基于自组织神经网络及K最近邻算法的储层渗流屏障定量识别方法

斯扬 蔡明俊 张家良 芦凤明 王芮 黄金富 孟瑞刚

摘要：傳统的储层渗流屏障识别方法大多为定性或半定量，对于单砂体内部规模较小的储层渗流屏障的识别精度及划分效率相对较低。以沧东凹陷枣南孔一段油藏为例，基于岩心及测井资料，引入人工智能机器学习方法，提出一种基于SOM神经网络聚类和KNN算法的储层渗流屏障定量识别方法。该方法主要通过SOM算法逐点对取芯井多测井曲线进行聚类，获取能够表征储层质量差异的测井相神经单元，然后与岩性及构型进行对比，建立取芯井测井相神经单元定量划分储层渗流屏障标准，最后通过KNN算法将取芯井测井相神经单元模型传播到非取芯井，并对非取芯井进行储层渗流屏障识别与划分。结果表明，该方法对储层渗流屏障的识别结果与岩心的符合率超过90%，同时快速地对全区非取芯井渗流屏障进行划分，有效地提升储层渗流屏障的识别精度与效率，这也为类似的研究提供一种新的思路和方法。

关键词：渗流屏障； 自组织神经网络； K最近邻算法； 枣南孔一段； 沧东凹陷

中图分类号：P 631   文献标志码：A

引用格式：斯扬，蔡明俊，张家良，等.基于自组织神经网络及K最近邻算法的储层渗流屏障定量识别方法［J］.中国石油大学学报（自然科学版），2023，47（4）：35-47.

SI Yang， CAI Mingjun， ZHANG Jialiang， et al. Quantitative identification method of reservoir flow barriers based on self-organizing neural network and K-nearest neighbor algorithm ［J］.Journal of China University of Petroleum（Edition of Natural Science），2023，47（4）：35-47.

Quantitative identification method of reservoir flow barriers based on

self-organizing neural network and K-nearest neighbor algorithm

SI Yang， CAI Mingjun， ZHANG Jialiang， LU Fengming， WANG Rui， HUANG Jinfu， MENG Ruigang

（PetroChina Dagang Oilfield Company， Tianjin 300280， China）

Abstract：Traditional methods for identifying reservoir flow barriers are mostly qualitative or semi-quantitative， and have limitations in terms of accuracy and efficiency， especially for identifying small-scale reservoir flow barriers within a single sand body.  In this paper， a quantitative identification method for reservoir flow barriers is proposed based on core and logging data from the first member of Kongdian Formation in Zaonan Oilfield， Cangdong Sag. This method utilizes a machine learning approach incorporating the SOM neural network clustering and KNN algorithm. The method begins by applying the SOM algorithm to cluster the multi-logging curves of the core-taking well point by point， identifies the logging phase neural units that effectively characterize the quality difference of the reservoir. These neural units are then compared  with lithology and configuration data to establish a quantitative standard for dividing the reservoir flow barriers within the core-taking well logging phase neural units. Finally， the KNN algorithm is employed to propagate the core-taking well logging phase neural unit model to non-core-taking wells. This allows for the identification and division of reservoir flow barriers in these wells. The results demonstrate that the proposed method achieves an identification accuracy of over 90% in agreement with the core data for reservoir flow barriers. Additionally， the flow barriers in non-core-taking wells are efficiently and accurately divided. Consequently， the proposed method significantly improves the accuracy and efficiency of reservoir flow barrier identification. This approach presents a new idea and method for similar research in the field， providing a valuable contribution to the field of reservoir characterization.

Keywords：reservoir flow barriers; self-organizing neural network; K-nearest neighbor algorithm; the first member of Kongdian Formation in Zaonan Oilfield; Cangdong Sag

中國东部大部分老油田目前已进入高含水的开发后期，剩余油挖潜难度大。剩余油的形成与分布和储层非均质性关系密切，在现有的经济技术条件下有25%～35%的剩余油是储层内部渗流屏障及渗流差异导致［1］。储层构型及流动单元研究是目前的表征储层内部非均质性的较为热门手段，储层渗流屏障的识别作为构型单元及流动单元精细划分的前提，其识别精度直接影响到非均质性表征的精度。储层渗流屏障识别主要以沉积模式为指导，基于岩心-测井分析，并采用相应的判识方法进行。传统的判识方法一般为地质统计学法、交会图法、蜘蛛网图模式法、曲线回返率等方法［2-5］，对于单砂体内部规模较小的渗流屏障识别精度较低，在划分非取芯井的过程中主要依靠人工方式，效率低下。

近年来，随着计算机人工智能技术的发展，机器学习算法被广泛应用到油田地质工作中。由于机器学习算法在大数据处理（聚类、降维、判别、回归等）方面存在着巨大的优势，在传统研究方法中引入机器学习算法也成为目前提高油田地质工作质量及效率的有效手段。在储层研究方面，目前机器学习算法的应用主要集中在测井岩性识别［6-10］、沉积相研究［11-14］、储层及流体预测等［15-18］研究上，并且取得很好的效果。而对于储层渗流屏障识别，陈雁等［19］提出基于自编码器的半监督隔夹层识别方法， 陈修等［20］ 提出基于支持向量机和主成分分析的辫状河储层夹层识别方法，有效地提升储层渗流屏障识别的精度，但是机器学习算法在储层渗流屏障识别方面的应用相对少见。笔者主要以沧东凹陷枣南孔一段油藏为例，提出一种基于自组织神经网络及K最近邻算法的储层渗流屏障定量识别方法，提高储层渗流屏障识别与划分工作的精度及效率。

1 研究区概况

研究区枣南孔一段油藏位于渤海湾盆地黄骅凹陷南部孔店构造带上的风化店构造南翼，总体上是一个被断层复杂化的大致呈北东—南西走向的地垒式长轴背斜（图1）。古近系孔店组孔一段分为6个油组，其中主要含油层系为枣Ⅴ油组，枣Ⅳ油组也有一定的油层分布。本次主要研究目的层是枣南断块的孔一段枣V油层组，其纵向上可分为13个砂层组，并可进一步细分为42个单砂层。枣V油层组为辫状河三角洲前缘亚相沉积，岩性以细砂岩、粉砂岩为主，纵向上岩性变化较大，呈砂泥岩互层状，因此层间及层内隔夹层极为发育，储层非均质性强。

研究区块于1973年首获工业油流，至今已有30多年的开发历程。由于采取合注合采的方式，受层间层内矛盾影响，大量的剩余油富集在地下储层中。这些剩余油主要是被油层内部复杂的渗流屏障和渗流差异控制而形成的，是挖潜的重要目标。然而由于纵向层系众多，储层渗流屏障的识别与划分工作量大。由于开发时间跨度较大，老井大多仅有较少的几条常规测井曲线，这对于储层内部渗流屏障的测井识别也带来较大的困难。因此本次研究试图通过机器学习算法的应用，解决开发后期老油田储层渗流屏障识别中普遍存在的问题。

2 研究方法

2.1 算法简介

2.1.1 自组织神经网络

自组织神经网络全称为“自组织特征映射（self-organizing feature map）神经网络”，又简称为SOM神经网络，是一种无监督神经网络模型。该算法与人脑的自组织特性相类似，能够通过自动检测输入样本之间的关系，并自适应调整网络，使网络以后的响应与输入样本相适应［21-22］。SOM神经网络包含输入层和竞争层，输入层对应一个高维的输入向量，竞争层由一系列组织在2维网格上的有序节点构成，输入节点与输出节点通过权重向量连接（图2（a））。其主要算法流程为：

（1）网络初始化，为初始权重向量wj选择随机值；

（2）对于每一个输入数据xi，计算其与竞争层中的节点神经元j的相似度。一般采用欧氏距离，公式为

*dj（x）=∑Di=1（xi-wji）2 .（1）*

式中，dj（x）为xi与节点神经元j的距离；D为输入向量维数；wji为节点神经元j的连接权重。

（3）选择距离最小的节点作为获胜节点I（x），并更新邻域内其他节点。令Sij表示节点i和j之间的距离，对于I（x）邻域内的其他节点，分配给他们一个更新权重，即

Tj，I（x）=exp-S2j，I（x）2σ2 .（2）

式中，σ为邻域的大小，一般随训练次数呈指数递减；可以看出距离越大，更新程度越低。

（4）更新节点的参数。权重更新公式为

wji（t+1）=wji（t）+Δwji=wji（t）+

η（t）Tj，I（x）（t）（xi-wji）.（3）

式中，Δwji为权重更新量；η为学习率，随训练次数t呈指数递减。更新完成后继续循环迭代，直到收敛，最后输出聚类结果。

2.1.2 K最近邻算法

K最近邻算法KNN（K-nearest neighbor）主要用于大数据的快速分类或者回归。该算法以所有已知样本作为参照，计算未知样本与所有已知样本的距离，从中选取距离最近的K个已知样本，将未知样本与K个最邻近样本中所属类别占比较多的归为一类（图2（b））。该算法完全不学习，在定类决策上主要依据最邻近的一个或者几个已知样本的类别来决定待分样本所属的类别［23］。该算法包括4个步骤：

（1）准备数据，对数据进行预处理，对数据进行量化、归一化；

（2）计算测试样本点（也就是待分类点）到其他已知每个样本点的距离，一般采用欧氏距离；

（3）对每个距离进行排序，然后选择出距离最小的K个点；

（4）对K个点所属的类别进行比较，将测试樣本点归入在K个点中占比最高的那一类。

2.2 算法思路与流程

2.2.1 算法思路

本次研究中主要需要通过机器学习算法解决两个关键问题：一是多条测井信息融合提升测井曲线对储层质量差异表征能力，进而提升渗流屏障识别精度；二是通过机器学习算法程序代替人工识别划分储层渗流屏障的流程，提升渗流屏障划分效率。SOM神经网络算法和KNN算法分别对应解决这两个问题。

SOM神经网络算法能将任意维数的输入层映射一维或二维图形，具备强大的数据降维能力，输出结果能保持拓扑结构，有利于输出结果的进一步分类。在本次研究中通过SOM 神经网络算法对多条常规测井曲线进行聚类，获取融合多条测井信息且保持拓扑结构的测井相神经单元，再将测井相神经单元与岩心及构型相进行对比，建立合理的储层渗流屏障识别与划分标准。在此过程中充分地利用SOM神经网络算法聚类及输出的优点，而在提升渗流屏障划分效率方面，由于KNN算法主要根据领域的K个样本来确定输出类别，其对于不同类的样本集有交叉或重叠较多的待分样本集有很好的分类效果。本次研究中不同岩心相及构型相下对应的测井属性就是一个有交叉或重叠较多的待分样本，利用KNN算法来进行自动分类是有效的。由于KNN算法不学习，算法程序简单，在有效分类的前提下，还能够快速地实现取芯井向非取芯井应用。

当分类样本过多时，SOM神经网络及KNN算法均存在计算量大，时间复杂度高的缺陷。本方法由于考虑逐采样点地对测井曲线进行聚类，在井数较多、目的井段长的情况下，若要保证对所有井测井曲线进行聚类，SOM 神经网络算法需要大量次数的迭代，这不利于调整参数建立最优的SOM神经网络聚类模型。考虑只基于取芯井建立最优的SOM神经网络聚类模型，然后以取芯井SOM神经网络聚类结果为已知样本，通过K最近邻算法对非取芯井测井曲线进行分类。

对于算法的实现方面，SOM 神经网络和KNN算法是目前应用较为热门的机器学习算法，在Matlab、Python等平台上均有较成熟的程序代码，部分商业软件模块中也内置相应算法，因此这两种算法较为容易实现。

2.2.2 技术流程

本次研究主要在常规的岩心精细描述、测井曲线标准化及岩心归位等研究资料预处理流程的基础上进行，通过自组织（SOM）神经网络聚类法逐点对测井曲线进行分类，提升多测井曲线对储层质量差异的表征能力，在此基础上与岩心相及构型相进行对比，确定单井储层渗流屏障识别标准。然后以取芯井测井神经单元聚类结果为已知样本，利用KNN算法将其向非取芯井传播，并根据识别标准对非取芯井进行储层渗流屏障识别。具体流程见图3。

（1）取芯井岩心及构型赋值量化，并生成岩性及构型曲线。该步骤主要是根据取芯井岩心及测井资料，基于岩心和构型对取芯井进行储层综合质量的分级量化（量化方法具体见应用情况），并生成与测井曲线取样间隔一致的岩性或构型曲线，以便于与后续逐点聚类后的测井相神经单元进行对比分析。

（2）优选对岩性及构型敏感的测井曲线，进行SOM神经网络聚类。在对不同岩性及构型测井曲线特征分析的基础上，优选测井曲线作为输入层，并设置网络结构、迭代次数等相关参数，进行SOM神经网络聚类。竞争层的网络拓扑结构，决定最后输出层的结构及神经单元个数，研究中可以尽可能地设定较多的节点数，以便较好地获取测井数据的拓扑结构，获得能够精细表征储层质量差异的测井相神经单元。SOM神经网络聚类后，可以根据各神经单元测井曲线及对应的构型、岩性曲线分布特征，在尽量不改变原始单元间关联的情况下，对聚类单元进行顺序调整，确保每一类单元代码数值在分类的同时能够量化储层。

（3）分析测井相神经单元与岩性及构型的对应关系，确定测井相神经单元分类界限及储层渗流屏障识别划分标准。在此步骤可以通过直方图、箱图等数据分布表征方法对不同神经单元对应的岩性及构型进行分析，确定合理的测井相神经单元分类界限及储层渗流屏障识别划分标准。

（4）取芯井验证及非取芯井推广。根据制定的储层渗流屏障识别划分标准，对取芯井进行储层渗流屏障识别，并在纵向上通过岩心验证储层渗流屏障划分的精度。最后应用KNN算法将已经训练好的测井SOM神经网络聚类模型向非取芯井传播，并依据测井相神经单元识别储层渗流屏障的标准对非取芯井进行储层渗流屏障识别与划分。

3 实例应用

为了更好地说明本方法的具体流程及应用效果，以沧东凹陷枣南孔一段枣V油层组为例，应用该方法进行储层渗流屏障的识别与划分。

（1）取芯井岩性及构型赋值量化，并生成岩性及构型曲线。根据研究区7口取芯井岩心（取芯井段总计587 m）显示，目的层岩性主要以灰褐色及灰绿色细砂岩、灰绿色粉砂岩、紫红色泥质粉砂岩、紫红色粉砂质泥岩及泥岩为主，含少量灰色中砂岩。根据粒度、含油性对岩心段进行分级赋值，最终将枣V油层组岩性分为泥岩、泥质粉砂（粉砂质泥）岩、粉砂岩、细砂岩、油斑细砂岩、油浸细砂岩（油斑中砂岩）、油浸中砂岩7个级别，依次赋值1～7（图4（a））。在枣南孔一段沉积背景分析的基础上，根据岩心特征，确定枣V油层组为以河口坝为主的三角洲前缘沉积，并将其构型划分为水下分流河道、河口坝（坝主体）、坝内缘、坝外缘及坝间泥。水下分流河道和河口坝（坝主体）是有效储层分布的主要构型相，分别赋值为5和4；坝内缘及坝外缘为侧翼相，分别赋值为3和2；坝间泥则赋值为1，最后生成构型曲线（图4（b））。

（2）选取对构型及岩性敏感的测井曲线，进行SOM神经网络聚类。由于研究区测井资料时间跨度较大，能够覆盖全区的只有自然电位SP、自然伽马GR、声波时差AC、电阻率RT常规曲线，因此本次研究主要对这4条常规测井曲线与构型及岩性的关系进行分析（图5）。从取芯井不同构型单元的测井曲线属性可以看出，对于构型单元分类最敏感的是自然电位曲线、自然伽马、其次是声波时差、电阻率曲线。从测井曲线的一维直方图及二维交会图（图5（a））可以看出，通过常规的单条曲线及两条曲线交汇很难界定不同的储层构型，而将测井曲线放在三维坐标系上（图5（b）），无论是储层构型还是岩性，在高维度的空间中各构型（岩性）之间的界限相对更为明显。这说明随着对比维度的增加，能够增大测井信息表征储层质量的差异，这也是本次利用多条测井曲线SOM神经网络聚类来提升储层渗流屏障识别精度的主要机制。

在应用SOM神经网络聚类之前，先对全区所有井SP、GR、AC、RT进行归一化，归一化后的曲线分别依次为SPZF、GRZF、ACZZ、RTZZ，前3条曲线采用极差归一化，区间为0～1，电阻率曲线采用的是对数极差归一化，区间为0.1～1。需要注意的是归一化后SPZF和GRZF曲线0值对应原曲线最大值，1对应最小值，ACZZ为正常归一化，这样也确保归一化后4条测井曲线表示的储层属性整体趋势一致。最后以SPZF、GRZF、ACZZ、RTZZ测井曲线作为主变量，构型曲线FACODE作为协变量，在Geolog软件Facimage模块中进行SOM神经网络聚类。聚类过程中，主变量参与聚类，协变量不参与聚类，主要用于与聚类后神经单元的对比。本次SOM神经网络聚类模型为5×5网络结构，可以将测井曲线分为25个神经单元，考虑到各测井曲线对岩性、物性、含油性的反映，对神经单元进行顺序调整，得到最终的测井相神经单元分类模型（图6）。

（3）确定测井相神经单元分类界限及储层渗流屏障识别划分标准。首先从SOM神经网络聚类后测井相神經单元分类结果直方图（图6）来看，由于采取5×5的网络拓扑结构，根据SPZF的分布可以直接将测井相神经单元分为5类（0～5、6～10、11～15、16～20、21～25）。从测井相神经单元对应的构型相FACODE曲线的分布来看，测井相神经单元1～25对应的构型相分布是从坝间泥到坝主体和水下分流河道逐渐递增的趋势，但是各神经单元与构型单元并非为一一对应，这主要是由于本次是逐点对测井属性值进行分类，而测井属性值实质上是周围储层质量的综合响应，在不同储层构型界面处，也为不同类构型的综合响应。取芯井岩心深度归位的精度及构型划分界面位置的选取也对此有一定影响。对于这种属性互相重叠导致无法合理划定分类界限的情况，利用箱形图来划分是一种较为合理的方法。

从测井相神经单元与储层构型及岩性对比箱形图（图7）可以看出，当测井相神经单元小于9时，构型上主要为坝间泥的主体分布范围，岩性上主要为泥岩、泥质粉砂岩及大部分粉砂岩的主体分布范围；测井相神经单元9～11在构型上主要为部分坝外缘的主体分布范围，岩性上则主要为粉砂岩向少量不含油细砂岩过渡的范围；测井相神经单元12～15构型上主要为部分坝外缘与坝内缘主体分布范围，岩性上则为少量粉砂岩和不含油的细砂岩的主体分布范围；测井相神经单元16及以上则为坝主体及水下分流河道的主体分布范围，岩性上则主要为油斑级别以上的细砂岩及少量不含油的砂岩。最后综合直方图与箱形图上测井相神经单元的测井曲线、构型及岩性分布特征，将测井相神经单元按1～8、9～11、12～15、16～20、21～25依次分为1、2、3、4、5五类测井相（表1）。

从岩性及构型上来看，这5类测井相能够一定程度表征储层质量，为了更好的确定其对储层渗流屏障的划分识别能力，通过取芯井岩心物性分析数据对5类测井相对应下的孔隙度和渗透率进行分析（图8）。物性分析数据来源于取芯井中两口物性分析测试取样相对连续的井，由于分析测试取样位置主要集中于射孔的油层段，因此含油性差的1、2类测井相下样品点相对较少，3、4、5类测井相样品点相对较多。从箱形图可以看出，从第1至第5类测井相，其对应的储层孔隙度和渗透率均呈阶梯式上升，这也一定程度验证本次测井相分类能够较好的表征储层的质量差异；单从渗透率来看，1和2类测井相下的样品分析渗透率主要分布在小于10×10-3 μm2，对于枣V油层组中孔中渗储层，这两类测井相下储层物性均在有效储层物性下限之下，可以直接定义为非储层和无效储层，从渗流屏障的角度上，可以直接划分为隔夹层，是绝对的渗流屏障。3、4、5类测井相下，储层渗透率呈现阶梯式的差异，这也依次对应差、中、好3个级别的储层渗流单元，第3、4和5类测井相之间的界面可以作为单砂层内部砂体叠置的界面。

（4）取芯井验证及非取芯井推广。根据测井相分类及储层渗流屏障识别划分标准，对研究区7口取芯井进行隔夹层和储层内部构型界面的识别，并从单井纵向剖面上来评价本次储层渗流屏障识别划分的效果。

对于岩心上识别出的泥质及粉砂岩隔夹层，按隔夹层频数统计，4口取芯井岩心上显示的隔夹层能全部识别，其他3口取芯井岩心段中分别各有1条粉砂岩夹层未能识别出，总计103条隔夹层，通过本方法识别出100条，整体符合率高达97%；按隔夹层厚度来看，除了Z1288-3与Z1275两口井符合率稍低，其余取芯井符合率均大于90%，岩心上总计217 m的隔夹层，本方法在其对应位置能识别出200 m，整体符合率为92%；因此无论是从隔夹层频数还是隔夹层厚度来看，本方法对泥质及粉砂岩隔夹层的整体识别效果较好（表2）。从纵向上测井相分类与岩心相的对比（图9、10）来看，测井相变界面与岩心相变界面也能较好的对应，因此应用本方法也能有效地划分储层内部的单砂体或渗流单元叠置界面。虽然也存在局部识别出的界面位置和岩性界面位置有一定的偏移的情况，但这可能主要与局部岩心归位深度的误差有关。

在经过取芯井的划分效果验证后，应用Geolog软件中Facimage模块，通过KNN算法将SOM测井相神经单元传播到非取芯井，并根据测井相分类及储层渗流屏障识别标准对非取芯井进行储层渗流屏障及储层内部界面的识别。从非取芯井的应用效果（图11）来看，应用本方法识别出的隔夹层与储层内部界面整体上与原测井解释砂体成果吻合，但是本方法识别划分出的储层内部界面更为精细，特别是对于原测井解释未划分开的较厚的砂体，本方法的应用能更精细地识别划分出储层内部的单砂体，这对于后续基于储层构型或者流动单元的精细地质建模工作具有重要的意义。

4 分析与讨论

传统的储层渗流屏障识别与划分工作存在精度与效率低下的问题，针对这一问题本次研究提出基于自组织神经网络及KNN算法的储层渗流屏障定量识别方法，在实际应用中效果较好，但是该方法仍存在一些需要注意的问题。

本次研究建立的模型仅基于取芯井，若非取芯井某一样点测井曲线数值超出模型内测井曲线的数值范围，通过K最近邻分类得到的测井相神经单元只由模型中与其距离最近的神经单元决定，实际上此时的结果会存在一定的不确定性。这种情况一般会由测井曲线质量以及区内油藏地质特征的非均质性引起，如AC等孔隙度测井曲线受井眼环境影响，SP曲线幅度受地层水矿化度影响等。因此在应用本方法前，除了测井曲线标准化外，如有必要需进行测井曲线环境校正，而在油藏非均质性强的研究区，还需分断块、分层位进行。

本次研究是在测井系列资料限制的情况下，通过对4条常规测井曲线进行SOM神经网络聚类的方法提升测井曲线对储层质量差异表征能力，进而实现储层渗流屏障识别精度的提升。若在测井系列丰富的条件下，选择纵向分辨率高的测井曲线或者通过对测井曲线反褶积的处理，提升测井曲线纵向对薄层的分辨能力，再应用本方法可进一步提升储层渗流屏障识别与划分的精度。

5 结 论

（1）针对传统方法储层渗流屏障识别与划分精度及效率的问题，提出一种基于自组织神经网络及K最近邻算法储层渗流屏障識别与划分方法。该方法在沧东凹陷枣南孔一段枣V油层组应用效果较好，为后续储层精细表征提供基础，也为类似开发后期老油田储层渗流屏障研究提供新的思路。

（2）基于自组织神经网络聚类及K最近邻算法的储层渗流屏障定量识别方法主要包括取芯井岩心精细描述与构型单元划分、测井曲线自组织神经网络聚类、利用取芯井岩心及构型确定测井相神经单元分类界限及储层渗流屏障识别划分标准、利用K最近邻算法将取芯井测井相神经单元向非取芯井传播并利用分类标准划分非取芯井4个步骤。在应用本方法前，除了测井曲线标准化外，如有必要需进行环境校正，对于油藏非均质性强的研究区，还需分断块、分层位进行。

（3）通过自组织神经网络聚类实现多测井曲线逐点聚类，提升测井曲线对储层质量差异的表征能力，进而提升储层渗流屏障识别的精度；应用K最近邻算法解决取芯井向非取芯井推广的问题，提高储层渗流屏障识别工作的效率。因此在传统的开发地质工作中，引入机器学习算法，充分发挥其在数据降维、聚类、判别、预测等多方面的优势，有利于提高工作的精度及效率。

参考文献：

［1］ 吴胜和，岳大力，刘建民，等.地下古河道储层构型的层次建模研究［J］.中国科学（地球科学），2008，38（增1）：111-121.

WU Shenghe， YUE Dali， LIU Jianmin， et al. Hierarchy modeling of subsurface palaeochannel reservoir architecture［J］.Science China： Earth Sciences，2008，38（sup1）：111-121.

［2］ 王薇.扶余油田中探25区块单砂体精细刻画及隔夹层识别［J］.石油地质与工程，2019，33（1）：63-66.

WANG Wei. Fine characterization of single sand body and identification of isolated interlayerin Zhongtan 25 block of Fuyu oilfield［J］. Petroleum Geology and Engineering， 2019，33（1）：63-66.

［3］ 周学慧，丁文龙，昌伦杰，等.“三端员定型”法识别滨岸相砂岩储层隔夹层：以塔里木盆地哈得逊油田东河砂岩为例［J］.地学前缘，2017，24（5）：328-338.

ZHOU Xuehui， DING Wenlong， CHANG Lunjie， et al. Three-end-mumber diagram of classification to identify the interlayersof sandstone reservoir in littoral facies：a case from Carboniferous Donghe sandstone in Hade Oil Field，Tarim Basin，NW China［J］.Earth Science Frontiers，2017，24（5）：328-338.

［4］ 杨帆，廖茂杰，王谦，等.利用测井资料识别隔夹层：以塔中4油田为例［J］.工程地球物理学报，2014，11（4）：487-492.

YANG Fan， LIAO Maojie， WANG Qian， et al. The use of logging data in identifying the interlayerin Tazhong Oilfield 4［J］. Chinese Journal of Engineering Geophysics， 2014，11（4）：487-492.

［5］ 窦松江，季岭，王海波，等.王官屯油田中生界厚油层内隔夹层研究［J］.石油地质与工程，2008（1）：48-51.

DOU Songjiang， JI Ling， WANG Haibo， et al. Study of intercalations in massive Mesozoic reservoir in Wangguantun oilfield［J］. Petroleum Geology and Engineering，2008（1）：48-51.

［6］ 武中原，张欣，张春雷，等.基于LSTM循环神经网络的岩性识别方法［J］.岩性油气藏，2021，33（3）：120-128.

WU Zhongyuan， ZHANG Xin， ZHANG Chunlei， et al. Lithology identification based on LSTM recurrent neural network［J］. Lithologic Reservoirs，2021，33（3）：120-128.

［7］ 陈玉林，李戈理，杨智新，等.基于KNN算法识别合水地区长7储层岩性岩相［J］.测井技术，2020，44（2）：182-185.

CHEN Yulin， LI Geli，YANG Zhixin， et al. Identification of lithology and lithofacies of Chang 7 reservoir in Heshui area by KNN algorithm［J］. Well Logging Technology， 2020，44（2）：182-185.

［8］ 孙予舒，黄芸，梁婷，等.基于XGBoost算法的复杂碳酸盐岩岩性测井识别［J］.岩性油气藏，2020，32（4）：98-106.

SUN Yushu， HUANG Yun， LIANG Ting， et al. Identification of complex carbonate lithology by logging based on XGBoost algorithm［J］.Lithologic Reservoirs，2020，32（4）：98-106.

［9］ 韩启迪，张小桐，申维.基于梯度提升决策树（GBDT）算法的岩性识别技术［J］.矿物岩石地球化学通报，2018，37（6）：1173-1180.

HAN Qidi， ZHANG Xiaotong， SHEN Wei. Lithology identification technology based on gradient boosting decision tree （GBDT）algorithm［J］. Bulletin of Mineralogy，Petrology and Geochemistry， 2018，37（6）：1173-1180.

［10］ 张野，李明超，韩帅.基于岩石图像深度学习的岩性自动识别与分类方法［J］.岩石学报，2018，34（2）：333-342.

ZHANG Ye， LI Mingchao， HAN Shuai. Automatic identification and classification in lithology based on deep learning in rock images［J］. Acta Petrologica Sinica，2018，34（2）：333-342.

［11］ 肖何，张超谟，苏向群.应用测井资料定量识别碳酸盐岩沉积微相：以川东北元坝地区长兴组为例［J］.科学技术与工程，2020，20（7）：2573-2582.

XIAO He， ZHANG Chaomo， SU Xiangqun. Quantitative discrimination of carbonate sedimentary microfacies by use of log data：taking the Changxing formation in Yuanba region of northeastern Sichuan for example［J］. Science Technology and Engineering，2020，20（7）：2573-2582.

［12］ 阎辉，张学工，李衍达.应用SVM方法进行沉积微相识别［J］.物探化探计算技术，2000（2）：158-164.

YAN Hui， ZHANG Xuegong， LI Yanda. Support vector machine methods in pattern recognition of sedimentary facies［J］. Computing Techniques for Geophysical and Geochemical Exploration， 2000（2）：158-164.

［13］ 张艳，张春雷，成育红，等.基于机器学习的多地震属性沉积相分析［J］.特种油气藏，2018，25（3）：13-17.

ZHANG Yan， ZHANG Chunlei， CHENG Yuhong， et al. Multi-attribute seismic sedimentary facies analysis based on machine learning［J］. Special Oil & Gas Reservoirs， 2018，25（3）：13-17.

［14］ 李昌，沈安江，常少英，等.机器学习法在碳酸盐岩岩相测井识别中应用及对比：以四川盆地MX地区龙王庙组地层为例［J］.油气藏评价与开发，2021，11（4）：586-596.

LI Chang， SHEN Anjiang， CHANG Shaoying， et al. Application and contrast of machine learning in carbonate lithofacies log identification： a case study of Longwangmiao Formation of MX area in Sichuan Basin［J］. Petroleum Reservoir Evaluation and Development， 2021，11（4）：586-596.

［15］ 周雪晴，張占松，朱林奇，等.基于双向长短期记忆网络的流体高精度识别新方法［J］.中国石油大学学报（自然科学版），2021，45（1）：69-76.

ZHOU Xueqing， ZHANG Zhansong， ZHU Linqi， et al. A  new method for high-precision fluid identification in bidirectional long short-term memory network［J］.Journal of China University of Petroleum（Edition of Natural Science）， 2021，45（1）：69-76.

［16］ 郑秋梅，商振浩，王风华，等.基于深度神经网络和支持向量机的海底管线水合物生成预测模型［J］.中国石油大学学报（自然科学版），2021，44（5）：46-51.

ZHENG Qiumei， SHANG Zhenhao， WANG Fenghua， et al. Prediction model of submarine pipeline hydrate formation based on deep neural network and support vector machines［J］. Journal of China University of Petroleum（Edition of Natural Science）， 2021，44（5）：46-51.

［17］ 何辉，刘畅，李顺明，等.基于支持向量机算法的辫状河储层砂体连通性定量评价［J］.中国石油大学学报（自然科学版），2021，45（2）：1-10.

HE Hui， LIU Chang， LI Shunming， et al. Quantitative evaluation of sand body connectivity in braided river reservoirs based on support vector machine algorithm［J］.Journal of China University of Petroleum（Edition of Natural Science）， 2021，45（2）：1-10.

［18］ 刘学锋，张晓伟，曾鑫，等.采用机器学习分割算法和扫描电镜分析页岩微观孔隙结构［J］.中国石油大学学报（自然科学版），2022，46（1）：23-33.

LIU Xuefeng， ZHANG Xiaowei， ZENG Xin， et al. Pore structure characterization of shales using SEM and machine learning based segmentation method［J］.Journal of China University of Petroleum（ Edition of Natural Science），2022，46（1）：23-33.

［19］ 陈雁，焦世祥，程超，等.基于自编码器的半监督隔夹层识别方法［J］.特种油气藏，2021，28（1）：86-91.

CHEN Yan， JIAO Shixiang， CHENG Chao， et al. Semi-supervised interlayer identification method based on self-encoder［J］. Special Oil & Gas Reservoirs，2021，28（1）：86-91.

［20］ 陈修，徐守余，李顺明，等.基于支持向量机和主成分分析的辫状河储层夹层识别［J］.中国石油大学学报（自然科学版），2021，45（4）：22-31.

CHEN Xiu， XU Shouyu， LI Shunming， et al. Identification of interlayers in braided river reservoir based on support vectormachine and principal component analysis［J］. Journal of China University of Petroleum （Edition of Natural Science），2021，45（4）：22-31.

［21］ KOHONEN T. Self-organized formation of topologically correctfeature maps［J］. Biological Cybernetics， 1982，43：59-69．

［22］ 周少华，付略，梁宝鎏.基于SOM神经网络的古代青瓷聚类分析［J］.中国科学（技术科学），2008，38（7）：1089-1096.

ZHOU Shaohua， FU Lue， LIANG Baoliu. Clustering analysis of Ancient Celadon based on SOM neural network［J］. Science China：Technological Sciences， 2008，38（7）：1089-1096.

［23］ 桑應宾.基于K近邻的分类算法研究［D］.重庆：重庆大学，2009.

SANG Yingbin. Research on classification algorithm based on K-nearest neighbor［D］. Chongqing： Chongqing University， 2009.

（编辑 李 娟）