谷宇峰，张道勇，鲍志东

[1.自然资源部 油气资源战略研究中心，北京100034； 2.中国石油大学(北京) 地球科学学院，北京102249]

准确获取储层岩性数据对于开展地层对比、沉积展布分析和地质建模等地质基础工作至关重要，因此岩性识别一直被视为是一项关键研究内容[1-6]。经典的岩性识别工具为交会图。交会图一般是由2种或3种测井曲线构成的，而选取的曲线需要对各种所需识别的岩性都能有独特的响应范围[4-6]。故而，当测井数据点散落在交会图中，各个岩性对应的测井响应划分条件便可通过观察来明确。对于砂质较纯或者岩性成分简单的储层，该工具能够有效地解决其岩性识别问题，但随着油气勘探范围的扩大，非常规油气逐渐成为了油气研究方向上的核心对象，使得更多关于非常规储层的岩性识别问题被提出。由于非常规储层岩性成分复杂，且多数岩性在测井曲线上具有相似的响应特征，导致以交会图为代表的经典识别工具难以适用，为此众多地球物理学家发展了以机器学习技术为主的岩性识别方法[7-15]。

机器学习是人工智能的一个重要分支，其主要计算原理是在对学习数据分析的基础之上，建立自变量与因变量的线性或非线性网络映射关系，之后根据该关系完成对预测数据的处理。在模式识别领域，目前得到广泛应用的模型有KNN(K-nearest neighbors)，PNN(probabilistic neural network)和SVM(support vector machine)等[7-15]。KNN模型是聚类分析中的代表，主要是依据预测数据点与学习数据点之间距离的远近进行模式判断。……