基于機器學習的蝕變火成巖測錄井綜合巖性識別

管耀 王清輝 馮進 楊清 石磊

摘要：巖性識別是儲層測井評價的重要環節，儲層發育程度和孔隙度等參數的評價精度很大程度上取決于巖性識別的準確率。然而南海北部珠江口盆地惠州26-6井區的火成巖巖性復雜，普遍存在的蝕變現象對常規測井數據產生了很大影響，令常規測井巖性識別更加困難，識別精度難以滿足勘探需求。為了提高蝕變火成巖地層的巖性識別準確率，本文結合常規測井和元素錄井數據，建立了基于不同機器學習算法的巖性識別方法并進行對比分析，得到了適用于確定蝕變火成巖巖性的綜合識別方法。首先利用巖心元素數據建立錄井元素校正方法，得到可靠的元素錄井數據，并以常規測井的采樣間隔為標準對標準化元素錄井數據進行線性插值；之后優選出與巖性相關性更高的常規測井和元素錄井曲線，分別采用k近鄰（KNN）和支持向量機（SVM）兩種機器學習算法對研究區的構造片巖、閃長巖、蝕變輝綠巖、花崗閃長巖、花崗巖和蝕變花崗巖等6種火成巖進行巖性識別。在研究區內4口有巖石薄片鑒定資料井的目標層中，按照對應深度提取數據點（共145個），其中80%作為訓練樣本，其余20%作為測試樣本。以樣本測試精度和全井巖性識別效果作為評價指標，對兩種算法進行對比，結果表明：KNN和SVM算法的識別準確率均為92.65%，但是KNN算法全井識別效果更符合地層巖性分布特征，說明基于KNN算法的測、錄井綜合巖性識別更適用于研究區。

關鍵詞：蝕變火成巖；支持向量機；k近鄰；元素錄井；綜合巖性識別

doi：10.13278/j.cnki.jjuese.20220310

中圖分類號：P631.8

文獻標志碼：A

收稿日期：2022-11-14

作者簡介：管耀（1986—），男，高級工程師，主要從事測井解釋方法方面的研究，E-mail：guanyao@cnooc.com.cn

基金項目：中國海洋石油有限公司“十四五”重大科技項目（KJGG2022-0406）

Supported by CNOOC for the Major Science and Technology Project of??? “14th Five-Year Plan”? （KJGG2022-0406）

Comprehensive Lithology Recognition of Altered Igneous Reservoirs Based

on Machine Learning for? Wireline and Cutting Logs in Huizhou Depression，

Pearl River Mouth Basin， Northern South China SeaGuan Yao， Wang Qinghui， Feng Jin， Yang Qing， Shi Lei

Shenzhen Branch of CNOOC China Limited， Shenzhen 518054， Guangdong， China

Abstract： Lithology recognition plays an important role in reservoir logging evaluation， influencing the accuracy of critical parameters such as development degree and porosity. In Huizhou? 26-6 well block within the Pearl River Mouth basin in the northern South China Sea， the lithology of igneous rocks is intricate， with widespread alteration significantly impacting conventional logging data. As a result， the conventional lithology identification faces difficulty in satisfying the exploration needs. To enhance the accuracy of identifying altered igneous rocks， we integrate conventional logging and element cutting logging to establish lithology identification methods through diverse machine learning algorithms. A comparative analysis leads to a comprehensive identification method of discerning altered igneous rocks. Initially， a core element data-based correction method for element cutting logging is established to obtain reliable data. Subsequently， the k-nearest neighbor （KNN） method and the support vector machine （SVM） method are employed to identify the lithology of six igneous rocks in the study area—diorite， tectonic schist， altered diabase， granodiorite， altered granite， and granite.? In the target layer of four wells with rock slice identification data in Huizhou 26-6 well block， data points （145 in total） are extracted according to the corresponding depth， of which 80% are used as training samples and the remaining 20% as test samples. Taking? sample test accuracy and? whole well lithology recognition effect as? evaluation indicators， the results of comparing the two algorithms indicate that the recognition accuracy of KNN and SVM algorithms is both 92.65%， but the whole well recognition effect of KNN algorithm is more in line with the distribution characteristics of stratigraphic lithology， indicating that the comprehensive lithology recognition based on KNN algorithm is more suitable for the study area.

Key words：altered igneous rock; SVM; k-nearest neighbor; element cutting logging; comprehensive lithological identification

0 引言

南海北部海域發現了惠州26-6構造帶火成巖油氣藏，該區巖性種類多，具有極高的勘探價值。準確的巖性識別是儲層參數評價的前提^[1]。巖性識別方法有很多，其中測井巖性識別占據重要位置，縱向連續、精度高、物理參數豐富、處理和分析操作性強等優點給測井巖性識別奠定了基礎^[2]。然而研究區前古近系火成巖巖石類型復雜、分布規律變化大^[3-4]，同時普遍存在蝕變現象，不僅改變了儲層特征，也影響著火成巖的常規測井響應特征^[5]，導致火成巖的測井巖性識別精度不高，識別難度增加。在火成巖儲層勘探愈加重要的背景下，蝕變火成巖地層巖性識別的難題亟待解決。

近幾年，隨著科技的發展，關于測井巖性識別的研究成果也越來越多。最傳統的常規測井巖性識別方法是交會圖巖性識別圖版法^[6]；但蝕變現象會導致常規測井響應特征發生變化^[7-8]，致使不同巖性的測井特征混雜，難以區分，不僅給常規測井巖性圖版帶來了很大困擾，還會導致圖版法在巖性多變的蝕變火成巖地層的識別準確性較低，難以應用。為了解決蝕變火成巖的復雜巖性問題，有學者提出了一種基于激光誘導擊穿光譜（laser induced breakdown spectroscopy，LIBS）的元素分析和總堿-二氧化硅圖（TAS圖）新方法，成功完成了高精度識別火成巖巖性的目標；但是該方法的數據基礎是巖屑樣本，復雜的蝕變作用會導致TAS圖識別得到的巖性偏差較大，同時LIBS元素分析很難全井應用，因此這種方法尺度局限性很大^[9]。隨著巖性識別問題研究的深入，最優化等多元統計分析方法也被應用于巖性識別研究^[10]，其原理為通過輸入常規測井數據來最優化計算巖性成分；但是由于火成巖的常規測井曲線受蝕變影響，因此多元統計方法在巖性識別領域也常常失利。進入大數據時代后，機器學習算法應運而生，為測井巖性識別帶來了很多新的思路^[11]。眾多機器學習技術可有效分辨屬性相似度高的數據，其中包括支持向量機（support vector machines，SVM）和k近鄰（k-nearest neighbor，KNN）等算法^{[5-6， 12]}，這些基于機器學習算法的巖性識別手段通常也以常規測井數據為輸入樣本，不僅識別速度快，還具有較高的巖性識別準確率。

南海北部珠江口盆地惠州凹陷蝕變火成巖地層巖性復雜多變，包括閃長巖、構造片巖、蝕變輝綠巖、花崗閃長巖、花崗巖等多種巖性，不同巖性在地層之中交錯存在，同時普遍發生蝕變作用，影響儲層結構與構造的同時也令不同巖性的測井響應特征發生不可忽視的變化。因此，火成巖地層多變的巖性和復雜的蝕變共同導致巖性識別難度極高。為了解決蝕變火成巖巖性識別的難題，本文以中國南海地區古潛山蝕變火成巖為例，在研究區惠州26-6井區等4口井中提取相關數據，建立了一套完整且可靠的蝕變火成巖巖性識別方法。

首先，利用巖心元素數據建立元素錄井校正方法，得到可靠的元素錄井數據，并以常規測井的采樣間隔為標準對元素錄井數據進行線性插值，建立基于測井和元素數據的綜合巖性識別方法的數據基礎；其次，結合巖心薄片鑒定、常規測井與元素錄井曲線特征等各種數據，對研究區巖性進行統計、分類與定名，并以巖心鑒定結果所在深度為依據，提取不同巖性的常規測井與元素數據，得到研究區蝕變火成巖的綜合巖性數據集；然后，結合主成分分析（principal component analysis， PCA）方法，優選出與巖性相關性更高的測井與元素錄井曲線，建立最終的蝕變火成巖地層巖性識別樣本數據庫；最后，分別采用KNN和SVM等兩種機器學習算法訓練模型，并進行巖性識別，以識別精度和速度為標準對兩種算法的識別結果進行對比分析，優選得到更適用于研究區的巖性識別方法。1 研究區概況

惠州凹陷位于南海北部海域珠江口盆地珠一坳陷中部（圖1a），是珠江口盆地（東部）最富烴凹陷之一。發育的地層從老到新分別為前古近系基底，古近系文昌組、恩平組、珠海組，新近系珠江組、韓江組、粵海組、萬山組，以及第四系（圖1b）?；葜莅枷菀远髌浇M頂為界，劃分為下斷上坳的雙層結構，具有下陸上海的沉積特點。前古近系古潛山火成巖巖性以侵入巖、火山巖、巖脈為主，惠州凹陷不同區塊相差較大?；葜?6-6井區有明顯的蝕變和變質作用。

珠江口盆地是我國重要的原油生產基地，也是世界海洋油氣勘探的熱點地區之一。早先受制于古近系埋深和儲層物性等因素，珠一坳陷的油氣勘探主要集中在新近系中淺層。近年來隨著勘探領域的拓展以及勘探進程的加大，前古進系火成巖也不斷取得突破，并獲得了一系列商業或潛在商業發現。

古潛山油氣儲層具有良好的開發前景，在中國渤海灣盆地、東海盆地、珠江口盆地、瓊東南盆地、北部灣盆地、遼河盆地等地區廣泛分布。由于經過長時間的暴露風化，形成了具有良好裂縫-孔隙型儲集空間的風化殼儲層。古潛山風化殼儲層及其周緣屬于被“多凹環抱”的古凸起，是烴源供給及油氣側向運移的低勢區，具有較好的油氣運聚成藏條件，屬于南海北部油氣勘探的重要新領域和新類型。

本文研究對象為惠州凹陷構造帶惠州26-6井區前古近系火成巖古潛山，但是古潛山蝕變火成巖成分復雜、巖性多變。以HZ26-6-A井4 063～4 245 m的巖心薄片鑒定結果為例（圖2），如果僅根據薄片鑒定出的不同成分進行巖性分析，可以得到方解石沸石、細粒黑云角閃片巖、變玄武安山巖、綠泥石片巖、變玄武質火山角礫巖、斜長角閃片巖、中粒黑云母二長花崗質碎斑巖、粗粒淡色正長花崗巖等多種巖性，整個研究區的巖性變化更加復雜。然而，巖性識別的根本目標是服務于研究區不同井次的儲層評價與生產，因此必須考慮不同巖性測井數據和元素數據的特征。本文基于巖心薄片鑒定的結果，綜合分析巖心、薄片、常規測井以及元素錄井等資料，確定研究區的蝕變火成巖為閃長巖、構造片巖、蝕變輝綠巖（輝綠巖脈）、花崗閃長巖、蝕變花崗巖和花崗巖等6種巖性。

同時，圖3a所示巖心發生綠泥石化蝕變，可見明顯的綠泥石礦物；圖3b所示薄片顯示巖心的主要礦物斜長石具有強烈的泥化蝕變，而黑云母也發生了較強的綠泥石交代蝕變：表明研究區火成巖普遍存在蝕變現象，蝕變的影響不可忽視。本文充分利用測井曲線和錄井元素信息，采用機器學習算法進行綜合巖性識別。

2 機器學習算法原理

在大數據背景下，機器學習算法被廣泛應用于各個領域，在測井巖性識別方面也取得了很多成果^[14]。本文以此為基礎，分別利用SVM算法和KNN算法對研究區復雜的蝕變火成巖地層進行巖性識別，并優選得到更合適研究區的巖性識別方法。

2.1 支持向量機算法

SVM是Vladimir和Alexander在1963年提出的一種監督學習二分類算法，其決策邊界是對學習樣本求解的最大距超平面。作為機器學習領域的經典統計學習數學模型，應用非常廣泛。近年來，隨著SVM算法的成熟及不斷普及，已經多次應用在各井場的巖性識別工作中^[7]，同時多次在與其他模型的對比中得到更好的效果^[15-16]。

SVM基于統計學習理論和結構風險最小化準則，將線性可分的數據以最優的分割超平面進行分割，形成類域，其基本原理如圖4所示。距離超平面最近的點稱為“支持向量”，SVM就是要尋找距離兩側支持向量間隔最大的超平面（圖4中紅色超平面）。對于回歸問題，在兩個常規超平面（圖4中藍色超平面）之間的點認為是符合誤差期望的，不對模型進行調整；而若有點落在其外，則模型需要學習以減小損失函數。

在實際巖性處理中，通過輸入與巖性相關性較大的測井數據來輸出巖性識別結果。SVM 的關鍵在于核函數，不同的內積核函數將形成不同的算法。本文選用徑向基函數作為核函數^[17]：

式中：x為實際數據；x′為理論數據；σ為不敏感參數，控制不敏感帶的寬度，同時影響支持向量的數目和回歸估計的精度。人工選擇合適的參數σ效率很低，因此用粒子群優化（particle swarm optimization，PSO）算法進行參數尋優，提高識別效率。

PSO是一種隨機優化算法，具有設置參數較少、易于應用和操作等諸多優點^[18]。算法中，每個粒子的位置都代表優化問題在搜索空間中的解，通過追索最優粒子，迭代找到最優解。迭代時，粒子通過動態跟蹤體極值P_i和全局極值G兩個極值更新速度和位置，公式如下：

v_i（t+1）=wv_i（t）+c₁f_rand（P_i-x_i（t））+c₂f_rand（G-x_i（t））； ???（2）

x_i（t+1）=x_i（t）+v_i（t+1）。 ???（3）

式中：v_i（t）、x_i（t）分別為粒子i的速度和位置；f_rand為隨機函數；c₁和c₂為學習因子，一般等于2；w為權重因子。

SVM算法在小樣本識別上有較大的優勢，尤其是在樣本嚴重不均衡的情況下，SVM算法分配的類域空間不會受到樣本不均衡的影響。當兩種類別類域出現交叉時，SVM算法的局限性會被放大；但是，若曲線之間隱藏著更高維度的有益信息，SVM算法可以在核函數的幫助下在一定程度上提高分類效果。

2.2 k近鄰算法

KNN算法是Cover和Hart于1968年提出的，是向量空間模型下最好的分類算法之一^[12]。

KNN算法的基本思想是：分別計算待分類樣本與訓練樣本的相似性，找出與待分類樣本最相似的k個近鄰，根據這k個近鄰的類別確定待分類樣本的歸屬。如果待分類樣本數據的k個最相鄰的樣本都屬于一個類別，那么待分類樣本也屬于這個類別；否則，以k個鄰居中占多數的類別來確定待分類樣本屬于哪個類別。圖5中待分類點為x_u，ω₁、ω₂、ω₃為已知3類。據離x_u最近幾個點分類情況判斷x_u的類別，x_u屬于ω₁。

KNN算法流程如下：

T=z₁，ω₁，z₂，ω₂，...，z_n，ω_n。 ???（4）

式中：T為樣本集；z=（z₁，z₂，...，z_n），為樣本集中每個樣本的特征向量；n為樣本集中樣本的總數；ω_i為樣本類別。根據待分類點和樣本點之間的距離，在T中找出與待分類對象最鄰近的k個點，根據分類決策（少數跟隨多數的原則）決定待分類對象x_u的類別。其中，k=1為KNN的特殊狀況，稱為最近鄰算法。

對于輸入的實例點x_u，KNN算法將T中x_u最近鄰點最多的類別作為x_u的類別。除此之外，k值選取合理與否直接關系到KNN算法的效果，需要將樣本集在單樣本的互斥數據集中進行KNN算法自回判，根據自回判準確率來確定k值。

KNN算法原理簡單，模型的建立易于控制，適用于不同巖性分離較明顯而相同巖性聚集的情況。由于KNN算法需要計算待識別樣本和已知所有樣本的距離，因此在數據量較大時，計算時間較長。另外，若樣本類別嚴重不均衡或樣本本身可能存在類域交叉，算法的分類準確性會降低。

3 研究區巖性識別應用

目前，巖石薄片鑒定是業內公認的最直觀且最準確的巖性鑒定方法。因此本文先基于巖石薄片鑒定類別，以及與之對應的測井和標準化元素錄井兩種數據，建立研究區巖性樣本集；然后利用PCA選擇對蝕變火成巖巖性敏感性更高的測井和元素錄井曲線，結合KNN和SVM等機器學習算法在研究區火成巖地層進行巖性識別應用；最后，通過對比不同算法巖性識別結果的精度及速度，優選出最適用于研究區的巖性識別方法。

3.1 巖性樣本集建立

建立巖性樣本集是機器學習識別巖性的基礎，需要在研究區內按照巖石薄片鑒定結果的深度，提取對應的測井和元素錄井等數據；但是元素錄井在實際應用中存在測量數據不穩定、數值橫向可對比性不強等問題^[19]，因此先需要根據巖心元素分析數據對初始元素錄井進行校正，并以常規測井的采樣間隔為標準對標準化元素錄井數據進行線性插值。之后根據巖石薄片鑒定結果的深度提取相應數據，建立起由測井數據、標準化元素錄井數據和巖性類別構成的巖性樣本集。

3.1.1 元素錄井預處理

X射線熒光元素錄井在小層劃分和隨鉆評價等多個方面發揮作用^[20]，但是其測量數據不穩定等問題也不容忽視，需要建立合理的校正方法。

根據巖心元素分析數據可以獲得鈉（Na）、鎂（Mg）、鋁（Al）、硅（Si）、磷（P）、鉀（K）、鈣（Ca）、鈦（Ti）、錳（Mn）、鐵（Fe）等10種元素的質量分數，而元素錄井數據包含Na、Mg、Al、Si、P、硫（S）、氯（Cl）、K、Ca、鋇（Ba）、Ti、釩（Vr）、Mn、Fe、鎳（Nr）、鍶（Sr）和鋯（Zr）等17種元素的質量分數，不同方法之間元素種類的差距會產生數據誤差。因此，選取元素錄井數據中與巖心氧化物相對應的Na、Mg、Al、Si、P、K、Ca、Ti、Mn、Fe等10種元素進行標準化，其余7種元素不參與標準化，這樣即可削弱由于元素種類不同帶來的誤差。

10種元素錄井標準化后質量分數的計算公式為

式中：w_X為X元素的質量分數；w_lX為X元素的錄井質量分數；∑w_lX為Na、Mg、Al、Si、P、K⁴⁰、Ca、Ti、Mn、Fe等10種元素的錄井質量分數之和。

在惠州26-6井區應用上述方法對錄井元素數據進行標準化，以HZ26-6-A井為例，繪制該井標準化元素錄井與巖心元素數據的對比分析圖（圖6）。經分析發現上述10種元素的標準化元素錄井數據與巖心元素分析數據基本吻合，證明標準化后的元素錄井數據可靠。在HZ26-6-B、HZ26-6-C以及HZ26-6-D井中都利用式（5）對元素錄井數據進行標準化。同時也證明式（5）具有普適性，在缺少巖心數據的井中也可以用以進行元素錄井數據的標準化。

3.1.2 敏感曲線優選

在巖性復雜的研究區，圖版法雖然不能準確識別巖性，但是可以從宏觀上認識研究區不同巖性的曲線特征，為數學算法選擇敏感曲線提供依據。

圖7a為惠州26-6井區樣本的聲波時差（DT）-自然伽馬（GR）交會圖，圖中蝕變花崗巖、花崗巖、花崗閃長巖及蝕變輝綠巖與其他巖性分布均有明顯的界限，而構造片巖與閃長巖的樣本聚集在一起，無法區分；但是從Al-Mg交會圖（圖7b）中可以看出，Al和Mg可以區分構造片巖和閃長巖，說明元素錄井中的Al元素和Mg元素對于閃長巖和構造片巖PCA是處理高維數據的重要方法^[21]。通過PCA可以從常規測井系列中優選對研究區巖性敏感的測井曲線。圖8為研究區火成巖樣本數據集的主成分分析圖。由圖8可見：主要測井曲線中電阻率（R_t）測井曲線對巖性最為敏感，補償中子（CNL）曲線次之，補償密度（DEN）曲線和GR曲線也較敏感，最不敏感的是DT曲線；同時，GR曲線和放射性能譜測井中的鈾（²³⁸U）、釷（²³²Th）、鉀（⁴⁰K）、無鈾伽馬（KTH）曲線對蝕變極其敏感，在巖性識別過程中對識別蝕變巖性和未蝕變巖性有很大意義。

綜上所述，本文選定R_t、GR、CNL、DEN和放射性鉀（⁴⁰K）等5條常規測井曲線和鎂元素、鋁元素等2條標準化元素曲線作為SVM算法和KNN算法的輸入向量，對研究區蝕變火成巖進行巖性識別并對比分析識別效果。

3.1.3 數據集建立

據統計，研究區共鑒定巖心薄片145塊，以巖心薄片鑒定深度為基礎，根據敏感性份分析所選取的曲線，提取對應的R_t、GR、CNL、DEN和⁴⁰K等常規測井數據和元素錄井數據，建立起如表1所示的研究區蝕變火成巖巖性數據集，數據集中80%的數據用于模型訓練，20%的數據用于巖性回判。

3.2 巖性識別結果對比分析

在進行巖性識別時，首先對數據進行歸一化，之后分別用SVM算法和KNN算法進行訓練及測試。其中KNN算法需要選擇合理的k值，通過對比不同k值的回判準確率得到k=4時回判準確率最高，因此確定參數k為4。

最終獲得SVM算法和KNN算法的測試結果如表2所示。由表2可見，兩種算法都有極高的準確率，達到了92.65%；因此將這兩種算法應用在HZ26-6-A井，對比全井的應用效果（圖9）。

綜合研究區地質資料可知，HZ26-6-A井上部應為閃長巖（大約至3 740 m），下部應為構造片巖，底部為蝕變花崗巖。從整體效果看，KNN算法呈現結果更符合該井的實際巖性分布。這是由于研究區各巖性測井特征非常復雜，部分巖性類域空間非常接近并且有少量重疊，某些巖性的類域空間出現包裹現象，因此導致SVM算法效果較差。同時，研究區測井曲線受到井眼環境影響，部分曲線波動嚴重，而KNN算法對單條曲線的波動容忍度較大，所以KNN算法的巖性識別效果更好，更適用于研究區。

圖10和圖11分別為HZ26-6-B井和HZ26-6-C井的KNN巖性識別結果，由圖10和圖11可見，KNN巖性識別結果與巖心薄片鑒定基本吻合，說明基于常規測井和標準化元素錄井的綜合巖性識別是行之有效的。

4 結論

本文針對南海北部珠江口盆地惠州凹陷26-6井區的蝕變火成巖開展不同算法巖性識別研究，得到如下結論：

1）校正后的元素錄井數據與巖心元素數據基本吻合，且不同巖性鎂元素和鋁元素的特征差異明顯，為測井和元素錄井綜合巖性識別奠定了基礎。

2）在研究區，兩種算法預測準確率均達到了92.65%，雖然KNN算法的回判準確率（96.74%）略低于SVM算法，但是前者的巖性識別結果更符合實際巖性分布，KNN算法更適用于研究區。

3）基于常規測井和標準化元素錄井數據的綜合巖性識別方法能夠準確識別出研究區構造片巖、閃長巖、蝕變輝綠巖、花崗閃長巖、花崗巖和蝕變花崗巖等6種不同火成巖，解決了復雜火成巖地層常規測井識別易受蝕變影響的問題，同時識別精度也滿足研究區勘探需求，為火成巖巖性識別提供了新的思路。

參考文獻（References）：

[1]嚴偉，劉帥，馮明剛，等. 四川盆地丁山區塊頁巖氣儲層關鍵參數測井評價方法[J]. 巖性油氣藏， 2019， 31（3）： 95-104．

Yan Wei， Liu Shuai， Feng Minggang， et al. Well Logging Evaluation Methods of Key Parameters for Shale Gas Reservoir in Dingshan Block， Sichuan Basin[J]. Lithologic Reservoirs， 2019， 31 （3）： 95-104.

[2]牟丹，王祝文，黃玉龍，等. 基于SVM測井數據的火山巖巖性識別：以遼河盆地東部坳陷為例[J]. 地球物理學報， 2015， 58（5）： 1785-1793．

Mu Dan， Wang Zhuwen， Huang Yulong， et al. Lithological Identification of Volcanic Rocks from SVM Well Logging Data：Case Study in the Eastern Depression of Liaohe Basin[J]. Chinese Journal of Geophysics， 2015， 58 （5）： 1785-1793.

[3]王璞珺，繳洋洋，楊凱凱，等. 準噶爾盆地火山巖分類研究與應用[J]. 吉林大學學報（地球科學版）， 2016， 46（4）： 1056-1070.

Wang Pujun， Jiao Yangyang， Yang Kaikai， et al. Classification of Volcanogenic Successions and Its Application to Volcanic Reservoir Exploration in the Junggar Basin， NW China[J]. Journal of Jilin Unviersity （Earth Science Edition）， 2016， 46 （4）： 1056-1070.

[4]楊凱凱. 準噶爾盆地東部石炭系巴塔瑪依內山組火山巖儲層成巖作用研究[D]. 長春：吉林大學，2019.

Yang Kaikai.Diagenesis of Carboniferous Batamayineshan Formation Volcanic Reservoir in Eastern Junggar Basin [D]. Changchun： Jilin University， 2019.

[5]Pan Baozhi， Wang Xinru， Guo Yuhang， et al. Study on Reservoir Characteristics and Evaluation Methods of Altered Igneous Reservoirs in Songliao Basin， China[J]. Journal of Petroleum Science and Engineering， 2022， 212： 110266.

[6]Zhang Jun， Li Jun， Hu Yao， et al. The Identification Method of Igneous Rock Lithology Based on Data Mining Technology[J]. Advanced Materials Research， 2012， 466/467： 65-69.

[7]王欣茹，閆頂點，潘保芝，等. 南堡地區蝕變火山巖儲層測井響應特征與蝕變程度評價[J]. 測井技術， 2021， 45（1）： 68-73.

Wang Xinru， Yan Dingdian， Pan Baozhi， et al. Logging Response Characteristics and Evaluation Method of Altered Volcanic Reservoir in Nanpu Area[J]. Well Logging Technology， 2021， 45 （1）： 68-73.

[8]高衍武，胡婷婷，陳國軍，等. 中拐凸起黏土化蝕變火山巖孔隙度評價方法[J]. 測井技術，2019，43（1）：26-35.

Gao Yanwu， Hu Tingting， Chen Guojun， et al. Porosity Evaluation Method for Clay-Altered Volcanic Rocks in Zhongguai Uplift[J]. Well Logging Technology， 2019， 43（1）：26-35.

[9]王超，張偉剛，閻治全. 激光誘導擊穿光譜技術對火成巖巖性的高精度識別[J]. 光譜學與光譜分析，2015， 35（9）： 2463-2468.

Wang Chao， Zhang Weigang， Yan Zhiquan. High Precision Identification of Igneous Rock Lithology by Laser Induced Breakdown Spectroscopy[J]. Spectroscopy and Spectral Analysis， 2015， 35（9）： 2463-2468.

[10]徐苗苗，印興耀，宗兆云. 基于復合蛙跳算法的火山巖最優化測井解釋方法[J]. 石油物探， 2020， 59（1）： 122-130．

Xu Miaomiao， Yin Xingyao， Zong Zhaoyun. Logging Interpretation Optimization of Volcanic Rocks Using the Complex Frog-Leaping Algorithm[J]. Geophysical Prospecting for Petroleum， 2020， 59 （1）： 122-130.

[11]馮沖，王清斌，譚忠健，等. 富火山碎屑地層復雜巖性測井分類與識別：以KL16油田為例[J]. 石油學報， 2019， 40（增刊2）： 91-101.

Feng Chong， Wang Qingbin， Tan Zhongjian， et al. Logging Classification and Identification of Complex Lithologies in Volcanic Debris-rich Formations： An Example of KL16 Oilfield[J]. Acta Petrolei Sinica， 2019， 40（Sup. 2）： 91-101.

[12]Wang Xidong， Yang Shaochun， Zhao Yongfu， et al. Lithology Identification Using an Optimized KNN Clustering Method Based on Entropy-Weighed Cosine Distance in Mesozoic Strata of Gaoqing Field， Jiyang Depression[J]. Journal of Petroleum Science and Engineering， 2018， 166： 157-174.

[13]田立新，施和生，劉杰，等. 珠江口盆地惠州凹陷新領域勘探重大發現及意義[J]. 中國石油勘探， 2020， 25（4）： 22-30.

Tian Lixin， Shi Hesheng， Liu Jie， et al. Great Discovery and Significance of New Frontier Exploration in Huizhou Sag， Pearl River Mouth Basin[J]. China Petroleum Exploration， 2020， 25 （4）： 22-30.

[14]蘇賦，馬磊，羅仁澤，等. 基于改進多分類孿生支持向量機的測井巖性識別方法研究與應用[J]. 地球物理學進展， 2020， 35（1）： 174-180.

Su Fu， Ma Lei， Luo Renze， et al. Research and Application of Logging Lithology Identification Based on Improve Multi-Class Twin Support Vector Machine[J]. Progress in Geophysics， 2020， 35 （1）： 174-180.

[15]李廣，丁迪，石福升，等. 基于支持向量機的可控源電磁數據智能識別方法[J]. 吉林大學學報（地球科學版）， 2022， 52（3）： 725-736.

Li Guang， Ding Di， Shi Fusheng， et al. Intelligent Recognition of Controlled-Source Electromagnetic Data by Support Vector Machine[J]. Journal of Jilin University （Earth Science Edition）， 2022， 52（3）：725-736.

[16]李猛猛，劉敬黨，梁天意，等. 基于支持向量機算法的巖漿硫化物礦床硫元素預測模型[J]. 吉林大學學報（地球科學版），2022， 52（3）： 866-878.

Li Mengmeng，Liu Jingdang，Liang Tianyi，et al. Prediction Model of Sulfur Element in Magmatic Sulfide Deposits Based on Support Vector Machine Algorithm[J]. Journal of Jilin University （Earth Science Edition）， 2022， 52（3）： 866-878.

[17]Thanh C L， Trong N N， Samir K， et al. An Efficient Approach for Damage Identification Based on Improved Machine Learning Using PSO-SVM[J]. Engineering with Computers， 2022， 38（4）： 3069-3084.

[18]Liu Ping， Xie Mengchu， Bian Jing， et al. A Hybrid PSO–SVM Model Based on Safety Risk Prediction for the Design Process in Metro Station Construction[J]. International Journal of Environmental Research & Public Health， 2020， 17（5）： 1714.

[19]唐謝， 尹平， 唐家瓊， 等. 元素錄井應用中的問題及對策[J]. 天然氣工業， 2020， 40（4）： 51-58.

Tang Xie， Yin Ping， Tang Jiaqiong， et al. Problems in the Application of Element Cutting Logging and Solutions[J]. Natural Gas Industry， 2020， 40（4）： 51-58.

[20]何葉， 張涵冰， 鄭儒， 等. 基于元素錄井的頁巖氣水平井鉆遇小層分析及儲層評價參數計算[J]. 天然氣工業， 2021， 41（增刊1）： 110-117.

He Ye， Zhang Hanbing， Zheng Ru， et al. Analyzing the Sublayers Drilled by Shale-Gas Horizontal Wells and Calculating Reservoir Evaluation Parameters Based on Element Cutting Logging[J]. Natural Gas Industry， 2020， 41（Sup. 1）： 110-117.

[21]高云龍，羅斯哲，潘金艷，等. 魯棒自適應概率加權主成分分析[J]. 自動化學報， 2021， 47（4）： 825-838.

Gao Yunlong， Luo Sizhe， Pan Jinyan， et al. Robust PCA Using Adaptive Probability Weighting[J]. Acta Automatica Sinica， 2021， 47 （4）： 825-838.