本申请属于数据处理领域,提供了一种砂岩型铀矿含矿层岩石岩性的智能识别方法,包括:建立随机森林回归模型和XGBoost模型;获取测井曲线样本集和岩性数据,将所述测井曲线样本集分为原始数据和验证集,生成第一训练集和第一测试集;训练得到验证合格的随机森林回归模型;基于验证合格的随机森林回归模型,得到填充数据;基于所述原始数据、填充数据和岩性数据,训练得到测试合格的第二XGBoost模型和第三XGBoost模型;基于测试合格的第二XGBoost模型和第三XGBoost模型,获得识别后铀矿床含矿层岩性。本申请识别的岩性更符合实质地质情况,精度更高,减少了因GR测井数据异常而导致的岩性误判。
背景技术
砂岩型铀矿是一种关键性能金属和矿产资源,在现有的矿产勘察中,大量使用到地球物理测井方法(以下简称测井),测井也是了解和获得地下地质结构和储层特征信息的有效方法。测井资料在储层评价中具有重要价值,能够划分地层结构、沉积相、岩性识别等。其中岩性识别在铀矿床研究中具有重要意义,通过识别沉积、变质或火山作用下的不同岩性,可以明确铀矿床的主要宿主岩石(如砂岩、黑色页岩)及其富集相关岩石类型。同时,岩性识别有助于分析控制铀矿床形成的构造特征,如断裂带、褶皱和岩浆活动,从而揭示构造活动对铀矿床富集的影响,为确定铀矿床的潜在地质区域提供依据。
数字填图是一种重要的岩性识别手段,但由于地表地质填图受深度限制,只能反映浅表岩性的分布,难于识别深部岩性,在覆盖区更不能给出下伏岩性的变化。为了克服地表地质填图的缺点,地球物理、遥感等技术逐渐引入到岩性识别中,并取得了长足进展。但目前,仍面临着岩性识别精度不高,岩性误判严重的技术问题。
同时,由于钻井条件差、仪器故障、测井条件差异、存储不当等因素,容易导致测井数据部分井段数据缺失或失真,影响岩性和流体的指示,给测井评价和解释带来困难,甚至因勘探成本考虑而放弃某些测井数据,鉴于重新测井受限于成本与井筒状况,低成本重构缺失测井曲线的需求愈发迫切。在不增加额外人力和经济成本的情况下,为解决测井曲线缺失问题,本领域技术人员已尝试多种方法,如基于岩石物理的传统经验模型、多元回归分析和物理模型反演等来生成人工测井曲线。然而,这些方法通常过于简化地层信息,依赖主观经验,且难以有效反映测井数据间复杂的非线性关系。在面对地层非均质性强、井下情况复杂的挑战时,传统线性方法表现不佳。
因此,探索并建立更高效的测井曲线重构方法,提高岩性识别准确率,对于完善区域测井数据库和提高地球物理勘探解释的准确性至关重要。
实现思路