基于密度的K-means算法在识别含气、含水岩心中的应用.pdfVIP

第 11卷 第 24期 2011年 8月 科 学 技 术 与 工 程 Vo1．11 No．24 Aug．2011 1671— 1815(2011)24—5759—05 ScienceTechnologyandEngineering ⑥ 2011 Sci．Tech．Engng． 石油技术 基于密度的K．means算法在识别含气、 含水岩心中的应用 张 会 赵腾飞 王云专 吴卫琴 (东北石油大学地球科学学院 ，大庆 163318；大庆钻探工程公司物探一公司 ，大庆 163357) 摘 要 深层火山岩气藏研究一直是地震勘探的难点，火山岩储层固有的岩性和储层空间的复杂性使其油气预测非常困难。 针对其特殊性，采用基于密度的K-means算法对深层火山岩含气、含水岩心进行聚类识别。通过分析该算法的聚类识别结果， 该算法具有较高的识别准确度与稳定性，因而对地震反演和流体识别具有一定的参考价值。 关键词 岩心 聚类分析 K—means算法 地震反演 流体识别 中图法分类号 TEl22．24； 文献标志码 A 随着勘探技术 的进步 ，在地层深部火 山岩 中发 取相互欧式距离最远的K个数据作为初始聚类 中 现越来越多的天然气藏 ，因此石油工作者越来越重 心的K—means算法中，也会因为有时会取到噪声点 视火山岩气藏的研究。地震勘探是寻找和判别岩 而影响聚类效果。一般在一个数据空间中，高密度 性油气藏的重要方法。地震反演一直是地震勘探 的数据对象区域被低密度 的数据对象区域所分割， 中的一项核心技术，它可以将地震资料、测井数据、 通常认为处于低密度区域的点为噪声点 J。本文 地质解释相结合，有效地对储层物性参数的变化进 所采用的基于密度的K-means算法根据类簇数据的 行研究，从而得到物性参数在空间上的分布规律， 自然分布来选取初始聚类 中心，找出对象 中分布 比 指导油气 的勘探和开发 。而深层火 山岩特殊 的 较密集的区域，这正是聚类的 目的，从而摆脱 了随 岩性和地质条件决定 了火 山岩储层反演会遇到诸 机选取聚类 中心对聚类结果产生 的不稳定性 ，以及 多技术难题。 用质心代表一个类簇所带来的 “噪声”和孤立点数 本文基于松辽盆地徐家围子地区深层火山岩 据对聚类结果的影响 。 岩石样品研究，在对流体较敏感的岩石物理属性参 数交会图上，采用基于密度 的K．means算法识别含 1 基于密度的K-means算法 气、含水岩石。 K—means算法是聚类分析 中一种基本的划分方 1．1 原始的K．means算法 ] 法，因其理论可靠、算法简单、收敛速度快、能有效 设模式样本集为X={X；i=1，2，…，n}，其中 地处理大数据集而被广泛使用 ]。但传统的 ． 。 为 d维模式 向量 ，聚类问题就是要找到一个划分 means算法对初始聚类 中心的依赖性导致不同的初 C={C ，C：，…，C }，满足： 始聚类 中心会产生差异很大 的聚类结果。即使在 X =U m C r ： 1 2011年 5月26日收到 {C≠(f)(i=1，2，…，m) (1) 第一作者简介 ：张 会 (1983 )，女，黑龙江大庆人，