一、用人工神经网络识别火成岩（论文文献综述）
洪一鸣[1]（2021）在《松辽盆地南部火石岭组火山岩测井响应特征与岩性识别》文中提出火山岩油气藏的勘探与研究已经逐步形成了一套完善体系,并且在松辽盆地中的应用已经取得较好的效果。近年来在松辽盆地南部火石岭组火山岩层系中不断取得重大的勘探突破,预示该地区的火山岩油气藏具有一定的勘探潜力。火山岩岩性的准确识别是火山岩油气勘探的基础,但由于岩心岩屑样品来源的局限性,仅使用地质样品无法实现全井段的岩性序列构建。相对而言,常规测井资料对火山岩岩性的变化响应明显,在纵向上连续性强、分辨率高,所以利用测井实现岩性序列的重构就显得十分重要。但目前广泛应用的基于常规测井数据的岩性识别方法仅能针对某个地区有效,一旦进行跨地区应用或遇到研究区岩性复杂的情况,则会表现出识别率低的特点。本文以松辽盆地南部长岭断陷和梨树断陷钻遇火石岭组的18口钻井为研究对象,通过岩心描述和薄片鉴定,确定火石岭组火山岩的主要发育类型,总结这些岩性的测井响应特征并提取它们的测井数据,基于这些火山岩的测井数据,应用交会图法和近年来在各个领域应用广泛的BP神经网络法来对研究区的火山岩进行岩性识别工作,完成重构火石岭组火山岩岩性序列,为后续火山岩储层评价奠定基础。1.松辽盆地南部火石岭组主要发育火山岩类型通过对松辽盆地南部长岭断陷和梨树断陷303m的火石岭组取心段进行岩心描述和薄片鉴定,确定松辽盆地南部火石岭组共发育八种火山岩,分别为玄武岩、安山岩、安山质角砾熔岩、安山质角砾岩、安山质凝灰岩、流纹岩、流纹质角砾岩和流纹质凝灰岩。2.松辽盆地南部火石岭组火山岩测井响应特征通过对研究区发育的八种火山岩对应的测井曲线进行分析,总结不同火山岩的测井响应特征。研究区的火山岩自然伽马值从基性岩到酸性岩逐渐升高,在安山岩类中,还呈现出碎屑岩大于熔岩类;在补偿中子值上,玄武岩最高;声波时差值中,玄武岩最低,安山质角砾熔岩和流纹质角砾岩相较于其他岩性高。流纹质角砾岩的深浅侧向电阻率值最低;其他岩性的值则明显高于流纹质角砾岩;各岩性具有近似的密度值,但流纹质角砾岩密度值的变化幅度是最小的。3.基于常规测井数据的火山岩岩性识别方法对比与优选共选取八种火山岩对应的测井曲线数据258组,按照7:3的比例随机分为训练数据和预测数据,训练数据用于建立岩性识别模型,预测数据用于统计岩性识别模型的符合率。在方法上选择常规交会图法以及BP神经网络法,其中交会图法识别研究区火山岩的符合率最高达到了55%;应用BP神经网络法,并引入Dropout防止过拟合,结果表明,引入Dropout的BP神经网络法对研究区火山岩的识别符合率达到了89.03%,可以有效区分研究区主要火山岩岩石类型。4.方法应用进行了原地训练原地应用和原地训练异地应用。应用此BP神经网络岩性识别模型对长岭断陷的2口钻井进行火石岭组火山岩全井段识别,经与岩心、岩屑进行对比发现,该岩性识别模型在研究区具适用性。同时选取了海拉尔盆地的钻井取心段,将其对应的测井数据输入到BP神经网络中,将输出的结果与原岩性进行对比,评价该模型的跨地区适用性。结果显示,用原训练集训练的神经网络不能有效区分海拉尔盆地的火山岩,因此选取了海拉尔取心段的8种火山岩共592组标准测井数据,在保持原BP神经网络结构的前提下进行针对性训练,最终符合率达到了91.7%。
郝慧珍,顾庆,胡修棉[2]（2021）在《基于机器学习的矿物智能识别方法研究进展与展望》文中研究说明矿物智能识别是地球科学与信息科学的重要交叉方向,显示出强大的生命力.本文在调研国内外研究动态的基础上,把矿物智能识别划分为4个阶段,即矿物采集、数据获取、模型构建、分类判别;根据测试方法和获得的数据类型,把矿物智能识别分为基于化学成分、显微光学图片、光谱分析的3条基本路线;总结了应用于矿物智能识别的机器学习方法和技术,包括统计学习、线性回归模型、距离度量模型、树结构模型、神经网络模型及其与样本问题相关的新技术.在此基础上,提出消除地质学与人工智能的鸿沟、建设可用于学习的高质量矿物数据集、完善适合矿物智能识别的机器学习方法、增进模型可解释性、加强工业推广的实践是该领域未来的重点发展方向.
蒋震[3]（2020）在《W工区与G工区火成岩储层预测与速度建模研究》文中研究指明火成岩作为地壳中含量最多的岩体,近年来在油气勘探中的影响力越来越大。一方面火成岩作为非常规油气储层,陆续在渤海湾、准噶尔、松辽、二连等含油气盆地被发现,表现出火成岩油气藏巨大潜力;另一方面火成岩作为异常岩性体,随着塔里木盆地台盆区超深层复杂油气藏勘探的深入,对奥陶系灰岩断溶体成像精度要求越来越高,但由于火成岩对地震波具有强烈的屏蔽和吸收作用,严重影响了断溶体的成像精度。为了探明二连盆地W工区花岗岩、安山岩储层有利分布范围及塔里木盆地哈拉哈塘G工区二叠系巨厚火成岩体对奥陶系灰岩断溶体地震成像的影响,分别对W工区火成岩储层预测与G工区火成岩速度建模进行了研究。首先分析了W、G工区地质、地震、岩心、薄片、测井资料,在此基础上提取了研究区目的层段地震相、地震属性,使我们对研究工区目的层段火成岩特征有了清晰的认识。W工区断裂发育,为储层形成提供了有利条件,其火成岩岩性为花岗岩和安山岩,花岗岩潜山储层垂向分带明显,发育裂缝-孔隙型和裂缝型储层,而安山岩原生气孔、溶蚀孔发育,溢流相是有利储层发育相带。之后在W工区通过属性融合得到了与井点厚度相关性较好的新属性,初步预测了火成岩储层分布。G工区二叠系发育巨厚火成岩,岩性主要以凝灰岩、英安岩、玄武岩为主,分三期喷发,地震剖面上第一期次表现为杂乱相带,中强振幅、中高频,第二期次表现为平行相带,强振幅值、中高频,第三期次表现为低频空白相带,振幅值低、频率低。其次针对W工区安山岩储层,建立了符合研究区构造的三维断层地质模型,并利用伽马曲线与波阻抗曲线对岩性的敏感性,进行了地质统计学反演,得到了精细波阻抗体与安山岩概率分布体,之后对波阻抗与孔隙度关系进行了分析,拟合出研究区波阻抗与孔隙度二次函数关系,得到了反映火成岩储层物性变化的孔隙度体。考虑到储层与多种因素相关,划分标准多样,储层预测本质上也是分类问题,为此将目的层段高精度波阻抗、孔隙度及地震数据输入到根据实际分类数据训练好的支持向量机模型之中,对安山岩最有利储层区进行了预测,且与测井结果吻合较好,达到了更高效、准确预测储层的效果。最后针对火成岩异常体速度建模问题,在G工区实现了基于db5小波包测井曲线重构的地震反演速度建模。声波测井曲线能够有效的反映地下地质信息与不同岩层的速度,但容易受到井孔周围环境的影响且包含的信息有限,从而造成分辨率降低,而伽马测井曲线则对地下岩层所含放射性物质反应明显,而不同岩石的放射性不同,可用来区分岩性,曲线重构能综合利用伽马、声波等测井曲线识别岩性的优势,通过db5小波包变换可以精确定位测井曲线的主要节点信息,将具有足够分辨率的各曲线的主要节点进行特征融合,重构出一条既能反映岩性且对原曲线也有一定的修正作用,又可以避开高频噪声的干扰的声波曲线,使得波阻抗曲线辨别凝灰岩、玄武岩和英安岩的能力更强;将重构后的声波曲线用于稀疏脉冲反演之中,发现重构后的波阻抗剖面火成岩内幕更加清晰,反演速度体沿井提取的速度曲线与原始纵波速度吻合较好,且目的层段井点速度验证的相对误差均在2%以内,达到速度建模精度要求。
赵金环[4]（2019）在《松辽盆地大陆科学钻探井火山岩测井精细评价：方法研究与实践》文中指出资源短缺和全球气候变暖是当今人类面临的两大问题。松辽盆地自然资源丰富,白垩纪时期经历了受火山活动影响的典型“温室气候”。受国际大陆科学钻探计划（ICDP）资助的“松辽盆地白垩纪大陆科学钻探计划-松科2井东孔”获得了松辽盆地连续、丰富、齐全的测井资料。通过对测井资料的深入研究,开展了测井精细评价,获得了松科2井东孔营城组火山岩的岩性剖面、岩石物理参数以及孔隙结构特征,为实现松辽盆地资源勘探新突破和揭示白垩纪时期火山活动规律提供支持。通过对松科2井东孔营城组各类火山岩测井响应特征的分析,认为自然伽马、电阻率和密度测井曲线对松科2井东孔营城组火山岩岩性变化反映敏感;凝灰岩呈现出最强的放射性和导电性,高孔隙度的集块熔岩密度最低,流纹岩则具有高密度和低导电性。电阻率成像测井图像上,可清晰地观测到流纹岩的流纹构造、集块熔岩的集块结构和凝灰熔岩的凝灰结构;流纹岩、凝灰熔岩和集块熔岩在元素、氧化物含量上的差别主要体现在Fe、SiO2和K2O+Na2O的含量。火山熔岩和火山碎屑岩岩石物理特征区别比较明显。在交会图法、特殊测井法岩性识别结果的基础上,对火山岩段石英+长石含量和暗色矿物含量,按照一级分类和二级分类进行聚类分析,火山岩岩性识别精度得到了改善。采用多矿物模型、经验公式以及新建解释模型分别求取了火山岩总孔隙度、有效孔隙度、裂缝孔隙度和基质孔隙度。结果表明集块熔岩的总孔隙度较大,最大达到17%;凝灰熔岩的总孔隙度变化大,在3%15%之间变化;流纹岩的总孔隙度在7%14%之间变化。凝灰熔岩裂缝相对发育。松科2井东孔营城组火山岩随着深度的增加孔隙度分布范围变大,非均质性逐渐增强。流纹岩和凝灰熔岩具有相对较好的孔隙结构,是资源勘探、开展地下深部长期观测和实验的有利区域。流纹岩和凝灰熔岩次生孔隙的存在会引起孔隙度谱右侧形态的变化,但孔隙度谱右侧形态的变化不能完全解释为次生孔隙。火山岩岩性过渡处孔隙度谱形态的变化可以用来获取岩浆来源和演化方面的信息。
李冰涛[5]（2019）在《车47火山岩油藏储层裂缝自动识别方法研究》文中提出车47井区火山岩储层中裂缝十分发育,对储层中的油气储集、运移以及产出具有举足轻重的意义。由于研究区测井资料有限,裂缝在常规测井上测井相应微弱,岩性、流体等因素的影响导致裂缝识别准确率很低,甚至难以识别;裂缝在成像测井上相应特征较为明显,但成像处理过程繁琐,人工识别和拾取工作量较大的问题,有必要提出新的方法来对裂缝进行识别。本论文在利用最新的基于深度学习的图像语义分割技术Deep Labv3+,在成像测井中分割出裂缝,并用霍夫变换进行提取。相比于传统图像分割方法,深度学习能够准确的对裂缝区域的像素进行分割,均交并比达到83.2%;而且模型训练好之后对新的图像进行预测操作简便,速度极快,大大降低人力成本;并为之后的霍夫变换减少噪音影响,从而加速霍夫变换计算速度,并使其提取的参数更加准确。利用上一步识别出的裂缝,并结合岩心和铸体薄片资料对常规测井进行标定之后,本论文针对常规测井裂缝响应微弱的问题,提出一种数据驱动的裂缝识别新方法,该方法将变点检测,稀疏自编码器与卷积神经网络（CNN）相结合:变点检测根据相关测井曲线的统计特征对测井数据分层;稀疏自编码器将每层测井数据采样为卷积层的二维编码图,同时进行第一次特征提取;通过神经网络结构搜索算法得到最优卷积神经网络,从二维编码图中提取有关裂缝发育的特征,并最终预测裂缝是否发育。相较传统机器学习算法,本方法挖掘了测井曲线纵向上整体的信息,准确率从84%提升到91%。最后利用成像测井和常规测井的裂缝预测结果,结合地震属性体预测,分析了研究区裂缝发育规律,明确了研究区裂缝发育主要受到火山岩相和断层的控制。
王贝贝,王梦醒,李欣[6]（2018）在《巴彦浩特盆地锡林凹陷火成岩特征与识别》文中进行了进一步梳理巴彦浩特盆地火成岩非常活跃、分布广泛,对于油气勘探来说火成岩的识别十分重要。首先对X-1井测井数据与过井剖面分析得出火成岩的岩性和物理特性,然后采用BP人工神经网络方法对5条剖面处理解释,识别出锡林凹陷火成岩的分布。综合分析认为,这些火成岩主要形成于燕山晚期,受断裂控制,规模不大、特征不明显,用常规方法难以识别。
付光明,严加永,张昆,胡浩,罗凡[7]（2017）在《岩性识别技术现状与进展》文中进行了进一步梳理自从1815年世界上第一幅地质图诞生以来,岩性识别即如何刻画、认识地下岩性分布一直是地质学中的重要问题.一个世纪以来,地质填图技术从手工填图发展到了数字填图,但鉴于地表地质填图受深度的限制,只能反映浅表岩性的分布,难于识别深部岩性,在覆盖区更不能给出下伏岩性的变化,限制了资源勘查的效果.为了克服地表地质填图的缺点,地球物理、遥感等技术逐渐引入到岩性识别中,并取得了长足进展.本文从岩性识别原理、方法、效果等方面入手,结合实例,对比分析了当前主要几种岩性识别技术的特点.综合分析认为,三维岩性识别将是资源勘查中重要的一个环节,如何准确识别地下岩性的三维分布特征是实现深部矿产、油气资源勘查突破的关键;从技术层面分析,认为采用钻孔等先验信息约束,开展重磁三维反演,获取地下密度和磁化率模型,根据物性与岩性的逻辑关系,识别岩性的三维分布特征是现阶段三维岩性识别最有可能成功并适合推广的方法.
崔永福,许永忠,彭更新,郭念民,王兴军,郑多明,马一名,张昆[8]（2016）在《基于多种地震反演方法的哈拉哈塘地区火成岩识别及速度建模》文中进行了进一步梳理塔里木盆地北部哈拉哈塘地区油气成藏条件良好,普遍发育二叠系火成岩储层,地震震资料显示二叠系岩性、速度变化剧烈,影响其下伏奥陶系油藏"串珠"的叠前深度偏移成像及低幅构造圈闭的变速成图。在分析哈拉哈塘南部工区地质资料基础上,采用约束稀疏脉冲反演、人工神经网络反演、多参数反演方法对二叠系火成岩速度识别进行对比;采用db4小波对声波测井曲线进行基于小波变换的分频重构,将反演得到的速度模型应用在叠前深度偏移中。结果表明,约束稀疏脉冲反演方法更适用于工区巨厚的、岩相变化复杂的火成岩的快速建模;声波测井曲线重构后反演的数据体对岩性的识别能力明显提高,有助于火成岩速度建模。文中速度模型对"串珠"的刻画取得较好效果,表明该方法可为哈拉哈塘及类似地区火成岩研究提供初始速度模型。
张涛[9]（2016）在《用人工神经网络研究元素与岩浆岩、沉积岩岩性及沉积岩矿物的关系》文中研究表明岩性识别是录井、测井解释的前提与基础工作。石油与天然气勘探开发工作在不断推进的同时,以复杂岩性体为主的非常规油气藏成为了油气行业的研究重点。针对复杂岩性体的岩性识别问题,录井中目前采用荧光光谱仪录井法、测井中目前以元素俘获谱测井法为主。这两种方法的共性是均以地层主要造岩元素为直接检测结果,难点是如何根据主要造岩元素信息判断所研究的地层岩性信息与造岩矿物定量组成信息。国外以斯伦贝谢等为代表的油田技术服务公司与相关研究人员在以地层元素为已知信息的岩性识别方面做过大量的研究工作。经文献调研发现,这些研究工作以沉积岩为主,很少涉及岩浆岩。由于我国复杂的油气田地质背景,此类研究结果也很难有更好的效果。针对我国特殊油气地质情况开展地层元素与岩性及矿物组成的关系研究是必要与迫切的。本文在充分调研的基础上,以人工神经网络中的多层感知器神经网络与BP神经网络为主要研究工具,在充分了解与掌握研究工具的前提下,整理了国内27个省、市、自治区7834条岩浆岩测试数据,来自国内13个不同类型含油气沉积盆地的沉积岩岩心X衍射测试数据共9066条,并进行了大量的样品实测,研究了其中复杂的元素与矿物对应关系。利用非线性数学分类方法中的多层感知器人工神经网络,构建了根据地层元素组成识别沉积岩、岩浆岩属性的岩性识别模型。接下来,利用BP神经网络,构建了根据地层元素组成识别沉积岩矿物组成的定量预测模型。通过整理的大量沉积岩、岩浆岩数据对模型进行了训练与测试,并利用Visual Studio.NET2003软件开发工具开发了相关应用程序。主要取得了以下的结果与认识：（1）根据地层组成元素中的Si、Ca、Al、Mg、K等主要元素,构建的岩性识别模型,在岩浆岩、沉积岩岩性识别方面,准确率达到94.3%。（2）根据地层组成元素中的Si、Ca、Al、Mg、K等主要元素,构建的矿物定量预测模型可对矿物组成中的石英、长石、粘土、方解石、白云石进行含量预测。经测试,石英含量的预测平均绝对误差在1.72以内,长石含量误差在4.5以内,其他三种矿物含量误差在1.72到4.5之间。（3）通过开发相关的应用程序,并对有关井数据进行了处理,说明所构建的模型有一定的泛化能力,处理结果可与实测结果对比,且与国际着名油田技术服务公司的解释结果有相关性。
韩晨[10]（2016）在《哈山深层火成岩储层结构特征及井眼应力分布研究》文中指出随着全球常规油气田的产量和储量不断下滑,油气田勘探开发逐渐转向非常规油气田,深层火成岩油气藏的勘探开发越来越重要,逐渐成为业内研究的一个热点。火成岩结构特征的研究是储层综合评价的一个非常重要的内容;地应力是地壳内部存在的应力,是油气勘探开发中的重要研究对象,影响着裂缝的发育情况;井壁稳定性是油气钻井及储层层改造过程中普遍存在的问题,井眼应力对井壁稳定性影响巨大。因此,本论文在前人研究基础上,以哈深2井区为例,对哈山深层火成岩储层结构特征和井眼应力分布进行了研究。主要研究工作和成果体现在以下几个方面:（1）通过油田现场测试测井资料计算得到了岩石力学参数,该方法经济、简单并且可靠性高。将岩石力学参数应用到岩性识别中,并与交会图法相结合,创新性的利用多参数法进行了岩性识别,最终得到研究井区岩石的岩性主要有六大类。（2）利用测井资料分析了研究区岩石结构特征,主要是从孔隙度和渗透率两方面进行的分析,发现研究区裂缝和孔隙都比较发育,储集空间主要为裂缝–孔隙型。（3）进行了单井地应力的计算。采用黄氏经验模型,利用测井资料计算了不同深度岩层的水平最大、最小主应力。（4）建立了井眼三维模型,采用有限元数值模拟的方法对井眼应力分布进行了分析,得到了研究区整体应力分布范围和井壁处应力分布情况。（5）在进行井壁稳定性分析时,不同于前人用二维平面模型进行模拟,而是以三维的井眼模型为基础,从整体上进行了分析。通过三种破裂准则之间的相互比较,确定了莫尔–库伦准则更加适合该井区,计算得到了钻井液的密度范围和坍塌压力梯度,而实际采用的钻井液密度较小,容易发生溢流,建议提高钻井液密度。
二、用人工神经网络识别火成岩（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用人工神经网络识别火成岩（论文提纲范文）
（1）松辽盆地南部火石岭组火山岩测井响应特征与岩性识别（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 引言 |
| 1.1 选题来源、目的及意义 |
| 1.1.1 选题来源 |
| 1.1.2 选题目的及意义 |
| 1.2 研究现状 |
| 1.2.1 基于常规测井数据的传统交会图法岩性识别技术 |
| 1.2.2 基于常规测井数据的多参数-计算机技术岩性识别方法 |
| 1.2.3 基于常规测井和成像测井与元素测井数据的岩性识别方法 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 实物工作量 |
| 第2章 松辽盆地南部主要断陷地质概况 |
| 2.1 区域构造特征 |
| 2.1.1 长岭断陷区域构造特征 |
| 2.1.2 梨树断陷区域构造特征 |
| 2.2 区域地层特征 |
| 第3章 松辽盆地南部火石岭组主要火山岩类型及测井响应特征 |
| 3.1 松辽盆地南部火石岭组主要火山岩类型 |
| 3.1.1 玄武岩 |
| 3.1.2 安山岩 |
| 3.1.3 安山质角砾熔岩 |
| 3.1.4 安山质角砾岩 |
| 3.1.5 安山质凝灰岩 |
| 3.1.6 流纹岩 |
| 3.1.7 流纹质角砾岩 |
| 3.1.8 流纹质凝灰岩 |
| 3.2 松辽盆地南部火石岭组火山岩测井响应特征 |
| 3.2.1 本文所用火山岩测井曲线类型和方法原理 |
| 3.2.2 火石岭组火山岩测井响应特征 |
| 第4章 基于常规测井数据的交会图与BP神经网络岩性识别方法对比与优选 |
| 4.1 测井数据的选取与分析 |
| 4.1.1 测井数据的选取 |
| 4.1.2 测井数据的分析 |
| 4.2 基于常规测井数据的交会图法火山岩岩性识别 |
| 4.2.1 基于常规测井数据的直接交会图法火山岩岩性识别和结果 |
| 4.2.2 基于常规测井数据的分级交会图法火山岩岩性识别和结果 |
| 4.3 基于常规测井数据的 BP 神经网络法岩性识别 |
| 4.3.1 BP 神经网络基本原理 |
| 4.3.2 BP神经网络中神经元留存的Dropout方法 |
| 4.3.3 引入Dropout的BP神经网络方法识别松辽盆地南部火山岩岩性 |
| 4.3.4 基于常规测井数据的BP神经网络方法火山岩岩性识别和结果 |
| 4.4 交会图法与BP神经网络法火山岩岩性识别方法对比与优选 |
| 第5章 基于常规测井数据的BP神经网络法火山岩岩性识别在两种场景中的应用:原地训练原地应用和原地训练异地应用 |
| 5.1 基于常规测井数据的BP神经网络法识别松辽盆地长岭断陷全井段岩性(原地训练原地应用) |
| 5.2 基于常规测井数据的BP神经网络法识别海拉尔盆地火山岩岩性 |
| 5.2.1 应用松辽盆地南部选取的训练数据(原地训练异地应用) |
| 5.2.2 应用重新选取的海拉尔盆地训练数据(原地训练原地应用) |
| 5.3 BP神经网络岩性识别方法存在的问题和可能的改进方向 |
| 5.3.1 BP 神经网络岩性识别存在的问题 |
| 5.3.2 BP 神经网络岩性识别可能的改进方向 |
| 结果与讨论 |
| 参考文献 |
| 附录 |
| 作者简介及科研成果 |
| 致谢 |
（2）基于机器学习的矿物智能识别方法研究进展与展望（论文提纲范文）
| 0 引言 |
| 1 矿物智能识别的基本过程 |
| 2 矿物智能识别的研究路线 |
| 2.1 基于化学成分进行矿物智能识别 |
| 2.2 基于显微光学图片进行矿物智能识别 |
| 2.3 基于光谱分析进行矿物智能识别 |
| 3 矿物智能识别的机器学习方法 |
| 3.1 统计学习 |
| 3.2 线性回归模型 |
| 3.3 距离度量模型 |
| 3.4 树结构模型 |
| 3.5 神经网络模型 |
| 3.5.1 Kohonen网络 |
| 3.5.2 前馈神经网络 |
| 3.5.3 深度卷积神经网络 |
| 3.6 样本问题新技术 |
| 4 研究展望 |
（3）W工区与G工区火成岩储层预测与速度建模研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及技术路线 |
| 2 储层预测与速度建模基本理论 |
| 2.1 地震相及地震属性 |
| 2.2 约束稀疏脉冲反演 |
| 2.3 地质统计学反演 |
| 2.4 支持向量机 |
| 2.5 小波包变换 |
| 3 W工区安山岩与花岗岩储层预测 |
| 3.1 区域地质概况 |
| 3.2 地震相与地震属性对W工区安山岩与花岗岩储层预测 |
| 3.3 基于支持向量机的地震反演对W工区安山岩储层预测研究 |
| 4 G工区火成岩速度建模及精细评价研究 |
| 4.1 G工区火成岩特征 |
| 4.2 G工区火成岩地震相、地震属性研究 |
| 4.3 基于db5小波包变换的声波曲线重构 |
| 4.4 G工区约束稀疏脉冲反演 |
| 4.5 G工区反演速度体质控 |
| 5 结论与展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）松辽盆地大陆科学钻探井火山岩测井精细评价：方法研究与实践（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 前言 |
| 1.1 论文来源及研究意义 |
| 1.2 研究现状及存在问题 |
| 1.2.1 研究现状 |
| 1.2.2 存在问题 |
| 1.3 主要研究内容及方法 |
| 1.4 研究思路与技术路线 |
| 1.5 主要创新点 |
| 第二章 地质概况与井况 |
| 2.1 松辽盆地构造演化与地质特征 |
| 2.1.1 松辽盆地地质概况 |
| 2.1.2 营城组火山活动和岩性分布特征 |
| 2.2 松科2井东孔概况 |
| 2.2.1 松科2 井东孔井况 |
| 2.2.2 松科2 井东孔井区地理概况 |
| 2.2.3 松科2 井东孔构造特征 |
| 2.2.4 松科2 井东孔地层和岩性特征 |
| 第三章 火山岩测井响应特征 |
| 3.1 不同地区火山岩的测井响应特征 |
| 3.1.1 Neuquen盆地 |
| 3.1.2 Manus盆地 |
| 3.1.3 Unzen火山区 |
| 3.1.4 准葛尔盆地 |
| 3.1.5 黄骅凹陷 |
| 3.1.6 马朗凹陷 |
| 3.1.7 辽河坳陷 |
| 3.1.8 松辽盆地 |
| 3.2 松科2井东孔火山岩测井响应特征 |
| 3.2.1 松辽盆地火山岩分类 |
| 3.2.2 营城组火山岩测井响应特征 |
| 3.2.2.1 常规测井响应特征 |
| 3.2.2.2 电阻率成像测井响应特征 |
| 3.2.2.3 新型岩性元素扫描测井响应特征 |
| 3.3 本章小结 |
| 第四章 火山岩岩性识别 |
| 4.1 岩性识别方法研究 |
| 4.1.1 交会图法 |
| 4.1.2 特殊测井法 |
| 4.1.3 模型算法 |
| 4.1.3.1 人工神经网络 |
| 4.1.3.2 支持向量机 |
| 4.1.3.3 线性降维算法 |
| 4.1.3.4 判别分析 |
| 4.1.3.5 因子分析 |
| 4.1.3.6 聚类分析 |
| 4.2 松科2井东孔营城组火山岩岩性识别 |
| 4.3 本章小结 |
| 第五章 火山岩孔隙度计算 |
| 5.1 骨架参数的计算 |
| 5.1.1 骨架参数求取方法研究 |
| 5.1.2 松科2 井东孔营城组火山岩骨架参数的求取 |
| 5.2 火山岩孔隙度计算 |
| 5.2.1 火山岩孔隙度计算方法研究 |
| 5.2.1.1 总孔隙度 |
| 5.2.1.2 有效孔隙度 |
| 5.2.1.3 基质孔隙度 |
| 5.2.1.4 裂缝孔隙度 |
| 5.2.2 松科2 井东孔营城组火山岩孔隙度的计算 |
| 5.3 本章小结 |
| 第六章 火山岩孔隙结构研究 |
| 6.1 徐家围子地区火山岩孔隙结构特征 |
| 6.2 利用测井资料研究孔隙结构的方法 |
| 6.2.1 电成像测井的孔隙结构研究 |
| 6.2.1.1 电成像测井资料 |
| 6.2.1.2 电阻率成像测井孔隙度谱 |
| 6.2.1.3 孔隙度谱分析 |
| 6.2.2 核磁共振测井的孔隙结构研究 |
| 6.2.2.1 核磁共振测井资料 |
| 6.2.2.2 核磁共振测井T2谱 |
| 6.2.2.3 核磁共振测井T2 谱孔隙结构的表征 |
| 6.2.3 孔隙度谱和T2 谱的应用分析 |
| 6.3 松科2井东孔营城组火山岩孔隙结构特征 |
| 6.4 松科2井东孔营城组火山岩有利区域预测 |
| 6.5 孔隙度谱在火山岩中的应用前景 |
| 6.5.1 次生孔隙的研究 |
| 6.5.2 岩性变化的研究 |
| 6.6 本章小结 |
| 第七章 结论 |
| 参考文献 |
| 致谢 |
| 个人简历以及攻读学位期间主要研究成果 |
（5）车47火山岩油藏储层裂缝自动识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题目的及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 基于常规测井的火成岩储层裂缝识别方法 |
| 1.2.2 基于成像测井的火成岩储层裂缝识别方法 |
| 1.3 研究区概况 |
| 1.3.1 研究区位置 |
| 1.3.2 构造特征 |
| 1.3.3 地层特征 |
| 1.3.4 储层特征 |
| 1.3.5 勘探开发历程与现状 |
| 1.4 研究区存在的主要问题 |
| 1.5 研究主要内容及技术路线 |
| 1.5.1 研究主要内容 |
| 1.5.2 技术路线 |
| 1.6 完成工作量及取得成果 |
| 1.6.1 完成工作量 |
| 1.6.2 取得主要成果 |
| 第2章 裂缝测井响应特征 |
| 2.1 井中裂缝类型 |
| 2.2 成像裂缝特征 |
| 2.3 火成岩裂缝常规测井相应特征 |
| 2.3.1 三岩性曲线 |
| 2.3.2 三孔隙度曲线声波时差曲线(AC) |
| 2.3.3 电阻率曲线 |
| 2.3.4 总结 |
| 第3章 成像测井裂缝自动拾取 |
| 3.1 语义分割 |
| 3.2 Google Deep Labv3+ |
| 3.3 霍夫变换提取正弦曲线 |
| 3.4 裂缝拾取结果及讨论 |
| 3.4.1 数据集 |
| 3.4.2 评价指标 |
| 3.4.3 Deep Labv3+提取裂缝 |
| 3.4.4 霍夫变换提取裂缝参数 |
| 3.4.5 结论 |
| 第4章 基于变点检测和深度学习的常规测井裂缝识别 |
| 4.1 现有方法的缺陷及解决思路 |
| 4.1.1 问题 |
| 4.1.2 解决办法 |
| 4.2 变点检测 |
| 4.3 深度学习 |
| 4.3.1 稀疏自编码器 |
| 4.3.2 卷积神经网络 |
| 4.4 变点检测结合自编码器提取特征 |
| 4.4.1 数据预处理 |
| 4.4.2 利用变点检测对测井曲线分层 |
| 4.4.3 自编码器提取特征 |
| 4.5 神经网络架构 |
| 4.5.1 神经网络结构搜索算法 |
| 4.5.2 本文采用的神经网络结构 |
| 4.6 裂缝识别及结果分析 |
| 4.6.1 数据集 |
| 4.6.2 模型评估方法 |
| 4.6.3 识别结果与讨论 |
| 第5章 裂缝发育规律 |
| 5.1 岩相对裂缝的控制作用 |
| 5.2 构造对裂缝的控制作用 |
| 第6章 结论及认识 |
| 参考文献 |
| 在学期间科研成果 |
（6）巴彦浩特盆地锡林凹陷火成岩特征与识别（论文提纲范文）
| 1 引言 |
| 2 火成岩特征描述 |
| 3 BP神经网络识别火成岩 |
| 3.1 BP网络模型的建立和训练 |
| 3.2 BP网络预测识别火成岩 |
| 3.2.1 BC2-X1线 |
| 3.2.2 X5线 |
| 3.2.3 X1线 |
| 3.2.4 X3线 |
| 3.2.5 245线 |
| 4 火成岩识别结果 |
| 5 结论 |
（7）岩性识别技术现状与进展（论文提纲范文）
| 0 引言 |
| 1 岩性识别的主要方法 |
| 1.1 重磁技术 |
| 应用实例 |
| 1.2 地震技术 |
| 应用实例 |
| 1.3 测井技术 |
| 应用实例 |
| 1.4 遥感技术 |
| 应用实例 |
| 1.5 综合地球物理技术 |
| 2 岩性识别技术对比 |
| 3 结论与展望 |
（8）基于多种地震反演方法的哈拉哈塘地区火成岩识别及速度建模（论文提纲范文）
| 0 引言 |
| 1 工区概况 |
| 2 反演方法 |
| 2.1 约束稀疏脉冲反演 |
| 2.2 人工神经网络反演 |
| 2.3 多参数反演 |
| 3 反演结果 |
| 3.1 测井曲线处理 |
| 3.2 反演剖面对比 |
| 3.3 反演速度评价 |
| 4 基于小波变换的声波时差重构反演 |
| 4.1 重构原理及实现 |
| 4.2 声波时差重构反演 |
| 5 结论 |
（9）用人工神经网络研究元素与岩浆岩、沉积岩岩性及沉积岩矿物的关系（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题依据 |
| 1.2 研究的目的和意义 |
| 1.3 国内外研究现状 |
| 1.4 主要研究内容与技术路线 |
| 1.5 完成主要工作量 |
| 1.6 主要认识与创新 |
| 第二章 含油气岩层元素与矿物关系研究与数据的收集与整理 |
| 2.1 含油气岩层主要元素组成与主要矿物组成研究 |
| 2.1.1 引言 |
| 2.1.2 岩浆岩与沉积岩元素与矿物组成 |
| 2.1.3 某井的实测元素与矿物数据 |
| 2.2 用于神经网络训练与测试的数据收集与整理 |
| 2.2.1 沉积岩数据的收集与整理 |
| 2.2.2 岩浆岩数据的收集与整理 |
| 2.2.3 沉积岩与岩浆岩在主要元素组成方面的关系图版的创建 |
| 第三章 人工智能与人工神经网络现状及在岩性解释中的应用 |
| 3.1 人工智能研究现状及在石油地质中的应用 |
| 3.1.1 人工智能的概念与概况 |
| 3.1.2 人工智能的发展史 |
| 3.1.3 人工智能的发展方向 |
| 3.1.4 人工智能的研究方向 |
| 3.1.5 人工智能与油气勘探 |
| 3.2 人工神经网络的研究现状及在岩性识别中的应用 |
| 3.2.1 人工神经网络的概况 |
| 3.2.2 人工神经网络的发展史 |
| 3.2.3 神经元模型和网络结构 |
| 3.2.4 人工神经网络在岩性解释中的应用 |
| 第四章 神经网络区分岩浆岩与沉积岩 |
| 4.1 多层感知器人工神经网络 |
| 4.1.1 单层感知器人工神经网络 |
| 4.1.2 多层感知器人工神经网络 |
| 4.1.3 多层感知器的主要训练算法 |
| 4.2 地学中区分岩浆岩与沉积岩的方法与意义 |
| 4.2.1 常见的区分岩浆岩与沉积岩的方法概述 |
| 4.2.2 特殊条件下区分沉积岩与岩浆岩岩性的困难之处 |
| 4.2.3 常见的数理分类方法与神经网络分类的优势 |
| 4.3 基于多层感知器的沉积岩和岩浆岩分类模型的建立与测试 |
| 4.3.1 多层感知器在沉积岩与岩浆岩分类方面的基本方法 |
| 4.3.2 利用多层感知器进行沉积岩与岩浆岩分类的具体过程 |
| 4.3.3 多层感知器网络测试 |
| 第五章 沉积岩矿物模型的构建与测试 |
| 5.1 BP人工神经网络 |
| 5.1.1 BP神经网络的概念 |
| 5.1.2 BP神经网络主要原理 |
| 5.1.3 BP神经网络设计 |
| 5.1.4 BP人工神经网络的改进方法 |
| 5.1.5 BP神经网络的优缺点 |
| 5.2 沉积岩中主要造岩元素与主要造岩矿物复杂的对应关系 |
| 5.2.1 根据主要造岩矿物对沉积岩进行分类的方案 |
| 5.2.2 沉积岩元素与矿物之间复杂的关系 |
| 5.3 利用BP人工神经网络建立矿物含量预测模型 |
| 5.3.1 样本的整理 |
| 5.3.2 根据元素预测矿物含量的BP神经网络模型的构建 |
| 5.3.3 BP神经网络的训练与测试 |
| 第六章 岩性识别软件的设计与测试 |
| 6.1 岩性识别软件的设计 |
| 6.1.1 岩性识别软件流程图 |
| 6.1.2 应用程序开发过程 |
| 6.1.3 应用程序注册嵌入LEAD软件的过程 |
| 6.2 岩性识别软件的测试 |
| 6.2.1 嵌入到LEAD的界面 |
| 6.2.2 L井实测矿物与预测矿物含量对比 |
| 6.2.3 Y1井与Y2井部分矿物预测结果与哈里伯顿公司处理结果对比 |
| 6.2.4 岩性定性表示界面 |
| 第七章 结论与认识 |
| 7.1 取得的成果与认识 |
| 7.2 问题和下一步工作 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 1. 攻读博士学位期间取得的学术成果 |
| 2. 攻读博士学位期间参与的主要科研项目 |
| 致谢 |
| 作者简介 |
（10）哈山深层火成岩储层结构特征及井眼应力分布研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究概况 |
| 1.2.1 火成岩岩性国内外研究现状 |
| 1.2.2 火成岩裂缝国内外研究现状 |
| 1.2.3 地应力国内外研究现状 |
| 1.2.4 井壁稳定性国内外研究现状 |
| 1.3 研究内容 |
| 1.4 课题来源 |
| 第二章 多参数识别火成岩岩性 |
| 2.1 岩石物性识别 |
| 2.1.1 几种常规测井特征 |
| 2.1.2 测井物性分析 |
| 2.2 交会图法识别岩性 |
| 2.2.1 交会图技术 |
| 2.2.2 工程实例 |
| 2.3 岩石力学参数 |
| 2.3.1 力学参数确定方法 |
| 2.3.2 计算力学参数法 |
| 2.3.3 工程实例 |
| 2.4 本章小结 |
| 第三章 火成岩岩石结构特性 |
| 3.1 火成岩的物性 |
| 3.1.1 火成岩的化学成分 |
| 3.1.2 火成岩的矿物成分 |
| 3.2 火成岩裂缝孔隙类型 |
| 3.2.1 孔隙类型 |
| 3.2.2 按裂缝的尺寸分类 |
| 3.2.3 按裂缝的成因分类 |
| 3.2.4 按裂缝的力学性质分类 |
| 3.2.5 其他裂缝分类方式 |
| 3.3 哈深2井岩石结构特征分析 |
| 3.4 本章小结 |
| 第四章 单井地应力计算 |
| 4.1 地应力概述 |
| 4.1.1 地应力分类 |
| 4.1.2 有效应力概念 |
| 4.2 测井资料计算地应力 |
| 4.2.1 垂向主应力计算方法 |
| 4.2.2 水平主应力计算模型 |
| 4.3 研究区地应力的计算 |
| 4.3.1 计算地层体积压缩系数C_b |
| 4.3.2 计算骨架压缩系数C_(ma) |
| 4.3.3 计算有效应力系数α |
| 4.3.4 计算水平最大最小主应力 |
| 4.4 本章小结 |
| 第五章 井眼应力分布分析及井壁稳定性评价 |
| 5.1 研究区地质概况 |
| 5.2 计算模型的确立 |
| 5.2.1 地层划分 |
| 5.2.2 岩石力学参数的确定 |
| 5.2.3 计算模型网格划分 |
| 5.2.4 施加边界力和约束 |
| 5.3 井眼应力数值模拟分析 |
| 5.3.1 井壁位移分析 |
| 5.3.2 井壁应力分析 |
| 5.4 井壁稳定性评价 |
| 5.4.1 井壁稳定性研究意义 |
| 5.4.2 岩石破裂计算准则 |
| 5.4.3 计算破裂准则的选取 |
| 5.4.4 井壁稳定性分析 |
| 5.5 本章小结 |
| 结论和展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
四、用人工神经网络识别火成岩（论文参考文献）
- [1]松辽盆地南部火石岭组火山岩测井响应特征与岩性识别[D]. 洪一鸣. 吉林大学, 2021(01)
- [2]基于机器学习的矿物智能识别方法研究进展与展望[J]. 郝慧珍,顾庆,胡修棉. 地球科学, 2021(09)
- [3]W工区与G工区火成岩储层预测与速度建模研究[D]. 蒋震. 中国矿业大学, 2020(03)
- [4]松辽盆地大陆科学钻探井火山岩测井精细评价：方法研究与实践[D]. 赵金环. 中国地质大学(北京), 2019(02)
- [5]车47火山岩油藏储层裂缝自动识别方法研究[D]. 李冰涛. 中国石油大学(北京), 2019(02)
- [6]巴彦浩特盆地锡林凹陷火成岩特征与识别[J]. 王贝贝,王梦醒,李欣. 工程地球物理学报, 2018(03)
- [7]岩性识别技术现状与进展[J]. 付光明,严加永,张昆,胡浩,罗凡. 地球物理学进展, 2017(01)
- [8]基于多种地震反演方法的哈拉哈塘地区火成岩识别及速度建模[J]. 崔永福,许永忠,彭更新,郭念民,王兴军,郑多明,马一名,张昆. 东北石油大学学报, 2016(04)
- [9]用人工神经网络研究元素与岩浆岩、沉积岩岩性及沉积岩矿物的关系[D]. 张涛. 西北大学, 2016(05)
- [10]哈山深层火成岩储层结构特征及井眼应力分布研究[D]. 韩晨. 中国石油大学(华东), 2016(07)