基于BP神經(jīng)網(wǎng)絡(luò)的碳酸鹽巖儲(chǔ)層縫洞充填物測井識別方法

陳鋼花，胡 琮，曾亞麗，馬中高

(1.中國石油大學(xué)(華東),山東青島266580;2.中國石油化工股份有限公司石油物探技術(shù)研究院,江蘇南京211103)

基于BP神經(jīng)網(wǎng)絡(luò)的碳酸鹽巖儲(chǔ)層縫洞充填物測井識別方法

陳鋼花1，胡 琮1，曾亞麗1，馬中高2

(1.中國石油大學(xué)(華東),山東青島266580;2.中國石油化工股份有限公司石油物探技術(shù)研究院,江蘇南京211103)

縫洞是碳酸鹽巖儲(chǔ)層重要的儲(chǔ)集空間和滲流通道,縫洞充填物的識別對評價(jià)油氣儲(chǔ)集能力和滲流能力具有重要作用。解決縫洞充填物與常規(guī)測井響應(yīng)之間的非線性問題,BP神經(jīng)網(wǎng)絡(luò)法具有突出的優(yōu)勢。為此,通過結(jié)合成像測井和巖心資料,將碳酸鹽巖儲(chǔ)層縫洞充填物劃分為泥質(zhì)充填、砂質(zhì)充填和結(jié)晶碳酸鹽巖充填3類類型;分析不同充填類型的縫洞測井響應(yīng)特征,選取敏感性較強(qiáng)的泥質(zhì)含量、裂縫孔隙度、中子比、密度比和深側(cè)向電阻率等5個(gè)參數(shù),利用BP神經(jīng)網(wǎng)絡(luò)建立了碳酸鹽巖儲(chǔ)層縫洞充填物的識別方法。應(yīng)用所建立的方法對實(shí)際井資料進(jìn)行了處理評價(jià),其預(yù)測結(jié)果與實(shí)際結(jié)果有較好的一致性,取得了較好的應(yīng)用效果。

碳酸鹽巖儲(chǔ)層;縫洞充填物;BP神經(jīng)網(wǎng)絡(luò);模式識別;敏感參數(shù)

作為碳酸鹽巖儲(chǔ)層主要儲(chǔ)集空間和滲流通道的裂縫和洞穴是地球物理學(xué)者們研究的重中之重。然而,并非所有縫洞都是有效張開裂縫和溶蝕孔洞,其中往往夾雜著各種各樣的充填物。碳酸鹽巖儲(chǔ)層縫洞充填物的識別研究對評價(jià)縫洞的油氣儲(chǔ)集能力和滲流能力具有重要作用。

目前,國內(nèi)外學(xué)者對碳酸鹽巖儲(chǔ)層縫洞的測井識別研究主要是從常規(guī)測井和成像測井兩方面展開[1],以聲波測井和雙側(cè)向測井的研究最為充分,其中，李善軍等[2]建立的基于雙側(cè)向測井的裂縫孔隙度定量解釋模型較有代表性;譚廷棟[1]、趙良孝[3]等人也做了大量工作,其文獻(xiàn)具有很好的指導(dǎo)意義。然而,前人的研究成果多集中于有效張開裂縫和溶蝕孔洞的研究,對充填縫洞,尤其是縫洞中充填物的識別研究較少。碳酸鹽巖儲(chǔ)層孔隙結(jié)構(gòu)復(fù)雜,非均質(zhì)性嚴(yán)重,使得縫洞充填物與各常規(guī)測井響應(yīng)之間的關(guān)系很難確定,而BP神經(jīng)網(wǎng)絡(luò)在解決這類非線性問題時(shí)具有極大的靈活性和自適應(yīng)性,能夠?qū)崿F(xiàn)復(fù)雜函數(shù)關(guān)系的變換。為此,我們利用BP神經(jīng)網(wǎng)絡(luò)建立了一種有效的碳酸鹽巖儲(chǔ)層縫洞充填物識別方法。

1 BP神經(jīng)網(wǎng)絡(luò)模型簡介

BP神經(jīng)網(wǎng)絡(luò)是一種多層前向型神經(jīng)網(wǎng)絡(luò),主要通過學(xué)習(xí)來實(shí)現(xiàn)輸入目標(biāo)與輸出目標(biāo)之間的非線性映射。其基本過程為:輸入訓(xùn)練樣本和目標(biāo)樣本,不斷調(diào)整權(quán)值和閾值,通過梯度下降法的學(xué)習(xí)算法,使訓(xùn)練輸出樣本與目標(biāo)樣本不斷趨于一致[4]。在縫洞充填物的識別過程中恰好能運(yùn)用到BP神經(jīng)網(wǎng)絡(luò)高度的非線性映射能力,解決縫洞充填物與測井響應(yīng)之間關(guān)系的非線性問題,因此,用BP神經(jīng)網(wǎng)絡(luò)來識別縫洞充填物是有利的。在這里我們使用的是前饋反向傳播(Feed-forward Back Propagation)神經(jīng)網(wǎng)絡(luò)[5-6]。前向型神經(jīng)網(wǎng)絡(luò)通常由一個(gè)輸入層、一個(gè)輸出層和具有一個(gè)或多個(gè)sigmoid神經(jīng)元構(gòu)成的隱層構(gòu)成(圖1)。

BP算法的運(yùn)行主要為正向傳播和誤差反向傳播兩個(gè)階段[4]:

1) 正向傳播階段。首先在樣本集中取一訓(xùn)練對,將輸入矢量輸入網(wǎng)絡(luò);然后計(jì)算相應(yīng)的輸出矢量。

2) 誤差反向傳播階段。首先計(jì)算實(shí)際輸出矢量與理想輸出矢量的差;然后按極小化誤差的方式調(diào)整權(quán)矩陣。

BP算法沿著誤差函數(shù)減小最快的方向,也就是梯度的反方向改變權(quán)值和偏差。

BP神經(jīng)網(wǎng)絡(luò)通過其特有的樣本學(xué)習(xí)能力獲得充填物識別模式,智能化程度高,這樣不僅有效地解決了差別因素少帶來的識別難的困擾,而且樣本和識別參數(shù)原則上不受任何限制,可以充分利用一切可用的參數(shù),進(jìn)一步提高了預(yù)測的精度[7-8]。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型

2 BP神經(jīng)網(wǎng)絡(luò)建模

2.1 構(gòu)建輸出層

前人已對碳酸鹽巖儲(chǔ)層縫洞充填物的類型做了不少研究工作。鄭聰斌等[9]將其劃分為巖溶改造巖和巖溶建造巖兩大類8個(gè)亞類;Loucks等[10]把洞穴充填物分為裂紋角礫、混雜角礫和洞穴沉積充填三大類;徐微等[11]將塔河油田奧陶系溶洞充填相劃分為化學(xué)沉積巖相、搬運(yùn)型巖相、垮塌型巖相、滲流充填相四大類9相;鐘廣法等[12]將溶洞充填物分為角礫巖、砂泥巖和結(jié)晶碳酸鹽巖3種類型。在前人研究的基礎(chǔ)上[13-18],針對研究區(qū)的地質(zhì)、地球物理特征及油氣儲(chǔ)層測井評價(jià)的需要,最終確定將充填物類型劃分為泥質(zhì)充填、砂質(zhì)充填和結(jié)晶碳酸鹽巖充填3類,作為BP神經(jīng)網(wǎng)絡(luò)模型的輸出層。針對這3種充填類型,通過成像測井和巖心資料選取縫洞充填層段,分析總結(jié)相應(yīng)的測井響應(yīng)特征,選取敏感性較強(qiáng)的測井參數(shù),作為神經(jīng)網(wǎng)絡(luò)識別樣本。

2.2 構(gòu)建輸入層

用神經(jīng)網(wǎng)絡(luò)對縫洞充填物進(jìn)行識別,就是尋求縫洞充填物特征與測井信息的映射關(guān)系,因此樣本的選取關(guān)乎神經(jīng)網(wǎng)絡(luò)識別模型的準(zhǔn)確性。通過分析碳酸鹽巖儲(chǔ)層常規(guī)測井響應(yīng)特征可以看出:雙側(cè)向測井對于碳酸鹽巖儲(chǔ)層縫洞具有較好的響應(yīng),雙側(cè)向測井的深、淺側(cè)向幅度差與裂縫角度有較強(qiáng)的關(guān)聯(lián)性,若存在溶洞一般也會(huì)表現(xiàn)為正差異;而雙側(cè)向電阻率測井對于縫洞充填物類型也有響應(yīng),一般來說泥質(zhì)充填的電阻率最低,砂質(zhì)充填電阻率較高,結(jié)晶碳酸鹽巖充填電阻率最高。泥質(zhì)含量對于泥質(zhì)充填的情況也有反映,一般自然伽馬曲線升高,泥質(zhì)含量也較高。另外,在結(jié)晶碳酸鹽巖充填洞穴時(shí),三孔隙度測井曲線特征與圍巖相似,而在泥質(zhì)填充時(shí)則顯示聲波時(shí)差變大,中子孔隙度變大,密度降低。為了利用測井資料有效識別縫洞填充物類型,我們綜合提取了以下對縫洞充填物識別更為敏感的組合參數(shù)。

1) 測井密度與巖石骨架密度之比(簡稱“密度比”)C1:

(1)

式中：ρ為密度值；γ為自然伽馬測井值；PDG為巖石骨架密度。

2) 聲波時(shí)差比(簡稱“聲波比”)C2:

(2)

式中：TAC為聲波時(shí)差測井值；PTM為巖石骨架聲波時(shí)差。

3) 中子相對孔隙度(簡稱“中子比”)C3:

(3)

式中：CNL為補(bǔ)償中子測井值。

4) 深、淺側(cè)向電阻率差比RTC:

(4)

式中：RT為地層真電阻率；RLLS為淺側(cè)向測井值。

圖2為A井處理結(jié)果,由成像測井資料顯示該井5653～5655m處存在一個(gè)溶洞,同時(shí)巖心資料顯示該溶洞存在泥質(zhì)充填。在測井曲線上也有較為明顯的變化,雙側(cè)向有幅度差,且測井值均出現(xiàn)降低,密度測井值下降,補(bǔ)償中子測井值和聲波時(shí)差測井值升高,自然伽馬測井值升高。所提取的參數(shù)中,三孔隙度比、電阻率差比均出現(xiàn)異常,裂縫孔隙度升高,泥質(zhì)含量升高。

圖2 A井測井曲線

基于大量的實(shí)際井資料分析和巖電相關(guān)關(guān)系對比研究,最終確立了泥質(zhì)含量、裂縫孔隙度、中子比、密度比和深側(cè)向電阻率等5個(gè)參數(shù)作為自變量(輸入層),泥質(zhì)、砂質(zhì)和結(jié)晶碳酸鹽巖3種充填結(jié)果為因變量(輸出層)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測。

2.3 輸入?yún)?shù)的歸一化處理

在上述工作中提取的敏感性參數(shù)的量綱并不統(tǒng)一,為了提高預(yù)測模型的準(zhǔn)確性,需要對所提取參數(shù)進(jìn)行歸一化處理。

在歸一化時(shí)一般按照下式的原則進(jìn)行,即線性特征參數(shù)公式:

(5)

式中:yi，xi分別為歸一化前、后的測井值;ymax，ymin分別為該參數(shù)的最大、最小值。

對于非線性特征參數(shù),例如電阻率,則按以下公式進(jìn)行:

(6)

式中:lgyi,lgxi分別為歸一化前、后的測井值的對數(shù);lgymax,lgymin分別為該參數(shù)最大、最小值的對數(shù)。

3 實(shí)際應(yīng)用

運(yùn)用上述方法對A,B,C,D井進(jìn)行處理。選取這4口井的泥質(zhì)含量(VSH)、裂縫孔隙度(PORL)、中子比(C3)、密度比(C1)和深側(cè)向電阻率(RD)等5個(gè)參數(shù)作為輸入?yún)?shù),泥質(zhì)(CTSH)、砂質(zhì)(CTSD)和結(jié)晶碳酸鹽巖(CTCB)3種充填結(jié)果作為輸出參數(shù),構(gòu)建一個(gè)輸入層神經(jīng)元為5,輸出層神經(jīng)元為3,隱層神經(jīng)元為20的3層BP神經(jīng)網(wǎng)絡(luò)。

對于隱層神經(jīng)元的個(gè)數(shù),一般依靠經(jīng)驗(yàn)來定。一般來說神經(jīng)元個(gè)數(shù)越多預(yù)測精度越高,但神經(jīng)元越多訓(xùn)練速度越慢,所以兩者要綜合考慮。實(shí)際處理中,我們將343個(gè)樣本分為訓(xùn)練樣本集和測試樣本集,其中訓(xùn)練樣本集228個(gè),用于進(jìn)行網(wǎng)絡(luò)訓(xùn)練;測試樣本集115個(gè),用于測試驗(yàn)證網(wǎng)絡(luò)的準(zhǔn)確性。

建立的BP神經(jīng)網(wǎng)絡(luò)的隱層傳遞函數(shù)為tansig函數(shù),網(wǎng)絡(luò)最大訓(xùn)練次數(shù)1000,訓(xùn)練誤差精度為1×10-6。當(dāng)網(wǎng)絡(luò)系統(tǒng)誤差小于給定的誤差時(shí)訓(xùn)練結(jié)束,訓(xùn)練共進(jìn)行了19步,在第13步時(shí)達(dá)到最佳效果,均方誤差最小為0.049468(如圖3)。

當(dāng)預(yù)測模型構(gòu)建好后,用其對115個(gè)測試樣本進(jìn)行預(yù)測,預(yù)測結(jié)果見表1所示,其中有105個(gè)結(jié)果識別正確,識別準(zhǔn)確率達(dá)到了91.3%。可見預(yù)測結(jié)果與縫洞統(tǒng)計(jì)結(jié)果有很好的匹配,并且與體積模型的計(jì)算結(jié)果有較好的一致性,說明利用本文方法進(jìn)行碳酸鹽巖儲(chǔ)層縫洞充填物識別是可行的。

圖3 所構(gòu)建3層BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差傳播曲線

表1 實(shí)例井碳酸鹽巖縫洞充填物識別結(jié)果(部分)

輸入?yún)?shù)目標(biāo)結(jié)果識別結(jié)果VSHPORLC1C3RDCTSHCTSDCTCBCTSHCTSDCTCB0．0630．0020．0770．1070．9570010010．060．0010．0690．1000．9610010010．060．0020．0740．1320．9440100010．0580．0020．0620．0820．9190010010．0750．0210．1370．2060．6181001000．0740．0200．1310．2010．6231001000．0710．0200．1200．2000．6301001000．0210．0030．2420．1080．8970000000．0240．0030．2490．1150．8960000000．0750．0040．3230．1330．6600100000．1740．0830．4960．2420．2411001000．1820．0970．5040．2940．2101001000．1870．1060．5110．3440．1931001000．1890．1080．5120．3840．1891001000．1010．0150．3750．1340．6150100100．1030．0130．3780．1240．6540100100．140．0420．4170．2800．4171001000．1370．0530．4140．3200．3751001000．0210．0010．1140．0640．9170010000．0090．0010．0560．0270．984000000

注:CTSH代表泥質(zhì)充填;CTSD代表砂質(zhì)充填;CTCB代表結(jié)晶碳酸鹽巖充填。

4 結(jié)束語

碳酸鹽巖儲(chǔ)層復(fù)雜的儲(chǔ)集空間類型和不同的縫洞充填物類型使其巖石物理響應(yīng)特征極其復(fù)雜,導(dǎo)致測井儲(chǔ)層評價(jià)的困難。為此,我們從縫洞充填物測井響應(yīng)特征入手,優(yōu)選測井敏感性參數(shù),利用BP神經(jīng)網(wǎng)絡(luò)建立縫洞充填物類型識別的解釋模型。BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自適應(yīng)性和抗干擾能力,樣本的選取原則上無限制,可以利用一切可用信息,也無需事先建立任何理論模型,識別結(jié)果客觀可靠。實(shí)際應(yīng)用結(jié)果表明,本文方法與其它方法(如交會(huì)圖法等)相比具有顯著優(yōu)勢,大大提高了縫洞充填物的識別效果。

需要指出的是,基于BP神經(jīng)網(wǎng)絡(luò)的碳酸鹽巖儲(chǔ)層縫洞充填物識別方法的識別精度一定程度上受到樣本層和敏感性參數(shù)的影響,為此,在提高神經(jīng)網(wǎng)絡(luò)模型識別精度方面,有3個(gè)方向值得進(jìn)一步研究:①針對神經(jīng)網(wǎng)絡(luò)本身,對算法進(jìn)行優(yōu)化;②根據(jù)典型測井響應(yīng)特征,優(yōu)化樣本的選取,提高樣本的代表性;③改進(jìn)當(dāng)前測井方法和裝備,獲得識別能力更強(qiáng)的測井第一手資料。

[1] 譚廷棟.裂縫性油氣藏測井解釋模型與評價(jià)方法[M].北京:石油工業(yè)出版社,1987:2-5 Tan T D.Logging interpretation model and evaluation method of fractured reservoir[M].Beijing:Petroleum Industry Press,1987:2-5

[2] 李善軍,肖永文,汪涵明,等.裂縫的雙側(cè)向測井響應(yīng)的數(shù)學(xué)模型及裂縫孔隙度的定量解釋[J].地球物理學(xué)報(bào),1996,39(6):845-854 Li S J,Xiao Y W,Wang H M,et al.Mathematical model of the dual laterolog respons of the cracks and quantitative interpretation of fracture porosity[J].Chinese Journal Geophysics,1996,39(6):845-854

[3] 趙良孝.碳酸鹽巖儲(chǔ)層測井評價(jià)技術(shù)[M].北京:石油工業(yè)出版社,1994:85-90 Zhao L X.Technology of logging evaluation of carbonate reservoir[M].Beijing:Petroleum Industry Press,1994:85-90

[4] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:高等教育出版社,2001:39-44 Jiang Z L.Introduction to artificial neural networks[M].Beijing:Higher Education Press,2001:39-44

[5] 楊小明,劉瑞林.神經(jīng)網(wǎng)絡(luò)模型識別碳酸鹽巖儲(chǔ)層[J].內(nèi)蒙古石油化工,2006,32(5):166-167 Yang X M,Liu R L.Using neural network model to identify carbonate reservoir[J].Inner Mongolia Petrochemical Industry,2006,32(5):166-167

[6] 張永軍,程超,梁濤,等.基于BP神經(jīng)網(wǎng)絡(luò)的測井曲線構(gòu)建[J].西部探礦工程,2006(2):82-85 Zhang Y J,Cheng C,Liang T,et al.Construction of well logging curve based on BP neural network[J].West-china Exploration Engineering,2006(2):82-85

[7] 崔小平.幾種前饋型神經(jīng)網(wǎng)絡(luò)分類性能的比較分析研究[D].太原:中北大學(xué),2011 Cui X P.Comparative analysis of the performance of Several type feed-forward neural network classification [D].Taiyuan:North University of China,2011

[8] 陳鋼花,董維武.遺傳神經(jīng)網(wǎng)絡(luò)在煤質(zhì)測井評價(jià)中的應(yīng)用[J].測井技術(shù),2011,35(2):171-175. Chen G H,Dong W W.Application of genetic neural network to coal quality evaluation based on log data[J].Well Logging Technology,2011,35(2):171-175

[9] 鄭聰斌,賈疏源.陜甘寧盆地中部奧陶系風(fēng)化殼巖溶巖及巖溶相模式[J].中國巖溶,1997,16(4):351-361 Zheng C B,Jia S Y.The ordovician weathering crust karst rock and karst facies model in the middle of Weald basin[J].Carsologica Sinica,1997,16(4):351-361

[10] Loucks R G,Mescher P K,Mcmechan G A.Three-dimensional architecture of a coalesced collapsed-paleocave system in the Lower Ordovician Ellenburger Group central Texas[J].AAPG Bulletin,2004,88(5):545-564

[11] 徐微,蔡忠賢,賈振遠(yuǎn),等.塔河油田奧陶系碳酸鹽巖油藏溶洞充填物特征[J].現(xiàn)代地質(zhì),2010,24(2):287-293 Xu W,Cai Z X,Jia Z Y,et al.Characteristics of the cave fillings of ordovician carbonate reservoir in Tahe oilfield[J].Modern Geology,2010,24(2):287-293

[12] 鐘廣法,劉瑞林,柳建華,等.塔北隆起奧陶系古巖溶的電成像測井識別[J].天然氣工業(yè),2004,24(6):57-60 Zhong G F,Liu R L,Liu J H,et al.Identifying the paleocaves in Ordovician in tabei uplift by electro imaging logs[J].Natural Gas Industry,2004,24(6):57-60

[13] 王文博.塔中 45 井區(qū)奧陶系碳酸鹽巖裂縫研究[D].西安:西安科技大學(xué),2009 Wang W B.Study on Factures Base on Carbonate Reservoir in Ordovician in Tazhong-45 Area[D].Xi’an:Xi’an University of Science and Technology,2009

[14] 田飛,金強(qiáng),李陽,等.塔河油田奧陶系縫洞型儲(chǔ)層小型縫洞及其充填物測井識別[J].石油與天然氣地質(zhì),2012,33(6):900-908 Tian F,Jin Q,Li Y,et al.Identification of small fracture-vugs and their fillings through log interpretation in fractured-vuggy Ordovician reservoirs in Tahe oilfield[J].Oil & Gas Geology,2012,33(6):900-908

[15] 楊堅(jiān),程倩,李江龍,等.塔里木盆地塔河4區(qū)縫洞型油藏井間連通程度[J].石油與天然氣地質(zhì),2012,33(3):484-489 Yang J,Cheng Q,Li J L,et al.Interwell-connectivity analysis for fracture-vug reservoirs in the block-4 of Tahe oilfield,Tarim Basin[J].Oil & Gas Geology,2012,33(3):484-489

[16] 羅智,祁興中,張貴斌,等.碳酸鹽巖洞穴儲(chǔ)層有效性評價(jià)方法研究[J].石油天然氣學(xué)報(bào),2010,32(4):92-96 Luo Z,Qi X Z,Zhang G B,et al.Study on effectiveness evaluation method of carbonate cave reservoir[J].Journal of Oil and Gas Technology,2010,32(4):92-96

[17] 胡向陽,李陽,權(quán)蓮順,等.碳酸鹽巖縫洞型油藏三維地質(zhì)建模方法——以塔河油田四區(qū)奧陶系油藏為例[J].石油與天然氣地質(zhì),2013,34(3):383-387 Hu X Y,Li Y,Quan L S.Three-dimensional geological modeling of fractured-vuggy carbonate reservoirs:a case from the Ordovician reservoirs in Tahe-Ⅳ block,Tahe oilfield[J].Oil & Gas Geology,2013,34(3):383-387

[18] 王立靜.塔河油田12區(qū)奧陶系碳酸鹽巖溶洞發(fā)育特征[J].吐哈油氣,2009(4):320-323 Wang L J.Characteristics of ordovician carbonate karst cave of 12 area in Tahe oilfield[J].Tuha Oil and Gas,2010,24(2):287-293

(編輯：朱文杰)

Logging identification method of fillings in fractures and caverns in carbonate reservoir based on BP neural network

Chen Ganghua1,Hu Cong1,Zeng Yali1,Ma Zhonggao2

(1.ChinaUniversityofPetroleum,Qingdao266580,China; 2.SinopecGeophysicalResearchInstitute,Nanjing211103,China)

Fractures and caverns are the mainly part of storage space and seepage channel of carbonate reservoir.The identification on fillings in fractures and caverns plays an important role in the evaluation of storage and seepage capacity of oil reservoir.BP neural network has advantages in solving non-linear problems between fillings and conventional logging responses.Therefore,combining imaging logging with core data,fillings in fractures and caverns in carbonate reservoir are divided into three types,including argillaceous filling,sand filling and crystallization carbonate filling.Five sensitive parameters are used for modeling,such as shale content,fracture porosity,neutron ratio,density ratio and deep lateral resistivity,and so on,which are extracted according to the characteristics of different fillings in the fractures and caverns.Moreover,BP neural network is utilized to establish the identification method for the fillings in fractures and caverns in carbonate reservoirs.The method has been applied to evaluate practical well logging data,and the prediction results is well coinciding with actual data.

carbonate reservoir,fillings in fractures and caverns,BP neural network,pattern recognition,sensitive parameters

2014-03-04;改回日期：2014-07-26。

陳鋼花(1963—),女,教授,主要從事測井?dāng)?shù)據(jù)處理與綜合解釋方面的教學(xué)與科研工作。

國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)項(xiàng)目“碳酸鹽巖縫洞型油藏縫洞單元地球物理表征研究”(2011CB201002)資助。

P631

A

1000-1441(2015)01-0099-06

10.3969/j.issn.1000-1441.2015.01.014