核主成分分析法在測(cè)井濁積巖巖性識(shí)別中的應(yīng)用

周 游 張廣智 高 剛 趙 威 易院平 魏紅梅

(①中國(guó)石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院，山東青島266580； ②海洋國(guó)家實(shí)驗(yàn)室海洋礦產(chǎn)資源評(píng)價(jià)與探測(cè)技術(shù)功能實(shí)驗(yàn)室，山東青島 266071； ③油氣資源與勘探技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430100；④長(zhǎng)江大學(xué)地球物理與石油資源學(xué)院，湖北武漢 430100； ⑤中冶集團(tuán)武漢勘察研究院有限公司，湖北武漢 430080； ⑥中國(guó)石化勝利油田分公司物探技術(shù)研究院，山東東營(yíng) 257022)

0 引言

巖性識(shí)別是儲(chǔ)層評(píng)價(jià)的一個(gè)重要環(huán)節(jié)，是油藏描述、實(shí)時(shí)鉆井監(jiān)控及求取儲(chǔ)層參數(shù)的基礎(chǔ)。直接對(duì)巖心進(jìn)行實(shí)驗(yàn)測(cè)量是識(shí)別巖性最準(zhǔn)確的方法，但時(shí)間與經(jīng)費(fèi)消耗巨大，在實(shí)際應(yīng)用中受到限制。測(cè)井曲線包含豐富的儲(chǔ)層信息，如何快速、低耗利用測(cè)井資料獲取地層巖性信息越來(lái)越受到研究人員的重視。Busch等[1]、Doveton[2]提出基于測(cè)井曲線交會(huì)的地層巖性經(jīng)典識(shí)別技術(shù)，并迅速得到推廣應(yīng)用。然而隨著勘探難度的不斷加大，交會(huì)圖法暴露出較大的局限性，許多學(xué)者提出了新的解決方案，巖性識(shí)別技術(shù)得到了長(zhǎng)足的發(fā)展。劉愛疆等[3]將多元統(tǒng)計(jì)學(xué)中的主成分分析法(PCA)應(yīng)用于碳酸鹽巖巖性識(shí)別，潘保芝等[4]將因子分析法成功應(yīng)用于火成巖巖性的識(shí)別，但都是針對(duì)特定巖性； Samuel等[5]、吳磊等[6]利用神經(jīng)網(wǎng)絡(luò)對(duì)巖性進(jìn)行了有效識(shí)別，但由于黑盒效應(yīng)，無(wú)法控制與分析模型的中間過程； 張翔等[7]、吳施楷等[8]利用支持向量機(jī)進(jìn)行巖性分類，但支持向量機(jī)需要尋找最優(yōu)的分界樣本，樣本的選擇不當(dāng)會(huì)影響識(shí)別效果； 葛新民等[9]借助核函數(shù)方法和時(shí)頻分析理論，建立了一套基于核主成分分析(KPCA)與小波能譜分析的復(fù)雜儲(chǔ)層油水界面的識(shí)別方法； 陳鋼花等[10]利用粒子群算法對(duì)支持向量機(jī)的核函數(shù)進(jìn)行優(yōu)化，提高了對(duì)復(fù)雜砂礫巖體的識(shí)別精度，驗(yàn)證了粒子群算法尋優(yōu)性能。

東營(yíng)凹陷董集洼陷的濁積巖類型多樣、縱向巖性變化大、次生成巖作用改造明顯，具有極強(qiáng)的非均質(zhì)性，測(cè)井參數(shù)之間非線性關(guān)系嚴(yán)重，傳統(tǒng)的交會(huì)圖法及常規(guī)主成分分析法均不能得到精確的識(shí)別結(jié)果，是該區(qū)的研究難點(diǎn)[11-12]。

為解決該難題，綜合前人的研究思路，采用核主成分分析方法，利用基于動(dòng)態(tài)慣性權(quán)重系數(shù)的粒子群算法構(gòu)建合理的核函數(shù)變換矩陣，通過核函數(shù)把原始測(cè)井?dāng)?shù)據(jù)從輸入空間投影到高維線性特征空間，在高維線性特征空間中進(jìn)行主成分分析，選取能夠代表大部分測(cè)井信息的核主成分進(jìn)行交會(huì)分析，建立了一種快速有效的濁積巖巖性識(shí)別方法。

1 方法原理

1.1 主成分分析法原理

主成分分析是在保證樣本數(shù)據(jù)信息損失最小的前提下，運(yùn)用降維的思想將多個(gè)指標(biāo)問題轉(zhuǎn)換為較少的新的指標(biāo)問題，并且這些新的指標(biāo)既互不相關(guān)，又能綜合反映原指標(biāo)所包含信息的一種分析方法[13-14]。PCA運(yùn)算實(shí)際上是一種確定一個(gè)坐標(biāo)系統(tǒng)的正交變換，在這個(gè)新的坐標(biāo)系統(tǒng)下，變換數(shù)據(jù)點(diǎn)的方差沿新的坐標(biāo)軸得到了最大化，這些坐標(biāo)軸經(jīng)常被稱為是主成分[15]。PCA的具體計(jì)算過程如下。

(1)

為避免不同變量的數(shù)量級(jí)和量綱的影響，需要將原始數(shù)據(jù)標(biāo)準(zhǔn)化變換為X。變換公式為

(2)

(2)計(jì)算經(jīng)過標(biāo)準(zhǔn)化變換后的樣本矩陣相關(guān)系數(shù)矩陣

(3)

式中

(4)

(3)利用雅可比變換求出相關(guān)系數(shù)矩陣R的特征方程非負(fù)特征根，并按大小進(jìn)行排列λi(λ1>λ2>…>λn>0)。通過施密特正交化方法單位正交化其特征向量

(5)

(4)計(jì)算樣本的主成分變量，以表示原樣本的線性組合

F=AX

(6)

即

(7)

(5)利用特征值累積貢獻(xiàn)度確定m的值，即當(dāng)前m個(gè)主分量的方差和占全部總方差的比例超過0.85時(shí)，選取前m(m

1.2 核主成分分析法原理

利用主成分分析可以較好地處理變量間的線性關(guān)系，但處理非線性關(guān)系時(shí)會(huì)導(dǎo)致各主成分的貢獻(xiàn)率過于分散，不能找到能夠有效代表原樣本的綜合變量，處理效果較差[17]。

核方法是一類有效處理非線性問題的方法，通過非線性映射Ф，將低維輸入空間每一個(gè)X=(X1，X2，…，Xp)(Xi∈Rn，i=1，2，…，p)中不可分的數(shù)據(jù)映射到高維特征空間Y，即

(8)

在高維特征空間中進(jìn)行數(shù)據(jù)處理，使輸入空間中不可分的數(shù)據(jù)在高維特征空間中變得可分，再在高維特征空間采用主成分分析進(jìn)行特征提取，解決原樣本空間中樣本數(shù)據(jù)線性不可分的問題[18-19]。

圖1為利用核主成分分析解決非線性問題的效果。如圖所示，樣本一和樣本二在低維的輸入空間中線性不可分，而通過簡(jiǎn)單的非線性映射函數(shù)Ф，可在高維的特征空間中實(shí)現(xiàn)樣本分離。

圖1 KPCA實(shí)現(xiàn)樣本分離的原理示意圖

利用核主成分分析計(jì)算過程如下。

假設(shè)待處理的數(shù)據(jù)已經(jīng)零均值化，在高維特征空間Y中利用協(xié)方差矩陣

Ф(Xj)ФT(Xj)

(9)

構(gòu)建特征方程尋找非零特征值λ和特征向量v∈Y，即

λv=Cv

(10)

根據(jù)Mercer條件，存在如下的核函數(shù)矩陣[20]

K(Xi,Xj)=ФT(Xi)Ф(Xj)=Ф(Xi)·Ф(Xj)

(11)

且在空間Y中任一特征向量都可以由該空間中的所有樣本線性表示，則

Ф(Xi)

(12)

式(10)可變換為

(13)

等式兩邊同時(shí)乘以ФT(Xk)，并聯(lián)合式(9)可得

(14)

即

(15)

式中：K為p×p維的核函數(shù)矩陣；α為包含α1、α2、…、αp的列向量。

由于K是滿足Mercer條件的實(shí)正定函數(shù)，所以式(15)可化簡(jiǎn)為

pλα=Kα

(16)

上式的非負(fù)特征根可以利用雅可比變換求出，并通過施密特正交化方法單位正交化其特征向量。

對(duì)于輸入空間中某一個(gè)樣本Xj(j=1，2，…，p)，利用非線性映射得到特征空間Y的像Φ(Xj)，那么它在特征空間Y中的主成分可以表示為在子特征空間向量上vk的投影

(17)

然而，利用核方法的內(nèi)積運(yùn)算把樣本數(shù)據(jù)從低維空間映射到高維特征空間，雖然方便了非線性特征的提取，但是隨著維數(shù)的增加，計(jì)算量也隨之增加，甚至?xí)霈F(xiàn)“維數(shù)災(zāi)難”。所以要利用核函數(shù)取代內(nèi)積運(yùn)算來(lái)避免“維數(shù)災(zāi)難”[21-22]。

目前常用的有多項(xiàng)式核函數(shù)、徑向基(高斯)核函數(shù)、神經(jīng)網(wǎng)絡(luò)核函數(shù)。

(1)多項(xiàng)式核函數(shù)為

K(Xi,Xj)=[b(Xi,Xj)+c]d

(18)

式中：b、c為常數(shù)系數(shù)；d為多項(xiàng)式核的階次。

(2)徑向基(高斯)核函數(shù)為

(19)

式中σ是參數(shù)，它決定了輸入變量在學(xué)習(xí)算法中被縮放的程度。

(3)神經(jīng)網(wǎng)絡(luò)核函數(shù)為

K(Xi,Xj)=tanh[s(Xi,Xj)+c]

(20)

式中: tanh為雙曲正切函數(shù)；s、c是根據(jù)先驗(yàn)知識(shí)指定的參數(shù)。

將內(nèi)積用核函數(shù)替換,則式(17)變?yōu)?/p>

(21)

所以借助核函數(shù)就可以在高維特征空間中對(duì)樣本進(jìn)行主成分分析[23]。

上述推導(dǎo)過程均是在Ф(X)進(jìn)行中心化處理后進(jìn)行的，但在實(shí)際應(yīng)用中并不知道Ф(X)的顯式表達(dá)，也就無(wú)法對(duì)其中心化，所以要使用對(duì)角化后的Kc來(lái)代替K進(jìn)行上述求解過程。Kc的表達(dá)式為[24]

Kc=K-lpK-Klp+lpKlp

(22)

式中：lp為p×p的矩陣，其每一個(gè)元素都是1/p。

1.3 粒子群算法優(yōu)化原理

粒子群算法的基本思想是通過群體中個(gè)體之間的協(xié)作和信息共享尋找最優(yōu)解，是基于對(duì)鳥群覓食行為的生物仿真模擬，目前已被廣泛應(yīng)用于函數(shù)優(yōu)化、模糊系統(tǒng)控制等領(lǐng)域[25]。

在粒子群算法中，慣性權(quán)重w是最重要的參數(shù)，較大的w有利于提高算法的全局搜索能力，而較小的w會(huì)增強(qiáng)算法的局部搜索能力。為了平衡傳統(tǒng)粒子群算法的全局搜索能力和局部尋優(yōu)能力，本文采用自適應(yīng)的動(dòng)態(tài)慣性權(quán)重系數(shù)公式，具體為

(23)

式中：wmax、wmin分別表示w的最大值和最小值；f為粒子當(dāng)前的目標(biāo)函數(shù)值；favg和fmin分別表示當(dāng)前所有粒子的平均和最小目標(biāo)函數(shù)值。

基于自適應(yīng)的動(dòng)態(tài)慣性權(quán)重粒子群算法簡(jiǎn)單、容易實(shí)現(xiàn)并且沒有太多參數(shù)的調(diào)節(jié)，適用于核主成分分析中的核函數(shù)參數(shù)的優(yōu)選[26]。

2 實(shí)例研究

2.1 地質(zhì)概況

董集洼陷位于西段東營(yíng)凹陷北部，在沙三中段沉積時(shí)期，董集洼陷接受的南北兩個(gè)方向的物源供給，發(fā)育多套濁積巖，這些濁積巖被沙三中段的深湖相暗色泥巖包裹，形成自生自儲(chǔ)的巖性油藏。根據(jù)研究區(qū)的巖心資料，沙三中段沉積時(shí)期的巖石類型主要為深灰色的泥巖、灰質(zhì)泥巖、淺灰色的細(xì)砂巖、灰色的灰質(zhì)砂巖、褐色的油頁(yè)巖。研究區(qū)的濁積巖主要包括砂巖與泥巖、砂巖與灰質(zhì)泥巖、灰質(zhì)砂巖與泥巖、灰質(zhì)砂巖與灰質(zhì)泥巖及砂巖與油頁(yè)巖等5種巖性組合方式[27]。

2.2 樣本參數(shù)選擇

測(cè)井曲線包含多個(gè)參數(shù)，每個(gè)參數(shù)對(duì)巖性都有不同的區(qū)分度，但若選取的測(cè)井參數(shù)過多，往往會(huì)增加分析過程的復(fù)雜性?；谇叭私?jīng)驗(yàn)和測(cè)井響應(yīng)原理，選取自然伽馬(GR)、聲波時(shí)差(AC)、補(bǔ)償中子孔隙度(CNL)、密度(DEN)、原狀地層電阻率(RT)值作為輸入樣本參數(shù)X′=[GR，AC，CNL，DEN，RT]。

選擇研究區(qū)W9井的沙三中段4層(Es3z4)的測(cè)井?dāng)?shù)據(jù)作為研究樣本，進(jìn)行單位長(zhǎng)度為0.125m的數(shù)據(jù)重采樣，得到230個(gè)樣本，對(duì)樣本數(shù)據(jù)進(jìn)行異常值處理，去除無(wú)效參數(shù)，最終確定用于分析的樣本個(gè)數(shù)為203。不同巖性測(cè)井?dāng)?shù)據(jù)的均值和中值統(tǒng)計(jì)結(jié)果如表1所示。

表1 不同巖性測(cè)井?dāng)?shù)據(jù)統(tǒng)計(jì)結(jié)果

根據(jù)測(cè)井?dāng)?shù)據(jù)統(tǒng)計(jì)可知，砂質(zhì)泥巖、灰質(zhì)泥巖的測(cè)井曲線具有高GR、高AC、中CNL、中DEN、中RT即“兩高、三中”的響應(yīng)特征；細(xì)砂巖、粉砂巖表現(xiàn)為低GR、低AC、低CNL、高DEN、高RT即“三低、兩高”的特征；泥巖顯示為高GR、高AC、高CNL、低DEN、低RT即“三高、二低”特征。通過對(duì)不同巖性測(cè)井值的統(tǒng)計(jì)，發(fā)現(xiàn)五種巖性的測(cè)井響應(yīng)特征存在一定差異，適合采用多元統(tǒng)計(jì)學(xué)方法進(jìn)行分析[28]。

2.3 核函數(shù)及其參數(shù)的選擇

為了選取合適的核函數(shù)，對(duì)樣本進(jìn)行試驗(yàn)。試驗(yàn)發(fā)現(xiàn)，選取神經(jīng)網(wǎng)絡(luò)核函數(shù)來(lái)構(gòu)造KPCA核變換矩陣時(shí)，對(duì)參數(shù)的選擇較為苛刻，易造成病態(tài)核矩陣，生成負(fù)的特征向量從而導(dǎo)致模型構(gòu)建失??；而徑向基核函數(shù)和多項(xiàng)式核函數(shù)的正定性較好，參數(shù)的選擇區(qū)間較廣，容錯(cuò)率較高。

對(duì)徑向基核函數(shù)和多項(xiàng)式核函數(shù)運(yùn)算性能進(jìn)行進(jìn)一步的試驗(yàn)對(duì)比(將迭代進(jìn)程歸一化為0和1，1為開始，0為結(jié)束)，對(duì)比結(jié)果如圖2所示。從圖中可以看出，相對(duì)于多項(xiàng)式核函數(shù)，徑向基核函數(shù)只用了較少的迭代次數(shù)和運(yùn)算時(shí)間就完成了迭代進(jìn)程，運(yùn)算效率高，且函數(shù)需要確定的參數(shù)只有一個(gè)，模型構(gòu)建較為容易。通過以上試驗(yàn)分析，選取徑向基核函數(shù)作為核主成分分析的核函數(shù)。

圖2 兩種不同核函數(shù)的運(yùn)算效率對(duì)比

為了確定徑向基核函數(shù)的核參數(shù)σ，避免人工選擇的誤差以及提高識(shí)別效率，采用基于動(dòng)態(tài)慣性權(quán)重的粒子群算法對(duì)σ進(jìn)行優(yōu)選。粒子群的運(yùn)動(dòng)軌跡如圖3所示，可以看出，在迭代初期粒子擴(kuò)散到全區(qū)在較大范圍內(nèi)搜索最優(yōu)解，隨著迭代次數(shù)的增加，慣性權(quán)重也在發(fā)生改變，整個(gè)粒子群不斷向最優(yōu)的位置靠近聚集，在迭代后期鎖定了全局最優(yōu)解的位置，得到核函數(shù)參數(shù)的最優(yōu)解大約為0.6(圖中紅圈處)。

為了驗(yàn)證該方法選取σ的可行性，分別選取不同的σ值對(duì)標(biāo)準(zhǔn)井中較難識(shí)別的三種巖性進(jìn)行識(shí)別，結(jié)果如圖4所示。從圖中可以看出，隨著σ取值的改變，三種巖性的識(shí)別準(zhǔn)確率也在改變，在σ值為0.6時(shí)，三種巖性的識(shí)別準(zhǔn)確率均達(dá)到最高，驗(yàn)證了該方法的準(zhǔn)確性。

圖3 粒子群的運(yùn)動(dòng)軌跡

圖4 σ的取值對(duì)識(shí)別結(jié)果的影響分析

2.4 核主成分分析測(cè)井巖性識(shí)別方法步驟

(1)數(shù)據(jù)的標(biāo)準(zhǔn)化預(yù)處理。對(duì)選取的p個(gè)測(cè)井?dāng)?shù)據(jù)(每個(gè)測(cè)井?dāng)?shù)據(jù)包含n個(gè)參數(shù))進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，克服數(shù)據(jù)間量綱和數(shù)量級(jí)的差別，以保證分析結(jié)果的客觀性和準(zhǔn)確性。

(2)核函數(shù)參數(shù)優(yōu)選?；趧?dòng)態(tài)慣性權(quán)重的粒子群算法對(duì)σ進(jìn)行優(yōu)選，避免人工選擇的誤差以及提高識(shí)別的準(zhǔn)確率。

(3)計(jì)算并修正核矩陣。利用確定最優(yōu)核參數(shù)的徑向基核函數(shù)構(gòu)建核矩陣K，并將核矩陣進(jìn)行中心化修正得到Kc。

(4)高維空間中核矩陣分解。在選定的核函數(shù)的作用下，通過雅可比迭代計(jì)算修正后的核矩陣Kc的特征值和對(duì)應(yīng)的特征向量，并利用施密特正交化方法單位正交化其特征向量，得到α1、a2、…、αn。

(5)計(jì)算特征值的累積貢獻(xiàn)率B1、B2、…、Bm,根據(jù)給定的提取效率h，如果Bm≥h，則提取m個(gè)特征分量。

(6)高維空間中的主成分提取。計(jì)算已修正的核矩陣在提取出的特征向量上的投影，得到m個(gè)主成分。

(7)主成分交會(huì)識(shí)別巖性。根據(jù)得到的前兩個(gè)主成分進(jìn)行交會(huì)分析，確定每種巖性在主成分坐標(biāo)系中的分布區(qū)間[29]。

2.5 計(jì)算過程

在對(duì)輸入?yún)?shù)X′進(jìn)行分析之前，先對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，使每個(gè)測(cè)井參數(shù)變量的均值為0，方差為1，標(biāo)準(zhǔn)化后的樣本為X。

對(duì)標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)分別進(jìn)行主成分分析和核主成分分析(流程如圖5所示)，并對(duì)得到的各主成分的特征值及方差貢獻(xiàn)率進(jìn)行比較(表2)。

從表2中可以看出，經(jīng)過主成分分析計(jì)算得到的第一主成分F1的方差貢獻(xiàn)率只有40.13%，貢獻(xiàn)率并不理想； 第二主成分F2的方差貢獻(xiàn)率也僅有21.44%，主成分F1和F2方差之和只占到總方差的61.57%，原有變量的信息損失較大。經(jīng)過核主成分分析計(jì)算后僅第一主成分F1的方差貢獻(xiàn)率就達(dá)到86.31%，第一主成分F1和第二主成分F2方差貢獻(xiàn)率之和占到總方差93.83%，有效地保留了原有樣本變量的信息。

表2 PCA 和 KPCA 的特征值貢獻(xiàn)率比較

圖5 基于核主成分分析的巖性識(shí)別流程

3 應(yīng)用效果及實(shí)例分析

圖6為常規(guī)測(cè)井交會(huì)圖法對(duì)研究區(qū)的濁積巖識(shí)別結(jié)果，可以看出，該方法的識(shí)別精度較低，很難區(qū)分所有巖性。

圖7a為由主成分變換方程計(jì)算的F1和F2交會(huì)圖，圖7b為由核主成分變換方程計(jì)算的F1和F2交會(huì)圖。可以看出，主成分分析法對(duì)細(xì)砂巖和粉砂巖區(qū)分度很高，但對(duì)泥巖、灰質(zhì)泥巖、砂質(zhì)泥巖的區(qū)分度并不理想；而核主成分分析可以有效區(qū)分泥巖、灰質(zhì)泥巖、砂質(zhì)泥巖、粉砂巖和細(xì)砂巖，巖性識(shí)別精度明顯提高。

分別運(yùn)用核主成分分析法和主成分分析法對(duì)研究區(qū)的W9井進(jìn)行連續(xù)測(cè)井剖面的巖性解釋，結(jié)果如圖8所示。從圖中可以看出，在量綱一致的條件下，KPCA法的F1、F2分量曲線垂向上變化程度更加劇烈，不同巖性之間的差異性更加明顯，對(duì)于巖性的區(qū)分更加敏感。根據(jù)實(shí)際錄井資料，W9井2600～2670m深度區(qū)間里共出現(xiàn)20個(gè)不同的巖性段。PCA法可以有效識(shí)別細(xì)砂巖和粉砂巖段，但是對(duì)泥巖、灰質(zhì)泥巖、砂質(zhì)泥巖段的誤判率很高，20個(gè)巖性段誤判8個(gè)(見圖中紅色圓圈處)，巖性識(shí)別率僅為60%； KPCA法解釋結(jié)果與實(shí)際錄井資料較為吻合，只是將2622～2624m和2627～2629m處的砂質(zhì)泥巖誤判為灰質(zhì)泥巖，20個(gè)巖性段僅誤判2個(gè)(圖中藍(lán)色方框處)，巖性識(shí)別準(zhǔn)確率達(dá)到90%，在濁積巖地區(qū)進(jìn)行巖性識(shí)別效果良好。

圖6 常規(guī)測(cè)井交會(huì)圖法巖性識(shí)別

圖7 兩種方法主成分巖性交會(huì)識(shí)別對(duì)比

圖8 研究區(qū)W9井兩種方法測(cè)井巖性解釋結(jié)果對(duì)比

圖9 兩種方法儲(chǔ)層平面預(yù)測(cè)結(jié)果對(duì)比

對(duì)區(qū)內(nèi)的多口井應(yīng)用KPCA法和PCA法進(jìn)行巖性識(shí)別后預(yù)測(cè)了該區(qū)的沙三中段4層有利儲(chǔ)層的分布，結(jié)果如圖9所示。研究區(qū)砂巖的F1值分布區(qū)域大致為-20～-12和40～48，從圖中可以看出，KPCA法預(yù)測(cè)結(jié)果在鉆井處與實(shí)際測(cè)井資料吻合度更高，更精細(xì)地刻畫了儲(chǔ)層的分布范圍，符合該區(qū)儲(chǔ)層的分布規(guī)律。

4 結(jié)論

(1)東營(yíng)凹陷董集洼陷濁積巖巖性復(fù)雜多變，基于粒子群算法以及核函數(shù)理論，采用核主成分分析法能有效地從多種測(cè)井參數(shù)中提取突出巖性特征的主成分分量，實(shí)現(xiàn)了降維處理。

(2)利用核主成分分析法算出的第一主成分和第二主成分變量進(jìn)行交會(huì)分析，能夠有效地識(shí)別泥巖、灰質(zhì)泥巖、砂質(zhì)泥巖、細(xì)砂巖和粉砂巖，巖性識(shí)別精度明顯高于常規(guī)測(cè)井交會(huì)圖法和主成分分析法。

(3)多口井實(shí)際資料的識(shí)別結(jié)果與錄井資料符合程度較高，為后續(xù)的儲(chǔ)層評(píng)價(jià)奠定了基礎(chǔ)。