精选今天0 投票
无监督电相分类助力加纳近海Keta盆地储层表征：基于测井数据的机器学习方法
方法创新：无监督学习填补岩心数据空白
在油气勘探中，电相（electrofacies）分析是识别岩性和储层质量的关键步骤。然而，对于非洲加纳近海Keta盆地这样的前沿区域，岩心数据往往稀缺，传统依赖岩心标定的方法难以施展。一项最新研究提出了一种完全基于测井数据的无监督机器学习工作流，为该地区的早期评价提供了新思路。
研究团队选取了Well C井的六种标准测井曲线（如伽马射线、电阻率、密度、中子孔隙度等），在约 11,195个深度采样点上应用了K-means聚类算法。为确定最佳聚类数，他们同时使用了惯量（inertia）和轮廓系数（silhouette score）两种诊断指标。最终确定的四个电相聚类的平均轮廓系数约为 0.50，表明聚类具有中等但合理的分离度。
地质意义：从泥岩到砂岩的连续过渡
聚类结果展现出清晰的深度连续模式。四个电相分别对应从泥岩主导到清洁砂岩主导的地质序列，其差异主要体现在泥质含量、孔隙度和岩石骨架性质上。这种无需岩心标定就能捕捉到的岩性渐变规律，验证了无监督方法在地质解释中的有效性。
实用价值：为前沿盆地提供可重复框架
该研究的核心贡献在于：仅依靠测井数据，结合定量聚类评估指标，即可构建稳健且可复现的地下表征框架。对于岩心资料匮乏、勘探程度低的盆地，这一工作流程能够快速生成初始的电相模型，为后续的孔隙度预测、储层建模和井位部署提供基础。
论文已被 ICECET 2026 会议接收，作者团队来自加纳大学、夸梅·恩克鲁玛科技大学以及南非罗德斯大学等机构。他们指出，未来可将该框架与有监督学习或地质统计方法结合，进一步提升预测精度。