基于测井数据聚类分析的碳酸盐岩岩性识别研究

• 作 者: 李海燕
• 机 构: 成都理工大学
• 出 处: 成都理工大学
• 发表日期: 2016年期
• 关键词: 碳酸盐岩 岩性识别 模糊C均值 测井数据 聚类分析

碳酸盐岩储集层是全球极为重要的产油气层，其油气储量占总资源储量的比重较大，世界上大部分大中型油气田的主力产油气层均为碳酸盐岩地层。碳酸盐岩矿物类型较多，主要的有碳酸钙和碳酸镁两种。以碳酸钙为主要成分的碳酸盐岩称为灰岩，以碳酸镁为主要成分的碳酸盐岩称为白云岩。灰岩和白云岩的物性很接近，地球物理响应很类似，区分困难，这些特征增加了目标层段岩性识别研究的难度。本文所研究的区域位于川西孝泉-新场构造带，该区域储层厚度薄、地质分辨率低、岩性参杂明显，常规的聚类算法受到类别形态和敏感数据的影响而无法准确地将目标层岩性识别开来。　　因此，本文在传统的K-means聚类算法的基础上，引入了模糊C均值和以密度为基础的聚类新算法。模糊C均值聚类能够有效的识别相邻层段之间的不确定数据，利用隶属度的概念计算模糊数据的归属概率，从而有效的将其归类，是一种为数不多的较为有效的碳酸盐岩储层岩性识别手段。基于密度的聚类新算法思想新颖，2014年首次发表在《Science》上，其独特的视角和思维吸引了众多专家学者的关注，具有很大的发展潜力和研究价值。　　本文围绕三种聚类算法在测井数据碳酸盐岩识别研究的问题上，主要做了以下几方面的工作:　　首先，详细研究了模糊C均值聚类、K-means聚类和基于密度的聚类新算法的基本理论、归类原则以及适用范围。　　然后，根据机器学习原理，将测井数据分为训练样本和测试样本。训练样本用于建立模型，调整模型参数，使其更加适用于研究数据;测试样本则用来检测各种算法的准确率，证明三种算法在碳酸盐岩岩性识别上的可行性和有效性。　　最后，利用运行时间、纯度、F值、大数据处理能力和噪音数据处理能力等评价指标定量的描述三种聚类算法的运行效果和综合能力，对比分析各种算法在岩性识别上的优缺点和改进措施，为储层预测和岩性识别提供可靠依据。