武中原，张 欣，张春雷，王海英

（1.中国地质大学（北京）数理学院，北京 100083；2.北京师范大学统计学院，北京 100875；3.北京中地润德石油科技有限公司，北京 100083）

0 引言

岩性的准确识别是复杂碳酸盐岩储层精细表征和综合评价的基础和前提。地层岩性信息获取的方式主要有钻井取心、岩屑录井及井壁取心等手段，钻井取心成本的高昂和岩屑录井的不精确，使得测井岩性识别方法的研究备受关注［1-3］。测井岩性识别主要是通过建立测井参数与岩石类型之间的映射关系，并利用该映射去识别未取样井段的岩石类型。随着模式识别、统计学习和机器学习等方法的发展，越来越多的数学理论和计算机算法被应用到岩性识别模型的建立过程中，如主成分分析［4］、决策树［5-6］、支持向量机（SVM）［7］、朴素贝叶斯［8］，SOM 模糊识别［9］和神经网络［10］等方法。这些方法假定岩性及其与测井参数之间的关系在深度上是彼此独立的，忽略了岩石在沉积和成岩过程中存在的空间上的序列相关性问题。其识别结果常出现深度序列上无法精确表征岩石地质特征的情况或出现地层中不存在的岩石序列组合等现象。

对岩石序列特征的早期表征是由Elfeki［11］等以马尔科夫链理论为基础，采用不同岩石类型之间的转移概率矩阵形式进行表达。后来袁照威等［8］在综合岩石类型与测井参数之间的关系时，结合了混合高斯模型和最大期望算法进行了参数的学习。其中，隐马尔科夫（HMM）［1，12］较为常用，可以融合岩性在深度上的序列相关性及其与测井参数之间的关系，但是在岩石类型转移阶次的确定、不同阶次序列相关性的精确学习等方面依然存在不足。……