人工智能在致密储层裂缝测井识别中的应用

Application of Artificial Intelligence in Fracture Identification Using Well Logs in Tight Reservoirs

摘要

裂缝是致密储层的有效储集空间和重要渗流通道，裂缝对致密储层的勘探与开发至关重要.单井裂缝识别主要使用井壁成像测井、阵列声波测井和常规测井，如何准确识别裂缝是致密储层研究领域的关键性难题.人工智能是新时期油气智能勘探开发突破现有技术的局限性、提高单井裂缝识别精度的利器.因此，结合近年来人工智能在致密储层裂缝识别的案例及笔者团队在该领域的研究工作，分别介绍了无监督学习、有监督学习和半监督学习人工智能方法在三类测井数据裂缝识别中的应用现状.目前，人工智能在常规测井裂缝识别中应用最为广泛，在井壁成像测井裂缝识别次之，在阵列声波测井识别中应用相对较少.关于人工智能算法，无监督方法由于识别精度问题，应用相对较少；有监督学习方法是目前应用的主流方法，但其需要有充足的有标签数据才能建立有效的裂缝预测模型；半监督学习方法是近年来的新趋势，其可以融合无监督和有监督学习的优点，充分利用有标签测井小样本数据和无标签测井大样本数据，但运行效率是该类方法需要改进的地方.目前单井裂缝人工智能识别方法的发展趋势是往高非线性拟合能力发展、单方法预测往多方法集成发展.同时也系统讨论了各类人工智能方法的存在的问题及未来的发展趋势.

关键词

人工智能 / 裂缝 / 测井 / 识别方法 / 半监督学习 / 有监督学习 / 无监督学习 / 致密储层

Key words

artificial intelligence / fracture / well log / identification method / semi-supervised learning / supervised learning / unsupervised learning / tight reservoir

0 引言

致密油气是当前全球非常规油气发展的亮点领域，作为常规油气的重要接替资源，其勘探开发是缓解我国能源紧张、保障国家能源安全的最现实途径（贾承造等，2012；邹才能等，2015；孙龙德等，2019）.裂缝是致密储层的有效储集空间和重要渗流通道，影响着致密油气富集、开发方案设计与调整、单井产能及开发效果，是决定致密油气藏是否具有经济开采价值的关键因素（Zeng and Li， 2009； Zeng， 2010； Zeng et al.， 2013；Dong et al.， 2018a）.单井裂缝测井解释对分析裂缝期次、厘清裂缝纵横向发育规律、提高三维裂缝网络建模精度等均具有重要意义（董少群等，2018，2020； Xu et al.，2021）.

目前常用于裂缝识别的测井技术有成像测井、阵列声波测井和常规测井等.成像测井包括井壁成像测井（如电成像测井、声成像测井）、针对各向异性介质的特殊测井（如阵列声波测井） 、径向成像测井等（曾联波等，2010；吕文雅等，2016）.井壁成像测井可提供高分辨率环井壁360°全方位的岩石物理图像信息.由于裂缝发育处的电阻率、声阻抗等常存在异常，因此井壁成像测井可以较好地反映裂缝的产状等信息，其在裂缝识别方面具有独特的优势（Lyu et al.，2017）.阵列声波测井通过多探头测量地层的多波列声波信息，其利用裂缝对声波传播的影响这一性质得到横波、纵波和斯通利波的衰减与反射，从而实现对裂缝的定性识别和裂缝发育特征的定量判断（车小花等，2020）.常规测井是油气勘探开发中大部分井都会采集的测井系列，即“常九条”，包括岩性测井（自然伽马GR、自然电位SP、井径CAL），三孔隙度测井（声波AC或DT、中子CNL、密度DEN或RHOB），浅、中、深三电阻率测井，常见的电阻率测井系列有八侧向LL8或球形聚焦测井（SFL）、深感应（ILD）、中感应（ILM）、深浅侧向（LLD、LLS）测井等（Mazhari et al.， 2018）.理想情况下，裂缝发育处具有特定的物理性质变化，例如密度降低、孔隙度变大、深浅电阻率会有分异、井径发生变化，因此常规测井也常用于识别和评价单井裂缝发育情况（Dong et al.，2020a）.然而，实际应用中致密储层裂缝极其复杂的地质‒地球物理响应，使得裂缝识别面临测井响应有效信号弱和多解性等难题，严重制约着裂缝的识别精度，已成为非常规油气勘探开发领域迫切需要解决的关键性难题（曾联波等，2010）.人工智能是新时期油气智能勘探开发攻坚克难的利器，也是国际石油巨头技术竞争的重点领域.通过人工智能深度挖掘测井资料中的裂缝信息，有望突破现有技术的局限性、提高单井裂缝识别精度（Dong et al.，2020b； 邹文波，2020）.

已有的裂缝解释资料可以提供标签信息，标签可以为有裂缝、无裂缝，高角度裂缝、低角度裂缝，构造裂缝、成岩裂缝，裂缝密度等.对于井壁成像测井，岩心标定的裂缝解释可以提供标签信息；对于阵列声波测井和常规测井，岩心或井壁成像测井的裂缝解释结果可以为其提供标签信息.无监督学习方法仅根据测井资料的数据结构特征进行聚类，从而识别裂缝，该类方法在井壁成像测井裂缝解释中运用较多，主要通过图像分割提取井壁成像测井图像中的裂缝区域.根据是否利用已有的裂缝解释资料，可将用于测井裂缝识别的人工智能方法分为无监督学习、有监督学习和半监督学习方法（刘建军等，2020）.本文涉及的测井裂缝识别人工智能方法如图1所示，方法全称为自组织神经网络（SOM）、支持向量机（SVM）、循环神经网络（RNN）、卷积神经网络（CNN）、条件生成对抗网络（CGAN）、K近邻法（KNN）、核Fisher判别分析（KFD）、多核Fisher判别分析（MKFD）、拉普拉斯支持向量机（LapSVM）.

有监督学习方法则是利用大量有标签的测井数据训练适用于裂缝识别的模型，由于裂缝先验信息的加入，该类方法预测效果多优于无监督学习方法，在井壁成像、阵列声波和常规测井识别裂缝中均有应用.有监督方法预测精度受限于训练样本的数量和质量，当训练样本数量有限时，该类方法预测精度显著下降（Aghli et al.，2019），半监督学习方法则是解决这一难题的一类方法，其融合无监督学习和有监督学习，可综合利用少量有标签样本和大量无标签样本，目前在图像处理等领域表现亮眼，在常规测井裂缝识别领域也逐渐受到重视（Dong et al.，2020b）.

本文将系统回顾人工智能在测井裂缝识别中的研究现状，并结合近年来团队研究成果对该领域存在的问题和研究趋势进行讨论.

1 基于人工智能的井壁成像测井裂缝识别

1.1　裂缝井壁成像测井响应特征

常用于裂缝识别的井壁成像测井有声波成像、电成像、光学成像测井等.声波成像测井记录声波的传播时间和声波振幅衰减，电成像测井记录井壁周围的电流信息，光学成像测井捕捉整个井周长的光学特征，三者均可以可视化为井眼壁的360°图像，在有限的井眼覆盖范围内提供构造裂缝、诱导裂缝、断层、层理等信息（Al-Sit et al.，2015）.

构造裂缝是指由于岩石脆性和半脆性变形引起的不连续面，裂缝与井筒斜交时，会以裂缝面的方式切割并穿过井筒，两者之间相交的区域为一个椭圆.因此，将井壁成像测井图像展开，裂缝会呈现出正弦曲线的形态，其颜色跟周围地层明显不同，正弦曲线的宽度和振幅受到裂缝开度和倾角的控制，见图2a~2c（Zeng et al.， 2012， 2021； Lai et al.， 2018）.井壁成像测井静态平衡图像为全井段统一配色，而其动态增强图像则是使用较小窗长对一定深度段内进行配色，分辨率更高.电成像测井中正弦曲线的颜色可用于区分裂缝充填情况，例如暗色正弦曲线对应开启裂缝或者被低阻填充物充填的裂缝（图2a），亮色正弦曲线对应高阻填充物（如方解石）充填的裂缝（图2b），但当充填物导电性与周围地层接近时，裂缝一般难以区分.这些正弦曲线的连续性会受到钻井泥浆、裂缝充填物和地层围岩之间电阻率差异的影响，钻井泥浆、裂缝充填物和地层围岩之间的电阻率差值越大，裂缝越容易被识别，正弦曲线连续性也就越好.泥浆也会影响井壁成像测井识别裂缝的精度，例如在油基泥浆环境下相比水基泥浆环境下井壁成像图像质量更差，正弦曲线多不连续或不明显（赖锦等，2015）.对于开启裂缝，当油基泥浆侵入时，表现为高阻缝特征，在井壁成像图像上表现为连续或不连续的亮色正弦曲线（袁龙等，2021）.值得注意的是，井径扩径时，裂缝在二维井壁成像测井上不再是标准的正弦曲线，见图2c.

诱导裂缝一般指在钻井过程中，因钻头频繁震动、应力释放或泥浆压力过大等因素导致井壁破裂而形成的一系列人工裂缝（Lai et al.，2021），主要包括竖直张性诱导缝（图2e）和羽状诱导缝（图2f），其破裂方向往往对应着最大水平主应力方向.在井壁成像测井图像上，诱导裂缝与天然裂缝特征具有明显区别，主要表现为：（1）诱导裂缝排列整齐，规律性较强，沿井壁呈180°或近似180°对称分布，而天然裂缝往往为多期构造运动形成，因此分布极不规则；（2）诱导裂缝缝面规则、光滑，且缝宽较为稳定，而天然裂缝通常因差异溶蚀、重结晶等地质作用，缝面形状和宽度变化较大；（3）诱导裂缝径向延伸小，未穿过井眼，整体表现为不完整的正弦曲线，而天然裂缝径向延伸较大，图像特征因其类型（高导缝、高阻缝）不同而存在一定差异（苟启洋等，2020）.

1.2　井壁成像测井裂缝识别人工智能方法

从图像的角度上，裂缝体现为区别于背景的标准或非标准正弦曲线，基于人工智能的井壁成像测井裂缝识别的主流思路是通过拾取正弦曲线解释裂缝信息.大致可以分成3个步骤：

（1）图像预处理.标准的井壁成像测井预处理包括深度校正（如电缆拉伸校正和加速度校正）、幅度校正（如电压校正）与方位校正等.此外井壁成像测井由多个极板获取的图像组合而成，不同极板之间有一定空隙，如图3a所示，虽然手动解释影响不大，但会增大图像处理的难度，因此常对井壁成像测井图像中的空白带进行插值填充预处理（李振苓等，2017），如基于图像数据结构和基于纹理特征的图像修复方法（王磊等，2020）.此外，也会通过不同的滤波方法对井壁成像测井图像进行去噪预处理.图像填充预处理并不是都会做，但一般都会做滤波去噪预处理.

（2）裂缝区域提取.除了常用的图像分割方法（如大津法OTSU）、边缘检测方法（如Canny算子）和图像增强方法（如小波变换）外（赵军等，2007；张晓峰和潘保芝，2012；何风等，2014），常用的无监督方法有SOM、Hopfied神经网络算法（赵军等，2007），常用的有监督方法有SVM、CGAN、DeepLabv3+（魏伯阳等，2020）等.

（3）裂缝信息后处理.通过正弦曲线拟合、高阶多项式拟合、霍夫变换等将裂缝转换为函数曲线，进而利用自动提取或人工计算获得裂缝倾向、倾角等产状信息（Assous et al.，2014；李曦宁等，2017；Shafiabadi et al.，2021；王磊等，2021）.

人工智能方法主要在第2个步骤中发挥作用，也有仿生学人工智能算法在图像分割后的边缘检测方面发挥作用，如利用蚁群算法从分割后图像中提取裂缝（何风等，2014）.

1.2.1　基于无监督学习方法的裂缝解释

以SOM神经网络为例介绍基于无监督聚类方法的裂缝提取.如图3a所示，方法共分为5个步骤：（1）滤波，利用非局部均值滤波（Non-local means filter，NLM）对FMI成像测井图像进行去噪；（2）图像分割，利用SOM神经网络进行聚类，将其自动分割为4类图像；（3）裂缝候选区域确定，将某一类或多类划分为裂缝区域，其余为背景区域；（4）裂缝候选点提取，通过光条中心提取算法（如Steger算法）提取裂缝条带区域的中心点作为裂缝候选点；（5）正弦曲线拾取及裂缝参数确定，通过Hough变换拟合正弦曲线，并根据正弦曲线确定裂缝倾向倾角等信息（Taibi et al.，2019）.

无监督聚类主要用于图像分割.目前已发表的成果及实际应用中，常规图像分割方法（如OTSU）应用更为广泛（赵军等，2007；何风等，2014；Shafiabadi et al.，2021）.

1.2.2　基于有监督学习方法的裂缝解释

相比无监督方法，有监督方法加入了裂缝标签数据，如图3b所示.此处，有监督分类方法也是起图像分割的作用，例如DeepLabv3+算法首先利用井壁成像测井和标签数据训练DeepLabv3+模型，当有新的井壁成像测井图像输入时，模型经过编码器和解码器即可拾取裂缝区域，最后通过Hough变换即可提取裂缝正弦曲线，并计算得到裂缝倾角、倾向等信息，见图3b（李冰涛等，2019）.该方法应用于新疆车471井区石炭系火山岩储层井壁成像测井裂缝解释，并与常规的图像分割方法如分水岭算法等进行了对比，结果表明该方法均取得了不错的预测效果（李冰涛等，2019）.除了DeepLabv3+算法外，CGAN （魏伯阳等，2020）、Segnet神经网络（Zhang et al.，2021）等可以用于裂缝区域提取.该类方法的优点是裂缝提取区域准确性更高，缺点是需要手动标记大量裂缝标签数据，工作量大.

2 基于人工智能的阵列声波测井裂缝识别

阵列多极子声波测井通过单级阵列和偶极阵列组合，在快速或慢速地层中都可获得纵波、横波、斯通利波资料，这些声波信息可以用于识别裂缝（陈义国，2010）.

2.1　裂缝阵列声波测井响应特征

纵波和横波是阵列声波波列的第一、二个分量，斯通利波是一种低频散的导波，在靠近地层与井眼的接触界面及井眼中传播（刘金霞等，2008）.当遇到裂缝，特别是低角度裂缝和水平裂缝时，由于裂缝能引起地层纵向上波阻抗的变化，所以会导致井孔模式波衰减以及时差增大（车小花等，2020），见表1.通常，裂缝的倾角越大，声波受到的影响越小，其中斯通利波对裂缝的响应最明显，横波对裂缝的敏感程度要强于纵波，纵波对高角度裂缝一般没有明显响应，根据纵波和斯通利波的衰减程度可以反推裂缝的性质，如斯通利波衰减而纵波未衰减，则地层发育高角度裂缝的可能性较大；若斯通利波和纵波均发生严重衰减，则地层发育低角度裂缝的可能性较大（徐方慧等，2018）.随着裂缝宽度的增加，横波速度和纵波速度呈线性减小而且纵波速度的降低比横波速度的降低要快（刘金霞等，2008），且遇低角度裂缝纵波能量衰减明显增大，因此在裂缝发育的地层纵横波速比常呈现降低趋势（朱留方，2003）.

有效裂缝发育时，地层渗透性变好，井孔模式波的声衰减严重，可根据全波列波形和变密度显示图上模式波能量衰减的“V”字形反射条纹定性解释裂缝发育层段（车小花等，2020）.

反射斯通利波是斯通利波经裂缝性地层时，由于井内泥浆与地层中的流体的相互流动而在裂缝所在的深度位置形成的反射波，由于斯通利波对井中流体运动的敏感性，裂缝发育地层的反射斯通利波会相应增强（车小花等，2020），见表1.

横波经过裂缝性介质时会分裂成平行和垂直裂缝面偏振的快横波和慢横波，产生各向异性现象，裂缝越发育，各向异性越明显.快横波的偏振方向平行于裂缝走向，对应地层弹性模量较高，故传播速度较快，快横波方位近似指示地层裂缝走向；慢横波的偏振方向垂直于裂缝走向，对应的地层弹性模量较低，所以传播速度较慢.因此，快慢横波分离常用于反映裂缝发育情况，实际应用中常通过快横波时差 \mathrm{\Delta } t_{\mathrm{f}}、慢横波时差 \mathrm{\Delta } t_{\mathrm{s}}计算地层各向异性 A N I指示裂缝发育情况（苏远大等，2005；陈义国，2010；Tang，2011）.

A N I = \frac{\mathrm{2}(\mathrm{\Delta }{t}_{\mathrm{s}}-\mathrm{\Delta }{t}_{\mathrm{f}})}{\mathrm{\Delta }{t}_{\mathrm{s}}+\mathrm{\Delta }{t}_{\mathrm{f}}} \times \mathrm{100} \mathrm{\%}.（1）

2.2　阵列声波测井裂缝识别人工智能方法

多极子阵列声波测井技术是识别和评价地层裂缝的有效手段，它的探测深度较深，利用测量的纵波、横波、斯通利波等多种井孔模式波可以提供不同径向深度的地层信息，斯通利波还可以评价裂缝的渗透性.裂缝的阵列声波测井响应特征如表1所示，在裂缝发育处纵波、横波、斯通利波会有幅度衰减，纵波、横波、斯通利波时差增大，反射斯通利波增强，横波分裂，快、慢横波分离，横波时差各向异性变大的特征.

相比于常规测井，阵列声波具有独到的优势.因其阵列的特点，其可通过各种声源发射器的组合来适应各种地层条件.且阵列声波3种波形对于裂缝的响应较为明显，阵列声波的一个重点在于声波的提取和特征曲线的绘制，而这一问题常用数学方法及各种滤波手段来解决.对于横波分裂识别裂缝，具有定量计算的公式，通过公式可以简洁明了地识别储层裂缝发育段；对于纵横波速比，简单的计算其比值就可以很好地识别裂缝的发育以及定性判别裂缝的宽度以及填充情况；利用斯通利波的特点可以通过斯通利波曲线识别储层裂缝发育段的位置.除此之外，综合利用3种波的衰减特点可以避免单一方法识别的缺陷，更好地为单井裂缝识别提供强有力的作证.上述这些优势使得阵列声波识别裂缝具有更好更为直观的效果.

基于阵列声波测井的裂缝评价方法还在不断完善，难点主要在于如何突破目前主流的裂缝定性识别局限性，从含有丰富地层信息的全波列波形中提取更多的裂缝特征参数，更细致地评价地层裂缝，例如裂缝宽度、渗透性、径向延伸性，以及岩石脆性和可压裂性等参数的声波测井评价新方法，这需要进一步开展阵列声波测井的正反演研究工作（唐晓明等，2016；蔡明等，2020）.

阵列声波测井裂缝人工智能识别领域处于起步阶段，目前发表的成果相对较少，但已经逐渐有学者开始利用人工智能方法解决阵列声波测井裂缝解释问题.在下古生界奥陶系的马家沟组碳酸盐岩储层（孔隙度较低，<5%）裂缝密度预测时，通过希尔伯特‒黄变换（HHT）、遗传算法（GA）和SVM构建了一套预测方法（Li et al.，2018）.该方法使用HHT提取阵列声波测井中的9个频域特征，利用GA优化SVM中参数.其中，SVM是一种基于统计学习理论的模式识别方法，在解决基于有限样本的小样本、非线性和高维模式识别问题方面具有明显的优势.所建预测模型利用岩心和井壁成像测井数据进行了验证，结果表明频率域上的SVM裂缝预测精度可达82%~90%，远高于时间域上52%~59%的预测精度（Li et al.，2018）.该领域的难点是如何有效地用人工智能解决上述重点和难点问题.

3 基于人工智能的常规测井裂缝识别

3.1　裂缝常规测井响应特征

常规测井GR、SP、CAL、AC、CNL、DEN、电阻率测井对于裂缝发育带均有一定响应.

裂缝发育带GR值可能会增大，这是由于铀、钍、钾等放射性元素溶于地下水后，易被吸附及沉淀在裂缝壁上，自然伽马能谱测井中裂缝发育带处常显示出铀元素含量增加的特点，但GR增大不唯一指示裂缝，例如泥岩地层GR值也会显著增加（Tokhmechi et al.，2009； Lyu et al.，2016； Dong et al.，2020b）.

裂缝可以导致井径缩径，也可以导致扩径，常对应CAL异常.缩径是由于裂缝发育带渗透率多偏高，在井壁处容易形成泥饼.扩径是由于钻井过程中出现井径崩裂，井径扩径方向与地层最小水平主应力一致（Tokhmechi et al.，2009；曾联波等，2010；Lyu et al.，2016；Dong et al.，2020b）.

裂缝发育SP会出现负异常.在基质渗透率极低的情况下，自然电位异常主要是有效裂缝导致.在有效缝发育的井段，孔隙度以及溶液含量较高，与泥浆中离子发生交换，自然电位曲线表现为明显的异常，但粉砂岩层中也常常发生流动电位（姜达贵，2017；Dong et al.，2020b）.

声波传播速度遇到裂缝发育带会降低，AC常会出现周波跳跃现象，裂缝倾角越小，声波时差增大幅度越大；此外裂缝充填性也会对AC周波跳跃现象产生影响，值得注意的是含气层也会出现AC周波跳跃（赵俊峰等，2014；曾维特等，2016 ；Dong et al.，2020a， 2020c）.

通常裂缝发育地层DEN会降低，特别是当裂缝开启且被流体充填时，但当泥浆压力大于地层压力时，钻井液渗入裂缝，DEN则会升高；此外裂缝被钙质等充填时，DEN降低的现象会变得不明显，甚至升高（Dong et al.，2020b； 王晓琳和张小莉，2020）.

CNL常用于间接判断裂缝发育情况.当裂缝开启且被流体充填时，地层中的含氢指数升高，CNL会增大.然而，储层孔隙中含有流体时，CNL也会增大（Ja’Fari et al.，2012； 冯冲等， 2020）.

钻井液沿裂缝侵入地层后，近井处地层电阻率值会发生改变，但远井处地层的电阻率受影响较小，因此会出现深浅电阻率差异（梁利喜等，2006）.电阻率正负异常与裂缝倾角和开度等有关，高角度裂缝要比低角度裂缝的电阻率分异更为明显，裂缝开度越大，电阻率分异越明显（Shazly and Tarabees，2013；Dong et al.，2020b）.在裂缝发育段，微侧向或浅侧向电阻率常出现电阻率异常低值，往往表现以深侧向电阻率为背景的浅侧向（或微侧向）电阻率针刺状锯齿形起伏，但当泥质含量较高时深侧向电阻率较低，这种异常会变得不明显.

综上，在裂缝发育区，常规测井通常具有大井径、低密度、高补偿中子测井、高声波时差、深浅电阻率差异的响应特性；但由于致密储层的复杂性，这些特征大多不会同时出现，有时会相反，例如当裂缝被胶结物填充时，DEN和CNL不再降低，甚至增加.因此，裂缝常规测井响应具有明显的非线性特征（Dong et al.，2020a， 2020b， 2020c）.

3.2　常规测井裂缝识别人工智能方法

建立常规测井曲线与裂缝发育情况间的非线性预测模型，是常规测井裂缝识别的关键性难题.目前大量无监督、有监督、半监督学习方法相继被用于常规测井裂缝识别.

3.2.1　基于无监督学习的裂缝识别

常用的无监督学习方法包括基于划分的聚类方法（如k-means算法、AP聚类算法）、基于层次的聚类方法（如BIRCH算法、CURE算法、ROCK算法）、基于密度的聚类算法（如DBSCAN算法、OPTICS聚类算法、密度峰值聚类算法）、基于网格的聚类算法（如STING算法、WaveCluster算法、CLIQUE算法）、基于图的聚类算法（如Chameleon算法、谱聚类算法）、基于模型的聚类算法（EM算法、GMM算法）等（Dong et al.，2018b；刘建军等，2020）.

由裂缝常规测井分析影响可以看出，裂缝与岩性、流体、构造等众多因素的测井响应特征会有相似之处，导致裂缝的测井响应弱且具有极强的多解性（Dong et al.，2020b）.而无监督方法仅利用未标定的常规测井数据，虽然可以识别部分裂缝，但当岩性或流体影响更为强烈时，预测类别常对应岩性或流体等，而非裂缝发育情况.由于基于无监督学习的裂缝效果欠佳，目前鲜有应用该类方法的常规测井裂缝识别成果发表.

3.2.2　基于有监督学习的裂缝识别

有监督学习方法通过岩心（或井壁成像测井）得到的裂缝标签“监督”常规测井曲线，经过人工智能模型输入预测结果与真实标签的比对，指导优化并训练预测模型.当输入新井的测井曲线组合后，预测模型便可直接给出该井裂缝发育情况（Dong et al.，2020c）.当裂缝标签为离散型变量时，如有裂缝、无裂缝，构造裂缝、层理缝，开启裂缝、无效裂缝等，此时使用的是分类方法，常用的分类方法有常规机器学习方法（如LDA、朴素贝叶斯、KNN、决策树、贝叶斯网络）、核方法（SVM、KFD、MKFD）、集成学习方法（如随机森林、AdaBoost、XGBoost、LightGBM）、人工神经网络算法（如MLP、BP、CNN、RNN）等（Dong et al.，2020b， 2022； 刘建军等，2020；郝慧珍等，2021）.当裂缝标签为连续型变量（如裂缝密度）时，使用的则是回归方法，常用的回归方法有常规机器学习方法（如多元逐步回归）、核方法（SVR、核岭回归）、集成学习方法（如随机森林、AdaBoost、XGBoost、LightGBM）、人工神经网络算法（如MLP、BP、ANFIS、CNN、RNN）等（Ja’Fari et al.，2012；Zazoun，2013；Al-Sit et al.，2015；Mazaheri et al.，2015；Nouri-Taleghani et al.，2015）.本文重点关注裂缝识别分类问题.

（1）基于常规机器学习方法的常规裂缝识别.分类算法KNN是一种利用已知样本预测未知样本的方法，通过计算新样本与已知样本点的距离，挑选K个最近的样本，统计样本标签多数的类别为该样本的标签，见图4①（刘建军等，2020）.计算样本间距离时，除了可以使用常规测井曲线，也可以加入重构曲线，例如测井曲线斜率，这是由于裂缝常会引起常规测井响应异常高值或低值，因此测井曲线斜率可以辅助识别裂缝.基于KNN算法融合测井曲线斜率的方法在普光气田长兴组和飞仙关组裂缝识别中得到了应用，其识别结果和岩心观察裂缝结果具有较好的一致性（何胡军等，2014）.

贝叶斯网络是一个有向无环图（Directed acyclic graph，DAG），也称为信念网络或是有向无环图模型，结点代表随机变量，结点间的有向边代表了结点间的互相关系（由父结点指向其子结点），用条件概率表达关系强度，没有父结点的用先验概率进行信息表达.在北美阿巴拉契亚盆地志留系克林顿组砂岩和寒武系铜脊组碳酸盐岩储层进行裂缝识别的贝叶斯网络如图4②所示，网络结构通过基于熵的方法确定，该实例选用Delta_CALI（井眼直径减去井径）、密度RHOB和GR作为模型输入变量，标签为有裂缝和无裂缝.有向图可以揭示测井曲线之间以及与裂缝发育情况间的因果关系. Delta_CALI与RHOB相连表明两者在裂缝预测时高度相关，其地质解释认为两者对于井径都较为敏感，而井径变化与裂缝或者高孔介质有关，GR某种程度上并不敏感.实例应用表明贝叶斯网络可以较好地分析裂缝预测模型的地质意义，且其运行速度比随机森林算法更为高效（Bhattacharya and Mishra，2018）.

（2）基于核方法的常规裂缝识别.核方法是利用了核函数替换技巧的一类方法，代表性算法有SVM、KFD等（刘建军等，2020）.该类方法的基础是Mecer理论，即低维线性不可分的问题，映射到合适的高维非线性特征空间后可变成线性可分的问题（Dong et al.，2016；Shi et al.，2020）.这一思路的难点在于确定非线性映射函数，核函数替换技巧是通过核函数替换非线性模型确立过程中所有的内积运算，不同核函数参数对应不同的非线性特征空间，因此可以间接地实现非线性映射而不需要显式地给出映射函数（Dong et al.，2020b）.

常见的SVM是线性SVM融合核函数替换技巧后的改进方法，其在高维空间中确定临近决策边界的样本作为支持向量，通过岩心标定的测井数据求解的最大边距超平面作为裂缝识别边界，边界由支持向量确定，见图4③中圆圈标注的点（刘建军等，2020）.在阿曼盆地Daleel油田碳酸盐岩储层裂缝识别应用中，SVM使用7个参数GR、CAL、DEN、声波时差（Δt）、深侧向电阻率（RLLD）、浅侧向电阻率（RLLS）、中子孔隙度（Φ _N），将裂缝标签分为非充填缝、重填缝、非裂缝，通过网格搜索法寻优法得到模型最优参数，建立了裂缝识别模型并取得了较好的应用效果，且运行速度比BP神经网络快10倍以上（郑军等，2010）.参数寻优直接决定SVM裂缝识别效果，很多现代优化算法也被用于SVM参数寻优，例如粒子群（PSO）算法用于优化最小二乘支持向量机（LSSVM），并在滨里海盆地东缘石炭系碳酸盐岩储层裂缝及缝洞充填物的识别应用中，预测效果优于BP神经网络（谢玮等，2017）.在南襄盆地泌阳凹陷安棚油田裂缝识别应用中也得出了SVM裂缝识别效果优于BP神经网络的结论（Shi，2008）.

核Fisher判别分析KFD是线性判别分析LDA融合核函数替换技巧后的改进方法，其包括升维和降维两个步骤（Dong et al.，2016）.升维用于获得更多非线性特征，降维则是根据岩心裂缝描述情况“监督”提取有效的裂缝测井响应特征（Shi et al.，2020），见图4④.由于KFD也是一种特征提取算法，其提取的特征可以用于模型地质意义分析，模型具有可解释性的优点（Dong et al.，2020c， 2022； Shi et al.，2020）.KFD在鄂尔多斯盆地西南部HQ油田致密砂岩储层裂缝识别中具有较好的应用效果，但是单核KFD模型仍存在过度拟合、泛化能力差等问题，因此多核技术被应用于提高单井裂缝识别精度.单核KFD通常选择一个最优的特征空间来建立裂缝识别模型，而在每个特征空间中都存在有用的裂缝识别信息（Dong et al.，2022），因此，与KFD不同，MKFD选择整合不同特征空间中的裂缝特征信息，从而可以更加全面地建立稳健的裂缝识别模型.对比实验结果显示MKFD相比KFD准确率可以提升约13%（Dong et al.，2020c）.

（3）基于集成学习方法的常规裂缝识别.裂缝识别模型的泛化性能（即预测能力）是由算法的学习能力、数据的充分性以及裂缝测井响应的复杂性所共同决定的.基于人工智能算法的裂缝识别误差由方差、偏差和噪声组成.提升人工智能裂缝识别精度，需使偏差较小（能够充分拟合岩心标定的测井数据），并且使方差较小（使得数据扰动产生的影响小）.集成学习裂缝识别是将多个裂缝识别效果一般的模型进行整合，力图降低方差、偏差，从而提升裂缝识别精度，形成一个高效的裂缝识别模型.常用的整合方式有Bagging、Boosting等.Bagging是降低方差的并行集成学习，其通过自助采样法（Bootstrap sampling）将数据集分成多个子数据集，然后分别建立多个裂缝识别模型，最后通过投票等方式将结果汇总即可得到最好的预测效果；目前该类方法最著名的代表是随机森林算法，其子识别模型是决策树算法建立的识别模型，如图4⑥，大量实践证明其可以通过降低方差有效地提升决策树的识别正确率（刘建军等，2020）.Boosting是降低偏差的串行集成学习，其根据前一个识别模型的裂缝识别效果对样本分布进行调整，再根据新的样本分布训练下一个识别模型，如此迭代多次，将所有弱的裂缝识别模型加权集成即可得到最终预测效果较好的裂缝识别模型，常用的Boosting算法有AdaBoost、XGBoost、LightGBM（程超等，2020）.通常认为不好的裂缝识别模型凑在一起也不会有好的结果，但集成学习在组合效果一般的识别模型时也是有选择的，其挑选的每个模型都有一定的准确性且不同即多样性，这样才能达到“三个臭皮匠赛过诸葛亮”的效果.

在北美阿巴拉契亚盆地志留纪克林顿组砂岩和寒武纪铜脊组碳酸盐岩储层裂缝识别应用中，利用有限的常规测井资料，即Delta_CALI、RHOB和GR，随机森林相比贝叶斯网络裂缝识别准确率高约5%~9%.其所建立的随机森林裂缝识别模型贡献度分析表明Delta_CALI最为重要，符合该地区的地质认识（Bhattacharya and Mishra，2018）.Asmari组碳酸盐岩储层裂缝识别中，随机森林和支持向量机比决策树算法和多层感知机（MLP）算法表现出更好的裂缝识别效果（Azizi and Reza，2021）.

（4）基于人工神经网络的常规裂缝识别.人工神经网络（Artificial neural networks，ANNs）是一种模仿人类神经网络进行问题决策的简化数学模型（Xue et al.，2014），常用的神经网络有BP神经网络、CNN、RNN等.用于分类的神经网络结构分成两部分，即特征提取模块和分类模块.BP神经网络中特征提取模块为全连接层与激活函数的组合，CNN中特征提取模块除了全连接层，也加入了卷积层、池化层，RNN则是通过多个全连接层模块的线性组合实现特征的选择和提取，这些神经网络的分类模型都选用的是Softmax层（刘建军等，2020）.

作为一种误差反向传播神经网络，BP神经网络是可以根据岩心或井壁成像测井的裂缝解释结果校正神经网络参数（高霞和谢庆宾，2007；陈钢花等，2015），见图4⑦.在松辽盆地新立油田扶杨油层裂缝识别应用中，岩心和测井曲线分析表明，裂缝发育砂岩相比无裂缝砂岩的深、浅侧向电阻率测井均表现为异常的低值，因此选用深侧向电阻率（RLLD）、浅侧向电阻率（RLLS）、深浅电阻率差 （△DS）、微电极测井 （VDX-W）、微梯度测井 （VDX-T）、微电极与微梯度测井差（△WT）；该实例中遗传算法被用于解决BP神经网络收敛速度慢和目标函数易陷入局部最优的难题，识别结果与岩心裂缝描述较为符合，数值模拟也间接证明了预测结果的可靠性（Xue et al.，2014）.RBF神经网络也常用于裂缝识别，它与BP神经网络结构一样，唯一的不同是其使用径向基函数（Radial basis function，RBF）作为激活函数（段友祥和李根田，2017）.

卷积神经网络CNN是针对图像分类特别有效的一种算法，卷积和池化模块的加入使得特征提取更加有效，人类肉眼可以识别的图像，CNN基本上可以加以分辨.多条常规测井曲线虽然也可以拼成图像，并非常规意义上的图像，肉眼是很难直接看出的.如何将常规测井资料转换成适合CNN处理的图像是CNN常规测井裂缝识别的关键性难题.卷积神经网络的基本网络结构如图4⑧所示.目前的一种解决方案是，利用离散小波变换和变点检测法增强声波测井对裂缝的敏感性，通过边界估计将整个测井曲线分割成不重叠的小段，随后建立基于自动编码器和卷积神经网络分类器的深度神经网络模型；单井剖面分析表明，相比SVM、随机森林、AdaBoost算法，该方法与手动裂缝解释结果更为吻合（Tian et al.，2021）.

RNN是处理语音等序列信号效果较好的一类方法，目前在语音识别、翻译等领域表现亮眼.RNN基本网络结构如图4⑨所示.测井曲线可以看作是序列信息，因此，RNN在常规测井解释具有广阔的前景，常用的RNN方法有长短期记忆神经网络（LSTM）、门控单元神经网络（GRU）、双向长短期记忆神经网络（Bi-LSTM）、双向门控单元神经网络（Bi-GRU）等.

近年来，为提高裂缝识别模型的稳健性和准确性，多方法融合成为一种常用的手段.例如专家系统（Committee machine intelligent system，CMIS）法，当不同方法的预测结果差异不大时，可以直接将不同方法的预测结果进行投票；当不同方法的预测结果差异较大时，可以将不同方法通过优化算法进行权重优化，最终识别结果由多个方法预测结果的加权投票决定（Nouri-Taleghani et al.，2015；段友祥和李根田，2017）.在伊朗Marun油田的碳酸盐岩储层识别研究中，以RBF神经网络、MLP和LSSVM为基础算法，通过遗传算法确定每种算法识别结果的权值，实验结果表明组合后的专家系统裂缝识别效果均优于这3种方法（Nouri-Taleghani et al.，2015）.

3.2.3　基于半监督学习的裂缝识别

常规测井裂缝识别一般使用有监督方法，仅使用已标记裂缝发育情况的测井数据，而舍弃了未标记裂缝发育情况的常规测井大数据，这部分舍弃的未标记大数据对提高裂缝识别非常有用，能够更好地辅助识别裂缝的测井响应差异，这一点也是无监督聚类方法可以识别部分裂缝的基础.在图像识别等领域，无标记大数据也已被证实对提高识别模型精度的潜力巨大.因此，通过半监督学习，将无监督聚类融入到有监督分类中，将未标记常规测井大数据和已标记数据有机融合，提取足够多的有效的裂缝测井响应特征，是建立可靠裂缝测井识别模型的关键问题（Dong et al.，2020b）.

近年来，半监督学习方法在测井岩性识别、裂缝识别领域逐渐受到重视.半监督学习中用于指导模型优化的误差包括两部分，即有监督误差和无监督误差.有监督误差通过模型预测有标签样本的预测结果与真实标签之间的差值获得，无监督误差则是通过无标签样本获得，两种误差加权获得总体误差（Dong et al.，2020b）.半监督学习方法可以分为直推式算法和归纳式算法.直推式算法会将待预测的无标签样本用于建立预测模型，当有新样本需要预测时，该模型需要重新训练；归纳式算法则不同，当有新样本需要预测时，不需要对原有模型重新训练（Ding et al.，2017）.目前常用的方法有基于生成式模型的方法、半监督SVM方法、基于图的方法和基于分歧的方法等.有的方法可以采用“协同训练”的方式对多视图数据进行学习，并从无标记数据中挑选置信度高的样本作为“伪标记”，实现训练样本数据的扩增（周志华，2013）.

拉普拉斯支持向量机（Laplacian support vector machines，LapSVM）是一种应用效果较好的归纳式半监督SVM方法，其采用流形正则化将有监督学习和无监督学习方法结合成半监督学习方法，其继承了支持向量机处理非线性问题的能力，利用无监督技术可以有效融合丰富的无标签测井信息，克服了标记数据有限的问题.在鄂尔多斯盆地南部某油田致密储层进行裂缝识别时，LapSVM模型与3种基于高斯核的支持向量机方法进行了对比研究，结果表明该方法比3种支持向量机的正判率高7%以上（Dong et al.，2020b）.

4 讨论

目前单井裂缝人工智能识别方法发展的趋势是：（1）往高非线性拟合能力发展，例如线性判别分析方法往核方法发展，线性SVM往非线性SVM发展，BP神经网络往RNN和CNN发展；（2）单预测方法往多方法集成发展，例如集成学习将弱预测模型集合成强预测模型，单核方法往多核方法发展.相比传统方法，人工智能在单井裂缝识别中优势很明显，但仍存在一系列关键性难题有待解决.

4.1　人工智能井壁成像测井裂缝识别存在的问题及发展趋势

成像测井裂缝自动识别的主流思路是，在井壁成像测井二维展开图像上提取裂缝区域，再拟合正弦曲线作为裂缝.人工智能井壁成像测井裂缝识别方面存在以下问题：（1）以像素为单元的人工智能井壁成像测井裂缝提取结果干扰因素较多，不利于裂缝全自动提取；（2）当不同井的井壁成像测井图像亮度、对比度等存在明显差异时，基于像素的人工智能井壁成像测井裂缝提取效果较差，难以识别高阻缝；（3）实际应用中人工解释的裂缝识别图像往往有限，标签样本数量不足常导致有监督学习方法裂缝提取效果欠佳；（4）实际应用中，当井径变化时，井壁成像测井二维展开图像上的裂缝并不是标准的正弦曲线，甚至扭曲变形非常严重；（5）裂缝区域提取后正弦曲线的自动拟合效率和准确度欠佳；（6）井壁成像测井不同极板间的空白区域人工智能裂缝识别的影响；（7）井壁成像测井对于岩心上的部分裂缝响应弱或并无显示.

针对上述问题，提出人工智能井壁成像测井裂缝识别研究未来的研究重点和发展趋势：

（1）井壁成像测井裂缝识别大数据库的构建研究.有监督学习是井壁成像测井图像裂缝区域提取的有效手段，但其预测效果高度依赖于高质足量的有标签样本库，因此，通过数据增强算法、井壁成像测井数据量积累等方式，构建井壁成像测井裂缝识别大数据库可提升有监督学习方法的裂缝识别效果，有效缓解上述问题（1）和（2）.

（2）构建高效的基于区域图像特征的裂缝提取算法，结合岩心数据，基于裂缝的井壁成像测井响应特征、产状、连续性提取更合理的裂缝区域，可有效缓解上述问题（2）.

（3）引入半监督学习方法，高效有机地融合有标签井壁成像测井小样本数据和无标签的井壁成像测井大样本数据，构建半监督井壁成像测井裂缝识别模型，可缓解上述问题（3）.

（4）将井壁测井裂缝识别问题还原到三维空间进行研究.二维成像提供裂缝发育候选区域，三维空间中拾取裂缝面，是解决上述问题（5）~（7）的最切实可行的方法，这种方式可以消除井径变化对井壁成像测井裂缝响应特征的影响，从本质上解决正弦曲线法的先天不足.

（5）针对问题（7），也可开展井壁成像测井极板间空白区域插值算法研究.

（6）多类型测井数据综合用于裂缝解释.

4.2　人工智能阵列声波测井裂缝识别存在的问题及发展趋势

阵列声波测井裂缝解释主要根据物理意义明确的一些表征参数或特征，明显的裂缝发育处可以较好的区分，因此人工智能应用较少；但致密储层非均质性较强，裂缝信号弱且复杂，十分有必要引入新的技术提升现有方法的裂缝识别精度.虽然阵列声波测井裂缝识别方面人工智能处于起步阶段，但人工智能在该领域具有广阔的应用前景.

未来人工智能阵列声波测井裂缝识别发展趋势主要有：（1）阵列声波测井作为时序信号，建立针对阵列声波测井裂缝识别的循环神经网络模型，实现弱信号条件下裂缝的高效识别；（2）利用卷积神经网络等建立针对阵列声波测井全波列图像的裂缝识别图像，实现裂缝的自动高效地识别；（3）建立阵列声波测井裂缝识别大数据库，从数据角度上提升模型预测能力；（4）综合时间域与频率域阵列声波特征，提取更有效的裂缝指示特征.

4.3　人工智能常规测井裂缝识别存在的问题及发展趋势

常规测井由于资料数量丰富，在裂缝识别应用中占据重要地位.近年来，人工智能的引入有效地改善了测井裂缝识别的精度，但目前仍存在一些问题及发展趋势如下：

（1）如何构建有效、合理的裂缝指示参数.构建符合裂缝物理响应特征的参数，例如测井曲线的一阶导数、二阶导数、深浅电阻率比、分形维数、综合维数等（Lyu et al.，2016；Dong et al.，2020a；Guo et al.，2020）.也可借鉴阵列声波裂缝识别中的应用（Li et al.，2018），考虑频率域内的一些表征参数.此外，可以根据裂缝发育模式寻找裂缝测井响应特征，指导裂缝指示参数构建.例如断层相关裂缝识别时，根据断层核、诱发破碎带和未扰动区岩性的特征及裂缝导致的岩石物理差异，构建或选择裂缝表征参数（Li et al.，2020）.

（2）常规测井裂缝识别的关键是寻找裂缝导致的测井异常响应（Xue et al.，2014），如何构建合理的反映异常响应的指标是裂缝识别的基础.此外，如何模拟人类认识异常响应的方式，将部分井段整体进行裂缝检测，是未来裂缝识别解释结果更符合地质认识的一个有效途径.

（3）有标签常规测井样本数量少，严重阻碍有监督学习模型的裂缝识别精度.针对这一问题，可以从数据积累和数据增强算法两个角度出发，构建常规测井裂缝识别大数据库，为有监督学习人工智能预测模型建立提供数据基础.

（4）裂缝识别模型建立仅使用了有标签测井数据小样本，大量无标签测井大样本数据被忽略，已有信息利用率低.针对这一问题，建立融合半监督学习和深度学习的半监督新方法，通过半监督学习融合有监督和半监督学习的优点，综合岩心或井壁成像测井标记的常规测井小样本和无标签测井大样本中的裂缝信息，通过深度挖掘提取裂缝非线性特征，以提升裂缝识别模型预测能力.此外，由于加入了大量无标签样本，基于半监督学习的裂缝识别模型相对耗时，如何提升该类模型的运行效率是有待解决的难题（Dong et al.，2020b）.

（5）裂缝及非裂缝数据量差别巨大，数据非均衡性影响裂缝识别模型的构建.无裂缝数量占比可以超过90%，若忽视该问题直接建立分类预测模型，则模型把所有样本识别为无裂缝，模型正判率也可达到90%以上.针对这一问题，需要开展数据均衡算法研究，例如欠采样算法、过采样方法、混合采样方法等；需要针对非均衡聚类问题研究模型评价指标.

（6）裂缝识别模型的可解释性.目前大部分人工智能模型为黑箱模型，不利于模型的质量控制和广泛应用.KFD、MKFD等特征提取方法具有一定的可解释性，有待针对其他人工智能裂缝识别方法开展模型可解释性研究（Dong et al.，2020c， 2022； Shi et al.，2020）.

（7）裂缝常规测井响应弱且复杂.针对这一问题，除了寻找处理非线性能力更强的人工智能算法外，也可以多类型数据综合利用，从数据源的角度提升模型预测能力，例如常规测井识别时，可以加入阵列声波测井数据、光电吸收截面指数（PEF）等测井资料.

（8）常规、阵列声波、井壁成像测井探测范围各有差异，如何建立有效的井壁‒近井‒远井多分辨率裂缝综合识别方法是有待解决的难题，问题的解决可以为压裂设计等提供地质依据.

5 结论

基于人工智能的致密储层裂缝识别方法是当前非常规储层研究领域的热点，是提升单井裂缝识别精度的重要手段.总体而言，人工智能在常规测井裂缝识别中应用最为广泛，在井壁成像测井裂缝识别次之，在阵列声波测井识别中应用相对较少.当前裂缝识别的人工智能算法主要有无监督学习方法、有监督学习方法、半监督学习方法.无监督方法由于识别精度问题，应用相对较少；有监督学习方法是目前应用的主流方法，但其需要有充足的有标签数据才能建立有效的裂缝预测模型；半监督学习方法是近年来的新趋势，其可以融合无监督和有监督学习的优点，充分利用有标签测井小样本数据和无标签测井大样本数据，目前运行效率是该类方法需要改进的地方.

本文结合笔者团队近年来在致密储层人工智能裂缝识别中的研究，系统地回顾了近年来该领域的研究成果，同时也借鉴了一些非致密储层人工智能裂缝识别的研究成果.讨论部分系统了总结常规测井、井壁成像测井、阵列声波测井目前人工智能应用中存在的关键问题和人工智能裂缝识别未来的发展趋势.

参考文献

[1] Aghli, G., Moussavi-Harami, R., Mortazavi, S., et al., 2019. Evaluation of New Method for Estimation of Fracture Parameters Using Conventional Petrophysical Logs and ANFIS in the Carbonate Heterogeneous Reservoirs. Journal of Petroleum Science and Engineering, 172: 1092-1102. https://doi.org/10.1016/j.petrol.2018.09.017

[2] Al-Sit, W., Al-Nuaimy, W., Marelli, M., et al., 2015. Visual Texture for Automated Characterisation of Geological Features in Borehole Televiewer Imagery. Journal of Applied Geophysics, 119: 139-146. https://doi.org/10.1016/j.jappgeo.2015.05.015

[3] Assous, S., Elkington, P., Clark, S., et al., 2014. Automated Detection of Planar Geologic Features in Borehole Images. Geophysics, 79(1): D11-D19. https://doi.org/10.1190/geo2013-0189.1

[4] Azizi, H., Reza, H., 2021. Applied Machine Learning Methods for Detecting Fractured Zones by Using Petrophysical Logs. Intelligent Control and Automation, 12(2): 44-64. https://doi.org/10.4236/ica.2021.122003

[5] Bhattacharya, S., Mishra, S., 2018. Applications of Machine Learning for Facies and Fracture Prediction Using Bayesian Network Theory and Random Forest: Case Studies from the Appalachian Basin, USA. Journal of Petroleum Science and Engineering, 170: 1005-1017. https://doi.org/10.1016/j.petrol.2018.06.075

[6] Cai, M., Zhang, C.G., Han, C., et al., 2020. Experimental Research of Effect of Microfracture on Shear Wave Attenuation and Its Application on Fracture Evaluation in Tight Sand Formation. Journal of China University of Petroleum (Edition of Natural Science), 44(1): 45-52 (in Chinese with English abstract).

[7] Che, X.H., Zhao, T., Qiao, W.X., et al., 2020. Fracture Identification and Evaluation Based on Multi-Pole Acoustic Logging. Oil ＆ Gas Geology, 41(6):1263-1272 (in Chinese with English abstract).

[8] Chen, G.H., Hu, C., Zeng, Y.L., et al., 2015. Logging Identification Method of Fillings in Fractures and Caverns in Carbonate Reservoir Based on BP Neural Network. Geophysical Prospecting for Petroleum, 54(1): 99-104 (in Chinese with English abstract).

[9] Chen, Y.G., 2010. Study on Fracture Identification and Evaluation Base on Well Logging Data (Dissertation).China University of Petroleum, Beijing (in Chinese with English abstract).

[10] Cheng, C., He, L., Zhang, B.J., et al., 2020. Fracture Grading and Evaluating Methods for Reservoir Xu-2 in Zhongba Gas Field. Petroleum Geology & Oilfield Development in Daqing, 39(2): 56-64 (in Chinese with English abstract).

[11] Ding, S. F., Zhu, Z. B., Zhang, X. K., 2017. An Overview on Semi-Supervised Support Vector Machine. Neural Computing and Applications, 28(5): 969-978. https://doi.org/10.1007/s00521-015-2113-7

[12] Dong, S.Q., Lyu, W.Y., Xia, D.L., et al., 2020. An Approach to 3D Geological Modeling of Multi-Scaled Fractures in Tight Sandstone Reservoirs. Oil & Gas Geology, 41(3): 627-637 (in Chinese with English abstract).

[13] Dong, S. Q., Wang, Z. Z., Zeng, L. B., 2016. Lithology Identification Using Kernel Fisher Discriminant Analysis with Well Logs. Journal of Petroleum Science and Engineering, 143: 95-102. https://doi.org/10.1016/j.petrol.2016.02.017

[14] Dong, S. Q., Zeng, L. B., Dowd, P., et al., 2018a. A Fast Method for Fracture Intersection Detection in Discrete Fracture Networks. Computers and Geotechnics, 98: 205-216. https://doi.org/10.1016/j.compgeo.2018.02.005

[15] Dong, S. Q., Liu, J. J., Liu, Y. H., et al., 2018b. Clustering Based on Grid and Local Density with Priority-Based Expansion for Multi-Density Data. Information Sciences, 468: 103-116. https://doi.org/10.1016/j.ins.2018.08.018

[16] Dong, S. Q., Zeng, L. B., Du, X. Y., et al., 2022. Lithofacies Identification in Carbonate Reservoirs by Multiple Kernel Fisher Discriminant Analysis Using Conventional Well Logs: A Case Study in A Oilfield, Zagros Basin, Iraq. Journal of Petroleum Science and Engineering, 210: 110081. https://doi.org/10.1016/j.petrol.2021.110081

[17] Dong, S. Q., Zeng, L. B., Lyu, W. Y., et al., 2020a. Fracture Identification and Evaluation Using Conventional Logs in Tight Sandstones: A Case Study in the Ordos Basin, China. Energy Geoscience, 1(3-4): 115-123. https://doi.org/10.1016/j.engeos.2020.06.003

[18] Dong, S. Q., Zeng, L. B., Lyu, W. Y., et al., 2020b. Fracture Identification by Semi-Supervised Learning Using Conventional Logs in Tight Sandstones of Ordos Basin, China. Journal of Natural Gas Science and Engineering, 76: 103131. https://doi.org/10.1016/j.jngse.2019.103131

[19] Dong, S. Q., Zeng, L. B., Liu, J. J., et al., 2020c. Fracture Identification in Tight Reservoirs by Multiple Kernel Fisher Discriminant Analysis Using Conventional Logs. Interpretation, 8(4): SP215-SP225. https://doi.org/10.1190/int-2020-0048.1

[20] Dong, S.Q., Zeng, L.B., Xu, C.S., et al., 2018. Some Progress in Reservoir Fracture Stochastic Modeling Research. Oil Geophysical Prospecting, 53(3): 625-641 (in Chinese with English abstract).

[21] Duan, Y.X., Li, G.T., 2017. Research on Committee Neural Network Model for Reservoir Physical Parameter Prediction. Well Logging Technology, 41(2): 176-182 (in Chinese with English abstract).

[22] Feng, C., Dai, L.M., Liu, X.J., et al., 2020. Logging Classification and Recognition of Lacustrine Mixed Sedimentary Reservoirs in First and Second Members of Shahejie Formation in Bohai Sea. Earth Science, 45(10):3677-3692 (in Chinese with English abstract).

[23] Gao, X., Xie, Q.B., 2007. Advances in Identification and Evaluation of Fracture. Progress in Geophysics, 22(5):1460-1465 (in Chinese with English abstract).

[24] Guo, Q., Wang, X. Y., Qu, L., 2020. A New Method for Identifying Fractures in Tight Sandstone of a Gentle Structural Area Using Well Logs. Energy Science & Engineering, 8(11): 3909-3924. https://doi.org/10.1002/ese3.786

[25] Gou, Q.Y., Xu, S., Hao, F., et al., 2020. Research on Mud Shale Fractures Based on Image Logging: A Case Study of Jiaoshiba Area. Bulletin of Geological Science and Technology, 39(6): 193-200 (in Chinese with English abstract).

[26] Hao, H.Z., Gu, Q., Hu, X.M., 2021. Research Advances and Prospective in Mineral Intelligent Identification Based on Machine Learning. Earth Science, 46(9):3091-3106 (in Chinese with English abstract).

[27] He, F., Liu, R.L., Bai, Y.D., et al., 2014. Application of Ant Colony Algorithm to FMI Logging Segmentation. Lithologic Reservoirs, 26(2): 114-117 (in Chinese with English abstract).

[28] He, H.J., Bi, J.X., Zeng, D.Q., et al., 2014. Fracture Identification in Conventional Log through KNN Classification Algorithm Based on Slope of Logging Curve—A Case Study of Reef Flat Facies Reservoir in Puguang Gasfield. Sino-Global Energy, 19(1): 70-74 (in Chinese with English abstract).

[29] Ja’Fari, A., Kadkhodaie-Ilkhchi, A., Sharghi, Y., et al., 2012. Fracture Density Estimation from Petrophysical Log Data Using the Adaptive Neuro-Fuzzy Inference System. Journal of Geophysics and Engineering, 9(1): 105-114. https://doi.org/10.1088/1742-2132/9/1/013

[30] Jia, C.Z., Zou, C.N., Li, J.Z., et al., 2012. Assessment Criteria, Main Types, Basic Features and Resource Prospects of the Tight Oil in China. Acta Petrolei Sinica, 33(3): 343-350 (in Chinese with English abstract).

[31] Jiang, D.G., 2017. Effectiveness Evaluation of Metamorphic Buried Hill Fractured Reservoir with Spontaneous Potential Logging in Hailar Oilfield. Well Logging Technology, 41(5): 550-554 (in Chinese with English abstract).

[32] Lai, J., Chen, K. J., Xin, Y., et al., 2021. Fracture Characterization and Detection in the Deep Cambrian Dolostones in the Tarim Basin, China: Insights from Borehole Image and Sonic Logs. Journal of Petroleum Science and Engineering, 196: 107659. https://doi.org/10.1016/j.petrol.2020.107659

[33] Lai, J., Wang, G. W., Wang, S., et al., 2018. A Review on the Applications of Image Logs in Structural Analysis and Sedimentary Characterization. Marine and Petroleum Geology, 95: 139-166. https://doi.org/10.1016/j.marpetgeo.2018.04.020

[34] Lai, J., Wang, G.W., Zheng, X.H., et al., 2015. Recognition and Evaluation Method of Fractures by Micro- Resistivity Image Logging in Oil-Based Mud. Petroleum Geology and Recovery Efficiency, 22(6): 47-54 (in Chinese with English abstract).

[35] Li, B.T., Wang, Z.Z., Kong, C.X., et al., 2019. A New Intelligent Method of Fracture Recognition Based on Imaging Logging. Well Logging Technology, 43(3): 257-262 (in Chinese with English abstract).

[36] Li, H., Lin, C. Y., Ren, L. H., et al., 2020. An Integrated Quantitative Modeling Approach for Fault-Related Fractures in Tight Sandstone Reservoirs. Journal of Petroleum Science and Engineering, 194: 107552. https://doi.org/10.1016/j.petrol.2020.107552

[37] Li, T. Y., Wang, R. H., Wang, Z. Z., et al., 2018. Prediction of Fracture Density Using Genetic Algorithm Support Vector Machine Based on Acoustic Logging Data. Geophysics, 83(2): D49-D60. https://doi.org/10.1190/geo2017-0229.1

[38] Li, X.N., Shen, J.S., Li, Z.L., et al., 2017. Characterization of Reservoir Fracture and Vug Parameters by Conductivity Image of FMI Based on Multi-Scale Mathematical Morphology Method. Journal of China University of Petroleum (Edition of Natural Science), 41(1): 69-77 (in Chinese with English abstract).

[39] Li, Z.L., Shen, J.S., Li, S., et al., 2017. Singular Spectral Interpolation of Blank Strips in Formation Micro- Scanner Conductivity Image and Separation of Porosity between Fracture and Karst Cave. Well Logging Technology, 41(1): 33-40 (in Chinese with English abstract).

[40] Liang, L.X., Xu, Q., Liu, X.J., 2006. Identification of Fractured Formation with Grey Theory. Special Oil & Gas Reservoirs, 13(2): 16-18, 104-105 (in Chinese with English abstract).

[41] Liu, J.X., Cui, Z.W., Li, G., et al., 2008. Acoustoelastic Effects on Stoneley Waves in a Fluid-Filled Pressurized Borehole in a Transverse Isotropic Formation. Journal of Jilin University (Earth Science Edition), 38(S1): 117-120 (in Chinese with English abstract).

[42] Liu, J.J.,Dong, S.Q.,Cui, X.H., 2020. Data Analysis Algorithms and Application Practices. Petroleum Industry Press, Beijing (in Chinese).

[43] Lü, W.Y., Zeng, L.B., Liu, J., et al., 2016. Fracture Research Progress in Low Permeability Tight Reservoirs. Geological Science and Technology Information, 35(4): 74-83 (in Chinese with English abstract).

[44] Lyu, W. Y., Zeng, L. B., Liao, Z. H., et al., 2017. Fault Damage Zone Characterization in Tight-Oil Sandstones of the Upper Triassic Yanchang Formation in the Southwest Ordos Basin, China: Integrating Cores, Image Logs, and Conventional Logs. Interpretation, 5(4): SP27-SP39. https://doi.org/10.1190/int-2016-0231.1

[45] Lyu, W. Y., Zeng, L. B., Liu, Z. Q., et al., 2016. Fracture Responses of Conventional Logs in Tight-Oil Sandstones: A Case Study of the Upper Triassic Yanchang Formation in Southwest Ordos Basin, China. AAPG Bulletin, 100(9): 1399-1417. https://doi.org/10.1306/04041615129

[46] Mazhari, S. M., Memarian, H., Tokhmechi, B., 2018. A Hybrid Learning Automata and Case-Based Reasoning for Fractured Zone Detection Using Petrophysical Logs. Arabian Journal of Geosciences, 11(19): 577. https://doi.org/10.1007/s12517-018-3934-3

[47] Mazaheri, A., Memarian, H., Tokhmechi, B., et al., 2015. Developing Fracture Measure as an Index of Fracture Impact on Well-Logs. Energy Exploration & Exploitation, 33(4): 555-574. https://doi.org/10.1260/0144-5987.33.4.555

[48] Nouri-Taleghani, M., Mahmoudifar, M., Shokrollahi, A., et al., 2015. Fracture Density Determination Using a Novel Hybrid Computational Scheme: A Case Study on an Iranian Marun Oil Field Reservoir. Journal of Geophysics and Engineering, 12(2): 188-198. https://doi.org/10.1088/1742-2132/12/2/188

[49] Shafiabadi, M., Kamkar-Rouhani, A., Ghavami Riabi, S. R., et al., 2021. Identification of Reservoir Fractures on FMI Image Logs Using Canny and Sobel Edge Detection Algorithms. Oil & Gas Science and Technology - Rev. IFP Energies Nouvelles, 10(76): 1-11. https://doi.org/10.2516/ogst/2020086

[50] Shazly, T. F., Tarabees, E., 2013. Using of Dual Laterolog to Detect Fracture Parameters for Nubia Sandstone Formation in Rudeis-Sidri Area, Gulf of Suez, Egypt. Egyptian Journal of Petroleum, 22(2): 313-319. https://doi.org/10.1016/j.ejpe.2013.08.001

[51] Shi, G. R., 2008. Superiorities of Support Vector Machine in Fracture Prediction and Gassiness Evaluation. Petroleum Exploration and Development, 35(5): 588-594. https://doi.org/10.1016/S1876-3804(09)60091-4

[52] Shi, J. X., Zeng, L. B., Dong, S. Q., et al., 2020. Identification of Coal Structures Using Geophysical Logging Data in Qinshui Basin, China: Investigation by Kernel Fisher Discriminant Analysis. International Journal of Coal Geology, 217: 103314. https://doi.org/10.1016/j.coal.2019.103314

[53] Su, Y.D., Qiao, W.X., Sun, J.M., et al., 2005. Evaluating Formation Shear-Wave Anisotropy by Using Cross-Dipole Acoustic Logging Data. Geophysical Prospecting for Petroleum, 44(4): 409-412 (in Chinese with English abstract).

[54] Sun, L.D., Zou, C.N., Jia, A.L., et al., 2019. Development Characteristics and Orientation of Tight Oil and Gas in China. Petroleum Exploration and Development, 46(6): 1015-1026 (in Chinese with English abstract).

[55] Taibi, F., Akbarizadeh, G., Farshidi, E., 2019. Robust Reservoir Rock Fracture Recognition Based on a New Sparse Feature Learning and Data Training Method. Multidimensional Systems and Signal Processing, 30(4): 2113-2146. https://doi.org/10.1007/s11045-019-00645-8

[56] Tang, X. M., 2011. A Unified Theory for Elastic Wave Propagation through Porous Media Containing Cracks—An Extension of Biot’s Poroelastic Wave Theory. Science China Earth Sciences, 54(9): 1441-1452. https://doi.org/10.1007/s11430-011-4245-7

[57] Tang, X.M., Xu, S., Zhuang, C.X., et al., 2016. Quantitative Evaluation of Rock Brittleness and Fracability Based on Elastic-Wave Velocity Variation around Borehole. Petroleum Exploration and Development, 43(3): 417-424 (in Chinese with English abstract).

[58] Tian,M.,Li,B.T.,Xu,H.,et al.,2021. Deep Learning Assisted Well Log Inversion for Fracture Identification. Geophysical Prospecting, 69(2): 419-433. https://doi.org/ 10.1111/1365-2478.13054

[59] Tokhmechi, B., Memarian, H., Noubari, H. A., et al., 2009. A Novel Approach Proposed for Fractured Zone Detection Using Petrophysical Logs. Journal of Geophysics and Engineering, 6(4): 365-373. https://doi.org/10.1088/1742-2132/6/4/004

[60] Wang, L., Shen, J.S., Heng, H.L., et al., 2021. Automatic Fractured-Vuggy Identification and Extraction from Electric Imaging Logging Data Based on an Incomplete Path Opening Operation and a Sinusoidal Database. Petroleum Science Bulletin, 6(3):380-395 (in Chinese with English abstract).

[61] Wang, L., Shen, J.S., Su, Z.Y., et al., 2020. Blank Block Interpolation and Distorted Response Restoration of the Electric Image Based on Wavelet Transforming and Fast Matching Method. Chinese Journal of Engineering Geophysics, 17(5): 531-540 (in Chinese with English abstract).

[62] Wang, X.L., Zhang, X.L., 2020. Fracture Identification of Chang-6 Tight Sandstone Reservoir in Yanchang Formation of Zhidan Oil Region, Ordos Basin. Well Logging Technology, 44(4): 404-410 (in Chinese with English abstract).

[63] Wei, B.Y., Pan, B.Z., Yin, Q.L., et al., 2020. Identification of Image Logging Data Based on Conditional Generation Adversarial Network. Geophysical Prospecting for Petroleum, 59(2): 295-302 (in Chinese with English abstract).

[64] Xie, W., Liu, B., Qian, Y.l., et al., 2017. Pso-LSSVM-Based Identifying Method for the Fracture-Vug Fillings. Petroleum Geology & Oilfield Development in Daqing, 36(2): 135-142 (in Chinese with English abstract).

[65] Xu, C. S., Dong, S. Q., Wang, H., et al., 2021. Modelling of Coupled Hydro-Thermo-Chemical Fluid Flow through Rock Fracture Networks and Its Applications. Geosciences, 11(4): 153. https://doi.org/10.3390/geosciences11040153

[66] Xu, F.H., Wang, Z.W., Liu, J.H., et al., 2018. Acoustic Logging Information Extraction and Fractural Volcanic Formation Characteristics Based on Empirical Mode Decomposition. Geophysical Prospecting for Petroleum, 57(6): 936-943 (in Chinese with English abstract).

[67] Xue, Y. C., Cheng, L. S., Mou, J. Y., et al., 2014. A New Fracture Prediction Method by Combining Genetic Algorithm with Neural Network in Low-Permeability Reservoirs. Journal of Petroleum Science and Engineering, 121: 159-166. https://doi.org/10.1016/j.petrol.2014.06.033

[68] Yuan, L., Xin, Y., Wu, S.Y., et al., 2021. Research on Qualitative Identification, Parameter Modeling and Control Factors of Cracks in Deep Cretaceous Tight Sandstone: Taking the Cretaceous Bashijiqike Formation Reservoir in Keshen Area, Kuqa Depression, Tarim Basin as an Example. Journal of Northeast Petroleum University, 45(1):20-31, 72 (in Chinese with English abstract).

[69] Zazoun, R. S., 2013. Fracture Density Estimation from Core and Conventional Well Logs Data Using Artificial Neural Networks: The Cambro-Ordovician Reservoir of Mesdar Oil Field, Algeria. Journal of African Earth Sciences, 83: 55-73. https://doi.org/10.1016/j.jafrearsci.2013.03.003

[70] Zeng, L. B., 2010. Microfracturing in the Upper Triassic Sichuan Basin Tight-Gas Sandstones: Tectonic, Overpressure, and Diagenetic Origins. AAPG Bulletin, 94(12): 1811-1825. https://doi.org/10.1306/06301009191

[71] Zeng,L.B.,Ke,S.Z.,Liu,Y.,2010.Research Methods for Fractures in Low Permeability Oil and Gas Reservoirs. Petroleum Industry Press, Beijing (in Chinese).

[72] Zeng, L. B., Li, X. Y., 2009. Fractures in Sandstone Reservoirs with Ultra-Low Permeability: A Case Study of the Upper Triassic Yanchang Formation in the Ordos Basin, China. AAPG Bulletin,93(4):461-477. https://doi.org/10.1306/09240808047

[73] Zeng, L. B., Lü, W. Y., Zhang, Y. Z., et al., 2021. The Effect of Multi-Scale Faults and Fractures on Oil Enrichment and Production in Tight Sandstone Reservoirs: A Case Study in the Southwestern Ordos Basin, China. Frontiers in Earth Science, 9:1-12. https://doi.org/10.3389/feart.2021.664629

[74] Zeng, L. B., Su, H., Tang, X. M., et al., 2013. Fractured Tight Sandstone Oil and Gas Reservoirs: A New Play Type in the Dongpu Depression, Bohai Bay Basin, China. AAPG Bulletin, 97(3):363-377. https://doi.org/10.1306/09121212057

[75] Zeng, L. B., Tang, X. M., Wang, T. C., et al., 2012. The Influence of Fracture Cements in Tight Paleogene Saline Lacustrine Carbonate Reservoirs, Western Qaidam Basin, Northwest China. AAPG Bulletin, 96(11):2003-2017. doi: 10.1306/04181211090

[76] Zeng, W.T., Ding, W.L., Zhang, J.C., et al., 2016. Research on the Fracture Effectiveness of the Lower Cambrian Niutitang Shale in the Southeastern Chongqing and Northern Guizhou Areas. Earth Science Frontiers, 23(1): 96-106 (in Chinese with English abstract).

[77] Zhang, W., Wu, T., Li, Z. P., et al., 2021. Fracture Recognition in Ultrasonic Logging Images via Unsupervised Segmentation Network. Earth Science Informatics, 14(2): 955-964. https://doi.org/10.1007/s12145-021-00605-6

[78] Zhang, X.F., Pan, B.Z., 2012. Two-Dimensional Wavelet Transform to Identify Fractures in Imaging Logging. Oil Geophysical Prospecting, 47(1): 173-176 (in Chinese with English abstract).

[79] Zhao, J., Qi, X.Z., Liu, R.L., et al., 2007. The Object Picking and Calculating by Image Devision for the Image Log Data. Progress in Geophysics, 22(5): 1502-1509 (in Chinese with English abstract).

[80] Zhao, J.F., Li, F.Q., Ling, Z.H., 2014. Logging Identification Methodology of Buried Hill Type Tight Sandstone Oil-Gas Bearing Formation in the Dongpu Sag. Special Oil & Gas Reservoirs, 21(2): 46-50 (in Chinese with English abstract).

[81] Zheng, J., Liu, H.B., Zhou, W., et al., 2010. On Identification Methods for Reservoir Fractures in Daleel Oilfield in Oman Block-5. Well Logging Technology, 34(3): 251-256 (in Chinese with English abstract).

[82] Zhou, Z.H., 2013. Disagreement-Based Semi-Supervised Learning. Acta Automatica Sinica, 39(11): 1871-1878 (in Chinese with English abstract).

[83] Zhu, L.F., 2003. Application of Novel Cross-Dipole Acoustic Logging Data in Fractured Reservoir Evaluation. Well Logging Technology, 27(3): 225-227 (in Chinese with English abstract).

[84] Zou, C.N., Yang, Z., Zhu, R.K., et al., 2015. Progress in China’s Unconventional Oil & Gas Exploration and Development and Theoretical Technologies. Acta Geologica Sinica, 89(6): 979-1007 (in Chinese with English abstract).

[85] Zou, W.B., 2020. Artificial Intelligence Research Status and Applications in Well Logging. Well Logging Technology, 44(4): 323-328 (in Chinese with English abstract).

[86] 蔡明, 章成广, 韩闯, 等, 2020. 微裂缝对横波衰减影响的实验研究及其在致密砂岩裂缝评价中的应用. 中国石油大学学报(自然科学版), 44(1): 45-52.

[87] 车小花, 赵腾, 乔文孝, 等, 2020. 多极子声波测井的裂缝识别与评价. 石油与天然气地质, 41(6):1263-1272.

[88] 陈钢花, 胡琮, 曾亚丽, 等, 2015. 基于BP神经网络的碳酸盐岩储层缝洞充填物测井识别方法. 石油物探, 54(1): 99-104.

[89] 陈义国, 2010. 裂缝的测井识别与评价方法研究 (硕士学位论文). 北京: 中国石油大学.

[90] 程超, 何亮, 张本健, 等, 2020. 中坝气田须二段气藏裂缝分级评价方法. 大庆石油地质与开发, 39(2): 56-64.

[91] 董少群, 吕文雅, 夏东领, 等, 2020. 致密砂岩储层多尺度裂缝三维地质建模方法. 石油与天然气地质, 41(3): 627-637.

[92] 董少群, 曾联波, Xu, C.S., 等, 2018. 储层裂缝随机建模方法研究进展. 石油地球物理勘探, 53(3): 625-641.

[93] 段友祥, 李根田, 2017. 联合神经网络在储层参数预测中的研究与应用. 测井技术, 41(2): 176-182.

[94] 冯冲, 代黎明, 刘晓健, 等, 2020. 渤海海域沙一二段湖相混积岩储层测井分类与识别. 地球科学, 45(10): 3677-3692.

[95] 高霞, 谢庆宾, 2007. 储层裂缝识别与评价方法新进展. 地球物理学进展, 22(5):1460-1465.

[96] 苟启洋, 徐尚, 郝芳, 等, 2020. 基于成像测井的泥页岩裂缝研究: 以焦石坝区块为例. 地质科技通报, 39(6): 193-200.

[97] 郝慧珍, 顾庆, 胡修棉, 2021. 基于机器学习的矿物智能识别方法研究进展与展望. 地球科学, 46(9):3091-3106.

[98] 何风, 刘瑞林, 白亚东, 等, 2014. 蚁群算法在FMI成像测井图像分割中的应用. 岩性油气藏, 26(2): 114-117.

[99] 何胡军, 毕建霞, 曾大乾, 等, 2014. 基于测井曲线斜率的KNN分类算法常规测井裂缝识别——以普光气田礁滩相储层为例. 中外能源, 19(1): 70-74.

[100] 贾承造, 邹才能, 李建忠, 等, 2012. 中国致密油评价标准、主要类型、基本特征及资源前景. 石油学报, 33(3): 343-350.

[101] 姜达贵, 2017. 自然电位测井评价海拉尔油田变质岩潜山油藏裂缝性储层. 测井技术, 41(5): 550-554.

[102] 赖锦, 王贵文, 郑新华, 等, 2015. 油基泥浆微电阻率扫描成像测井裂缝识别与评价方法. 油气地质与采收率, 22(6): 47-54.

[103] 李冰涛, 王志章, 孔垂显, 等, 2019. 基于成像测井的裂缝智能识别新方法. 测井技术, 43(3): 257-262.

[104] 李曦宁, 沈金松, 李振苓, 等, 2017. 用多尺度形态学方法实现成像测井电导率图像的缝洞参数表征. 中国石油大学学报(自然科学版), 41(1): 69-77.

[105] 李振苓, 沈金松, 李思, 等, 2017. 成像测井电导率图像空白带奇异谱插值和缝洞孔隙度分离方法. 测井技术, 41(1): 33-40.

[106] 梁利喜，许强，刘向君，2006.灰色理论在裂缝性储层测井识别中的应用.特种油气藏，13(2): 16-18，104-105.

[107] 刘建军，董少群，崔学慧，2020.数据分析算法及应用实践.北京: 石油工业出版社.

[108] 刘金霞, 崔志文, 李刚, 等, 2008. 横向各向同性(VTI)介质井孔斯通利波声弹效应研究. 吉林大学学报(地球科学版), 38(S1): 117-120.

[109] 吕文雅, 曾联波, 刘静, 等, 2016. 致密低渗透储层裂缝研究进展. 地质科技情报, 35(4): 74-83.

[110] 苏远大, 乔文孝, 孙建孟, 等, 2005. 正交偶极声波测井资料在评价地层各向异性中的应用. 石油物探, 44(4): 409-412.

[111] 孙龙德, 邹才能, 贾爱林, 等, 2019. 中国致密油气发展特征与方向. 石油勘探与开发, 46(6): 1015-1026.

[112] 唐晓明, 许松, 庄春喜, 等, 2016. 基于弹性波速径向变化的岩石脆裂性定量评价. 石油勘探与开发, 43(3): 417-424.

[113] 王磊, 沈金松, 衡海亮, 等, 2021. 基于路径形态学和正弦函数族匹配的电成像测井缝洞自动识别与分离方法研究. 石油科学通报, 6(3):380-395.

[114] 王磊, 沈金松, 苏朝阳, 等, 2020. 基于小波变换与快速行进算法的电成像数据空白带填充和响应畸变修复. 工程地球物理学报, 17(5): 531-540.

[115] 王晓琳, 张小莉, 2020. 鄂尔多斯盆地志丹油区延长组长6致密砂岩储层裂缝识别. 测井技术, 44(4): 404-410.

[116] 魏伯阳, 潘保芝, 殷秋丽, 等, 2020. 基于条件生成对抗网络的成像测井图像裂缝计算机识别. 石油物探, 59(2): 295-302.

[117] 谢玮, 刘斌, 钱艳苓, 等, 2017. 基于粒子群优化最小二乘支持向量机的裂缝及缝洞充填物识别. 大庆石油地质与开发, 36(2): 135-142.

[118] 徐方慧, 王祝文, 刘菁华, 等, 2018. 基于EMD的声波测井信息提取与火成岩裂缝地层特征分析. 石油物探, 57(6): 936-943.

[119] 袁龙, 信毅, 吴思仪, 等, 2021. 深层白垩系致密砂岩裂缝定性识别、参数建模与控制因素分析——以塔里木盆地库车坳陷克深地区白垩系巴什基奇克组储层为例. 东北石油大学学报, 45(1):20-31, 72.

[120] 曾联波，柯式镇，刘洋，2010. 低渗透油气储层裂缝研究方法. 北京: 石油工业出版社.

[121] 曾维特, 丁文龙, 张金川, 等, 2016. 渝东南‒黔北地区下寒武统牛蹄塘组页岩裂缝有效性研究. 地学前缘, 23(1): 96-106.

[122] 张晓峰, 潘保芝, 2012. 二维小波变换在成像测井识别裂缝中的应用研究. 石油地球物理勘探, 47(1): 173-176.

[123] 赵军, 祁兴中, 刘瑞林, 等, 2007. 基于图像分割的成像测井资料目标拾取与计算. 地球物理学进展, 22(5): 1502-1509.

[124] 赵俊峰, 李凤琴, 凌志红, 2014. 东濮凹陷古潜山致密砂岩油气层测井识别方法. 特种油气藏, 21(2): 46-50.

[125] 郑军, 刘鸿博, 周文, 等, 2010. 阿曼五区块Daleel油田储层裂缝识别方法研究. 测井技术, 34(3): 251-256.

[126] 周志华, 2013. 基于分歧的半监督学习. 自动化学报, 39(11): 1871-1878.

[127] 朱留方, 2003. 交叉偶极子阵列声波测井资料在裂缝性储层评价中的应用. 测井技术, 27(3): 225-227.

[128] 邹才能, 杨智, 朱如凯, 等, 2015. 中国非常规油气勘探开发与理论技术进展. 地质学报, 89(6): 979-1007.

[129] 邹文波, 2020. 人工智能研究现状及其在测井领域的应用. 测井技术, 44(4): 323-328.

基金资助

国家自然科学基金青年项目(42002134)

中国博士后科学基金第14批特别资助项目(2021T140735)

中国石油大学（北京）科研基金资助项目(2462020XKJS02;2462020YXZZ004)