张昭杰，方石

吉林大学 地球科学学院，长春 130061

0 引言

乌夏地区侏罗系地层沉积环境和地质条件较为复杂，该地区岩性呈现出纵横向变化大、成分成熟度低以及非均质性强等特点，使得各种岩性与其测井响应特征多数为非线性关系。且该地区地层普遍含泥、含砾，属于复杂岩性地层，对岩性识别工作产生了许多不利影响。同时，考虑到成本因素导致岩芯资料缺乏，而岩屑录井采样间隔较大，人为干扰因素过多，因此无法完整准确地恢复整套地层的真实岩性[1]。目前，常规的测井岩性识别手段包括交会图法[2]、聚类方法[3]及人工神经网络[4]、主成分分析[5,6]等数理统计方法。两参数的交会图一般只能对测井特征明显的岩性进行有效识别，很难做到全井段或解释井段的岩性识别[7]；聚类分析方法在对岩性进行识别时，选择不同数量的聚类中心对识别精度影响较大；人工神经网络方法因其网络拓扑结构难以确定，易陷入局部最小值等问题，导致岩性识别效果不佳[8]；主成分分析法虽然可以有效降低测井数据维度从而提高识别精度，却容易忽略数值较小但对岩性判定影响较大的测井属性[9]。

支持向量机(Support Vector Machine，SVM)是Vapnik于1995年基于结构风险最小化原则提出的一种新型机器学习分类方法[10]。本文在支持向量机方法的基础上，利用遗传算法对其核函数和惩罚因子进行寻优，在岩芯资料有限的情况下，利用测井数据对乌夏地区复杂砂砾岩岩体进行岩性识别，并对BP神经网络预测结果和利用遗传算法优化的支持向量机预测结果进行了比较，论证了使用支持向量机模型对岩性进行识别的高效性与可行性。……