基于自适应粒子群优化最小二...机的深层变质岩测井岩性识别_张涛.pdf

2023 年第 38 卷 第1期2023，38(1):0382-0392地球物理学进展Progress in Geophysicshttp:/wwwprogeophyscnISSN 1004-2903CN 11-2982/P张涛，李艳萍，刘晓宇，等2023 基于自适应粒子群优化最小二乘支持向量机的深层变质岩测井岩性识别 地球物理学进展，38(1):0382-0392，doi:10 6038/pg2023GG0155ZHANG Tao，LI YanPing，LIU XiaoYu，et al 2023 Lithology interpretation of deep metamorphic rocks with well logging based on APSO-LSSVMalgorithm Progress in Geophysics(in Chinese)，38(1):0382-0392，doi:106038/pg2023GG0155基于自适应粒子群优化最小二乘支持向量机的深层变质岩测井岩性识别Lithology interpretation of deep metamorphic rocks with well loggingbased on APSO-LSSVM algorithm张涛1，李艳萍1，刘晓宇2，李明月3，王俊杰3ZHANG Tao1，LI YanPing1，LIU XiaoYu2，LI MingYue3，WANG JunJie3收稿日期2022-06-01;修回日期2022-12-01投稿网址http:/www progeophys cn基金项目国家自然科学基金项目“基于岩石物理实验的凝灰质砂岩岩相-成岩相测井精准识别方法研究”(41602135)和“河流辫-曲转换机制、沉积响应及其地震反射模式”(42172144)联合资助第一作者简介张涛，女，1982 年生，博士，副教授，硕士生导师，从事油藏描述及储层地质学研究 E-mail:zhangtzhangxg163 com1 山东科技大学地球科学与工程学院，青岛2665902 中海油能源发展有限公司工程技术分公司，天津3004503 中国石油大学(华东)地球科学与技术学院，青岛2665801 College of Earth Science and Engineering，Shandong University of Science and Technology，Qingdao 266590，China2 CNOOC Energy Development Corporation Ltd Engineering Branch，Tianjin 300450，China3 School of Geosciences，China University of Petroleum(East China)，Qingdao 266580，China摘要辽河坳陷中央凸起中南部基底变质岩类型多样，测井岩石物理参数与岩性之间的映射关系复杂，测井响应多解性强，导致传统的测井岩性识别方法结果不精确 本文采用基于自适应粒子群参数优化的最小二乘支持向量机算法进行变质岩的测井多参数岩性识别 通过变质岩测井岩石物理分析，优选出对岩性敏感的自然伽马、自然电位、声波时差、深侧向电阻率、密度和补偿中子 6 种测井参数作为特征输入，以自适应粒子群算法优化最小二乘支持向量机参数，构建岩性判别模型，预测目的层段变粒岩、混合花岗岩、混合片麻岩、混合岩和角闪岩 5 种类型变质岩的垂向分布 与支持向量机、K 最邻近及人工神经网络算法的岩性识别效果相比，本方法判别准确率最高，符合率为 90 17%，在随机划分的 10 次样本预测中本模型稳定性最强，分类性能最好，平均 AUC 值为 0 974，有效解决了深层基底变质岩储层精细描述中的岩性精准识别难题关键词深层变质岩;机器学习;测井识别;自适应粒子群优化算法;最小二乘支持向量机AbstractMetamorphic rocks of deep basement havediverse lithology types and complex rock componentsThereisacomplexmappingrelationshipbetweenpetrophysical parameters and lithology，which strengthensthe multi solution of logging response，causing in theinaccurate resultsofthetraditionallogginglithologyidentification methods In this paper，the Least SquaresSupport Vector Machine(LSSVM)algorithm based onAdaptive Particle Swarm Optimization is used for loggingmulti parameter lithology identification of metamorphicrocksinterpretationforcasestudyofBasementmetamorphic rock strata in the central and southern part inthe central uplift of Liaohe depression Through the loggingpetrophysicalsensitivityanalysisofdeepbasementmetamorphic rock，six logging parameters sensitive tolithology are selected as inputs of model training feature，such as G，SP，AC，LLD，DEN and CNLTheparameters of LSSVM algorithm are optimized by AdaptiveParticleSwarmOptimization，andthelithologyidentification model of metamorphic rocks is established topredicttheverticaldistributionoffivetypesofmetamorphicrocks:granulite，migmatitegranite，migmatite gneiss，migmatite and amphibolite In order tofind the best training set and test set sample proportionsuitable for model learning and prediction，this paper usesthe LSSVM to build a discrimination model for the samplesets withfiveDivisionproportionsrespectively，andanalyzes its effectiveness It is concluded that the best2023，38(1)张涛，等:基于自适应粒子群优化最小二乘支持向量机的深层变质岩测井岩性识别(www progeophys cn)中图分类号P631文献标识码Adoi:10 6038/pg2023GG0155LSSVM metamorphic rock discrimination model can beobtained with a division ratio of 73 Compared with thelithology recognition effect of Support Vector Machine，K-Nearest Neighbor and Artificial Neural Network algorithm，this method has the highest identification accuracy，andthe average coincidence rate of training samples was97 52%，and that of test samples was 90 17%Therandom divided samples with 10 times are used to deeplyevaluate the performance of the model In the predictionresults，LSSVM has the strongest recognition stability andthe best classification performance In general，the changeof AOC curve is gentle compared with other algorithms，and the average AUC value of the model is 0 974，indicating that this method can effectively solve theproblem of accurate lithologic identification in the finedescription of deep basement metamorphic reservoirKeywordsDeep metamorphic rocks;Machine learning;Welllogginginterpretation;APSOalgorithm;LeastSquares Support Vector Machine(LSSVM)0引言深层油气是重要的油气接替资源，我国东部深层基底多发育有变质岩，准确的岩性识别则成为开展深层变质岩油藏评价及勘探开发的基础 由于变质岩母岩及其成分多样，变质机制及变质程度具有差异性，增加了岩性的测井识别难度 成像测井、地层化学元素测井等新测井技术的使用在一定程度上弥补了深层岩石取芯少的问题，但高昂的成本限制了其使用，如何使用常规测井资料准确识别变质岩岩性成为目前研究的迫切技术需求(付光明等，2017;李鹏等，2021;Kim，2022)不同变质岩岩性的测井岩石物理参数的数据重叠区较大，使得定量识别界限难以确定，其次，测井参数岩性指示多解性强的问题降低了交会图、统计分析等传统方法识别岩性的可靠性 近年来，机器学习被应用于储层测井的精细评价，并取得了诸多成功案例(Al-Anazi andGates，2010;安鹏和曹丹平，2018;程超等，2022)，本研究利用最小二乘支持向量机算法(Least SquaresSupport Vector Machine，LSSVM)探索了一种利用机器学习构建变质岩地层中测井岩石物理参数与岩性之间复杂映射关系模型的方法，从而有效识别深层变质岩岩性1区域地质概况辽河坳陷位于渤海湾盆地东北部，具有“三凸三凹”的构造格局，其中央凸起呈北东向延伸，将坳陷中部及南部分割为东、西两个凹陷，北邻大民屯凹陷，自北向南逐渐下倾，研究区则位于中央凸起南部的倾没端(Peng et al，2018;袁龙等，2020;Luo etal，2021)中央凸起发育多个潜山，本研究区南起海月潜山，北至冷南潜山，前古近系自下而上发育有太古界、中生界及古生界(图 1)，早期经历了多期构造改造，新近系和古近系部分地层直接超覆在基底之上(Li，2020)研究区基底岩性复杂多样，碎屑岩、火成岩、碳酸盐岩和变质岩均发育，其中，中生界以碎屑岩、火成岩为主，古生界以碳酸盐岩为主，太古界以变质岩为主，本研究的目的层为太古界，发育的变质岩类型包括变粒岩