地质知识引导的少样本迁移学习框架用于跨井岩性识别

《Journal of Marine Science and Engineering》:Geoscience Knowledge-Guided Machine Learning for Cross-Well Lithology Recognition

【字体: 大 中 小 】 时间:2026年10月01日 来源:Journal of Marine Science and Engineering 3.2

编辑推荐:

  跨井岩性识别对于储层表征至关重要,但其在新钻井中的应用受到测井响应井间差异和有限岩性标签的制约。本研究提出了一种地质知识引导的机器学习方法,用于在目标井标签有限的条件下进行岩性识别。研究人员将地球化学指标与常规测井数据相结合,构建了具有地质可解释性的特征,同时

  
跨井岩性识别对于储层表征至关重要,但其在新钻井中的应用受到测井响应井间差异和有限岩性标签的制约。本研究提出了一种地质知识引导的机器学习方法,用于在目标井标签有限的条件下进行岩性识别。研究人员将地球化学指标与常规测井数据相结合,构建了具有地质可解释性的特征,同时采用少样本迁移学习来减少类别不平衡和井间分布差异。地质知识被引入作为概率约束,并通过不确定性感知融合与模型预测相结合。该方法利用珠江口盆地火山岩储层测井数据进行评估。研究人员将三口代表性井作为源域,一口独立的新钻井作为目标域,每类岩性选取三个标注样本进行自适应调整,其余样本用于独立测试。基于10个随机种子的重复实验获得了88.03%±6.09%的准确率,与对比基线方法相比,分类性能提升且变异性降低。结果表明,将地质知识与少样本学习相结合可以提高跨井岩性识别的鲁棒性,并为非均质性火山岩储层的岩性预测提供了一种实用方法。
一、研究背景与科学问题
在油气勘探与开发中,岩性识别是储层表征的基础环节,对储层预测、钻井决策和资源评价具有重要意义。然而,海上火山岩储层(如珠江口盆地)由于复杂的火山活动、快速相变和强非均质性,导致矿物成分和测井响应存在显著差异,使得传统岩性解释面临挑战。随着人工智能发展,机器学习方法已被广泛应用于自动岩性识别,但现有数据驱动方法大多依赖充足的标注样本,并假设训练集与测试集具有相似的特征分布。在实际勘探中,受沉积环境、火山演化、成岩作用及钻井条件等因素影响,不同井间的测井响应往往存在明显的分布差异(即域偏移),这会严重降低从已有井训练的模型在新钻井上的性能。同时,新井中获取足够的岩性标签因取心和实验室分析成本高昂而十分困难。因此,如何在跨井且标签有限的条件下实现可靠的岩性识别,仍是一个关键难题。
二、研究内容与结论
为解决上述问题,研究人员提出了一种地质知识引导的少样本迁移学习框架,用于复杂火山岩储层的跨井岩性识别。该框架在整个识别过程中整合了地质知识与数据驱动学习。首先,基于地球化学指标和常规测井参数构建具有地质意义的特征,以增强岩性区分能力;其次,开发了结合样本平衡和特征分布对齐的少样本迁移学习策略,以减少类别不平衡和井间分布差异;最后,将地质知识表示为概率软约束,并通过不确定性感知机制与机器学习预测自适应融合,从而提高预测可靠性和可解释性。研究团队利用珠江口盆地火山岩储层测井数据集对该框架进行了评估。结果表明,将地质知识与少样本学习相结合能够提高跨井岩性识别的鲁棒性,为非均质性火山岩储层的岩性预测提供了一种实用途径。
三、关键技术方法
研究人员采用了以下关键技术方法:(1)地质知识引导的特征构建:基于岩性形成机制和元素变化特征,利用来自珠江口盆地琼海凸起及其周边区域的三口代表性井(XX-1、XX-2、XX-3)的测井数据和X射线荧光(XRF)地球化学分析数据,构建了包含7项常规测井特征、7项元素地球化学特征和7项地质衍生特征的共21维输入特征空间。(2)少样本迁移学习:将三口源井联合作为源域,一口独立第四井作为目标域,每类岩性随机选取3个标注样本进行自适应调整,采用合成少数类过采样技术(SMOTE)缓解类别不平衡,并使用分位数变换(QuantileTransformer)减小源域与目标域之间的统计差异。(3)概率地质约束构建:基于元素比值(Si/Al、Th/K等)和关键元素响应(Fe、K、CNCF等)建立了5条地质软规则,将其转化为连续概率函数。(4)不确定性感知自适应融合:通过计算随机森林(RF)预测的信息熵来量化预测不确定性,并据此动态调节地质约束与模型预测的融合权重。
四、研究结果
4.1 基分类器评估
研究人员首先比较了随机森林(RF)和极限梯度提升(XGBoost)在源井数据集上的表现。RF在五折交叉验证中平均准确率为98.18%,独立测试准确率为92.62%;XGBoost分别为97.24%和88.52%。RF表现出更好的泛化稳定性,因此被选为后续实验的基分类器。
4.2 消融实验
消融实验设置了五种配置:(1)直接RF模型准确率仅为7.29%±0.77%,表明源域模型直接应用于目标井效果极差;(2)加入地质衍生特征后(RF+Geo),准确率提升至48.57%±4.09%;(3)加入少样本适应后(RF+Few-shot),准确率进一步提高至57.34%±15.04%,但标准差增大;(4)加入地质约束与概率融合后(RF+Geo+Fusion),准确率达68.86%±5.02%,方差明显降低;(5)完整方法(Proposed Method)达到最高准确率88.03%±6.09%,宏F1为0.79±0.08,平衡准确率为0.86±0.08,马修斯相关系数(MCC)为0.73±0.11。
4.3 敏感性分析
少样本样本权重(wfew)在1~7范围内变化时,准确率波动仅1.80个百分点,表明模型对权重不敏感。融合参数分析显示,增大地质约束上限(αmax)比增大下限(αmin)对结果影响更显著,但预设值(αmin=0.2,αmax=0.6)处于稳定区间。
4.4 地质约束策略比较
比较了硬阈值、概率软约束和不确定性感知融合三种策略。硬阈值方法准确率为81.15%±18.21%,概率软约束提升至84.43%±13.46%,不确定性感知融合达到88.03%±6.09%,标准差最低,表明该策略在提高精度的同时有效降低了结果变异。
4.5 与其他方法比较
与CORAL+RF(26.56%)、共享类CORAL+RF(38.36%)、相似度加权迁移+RF(69.18%)和原型少样本分类器(76.72%)相比,所提方法在准确率、宏F1、平衡准确率和MCC上均为最优,且标准差最小(6.09%)。配对Wilcoxon符号秩检验进一步证实了方法的显著性优势。
4.6 局限性与未来工作
本研究的主要局限性在于可用井数和标注样本有限,无法在更多源-目标井组合上进行评估。由于四口井的岩性组成几乎不重叠,留一井交叉验证不可行。未来工作将增加更多井和标注样本,以进一步检验方法的泛化能力。
五、讨论与结论
讨论部分总结:本研究提出的地质知识引导的少样本迁移学习框架在珠江口盆地火山岩储层数据上取得了良好效果,但结果应限于当前数据集和实验条件下理解。由于岩性组成和测井响应的井间差异,特别是某些岩性仅出现在单口井中,无法进行公平的留一井验证,需要更多具有重叠岩性类别的井来支持此类验证。
研究结论:(1)地球化学特征和元素比值补充了常规测井数据,为跨井岩性判别提供了额外信息。(2)少样本目标井样本结合特征对齐和样本加权,在有限标注数据条件下改善了模型适应性。(3)概率地质约束和不确定性感知融合提高了模型预测与地质知识的一致性,同时避免了刚性分类规则。(4)在三口源井和一口独立目标井的设置下,每类岩性仅使用三个标注样本进行适应,所提方法在10个随机种子下实现了88.03%±6.09%的准确率,宏F1、平衡准确率和MCC分别为0.79±0.08、0.86±0.08和0.73±0.11。这些结果支持了将地质知识与少样本学习用于跨井岩性识别的可行性,但仍需在更大更多样化的数据集上进行进一步验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号