高分辨岩心曲线构建在测井岩性识别中的应用_由婷.pdf

测 井 技 术WELL LOGGING TECHNOLOGYVol.47 No.2 Apr 2023第47卷 第2期 2023年4月文章编号：1004-1338（2023）02-0138-08高分辨岩心曲线构建在测井岩性识别中的应用由婷1，朱天怡2，徐鹏晔3，王树华3，贺兴2，于立军4（1.上海交通大学碳中和发展研究院，上海 200240；2.上海交通大学电子信息工程学院，上海 200240；3.中国石油化工股份有限公司胜利油田分公司勘探开发研究院，山东 东营 257099；4.上海交通大学智慧能源创新学院，上海 200240）摘要：在利用测井资料进行岩性识别时，为提高岩性识别的准确率通常会结合钻井取心实验，但取心过程复杂、成本高，油田的取心井数据一般较少，而人工智能、特别是机器学习技术的发展和应用为测井岩性识别提供了新的技术途径。以民丰洼陷北带盐22井区为例，采用机器学习算法开展地层岩性的自动识别，通过学习低分辨率（深度间隔0.125 m）的测井曲线数据，拟合出需要在实验室测试所得的高分辨率（深度间隔0.01 m）岩心伽马曲线，并将该曲线作为特征之一输入不同模型中进行地层岩性识别。结果显示，在多种机器学习模型中，拟合的高分辨率岩心伽马曲线不仅可以提高岩性识别的精确度，还可替代实测岩心伽马曲线在岩性识别中应用。其中，XG Boost模型表现最为突出，其岩性识别精确度最高为94.39%，为测井岩性识别提供了基于机器学习算法的有益探索。关键词：测井评价；岩性识别；机器学习；岩心曲线；XG Boost；民丰洼陷中图分类号：P631.84 文献标识码：ADoi：10.16489/j.issn.1004-1338.2023.02.003Application of High-Resolution Core Curve Construction in Logging Lithology IdentificationYOU Ting1,ZHU Tianyi2,XU Pengye3,WANG Shuhua3,HE Xing2,YU Lijun4(1.Research Institute of Carbon Neutrality,Shanghai Jiao Tong University,Shanghai 200240,China;2.School of Electronic Information and Electrical Engineering,Shanghai Jiao Tong University,Shanghai 200240,China;3.Research Institute of Exploration&Development,Shengli Oilfield Company,SINOPEC,Dongying,Shandong 257099,China;4.College of Smart Energy,Shanghai Jiao Tong University,Shanghai 200240,China)Abstract:Stratum lithology identification based on logging curves is an important direction in the interpretation of logging data,it is usually combined with drilling and coring experiments.However,due to the complexity and high cost of the coring process,there is generally less data available from coring wells in oilfields.The development and application of artificial intelligence,especially machine learning technology,has provided new technical ways to solve the logging lithology identification problem.The research in this paper takes Yan22 well area in the northern belt of Minfeng sag as an example.We fit a high-resolution(depth interval of 0.01 m)core gamma curve,which usually needs to be obtained from laboratory tests,by learning low-resolution(depth interval of 0.125 m)logging curve data.Input the curve as one of the features into different models for lithology identification in the study of logging lithology identification based on machine learning algorithms.The results show that the fitted high-resolution core gamma curve can not only improve the accuracy of lithology identification as one of the new features,but also replace the measured core gamma curve features with maintaining a slightly higher or similar lithology identification accuracy in multiple machine learning models.In particular,the XG Boost model has the most outstanding performance,and its lithology recognition accuracy can be increased up to 94.39%,which provides a new and useful exploration for the lithology recognition of logging based on machine learning algorithms.Keywords:log evaluation;lithology identification;machine learning;core curve;XG Boost;Minfeng sag基金项目：中国石油化工股份有限公司“老油田开发大数据应用系统集成与示范应用”（P20071-4）第一作者：由婷，1982 年生，女，助理研究员，博士，从事能源战略、能源大数据研究。E-mail：由婷，等：高分辨岩心曲线构建在测井岩性识别中的应用第47卷 第2期139 0 引 言地层储油能力与其岩性密切相关，不同岩性的地层储油量差异很大，准确识别地层岩性是油藏储量计算的基础。当前，岩性识别主要采用的方法有重磁、测井、地震、遥感、电磁、地球化学等1，在投入成本和识别准确度方面各有优缺点。其中，基于测井资料的岩性识别方法不仅具有纵向分辨率高、针对性强1的特点，还具有算法相对齐全、成本费用低等优势，是岩性识别中比较常用且成熟的方法。测井岩性识别需要通过已有的测井曲线资料来判断不同的地层岩性。测井资料如自然伽马、自然电位、电阻率、声波速度、岩石体积密度等都包含着能够直接反映地下连续岩性的地质信息，测井解释人员可以通过测井曲线之间的不同组合确定地层岩性 2-3。在实际获取测井曲线数据时，受采集、记录以及地层环境等内外因素的影响，获得的测井信号容易出现噪声多甚至失真的问题。因此，在通过人工解释进行测井岩性识别时，解释人员还会结合提取的岩心实验数据来提高识别的准确度和可靠性。但是，由于实际操作中取心实验成本高，为降低勘探成本，会选择较少的取心段进行岩心的提取。另外提取的岩心极易破碎，也会导致岩心实验数据与实际存在一定的偏差或缺失。因此，实际工程中能够获取的有效岩心实验数据非常少，增加了利用测井资料进行岩性识别工作的难度。近年来，大数据、机器学习以及人工智能的引入给测井资料解释提供了新的思路和方法4。基于机器学习算法的测井岩性识别，可以快速提取特征曲线、建立敏感参数和待求参数间的映射关系5，从而高效智能地解决复杂岩性的分类或预测问题。向量机 6-11、神经网络12-16、决策树17-19、集成学习20-21等多种机器学习方法被广泛用于复杂岩性识别中，并取得了不错的效果。朱澈等16以辽河油田某取心井为实例，构建了神经网络岩性识别模型，对混合花岗岩等岩性识别正确率达90%以上。武中原等22提出了基于LSTM方法的岩性识别模型，对比其他如朴素贝叶斯等传统方法，可以把碳酸盐岩性识别的准确率提升1.40%12.25%。本研究通过学习多条测井曲线以及部分岩心伽马曲线特征规律，拟合出具有连续深度的、高分辨率的岩心伽马曲线，并将得到的岩心伽马曲线作为特征之一输入岩性识别模型进行岩性识别，以对岩性分类结果的精确度作为评价指标，验证将高分辨率岩心曲线构建应用于测井岩性识别的可行性，为基于机器学习算法的岩性识别开辟了新思路。1 研究区概况本次研究数据来源于东营凹陷中央背斜北侧沙河街组沙四上亚段的砂砾岩地层。研究区为古近系沉积时期，具有山高坡陡、沟梁相间的古地貌特征，地层发育和沉积特征具有边缘相特点。根据钻井、测井、地震等前期资料分析结果，研究区的盐22-22井所处的沙四上亚段地层厚度7001 000 m，辫状水道微相发育较好，砂体较厚，岩性主要为含砾砂岩。根据取心段成像测井资料显示，3 2663 425 m深度段以细砾岩、含砾砂岩为主；3 4153 532 m深度段以砾岩、含砾砂岩为主；3 5323 673 m深度段以大套厚层砾岩为主；3 6733 700 m深度段岩性以埋藏最深的厚层砾岩为主23。电性特征为自然电位曲线负异常，表现为箱状、钟形或低幅的齿状。2 研究方法2.1 算法原理及数据预处理本研究所用机器学习算法及其原理如表1所示。在基于机器学习算法构建的地层岩性识别模型中，需要使用多条测井曲线数据作为样本进行训练。不同类型的测井曲线数据不仅量纲存在差异，各自的数据特征也属于不同的正态分布，因此，首先需要对样本数据进行归一化和标准化处理，以降低对模型训练速度和预测精度的影响。利用式（1）处理所需测井曲线数据样本集的所有属性值，并将其归一化到（0，1）以此来消除量纲的影响。xxxxx*=-minmaxmin（1）式中，x为测井曲线参数原始值；x*、xmin以及xmax分别为x的归一化值、最小值和最大值。利用式（2）将测井曲线数据样本集的所有属性值进行标准化。zx=-（2）式中，z为经过标准化处理的数据；为样本数据均值；为样本数据标准差。2023年测 井 技 术140 2.2 敏感测井曲线的选取在构建岩性识别的机器学习算法模型时，测井曲线类型的选取会直接影响岩性分类的预测精度 32，故需要对不同的测井曲线进行敏感性分析。通过采用盐22-22井的所有测井曲线数据，包括岩层深度（DEPTH），声波时差（AC），自然伽马（GR），自然电位（SP），体积密度（DEN），感应电导率（COND）以及4 m底部梯度电阻率（R4）进行岩性识别找出对岩性特征响应敏感的测井曲线。在本研究中，根据前期勘探分析，为与地质解释工作过程相匹配，首先将岩性大体划分为6大类，分别是砂岩、含砾砂岩、泥岩、粒状砂岩、砾岩以及粗粒岩。此外，为更细致地描绘地层岩性特征，在6分类基础上将岩性进一步细分为16类岩性，分别为细砂岩、中砂岩、粗砂岩、砂岩、钙质中砂岩、白云质砂岩、泥质砂岩、含砾中砂岩、含砾粗砂岩、泥岩、砂质泥岩、砾状砂岩、砾岩、中砾岩、细砾岩、粗砾岩，岩性样本数共计831个。在以随机抽样的形式将所有样本划分为训练集和测试集后，通过决策树、随机森林及集成方法等评估特征的重要性，调用sklearn函数的feature_importance属性（见表2）。表 1 算法及其原理算法名称英文名称算法原理邻近算法K-Nearest Neighbor(KNN)一种基本分类与回归方法，其核心思想是通过计算待分类样本与已知分类样本之间的距离，找到距离待分类最近的K个已知类别的样本，统计K个样本中各类样本出现的次数24。多层感知机MLP Classifier一种常见的神经网络模型，利用输入层接收数据，通过一系列中间层（也称为隐藏层）对数据进行转换和加工，最终输出层对数据进行分类或回归。MLP中每个神经元都通过输入加权和及激活函数对数据进行处理，并将处理结果传递给下一层。MLP还可以根据训练数据调整每个神经元的权重，以提高分类准确性25。决策树Decision Tree一种基于树结构的机器学习算法，核心思想是通过对数据的分析，构建一棵树形结构，每个节点代表一个属性判断，每个分支代表一个判断结果，最终到达叶子节点，即为分类结果26。极端随机树Extra Tree一种集成监督机器学习算法，Extra Tree训练多个决策树，每棵树采用所有的训练样本，即每棵树的样本集是相同，但特征是随机选取的，并直接选择一个特征值划分决策树27。梯度提升树Gradient Boost一种迭代的集成学习算法，它的核心思想是通过组合多个弱学习器（如决策树）来构建一个更加强大的预测模型。其算法原理是基于损失函数的梯度下降优化，即在每次迭代中，会根据当前模型的预测结果和真实值之间的差异，计算出一个梯度值，并将其作为下一轮迭代中的样本权重。最后将多个弱学习器的预测结果进行加权求和，得到最终的模型预测结果28。极端梯度提升 XG Boost即Extreme Gradient Boost算法，与Gradient Boost算法的核心思想类似，通过使用梯度下降来最小化整个系统的损失函数，并在目标函数中引入二阶导数近似加以改进。然后将新的决策树与之前的决策树进行集成，通过正则化控制模型复杂度，从而避免了过拟合问题29。随机森林Random Forest一种集成学习算法，核心思想是通过对多个决策树的集成来提高模型的预测准确性。它在构建每棵决策树时，采用随机选择特征和样本的方式，从而使得每棵决策树都有所不同。在预测时，每棵树都对样本进行预测，并将它们的预测结果综合起来作为最终的预测结果30。装袋算法Bagging即Bootstrap Aggregating算法，是一种自助聚合的集成算法，其核心思想是通过对原始数据进行有放回的随机抽样，生成多个训练集，然后基于这些训练集训练出多个模型，并将这些模型的输出结果进行平均，从而降低方差、提高模型预测准确率31。表 2 盐 22-22 井测井曲线灵敏度分析方法灵敏度DEPTHACGRSPDENCONDR4Decision Tree0.213 80.161 50.114 40.145 60.054 60.042 70.097 1Extra Tree0.194 30.068 00.091 60.188 70.044 80.086 50.118 0XG Boost0.197 50.118 80.090 20.136 80.043 10.053 20.091 2Random Forest0.166 60.131 10.094 40.106 60.052 60.081 90.110 7AdaBoost0.00.50.00.50.00.00.0GrandientBoost0.335 10.103 10.085 50.107 50.041 50.051 50.120 9平均值0.184 60.180 50.079 40.197 60.039 50.052 70.089 7由婷，等：高分辨岩心曲线构建在测井岩性识别中的应用第47卷 第2期141 如表2所示，对于盐22-22井，岩性分类主要与自然电位、地层深度、声波时差、4 m底部梯度电阻率、自然伽马关联性较强，与感应电导率和体积密度特征关联较弱。2.3 高分辨率岩心伽马曲线的构建由于实际获取的盐22-22井测井曲线的测量深度间隔为0.125 m（低分辨率），而实验室岩心伽马曲线测试的深度间隔一般为0.01 m（高分辨率）。因此，本研究根据已获取的多条低分辨率测井曲线构建出一条具有连续深度的、高分辨率的岩心伽马曲线（GR-core），探索通过机器学习算法取代或减少取心及岩心实验的可能性。首先以输入的原始测井曲线、低分辨率岩心伽马曲线作为输出，建立测井曲线到岩心伽马曲线的映射模型，然后对原始测井曲线进行插值，再以插值后的测井曲线为特征输入，以GR-core为输出进行回归拟合，构建出一条具有高分辨率的岩心伽马曲线。图1为岩心伽马实测曲线和构建的高分辨率岩心伽马曲线（GR-core）对比图，图 1（a）为实验室中实际测得的岩心伽马曲线，可以看出由于取心等实际操作问题，岩心伽马曲线为不同深度下的6段非连续曲线。图 1（b）为以超线性插值后的测井曲线AC、GR等为特征输入，进行回归拟合后所得到的高分辨率岩心伽马曲线（GR-core），是深度间隔为0.01 m的连续曲线。（b）（a）1501005003 7003 6503 6003 5503 5003 4503 4003 3503 300150100500深度/m3 7003 6503 6003 5503 5003 4503 4003 3503 300深度/mGR-core/APIGR-core/API图1 岩心伽马曲线实测值与拟合值对比2.4 机器学习算法的优选岩性识别的准确性可以由精确度和加权精确度来评价。根据预测标签与实际标签的对应关系，一般将样本划分为4个类别：真正类，模型预测为正类样本实际也为正样本。假正类，模型预测为正类样本实际为负样本。假负类，模型预测为负类样本实际为正样本。真负类，模型预测为负类样本实际也为负样本。模型识别的真正类样本比例：PSSSiiniiin=+()=TP,TP,FP,11（3）式中，P为岩性识别精确度；STP,i、SFP,i分别为正确识别为正样本的数量和负样本被识别为正样本的数量，i为岩性类别。考虑不同岩性占比后模型识别的真正类样本比例：PSSSiniiii*=+|TP,TP,FP,（4）式中，P*为加权精确度；i为岩性类别i的占比。3 研究应用3.1 未构建GR-core曲线首先，以盐22-22井的原始测井曲线加实测岩心伽马曲线为训练集，以插值后的测井曲线加实测岩心伽马曲线为测试集，分别调用Python3软件中sklearn包的多种机器学习函数进行训练，不同算法模型对6分类岩性识别和16分类岩性识别的评价得分如表3和表4所示。统计结果显示，采用集成学习方法分类效果较好。其中，XG Boost模型的分类精确度最高，6分类岩性识别的加权精确度为0.940 681，16分类岩性识别的加权精确度为0.936 802。表 3 6 分类测试集各方法精确度方法精确度加权精确度KNN0.812 1320.816 416MLP Classifier0.776 4600.777 026Decision Tree0.888 2830.888 724Extra Tree0.871 6220.872 693XG Boost0.940 2960.940 681Random Forest0.921 8190.922 165Gradient Boost0.913 4890.914 654Bagging0.928 1210.928 8232023年测 井 技 术142 表 4 16 分类测试集各方法精确度方法精确度加权精确度KNN0.793 9790.797 725MLP Classifier0.767 7190.765 653Decision Tree0.902 0060.902 399Extra Tree0.885 0340.886 121XG Boost0.935 9520.936 802Random Forest0.928 0520.927 873Gradient Boost0.915 2430.916 254Bagging0.926 3450.925 3893.2 增加GR-core曲线特征以盐22-22井的原始测井曲线加实测岩心伽马曲线作为训练集，以插值后测井曲线加实测岩心伽马曲线为测试集，将构建的GR-core曲线作为新特征加入KNN、MLP Classifier等不同算法的岩性识别模型中，对6分类岩性识别和16分类岩性识别的评价结果如表5和表6所示。统计结果显示，精确度最高的模型仍为XG Boost，其6分类岩性识别的加权精确度为0.943 857，16分类的岩性识别的加权精确度为0.939 487，二者均略高于未增加GR-core曲线特征时的识别精度。表 5 6 分类测试集各方法精确度方法精确度加权精确度KNN0.804 4430.806 554MLP Classifier0.685 5700.688 224Decision Tree0.894 1570.893 988Extra Tree0.866 2820.867 276XG Boost0.943 5010.943 857Random Forest0.920 5380.920 787Gradient Boost0.918 9360.919 916Bagging0.931 6450.932 593表 6 16 分类测试集各方法精确度方法精确度加权精确度KNN0.796 0050.799 376MLP Classifier0.675 2100.675 879Decision Tree0.900 2450.901 174Extra Tree0.851 6500.853 886XG Boost0.939 2280.939 487Random Forest0.920 5380.919 652Gradient Boost0.923 1010.924 912Bagging0.927 5870.927 5203.3 以GR-core曲线替代实测岩心伽马曲线以盐22-22井的原始测井曲线加实测岩心伽马曲线作为训练集，以插值后测井曲线加实测岩心伽马曲线为测试集，将构建的GR-core曲线替代实测岩心伽马曲线特征，不同岩性识别模型对6分类岩性识别和16分类岩性识别的评价结果如表7和表8所示。统计结果显示，精确度最高的模型仍是XG Boost，其6分类岩性识别的加权精确度为0.942 380，相较于采用实测岩心伽马曲线作为特征之一的岩性识别，加权精确度略有增加；16分类岩性识别的加权精确度为0.936 456，与采用实测岩心伽马曲线作为特征之一的岩性识别精确度相近。表 7 6 分类测试集各方法精确度方法精确度加权精确度KNN0.805 7240.808 643MLP Classifier0.722 4180.724 039Decision Tree0.913 8090.914 160Extra Tree0.877 7100.877 846XG Boost0.942 6460.942 830Random Forest0.922 9940.923 378Gradient Boost0.914 3430.915 412Bagging0.930 3640.993 077表 8 16 分类测试集各方法精确度方法精确度加权精确度KNN0.791 6260.789 751MLP Classifier0.724 0200.729 157Decision Tree0.904 0900.904 279Extra Tree0.889 1270.890 739XG Boost0.935 3830.936 456Random Forest0.929 6160.929 473Gradient Boost0.924 0620.926 161Bagging0.921 7130.921 766结果显示，构建一条高分辨率岩心伽马曲线并将其作为特征之一替代实测的岩心伽马曲线，对于盐22-22井基于机器学习算法的测井岩性识别来说，其分类精确度略有提升或相近。从实验结果分析可以得出，通过机器学习算法模型，采用低分辨率（深度间隔0.125 m）的测井曲线预测高分辨率（深度间隔0.01 m）的岩心伽马曲线是可行的。因此，测井曲线结合机器学习算法可在一定程度上替代岩心实验，从而为测井岩性识别工作的效率提升、成本控制提供了新的思路和方法。由婷，等：高分辨岩心曲线构建在测井岩性识别中的应用第47卷 第2期143 3.4 不同插值方法对岩性识别精确度的影响实验分别采用了线性插值、超线性插值、平方插值和三次样条插值这4种不同方法对低分辨率测井曲线进行插值，并将所得曲线用于多个机器学习模型进行岩性识别。图2为岩性识别精确度的结果对比，图 2（a）为6类岩性分类结果，图 2（b）为16类岩性分类结果。由图2可知，经过不同方法插值后的测井曲线在KNN、MLP Classifier等8个机器模型下表现出的岩性识别精确度整体结果相近，说明针对原始测井曲线采用不同的插值方法对岩性识别精确度影响不大，其中，采用超线性插值的结果略高于其他方法。图2 不同插值方法对岩性识别精确度的影响0.700.750.800.850.900.95精确度0.700.750.800.850.900.950.700.750.800.850.90精确度0.950.700.750.800.850.900.95线性插值超线性插值平方插值算法名称算法名称算法名称算法名称三次样条插值线性插值超线性插值平方插值三次样条插值0.700.750.800.850.90精确度0.950.700.750.800.850.900.950.700.750.800.850.900.95精确度0.700.750.800.850.900.95KNNMLP ClassifierDecision TreeExtra TreeXG BoostRandom ForestGradient BoostBaggingKNNMLP ClassifierDecision TreeExtra TreeXG BoostRandom ForestGradient BoostBaggingKNNMLP ClassifierDecision TreeExtra TreeXG BoostRandom ForestGradient BoostBaggingKNNMLP ClassifierDecision TreeExtra TreeXG BoostRandom ForestGradient BoostBagging（a）6类岩性分类结果（b）16类岩性分类结果3.5 GR-core曲线对不同岩性识别正确率的影响以构建的高分辨岩心伽马曲线GR-core代替实测岩心伽马曲线，并采用XG Boost算法作为岩性识别的模型，对盐22-22井中6类岩性识别的正确率均高于90%，其中对含砾砂岩、砂岩的识别正确率高于95%（见表9和图3）。对16分类岩性识别的正确率均高于80%，其中对白云质中砂岩、钙质中砂岩、砂岩以及细砂岩的识别尤为准确（见表10和图4）。表 9 6 分类岩性正确率统计岩性STPSFN*SFP正确率*粗砾岩3 0141502170.932 8砾岩1 51553870.945 7砾状砂岩1 545135980.940 4泥岩47023500.903 8含砾砂岩1 91899950.952 8砂岩34299120.996 1*注：SFN为模型识别正类样本实际为负样本的数量；正确率=STP/（STP+SFP）。表 10 16 分类岩性正确率统计岩性STPSFNSFP正确率白云质中砂岩19801.000 0粗砾岩34299180.950 0粗砂岩50549230.956 4钙质中砂岩12801.000 0含砾粗砂岩7915190.806 1含砾中砂岩1 43935840.944 8砾岩8281350.994 0砾状砂岩4858470.911 7泥岩1 5431001110.932 9泥质砂岩17120180.904 8砂岩482801.000 0砂质泥岩272540.985 5细砾岩54618220.961 3细砂岩41801.000 0中砾岩52587670.886 8中砂岩1 5111091820.892 52023年测 井 技 术144 图4 16分类岩心识别结果细砂岩中砾岩中砂岩空层白云质中砂岩粗砾岩粗砂岩钙质中砂岩含砾粗砂岩含砾中砂岩砾岩砾状砂岩泥岩泥质砂岩砂岩砂质泥岩细砾岩90140190 7080902.42.62.8 1540654060803 4803 4853 4903 4953 5003 5053 510557595深度/m实际岩性 模型识别岩性105090 130GR/APISP/mVDEN/（gcm-3）COND/（m）R4/（m）GR-core/APIAC/（sm-1）90140190 7080902.42.62.8 1540654060803 4803 4853 4903 4953 5003 5053 510557595深度/m粗砾岩砾岩粒状砂岩泥岩含砾砂岩砂岩空层实际岩性 模型识别岩性105090130GR/APISP/mVDEN/（gcm-3）COND/（m）R4/（m）GR-core/APIAC/（sm-1）图3 6分类岩性识别结果由婷，等：高分辨岩心曲线构建在测井岩性识别中的应用第47卷 第2期145 4 结 论（1）本文在基于多种机器学习算法的岩性识别研究中，采用通过学习低分辨率的测井曲线数据，拟合出通常需要在实验室才能获得的高分辨率岩心伽马曲线，并将该曲线作为特征之一输入岩性识别模型中。（2）对低分辨率的测井曲线超线性插值后拟合所得的高分辨率岩心伽马曲线GR-core，在基于XG Boost算法的测井岩性识别模型中，可替代实测岩心伽马曲线特征完成岩性分类工作，且分类精度不受影响：6分类的岩性识别加权精确度达0.942 830，16分类的岩性识别加权精确度达0.936 456，该方法对砂岩类的识别尤其突出。（3）本文探索了一条通过机器学习算法拟合实验室高分辨率岩心曲线进而进行岩性识别的新方法，可作为对测井岩性自动识别的探索。参考文献：1 付光明，严加永，张昆，等.岩性识别技术现状与进展J.地球物理学进展，2017，32（1）：26-40.2 TSANG S,YUN S K,DOBBIE G,et al.Detecting online auction shilling frauds using supervised learning J.Expert Systems with Applications an International Journal,2014,41(6):3027-3040.3 BEYAN C,FISHER R.Classifying imbalanced data sets using similarity based hierarchical decomposition J.Pattern Recognition,2015,48(5):1653-1672.4 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.地球物理学进展，2018，33（3）：1029-1034.5 王华，张雨顺.测井资料人工智能处理解释的现状及展望J.测井技术，2021，45（4）：345-356.6 王鹏.支持向量机在测井解释中的应用D.荆州：长江大学，2017.7 吴施楷，曹俊兴.基于连续限制玻尔兹曼机的支持向量机岩性识别方法J.地球物理学进展，2016，31（2）：821-828.8 解敬.基于ACO优化SVM在测井岩性识别中的研究D.大庆：东北石油大学，2015.9 牟丹.辽河盆地中基性火成岩测井岩性识别方法研究D.长春：吉林大学，2015.10 牟丹，王祝文，黄玉龙，等.基于SVM测井数据的火山岩岩性识别：以辽河盆地东部坳陷为例J.地球物理学报，2015，58（5）：1785-1793.11 王鹏，汪忠浩，倪娜.基于交叉验证的SVM对致密砂岩岩性的识别J.中国锰业，2016，34（6）：53-56.12 王振涛.测井曲线岩性识别的神经网络集成策略研究D.大庆：东北石油大学，2019.13 温志平，方江雄，刘军，等.自适应递阶遗传神经网络测井岩性识别方法研究J.东华理工大学学报（自然科学版），2017，40（4）：368-375.14 REN X X,HOU J G,SONG S H,et al.Lithology identification using well logs:a method by integrating artificial neural networks and sedimentary patterns J.Journal of Petroleum Science and Engineering,2019,182:106336.15 王娜娜.神经网络在测井岩性识别中的应用D.北京：北京化工大学，2009.16 朱澈，汪忠浩，胡志鹏，等.神经网络法在变质岩岩性识别中的应用J.科技资讯，2013（5）：96.17 王振洲，张春雷，高世臣.利用决策树方法识别复杂碳酸盐岩岩性：以苏里格气田苏东 41-33 区块为例J.油气地质与采收率，2017，24（6）：25-33.18 刘继龙，宋延杰，孙红，等.X断陷火二段火山岩储层岩性识别技术研究J.天然气与石油，2019，37（6）：81-86.19 李洪奇，谭锋奇，许长福，等.基于决策树方法的砾岩油藏岩性识别J.测井技术，2010，34（1）：16-21.20 段友祥，赵云山，马存飞，等.基于多层集成学习的岩性识别方法J.数据采集与处理，2020，35（3）：572-581.21 邹琪，何月顺，杨希，等.基于集成学习的测井岩性识别模型的构建J.智能计算机与应用，2020，10（3）：91-94.22 武中原，张欣，张春雷，等.基于LSTM循环神经网络的岩性识别方法J.岩性油气藏，2021，33（3）：120-128.23 韩晓彤.东营凹陷盐 22 块砂砾岩油藏储层非均质性研究D.青岛：中国石油大学（华东），2020.24 GUO G,WANG H,BELL D,et al.KNN model-based approach in classification C/OTM Confederated International Conferences,Catania,Sicily,Italy,2003.25 WINDEATT T.Accuracy/diversity and ensemble MLP classifier design J.IEEE Transactions on Neural Networks,2006,17(5):1194-1211.26 MYLES A J,FEUDALE R N,LIU Y,et al.An introduction to decision tree modeling J.Journal of Chemometrics:A Journal of the Chemometrics Society,2004,18(6):275-285.27 GEURTS P,ERNST D,WEHENKEL L.Extremely randomized trees J.Machine Learning,2006,63:3-42.28 NATEKIN A,KNOLL A.Gradient boosting machines,a tutorial J.F