基于数据-算法双驱动融合的火成岩岩性识别方法

现有火成岩岩性识别技术面临常规测井响应与岩性敏感度差异显著、离散矿物实验数据难以构建连续地层模型以及岩心-测井标定样本类别不平衡等技术瓶颈。为解决这些问题,该研究提出数据-算法双驱动融合的火成岩岩性识别方法。首先通过矿物化学组分与测井数据融合,建立具有岩石物理意义的特征表征体系;进而设计基于Mahalanobis距离的层次化重采样机制,有效缓解小样本类别识别偏倚问题;最终建立具有概率解释性的贝叶斯深度森林模型,实现火成岩复杂岩性的高精度识别。基于辽河盆地东部凹陷20口井的8356组数据,开展嵌套式验证;该方法在同井测试中准确率为100%,异井测试准确率达89%,加权F1值0.88,准确率较其他火成岩岩性识别方法显著提升。研究结果表明,通过地质先验知识与深度学习融合,可有效提升火成岩岩性识别的工程适用性与解释可靠性,为复杂储层精细评价提供新的技术手段。

资料为PDF文档格式.

本文档关键词:算法,驱动,识别,融合,数据