基于FMI的火成岩组构分析

论文摘要

火山岩岩性的精细划分,可以准确的进行火山喷发旋回划分、地层详细对比、建立研究区的地质模型,为储层评价提供重要依据。而目前的常规测井方法识别火成岩并不能反映岩石的组构特征。全井眼地层微电阻率扫描成像测井仪能获得高清晰度的地层电阻率图像,最高分辨率可达5mm,被地质家称为“地下地层显微镜”,形成的图像和岩心照片相似,可以用来识别岩石中的裂缝、溶孔,还可以用于解释孔隙特性、沉积相、地层构造和进行岩性对比。纹理是图像分析中常用的概念,用统计方法对图像的纹理进行分析描述,可获得关于图像纹理的定量描述符。人工神经网络采用物理上可实现的器件或采用计算机来模拟生物体中神经网络的某些结构和功能,可克服目前计算机或其他系统不能解决的问题,如学习、控制、识别和专家系统等。本文基于FMI图像的纹理统计分析,获得了关于FMI图像的定量描述符,且该描述符具有明显的可区分性,可看作关于岩石组构的描述符,以此描述符使用神经网络进行火成岩的岩性识别提高了火成岩岩性识别的准确率和效率。

论文目录

• 内容提要
• 第一章 引言
• 第一节 研究背景及选题依据
• 1.1 FMI 成像测井
• 1.2 火成岩岩性识别的重要意义和存在的问题
• 1.3 研究区概况
• 第二节 研究现状
• 第三节 研究思路及拟解决的关键问题
• 3.1 研究思路
• 3.2 关键问题
• 第二章 数字图像处理
• 第一节 纹理分析的统计方法
• 1.1 图像的纹理及纹理分析的方法
• 1.2 灰度共生矩阵
• 1.3 基于共生矩阵的纹理描述符
• 1.4 不同纹理图像的纹理特征计算结果
• 1.5 FMI 图像的纹理统计
• 第二节 形状分析
• 2.1 形状及形状研究的工作内容
• 2.2 形状分析的工作步骤
• 2.3 FMI 图像的形状分析
• 第三章 FMI 成像测井原理
• 第一节 FMI 成像测井原理
• 1.1 FMI 微电阻率成像测井仪器测量原理
• 1.2 FMI 仪器的技术指标
• 1.3 FMI 仪器的极板和电极特点
• 第二节 测井数据处理和成像
• 第四章 火成岩的结构和构造
• 第一节 火成岩的系列和岩石类型
• 第二节 火成岩的结构构造
• 第五章 火成岩岩石组构特征的纹理统计描述
• 第一节 关于位置算子
• 第二节 各阶共生矩阵描述
• 1.1 16 阶共生矩阵描述
• 1.2 32 阶共生矩阵描述
• 1.3 64 阶共生矩阵描述
• 1.4 128 阶共生矩阵描述
• 1.5 256 阶共生矩阵描述
• 第三节 基于纹理统计的描述符
• 第六章 神经网络识别火成岩岩性
• 第一节 自组织特征映射神经网络
• 1.1 自组织特征映射神经网络
• 1.2 自组织特征映射神经网络学习算法
• 第二节 学习矢量量化神经网络
• 2.1 学习矢量量化神经网络
• 2.2 学习矢量量化神经网络学习算法
• 第三节 用神经网络识别岩性
• 3.1 神经网络训练数据准备
• 3.2 神经网络学习
• 3.3 识别岩性
• 第七章 基于FMI 的火成岩组构分析系统
• 第一节 FMI 图像显示
• 1.1 配色方案
• 1.2 图像缓冲
• 第二节 火成岩组构分析
• 第八章 基于FMI 火成岩组构分析的效果
• 结论
• 参考文献
• 详细摘要
• Abstract
• 致谢