岩性识别，凭什么让AI替专家看测井曲线？

钻头往地下啃,取上来的每一段曲线,先得回答一个笨问题:这段到底是什么岩?是砂岩、泥岩,还是灰岩、白云岩? 岩性认错,后面判储层、算储量、定射孔全跟着错。可这活儿传统上极吃人:老师傅得对着一屏自然伽马、电阻率、密度、中子的曲线,一段段比、一张张交会图上圈,再套上本地区攒了多年的经验规则,才敢给出"这是砂岩"的判断。一口井几千米、几十口井排着队,光认岩性就能把人熬干。于是有人问:这种"看曲线、分类别"的力气活,能不能交给机器?

一句话先给答案

能,但靠的不是魔法,是"照着标准答案学"。 机器学习识别岩性,核心就一句:先拿一批"已经知道是什么岩"的井段当教材——这些井段有岩心取出来、在实验室里定了性,是货真价实的标准答案;把它们对应的那几条测井曲线喂给模型,让模型自己去琢磨"什么样的曲线组合,对应什么岩性";学会了,再把它放到没取心的井段、甚至新井上,自动一段段地把岩性判出来。 说白了,是让机器把老师傅"曲线长这样八成是砂岩"的直觉,变成一套能批量复制、跑得飞快的分类本领。

传统怎么认:靠人、靠图版、靠经验

先看它想替代什么。传统岩性识别,行话叫图版法、交会图法、经验公式法:把几条对岩性敏感的曲线两两画在坐标系里——比如中子和密度交会,不同岩性落进不同区域;再靠自然伽马分砂泥、电阻率和声波辅助,最后由解释员结合本地区经验拍板。这套办法几十年来很管用,但短板也实在:慢、高度依赖专家经验、换个人换个区块判读尺度就飘,遇上薄互层、复杂岩性、多矿物混杂的地层,曲线交会常常一团糊,人眼很难划清界线。 非常规储层尤其难,这正是大家想请机器帮忙的地方。

机器怎么学:样本、特征、分类模型

机器学习这套,拆开看就三样东西。一是训练样本:用岩心标定过的井段,每一小段都带着"曲线读数 + 真实岩性"这对答案,是模型的教材,教材越干净、岩性覆盖越全,学出来越靠谱。二是特征:把自然伽马、电阻率、密度、中子、声波等多条测井曲线,当成描述这段地层的一组"特征",多条一起看,信息比单条厚得多。三是分类模型:让随机森林、支持向量机、神经网络、XGBoost这类算法上场,它们的本事就是在多维特征里找规律——把"这么一组曲线读数 → 属于哪一类岩性"的对应关系学下来。 训练好了,再来一段陌生曲线,模型就能直接吐出"这是砂岩/泥岩",还能一次性把整口井、整个区块批量跑完。比起人眼两两交会,机器更擅长啃那种多条曲线纠缠、非线性又说不清的复杂关系。

好用,但别把它当"神算子"

机器学习识别岩性,快、能批量、能处理人眼吃力的多维关系,是把好手——但它有几条硬边界,越界就翻车。其一,它只有教材那么聪明:岩心标定不准、某类岩性样本太少,模型对这类岩性就是"没见过世面",照样认错。其二,泛化是老大难:在A区块学得好好的模型,原样搬到岩石成分、测井环境不同的B区块,精度常常大幅掉水,得用新井重新标定、重新训练。其三,它给结论却不太讲道理——模型说"这是白云岩",未必说得清凭哪条曲线判的,这种"可解释性"短板让人不敢盲信。 所以业内共识很清醒:机器学习是给专家提效的助手,不是替专家拍板的裁判,关键井段、异常结果,仍要人拿着岩心、录井复核。从一口井的岩心标定,到一套能在整个数字油田里稳定跑、经得起专家复核的智能岩性识别流程,中间隔着的正是"训练样本怎么建、特征怎么选、模型怎么调、跨区块怎么校准"的硬功夫——也是数字油田里 AI 落地最不能省的一步。

说到底

机器学习识别岩性,不是让 AI 凭空变出答案,而是拿岩心标定过的测井数据当标准答案,把多条曲线喂给分类模型,让它学会"曲线组合↔岩性"的对应,再自动去判其他井段。 它把老师傅一段段圈交会图的力气活,压缩成一次批量运算,提效实打实;但它的上限锁在训练数据的质量与代表性里,跨区块会掉链子,还得靠专家把最后一道关。曲线会说话,机器能学着听,可听懂之后要不要信、信几分,决定权还得攥在懂地质的人手里。 这,才是"智能识别"里那个"智能"真正的分寸。

想把"训练样本怎么建、测井特征怎么选、岩性识别模型怎么调、跨区块怎么校准、怎么在数字油田里落地"这条链看明白? 我们做了份《人工智能测井智能解释与数字油田建设方法体系研究》——公众号后台回复「测井」,拿去看。

--- ---