火山岩岩性识别方法研究

火山岩岩性识别方法研究

周波¹,李舟波²,潘保芝²

1.黑龙江科技学院，黑龙江哈尔滨 150027; 2.吉林大学地球探测科学与技术学院，吉林长春 130026

收稿日期:2004-10-20 修回日期:1900-01-01 出版日期:2005-05-26 发布日期:2005-05-26
通讯作者: 周波

A Study on Lithology Identification Methods for Volcanic Rocks

ZHOU Bo¹, LI Zhou-bo², PAN Bao-zhi²

1.Heilongjiang Institute of Science and Technology, Harbin 150027,China; 2.College of GeoExploration Science and Technology, Changchun 130026, China

Received:2004-10-20 Revised:1900-01-01 Online:2005-05-26 Published:2005-05-26
Contact: ZHOU Bo

摘要/Abstract

摘要： 岩性是测井储层评价的基础，在火山岩油藏的测井评价过程中，由于火山岩岩性定名方法的不统一以及岩性识别方法的不完善，使火山岩油藏的测井评价难以开展。采用国际地科联（IUGS）推荐的TAS图方法对火山岩岩样定名,并以此为基础，使用神经网络方法利用测井资料识别火山岩岩性。研究结果表明，利用传统的统计判别方法建立的测井资料与火山岩岩性的判别关系，识别符合率只有65%;而使用神经网络方法建立的判别关系，识别符合率可达81.8%。

关键词: 火山岩岩性, BP神经网络, SOM神经网络, 岩性识别

Abstract: The lithology identification is a basic work in reservoir evaluation by well logging data. It is difficult to evaluate volcanic reservoirs with well logging data because volcanic lithology classification is not unanimous and the recognition methods are not perfect. Volcanic samples should be classified according to TAS (total alkalies vs silica) chart proposed by IUGS. The volcanic lithology can then be recognized by neural network method with well logging data. Only 65 percent volcanic rocks can be identified by conventional methods. With the method proposed, 81.8 percent rocks can easily be recognized.

Key words: volcanic rock, BP neural network, SOM neural network, lithology recognition

中图分类号:

P631.8

周波,李舟波,潘保芝. 火山岩岩性识别方法研究[J]. J4, 2005, 35(03): 394-0397.

ZHOU Bo, LI Zhou-bo, PAN Bao-zhi. A Study on Lithology Identification Methods for Volcanic Rocks[J]. J4, 2005, 35(03): 394-0397.

参考文献

相关文章 15

[1]	周孙超, 宋腾蛟, 王琰, 蔡宗佑. 基于小龙虾优化算法的BP神经网络模型在滑坡易发性评价中的应用[J]. 吉林大学学报(地球科学版), 2026, 56(3): 937-950.
[2]	曹志民, 张丽, 郑兵, 韩建. 基于SMOTE平衡数据的极端随机树岩性识别[J]. 吉林大学学报(地球科学版), 2025, 55(4): 1372-1386.
[3]	王婷婷, 黄志贤, 王洪涛, 杨明昊, 赵万春. 基于MobileNetV2的岩石薄片岩性识别[J]. 吉林大学学报(地球科学版), 2024, 54(4): 1432-1442.
[4]	庞志超, 肖华, 毛晨飞, 陈国军, 梁琬坤, 高明, 张啸. 准噶尔盆地南缘地区含膏质地层岩性特征及测井识别方法[J]. 吉林大学学报(地球科学版), 2024, 54(4): 1419-1431.
[5]	李瑞友, 白细民, 张勇, 汪靖, 朱亮, 丁小辉, 李广. 基于小波包分解与GA优化BP神经网络的瞬变电磁反演[J]. 吉林大学学报(地球科学版), 2024, 54(3): 1003-1015.
[6]	王新领, 祝新益, 张宏兵, 孙博, 许可欣. 基于随机树嵌入的随钻测井岩性识别方法 [J]. 吉林大学学报(地球科学版), 2024, 54(2): 701-708.
[7]	管耀, 王清辉, 冯进, 杨清, 石磊. 基于机器学习的蚀变火成岩测录井综合岩性识别——以南海北部珠江口盆地惠州26-6井区为例#br#[J]. 吉林大学学报(地球科学版), 2024, 54(1): 345-358.
[8]	王婷婷, 孙振轩, 戴金龙, 姜基露, 赵万春. 松辽盆地中央坳陷区储层岩性智能识别方法 [J]. 吉林大学学报(地球科学版), 2023, 53(5): 1611-1622.
[9]	尹生阳, 曾维, 王胜, 胡粒琪, 余小平, 李亚欣. 基于声波信号的岩性智能分类方法[J]. 吉林大学学报(地球科学版), 2022, 52(6): 2060-2070.
[10]	熊越晗, 刘东燕, 刘东升, 王艳磊, 唐小山. 基于岩样细观图像深度学习的岩性自动分类方法[J]. 吉林大学学报(地球科学版), 2021, 51(5): 1597-1604.
[11]	牟丹, 张丽春, 徐长玲. 3种经典机器学习算法在火山岩测井岩性识别中的对比[J]. 吉林大学学报(地球科学版), 2021, 51(3): 951-956.
[12]	王恒, 姜亚楠, 张欣, 仲鸿儒, 陈庆轩, 高世臣. 基于梯度提升算法的岩性识别方法[J]. 吉林大学学报(地球科学版), 2021, 51(3): 940-950.
[13]	朱凯光, 王昊, 彭聪, 张琼, 范天姣, 景春阳. 基于BP神经网络的固定翼航空电磁线圈姿态校正[J]. 吉林大学学报(地球科学版), 2020, 50(1): 252-260.
[14]	张代磊, 黄大年, 张冲. 基于遗传算法优化的BP神经网络在密度界面反演中的应用[J]. 吉林大学学报(地球科学版), 2017, 47(2): 580-588.
[15]	王宇, 卢文喜, 卞建民, 侯泽宇. 三种地下水位动态预测模型在吉林西部的应用与对比[J]. 吉林大学学报(地球科学版), 2015, 45(3): 886-891.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	尤敏鑫，刘建民. 同位素地球化学在峨眉山大火成岩省研究中的应用现状与进展[J]. 吉林大学学报(地球科学版), 2014, 44(4): 1231 -1243 .
[2]	杨春梅, 李洪奇,陆大卫,张方礼,高原,邵英超. 不同驱替方式下岩石电阻率与饱和度的关系[J]. J4, 2005, 35(05): 667 -671 .
[3]	祝洪臣，张炯飞，权恒. 大兴安岭中生代两期成岩成矿作用的元素、同位素特征及其形成环境[J]. J4, 2005, 35(04): 436 -0442 .
[4]	朱建伟, 赵刚, 刘博, 郭巍, 成俊. 油页岩测井识别技术及应用[J]. J4, 2012, 42(2): 289 -295 .
[5]	陈力，梁海安，张文娟，荣帆. 模糊数学方法在城市工程地质环境区划中的应用--以抚顺市城区为例[J]. J4, 2008, 38(5): 837 -0840 .
[6]	高桂梅,苏克,王文颖,甘树才,刘招君. 吉林省桦甸油页岩中稀土元素和微量元素的研究[J]. J4, 2006, 36(6): 974 -0979 .
[7]	吴孔运，蒋忠诚，叶晔. 不同植物群落对灰岩试块溶蚀速率的影响[J]. J4, 2007, 37(5): 967 -0971 .
[8]	周彦章，迟宝明，刘中培. 山东夏甸金矿床充水机理构造控制模式[J]. J4, 2008, 38(2): 255 -0260 .
[9]	张渊，刘连登，孙景贵，陈国华，张洪喜，闫复传,杨开春. 胶东西北部黄埠岭金矿床两期次叠加成矿[J]. J4, 2008, 38(1): 21 -0026 .
[10]	鲁程鹏, 束龙仓, 苑利波, 张蓉蓉, 黄币娟, 王彬彬. 基于示踪试验求解岩溶含水层水文地质参数[J]. J4, 2009, 39(4): 717 -721 .