Page 142 - 地球物理探测技术发展与创新

Development and Innovation of Geophysical Exploration Technology
地球物理探测技术发展与创新

未标签的数据实现，此类任务即半监督学习。研究表明，少量标签有助于显著提
升聚类效果，结合无监督学习降维方法的半监督分类任务则可在标签不足的情况
下提升监督学习分类效果。
通常而言，地球物理领域所获取到的数据是海量的，数据分析人员可根据数

据及待求任务的特点，应用或自定义最佳机器学习算法。整体而言，目前的地球
物理测井领域的数据量呈现了大容量、多尺度、高维、多噪声等特点。同时，基
于物理或经验模型的数值模拟任务也为测井领域带来了大量的待处理数据及海量
的计算任务，如 Prioul 等基于物理模型正演了井外各向异性介质（裂缝）对井壁

电阻率成像、声波测井、垂直地震剖面等的响应情况，助力实际诱发裂缝方向研
究；Wang 等则利用三维有限差分研究了套管偏心、不同胶结情况、方位窜槽等
情况下的单极子和偶极子声场特征，有助于利用声波测井资料解释套管井的固井
质量。基于物理模型驱动的处理解释的实例不胜枚举，其核心在于探索以领域知

识为基础的变量间的可靠关系，所提供的假设及函数对应的映射均来自用户的有
限定义，不同变量和潜在物理知识间的重要关系难免存在遗漏。
以测井解释为例，一个刚学完测井解释课程的学生和一个有多年丰富地质经
验积累的测井解释资深专家给出的结果可能会完全不同。这是因为常规定量解释

手段往往基于岩石物理体积模型建立近似的线性方程组来优化求解。这种做法在
岩性简单的常规地层应用问题不大，但在复杂岩性地层中，测井响应与物性参数
呈非线性关系，需要结合当地的地质情况进行相应的调整。同样，以声波全波形
测井资料应用为例，复杂环境下波形多变，需要经验丰富的专家来识别。此外，

基于数值模拟的方法存在耗时久、运算量大等问题。因此，从业人员已经开始探
索更为高效可靠的解决方式：采用基于人工智能、机器学习的测井资料智能处理
方法。
（二）测井资料智能解释现状

从测井资料中识别储层的岩性及沉积相是地下储层建模及地下资源开发的关
键。岩性及沉积相分析的常见方法有测井曲线解释、岩心分析等。常规测井曲线
是记录井眼岩石物理性质最直接也最基本的方法，包括电法测井、核测井、声波
测井等。钻井液对电阻率测井曲线的侵入效应受孔隙尺寸、孔喉尺寸、迂曲度和

Maxwell-Wagner 极化的影响，这些影响与孔隙尺寸分布相关；中子测井对地层
中流体含氢量敏感，而氢原子含量又与地层平均孔隙度高度相关；伽马射线用于

130