《Journal of Applied Geophysics》:Gaussian Mixture and K-means++ Algorithms in Sand-Shale Mixture Clustering for Enhanced Lithology Classification
编辑推荐:
•高斯混合模型在岩性聚类准确性上优于K-means++。•弹性-电学性质提高了页岩和砂岩岩性的聚类效果。•使用RPMs验证的聚类保证了岩性分类的可靠性。引言高分辨率的井测数据为地下水库的表征提供了定量基础,提供了诸如孔隙度、渗透率和流体饱和度等关键参数,这些参数对生产优化至关重要
- •
高斯混合模型在岩性聚类准确性上优于K-means++。
- •
弹性-电学性质提高了页岩和砂岩岩性的聚类效果。
- •
使用RPMs验证的聚类保证了岩性分类的可靠性。
引言
高分辨率的井测数据为地下水库的表征提供了定量基础,提供了诸如孔隙度、渗透率和流体饱和度等关键参数,这些参数对生产优化至关重要(Lin等人,2020年;Aftab等人,2024a年;Fan等人,2024年;Leisi等人,2026a年)。然而,从这些复杂的多维数据集中提取有意义的地质模式和监测水库的动态变化面临着重大的分析挑战(Patidar等人,2022年;Ali等人,2023年;Leisi等人,2026b年)。为了克服这些限制并准确划分不同的岩性或产油相,应用先进的数据驱动技术,特别是无监督机器学习和聚类算法,变得越来越必要。
井测数据的无监督聚类为解释复杂的地下结构和优化油田开发提供了一个强大的数据驱动框架(Aftab等人,2023a年)。通过系统地划分多维测井特征,这些算法能够准确识别决定水库流体动态的关键地质特征,如裂缝网络、构造断层和明显的地层边界(Elgendy等人,2024年)。此外,聚类还可以识别出表明碳氢化合物饱和度的微妙岩石物理异常,从而识别出被绕过的产油层并降低非生产性钻探的风险(Tamaki等人,2022年)。最终,用这些定量分类替代手工定性解释可以减少解释偏差,简化井位选择,并显著降低运营成本(Cross和Burchette,2024年)。
井测数据聚类为分析在高级水库表征过程中生成的高维数据提供了复杂的分析框架(Ardebili等人,2023年)。这些算法不是依赖手工定性分析,而是系统地划分井测数据,以划定细微的岩性边界,量化地层异质性,并绘制孔隙度和渗透率等关键岩石物理性质图(Zhang等人,2022年;Aftab等人,2023b年)。隔离这些多维特征有助于精确识别含烃间隔,并有助于构建高保真的地质模型。因此,将聚类技术整合到井测分析中显著提高了水库表征的预测准确性,直接优化了生产和最终回收策略(Silva等人,2020年;Aftab等人,2023c年)。
在用于井测数据分析的算法中,K-means和自适应领域技术(如平衡迭代降维和使用层次结构的聚类BIRCH)尤为突出(Madan和Dana,2015年)。K-means因其计算效率高,能够快速划分感兴趣的区域并表征基本的水库属性而被广泛采用(Jothi等人,2017年)。此外,像BIRCH这样的自适应算法已成功整合到井测数据生成模型中,有效处理大规模多维数据集。最终,这些算法在井测解释中的应用减少了主观人为偏差,同时稳健地对主要岩性、孔隙流体、岩石类型和空间水库分布进行了分类(Lang和Schubert,2021年)。
从这种集成工作流程中得出的准确岩性分类对石油勘探和油田开发具有重要的实际意义。在水库建模的背景下,这些高度受限的岩性分类可以无缝集成到3D静态模型中,以减少空间和体积不确定性。此外,精确区分砂岩和页岩可以直接影响钻井操作,通过突出易导致井筒不稳定的富粘土区域,同时通过精确识别水库的“甜点”来辅助生产优化(Aftab等人,2024a年,Aftab等人,2024b年,Aftab等人,2024c年;Leisi和Shad Manaman,2025年)。
部分摘录
文献综述
长期以来,聚类技术一直被应用于井测数据,以自动化岩性识别并减少解释者的偏见。早期K-means的应用证明了其在大型数据集中划分主要岩性和流体区域的效率(Ali和Sheng-Chang,2020年;Aftab和Moghadam,2022年)。为了解决地下环境的固有噪声和地质复杂性,后续研究引入了更健壮的算法变体。具体来说,基于MFV的...
地质背景
墨西哥湾经历了漫长而复杂的地质演变,这直接决定了其当前的地层和碳氢化合物系统。其演变始于三叠纪的裂谷作用,当时Eagle Mills地层的红色大陆沉积物填充了早期的地堑。在侏罗纪时期,受限的海洋条件形成了广泛的Louann盐层,这是后来驱动区域盐构造的关键单元。覆盖在上面的侏罗纪和白垩纪地层记录了广泛的海洋沉积...
方法论
我们使用k-means++和高斯混合模型(GMM)对井测数据进行聚类,因为它们具有互补的优势,并适合不同的数据结构。K-means++在计算效率高、可扩展性方面表现优异,且对于球形簇的处理效果更好,初始化也比标准k-means有所改进。另一方面,GMM提供了模拟不同形状和大小簇的灵活性,支持软聚类(为簇成员分配概率),并可以估计...
在分析岩石的弹性性质时,密度、压缩波速度(Vp)和剪切波速度(Vs)等参数起着关键作用。这些参数相互关联,为理解岩石的力学行为提供了有价值的信息。
在初始阶段,密度和弹性波速度参数被用作井测数据聚类的三个特征。使用K-means++和高斯混合...
结论
总之,这项研究表明了井测数据聚类在石油和天然气行业中的有效性。研究表明,由于其适应复杂数据的高适应性和灵活性,高斯混合算法在多维井测数据聚类方面明显优于K-means++算法。特别是当仅使用P波速度和S波速度进行聚类时,这一优势更为明显,因为在排除密度后...
Saeed Aftab:撰写——原始草稿、可视化、软件。Rasoul Hamidzadeh Moghadam:验证、方法论、概念化。
未引用的参考文献
De Natale等人,2014年
Meng等人,2025年
Sun和Li,2017年
利益冲突声明
作者声明没有任何财务、个人或专业利益冲突可能会影响本研究、分析、解释或本手稿中所报告的结果的呈现。所有支持这项工作的资金来源都在资金和致谢部分得到了充分承认,没有任何资金或外部影响影响了研究设计、数据收集或数据解释的客观性。
此外,...
Saeed Aftab|Rasoul Hamidzadeh Moghadam