連增增,譚志祥,鄧喀中
(1.河南理工大學礦山空間信息技術國家測繪地理信息局重點實驗室,河南 焦作 454000;2.中國礦業大學國土環境與災害監測國家測繪局重點實驗室,江蘇 徐州 221116)
快速、準確地查明煤炭資源賦存規律,為煤炭開發建設提供可靠的地質依據,是煤田勘探技術發展的方向[1]。巖性解釋是測井解釋的基礎,計算機自動巖性識別及自動分層定厚可提高解釋速度、減少人為因素、降低工作人員勞動強度[2-4]。由于井下地質構造的復雜性和測井參數分布的模糊性,傳統的巖性識別方法識別精度有限。因此,采用模糊模式識別方法研究比采用一般模式識別理論符合實際。
模糊模式識別指標準模型庫中的模型是模糊的,或者有待識別的對象是模糊的,即識別方法是模糊的。用模糊模式識別對測井巖性參數分布等模糊現象進行分析,可以使分析結果盡可能客觀,從而取得更好的實際效果。因此,本文運用模糊模式識別法,根據金衢盆地錢家構造某研究井的數據對巖性進行識別,并對比分析不同貼近度計算方法,求得最適合的貼近度方法,為今后進一步研究提供基礎。
作為模糊模式識別法的輸入參數,測井資料的選擇對于模糊模式識別的結果有很大的關系。測井曲線中包含豐富的巖性信息,不同的測井曲線對于巖性和地層有不同的區分度[5]。對巖性反映靈敏的測井曲線有自然電位(SP)、自然伽馬(GR)、井徑(CAL)、聲波(AC)、微梯度(RLML)、微電位(RNML)、電阻率(Rt)等。測井參數觀測值差異主要取決于巖性,即決定于組成巖石的礦物成分、結構和巖石孔隙中所含流體的性質;反之,對于一組特定的測井參數值,它就對應著地層中的某一種巖性[6]。
在應用測井參數值識別巖性時,首先在分析研究區域內巖樣和測井參數對應特征的基礎上,劃分研究區域巖樣的巖性,研究區域內巖心的巖性分為熒光灰巖、泥質粉砂巖和砂礫屑灰巖[9]。從各類巖性的巖樣中讀取部分代表性巖樣對應的測井參數值,確定巖性與測井參數的對應關系[10]。研究采用文獻[11]中金衢盆地錢家構造某研究井的數據,選擇自然伽馬、聲波、自然電位、井徑、微梯度、微電位和電阻率等7項測井參數指示巖性(見表1);巖性用1、2、3代表熒光灰巖、泥質粉砂巖、砂礫屑灰巖,待識別的巖性測試樣本用0表示;運用模糊模式識別法進行巖性識別。
本文運用李鴻吉[12]編寫的模糊識別軟件進行巖性識別。
表1 巖性識別樣本數據
實驗中,根據已知測井巖性數據并采用極差變換數據預處理方法,求得標準模型及需要識別的待定樣本(見圖1)。
在模式識別問題中,被識別的對象往往不是論域中的一個確定的元素,而是論域的一個子集(普通子集或模糊子集),于是所涉及到的不是元素對集合的隸屬關系,而是2個模糊子集之間的貼近程度。貼近度就是2個模糊集接近程度的度量,求貼近度的方法主要有格貼近度、海明貼近度、歐式貼近度、最大最小貼近度及算術平均最小貼近度。
根據求得的標準模型,分別計算9個待定樣本與3個標準模型的貼近度(見圖2)。分析圖2可知,各個貼近度曲線總體形狀相類似,都能較好地反映各個待定樣本的巖性;在格貼近度曲線圖中,待定樣本與標準模型3的貼近度沒有海明貼近度、歐式貼近度、最大最小貼近度及算術平均最小貼近度中的曲線起伏變化明顯;在最大最小貼近度曲線圖與算術平均最小貼近度曲線圖中,待定樣本7、8、9與標準模型2、3貼近度區分不明顯。
從圖2中還可以看出,不同巖性對同一貼近度計算方法的計算結果產生了突變現象,這既有理論模型本身的原因,也有實驗數據方面的原因。除此之外,雖然相同巖性在同種貼近度計算方法的結果中顯現了略微的不同。但是,對于預測的結果而言,還是可以滿足需要。
圖1 標準模型及待定樣本
根據求得的貼近度,可以判斷待定樣本的巖性(見表2),預測結果與實測結果完全一致。由于貼近度方法的不同,求出的貼近度值也是不一樣的(見圖3)。
圖2 貼近度曲線
表2 巖性識別結果
圖3 不同貼近度方法求得的最大貼近度曲線
由圖3可見,雖然5種方法都能夠識別出待定樣本的巖性,但是海明貼近度法求得的結果較為穩定;格貼近度求得的1~6號樣本最大貼近度較好,而7~9號樣本的最大貼近度突然變小至0.75,變化起伏較大,數據不穩定;歐式貼近度法、最大最小貼近度法及算術平均最小貼近度法也都不如海明貼近度法。因此,海明貼近度方法最適合該巖性識別實驗。
(1)首次運用模糊模式識別法進行測井巖性識別。通過實驗,應用模糊模式識別法進行測井資料巖性識別,識別準確率較高,能滿足實際應用,具有很好的應用前景,由此也驗證了模糊模式識別方法用于巖性識別的可行性和科學性。
(2)分析了不同貼近度方法求得的貼近度,結果表明5種方法所識別的結果都是正確的。
(3)通過分析對比5種方法所求得的最大貼近度曲線,可知海明貼近度方法所得結果較為穩定、準確,最適合該次巖性識別實驗。
[1]劉明軍.遺傳BP神經網絡模型在彬長礦區測井數據巖性識別中的應用研究 [D].西安:煤炭科學研究總院西安研究院,2009:1-2.
[2]周波,李舟波,潘保芝.火山巖巖性識別方法研究[J].吉林大學學報:地球科學版,2005,35(3):394-397.
[3]趙發展,王赟,王界益.準噶爾和塔里木盆地不同巖性巖電參數研究 [J].地球物理學進展,2006,21(4):1258-1265.
[4]邱穎,孟慶武,李悌等.神經網絡用于巖性及巖相預測的可行性分析 [J].地球物理學進展,2001,16(3):76-84.
[5]張治國,楊毅恒,夏立顯,等.RPROP算法在火成巖巖石分類中的應用 [J].地球物理學進展,2008,23(3):898-902.
[6]楊長保,聶蘭仕,孫鵬遠.改進的模糊神經網絡模型在儲層產能預測中的應用研究 [J].吉林大學學報:地球科學版:2003,33(1):48-50.
[7]牛一雄,潘和平,王文先,等.中國大陸科學鉆探工程科鉆一井變質巖測井技術 [M].北京:科學出版社,2008.
[8]欒安輝,潘語錄,田貴發.利用井徑資料預測魚卡煤田東部勘探區七煤頂板的穩定性 [J].中國煤田地質,2007,19(6):73-75.
[9]張洪,鄒樂君,沈曉華.BP神經網絡在測井巖性識別中的應用 [J].地質與勘探,2002,38(6):63-65.
[10]席道瑛,張濤.BP人工神經網絡模型在測井資料巖性自動識別中的應用 [J].物探化探計算技術,1995,17(1):42-48.
[11]張治國,楊毅恒,夏立顯.RPROP算法在測井巖性識別中的應用 [J],吉林大學學報:地球科學版,2005,35(3):389-393.
[12]李鴻吉.模糊數學基礎及實用算法 [M].北京:科學出版社,2005.