随钻测井实时岩性判识方法研究.pdfVIP

第35卷第12期 煤 炭 技 术 V01．35No．12 12月 Dec·2016 2016年 Coal7rechnology doi：10．1330l／j．cnki．ct．2016．12．045 随钻测井实时岩性判识方法研究木 陈 刚 (中煤科工集团西安研究院有限公司，西安710077) 摘 中每种方法使用同样的测井资料作为样本，对相同的测井数据做预测识别，选出更为适合的方法应 用到测井岩性解释自动识别中。 关键词：随钻测井；岩性识别；支持向量机；神经网络 中图分类号：P631文献标志码：A MethodforLWD Time Iden倘cation Research咖Real Lithology C腿NGa峰 Research Coal and 710077，China) ∞’an Institute，ChinaTechnologyEn垂neeringGroup，Xi7aIl of fourkinds0fcurrent SVM，GRNN，Bayesian，Elmanpopular Abstr越t：Throughcomparativestudy methodsand ineachmethod thesame lith010宴了identi6cationcomparativeexperiments using logging dataasthe d砒aofthesame and oftheselectedmore sample，thelog百ng recognitionprediction wasusedtotlIeweU inautomatic suitablemethod log舀nglith0109yinte甲retation recognition． network Keywords：LWD；litholo灯identification；SVM；neural 0 引言 逼近的神经网络。GRNN对于学习速度和分类能力 在地质勘探及储层评价中．岩性识别是一项重 方面效果更为突出．且拥有径向基函数RBF的三大 中之重的工作．是储层参数求解的基础．是矿物成 特点：最佳逼近、菲线性映射和全局最优的性能，网 分、结构等的综合反映。但由于沉积环境复杂性和真 络最终的优化回归面是收敛样本量积聚最多的选 实地层分布非均质性．传统的岩性识别方法并不能 择．回归效果在数据资料缺乏时较为显著，GRNN网 准确地反映储层岩性。支持向量机SVM在机器学 络输出层是线性的权值．选定作用函数中心及隐含 习领域属于有监督学习模型．通常用来进行回归分 层结点个数后．为增进网络学习速度，应用线性权值 析、分类、以及模式识别，是近年来提出的一种新方 学