陈 雁，焦世祥，程 超，黄 成，蒋裕强

(西南石油大学，四川 成都 610500)

0 引言

东河塘油田是塔里木盆地的第1个高产高丰度的海相砂岩油田，东河塘地区石炭系砂岩存在大量隔夹层，且多数隔夹层厚度在0.5 m 以下［1－2］。不同类型隔夹层的形成条件多样、分布规律复杂，给油气田的二次开发带来了极大的困难［3－6］。基于测井资料的隔夹层识别常采用地质统计学法、交会图法和蜘蛛网图模式法等［7－10］。由于测井资料受垂向分辨率和薄层效应的影响，且地下地质情况复杂，具有较强的非均质性，测井曲线的交会图难以对隔夹层进行准确有效的识别。随着人工智能技术的普及，越来越多地质专家尝试使用机器学习方法、神经网络技术来解决地质问题［11－14］。但东河塘油田岩心标定的隔夹层样本较少，且隔夹层各类别样本数量差距较大，导致常规机器学习算法分类效果不理想［15－16］。文中提出的基于异常检测思想计算异常得分，通过异常得分对隔夹层进行分类的方法能在一定程度上解决该问题，并结合半监督学习方法，研究如何利用未标记样本提升模型性能，以此降低样本分布不均衡及小样本问题对模型的影响。该研究能使隔夹层的识别变得更加快速、智能与精确，其结果也能为勘探人员精细刻画地下流体的分布提供一定的依据。

1 原理及方法

1.1 自编码器

自编码器的目标是学习一种对数据集的压缩且分布式的表示方法(编码思想)。自编码器由深度神经网络组成的编码器与解码器2个部分组成，使自编码器能够处理类似异或问题的非线性数据［17］。……