基于岩屑大数据分析的火山岩岩性识别方法.docxVIP

基于岩屑大数据分析的火山岩岩性识别方法 近年来，中国对火山岩气藏的勘探和开发潜力很大。松辽盆地和准噶尔盆地山脉数亿吨大型气田的发现表明，火山岩气田是未来气田开发的重要领域。对于现场火山岩岩性的识别, 常规方法的准确性和时效性并不能达到现场工作要求, 且存在岩屑信息量少的局限性。本文通过XRF岩屑录井技术, 取得岩屑元素组成的地球化学特征信息, 通过Fisher判别法对元素组合特征进行深度分析和处理, 选取判别元素得出判别函数, 再进行函数反演, 校正判别函数, 最终得到识别函数, 利用火山岩岩屑特征元素判别函数, 建立一套识别火山岩岩性的可靠性强的判断方法, 在保证时效性的同时, 达到现场工作中对岩性别准确性和高效性的要求。 1 火山岩岩性分类及命名 由研究区内不同井区的39口井的火山岩岩心进行取样, 获取共计351个火山岩岩性样本, 对样本分别进行观察描述、岩石薄片镜下鉴定, 并对分析得出的资料进行统计和归类, 最终把该地区的火山岩区分为火山熔岩和火山碎屑岩两种大类。共计23种火具体火山岩岩性按岩性及结构进行分类定名。 本次主要研究火山熔岩 (玄武岩、英安岩、流纹岩、粗面岩、安山岩) 、及其火山碎屑岩岩性大类和结构大类。 2 基于fps的岩屑xrf成分分析方法在统计分析中的应用:以fisher判别法为例 XRF元素录井技术是通过X射线激发岩心或岩屑中几十种不同元素所产生具有独特代表性的元素能量波长, 通过不同元素的不同能量波长来获得样品所含元素的种类与数量。利用XRF技术的这种快速分析样品的特性, 快速获得样品的元素种类和含量百分比数据, 再应用统计分析中的Fisher判别法来分析该类数据, 选取自变量特征元素, 建立自变量判别函数, 进行反演判别分析。通过以上技术路线最终实现岩屑XRF元素数据与统计分析方法的完美结合。 统计分析中的Fisher判别分析是一种快速、简捷的判别分析方法。本文中主要通过数据点在其自变量判别函数所产生二维空间投影的方法, 将数据点进行最大幅度的分开从而达到分类判别的结果。 在进行数据带入判别函数在二维空间进行投影之后, 以最大限度的变量区分为目的, 建立区分自变量组别或类别的相应判别函数。掌握了各个变量的信息与联系, 从而实现对各个变量进行最大化的空间分类, 所以Fisher判别法的关键就是获得核心判别函数。 3 方法应用 3.1 岩相认别岩性分类 通过对研究区内的351个样本的XRF元素录井资料进行处理及统计分析, 选取5种判别元素:Si、Ca、Na、Mg、Al。依据研究区火山岩岩性特征来进行分类命名为:玄武质火山岩、安山质火山岩、粗面质火山岩、英安质火山岩、流纹质火山岩共五种类型。 通过对样本的5个自变量数据进行Fisher判别分析, 获取重要的判别信息, 针对5个组别共计351个样本的各个变量的合计均数、标准差和个案数数据见表1。 由上述方法可以快速获取横向纵向两个核心判别函数, 根据数据点在这两个核心函数形成的空间投影来区分火山岩岩性大类, 对全部351个点的5个自变量均可得到两个向量, 将这两个数作为横纵坐标在平面上投点, 所得出的空间向量交汇图已经能很好的对这5类岩性进行分类判别。具体岩性判别及识别效果见图1。 火山岩岩性Fisher判别结果统计如下:对于1类-玄武质火山岩-全部40个数据点, 预测正确率为97.5%;2类-安山质火山岩全部20个数据点, 预测正确率90%。对于3类-粗面质火山岩全部176个数据点, 预测正确率94.88%。4类-英安质火山岩, 预测正确率95.45%。对于5类-流纹质火山岩, 预测正确率96.77%。火山岩岩性Fisher判别结果统计表显示正确率为92.9%, 整体效果优秀。另外选取的84个样本点来进行火山岩岩性fisher判别分析法反演验证, 最终得出反演验证正确率为95.2%。上述分析结果表明, 基于XRF元素录井的火山岩岩性Fisher判别分析法在识别火山岩性大类的准确率较高, 效果显著 (表2) 。 3.2 判别结果及预测结果分析 通过对现有的玄武质火山岩31个样本的数据进行统计分析, 选取了9种判别的特征元素 (Cr、Ni、Cu、Zn、Sr、Y、Zr、Ba、Ga) , 进行玄武质火山岩岩性Fisher判别分析。其中玄武质火山岩按结构可以分为:1类, 2类, 3类, 1代表玄武岩, 2代表武质火山角砾岩, 3代表玄武质凝灰岩。 把样本带入判别函数后, 得出玄武质火山岩fisher判别结果, 空间识别效果显著。玄武质火山岩Fisher判别分析结果如下:其中对于1类玄武岩全部31个数据点, 预测命名准确率为91.7%;2类-玄武质火山角砾岩预测命名准确率为100%;3类-玄武质凝灰岩样本预测命名准确率为100%。基于XRF元素录井的火山岩岩性Fi