姜世一 孫盼科 張 林 賈浪波 何太洪徐懷民 艾貝貝 張何鋒 饒華文 丁 遙

1.中國石油大學（北京）地球科學學院 2.“油氣資源與探測”國家重點實驗室·中國石油大學（北京）

3.中國石油西部鉆探工程有限公司 4.中國石油長慶油田公司勘探開發(fā)研究院

5.中國石油塔里木油田公司 6.中國石油西南油氣田公司燃氣分公司

0 引言

鄂爾多斯盆地蘇里格氣田致密砂巖氣藏的天然氣儲量規(guī)模和年產(chǎn)氣量目前均位居全國第一，勘探面積近5×104km2[1]。截至2020年底，蘇里格氣田開發(fā)區(qū)內已有探明儲量（含基本探明儲量）約4×1012m3，其中，作為主力開發(fā)含氣段之一的上古生界石盒子組盒8段（以下簡稱盒8段）探明儲量約占總探明儲量的60%，開發(fā)潛力巨大[1-5]。然而，盒8段河流相致密砂巖儲層內部結構復雜、非均質性強，不同河流類型之間沉積、儲層特征差異大，導致了研究區(qū)目前面臨單井產(chǎn)能逐年降低、甜點儲層優(yōu)選難等關鍵技術難題，而解決這些問題的關鍵是開展儲層結構（巖相及其組合）及非均質性特征的精細解剖研究。

巖相，作為特定水動力條件下的基礎沉積單元，是開展儲層結構研究的核心，巖相類型及其組合對致密砂巖儲層非均質性特征及儲層質量具有重要的控制作用。巖相的概念最早由Miall在1978年提出[6]，他認為巖相是在一定沉積環(huán)境中形成的巖石或巖石組合，是沉積相的主要組成部分[6,7-11]。目前，巖相的測井識別與表征主要有兩種方法：其一是常規(guī)測井識別方法，包括交會圖法、構造特征參數(shù)法、曲線重疊法等[12-14]，但這些方法依賴解釋人員的經(jīng)驗和知識較多，普遍準確率較低；其二是特殊測井識別方法，包括利用地層傾角測井與成像測井對巖相進行識別[15-16]，但這些方法由于費用昂貴，難以廣泛應用。隨著計算機科學的迅速發(fā)展，神經(jīng)網(wǎng)絡、決策樹、支持向量機等人工智能算法已被應用于測井解釋研究[17-21]，并取得了一定的成效，但這些方法在樣本數(shù)量有限、處理流程不完善和自我調節(jié)能力較差等因素制約下[22]，對復雜巖相的識別精度仍有待提高。多數(shù)學者在使用人工智能算法進行測井解釋時缺乏考慮地質特征、地質特征約束下的測井響應特征與算法原理之間的契合性，進而導致所使用的方法缺乏合理性論證或機理上的認識。

針對目前蘇里格氣田東二區(qū)北部盒8段開發(fā)中存在的關鍵技術難題，本文通過巖心的觀察、描述，對盒8段發(fā)育的巖相類型及其組合進行識別與劃分；在此基礎上，通過分析盒8段不同河型儲層的巖相特征及其約束下各類巖相測井響應特征，優(yōu)選、建立了徑向基神經(jīng)網(wǎng)絡（Radial Basis Function Neural Network，縮寫為RBFNN）與多層感知器神經(jīng)網(wǎng)絡（Multi-layer Perceptron Neural Networks，縮寫為MLPNN）聯(lián)合巖相識別模型。該方法克服了現(xiàn)有巖相識別方法準確率低且難以推廣的缺陷，為致密砂巖儲層結構及非均質性研究奠定基礎。

1 地質概況

研究區(qū)位于蘇里格氣田東二區(qū)北部，構造上位于伊盟隆起—伊陜斜坡過渡帶[23-24]（圖1）。上古生界自下而上發(fā)育石炭系本溪組，二疊系太原組、山西組、下石盒子組、上石盒子組和石千峰組等地層，其中下石盒子組盒8段為該區(qū)主力產(chǎn)氣層段之一[25-27]。盒8段沉積期，盆地北部構造活動強烈，物源供給充分，自下而上經(jīng)歷了由辮狀河（盒8下亞段）到曲流河（盒8上亞段）的沉積演化[28-29]（圖1）。砂巖儲層孔隙度介于4%～14%，平均孔隙度為7%，滲透率介于0.1～2 mD，平均滲透率為0.7 mD，屬典型的低孔、低滲致密砂巖儲層[30-33]。

圖1 研究區(qū)構造位置及地層綜合柱狀圖

2 巖相類型及其組合特征

2.1 巖相類型及特征

本次研究關于巖相的劃分命名參考了Miall的方法，通過對50口取心井巖心巖性及層理的觀察描述，共劃分了8種巖相類型（表1），分別為塊狀層理礫巖相、槽狀交錯層理粗砂巖相、板狀交錯層理粗砂巖相、板狀交錯層理中砂巖相、平行層理中砂巖相、交錯層理細砂巖相、波狀層理粉砂巖相、塊狀層理泥巖相。

表1 蘇里格氣田東二區(qū)巖相類型劃分表

塊狀層理礫巖相主要為灰白色礫巖，分選較差，磨圓較好，主要發(fā)育于辮狀河/曲流河河道底部沖刷面之上、點壩/心灘壩底部；槽狀/板狀交錯層理粗砂巖相主要為灰色粗砂巖，多發(fā)育在河道下部、點壩/心灘壩底部，發(fā)育厚度相對較?。话鍫罱诲e層理中砂巖相主要為灰白色中砂巖，多發(fā)育在河道、心灘、點壩中下部，其中辮狀河心灘壩微相發(fā)育厚度規(guī)模較大，曲流河點壩微相發(fā)育厚度規(guī)模相對較小。平行層理中砂巖相主要為灰白色中砂巖，多發(fā)育在曲流河及辮狀河河道中部，指示強水動力沉積環(huán)境；交錯層理細砂巖相主要為灰白色細砂巖，主要發(fā)育在河道、心灘、點壩上部，表示水動力減弱；波狀層理粉砂巖相主要為灰黑色粉砂巖，主要發(fā)育于河道、心灘、點壩頂部，沉積環(huán)境水動力弱；塊狀泥巖相主要為灰黑色泥巖，主要發(fā)育于泛濫平原和河道、心灘、點壩頂部或點壩、心灘壩內部夾層。

2.2 巖相組合特征

巖相作為特定水動力條件下的基本沉積單元，其不同的組合特征使不同沉積微相呈現(xiàn)不同的結構非均質性（表2）。

表2 蘇里格氣田東二區(qū)沉積微相與巖相組合對應特征表

辮狀河環(huán)境主要發(fā)育辮狀河道和心灘壩2種沉積微相。其中，辮狀河道一般自下而上發(fā)育塊狀層理礫巖相、槽狀/板狀交錯層理粗砂巖相、平行層理中砂巖相、交錯層理細砂巖相、波狀層理粉砂巖相、塊狀層理泥巖相。河床底部受到?jīng)_刷導致沉積雜亂，中部沉積水動力較強多發(fā)育厚度較大的槽狀/板狀交錯層理及平行層理，頂部水動力減弱發(fā)育較薄的波狀層理粉砂巖相及塊狀層理泥巖相。心灘壩一般自下而上發(fā)育塊狀層理礫巖相、中大型槽狀/板狀交錯層理粗砂巖相、中大型板狀交錯層理中砂巖相、交錯層理細砂巖相、波狀層理粉砂巖相、塊狀層理泥巖相。底部礫巖厚度較河道減薄，中部多發(fā)育厚度較大、層理角度較高的板狀交錯層理，平行層理發(fā)育較少，頂部發(fā)育薄層波狀層理粉砂巖相及塊狀層理泥巖相。心灘壩內部偶有泥質落淤層發(fā)育，表示整體水動力較強。

曲流河環(huán)境主要發(fā)育曲流河河道和點壩2種沉積微相。其中，曲流河河道微相一般自下而上發(fā)育塊狀層理礫巖相、槽狀/板狀交錯層理中粗砂巖相、小型平行層理/板狀交錯層理中細砂巖相、波狀層理粉砂巖相、塊狀層理泥巖相?？傮w而言，曲流河河道較辮狀河河道沉積粒度變細、泥質含量增加，下部由于水動力變化頻繁導致各類巖相厚度相對變小且變化更為頻繁，上部由于水動力條件減弱導致塊狀層理泥巖相厚度較辮狀河增大。點壩側向加積作用明顯，一般自下而上發(fā)育塊狀層理礫巖相、槽狀交錯層理中粗砂巖相、板狀交錯層理中砂巖相、水平層理泥巖相、板狀交錯層理細砂巖相、波狀層理粉砂巖相、塊狀層理泥巖相。底部礫巖厚度較小，中部發(fā)育層薄多期、層理角度較低的板狀交錯層理，頂部發(fā)育較厚層波狀層理粉砂巖相及塊狀層理泥巖相。

2.3 巖相分布規(guī)律

為了定量表征研究區(qū)盒8段辮狀河相、曲流河相儲層巖相結構特征差異，本次研究參考“夾層密度”和“夾層頻率”的概念引入了“巖相密度”和“巖相頻率”這兩個概念?！皫r相密度”定義為單一巖相厚度占巖相組合厚度的比例，“巖相頻率”定義為單一巖相組合內部的某一類巖相出現(xiàn)個數(shù)。通過統(tǒng)計巖心巖相密度及巖相頻率（圖2、3）可以發(fā)現(xiàn)，盒8下亞段辮狀河相儲層整體巖相密度偏大，除塊狀層理礫巖相、波狀層理粉砂巖相、塊狀層理泥巖相外，其余巖相密度均大于25%；巖相頻率偏低，除泥巖相頻率略大于1.3外，其余巖相頻率均小于1.3。盒8上亞段曲流河相儲層整體巖相密度偏小，所有巖相密度均小于25%；巖相頻率偏高，除塊狀層理礫巖相、板狀交錯層理粗砂巖相、槽狀交錯層理粗砂巖相外，其余巖相頻率均大于1.3。由此分析可知，研究區(qū)辮狀河相儲層單一巖相厚度相對較大，垂向巖相變化相對不頻繁，而曲流河相儲層單一巖相厚度較小，垂向巖相變化頻繁。

圖2 蘇里格氣田東二區(qū)盒8段曲河相及辮狀河相儲層巖相密度統(tǒng)計圖

圖3 蘇里格氣田東二區(qū)盒8段曲河相及辮狀河相儲層巖相頻率統(tǒng)計圖

3 巖相約束下的測井響應特征

對于不同巖相單元而言，由于其厚度差異導致其測井響應受圍巖影響程度各不相同[34]。為了分析巖相約束下的測井數(shù)據(jù)分布特征，且考慮不同測井數(shù)據(jù)的數(shù)值大小及單位差異，本文利用離差標準化法對測井數(shù)據(jù)進行了無量綱化處理[35]，具體處理公式如下：

式中：x1表示歸一化后測井數(shù)據(jù)；x表示原始測井數(shù)據(jù)；xmax表示測井數(shù)據(jù)最大值；xmin表示測井數(shù)據(jù)最小值。

利用處理后的測井數(shù)據(jù)，分別統(tǒng)計了盒8段兩類河型不同巖相測井數(shù)據(jù)，結果表明盒8上亞段曲流河相儲層各類巖相測井數(shù)據(jù)分布較零散，盒8下亞段辮狀河相儲層的各類巖相測井數(shù)據(jù)分布相對較集中。由上可知，巖相密度和巖相頻率確實對不同河型不同巖相的測井數(shù)據(jù)分布具有一定影響：單一巖相厚度、巖相密度較小，巖相頻率較大的曲流河相儲層，各類巖相受鄰近巖相影響較大，導致各類巖相測井數(shù)據(jù)分布較零散；而單一巖相厚度、巖相密度較大、巖相頻率較小的辮狀河相儲層，各類巖相受鄰近巖相影響較小，由此導致各類巖相測井數(shù)據(jù)分布相對較集中。

4 基于數(shù)據(jù)分布特征的智能化巖相識別方法

針對不同河型不同巖相測井數(shù)據(jù)特征分布的差異，本文優(yōu)選了徑向基神經(jīng)網(wǎng)絡（RBFNN）和多層感知器神經(jīng)網(wǎng)絡（MLPNN）進行復雜巖相的智能化識別與表征。

4.1 徑向基神經(jīng)網(wǎng)絡（RBFNN）與多層感知器神經(jīng)網(wǎng)絡（MLPNN）原理

4.1.1 徑向基神經(jīng)網(wǎng)絡（RBFNN）原理

徑向基神經(jīng)網(wǎng)絡（RBFNN）是一種基于高斯核局部逼近的神經(jīng)網(wǎng)絡，其包括輸入層、隱藏層和輸出層三層結構（圖4）。輸入層僅起到數(shù)據(jù)信息的傳遞作用，而輸出層通過對隱藏層神經(jīng)元輸出信息進行線性加權后輸出整個神經(jīng)網(wǎng)絡的結果。隱藏層作為整個神經(jīng)網(wǎng)絡的核心，其可對輸入矢量進行變換，將低維的模式輸入數(shù)據(jù)變換到高維空間內，使得在低維空間內的線性不可分問題在高維空間內線性可分[36-37]。而作為隱藏層神經(jīng)元核函數(shù)的高斯函數(shù)對于數(shù)據(jù)分布較為集中的樣本具有較強的學習能力，且學習模型預測精度較高，而對于數(shù)據(jù)分布相對較零散的樣本，其學習率和后期的預測準確率就會明顯下降[38-42]。

圖4 徑向基神經(jīng)網(wǎng)絡結構示意圖

4.1.2 多層感知器神經(jīng)網(wǎng)絡（MLPNN）原理

多層感知器神經(jīng)網(wǎng)絡（MLPNN）也叫人工神經(jīng)網(wǎng)絡（ANN），是一種全局逼近的由一組并行的多個感知器構成的神經(jīng)網(wǎng)絡[43]，其可以為單層或多層結構（圖5）。網(wǎng)絡結構中最左側是輸入層，中間是隱藏層，最后是輸出層，其中輸入層神經(jīng)元個數(shù)由輸入數(shù)據(jù)的向量元素個數(shù)決定。MLPNN的基本思想是全局逼近，利用單層感知器解決線性可分問題，構建多層感知器將線性邊界組合成非線性邊界以解決非線性可分問題，具有高度的非線性全局作用。該方法面對數(shù)據(jù)分布較零散的樣本，可通過非線性方法對其進行分類識別，學習速率及預測準確率較高，而對于樣本數(shù)據(jù)分布較集中的情況，反而使其容易陷入局部極值導致學習速率及預測準確率下降的問題[44-46]。

圖5 多層感知器神經(jīng)網(wǎng)絡結構示意圖

4.2 徑向基—多層感知器神經(jīng)網(wǎng)絡（RBF—MLPNN）聯(lián)合模型建立

針對研究區(qū)盒8段曲流河相、辮狀河相不同巖相測井數(shù)據(jù)分布特征的差異以及RBFNN、MLPNN模型面對不同分布特征數(shù)據(jù)樣本的適用性，并且為了使識別模型學習效率及預測準確性達到最優(yōu)，本次研究以不同的巖相密度為分界，優(yōu)選、建立了徑向基—多層感知器神經(jīng)網(wǎng)絡（RBF—MLPNN）聯(lián)合模型（以下簡稱聯(lián)合模型）（圖6），分類分方法進行了復雜儲層巖相智能化識別與表征。

圖6 RBF—MLPNN模型建立流程圖

4.2.1 測井參數(shù)的優(yōu)選及標簽的建立

復雜儲層巖相智能化識別與表征的第一步就是建立訓練的樣品庫。本次研究通過巖心巖相標定無量綱化處理的常規(guī)測井數(shù)據(jù)進行了不同巖相類型敏感測井參數(shù)優(yōu)選（圖7）。根據(jù)蛛網(wǎng)圖結果表明，GR、PE、AC、CNL、DEN、LLD這六類測井曲線數(shù)據(jù)分布區(qū)間重疊范圍小，且不同巖相對應同種測井數(shù)據(jù)之間差別大，因此優(yōu)選這六類測井數(shù)據(jù)建立不同巖相類型智能化識別樣本數(shù)據(jù)庫。

圖7 不同巖相測井曲線敏感性分析蜘蛛圖

4.2.2 RBF-MLPNN聯(lián)合模型訓練及效果分析

在智能化識別樣本庫中，選取70%的數(shù)據(jù)作為訓練數(shù)據(jù)，以不同的巖相密度作為兩類巖相數(shù)據(jù)分布特征的分界，分別對聯(lián)合識別模型中不同的模型進行訓練，并且以剩余30%的數(shù)據(jù)檢驗準確率。據(jù)試驗集檢驗結果表明，當巖相密度為25%時，聯(lián)合模型識別效果最優(yōu)，綜合平均準確率達到89.06%（圖8），對盒8上亞段曲流河相儲層巖相識別平均準確率達到90.95%（表3），對盒8下亞段辮狀河相儲層巖相識別平均準確率達到87.16%（表3）。進一步對比聯(lián)合模型與單獨使用某一模型的效果可知（表3），聯(lián)合模型針對各類巖相的綜合識別準確率均高于單一的神經(jīng)網(wǎng)絡模型。除此之外還可以發(fā)現(xiàn)，RBFNN模型對巖相密度大于25%的巖相預測準確率更高，而MLPNN模型對巖相密度小于25%的巖相預測準確率更高，結合之前的分析亦可證明巖相密度等于25%作為聯(lián)合模型選用不同神經(jīng)網(wǎng)絡進行巖相識別的特征判別標準是可靠的。

圖8 不同巖相密度為界限下RBF—MLPNN聯(lián)合模型綜合準確率曲線圖

表3 三種神經(jīng)網(wǎng)絡模型準確率對比表

5 與常規(guī)方法效果對比分析

為了進一步論證基于數(shù)據(jù)分布特征的智能化巖相識別方法的優(yōu)勢，本次研究在RBF—MLPNN聯(lián)合模型識別的基礎上，又分別采用了交會圖法、主成分分析法和決策樹法對盒8段進行了巖相識別，并對其識別效果進行了對比分析。

5.1 交會圖法

本次研究利用優(yōu)選參數(shù)分段建立了GR-AC交會圖、DEN-LLD交會圖（圖9）。分析表明，GR可以很好區(qū)分泥巖巖相與砂巖巖相，但無論是盒8上亞段還是盒8下亞段，每種砂巖巖相的測井響應都具有較多的重疊部分，因此會導致巖相識別精度降低。

圖9 盒8段不同巖相GR—AC、DEN—LLD交會圖

5.2 主成分分析法

主成分分析法是考察多個變量間相關性的一種多元統(tǒng)計方法，能夠提取變量信息、保留原始變量信息、減少分析維度，從而使問題更簡單直觀[47]。本次研究，利用之前優(yōu)選出的GR、PE、AC、CNL、DEN、LLD這六類測井數(shù)據(jù)，分別對盒8上、下亞段各構建了兩個主成分建立交會圖（圖10）。結果表明，相比于交會圖法其效果明顯提升，但由于每種巖相的測井響應特征過于接近，導致仍有很多的重疊部分，無法準確劃分每種巖相判別界限，解釋精度過低。

圖10 盒8段不同巖相F1—F2主成分交會圖

5.3 決策樹法

決策樹是機器學習最常見的算法之一，是一種樹狀結構的分類預測模型[48]，在有標記的訓練集中學習分類規(guī)則,以預測待識別目標的類型為目標[49]，可總結為上而下“分而治之”[50]。根據(jù)識別結果表明（表4），盒8上亞段訓練樣本平均正確率為29.93%，檢驗樣本平均正確率為31.45%，盒8下亞段訓練樣本平均正確率為30.84%，檢驗樣本平均正確率為29.16%，整體準確率偏低。

表4 盒8段不同巖相決策樹模型準確率數(shù)據(jù)表

5.4 單井識別效果分析

對比不同方法巖相識別結果可知（表5，圖11），RBF—MLPNN聯(lián)合模型巖相識別平均準確率達到89.06%，相比于交會圖、主成分分析、決策樹模型識別準確率有顯著的提高。根據(jù)單井巖相識別結果可以看出，RBF—MLPNN聯(lián)合模型識別效果最佳，識別的巖相垂向組合更加符合沉積規(guī)律。

圖11 研究區(qū)召51井巖相解釋成果對比圖（1 in=25.4 mm）

表5 不同巖相識別方法綜合準確率數(shù)據(jù)表

6 討論

6.1 儲層結構特征與人工智能算法的優(yōu)選

通過本次研究可以發(fā)現(xiàn)，在進行復雜儲層巖相識別與表征的過程中，需要考慮儲層內部不同的儲層結構特征，不同儲層結構特征約束下的測井數(shù)據(jù)特征以及這些特征與人工智能算法模型之間的契合性，而不是盲目使用模型，從而導致識別精度較低。例如本次研究區(qū)盒8上亞段的曲流河儲層，由于其巖相密度小，垂向變化頻繁，測井采集數(shù)據(jù)受周圍其他巖相的影響較大，從而導致同一巖相對應的測井數(shù)據(jù)分布較分散。因此，在選擇模型時，應選擇適用于區(qū)分分散數(shù)據(jù)的全局逼近MLPNN模型，通過將線性邊界組合成非線性邊界而區(qū)分分散數(shù)據(jù)。而對于研究區(qū)盒8下亞段辮狀河儲層而言，由于其巖相密度大且變化不頻繁，測井采集數(shù)據(jù)受周圍巖相的影響小，從而導致測井數(shù)據(jù)分布相對較集中。因此，在選擇模型時，選擇與之適應的適用于相對集中數(shù)據(jù)的局部逼近RBFNN模型效果更好。此外，對于交匯圖法、主成分分析法、決策樹法等方法，由于未考慮數(shù)據(jù)的分布特征，從而使其相比于可以解決非線性可分問題的神經(jīng)網(wǎng)絡模型，對河流相致密砂巖儲層復雜巖相的識別準確率明顯降低。

6.2 巖相識別與表征對致密砂巖儲層非均質性研究的重要性

對于致密砂巖儲層而言，儲層巖相結構特征對儲層非均質性研究及甜點儲層的表征具有重要的指導意義。在單井巖相識別的基礎上，通過統(tǒng)計不同巖相的物性、含氣性及壓裂后單井產(chǎn)能特征（注：單井產(chǎn)能Ⅰ類無阻流量大于10×104m3/d，產(chǎn)能好；單井產(chǎn)能Ⅱ類無阻流量（4～10）×104m3/d，產(chǎn)能中等；單井產(chǎn)能Ⅲ類無阻流量小于4×104m3/d，產(chǎn)能差）[51]可以發(fā)現(xiàn)（圖12），板狀交錯層理粗砂巖相和槽狀交錯層理粗砂巖相物性、含氣性最好，單井產(chǎn)能Ⅰ類中占比最高，產(chǎn)能最好，其中槽狀交錯層理粗砂巖相物性略好于板狀交錯層理粗砂巖相，但含氣性及產(chǎn)能略差于板狀交錯層理粗砂巖相；塊狀層理礫巖相物性、含氣性較好，三類單井產(chǎn)能占比較低，產(chǎn)能略差；板狀交錯/平行層理中砂巖相物性、含氣性略差于塊狀層理礫巖相，單井Ⅱ、Ⅲ類占比高，產(chǎn)能差于槽狀交錯層理/板狀交錯層理粗砂巖相，其中平行層理中砂巖相好于板狀交錯層理中砂巖相；交錯層理細砂巖物性、含氣性較差，單井產(chǎn)能Ⅲ類占比最高，產(chǎn)能差；波狀層理粉砂巖物性、含氣性最差，三類單井產(chǎn)能幾乎無占比，產(chǎn)能最差。綜上分析可知，不同的巖相結構特征具有不同的物性、含氣性及產(chǎn)能特征差異，因此，開展致密砂巖儲層巖相識別與表征對該類儲層高效開發(fā)具有重要的意義。

圖12 盒8段不同巖相物性、含氣性及產(chǎn)能特征圖

7 結論

1）研究區(qū)盒8段共發(fā)育8種巖相類型、6種巖相組合模式。其中，盒8上亞段曲流河相儲層整體巖相密度偏小、巖相頻率偏高、對應測井數(shù)據(jù)分布較分散，而盒8下亞段辮狀河相儲層整體巖相密度偏大、巖相頻率偏低、對應測井數(shù)據(jù)分布較集中。

2）本次研究從地質特征、地質特征約束下的測井數(shù)據(jù)特征與人工智能算法原理之間的契合性出發(fā)，優(yōu)選巖相密度等于25%作為聯(lián)合模型選用不同神經(jīng)網(wǎng)絡進行巖相識別的特征判別標準，建立了徑向基—多層感知器神經(jīng)網(wǎng)絡聯(lián)合模型，綜合識別準確率可達89.06%，相較于單一神經(jīng)網(wǎng)絡模型、交會圖、主成分分析和決策樹等方法識別準確率明顯提高。

3）不同巖相類型具有不同的物性、含氣性及壓裂產(chǎn)能特征，因此，致密砂巖儲層巖相的識別與表征意義重大。但是，在實際的識別、表征過程中，需選用原理與數(shù)據(jù)分布特征相適應的人工智能算法，才能使識別效果達到最優(yōu)。