钻探前预测岩性在油气勘探中具有重要的意义，岩性预测是油气勘探潜在投资的关键部分，接下来教你通过测井信息来预测盲井的岩性。

01 岩性预测的主要原理

1.岩性预测很重要

岩性预测就是要对油气勘探的目标区域预测岩石类型。提供正确的储层岩性情况，对于油气开发非常重要，这有助于帮助地球物理学家构造地下的圈闭结构，预测储层的油气产量。

一方面，岩性总厚度情况可以指导测算整个工区的油气储量，影响整个工程的资金预算。

另一方面，每口钻井的成本都非常高昂。当一口井打下去，只有储层足够大才能带来较好的投资回报。

2.智能岩性预测的主要原理

智能岩性预测的主要原理就是先打几口测井，然后对测井取芯进行岩性和物性的分析。

通过算法建立测井资料物性、相关特征与岩性之间的对应关系形成数学模型。

最后将整个模型应用到其它盲井，或是整个无井区域的地震工区进行岩性识别，实现储层的预测。

02 实战项目讲解

1.训练数据加载

这次项目是以9口测井数据为基础，这些井已经根据岩芯观察标记了岩性类型。

加载training_data.csv训练数据，得到数据是这样的：

这里选用了7个特征变量。这些特征包括5个数字特征和2个分类特征。

5个数值特征包括井下测量参数：伽马射线（GR）、深电阻率（ILD_log10）、差异孔隙度（DeltaPHI）、中子密度孔隙度（NPHI）和光电系数（PE）。

两个地质约束变量：所遇到岩性的海洋或非海洋性质（NM_M），一种岩性类型和另一种岩性类型之间的相对位置（RELPOS）。

上面训练数据标定了9种已确定的岩石类型（砂岩、细粉砂岩、粗粉砂岩、海相粉砂质页岩、泥岩、泥灰岩、白云石、泥粒灰岩和挡板灰岩）。这些岩相不是离散的，而是逐渐相互融合。有些岩相相邻，相距较近，可能会在这些相邻岩相内出现错误标记。

选择名字为“SHANKLE”的为盲井，其它的为训练井。

为了后续测井曲线绘制需要，定义一个颜色图，使岩性具有一致的颜色。还创建缩写的相标签，并将其添加到“相向量”数据框中。

接下来绘制测井曲线（即特征）的单独测井数据，以及岩相标签的测井曲线。其中绘制名为“SHRIMPLIN”的效果如图：

绘制每个岩相类别的训练样本的数量直方图。

现在来看一下特征之间的互相关关系：

可以看到特征之间不存在明显的多重共线性迹象。如果两个特征共线性很强，就可以考虑只选择其中一个了。

2.调整数据集

调整数据集的工作包括删除数据不完整的条目，将进行数据归一化处理，并在模型训练之前使用序列分割来准备训练数据集。

序列分割方法是将训练数据按一定比例（如以7比3的比例）随机分为训练集和测试集，同时保留不平衡的分类比例。

3.对多种机器学习分类器进行训练拟合：包括逻辑回归（Logistic Regression）、KNN等

现在，我们使用经过清理和整合的训练集来训练机器学习模型。我们使用不平衡的类数据（如某类岩性数据比例较小的情况），因为这是在自然界中观察到的情况，在自然数据上训练来拟合模型。

首先以逻辑回归模型为例来讲解训练和精度验证的过程。

训练参数选用了1000次迭代和自动分类训练。

训练完模型后要验证模型的精度。由于预测储层岩性（本例中为海洋岩性）从根本上取决于油气田的感知价值，因此将重点放在召回率（Recall）和F-1得分上，并结合一个混淆矩阵来精确验证训练过程中错误分类的情况，这是解释建模和调参过程的一种合理方式。

这是混淆矩阵的结果：

综合精确度为：

看起来逻辑回归模型预测能力不怎么样。

接下来写一个循环，把KNN、决策树、随机森林、集成学习、SVM和伯努利贝叶斯模型都跑来测试一下。孰优孰劣，看训练结果可以进行判断。

4. 使用拟合的模型对盲井进行岩性预测

对盲井数据同样需要预处理，包括删除数据不完整的条目，将数据进行归一化处理。

然后以随机森林模型为例进行盲井预测。

首先对随机森林模型重新进行训练，然后对盲井数据进行预测。

最后同样用混淆矩阵和综合精确度进行预测结果的量化分析。

我们还可以画出井曲线对应的岩性预测图：

以上就是今天的全部内容。今天讲解了使用机器学习算法对测井岩性预测的全流程，如果大家对代码感兴趣可以联系我获取，再见。