基于重磁电震大数据分析的火成岩岩性预测方法研究——以西部 L 地区为例

火成岩储层油气资源潜力巨大，近年来已成为油气储量的重要增长点。 由于不同岩性火成岩具有不同的物性特征，仅仅使用单一方法进行勘探有 较强的局限性，因此，综合应用多种地球物理方法对降低勘探风险、提高勘探效率具有重要意义。在传统地球物理资料解释中，通常对岩石的物性进行测试、分析和处理，利用岩石物性的特征规律进行地球物理资料的解释。这种资料解释方法主观性较强，同时也有大量数据信息没有被利用。 因此，本文在重磁电震多信息联合的基础上引入大数据分析方法进行火成岩储层解释及研究，通过使用多种大数据分析方法，集成研究区多类型的岩石物性数据信息，更加全面客观地分析岩性数据，提高岩性预测的准确度和可靠性，从而有效预测并解释出火成岩储层。 本文收集了研究区主要地层及岩石的资料，通过对地层和岩石资料进行整理分析，得到了研究区石炭系不同岩石的物性特征。为了获得各岩性的相关关系和组合特征关系，更精确地识别岩石岩性，本文进一步开展了岩石密度、磁化率、电阻率和速度等物性数据交会分析和聚类分析，获得这些物性数据的多类型属性，并以此为基础得到了重磁电震多信息聚类识别矩阵模板。该模板可依据地球物理数据识别地下岩石岩性，为综合利用重磁电震等地球物理勘探方法来研究火成岩油气藏提供了标准量板。为了提取研究区石炭系地层重磁电震资料的异常特征，本文应用GeoEast 软件实现了地震、电磁、重磁数据的互约束反馈修正建模，通过不断优化重磁电反演初始模型，完成了储层精细化建模及重磁电数据的高精度反演，获得的地质解释更加吻合重磁电震观测结果，为开展石炭系岩性识别和优选石炭系火成岩有利目标提供了三维数据体。本文以处理得到的岩石物性大数据为训练样本，建立了两种有监督的机器学习算法模型，评估每种模型的精度，并将得到的三维反演归一化数据输入至精度最高的机器学习模中， 获得了三维空间的石炭系地层岩性和岩相分布，并通过与已知含油气地层岩性对比实现了对研究区有利目标的圈定。

[1] 何展翔, 王永涛, 刘云祥, 等. 综合物探技术新进展及应用[J]. 石油地球物理勘探, 2005(01): 108-112+20-21+126.
[2] 张进铎. 地震解释技术现状及发展趋势[J]. 地球物理学进展, 2006(02): 578-587.
[3] 何展翔, 贺振华, 王绪本, 等. 油气非地震勘探技术的发展趋势[J]. 地球物理学进展, 2002(03): 473-479+485.
[4] 杨辉, 戴世坤, 宋海斌, 等. 综合地球物理联合反演综述[J]. 地球物理学进展,2002(02): 262-271.
[5] 索孝东, 张生, 陈德炙. 用重磁电异常信息模式识别石炭系火山岩岩性--以准噶尔盆地陆东地区为例[J]. 新疆石油地质, 2011, 32(03): 318-320.
[6] 陈学国, 相鹏. 山前带重磁电震综合构造建模方法在准噶尔盆地哈山地区的应用[J]. 中国石油大学学报(自然科学版), 2017, 41(03): 65-74.
[7] 仲伟军, 王意, 李天明, 等. 重磁电震井综合地球物理技术应用研究--以西北缘车排子凸起南部石炭系火山岩为例[J]. 新疆地质, 2020, 38(02): 222-226.
[8] TILLMANN A, STCKER T. A New Approach for the Joint Inversion of Seismic andGeoelectric Data; proceedings of the 63rd EAGE Conference & Exhibition, F, 2001[C].
[9] MOORKAMP M, JONES A G, EATON D W. Joint inversion of teleseismic receiverfunctions and magnetotelluric data using a genetic algorithm: Are seismic velocitiesand electrical conductivities compatible[J]. Geophysical Research Letters, 2007,34(16): 130-144.
[10] COLOMBO D, STEFANO M D. Geophysical modeling via simultaneous jointinversion of seismic, gravity, and electromagnetic data: Application to prestack depthimaging[J]. Leading Edge, 2007, 26(3): 326-331.
[11] FREGOSO E, GALLARDO L A. Cross-gradients joint 3D inversion with applicationsto gravity and magnetic data[J]. Geophysics, 2009, 74(4): L31.
[12] GALLARDO L A, FONTES S L, MEJU M A, et al. Robust geophysical integrationthrough structure-coupled joint inversion and multispectral fusion of seismicreflection, magnetotelluric, magnetic, and gravity images: Example from Santos Basin,offshore Brazil[J]. Geophysics, 2012, 77(5): B237-B251.
[13] 刘云祥, 何毅, 李德春, 等. 利用高精度重磁电勘探资料识别火成岩储层相带[J].石油地球物理勘探, 2005(S1): 99-101+138.
[14] 杨辉, 宋吉杰, 文百红, 等. 火山岩岩性宏观预测方法--以松辽盆地北部徐家围子断陷为例[J]. 石油勘探与开发, 2007(02): 150-155+196.
[15] 徐礼贵, 夏义平, 刘万辉. 综合利用地球物理资料解释叠合盆地深层火山岩[J]. 石油地球物理勘探, 2009, 44(01): 70-74+97+130+133.
[16] 徐桂芬, 何展翔, 石艳玲, 等. 电磁-地震联合研究深层火山岩储层--以辽东凹陷火山岩勘探为例[J].石油地球物理勘探, 2019, 54(04): 937-946+728.
[17] 卞保力, 江梦雅, 王学勇, 等. 重磁电(井)震综合物探技术在识别达巴松凸起石炭系深部火山岩中的应用[J]. 地球学报, 2022, 43(05): 711-718.
[18] BRYANT R E. Big-Data Computing: Creating revolutionary breakthroughs incommerce, science, and society, F, 2008 [C].
[19] 孟小峰, 慈祥. 大数据管理: 概念、技术与挑战[J]. 计算机研究与发展, 2013,50(01): 146-169.
[20] 程学旗, 靳小龙, 王元卓, 等. 大数据系统和分析技术综述[J]. 软件学报, 2014,25(09): 1889-1908.
[21] 谭茂金, 范宜仁, 张晋言. 测井数据标准化方法研究及软件设计[J]. 物探化探计算技术, 2006(03): 219-223+183.
[22] 何清, 李宁, 罗文娟, 等. 大数据下的机器学习算法综述[J]. 模式识别与人工智能, 2014, 27(04): 327-336.
[23] 贺 玲 , 吴 玲 达 , 蔡 益 朝 . 数 据 挖 掘 中 的 聚 类 算 法 综 述 [J]. 计 算 机 应 用 研 究 ,2007(01): 10-13.
[24] 何晓群. 现代统计分析方法与应用[M]. 北京: 中国人民大学出版社, 2003.
[25] 孙吉贵, 刘杰, 赵连宇. 聚类算法研究[J]. 软件学报, 2008(01): 48-61.
[26] MACQUEEN J. Some methods for classification and analysis of multivariateobservations, F, 1967 [C].
[27] 杨俊闯, 赵超. K-Means 聚类算法研究综述[J]. 计算机工程与应用, 2019, 55(23):7-14+63.
[28] LV Z Y, LIU T F, SHI C, et al. Novel Land Cover Change Detection Method Basedon k-Means Clustering and Adaptive Majority Voting Using Bitemporal RemoteSensing Images[J]. Ieee Access, 2019, 7: 34425-34437.
[29] 张雨金, 杨凌帆, 葛双冶, 等. 基于 Kmeans-SVM 的短期光伏发电功率预测[J].电力系统保护与控制, 2018, 46(21): 118-124.
[30] 刘江华. 一种基于 kmeans 聚类算法和 LDA 主题模型的文本检索方法及有效性验证[J]. 情报科学, 2017, 35(02): 16-21+26.
[31] 寻知锋, 余继峰. 聚类和判别分析在测井岩性识别中的应用[J]. 山东科技大学学报(自然科学版), 2008, No.118(05): 10-13.
[32] 王祝文, 刘菁华, 任莉. 基于 K 均值动态聚类分析的地球物理测井岩性分类方法[J]. 东华理工大学学报(自然科学版), 2009, 32(02): 152-156.
[33] 刘钊, 杜威, 闫冬梅, 等. 基于 K 近邻算法和支持向量回归组合的短时交通流预测[J]. 公路交通科技, 2017, 34(05): 122-128+158.
[34] BIJALWAN V, KUMARI P, PASCUAL J, et al. KNN based Machine LearningApproach for Text and Document Mining[J]. Computer Science, 2014.
[35] HUANG W J, MARTIN P, ZHUANG H L L. Machine-learning phase prediction ofhigh-entropy alloys[J]. Acta Materialia, 2019, 169: 225-236.
[36] SUN K, KANG H, PARK H H. Tagging and classifying facial images in cloudenvironments based on KNN using MapReduce[J]. Optik - International Journal forLight and Electron Optics, 2015, 126(21): 3227-3233.
[37] 王盼, 刘挺, 唐峰. 基于 Gardner 公式的岩石密度优化算法[J]. 录井工程, 2016,27(4): 4.
[38] AGGARWAL C C, REDDY C K. Data Clustering: Algorithms and Applications[M].Data Clustering: Algorithms and Applications, 2013.
[39] 刘叶, 吴晟, 周海河, 等. 基于 K-means 聚类算法优化方法的研究[J]. 信息技术,2019, 43(01): 66-70.
[40] 张晓明 . 决 策 分 析 中 的 数 据 无 量 纲 化 方 法 比 较 分 析 [J]. 闽 江 学 院 学 报 , 2012,33(05): 21-25.
[41] LI Y G, OLDENBURG D W. 3-D inversion of magnetic data[J]. Geophysics, 1996,61(2): 394-408.
[42] LI Y, OLDENBURG D W. Joint inversion of surface and three-component boreholemagnetic data[J]. Geophysics, 1996: 540-552.
[43] LI Y, OLDENBURG D W. 3-D inversion of gravity data[J]. Geophysics, 1998, 63(1):109-119.
[44] 王家映. 地球物理反演理论[M]. 地球物理反演理论, 2002.
[45] 胡祖志, 何展翔, 杨文采, 等. 大地电磁的人工鱼群最优化约束反演[J]. 地球物理学报, 2015, 58(07): 2578-2587.
[46] 何展翔, 胡祖志, 王志刚, 等. 时频电磁(TFEM)技术: 数据联合约束反演[J]. 石油地球物理勘探, 2020, 55(04): 898-905+705.
[47] 王有涛, 何展翔, 陈学国, 等. 基于物性分析建模的时频电磁反演及储层评价—— 以 准 北 缘 石 北 构 造 带 为 例 [J]. 石 油 地 球 物 理 勘 探 , 2022, 57(06): 1489-1497+1264.
[48] 邱家骧. 火山岩相及其主要特征[J]. 地质科技情报, 1984(02): 49-56.