下载文档原格式
地质勘探中的岩性识别与划分在地质勘探中，岩性识别与划分是一项至关重要的任务。
通过准确识别和划分不同岩性，我们可以更好地理解地下地质构造，为资源勘探和工程设计提供可靠的依据。
本文将介绍地质勘探中的岩性识别与划分方法，以及其在实际应用中的意义。
一、岩性识别与划分的重要性岩性是指岩石的物质组成和结构特征，在地质勘探中具有重要的地质意义。
岩性的不同直接反映了地质历史和地质条件的变化，对于石油、煤炭、金属矿产等资源的勘探具有决定性的影响。
岩性的识别与划分可以揭示地下构造特征、确定古地理环境、评价储层质量等，为勘探工作提供准确数据和科学依据。
二、岩性识别与划分的方法在地质勘探中，岩性识别与划分主要依靠以下几种方法：1. 室内分析方法：通过岩心实验、薄片鉴定等室内分析手段，对岩石样本进行显微观察和物理性质测试，以确定岩性的类别和特征。
室内分析方法准确度高，但工作量较大，需要专业技术支持。
2. 野外观察方法：地质工程师在现场观察地层剖面、岩石出露等，利用肉眼、放大镜等工具对岩石进行外观特征的判断。
野外观察方法操作简便，但识别精度受观察者经验和专业知识的限制。
3. 地球物理测量方法：如地震勘探、电磁法等，通过测量岩石对地球物理场的响应，间接推测岩性的类别和性质。
地球物理测量方法能够大范围快速获取数据，但对设备和技术要求较高。
以上方法可以单独或联合使用，相互补充，提高岩性识别与划分的准确性和可靠性。
三、岩性识别与划分的应用地质勘探中的岩性识别与划分应用广泛，并在不同领域发挥着重要作用。
1. 石油勘探：岩性的识别与划分对于石油勘探起到决定性作用。
不同岩性具有不同的孔隙度、渗透率等特性，直接影响石油储集层的质量和储量评估。
准确识别和划分岩性，有助于确定油气勘探的目标区域和开发方案。
2. 煤炭勘探：岩性识别与划分对于煤炭地质勘探同样至关重要。
不同岩性煤炭的含煤量、热值等特性存在差异，影响煤炭资源的开发和利用。
科学地识别和划分煤炭岩性，有助于优化煤炭勘探策略和提高资源利用率。
典型岩石地层的岩性识别与解释岩性是岩石地层中的一种物理特征，对于理解地质过程、研究地层演化以及进行矿产资源勘探具有重要意义。
通过对典型岩石地层的岩性识别与解释，可以揭示地球的历史变迁，帮助我们更好地了解地球的构造和演化过程。
一、岩性识别的方法岩石地层的岩性识别可以通过不同的方法来进行，包括地质野外观察、显微镜分析、物理性质测试等。
在地质野外观察中，可以通过观察岩石的颜色、纹理、结构等特征来进行岩性的初步判断。
例如，一种灰色细粒砂岩具有细薄层理、均匀的颜色以及较好的耐磨性，可以初步判断该岩石属于砂岩。
显微镜分析是进一步确认岩石岩性的重要工具。
通过显微镜观察岩石薄片的矿物成分、晶粒结构以及孔隙特征，可以确定岩石的岩性类型。
例如，如果岩石薄片中富含方解石的晶粒，可以判断该岩石属于石灰岩。
物理性质测试可以通过测量岩石的硬度、密度、磁性等参数来了解岩石的性质。
例如，测量岩石的密度可以通过剖面测量仪来进行，根据不同的密度数值可以初步判断出岩石的种类。
二、岩性解释的方法岩性解释是对岩石地层中存在的岩性进行分析研究，揭示岩石地层的形成原因和演化过程。
岩性解释可以基于岩石的物理特征、化学成分以及地质构造等方面进行。
首先，可以根据岩石的物理特征来解释岩性。
例如，如果岩石具有明显的层理结构和节理裂缝，可以推断这是受到古代沉积作用的影响，通过沉积过程的解释可以进一步了解岩石地层的沉积环境和古气候条件。
其次，岩石的化学成分也可以提供岩性解释的线索。
例如，含有大量二氧化硅（SiO2）的岩石往往是火山喷发的产物，通过分析岩石中的化学元素含量可以推测出火山的类型和活动性质。
最后，地质构造也对岩性解释起着重要作用。
例如，在断裂带中出现的破碎岩石和变形构造可以告诉我们这个地区曾经发生过构造变动，通过对断裂带的研究可以了解岩石地层的构造演化历史。
三、典型岩石地层的岩性识别与解释案例以下以中国的某一典型地质断层带为例，进行岩性识别与解释。
不同尺度地学数据的岩石岩性识别方法对比随着地学数据采集技术的不断发展，地球物理学、遥感学等多种技术手段被广泛应用于地质勘探、矿产资源开发等领域。
这些技术手段能够获得多种地学数据，包括地面物理数据、卫星遥感数据、井位测井数据等。
这些数据包含了地质体多种属性信息，如电性、热性、密度、反射率等，这些属性与地质构造、岩性等有关。
因此岩石岩性识别是勘探、开发过程的重要一步。
本文将从不同尺度的地学数据入手，探讨不同岩石岩性识别方法的特点。
1.地面物理数据地面物理勘探技术包括重力、磁力、电性、声波等多种手段。
其中常用的地面物理采集数据包括磁力测量数据、电性测量数据、重力测量数据和地震探测数据等。
这些数据可以提供地下不同深度和位置的地质属性信息，同时也能反映出不同岩石的性质和特征。
岩石岩性识别方法在地面物理数据中的应用有许多，如磁场模型、地电模型、重力模型和地震模型等。
这些模型通过对地面物理数据的处理和解析，能够提取出不同层位的地质属性信息，并进一步判别不同岩性的存在和特征。
2.卫星遥感数据卫星遥感技术是近年来比较流行的一种地学数据获取方法。
卫星遥感能够获得较高空间和时间分辨率的图像数据，如高光谱数据、雷达数据、卫星图像等。
这些数据可以提供多个波段的反射、辐射和散射信息，能够有效地反映地球表面的各种特征和构成。
岩石岩性识别方法在卫星遥感数据处理中的主要应用有以下几种：(1)高光谱影像分类；(2)遥感图像融合；(3)数字高程模型分析；(4)多源数据融合等方法。
这些方法能够通过对不同波段图像数据的组合和处理，提取出地表不同特征，进而进一步分析不同岩性的分布情况和特征。
3.井位测井数据井位测井技术是石油工业中常用的一种地学数据获取方法，主要用于石油勘探和开发领域。
井位测井通过在油井井建和钻井过程中对井壁的检测和测量，获得了岩石物性和地层结构信息。
井位测井数据可以反映出岩石的物理性质，如电阻率、自然伽马辐射等，同时也可以提取出岩石的动态性质，如流体含量、孔隙度、渗透性等。
不同尺度地学数据的岩石岩性识别方法对比地学数据是地球科学研究中的重要组成部分，其中包括各种地球物理、地球化学、地形地貌等多种数据，这些数据对于岩石岩性识别具有重要意义。
不同尺度地学数据的岩石岩性识别方法也因此被广泛研究。
在研究不同尺度地学数据的岩石岩性识别方法时，主要有从岩石颗粒尺度到矿物尺度、从矿物尺度到岩石尺度、从岩石尺度到区域尺度等多个层次的研究。
在岩石颗粒尺度到矿物尺度的岩石岩性识别方法中，常用的方法是光学显微镜分析和X射线衍射分析等。
在这个尺度范围内，样品中的岩石颗粒、矿物颗粒以及微观构造都可以被清晰地观察和分析。
光学显微镜分析可以分辨出矿物的颗粒形态和颜色等特征，并进而判断出岩石岩性。
而X射线衍射分析可以通过矿物的晶体结构特征进行鉴定，进而推测出岩石的构成和成因。
在矿物尺度到岩石尺度的岩石岩性识别方法中，主要采用的是扫描电镜、透射电镜等高分辨率显微镜技术。
这些技术可以观察到更微小的结构和特征，并推测出岩石的成因和变质程度等。
此外，还可以通过化学分析和同位素分析等技术，对矿物和岩石中元素组成和同位素比值进行分析，从而获得更加精细的岩石地球化学特征。
在岩石尺度到区域尺度的岩石岩性识别方法中，主要采用的是地球物理方法和地球化学方法。
其中，地球物理勘探是指通过地球物理方法对地下物质的物理性质进行探测，例如电法、磁法、地震勘探等，从而推测出岩石的分布和构造特征，进而判断岩石岩性。
而地球化学勘探则是通过采集矿石、土壤、地下水等样品，通过对其元素组成和同位素比值等特征进行分析，进而判断出地下岩石的类型和成因。
综上所述，不同尺度地学数据的岩石岩性识别方法有所不同，应根据具体情况来选择合适的方法。
在实际工作中，通常采用多种方法相结合，以提高岩石岩性识别的准确性和可靠性。
不同尺度地学数据的岩石岩性识别方法对比引言岩石岩性的识别是地质学研究的重要内容之一，对于地质资源的勘探、工程建设和环境保护都具有重要意义。
在地学数据的采集与分析过程中，我们可以借助不同的尺度地学数据来进行岩石岩性的识别。
本文旨在对比不同尺度地学数据的岩石岩性识别方法，探讨其优劣势，为地质学研究提供参考。
一、地学数据的尺度地学数据的尺度是指数据所描述的现象或对象的大小或分辨率。
常见的地学数据包括岩石岩性的野外观测记录、岩心分析结果、地球物理勘探数据和遥感影像等。
这些数据可以分为不同的尺度，包括微观尺度、中观尺度和宏观尺度。
微观尺度的地学数据主要包括岩石薄片鉴定、岩心观察和实验室分析等。
这些数据通常能够提供岩石的详细组成和结构信息，对于岩石岩性的识别具有重要意义。
宏观尺度的地学数据主要包括地球物理勘探数据和遥感影像等。
这些数据能够提供大范围的岩性信息，对于地质勘探和资源调查有着重要的应用价值。
1. 微观尺度地学数据的岩石岩性识别方法微观尺度的地学数据主要包括岩石薄片鉴定、岩心观察和实验室分析等。
在岩石薄片鉴定中，我们可以通过显微镜观察岩石中的矿物成分和颗粒结构，根据其组成特征来识别岩石的岩性。
岩心观察则是在岩心获取的过程中，利用显微镜等设备对岩心进行观察和分析，也是一种常见的岩石岩性识别方法。
实验室分析则是通过对岩石样品进行物理性质和化学成分的测试，来获取岩石的详细信息，进而识别岩石的岩性。
宏观尺度的地学数据主要包括地球物理勘探数据和遥感影像等。
地球物理勘探是利用地球物理方法对地下岩石进行探测和解释，包括重力勘探、地磁勘探、地震勘探等。
通过对地下岩石的物理性质和构造特征进行分析，我们可以对岩石的岩性进行判断。
遥感影像则是利用遥感技术获取地表岩石的信息，包括红外影像、高光谱影像等。
通过对遥感影像的解译和分析，我们可以获取地表岩石的分布和类型等信息，对岩石的岩性进行初步识别。
1. 优势和不足微观尺度地学数据的岩石岩性识别方法具有高分辨率和详细信息的优势，能够提供岩石的微观特征，对于岩石岩性的识别有着重要的作用。
不同尺度地学数据的岩石岩性识别方法对比【摘要】本文主要针对不同尺度地学数据在岩石岩性识别中的方法进行对比分析。
首先介绍了不同尺度地学数据的概念和岩石岩性识别方法，然后探讨了不同尺度地学数据在岩石岩性识别中的应用情况。
接着对不同尺度地学数据的岩石岩性识别方法进行了详细对比，并分析了它们各自的优缺点。
最后结论部分总结了不同尺度地学数据在岩石岩性识别中的价值，并提出了未来研究的方向。
通过本文的研究，可以更好地了解不同尺度地学数据在岩石岩性识别中的应用情况，为相关领域的研究提供参考和借鉴。
【关键词】不同尺度地学数据、岩石岩性识别、对比方法、优缺点分析、价值、未来研究方向。
1. 引言1.1 研究背景地学数据在岩石岩性识别中的应用日益广泛，不同尺度地学数据的使用也成为研究的热点领域。
随着科技的不断发展，地质勘探和岩石岩性识别的技术也在不断创新。
传统的岩石识别方法主要依靠实地采样和实验室分析，但这种方法存在采样不足、耗时费力等问题。
而现代的地学数据技术，则可以通过多种手段获取不同尺度的数据，包括卫星遥感、地球物理勘探、地质地球化学分析等。
在实际应用中，不同尺度地学数据的综合应用成为提高岩石岩性识别精度和效率的关键。
如何更好地利用不同尺度地学数据，提高岩石岩性识别准确性和可靠性，是当前研究的重点之一。
探讨不同尺度地学数据在岩石岩性识别中的应用价值，并对不同方法进行对比和优缺点分析，具有重要的理论意义和实际应用价值。
1.2 研究目的研究目的旨在比较不同尺度地学数据在岩石岩性识别中的效果，探讨各种方法的优缺点，并为地质勘探和资源开发提供更加有效的指导。
通过对不同尺度地学数据的岩石岩性识别方法进行对比，可以深入了解各种方法在实际应用中的表现，为岩石岩性识别提供更多的选择和依据。
本研究旨在总结不同尺度地学数据在岩石岩性识别中的应用现状，进而分析其在地质研究、矿产勘查等领域中的潜在作用与价值，为相关领域的研究和应用提供理论支持和参考依据。
不同尺度地学数据的岩石岩性识别方法对比岩石岩性识别是地质学中的重要研究领域，可以帮助地质学家了解地下岩石构造和地质历史，为资源勘探和工程建设提供基础数据。
不同尺度地学数据的岩石岩性识别方法有多种，下面将对常见的几种方法进行对比。
1. 目视识别法目视识别法是最简单直观的岩石岩性识别方法，根据裸露在地表的岩石外貌特征，如颜色、纹理、结构等来判断岩石类型。
这种方法适用于地质考察和测量工作中，但对于深部地质研究和资源勘探等需要更精细划分岩性的工作就显得有限了。
2. 遥感技术遥感技术利用卫星或航空平台搭载的遥感设备获取地表和地下岩石的图像数据，通过对图像进行处理和分析来进行岩石岩性识别。
常用的遥感数据包括多光谱图像、高光谱图像和雷达图像等。
这些数据可以提供大面积和全方位的信息，可以较为准确地判断不同岩石的反照率、光谱特征和纹理特征等。
3. 地球物理方法地球物理方法是通过测量地球物理场参数，如重力场、磁场、电阻率等来推断岩石的性质和构造。
重力和磁法主要用于识别岩石的密度和磁性特征，电法则可以反映岩石的导电性特征。
这些方法适用于区域性的岩石类型划分和构造分析，但对于单个岩体的识别和描述则较为困难。
4. 钻探取样钻探取样是最直接获取地下岩石样品进行室内分析的方法，包括岩芯取样和野外取样。
这种方法可以提供最准确的岩石岩性信息，如岩石的矿物组成、岩性特征和物理力学性质等。
但钻探取样需要大量的人力、物力和经济支持，并且对于较深的地下岩石无法获取样品，因此在实际应用中有一定的局限性。
不同尺度地学数据的岩石岩性识别方法各有优劣。
目视识别法操作简单直观，但对于深部岩石识别有限；遥感技术提供大面积的岩石信息，但对于岩石细节的识别有一定局限；地球物理方法适用于区域性的岩石类型划分，但对于单个岩体的识别和描述较困难；钻探取样是最准确的方法，但有一定的限制。
综合运用多种方法并将其结果进行交叉验证，可以提高岩石岩性识别的准确性和可靠性。
不同尺度地学数据的岩石岩性识别方法对比
尺度地学是一种研究岩石和岩性的方法，通过观察和分析岩石的不同尺度特征来识别
岩石的类型。
不同尺度地学数据的岩石岩性识别方法有多种，包括宏观尺度地学、中观尺
度地学和微观尺度地学。
本文将对这三种方法进行对比分析。
宏观尺度地学是指通过直接观察岩石的宏观特征来进行岩性识别的方法。
它主要依靠
裸眼观察和手工取样分析，对岩石的颜色、结构、纹理等特征进行描述和比较。
宏观尺度
地学具有简单、直观、易于操作的优点，适用于现场工作和野外地质调查。
但它对观察者
的主观能力有较高的要求，可能存在主观误差。
中观尺度地学是指通过显微镜观察和分析岩石的中等尺度特征来进行岩性识别的方法。
它主要依靠显微镜观察岩石的矿物组合、晶体形态、结构等特征来判断岩石的类型。
中观
尺度地学可以提供更详细和准确的岩石描述和分类，能够揭示岩石的细微结构和成因特征。
中观尺度地学需要使用显微镜和制备薄片等专业设备和技术，对操作者的要求较高，需要
耗费较多的时间和精力。
不同尺度地学数据的岩石岩性识别方法各有优势和限制。
宏观尺度地学简单直观，适
用于现场工作和野外地质调查；中观尺度地学提供更详细和准确的岩石描述和分类；微观
尺度地学可以揭示岩石的微观结构和成因特征。
在实际应用中，可以根据具体需求选择合
适的尺度地学方法进行岩石岩性识别。
可以结合不同尺度地学数据进行综合分析，以提高
岩石岩性识别的准确性和可靠性。
地质学家鉴别岩石的方法寻找图鉴一、鉴定内容和方法:超基性岩:橄榄岩、辉石岩、角闪岩、金伯利岩基性岩:辉长岩、辉绿岩、玄武岩中性岩:闪长岩、安山岩、正长岩、粗面岩酸性岩:花岗岩、流纹岩脉岩:煌斑岩、细晶岩对照所列岩浆岩的主要鉴定特征，在肉眼下借助于放大镜、小刀等观察不同岩石类型的主要矿物成分、结构构造等特征。
二、岩浆岩肉限鉴别方法和步骤对岩浆岩手标本的观察，-般是观察岩石的颜色、结构、构造、矿物成分及其含量、最后确定岩石名称。
1)颜色:主要描述岩石新鲜面的颜色，也要注意风化后的颜色。
直接描述岩石的总体颜色，如紫、绿、红、褐、灰等色。
有的颜色介于两者之间，则用复合名称，如灰白色、黄绿色、紫红色等。
岩浆岩的颜色反映在暗色矿物和浅色矿物的相对含量上。
一船暗色矿物含量>60%称暗色岩;在60一-30%的称中色岩;<30%则称浅色岩。
2)结构:根据岩石中各组分的结晶程度，可分为全晶质、半晶质、玻璃质等结构。
岩浆岩结构的描述内容和方法:全晶质显晶质粗粒:>5mm;中粒:1 5mm;细粒:<<1mm;描述总体矿物及各不同矿物的颗粒大小,形态及在岩石中的含量不等粒:描述最大、最小及中间大小颗粒的大小及含量似斑状结构:大的为斑晶，小的为基质。
描述斑晶基质的相对含量,成分、形状，大小隐晶质描述颜色、断口特点.半晶质斑状结构(玻璃质+结晶质):描述斑晶成分、形状、颗较大小及含量;基质部分的含量，颜色、断口特点玻璃质描述颜色、断口特点3)构造:侵入岩常为块状构造,岩石中的矿物无定向排列;喷出岩常具气孔状、杏仁状和流纹状构造。
要注意描述气孔的大小、形状、杏仁的充填物及气孔、杏仁有无定向排列。
4)矿物成分:矿物成分及其含量是岩浆岩定名的重要依据。
岩石中凡能用肉眼识别的矿物均要进行描述。
首先要描述主要矿物的成分、形状、大小、物理性质及其相对含量，其次对次要矿物也要作简单描述。
5)次生变化:岩浆岩固结后，受到岩浆期后热液作用和地表风化作用，往往使岩石中的矿物全部或部分受到次生变化，若变化较强,就应描述它蚀变成何种矿物。
不同尺度地学数据的岩石岩性识别方法对比作者：朱雨星王一帆郭宁赵元国仰春颖来源：《科技视界》2020年第05期摘要岩石岩性识别是从事地学研究的一项基础性工作。
不同的数据采集方法提供了不同尺度下的岩石岩性响应特征。
结合前人研究成果，本文对岩石薄片图像、测井数据和地震数据三类地学数据的特点进行分析，并对基于这三类数据的岩石岩性识别原理进行总结，以及相应的自动识别方法进行对比。
关键词岩石岩性;识别方法;不同尺度;地学数据中图分类号： P313.1 ; ; ; ; ; ; ; ; ; ; ; ;文献标识码： ADOI：10.19694/ki.issn2095-2457.2020.05.0510 前言从事地学相关问题的研究，例如地质建模，储层预测等，岩石岩性识别是一项相当重要和基础性的工作。
岩性是岩石各类特征的总和，例如矿物成分，颜色和构造等。
岩性识别是依据岩石特征，使用各类方法对其岩性进行认识和区分的过程[1]。
岩性识别方法又与被分析数据对象的尺度存在联系。
常见的被分析数据对象包括：岩石薄片图像，测井数据和地震数据。
这三类数据在分析尺度上存在明显差异。
岩石薄片是对岩石岩性的直接反应，不同类型的矿物成分在偏光薄片图像和正交偏光薄片图像中存在明显的特征，其分析尺度最小，相应的分辨率最高。
而测井反映了地下岩石的不同物理特征，是岩石矿物成分、结构和孔隙度等信息的综合反映[2]。
因此，利用测井方法确定地下岩石岩性，往往需要对多条测井曲线数据进行综合分析或采用特殊的测井仪器提高分析结果的准确率。
相对于岩石薄片图像，测井数据的分析尺度更大，其分辨率依然相对较高。
地震数据直接反映的是地层间的波阻抗差异，而构建波阻抗的岩石速度与密度往往与岩石岩性有着直接联系。
通常利用地震数据反演地层的弹性参数，进而推断出地下地层的岩石岩性。
受制于地震震源的信号特征，相比薄片图像和测井数据，地震数据的分析尺度大了很多，垂向分辨率低。
但地震数据的优势在于其横向对比追踪地层的能力，能在更大范围内对地层的岩石岩性进行分析。
本文在前人研究的基础上，针对这三类地学数据特点和相应的岩性识别方法进行对比分析与总结。
1 岩石薄片物理测试通过对岩石显微图像、矿物成分和晶体结构等特征进行分析，进而确定出岩石岩性。
它是确定岩石岩性最为直接的手段。
相关方法包括扫描电镜、X射线衍射、岩石薄片图像分析等，其中基于岩石薄片图像的分析方法是最为常见。
岩石薄片是在岩样上取得的一小块岩片，并将其磨制成几十微米厚的薄片。
使用偏光显微镜，对其进行观察和图像采样，以确定岩样的岩石矿物成分，结构和构造等特征，并进一步对岩石岩性进行判断。
为了观察岩样内部孔隙、喉道及其相应的联通特征的方便，将彩色胶体或树脂注入岩石内部，然后进一步加工制成铸体薄片。
在以往的岩石识别分析过程中，测试人员以观察岩石薄片图像的方式桂岩石岩性进行分析与识别。
这种方法存在明显不足，识别结果很大程度上依赖于实验人员的个人经验、判断标准不统一，存在处理效率不高。
为了解决上述問题，程国建和郭超提出采用神经网络来对岩石岩性进行自动识别[3，4]。
首先使用图像处理技术对岩石薄片图像进行特征提取，例如，不同区域的大小和比例，连通区域所占比例和数量等。
然后，使用神经网络模型建立提出特征与岩石岩性间的对应关系，即使用已知信息对网络模型的参数进行训练与更新。
最后获得的神经网络模型就可被用来对岩石薄片所对应的岩性进行自动识别。
特征的选择与被分析岩石类型特点、人员的主观经验等因素都有关。
选择的图像特征是否能反映不同岩石岩性间的差异，这很大程度上依赖人的主观经验。
以深度学习算法为代表的机器学习方法快速发展与应用，解决了特征需要人工指定的问题。
深度学习，特别是卷积神经网络，通过大量被标定的图像或数据进行训练，不断更新其内部网格参数。
直接利用卷积神经网络来实现对岩石薄片图像进行自动岩性识别也存在问题。
由于卷积神经网络模型结构，相比传统的神经网络结构，其中间层更多，即深度更大，相应训练网络参数的硬件成本与时间成本更高，所需的训练样本也以几十万，甚至百万计。
迁移学习方式就可规避以上问题，该方法针对特定问题，对已训练好的网络模型结构和参数进行适当的改造，通过较少数据集的训练，来达到自动识别对象的目的。
张野采用Google的Inception-V3模型成功对花岗岩、千枚岩和角砾岩三类岩性进行自动识别[5]。
每种岩性的薄片图像为500张左右，而训练Inception-V3模型所需数据为120万张图像，实现对1000个类型对象进行自动识别分类。
程国建也采用了类似方法对岩石图像进行分类[6]。
由此可见，使用迁移学习方法能发挥成熟神经网络模型的优势与识别能力，大大降低解决类似问题的成本。
2 测井数据虽然岩石薄片图像可被用来对岩石岩样进行直观分析，但岩石薄片的制成成本较高，不利于大规模和快速使用。
测井技术通过测井仪器采集岩石的各类物理特征，它是岩石矿物成分，结构和构造等特性的综合反映。
要建立测井数据与岩石岩性的对应关系，首先应结合目的层段的岩心、岩屑和岩石薄片图像的鉴定结果，确定出不同岩性的测井响应特征;再基于该特征使用各类方法来构建岩性识别模型对地下地层的岩性进行判别。
对岩石岩性进行有效识别，应采用多种不同响应特征的测井曲线进行综合分析。
刘国全等在研究沧东凹陷致密油岩性时，针对储层中岩屑岩包含中酸性火成岩成分时，使得高伽玛值的测井响应特征，而无法使用单一测井方法将其与泥岩相区分的特点，使用伽玛、电阻率、声波、密度测井曲线进行综合分析[7]。
周波等针对火山岩成分复杂多变的特点，为提高岩性识别的准确率，提出使用伽玛、密度、中子、声波和深侧向电阻率5种常规测井曲线进行分析[8]。
随着测井技术的发展，一些特殊的测井手段也被用于直接判断岩石岩性。
例如：地层微电阻率扫描测井（FMI），该技术具有高采样率和高纵向分辨率，可在测量所得图像中对井壁地层的细微变换进行直观分析。
不同岩性在FMI图像上显示出不同的特征。
因此，在对被研究区的FMI图像进行精细解释的基础上，可建立针对不同岩性的识别模式[9，10]。
地层元素俘获测井（ECS）从岩石化学成分的角度解决岩石岩性识别问题[11]。
由于测井曲线众多，不同测井曲线间存在不同程度的信息重叠。
同时，对测井数据的再加工也是常见的技术手段，周波和王满使用灰度共生矩阵对测井图像进行提取，获取能反映岩性特征的对比度、能量、熵等多种纹理特征[8，10]。
为降低测井数据的复杂度，提高计算效率，使用主成分分析法（PCA）自动对测井曲线进行优选，找到最能反映岩石岩性特征又彼此独立的信息，降低对个人经验的依赖[12]。
交会图法是最为常见的岩性识别方法[13，14]，该方法是将岩样投影到多维度的测井特征空间。
如果选取的测井响应特征得当，相同岩性的岩样就会彼此聚集，进而可建立岩性识别图版。
如何根据识别目标选择恰当的测井响应特征和如何解决不同岩性在特征空间存在的重叠问题依然是一项挑战。
BP神经网络也应用于识别岩石岩性[15]。
该方法是将岩样的不同测井响应特征作为输入，岩样岩性作为输出，对BP神经网络的模型参数进行训练，以此建立测井响应特征与岩性间的非线性关系。
由于BP神经网络自身存在缺陷，例如泛化能力有限、输入特征的选择有赖于个人经验，收敛速度不可控等。
于代国和朱怡翔提出使用支持向量机来构建识别模型，其思想是利用核函数将岩样空间映射到特征空间，在更高维度上进行岩石岩性识别[2，16]。
贝叶斯判断[17]，核Fisher判别法[18]和深度学习[19，20，21]也被应用于基于测井数据的岩石岩性判别。
3 地震数据利用地震数据来确定地下地层岩性，大致采用两类方法：地震属性和地震反演。
地震属性是利用各类数学算法提取地震数据体内包含的多种信息。
前人将地震属性归类为振幅、波形和相位等8大类别91种属性，用以反映出地震波的几何形态、运动学，动力学和统计特征，服务于构造解释、储层预测和油藏描述等地学相关研究[22，23]。
不同地震属性能在不同程度上反映出地下地层的某种物理特征，加上地震属性众多，所以要利用地震属性对岩石岩性进行判断与识别，首先应对地震属性进行优选，例如采用相关分析挑选出与岩石岩性关联度更大的地震属性。
其次，应对地震属性进行标定，即建立目标层段的地震数据与地质特征之间的对应关系。
主要是利用临井的已知信息，例如岩心、岩性薄片的岩性分析结果，测井数据的解释结果等。
标定能将小尺度数据的高精度识别结果与地震数据进行有机结合。
最后，单一地震属性往往无法取得较好的识别效果，应结合多种地震属性进行综合分析，例如几种地震属性进行交汇分析;将地震属性与构造图相结合进行分析;或利用聚类分析、模式识别和神经网络等多种机器学习方法[24]。
借助于岩石物理分析，可建立弹性参数与储层地质特征的桥梁。
对地震数据进行反演处理获得弹性参数。
在弹性参数的基础上，就可使用多种方法对岩性进行识别。
例如：使用统计方法获得不同岩性的弹性参数范围，建立不同岩性的弹性参数量板。
结合弹性参数量板，就可地震数据进行岩石岩性识别处理。
由于在不同岩性之间，其弹性参数往往存在重叠，上述方法的识别精度有效。
使用交會图法能将不同岩性的弹性参数在更高维度上进行区分，但该方法依然会存在弹性参数存在重叠的情况。
通过叠前反演，可获得众多弹性参数信息。
例如，纵横波阻抗、泊松比等。
将叠前反演与随机反演相结合，形成地质统计学的反演方法;或在加入模型作为约束的条件下，进行AVO纵横波的联合反演，以增加反演结果的稳定和可靠[25，26]。
4 总结岩石薄片图像、测井数据和地震数据是岩石在不同尺度下的响应特征。
利用不同尺度数据进行岩性识别时，相应的原理存在差异。
岩石薄片图像是岩石矿物成分、结构和构造等特征的直观反映;测井数据是岩石多种因素的综合响应;地震数据与岩石岩性间的关系并不直接，而是需要提取地震属性或反演弹性参数来间接建立彼此对应关系。
在识别过程中，小尺度数据的识别结果可作为大尺度数据的先验信息。
各类数据的自动识别方法存在较大的相似性，大多是利用人工方式或自动算法来提取数据中的特征，结合先验信息，利用交会或机器学习算法等方法建立线性或非线性的识别模型，最后对整个目标区的岩石岩性进行自动识别。
参考文献[1]付光明，严加永，张昆， et al. 岩性识别技术现状与进展[J]. 地球物理学进展， 2017（01）：32-46.[2] 于代国，孙建孟，王焕增， et al. 测井识别岩性新方法--支持向量机方法[J]. 大庆石油地质与开发， 2005， 24（5）：93-95.[3] 程国建，马微，魏新善， et al. 基于图像处理与神经网络的岩石组构识别[J]. 西安石油大学学报（自然科学版）， 2013（05）：12+117-122.[4] 郭超，刘烨. 多色彩空间下的岩石图像识别研究[J]. 科学技术与工程， 2014， 14（18）：247-251.[5] 张野，李明超，韩帅. 基于岩石图像深度学习的岩性自动识别与分类方法[J]. 岩石学报， 2017， 34（2）.[6] 程国建，郭文惠，范鹏召. 基于卷积神经网络的岩石图像分类[J]. 西安石油大学学报（自然科学版）， 2017（4）.[7] 刘国全贾丽，李凤霞， et al. 沧东凹陷致密油岩性识别方法研究[J]. 特种油气藏，2014， 21（3）：18-22.[8] 周波，李舟波，潘保芝. 火山岩岩性识别方法研究[J]. 吉林大学学报（地球科学版），2005， 35（3）：394-0397.[9] 陈钢花，吴文圣，毛克宇. 利用地层微电阻率扫描图像识别岩性[J]. 石油勘探与开发，2001， 28（2）：53-55.[10] 王满，薛林福，潘保芝. FMI图像纹理统计方法识别火成岩岩性[J]. 测井技术， 2009（02）：12-16.[11] 魏国，赵佐安. 元素俘获谱（ECS）测井在碳酸盐岩中的应用探讨[J]. 测井技术，2008， 32（3）.[12] 张洪，邹乐君，沈晓华. BP神经网络在测井岩性识别中的应用[J]. 地质与勘探，2002（06）：65-67.[13] 陈小军，罗顺社，张凌. 火山熔岩特征及岩性识别方法[J]. 油气地球物理， 2009（02）：20-23.[14] 张晏奇. 测井资料交会图法在火山岩岩性识别中的应用探讨[J]. 西部探矿工程，2019， 31（04）：57-58.[15] 张洪，邹乐君，沈晓华. BP神经网络在测井岩性识别中的应用[J]. 地质与勘探（6）：65-67.[16] 朱怡翔，石广仁. 火山岩岩性的支持向量机识别[J]. 石油学报， 2013（02）：116-126.[17] 陈军，范晓敏，莫修文. 火山碎屑岩岩性的测井识别方法[J]. 吉林大学学报（地球科学版）， 2007（S1）：104-118.[18] 王鹏，胡向阳，魏水建. 基于核Fisher判别的复杂储层岩性识别[J]. 科学技术与工程， 2017（31）：35-40.[19] 安鹏，曹丹平. 基于深度学习的测井岩性识别方法研究与应用[J]. 地球物理學进展，2018（3）.[20] 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[J]. 地球物理学进展， 2005（2）.[21] Computer vision-based limestone rock-type classification using probabilistic neural network[J]. 地学前缘：英文版， 2016（1期）：53-60.[22] 张延玲，杨长春，贾曙光. 地震属性技术的研究和应用[J]. 地球物理学进展， 2005，20（4）.[23] 熊翥. 地层、岩性油气藏地震勘探方法与技术[J]. 石油地球物理勘探， 2012（01）：4+14-31+201.[24] 王静，张军华，谭明友， et al. 砂砾岩致密油藏地震预测技术综述[J]. 特种油气藏，2019， 26（01）：10-14.[25] 陈昌. 叠前地震反演在清水地区砂砾岩优质储层预测中的应用[J]. 海洋地质前沿，2017（6）.[26] 王开燕，林雨佳，黄明威， et al. 基于叠前弹性反演的含气储层预测技术[J]. 地球物理学进展， 2016， 31（5）：2150-2159.。
