辽河盆地东部坳陷伴随断裂活动影响，岩浆活动十分活跃，中生代至新生代广泛发育了大量的火山岩体.受火山多期次喷发和成岩过程的影响，形成了岩石类型多、岩性复杂，分布规律变化大的火山岩储层，而火山岩岩性控制着储层裂缝、孔洞的发育程度，进而控制着储层分布、渗流特征及含油饱和度.因此，火山岩岩性识别在火山岩储层地质研究中至关重要，它是岩相、喷发期次划分的依据，也是储层评价的前提(冉启全等，2005；陶宏根等，2011；田玉昆等，2013).

由于成岩方式不同、矿物成分复杂及碎屑粒级多样性等原因，使得火成岩岩性识别的难度较大.火成岩在储层中取心收获率低，并且在勘探开发过程中考虑勘探开发成本，获得的岩心资料较少，使得利用少量的岩心资料，对储层进行完整系统地评价难度很大.与岩心资料相比，测井数据丰富且全面，并具有纵向上连续性强、精度高的特点，可以更加全面地反映出储层特征，因此，挖掘岩心资料与测井数据在岩性识别领域的相互依存关系，实现地质取心资料与测井数据的整合，显得尤为重要.

利用测井数据的火山岩岩性识别，国内外学者进行了深入的研究，常用的岩性识别方法有：交会图识别、多元统计学分析、成像测井、地层元素测井、模式识别等，这些方法在国内外各油田得到了广泛的应用(李舟波和王祝文，1998；范宜仁等，1999；袁祖贵等，2004；王珺等，2005；张治国等，2005；刘秀娟等，2007).交会图法简单，不受特殊测井项目限制，但是由于辽河火山岩岩性复杂的特殊性，因此，交会图法不能作为单一的识别方法；多元统计学分析方法工作量小、速度快，但是辽河火山岩岩性的多样性会导致处理过程中需要调整的参数多，容易产生较大误差；成像测井可以很好地识别火山岩碎屑颗粒和构造形态，地层元素测井可以从岩石成分角度识别结构和构造差异不明显的岩性，但是价格昂贵，辽河油田现存的这两种测井资料很少.

支持向量机(Support Vector Machine，以下简称SVM)是在统计学习理论的基础上发展的一种新的模式识别方法，在解决小样本、非线性以及高维识别问题方面的优势明显，具有数学形式简单、易于推广、人为设置参数少的优点，并且能寻找到的极值解即为全局最优解(Suykens and V and ewalle， 1999；Vapnik，1999；张学工，2000).目前，SVM已成功应用在数据挖掘、图像处理、故障诊断等领域.SVM 是一个两类分类器，而实际应用中经常需要解决多分类问题.因此，将两分类扩展到多分类是SVM研究的重要内容.SVM多分类方法是通过分解和重构，把多分类逐步转化成二分类，即在分解阶段用不同的方法将训练样本二分类，在重构阶段选择不同的策略将测试数据分类.针对辽河油田火山岩的特点，本文应用SVM两分类和多分类结合的方法解决岩性识别问题(Hsu and Lin， 2002；唐发明等，2005；王立国等，2005；Abedi et al., 2012). 2 SVM 二分类

假设输入空间中的输入向量为x_i，z_i为高维特征空间中的向量.SVM的基本思想是：通过非线性映射φ(x):x_i→z_i，将输入空间中的向量映射到一 个高维的特征空间，在这个高维特征空间中构造最优分类超平面(马德锋等，2008)(图 1). 在特征空间中只需采用适当的内积函数K(x_i，x_j)=φ(x_i)·φ(x_j)，就可以实现非线性变化后的线性分类.最初，SVM是为二分类问题设计的，因此本文把标准的SVM称为SVM二分类.

图 1

Fig. 1

图 1 把输入数据映射到高维空间Fig. 1 Map the input data into a higher dimension space

假定多分类问题有N个类别，本文对目前经典的三种SVM多分类方法进行分析和比较： 3.1 “一对多”

“一对多”方法(陈中杰等，2013)在构造第1个子分类器时，将类别为1的训练样本定为“+”，其余N-1类训练样本定为“－”，得到SVM分类器C₁；在构造第2个子分类器时，将类别为2的训练样本定为“+”，其余N-1类训练样本定为“－”，得到SVM分类器C₂，如此下去，一共得到N个SVM子分类器.测试时，将测试数据分别输入到N个子分类器，并判断测试数据的类别.“一对多”方法的结构如图 2a 所示.由于只需调用N个分类器，因此“一对多”分类器的优点在于分类的速度快，但是这种方法容易出现一个测试数据属于多种分类器类别，或者不属于任何一种分类器类别的现象，前者称为分类重叠，后者称为不可分类.分类重叠现象可以通过计算各个子分类器的决策函数值，选取函数值最大值所对应的类别为测试数据的类别.但是不可分类现象“一对多”分类器无法解决.

图 2

Fig. 2

图 2 “一对多”和“一对一” 方法结构示意图 (a)“一对多” 方法;(b)“一对一” 方法. Fig. 2 The structural diagram of one-against-rest and one-against-one method

“一对一”方法(苟博和黄贤武，2006)是在训练样本中选择类别为1和2的数据，训练后得到SVM分类器C_1，2，选择类别为1和3的数据，训练后得到SVM分类器C_1，3，依次下去，一共得到N(N-1)/2 个子分类器.测试时，将测试数据分别输入到N(N-1)/2 个子分类器，并采取如下“投票策略”：如果分类器C_1，2判定测试数据属于第1类，则第1类的得票数加1，最后累计各类别的票数，哪一类票数最多，测试数据属于哪一类.“一对一”方法的结构如图 2b所示.“一对一”分类器虽然构造的分类器增多，但是由于每个分类器的训练样本数少，所以总的训练时间比“一对多”分类器少.这种方法也存在分类重叠，但不存在不可分类现象. 3.3 “有向无环图”(Directed Acyclic Graph(DAG))

“DAG”(李昆仑等，2003)在训练阶段和“一对一”采用同样的方法构造N(N-1)/2个子分类器.测试阶段，不是所有的子分类器都参与决策，而是从N(N-1)/2个子分类器中选择C_1，N对测试数据判别，如果测试数据属于第1类，则把子分类器中所有带有N标识的分类器剔除，然后用带有1标识的分类器，继续判别、剔除，直到得到最终分类类别.则“DAG”的结构如图 3所示.“DAG”在测试时只调用了N-1个分类器，分类速度飞快，且没有分类重叠和不可分类现象.但是如果第一层的分类器出现错误，下面每一层的分类器都会出现错误累积现象.

图 3

Fig. 3

图 3 “DAG”方法结构示意图Fig. 3 The structural diagram of DAG method

本文主要研究范围为辽河盆地东部坳陷.该地区目前钻井揭示的火山岩以中基性岩为主，按照火成岩岩性分类原则(王璞珺等，2007)，结合勘探中火山岩储层研究的实际需求和测井识别的可行性，本文将研究区的火山岩分为玄武岩、非致密玄武岩、粗面岩、非致密粗面岩、辉绿岩、辉长岩6种岩性.火山岩储层岩石矿物成分种类多，结构复杂，具有多种岩性类型、孔隙类型和储集类型，测井响应特征更为复杂，因此应用常规测井解释方法识别火山岩岩性难度很大.辽河盆地东部坳陷储层火山岩与沉积岩共存，火山岩与沉积岩在成因、矿物成分、结构和构造上有明显区别，所以本文首先根据测井响应差异，利用SVM二分类划分火山岩与沉积岩，然后分别利用三种SVM多分类方法划分6类火山岩岩性，具体流程如图 4.

图 4

Fig. 4

图 4 火成岩岩性识别流程图Fig. 4 Flowchart of lithology identification of volcanic rock

常规测井方法中RLLD、AC、CNL、DEN、GR曲线分别反映导电性、声速、孔隙、密度、放射性等岩石学特征，因此本文应用这5条测井曲线数据建立标准测井数据，即每个标准测井数据是由RLLD、AC、CNL、DEN、GR组成的五维向量，表 1为辽河盆地东部坳陷6种火成岩的测井响应特征值.本文选择辽河盆地东部坳陷40口井中岩心分析和薄片鉴定资料完整的岩层总厚度为150 m的测井数据作为训练样本.训练样本分为两类，一类为600个火成岩测井数据，其中包含每类火成岩100个数据；另 一类为600个沉积岩测井数据.选择4口井中岩心分析和薄片鉴定资料完整的岩层厚度为100 m的测井数据作为测试样本.测试样本也分为两类，一类为600个火成岩测井数据，其中包含每类火成岩100个数据；另一类为200个沉积岩测井数据.SVM中核函数的选择和核参数的优化过程实质上就是模型的建立过程，由于径向基核函数适用于任意分布的函数，且仅有一个参数需要确定，大大降低了模型的复杂度，因此本文选择径向基核函数K(x_i，x)=exp(－‖x－x_i‖²/σ²)作为核函数，并通过耦合模拟退火和交叉验证的方法确定核参数和惩罚因子(王健峰等，2012).SVM分类器程序是在Matlab 2012a版本下实现的.

表 1(Table 1)

表 1 辽河东部坳陷火成岩测井响应 Table 1 Logging response of volcanic rock in eastern depression，Liaohe Basin 岩性 RLLD/Ωm AC/(μs·m-1) CNL/(%) DEN/(g·cm-3) GR/API 测井响应特征 非致密玄武岩 10~20 197~263 24~36 2.3~2.6 40~56 低RLLD中低GR 玄武岩 8~12 184~236 24~29 2.6~2.8 28~40 低RLLD中低GR高DEN 非致密粗面岩 42~80 223~263 16~24 2.1~2.3 152~160 低CNL高GR低DEN 粗面岩 44~2000 171~197 4~8 2.3~2.6 140~155 低CNL高GR 辉长岩 698~8000 158~171 13~16 2.6~2.7 60~80 低CNL高DEN低GR 辉绿岩 128~800 171~210 12~18 2.6~2.7 30~45 低CNL高DEN低GR

表 1 辽河东部坳陷火成岩测井响应 Table 1 Logging response of volcanic rock in eastern depression，Liaohe Basin

将SVM岩性识别结果与取心段岩心描述和岩心/岩屑薄片资料对比，以此检验SVM岩性测井识别的准确性，表 2为4口测试井的SVM岩性识别结果，以此为例分析三种SVM多分类方法在火成岩识别阶段的表现：分类器“一对多”方法构造6个子分类器，全部调用；“一对一”和DAG方法均构造15个子分类器，“一对一”全部调用，DAG方法只调用5个.由于沉积岩和火成岩的测井响应差别大，SVM两分类识别平均准确率在98% 以上.虽然不同类型的火成岩对应的测井响应特征存在差异，但是某些类型的火成岩测井响应也存在一定的共同特征，例如，基性的玄武岩、非致密玄武岩、辉绿岩和辉长岩地层显示为共同的低自然伽马特征.不同类型火成岩测井响应的共同特征在一定程度上会影响SVM多分类的识别准确率.此外，“一对多”算法存在的不可分类以及“一对一”算法存在的分类重叠现象，这些SVM技术上的局限性也降低了识别的准确性.DAG算法规避了“一对多”、“一对一”算法技术上的缺陷，如果不出现错误累积，理论上DAG算法的识别精度会高于“一对多”和“一对一”算法.实际上4口测试井SVM多分类算法的识别结果表 明：DAG方法的平均识别正确率最高，达到了82.3%，而“一对多”和“一对一”方法的平均识别正确率分别为80.2%和80.3%.为了达到更好的岩性识别效果，对SVM岩性分类算法中分类不正确部分进行分析： 1)SVM模型的分类性能取决于两个重要参数：核参数和惩罚因子，对这两个参数优化方法的选择会在一定程度影响分类准确性； 2)SVM样本空间建立过程中，训练样本个数的选择，也会对分类结果有一定影响； 3)由于辽河盆地火山岩自身的岩性特点，不同岩性间测井响应有所交叉，必定也会对分类的准确性造成干扰.

表 2(Table 2)

表 2 SVM岩性识别正确率统计表 Table 2 Accuracy of SVM lithology identification 井号 数据及结果 SVM二分类 SVM多分类 “一对多” “一对一” DAG H23 测试样本 200 150 150 150 误判个数 2 26 28 23 正确率(%) 99 82.7 81.3 84.6 J26 测试样本 200 150 150 150 误判个数 2 35 30 28 正确率(%) 99 76.6 80 81.3 O46 测试样本 200 150 150 150 误判个数 4 29 31 26 正确率(%) 98 80.6 79.3 82.6 Y68 测试样本 200 150 150 150 误判个数 5 30 27 29 正确率(%) 97.5 80 82 80.6

表 2 SVM岩性识别正确率统计表 Table 2 Accuracy of SVM lithology identification

为实现地质取心资料与测井数据的有机结合，现以辽河盆地东部坳陷X井2300~2580 m 为例，对火成岩岩性特征及SVM测井岩性识别结果进行说明.图 5为X井2300~2580 m测井识别成果图，从图 5可以看出，三种SVM多分类法可根据测井响应的差异区分X井非致密玄武岩与辉绿岩、非致密玄武岩与玄武岩、非致密粗面岩与非致密玄武岩、泥岩与玄武岩的地层分界线，同时确定这些岩性地层的厚度.

图 5

Fig. 5

图 5 X井2300～2580 m岩性识别成果Fig. 5 The identification results of well X，2300~2580 m

深度为2300~2347 m的井段，其中2324 m岩心手标本描述：岩性为灰绿色粗面岩，属于非致密粗面岩，斑状结构，斑晶主要为长石，长石均比较新鲜，可见斜长石聚片双晶，其次见少量细针状角闪石斑晶，致密块状，气孔少见，发育一组近垂直的裂缝，连续性较好，裂缝宽约1 mm，被方解石不完全充填(图 6a).岩心镜下描述：斑状结构，斑晶以碱性长石为主，局部具有聚斑结构，基质为粗面结构，基质中见有碱性长石微晶和玻璃质，长石黏土矿化严重，局部方解石环绕斑晶生长现象，不透明矿物较少，裂隙不发育(图 6b，6c).SVM测井岩性识别结果：“一对一”和“一对多”法识别为粗面岩，而DAG法识别为非致密粗面岩，与岩心资料一致.结果表明，DAG法岩性识别结果与岩心资料一致.

图 6

Fig. 6

图 6 X井，2324 m，粗面岩 (a)钻井岩心;(b)岩心薄片(单偏光);(c)岩心薄片(正交偏光).Fig. 6 Well X，2324 m，trachyte

深度为2347~2362m，2409~2478 m的井段，其中2431.2 m岩心手标本描述：岩性为气孔玄武岩，属于非致密玄武岩.岩石呈深灰色，气孔杏仁体构造发育，气孔内充填全为硅质.岩心段发育高角度近垂直的裂缝，裂缝宽度在1~8 mm，裂缝被火山玻璃和硅质完全充填，见裂缝切割杏仁体(图 7a).岩心镜下描述：斑状结构，斑晶是普通辉石，基质间粒结构，较自形的条状斜长石微晶格架中充填有细小辉石、橄榄石、磁铁矿.发育较多圆形、似圆形气孔(图 7b，7c).SVM测井岩性识别结果：“一对一”和“一对多”法识别为玄武岩，而DAG法识别为非致密玄武岩.分析是由于“一对一”和“一对多”算法分类重叠造成的误判.结果表明，DAG法岩性识别结果与岩心资料一致.

图 7

Fig. 7

图 7 X井，2431.2 m，气孔玄武岩(a)钻井岩心;(b)岩心薄片(单偏光);(c)岩心薄片(正交偏光). Fig. 7 Well X，2431.2 m，vesicular basaltic

深度为2524~2580 m的井段，其中2564 m岩心手标本描述：岩性为深灰色辉绿岩.由斜长石及钾长石、辉石、角闪石组成，其中辉石见单斜辉石和斜方辉石(图 8a).岩心镜下描述：辉绿结构，全晶质，主要矿物为斜长石、辉石，斜长石55%，辉石(普通辉石、紫苏辉石)30%，橄榄石，多已蚀变，伊丁石化10%，少量不透明矿物(磁铁矿)(图 8b，8c).SVM测井岩性识别结果：三种多分类方法均误判为辉长岩.辉长岩是一种基性深层侵入岩石，辉绿岩成分相当于辉长岩的基性浅成岩.两者矿物成分和化学成分相近，但分别具有辉长结构和辉绿结构.矿物成分类似导致测井响应差别不大，因此识别结果出现误判，这是常规测井方法的局限性.

图 8

Fig. 8

图 8 X井，2564 m，辉绿岩 (a)钻井岩心;(b)岩心薄片(单偏光);(c)岩心薄片(正交偏光). Fig. 8 Well X，2564 m，diabase

本文从地质取心和岩矿鉴定资料中，总结火成岩岩石类型；从测井数据中，分析测井曲线的测井响应组合特征.应用SVM两分类和多分类结合方法有效的识别玄武岩、非致密玄武岩、粗面岩、非致密粗面岩、辉绿岩、辉长岩6种火成岩岩性.最终实现了地质资料和测井数据相互佐证，达到了火成岩岩性识别的目的，并得出以下结论：

1)从图 5的岩性识别成果可以看出，“一对一”、“一对多”和DAG三种多分类算法虽然识别的准确率不同，但是可依据测井响应特征的差异大致确定辽河盆地中基性火成岩6种岩性地层的厚度和分界线.

2)4口测试井的识别结果表明，DAG法的识别正确率最高，达到82.3%.

3)SVM无法区分矿物成分和化学成分相近，但结构和构造不同的岩性.

4)SVM两分类和多分类分类器的样本空间是基于常规测井资料建立的，也就是说在缺乏成像测井、地层元素测井等特殊测井资料时，SVM方法仍具有适用性.