自适应核密度基础上贝叶斯概率模型岩性识别方法研究.docVIP

自适应核密度基础上贝叶斯概率模型岩性识别方法研究 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1：自适应核密度基础上贝叶斯概率模型岩性识别方法研究 1 1、基本原理 4 第二，根据给定的估计点，求取优化后的带宽 7 第三，优化后的核密度估计函数记为 7 2、模型测试 7 3、结论与建议 10 文2：测井岩性识别方法研究 10 1 概述 10 2 基础数据整理 11 3 常规测井资料识别地层岩性 11 4 特殊测井 12 5 结语 13 参考文摘引言： 13 原创性声明（模板） 14 文章致谢（模板） 15 正文 自适应核密度基础上贝叶斯概率模型岩性识别方法研究 文1：自适应核密度基础上贝叶斯概率模型岩性识别方法研究 岩性识别是地质研究过程中非常重要的基础工作，尤其是在近地表以及深部无法直接采样区的地质研究中，准确地刻画深部岩石类型及其结构关系，可以为能源矿产勘探、深部结构与构造等研究提供重要的地质信息。因此采用什么数据、什么方法来进行岩性识别是一项极具价值的研究工作。传统(地表)地质填图已远不能满足深部探测的需要。随着多源地学数据(地质、地球物理、地球化学、遥感以及钻井数据等)的获取、地球物理三维反演技术和三维地质建模的发展，深部岩性识别已成为现实。但目前对多源数据的利用并不充分，尚未有效地利用多种物性参数进行岩性识别。因此，如何利用多源不同类型、属性地学数据所反映的岩性信息，从高维数据空间准确地进行岩性识别是亟待解决的难题，对深部探测和地学数据融合也具有重要的科学意义。 目前岩性识别主要有直接手段(岩芯、手标本以及薄片鉴定等)和间接手段(重磁、地震、电磁、测井、遥感、地球化学等)。从深部探测来讲，钻井岩芯可能是唯一的岩石标本，但只是点数据，而遥感(面数据)只能探测地表情况，且受地表覆盖影响大;因此地球物理方法在地下深部岩性识别研究中将发挥重要作用。而物性(密度、磁化率、电导率、纵横波速度等)是岩性和地球物理场之间的纽带，因此，通过地球物理反演物性，再联合其他地质数据进行岩性的识别具有可行性。地震反演是进行岩性识别的有效方法，可以利用地震不同的弹性参数，如利用纵横波速度、密度[1，2]、波阻抗、振幅、频率、相位[3，4，5]对目标岩体(流体)进行识别，但是当岩相间的地震响应差别不明显时，依靠波形的分类结果无法准确刻画岩性且地震方法成本高。在测井识别岩性方面，可以利用交会图版[6，7，8，9]或者基于统计、聚类、支持向量机以及神经网络等技术[10，11，12，13，14]进行岩性识别，测井方法在精度、算法以及技术上都有明显的优势，但是只能识别钻孔附近小范围内的岩性，难以进行大面积或是没有钻孔地区的岩性识别。利用重磁技术识别岩性主要依靠密度与磁化率比值，例如采用交会图版结合逻辑运算识别岩性[15，16]，重磁数据覆盖面积广，采样密度高，容易获得大规模的岩性识别，但是在无约束情况下，垂向分辨较差，多解性强。 单一的地球物理方法往往很难获得理想识别结果，因此联合多个地球物理方法的岩性识别成为主流方式。在多源数据识别岩性方面，对于存在岩性与物性对应关系的模糊区域，以地震反射特征为约束，利用重磁电资料识别了具有密度、磁性和电阻率等特征差异的火成岩岩性[17]。近年来随着机器学习(machinelearning)的兴起，该算法已被广泛应用于岩性识别。如利用多种地球物理数据基于模糊聚类分析[18]将岩石进行分类识别。利用地球化学数据和地球物理数据对岩性进行多元回归分析[19，20]或者多准则决策方法识别。利用无监督模糊分区聚类对航空伽马射线数据与陆地卫星波段数据联合进行岩性识别[21]。应用受限玻尔兹曼机(restrictedboltzmannmachine)和随机森林模型到区域尺度多参数地球科学数据集，从而预测斑岩铜金矿床的远景区域。还有采用随机森林法(randomforests)和自组织映射技术(SOM，self-organisingmaps)来识别连续的火山单元子类，由于算法只针对部分地球科学或地质参数进行岩性识别，因此无法针对不同类型的参数进行统一处理。虽然各类算法都有改进，但是岩性识别结果唯一，对模糊区间的多种可能性无法准确表述。 理论上讲，通过不同地质、地球物理技术可以获得地下物性结构，如密度结构、速度结构、电阻率结构、磁性结构等，那么如何将这些物性结构转换为岩性是值得研究的问题，实质上这是一个模式识别问题。通常来讲，岩性与物性的对应关系并不总是明确的，在交会图上存在较大的重叠区域，从而使得基于规则的分类方法难以解决该问题。在前人的研究基础之上，考虑到贝叶斯方法是非规则分类，该方法依据类的概率、概率密度，并按