图二. 记录了WK-1井眼三叠系剖面的GR、PB和DT测井曲线,其中5个不同的岩相序列被区分为1至5类。
在其它间隔之间是突变的(例如,Somerset岩盐顶部与上覆的碳酸盐质
泥岩接触
从自然伽马记录数据中提取和使用自然伽马属性
的优点之一是它
们比单独记录的自然伽马数据更能够表征岩相之间的梯度过渡带
图图3和图4分别显示了针对每个数据记录计算的三个GR导数和三个GR波
动率属性与深度的关系。请注意,Branscombe泥岩地层中的硬石膏/石
灰石带
在所有计算的
衍生物/波动性属性中均为极值。此外,这些属性显
示了蓝锚地层(靠近剖面顶部)和水獭砂岩(在剖面底部)的非常独特
的分布这种区别不能孤立地从自然伽马射线数据中辨别出来
表1比较了所考虑的九个测井特征的分布统计数据
(三个记录的测井
GR DT
和
PB;
SIX
计算的GR属性)。 这些变量和岩相数的累积概率分布如
图所示。 五、特别是衍生属性,显示了相当广泛的值范围为了计算移动
平均属性,间隔的前几个数据点被排除在所评估的数据记录评价的序列
(表1)涉及8911个数据记录(1565.9 m-2456.9 m)的连续序列。这
些数据记录中约有53%属于分布在后水獭砂岩序列中的相类2(泥岩
图图6显示了测井变量与相类之间计算的相关系数值的热图。图中所
有列的值。图6中,除了最后一列是皮尔逊
相关系数(
R
),它假设变量分
布是参数分布,基本上是基于线性关系。右侧
栏(图。 6)显示斯皮尔曼
等级相关系数
(
p
),一种更能代表分布的非参数统计量
非线性关系的变量
GR
与其属性之间的
R
值较低(
<0.2
,左侧列,图
1
)。
(六)。
GR
属性与相类之间的
R
值远低于
GR、DT、PB记录的测井数据所
显示的R值。PB显示最高的负R值与相类(0.49),相比之下,GR和
DT的 0.21
GR(0.07)、DT(0.26)和PB(0.54)与相
类的
p
值与
R
值非常不
同。 该差异指示
在确定三个测量的测井曲线与相类之间的关系时的非线
性,使得p值比R值更能代表那些分布关系。GR属性在R和p值(0.15)
方面与相类的相关性很差这种关系表明,
回归型模型,特别是那些基于线
性假设的模型
,不太可能能够使用记录的测井变量和/或特别是计算的
GR属性变量准确地预测相类
2.3.
应用回归和机器学习算法
使用两种线性回归算法以及应用不同ML方法进行分类的七种算法,
对WK-1井三叠系剖面记录的测井数据以及六个计算的GR属性进行建
模 。 这 些 算 法 是 用 Python 编 写 的 , 并 围 绕 SciKit Learn 函 数 开 发
(SciKitLearn,2022a)。
评 估 的 算 法 有 独 特 的 方 法 , 可 以
分 为 基 于 回 归 (OLR, SGD 和
SVC),树/集成(ADA,DT,RF,XGB),数据匹配(KNN)和神
经网络(MLP)。这九种模型现在按字母顺序定义,每种方法的第一个
引用参考文献都是指原始的