1 智能测井解释的需求分析
1、岩性识别
2、储层划分
3、参数计算
4、流体判别
5、井数据批量处理
岩性识别：分类任务
曲线预测、曲线补齐：回归任务
2 岩性识别
2.1 岩性识别主要方法简介
目前岩性识别的方法主要有重磁、测井、地震、遥感、电 磁、地球化学、手标本及薄片分析方法等方法。
- 重磁岩性识别技术的理论基础是通过密度和磁化率散点图，分析不同岩性对应的磁化率和密度组合特征和
逻辑关系，来判断和识别岩性． - 测井和地震岩性识别具有较大的探测深度和相对较高的垂向分辨率，因此，测井和地震岩性识别是油气勘探中最常用的岩性识别方法． 同时，测井在油气勘探中被比喻成人的眼睛，测井资料所携带的地质信息是确定地层含油储量和制订开采规划的重要依据．
- 地震岩性识别能够圈定岩层界面的埋藏深度和形状，认识地下地质构造，以寻找油气圈闭．
- 相比传统的构造油气藏，陆续发现的火成岩油气藏带动了测井响应特征识别技术、多参数交会图技术、重磁电异常编码识别技术等的发展．
- 遥感岩性识别技术是基于空间信息技术的不断进步，大比例尺区域地质填图结合现代 3S 技术的需求日益强烈发展起来的． 遥感技术因具有独特光谱优势，再结合野外验证手段进行岩性填图，成为快速、准确进行大比例尺地质填图的有效途径，也是开展现代地质填图的新技术新方法之一．
2.2 基于测井数据的岩性识别方法
测井资料中包含丰富的地层岩性信息，是岩性分析的基础资料． 数据信息的精度往往会严重的影响到识别的准确
率，同时复杂的岩性状况也加大了测井解释的难度．测井在垂向是连续的，比岩屑录井获得的岩性剖面具有
更髙的分辨率．
利用测井划分岩性大方向可分为两种方法:
- 一种是根据不同矿物的物理性质，综合利用多种测井方法，通过确定矿物组成达到划分岩性的目的;
- 另一种是通过元素测井得到的岩石中的元素含量，再根据地球化学的规律求出矿物含量，进一步达到划分岩性的目的．
测井岩性识别具有纵向分辨率高、针对性强、方法众多、算法齐全等优点． 目前来说是岩性识别中较成熟的一种方法．
- 宫清顺等( 2012) 在区域重磁资料圈定火山岩岩体范围的基础上，优选对岩性反应敏感的自然伽马、电阻率、补偿密度及声波时差等测井物理量，并对其进行岩心、薄片资料精细刻度，釆用交会图方法，建立火山岩的测井响应识别模板，实现了对火山岩的测井岩性识别；
- 鞠武等( 2012) 在应用有序聚类分析方法开展测井曲线自动分层的基础上，综合应用自然电位( SP) 、自然伽
玛( GＲ) 、声波时差( AC) 、深探测电阻率( Ｒt) 、浅探测电阻率( Ｒxo) 测井资料和岩心分析资料，建立了粗砂岩、不等粒砂岩、细砂岩和泥岩的判别函数． 应用效果表明，Bayes 逐步判别法识别岩性符合率达到了 86% ，能够满足辛 176 区块沙四段储层岩性识别的需要； - 连增增等( 2013) 选取影响岩性识别的 7 个主要参数，结合某地实际测井资料，建立基于模糊模式识别法的岩性识别标准模型． 验证了应用模糊模式识别法进行测井岩性识别的可行性和科学性；
- 范宜仁等( 2012) 在取心分析、薄片鉴定、电镜扫描的基础上，分析总结不同岩性的测井响应特征，综合应用常规测井、ECS 测井和成像测井资料，采用“结构成分粒级”的三级分类方法，利用交会图技术进行岩性识别． 同时为能利用多条测井曲线识别岩性，并能避免分析问题的难度和复杂性，采用自动判别分析、主成分分析方法进行岩性自动识别，取得了较好的效果；
- 王泽华等( 2015) 以准噶尔盆地为例，建立火成岩的测井岩性识别和测井相划分的方法，运用火成岩岩石学理论和岩石物理学的技术方法，确立了火成岩岩性、岩相的测井分类标准． 提出了常规测井 + 成像测井 + ECS 测井 + 岩心标定的火成岩岩性识别模式和技术方法，综合判定火成岩岩石的类型、成分、结构和构造，提高了复杂火成岩岩性识别的准确率．
2.3 人工智能方法
- 朱澈等( 2013) 将神经网络方法引入到测井资料的处理和解释中，以辽河油田某取心井为实例，建立神经网络测井
岩性识别模型，对混合花岗岩、混合片麻岩、角闪岩进行岩性识别预测． - 周家纪等( 2003) 提出遗传神经网络及其在岩性识别中应用的方法，该方法是将遗传算法引入到网络的权值和阈值的调整过程中，使得该网络在寻找全局最优上具有明显的能力．
- 李建国等( 2015) 把深度神经网络用在地球物理测井岩性的识别中．
- 杨辉等( 2013) 针对常规测井岩性识别准确率不高的状况，提出利用 BP 神经网络进行复杂岩性测井识别． 解决了蜀南地区须家河组地层岩性复杂，低孔、低渗致密气藏，致密砂岩地层天然气勘探中所面临的关键问题和难点．
- 于建华( 1993) 应用人工神经网络误差反传递算法( 又 称 BP 算法) ，通过监督学习、训练网络模型，达到联想记忆
的目的，完成自动识别岩性． 通过普通的误差反传递算法的分析，修正了神经网络传递函数． 使收敛速度明显加快． - 陈 潮 等( 2008) 认为具有分布处理、自学习、自组织和高度非线性的神经网络能够较好地解决测井资料与地层岩性的非线性映射关系． 将径向基神经网络应用到测井资料岩性识别中，建立了收敛速度快，且识别正确率较高的基于径向基神经网络的岩性识别模型．
- 刘明军等( 2011) 针对 BP 算法在反演中测井数据识别样本大，提出了利用 GA 算法来同时优化 BP 神经网络的结构和连接权值的解决方案，建立了基于 GA 优化BP 神经网络的测井数据岩性识别模型． 张治国等( 2005) 引入具有较强的聚类和容错能力的自组织特征映射( SOFM)神经网络．
- 孟耀华等( 2009) 利用过程神经元网络建立了复杂的非线性岩性辨识模型; 同时，为了提高对实际问题求解的适应性和算法执行效率，开发了一种基于样条函数拟合的过程神经元网络学习算法． 基于样条过程神经元网络的岩性辨识方法避免了采用传统 BP 神经网络预先建立复杂的数学或物理模型来提取小层测井曲线形态模式特征的过程，有效改善了网络的运算速度和对实际数据的抗扰性，具有较好的稳定性和泛化能力．
- 鉴于沉积环境的复杂性及测井参数分布的模糊性，表征各类复杂岩性的特征参数值没有明显的区分界限，同时，相同的岩性对应的特征参数值范围很大，多条测井曲线响应值往往呈现模糊性，Baldwm 等( 2010) 提出了用自组织 特 征 映 射 神 经 网 络 识 别 岩 性 的 方 法．
- 纪 福 全 等( 2007) 探索了人工神经网络方法可对复杂的高维数据进行非线性映射，在模式识别领域得到越来越广泛的应用． 针对传统的 BP 神经网络算法存在收敛速度慢、隐层数以及隐层节点数难以确定等缺点，研究了一种构造性神经网络学习算法级联算法( Cascade Correlation Algorithm，简称 CC 算法) 及其在石油工程中的应用．
- 罗明璋等( 2012) 提到由于岩性识别是一个典型的高维非线性模式识别过程在利用计算机进行测井岩性识别过程
中，往往需要非常多的计算次数． 提出了一种基于支持向量机的最小 闭 球 岩 性 识 别 方 法，试 验 结 果 表 明: 与 SMO-K、 MDM-Ｒ 两种典型的支持向量机算法相比，该算法在取得相同分类成功率的同时，核计算的次数大大减少，运算速度有了明显的提高． 适用于地质条件和沉积环境复杂的情况． - 龙熙华等( 2013) 认为聚类分析方法只有在样本趋于无穷大时，才能从理论上保证结果的精度; 神经网络容易陷入局部最小，使用范围受到限制． 提出一种新型的超球体支持向量机，并用粒子群优化算法进行参数寻优，建立测井岩性识别模型． 应用结果表明，建立的模型可以准确地反映测井资料与地层岩性的非线性映射关系，且识别精度高，具有良好的学习和泛化能力． 张翔等提出了基于模糊支持向量机的岩性识别方法．
2.3 问题
输入：需要收集哪些测井数据？数据的质量如何保证？
方法：需要根据数据特点开发新的方法
输出：不同研究区域会有不同的标准，换句话说，迁移学习有一定难度，或者不同研究区域采集的数据能否通用还不知道。
参考文献
1 GeoEast Smarter 人工智能软件包
2 付光明，严加永，张昆，等． 2017． 岩性识别技术现状与进展． 地球物理学进展，32( 1) : 0026-0040，doi: 10.6038/pg20170104．
