O B 的交会分布呈现散乱的状态,部分散点分布出现了明显的偏离,泥岩散点位分布范围为90~135μs /f t ,砂岩散点位分布范围为110~145μs /f t ,泥岩点位与砂岩点位分布难以区分;在对曲线进行重构之后(见图6(b )),U n e t A C -R H O B 的交会分布得到明显的改善,泥岩散点位分布范围为90~125μs /f t,砂岩散点位分布范围为125~145μs /f t,砂泥岩速度分图5 A 1标准井测井曲线重构效果图F i g .5 E f f e c t d i a g r a mo fw e l l A 1l o g g i n g cu r v e r e c o n s t r u c t i on 图6 A 1井重构前后声波-密度交会图F i g .6 C r o s s p l o t o f a c o u s t i c -d e n s i t y be f o r e a n d a f t e r r e c o n s t r u c t i o n o fw e l l A 198Copyright ©博看网. All Rights Reserved.中 国 海 洋 大 学 学 报2023年布区间更为合理,数据点位更加集中,偏离正常范围的数据也得以收束㊂说明对存在问题数据的声波测井曲线进行重构后,能够有效改善声波测井曲线质量,同时仍然能够基本保留地下岩性及含流体特征变化带来的曲线特征差异㊂3 实际数据应用与效果分析泛化井A 5㊁A 6㊁A 7位于标准井A 1附近,测井曲线种类与A 1井相同,但相比于A 1井,受欠压实效应影响更为严重,声波数据部分失真㊂3.1测井数据预处理图7是以声波㊁密度㊁自然伽马三条测井曲线为例,A 1井为标准井,对A 5㊁A 6㊁A 7井进行标准化前后的频率直方图对比㊂经过标准化处理,声波测井曲线(A C )的数值范围由77.84~157.37μs /f t 统一到了78.17~157.37μs /f t (见图7(a )和7(b )),密度(R H O B )的范围由1.31~2.53g /c m 3统一到了1.94~2.53g /c m 3(见图7(c )和7(d )),自然伽马(G R )的范围由68.41~215.35A P I 统一到了68.17~133.56A P I (见图7(e )和7(f ))㊂进行标准化处理之后,4口井的数值分布范围趋于统一,不同测井之间的系统误差得到一定程度地改善㊂3.2测井曲线重构效果分析在进行研究区目的层段数据特征提取的基础上,利用泛化井测井数据进行声波测井曲线重构实验㊂由于篇幅有限,文中仅以A 7井的实验结果为例进行重构图7 不同井位标准化前后数据频率直方图F i g .7 D a t a f r e q u e n c y h i s t o gr a mb e f o r e a n d a f t e r n o r m a l i z a t i o n f o r d i f f e r e n tw e l l 09Copyright ©博看网. All Rights Reserved.8期李枫林,等:基于U -N e t 神经网络的声波测井曲线重构效果分析㊂图8为A 7井测井曲线重构效果对比图,原始声波测井曲线A C 与重构声波测井曲线U n e t A C 的相关系数:R =0.734,表明重构曲线保留了泛化井原始声波测井曲线一部分特征的同时对曲线进行了相当程度地修正㊂在深度990㊁1011㊁1040m 处,重构声波测井曲线相比于原始曲线对于砂岩层段的响应更为明显;在1060~1110m 扩径泥岩层段,重构声波测井曲线消除了数值跳跃影响,相比于原始曲线更为稳定,更符合泥岩层段速度规律;在1110~1150m 的厚砂岩层段,原始声波测井曲线不清晰㊁不突出,厚砂岩层段难以和上下层段区分,重构声波测井曲线在消除了上下泥岩层段数值跳跃的影响之后对厚砂岩层段反映更为清晰;在深度1150m 处,相比于原始曲线,重构声波测井曲线在该扩径砂岩层段产生了较大的奇异值;在1170m 处,重构声波测井曲线校正了原始曲线的异常值㊂图8 A 7井测井曲线重构效果图F i g .8 E f f e c t d i a gr a mo fw e l l A 7l o g g i n g cu r v e r e c o n s t r u c t i o n 如图9所示,对A 7泛化井以声波测井曲线数据与密度曲线数据为基础建立交会图㊂与A 1标准井重构后岩石物理交会图类似,对A 7泛化井进行声波测井曲线重构后,U n e t A C -R H O B 分布效果得到明显的改善㊂原始测井曲线交会图(见图9(a))中砂岩声波分布更为散乱,在120~140μs /f t 范围内分布大量泥岩声波高值;在声波125μs /f t 附近,砂岩密度分散分布于1.8~2.2g /c m3之间范围;泥岩声波值与砂岩声波值在密度2.1~2.25g /c m3范围内数据,这些现象明显不符合地质规律认识㊂在对曲线进行重构之后(见图9(b)),泥岩声波值集中在95~120μs /f t,砂岩声波值集中在110~135μs /f t,数据分布相比重构之前更为集中㊂总的来说,重构声波测井曲线相比于原始声波测井曲线,砂泥岩点位分布相比原始曲线更为集中,原始曲线的泥岩声波高值得到一定程度的修正,砂泥岩速度分布更为符合实际地质规律认识㊂而网络模型的迁移应用也带来了部分问题:数据驱动的方法过分依赖于输入数据的质量,强烈扩径现象对自然伽马(G R )等输入曲线数据产生的巨大影响,造成了重构声波测井曲线在深度1150m 层段(见图8)产生范围155~165μs /f t 的部分奇异值点位㊂图9 A 7井重构前后声波-密度交会图F i g .9 C r o s s p l o t o f a c o u s t i c -d e n s i t y be f o r e a n d a f t e r r e c o n s t r u c t i o n o fw e l l A 74 结论(1)本文提出了一套以深度学习技术为核心的声波测井曲线重构流程㊂该流程从固定时窗随机取样的标准井数据出发,通过U -N e t 神经网络提取测井曲线数据的数据特征,将其应用于实际声波测井曲线重构㊂19Copyright ©博看网. All Rights Reserved.中国海洋大学学报2023年实验结果表明,研究区域重构声波测井曲线整体趋势保持和原始声波测井曲线基本一致的同时,相较于原始曲线,重构的测井曲线更加符合地层的真实情况㊂(2)本文中U-N e t神经网络的使用避免了常规测井曲线重构过程中的复杂计算,其网络中的编码-解码过程能够高效地利用训练集数据进行网络训练,在声波测井曲线重构的实验中证明了该网络进行测井数据间特征提取的准确性㊁实用性㊂参考文献:[1]朱国军.声波曲线重构技术在储层预测中的应用[J].物探化探计算技术,2017,39(3):383-387.Z h uG u o j u n.A p p l i c a t i o no f a c o u s t i c c u r v e r e c o n s t r u c t i o n i n r e s e r-v o i r p r e d i c t i o n[J].C o m p u t i n g T e c h n i q u e s f o rG e o p h y s i c a l a n dG e-o c h e m i c a l E x p l o r a t i o n,2017,39(3):383-387.[2]贺懿,刘怀山,毛传龙,等.多曲线声波重构技术在储层预测中的应用研究[J].石油地球物理勘探,2008(5):549-556.H eY i,L i uH u a i s h a n,M a oC h u a n l o n g,e t a l.S t u d y o n a p p l i c a t i o n o fm u l t i-c u r v e s o n i c r e c o n s t r u c t i v e t e c h n i q u e i n p r e d i c t i o n o f r e s e r-v o i r[J].O i l G e o p h y s i c a l P r o s p e c t i n g,2008(5):549-556. [3]廖茂辉.多元回归方法校正扩径对密度曲线声波曲线的影响[J].物探与化探,2014,38(1):174-179,184.L i a oM a o h u i.T h e a p p l i c a t i o n o fm u l t i p l e r e g r e s s i o nm e t h o d t o t h e c a l i b r a t i o n o f t h e i n f l u e n c eo f h o l e e n l a r g e m e n t o nd e n s i t y a n da-c o u s t i c l o g s[J].G e o p h y s i c a l a n dG e o c h e m i c a lE x p l o r a t i o n,2014, 38(1):174-179,184.[4]E s k a n d a r i H,R e z a e eMR,M o h a m m a d n i a.A p p l i c a t i o n o f m u l t i p l e r e g r e s s i o n a n d a r t i f i c i a l n e u r a l n e t w o r k t e c h n i q u e s t o p r e d i c t s h e a r w a v ev e l o c i t y f r o m w i r e l i n el o g d a t af o rac a r b o n a t er e s e r v o i r S o u t h-W e s t I r a n[J].C a n a d i a nS o c i e t y o fE x p l o r a t i o n G e o p h y s i-c i s t s,2004,29(7):42-48.[5]宋建国,李赋真,徐维秀,等.改进的神经网络级联相关算法及其在初至拾取中的应用[J].石油地球物理勘探,2018,53(1):8-16. S o n g J i a n g u o,L i F u z h e n,X u W e i x i u,e t a l.A n i m p r o v e dn e u r a l-n e t w o r k c a s c a d e-c o r r e l a t i o n a l g o r i t h ma n d i t s a p p l i c a t i o n i n s e i s m i c f i r s t b r e a k p i c k i n g[J].O i l G e o p h y s i c a l P r o s p e c t i n g,2018,53(1): 8-16.[6]杨熙镭,刘怀山.基于曲波噪声估计的K-S V D字典学习地震资料去噪[J].工程地球物理学报,2021,18(4):445-452.Y a n g X i l e i,L i uH u a i s h a n.K-S V Dd i c t i o n a r y l e a r n i n g s e i s m i c d a t a d e n o i s i n g t e c h n i q u e b a s e d o n c u r v e l e t n o i s e e s t i m a t i o n[J].C h i n e s e J o u r n a l o f E n g i n e e r i n g G e o p h y s i c s,2021,18(4):445-452. [7]李林伟,彭崯,童思友,等.L S T M神经网络在地震资料初至拾取中的应用[J].中国海洋大学学报(自然科学版),2022,52(2):87-93.L i L i n w e i,P e n g Y i n,T o n g S i y o u,e ta l.Af i r s tb r e a k p i c k i n g m e t h o d i n s e i s m i c p r o s p e c t i n g u s i n g L S T Mr e c u r r e n t n e t w o r k s[J].P e r i o d i c a l o fO c e a nU n i v e r s i t y o f C h i n a,2022,52(2):87-93.[8]范帅,邢磊,李倩倩.基于迭代收缩阈值网络的地震数据重构研究[J].工程地球物理学报,2021,18(6):873-880.F a n S h u a i,X i n g L e i,L iQ i a n q i a n.S t u d y o ns e i s m i cd a t ar e c o n-s t r u c t i o n b a s e do n i t e r a t i v e s h r i n k a g e t h r e s h o l dn e t w o r k[J].C h i-n e s e J o u r n a l o f E n g i n e e r i n gG e o p h y s i c s,2021,18(6):873-880.[9] R o n n e b e r g e rO,F i s c h e rP,B r o xT.U-N e t:C o n v o l u t i o n a lN e t-w o r k s f o rB i o m e d i c a l I m a g eS e g m e n t a t i o n[C].[s.l.]:M e d i c a lI m a g e C o m p u t i n g a n d C o m p u t e r-A s s i s t e d I n t e r v e n t i o n,2015:234-241.[10]丁建群,何永清,郭锐,等.基于U-N e t网络的地震数据初至自动拾取方法[C].[s.l.]:2019年油气地球物理学术年会论文集, 2019:132-136.D i n g JQ,H eYQ,G u oR,e t a l.A m e t h o d o f s e i s m i c d a t a f i r s ta r r i v a l a u t o m a t i c p i c k u pb a s e d o nU-N e t n e t w o r k[C].[s.l.]:P r o-c e ed i n g s o f t h e2019a c a de m i c c o nf e r e n c e o n p e t r o l e u mg e o ph y s-i c s,2019:132-136.[11]W uX i n m i n g,L i a n g L u m i n g,S h iY u n z h i,e ta l.F a u l t S e g3D:U s i n g s y n t h e t i cd a t as e t st ot r a i na ne n d-t o-e n dc o n v o l u t i o n a ln e u r a l n e t w o r k f o r3Ds e i s m i c f a u l t s e g m e n t a t i o n[J].G e o p h y s-i c s,2019,84(3):35-45.[12]L i uN,H eT,T i a nY,e t a l.C o m m o n-a z i m u t h s e i s m i c d a t a f a u l ta n a l y s i s u s i n g r e s i d u a lU N e t[J].I n t e r p r e t a t i o n,2020,8(3):25-37.[13]杨志力,周路,彭文利,等.B P神经网络技术在声波测井曲线重构中的运用[J].西南石油大学学报(自然科学版),2008(1):63-66.Y a n g Z h i l i,Z h o uL u,P e n g W e n l i,e t a l.A p p l i c a t i o n o f B P n e u r a l n e t w o r k t e c h n o l o g y i na c o u s t i c l o g g i n g c u r v e r e c o n s t r u c t i o n[J].J o u r n a l o f S o u t h w e s t P e t r o l e u m U n i v e r s i t y(S c i e n c e&T e c h n o l o-g y E d i t i o n),2008(1):63-66.[14]金永吉,张强,王毛毛.基于遗传神经网络算法的测井曲线重构技术[J].地球物理学进展,2021,36(3):1082-1087.J i nY o n g j i,Z h a n g Q i a n g,W a n g M a o m a o.W e l l l o g g i n g c u r v e r e-c o n s t r u c t i o n b a s ed o n ge n e t i c n e u r a l n e t w o r k[J].P r o g r e s s i nG e o-p h y s i c s,2021,36(3):1082-1087.[15]郑庆伟,王祝文,欧希阳,等.聚类分析方法在测井曲线重构中的应用[J].世界地质,2015,34(3):807-812.Z h e n g Q i n g w e i,W a n g Z h u w e n,O uX i y a n g,e t a l.A p p l i c a t i o n o fc l u s t e r i n g a n a l y s i s i nw e l l l o g g i n g c u r v e r e c o n s t r u c t i o n[J].G l o b a lG e o l o g y,2015,34(3):807-812.[16]王俊,曹俊兴,尤加春.基于G R U神经网络的测井曲线重构[J].石油地球物理勘探,2020,55(3):510-520.W a n g J u n,C a o J u n x i n g,Y o u J i a c h u n.R e c o n s t r u c t i o no f l o g g i n g t r a c e s b a s e do nG R Un e u r a l n e t w o r k[J].O i lG e o p h y s i c a l P r o s-p e c t i n g,2020,55(3):510-520.[17]张海涛,杨小明,陈阵,等.基于增强双向长短时记忆神经网络的测井数据重构[J].地球物理学进展,2022,37(3):1214-1222.Z h a n g H a i t a o,Y a n g X i a o m i n g,C h e nZ h e n,e t a l.A l o g d a t a r e-c o n s t r u c t i o nm e t h o db a s e do ne n h a n c e db id i re c t i o n a l l o n g s h o r t-t e r m m e m o r y n e u r a l n e t w o r k[J].P r o g r e s s i nG e o p h y s i c s,2022, 37(3):1214-1222.[18]徐延勇,邹冠贵,曹文彦,等.测井曲线标准化方法对比研究及应用[J].中国煤炭地质,2013,25(1):53-57.X uY a n y o n g,Z o u G u a n g u i,C a o W e n y a n,e ta l.C o m p a r a t i v e s t u d y a n d a p p l i c a t i o n o f l o g g i n g s t a n d a r d i z a t i o nm e t h o d s[J].C o a lG e o l o g y o f C h i n a,2013,25(1):53-57.[19]高春云,周立发,路萍.测井曲线标准化研究进展综述[J].地球物理学进展,2020,35(5):1777-1783.G a oC h u n y u n,Z h o uL i f a,L u P i n g.R e v i e wo f t h e d e v e l o p m e n t o fw e l l l o g n o r m a l i z a t i o n[J].P r o g r e s s i nG e o p h y s i c s,2020,35(5): 1777-1783.(下转第103页)29Copyright©博看网. All Rights Reserved.8期徐学范,等:海表浅层水体温度剖面测量设备研发与实现301D e v e l o p m e n t a n dR e a l i z a t i o n o f S u r f a c eS h a l l o w W a t e rT e m p e r a t u r eP r o f i l eM e a s u r e m e n t E q u i p m e n tX uX u e f a n,Z h a n g K a i l i n(C o l l e g e o fM a r i n eT e c h n o l o g y,F a c u l t y o f I n f o r m a t i o nS c i e n c ea n dE n g i n e e r i n g,O c e a n U n i v e r s i t y o fC h i n a,Q i n g d a o 266100,C h i n a)A b s t r a c t:S u r f a c ew a t e r t e m p e r a t u r e i s a n i m p o r t a n t f e a t u r e o f t h e o c e a n.I n o r d e r t o o b t a i n t h e v e r t i c a l t e m p e r a t u r e p r o f i l e o f s u r f a c ew a t e r,t h a t i s,0-10md e p t hb e l o wt h e s e a s u r f a c e,t h i s p a p e r d e s i g n e d a s u r f a c e s u r f a c ew a t e r t e m p e r a t u r e p r o f i l em e a s u r e m e n t d e v i c eb a s e do n t h e i n f r a r e d t e m p e r a t u r em e a-s u r e m e n t p r i n c i p l e.T h e s e a w a t e r t e m p e r a t u r ew a s o b t a i n e d i n d i r e c t l y b y m e a s u r i n g t h e t e m p e r a t u r e o f t h e t e m p e r a t u r e g u i d e p l a t e s i n c o n t a c tw i t h t h ew a t e r b y i n f r a r e d t h e r m a l i m a g e r,a n d t h ew a t e r t e m-p e r a t u r e p r o f i l ew i t hl o w v e r t i c a l r e s o l u t i o n w a so b t a i n e db yp l a c i n g m o r ed e n s et e m p e r a t u r e g u i d e p l a t e s,w i t h t h em i n i m u mt e m p e r a t u r em e a s u r e m e n t p o i n t s p a c i n g u p t o2c m.C o r r e c t i o n b l a c k b o d y i s u s e d i n s i d e t h e e q u i p m e n t f o r r e a l-t i m e c o r r e c t i o n,a n d t h em o r e a c c u r a t e t e m p e r a t u r e o f t h e t e m p e r a-t u r e g u i d e p l a t e i s o b t a i n e d.B l a c k-b o d y c a l i b r a t i o n e x p e r i m e n t a n d l a b o r a t o r y f l u m e s i m u l a t i o n e x p e r i-m e n t h a v e b e e n c a r r i e d o u t i n t h e l a b o r a t o r y,a n d t h e t e m p e r a t u r em e a s u r e m e n t a c c u r a c y c a n r e a c hʃ0.1ħ.T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h e d e v i c e h a s a g o o d a c c u r a c y i nm e a s u r i n g w a t e r t e m p e r a-t u r e,a n d i t i s e a s y t od e p l o y,a n d t h e t e m p e r a t u r e p r o f i l ew i t h l o wv e r t i c a l r e s o l u t i o n c a nb e o b t a i n e d w i t h i n t h em e a s u r e m e n t r a n g e.T h e e q u i p m e n t c a n i m p r o v e t h e v e r t i c a l r e s o l u t i o n o f s e aw a t e r t e m p e r a-t u r e p r o f i l e t o a c e r t a i ne x t e n t a n d p r o v i d e r e f e r e n c e f o r f i e l dm e a s u r e m e n t o f S S Te r r o r c o r r e c t i o nb y s a t e l l i t e o b s e r v a t i o n.K e y w o r d s:s u r f a c ew a t e r t e m p e r a t u r e p r o f i l e;i n f r a r e d t h e r m a l i m a g e r;g u i d e t e m p e r a t u r e p l a t e;r e a l-t i m e c o r r e c t i o n;b l a c k b o d y责任编辑庞旻(上接第92页)R e c o n s t r u c t i o n o f A c o u s t i cC u r v eB a s e d o nU-N e t N e u r a l N e t w o r kL i F e n g l i n1,L i uH u a i s h a n1,2,Y a n g X i l e i1,Z h a oM i n g X i n1,Y a n g C h e n1,Z h a n g L u o c h e n g1(1.C o l l e g e o fM a r i n eG e o s c i e n c e s,O c e a nU n i v e r s i t y o f C h i n a,Q i n g d a o266100,C h i n a;2.T h eK e y L a b o r a t o r y o f S u b m a-r i n eG e o s c i e n c e s a n dP r o s p e c t i n g T e c h n i q u e s,Q i n g d a o266100,C h i n a)A b s t r a c t:L o g g i n g d a t a i s n o t o n l y t h e b a s i s o f i d e n t i f y i n g u n d e r g r o u n d l i t h o l o g i c c h a r a c t e r i s t i c s,b u t a l s o t h e c o r e o fw e l l s e i s m i c j o i n t i n v e r s i o n.D u e t o t h e i n f l u e n c e o f g e o l o g i c a l a n dc o n s t r u c t i o nc o n d i-t i o n s i n p r a c t i c a l w o r k,t h e a c o u s t i c l o g g i n g d a t a i s d i s t o r t e d o rm i s s i n g,w h i c h c a n n o t r e f l e c t t h e c h a n g e l a wo f f o r m a t i o n l i t h o l o g y,a f f e c t i n g t h e d e v e l o p m e n t o f s u b s e q u e n tw o r k.T h i s p a p e r p r e s e n t s a r e c o n-s t r u c t i o nm e t h o d o f a c o u s t i c l o g g i n g c u r v eb a s e do nU-N e t n e u r a l n e t w o r k.T h e d a t a c h a r a c t e r i s t i c s o f l o g g i n g c u r v e s(G R,R H O B)a r e e x t r a c t e d b y t h e e n c o d e r.T h em a p p i n g r e l a t i o n s h i p b e t w e e n d a t a c h a r-a c t e r i s t i c s a n d t h e a c o u s t i c l o g g i n g c u r v e i s e s t a b l i s h e d b y u s i n g t h e d e c o d e r,t h e n,a c c u r a t e r e c o n s t r u c-t i o n o f t h e a c o u s t i c l o g g i n g c u r v e i s r e a l i z e d.T h e r e s u l t s s h o w t h a t t h i sm e t h o d r e t a i n s t h e l o w-f r e q u e n-c y i n f o r m a t i o n o f t h e o r i g i n a l a c o u s t i c l o g g i n g,t a k e s i n t o a c c o u n t t h eh i g h-f r e q u e n c y c h a r a c t e r i s t i c s o f t h e i n p u t l o g g i n g c u r v e,a n d r e a l i z e s t h e e f f e c t i v e s u p p r e s s i o n o f t h e n o i s e o f t h e o r i g i n a l a c o u s t i c l o g g i n g m u d s t o n e i n t e r v a l d a t a.I t h a s a c h i e v e d g o o d r e s u l t s i n t h e l o g g i n g d a t a r e c o n s t r u c t i o no f t h e s o u t h e a s t r i mi nB o z h o n g s a g,w h i c h v e r i f i e s t h i sm e t h o d s h i g h a c c u r a c y a n d p r a c t i c a b i l i t y.K e y w o r d s:a c o u s t i c l o g g i n g c u r v e;c u r v e r e c o n s t r u c t i o n;U-N e t n e t w o r k;d e e p l e a r n i n g;C o n v o l u t i o n n e u r a l n e t w o r k(C N N)责任编辑徐环Copyright©博看网. All Rights Reserved.。

基于有序聚类分析的测井曲线自动分层策略武汉科技大学 邹奇林 胡卫 赵亚洲指导老师：李明摘要：测井曲线的分段要求样本分类时不打乱次序，本文基于有序最优分段的理论，针对样本过大的问题首先进行中值滤波处理进而运用边缘检测的方法压缩采样点数目，对于窗口大小的选择利用BP 神经网络自我反馈寻求最佳窗口大小，在综合各种测井曲线的基础上运用主成分分析法提取主因子作为样本指标，结合有序聚类分析初步确定拟划分地层数，然后运用爬山法并做出分层数目—总变差图寻求最佳分段数，从而获得全局最优解。

最后利用Fisher ’s 判别分析进行井的地层命名，通过对分类效果进行检测，结果表明该模型求解效果精确度较高。

关键词：总变差，最优分割，边缘检测，主成分分析，爬山法，BP 神经网络 ，Fisher ’s 判别分析。

一、最优分割的介绍：1.1、测井曲线的分层问题，可以等效为对一批有序样本进行划分分段问题，这类问题的提法如下：设有一批（N 个）按一定顺序排列的样品，每一个样品测得p 项指标，其原始资料矩阵：⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=⨯x x x x x x x x x X Np N N p p P N212222111211)(其中元素x ij 表示第i 个样品第j 个指标的观测值。

如果把N 个样品按顺序（不破坏序列的连续性）进行分割，其所有的可能分割方法共有：121112111-=+++-----N N N N N c c c种。

现在要求在所有的分割中找出一种分割方法，这种分割方法满足各段内的差异最小，而各段间的差异最大。

称这样的一种分割方法为最优分割法。

各段内部差异最小，即各段内的数值变化最小。

段内数值变化可用变差（类的直径）表示，样品段{1,,i i j x x x + }的变差可以表示为： )()(x x x x d ij l Tij ji l l ij -∑-==，其中∑=+-=ji l lijx x i j 11d ij 表示样品段{1,,i i j x x x + }内样品间的差异情况，d ij 越小表示段内各样品之间的数值比较接近，反之，d ij 越大表示段内个各样品数值之间的差异大，要各段内的差异达到最小，即所分成各段内的变差总和（总变差）为最小。

模糊聚类分析在矿井地质构造划分中的应用矿井地质构造划分是地质研究中重要的研究内容。

然而，由于使用的地质要素繁多，其研究难度也较大。

近年来，模糊聚类分析技术成为解决多要素多维数据中的地质构造划分问题的重要研究方法。

本文首先介绍模糊聚类分析在矿井地质构造划分中的优势，其次简要介绍模糊聚类分析的原理和应用过程，然后结合某实际工程的研究案例，进一步详细介绍模糊聚类分析的实际应用，最后，总结模糊聚类分析在矿井地质构造划分中的应用现状和未来发展。

模糊聚类分析技术在矿井地质构造划分中受到普遍重视和认可。

首先，模糊聚类分析技术可以有效解决矿井地质构造划分中的繁杂和复杂的因素，使地质构造的划分更加准确。

其次，模糊聚类分析技术采用了聚类分析的原理，并受到模糊理论的指导，使得它既可以把连续的要素值划分为多个类，又可以把聚类分析的结果进行量化评价，从而克服了传统聚类分析中结果仅限于意见和判断的缺点，使地质构造划分更加科学。

此外，模糊聚类分析技术采用概率分布算法，使分析结果更加准确、更加详细，从而使分析者更容易掌握其中的规律和趋势，提高研究的准确性。

模糊聚类分析的原理是将数据集按一定的条件分成若干聚类，每个聚类各自具有不同的属性特征。

以某矿井数据为例，经过模糊聚类分析，按照综合性指标（孔隙度、有机质含量、碳酸盐矿物组分等）划分出了三个聚类：A, B和C类块。

A类型为黄色粗砂岩，孔隙度较大，有机质含量和碳酸盐矿物组分含量较低；B类型为灰褐色中砂岩，孔隙度中等，有机质含量和碳酸盐矿物组分含量中等；C类型为灰色粉砂岩，孔隙度较小，有机质含量和碳酸盐矿物组分含量较高。

在实际应用中，模糊聚类分析技术需要一定的技术平台来支持。

在某实际工程中，模糊聚类分析的进行建立在GeoSoft的Oasis montaj软件的基础上，首先由此软件采集和处理地质要素数据，然后将数据进行模糊聚类分析，主要参数有孔隙度、有机质含量、碳酸盐矿物组分等，最后基于模糊聚类分析得出的结果进行地质构造划分。

模糊聚类分析在矿井地质构造划分中的应用
模糊聚类分析在矿井地质构造划分中的应用
模糊聚类分析是基于模糊数学理论，从大量数据中归类抽取高度有用的信息的
一种有效分析方法。

在挖矿工程领域，该方法早已广泛使用，尤其在矿井地质构造划分方面有重大意义。

将矿井地质状况用任意比例尺图来展示出来，其所表示的地质结构信息就被模
糊地分解成若干复杂的元信息的组合，每一个元信息都映射成一个模糊函数值。

经过模糊聚类分析，将所有矿井图上归入诸多模糊类簇，从而实现对矿井地质结构信息的定量化表征，这有助于在进行矿井地质构造划分时采用技术手段来提高准确性和可靠性。

使用模糊聚类分析来实施矿井地质构造划分，首先需要确定聚类模型所需的模
糊估计系数，这意味着用户需要对聚类模型进行大量数据分析。

其次，由于模糊聚类分析涉及大量数据，生成模糊分组簇所需的计算量也很大，但随着现代计算机技术的进步，已有大量计算工具可以较为轻松地实现模糊聚类分析。

总之，模糊聚类分析是从大量复杂数据中抽取信息的一种非常有用的分析方法，尤其在矿井地质构造划分上更是显示出色，其可以有效提升矿井建设和生产的精确性和可靠性。

高斯混合模型聚类方法在油气勘探中的应用油气勘探是石油与天然气开发的关键环节，也是油气勘探企业的核心业务，其成功与否对于油气勘探企业的系统技术水平和技术投入有着重要的影响。

油气勘探要求钻井获得的大量地质资料和测井资料进行综合分析，以判断油气藏的工艺指标，预测开采量等，这就要求油气勘探企业能进行大量的数据处理，以获得有效的油气勘探结果。

近年来，随着计算机技术和大数据技术的发展，机器学习技术也正在被广泛应用于油气勘探领域。

其中，高斯混合模型聚类方法是数据挖掘技术中发展最快的算法之一，广泛应用于油气勘探中。

它可以建立多维数据空间中的模型，以发现和建立数据中的结构特征，对油气勘探的地质特征和勘探结果具有重要的指导意义。

高斯混合模型聚类方法的基本思路是，首先建立多变量的概率分布函数，然后将数据的各列属性值拟合到多变量的概率分布函数中。

具体而言，高斯混合模型聚类方法是基于概率模型的一种聚类方法，它建立了一系列概率分布函数，可以把任意数量的变量组成各种极端复杂的混合概率分布，从而进行更精准的多变量数据分析。

在油气勘探的实际应用中，高斯混合模型聚类方法可以用来分析大量的测井数据，提取岩性信息，建立层位结构信息等，从而有助于油气勘探企业做出更准确的判断，更好地发现油气藏信息。

此外，使用高斯混合模型聚类方法还可以帮助油气勘探企业从更大范围内收集和提取有用信息，减少调查错误和漏洞，提高数据分析的准确性。

然而，尽管高斯混合模型聚类方法可以有效地分析油气类数据，但其使用还存在一定的困难和局限性。

首先，由于油气类数据存在大量噪声和冗余，因此，在使用高斯混合模型聚类方法之前，需要进行严格的数据处理和清洗，以确保所获得的参数足够准确和有效；其次，现有的聚类算法对模型参数的假设和计算复杂度也有一定的要求，因此，某些情况下，高斯混合模型聚类方法可能无法达到理想的结果。

总的来说，高斯混合模型聚类方法是一种有效的机器学习算法，具有较强的多变量数据处理能力，可以有效地应用于油气勘探中。

高技术通讯2020年第30卷第12期：1215-1224doi：10.3772/j.issn.1002-0470.2020.12.002基于多粒度聚类的测井曲线自动分层识别方法①姬庆庆②***朱登明**石敏***王兆其**周军****「中国科学院大学北京100049）（"中国科学院计算技术研究所前瞻研究实验室北京100190）（如华北电力大学控制与计算机工程学院北京102206）（**“中国石油集团测井有限公司西安710065）摘要随着测井技术及大数据分析技术的快速发展，自动测井解释技术可以有效辅助人工快速开展储层划分、油水层解释等工作。

为了提升储层划分及油水层识别准确度，本文提出了一种基于有监督学习的多粒度聚类识别方法，该方法通过对标准测井曲线及分层结果的学习提取不同分层测井曲线特征，在划分出储层的基础上再进行油水层识别。

与已有方法相比，本文方法通过对真实测井曲线进行多种处理，从而融合曲线多层次特征,有利于取得更加准确的分层结果。

实验结果表明，该方法可以对测井曲线进行自动分层，提高了曲线自动分层的效率，在真实测井曲线上能够取得较好的分层识别结果。

关键词自动分层；多粒度聚类；测井曲线0引言测井技术在勘探过程中收集关于地质储集层的“四性”信息,即“岩性、物性、电性、含油性”，测井解释则需要通过“四性”之间的关系建立测井解释模型,确定油层有效厚度。

测井解释通过研究储集层电性与岩性、物性、含油性的对应关系，力求消除岩石矿物背景对于油层信息的影响，从而达到客观评价砂岩储集性能和流体性质，并准确划分储层的目的⑴。

现阶段国内众多单位多以常规曲线为基础，结合区块地质特点，采用传统方法利用人工对油气层进行识别、解释和评价，还没有较为成熟的自动分层解释软件⑵。

由于人工解释的方法需要大量人力，同时分层结果易受解释人员主观因素的影响，因此难以满足不断提高的测井解释要求。

随着油气勘探规模的不断扩大,测井解释将面对更多更复杂的研究对象，测井分层解释方法的发展与测井技术的发展息息相关。

特征聚类在油田测试方案优化中的研究李洪奇;张艳丽;杨景海;朱丽萍;赵艳红;裴建亚【期刊名称】《计算机工程与应用》【年(卷),期】2017(053)021【摘要】针对油田注产剖面动态测试在选井上没有一个合适参考标准的问题,提出利用基于特征的聚类将油井按照生产状况进行先聚类再分类的方法.首先对油井生产时间序列数据选择处理,然后提取序列特征进行聚类,并把聚类结果划分等级,最后制定油田测试优化方案.实验结果表明,提取的时间序列特征能很好地表征油井生产波动情况,获得较好地分类效果,对指导油田测试有重要意义.%Note the oilfield production cross section in the dynamic test in the well election does not have a suitable reference standard issue, the paper proposes a well production division method in accordance with the feature-based clustering and the classification. First, the method selects and processes the well production time series data. And then the characteristic sets are extracted for clustering from time series data. In the end the clustering results develop the oilfield test optimization. Experimental result shows that the characteristics extracted from time series can be a good repre-sentation of the fluctuations in oil production, obtain better classification results and be important for guiding the oilfield test.【总页数】5页(P214-218)【作者】李洪奇;张艳丽;杨景海;朱丽萍;赵艳红;裴建亚【作者单位】中国石油大学地球物理与信息工程学院,北京 102249;中国石油大学油气数据挖掘北京市重点实验室,北京 102249;中国石油大学地球物理与信息工程学院,北京 102249;中国石油大学油气数据挖掘北京市重点实验室,北京 102249;大庆油田测试技术服务分公司,黑龙江大庆 163000;中国石油大学地球物理与信息工程学院,北京 102249;中国石油大学油气数据挖掘北京市重点实验室,北京 102249;中国石油大学地球物理与信息工程学院,北京 102249;中国石油大学油气数据挖掘北京市重点实验室,北京 102249;大庆油田测试技术服务分公司,黑龙江大庆163000【正文语种】中文【中图分类】TP301【相关文献】1.小剂量测试技术在肺动脉CTA中对比剂注射优化方案的研究 [J], 李鑫;张国栋;李剑2.中途测试工艺在高温高压超深井测试中的应用及优化方案 [J], 马琳淞;柳嘉3.青少年体质测试中的仰卧起坐项目优化方案研究 [J], 王淑沛4.青少年体质测试中仰卧起坐项目优化方案研究 [J], 孙小涵; 栾永鑫5.小剂量测试技术在肺动脉CTA中对比剂注射优化方案的研究 [J], 彭新华; 茅杰熙; 范晔辉; 吕传国; 薛春华; 顾庆春因版权原因，仅展示原文概要，查看原文内容请购买。

石油地质与工程2022年1月PETROLEUM GEOLOGY AND ENGINEERING 第36卷第1期文章编号：1673–8217（2022）01–0031–08基于MRGC聚类方法的测井相分析和岩性识别——以Z油田潜山地层为例余秋均（中国石油辽河油田分公司勘探开发研究院，辽宁盘锦124010）摘要：为了解决常规岩性识别方法对于较为精细岩性识别和复杂岩性识别困难的问题，通过论述MRGC聚类方法和KNN算法传播器的基本原理，提出基于MRGC聚类方法的测井相分析和岩性识别方法及其流程。

即优选能反映岩性特征的测井曲线，利用MRGC聚类方法进行测井相自动划分，并用录井及岩心等地质资料建立的岩相数据库对所划分的测井相进行标定，建立岩性识别模型；通过KNN算法传播器将模型推广应用于未取心井，实现岩性识别。

该方法在Z油田潜山地层应用，有效地识别出潜山地层中的风化壳角砾岩、硅质砂岩、硅质粉砂岩、硅质泥岩、灰岩、泥质灰岩、灰质泥岩、生物灰岩共8种主要岩性，其结果与录井、取心资料符合率达80%以上，表明其在潜山等地层岩性识别中具有很好的适用性。

关键词：MRGC聚类；测井相分析；岩性识别；风化壳；基岩；潜山中图分类号：P631.8 文献标识码：ALogging facies analysis and lithology identification based on MRGCclustering methodAll Rights Reserved.--by taking buried hill formation of Z oilfield as an exampleYU Qiujun(Exploration & Development Research Institute of Liaohe Oilfield Company, PetroChina, Panjin, Liaoning 124010, China) Abstract: In order to solve the difficulty of conventional lithology identification methods in fine lithologyidentification and complex lithology identification, by discussing the basic principle of MRGC clusteringmethod and KNN algorithm propagator, a logging facies analysis and lithology identification method and itsprocess based on MRGC clustering method are proposed. The logging curves that can reflect the speciallithology are optimized, the logging facies are automatically divided by MRGC clustering method, and thedivided logging facies are calibrated by the lithofacies database established by logging and core geologicaldata, to establish the lithology identification model. The model is extended to non-coring wells through KNNalgorithm propagator to realize lithology identification. The application of this method in buried hill formationof Z oilfield effectively identifies 8 main lithology in buried hill formation, including weathered crust breccia,siliceous sandstone, siliceous siltstone, siliceous mudstone, limestone, argillaceous limestone, calcareousmudstone and biological limestone. The coincidence rate between the results and logging and coring data ismore than 80%, indicating that it has good applicability in lithology identification of buried hill and otherstrata.Key words: MRGC clustering; logging facies analysis; lithology identification; weathering crust; bedrock;buried hill岩性识别是地质研究的重要内容，对于沉积相刻画、储层特征研究、储层预测和地质建模等均具收稿日期：2021–06–15；修订日期：2021–09–20。

基于极值法和聚类分析法的测井曲线自动分层模型——以山东省胜利油井为例初颖;吕堂红【摘要】针对地质分层中人工分层的方法费时费力且主观性较强,分层效果不理想的现状,以山东省胜利油田的1号井为标准井,首先通过中值滤波法对测井数据进行分析处理,然后应用极值法和聚类分析法建立了测井曲线自动分层模型,并利用该模型对2至7号井进行了自动分层.通过图像对比,建立模型得到的自动分层结果明显优于其他分层模型的分层结果,并且与人工分层结果基本相符.该研究结果解决了以计算机自动分层来代替人工分层的实际问题,为地质勘探部门研究具有不同特点的地层及胜利油田区的资源管理与开发提供参考.%According to the present situation of time-consuming,stronger subjectivity and undesirable results on the arti-ficial layered method in geological layer,no. 1 well in Shengli oilfield Shandong province was taken as the standard ex-ample. Firstly,the logging data were analyzed and processed by median filtering method;then the extreme value meth-od and clustering analysis were applied;the automatic layered model of logging curve were established and the model was used to make automatic stratification for 2-7 Wells. Through the image comparison,the automatic layered results which were obtained by this model are obviously superior to those of other hierarchical models and are basically consis-tent with the results of artificial delamination. The practical problem was solved by computer automatic layered method instead of artificial layered method. It provides reference for the geological prospecting departments in researching stratawith different characteristics,and the resource management and development in Shengli oilfields.【期刊名称】《长春理工大学学报（自然科学版）》【年(卷),期】2017(040)006【总页数】6页(P105-110)【关键词】测井曲线;自动分层;极值法;聚类分析法【作者】初颖;吕堂红【作者单位】长春理工大学理学院,长春130022;长春理工大学理学院,长春130022【正文语种】中文【中图分类】O175.1在地球物理勘探中需要利用测井资料了解地下地质情况，其中测井曲线分层是首先要完成的基础工作，通过测井分层可以实现对具有不同特点的地层进行有针对性的研究［1］。

聚类分析、判别分析、趋势面分析在地质学科中的动态应用研究 摘要摘要：：随着地质学科研究的发展深入，数学地质的多元统计分析在学科中应用越来越频繁。

在介绍了聚类分析、判别分析、趋势面分析原理的基础上，分别就其在地质各学科中的应用进展展开综述。

研究表明三大理论在地质各学科中都有所研究，它丰富了地质学科半定量、定量化研究方法，其自我改进或与其它理论相结合进行地质对象的综合分析是地质数据处理的未来发展趋势。

关键词关键词：：聚类分析；多元统计分析；数学地质；判别分析；趋势面分析Clustering analysis, discriminant analysis and trend surface analysis of developingapplication in geological disciplineAbstracts ：Along with the development of geological subject research, the multivariate statistical analysis of mathematics geology is applied more and more frequently in subjects. Based on the introduction of the principle of clustering analysis, discriminant analysis and trend surface analysis, the application progress of its application in geological discipline is summarized. Research shows that three theories in the various disciplines of the geological studies, it has enriched the geology semi quantitative and quantitative research methods, the self-improvement or with other theories combining geological data processing and the future development trend of a comprehensive analysis of the geological objects.Key Words ：Clustering Analysis ；Mathematical Geology ；Several Multivariate Statistical Method ；Discriminant Analysis ；Trend Surface Analysis1 引言数学地质(Mathematical Geology)作为地质学分支学科，是六十年代以来迅速形成的一门边缘学科。