储层描述是一种涉及储层特征定量分布的技术,能够在保证真实地质模型和岩石物性参数的前提下,以较低的成本和风险预测成熟和边缘油田的储量增长。其中岩性识别作为储层描述的一个重要分支,近年来随着测井技术的成熟,正处于快速发展和技术改革的阶段。测井曲线具备垂向分辨率高、采集的数据连续性好和采集方便等优点。因此基于测井曲线资料进行岩性识别是当前一个重要研究课题,其研究有利于指导剩余油的挖掘。根据油田的实际生产需求,本文从三个方面对岩性识别这一课题进行研究:野值点剔除,测井曲线复原以及测井曲线集成网络岩性识别。(1)针对因设备不完善和记录原因造成的测量错误数据。提出一种基于二分空间拉依达的野值点剔除方法。该方法解决了对测井数据中存在大量极端野值点,利用传统拉依达法,造成统计过程中均值和方差受野值点影响大,较多隐含野值点未剔除的情况。该方法首先通过对原始数据进行二分空间表示来更可靠更准确的估计原始数据的分布参数,然后对得到的分布参数利用拉依达法实现野值点的剔除。(2)针对由于人为或仪器故障等原因导致的部分井段测井数据失真或丢失的情况。提出一种融合深度特征学习网络和交叉网络对缺失测井数据复原模型。该模型由两个网络组成,其中的交叉网络由多个层组成,能以自动方式显式地应用特征交叉信息,每一层基于现有的层产生高阶交互,有效地学习特征之间高度非线性的相互作用关系,同时再利用残差思想构造深层网络,降低模型复杂度。另一网络先通过构造的树模型进行特征选择,将树模型得到的稀疏向量通过嵌入层转成稠密向量,作为神经网络的输入。通过网络的联合提高模型的非线性表达能力,有效地捕获特征之间的相互作用关系,并减少人工筛选特征的不合理性。最后,使用得到的融合网络模型用于高精度地复原丢失的测井数据。(3)为提高岩性识别精度,本文提出一种基于集成网络结构的岩性识别方法。首先对测井曲线提取统计特征,在此基础上利用离散余弦变换(DCT),计算相应的低频子带,得到低频提取特征。为减弱噪声信号对岩性识别带来的影响,对特征进行差值运算,构建差值特征属性,并根据k-means这种无监督的聚类算法对每个属性进行聚类,构建分桶特征。针对可能存在的噪声标签,提出一种采用半监督的神经网络模型对噪声标签进行矫正。然后构建集成网络结构的岩性识别方法,该方法采用集成框架中的Stacking模型,将多元统计分析、DNN、Ada Boost和SVM作为集成网络结构中的基学习器,GBDT作为二次学习的元学习器,采用五则交叉验证的方式对模型进行训练,最终获取多岩性分类结果。