基于模糊模式識別的貼近度法判別煤田測井巖性

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）

0 引 言

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。

1 影響巖性識別的主要因素

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］。

2 實驗概況

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

3 實驗結果及分析

3.1 求得標準模型

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）。

3.2 計算貼近度

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

3.3 不同貼近度方法對結果影響及分析

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。

4 結 論

（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.