基于测井曲线自动分层的岩性识别方法研究吴非1王卫1王佳琦2摘要：根据测井曲线数据，运用移动平均方法实现自动分层，再对得到的分层数据，采用交会图、BP神经网络、支持向量机这三种岩性识别方法，对比分析每种方法使用相同的测井资料作为样本，对相同的测井数据做预测分析，与此同时与MATLAB识别结果进行对比，从中选出比较合适的岩性识别方法。
关键词：测井数据；曲线分层；交会图；BP神经网络；支持向量机；岩性识别1 绪论地层岩性识别在水平井与地层关系解释、及随钻导向评价等方面具有的重要的研究意义。
目前，可以通过岩屑录井、取芯和测井资料的处理解释等方式来获取地下三维空间的岩性信息]。
在岩性识别过程中，主要以SP、GR、AC、RT、DEN和CN等曲线作为岩性响应特征数据，实现对测井曲线分层、岩性识别和预测进行分析。
而测井曲线分层、不同岩性识别方法对识别结果影响很大。
测井曲线分层一直是关注的热点。
目前，测井曲线分层主流的方法有人工智能、数理统计和非数理统计等方法。
雍世和认为测井曲线的数值变化不大的可以归为同一层，不同的层其差别比较大，就是所谓的层内差异法，基于统计学方法的测井曲线分层有李广场的有序聚类分析和Danilo R.Velis的变点分析法。
阎辉等提出了小波变换方法的非数理统计方法。
近年来人工智能的兴起，相关的算法也在测井曲线分层中有较多方法的应用，如刘春桃等提出了基于神经网络的测井曲线分层方法，梁亚纳等提出了基于支持向量机测井曲线分层方法等。
上述方法各有优劣，数理统计方法计算量大，但数学理论严密；非数理统计方法一般只考虑局部或整体，不适合于多因素综合；人工智能方法受样本数据影响较大，如果样本训练准确率较高，则识别的效果相对较好。
岩性识别方法更是受专家和学者探讨和研究的热点之一。
国内外关于这两方面的研究比较成熟，交会图技术法是利用测井资料进行岩性识别的常用方法[8]，随着IT技术的发展和多学科的交叉融合应用，模式识别领域的人工智能方法也被引入到岩性识别中来，比如：聚类分析法[9]、BP神经网络[10]等方法。
摘要在地球物理勘探中，为了了解地下地质情况，以便于对具有不同特点的地层确定研究目标，以及确定将要重点研究的地层，统一不同井号的研究范围，其中测井曲线分层是首先要完成的基础工作。
本文以1号井为标准井，建立数学模型实现了测井曲线的自动分层。
在建立模型过程中，对1号井的数据进行了分类：有效值、无效值、过渡值。
我们采用零替换的方法处理了题中出现的无效数据，对于其他非正常数据，由于其表现出的无规律性，因此我们采用了中值滤波的处理方法减小了噪声干扰，从而提高了数据质量。
鉴于测井曲线中评价指标过多的情况，首先根据数据的特点进行了初步的筛选，剔除了信息含量少的指标。
对于留下的36个指标，又根据信息论的思想，计算出每一项指标的信息量，进一步剔除信息量较低的指标，最终得到22个测井曲线评价指标。
该模型对这22个指标进行了主成分分析，得到五个主成分，其累计贡献率达到了80%以上，起到了降维的作用。
再根据主成分的方差贡献率确定了每一个主成分的权重，然后将所有主成分加权求和得到一个新的综合指标，从而根据这一综合指标将所有的测井曲线综合为一条测井曲线，利于模型的后续处理。
对于每号井的综合测井曲线，该模型采用matlab软件编程进行了趋势分析，对测井曲线进行了粗分层，确定了分界点的可能位置，然后进行了层界面归并和加权值法命名，达到了测井曲线自动分层的目的。
依据建立的模型对1号井进行了自动分层，根据分层结果论证了该模型的准确性程度，得出该模型有较高的准确性。
然后对2至7号井进行了自动分层，通过了人工分层结果进行对比，分析了在测井曲线分层中出现的自动分层模型的准确度问题和人工分层的主观性问题。
最后，利用文中建立的模型对8至13号井进行了自动分层，给出了分层结果，并进行了对结果的分析。
关键字：中值滤波；主成分分析；趋势分析一、问题重述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。
测井曲线分层的目的是为了在今后的研究中，便于对具有不同特点的地层确定研究目标，以及确定将要重点研究的地层，统一不同井号的研究范围。
