岳永东，渠洪杰，谭春亮，祝 强，林广利

（北京探矿工程研究所，北京100083）

0 引言

松散沉积物主要分布于第四纪盆地内，面积广泛，构造变形微弱，连续的剖面出露程度差，沉积序列的建立需要借助揭露工程来实现。钻探是调查盆地内沉积地层序列最直接、最可靠和最常用方法，也是获取地下埋藏岩层实物的唯一手段，但面对松散沉积物，钻探施工主要存在2 个方面的问题：一是松散的砂砾石层取心难度大，取心率低，施工成本较高；二是砂泥质含量及粒径组成复杂，松散易扰动，对于岩性及分层位置的判断，常常需要依靠地质人员的主观经验而易失真，难定量，且编录效率低［1-2］。

测井曲线直接响应的是岩性变化，是迄今为止所能获得的分辨率最高、连续性最好的地质数据［3］。研究人员对利用测井数据识别岩性开展了大量工作，特别是在煤炭和石油领域，是目前岩性识别中较成熟的一种方法，具有分辨率高、针对性强、方法众多等优点。测井岩性识别方法主要包括3 类：一是传统的交会图分析；二是基于数理统计方法，包括层内差异法、聚类分析法等；三是人工智能方法，主要有神经网络、模糊数学、支持向量机等，后两类方法可以实现对测井曲线的自动分层及岩性识别，避免人为的主观性，并在很大程度上提高工作效率［3-16］。

支持向量机（Support Vector Machine，SVM）是基于结构风险最小化原则提出的一种机器学习方法，具有严格的理论和数学基础，在小样本、非线性和高维模式识别等方面具有独特优势［17］。……