摘要：以渤海灣盆地G油田沙四上亞段的低滲透砂巖為研究對(duì)象，綜合運(yùn)用巖相學(xué)、高壓壓汞、核磁共振及巖心物性分析將巖心樣本的孔隙結(jié)構(gòu)劃分為4種類(lèi)型（Ⅰ、Ⅱ、Ⅲ、Ⅳ）。在此基礎(chǔ)上，通過(guò)巖心標(biāo)定測(cè)井的方式并結(jié)合支持向量機(jī)算法和特征篩選方法（F-score）建立孔隙結(jié)構(gòu)類(lèi)型的測(cè)井識(shí)別模型，并選取215組測(cè)試樣本開(kāi)展模型泛化性能驗(yàn)證。在單井孔隙結(jié)構(gòu)類(lèi)型的測(cè)井識(shí)別基礎(chǔ)上，采用序貫高斯模擬的方法建立G油田主力含油層系孔隙結(jié)構(gòu)類(lèi)型的三維地質(zhì)模型，實(shí)現(xiàn)有利孔滲發(fā)育帶的預(yù)測(cè)。結(jié)果表明：215組測(cè)試樣本中僅22組樣本被錯(cuò)判為鄰類(lèi)樣本，測(cè)試樣本的整體正判率為89.77%。基于F-score協(xié)同支持向量機(jī)算法的孔隙結(jié)構(gòu)類(lèi)型的預(yù)測(cè)模型與早期的統(tǒng)計(jì)學(xué)方法和神經(jīng)網(wǎng)絡(luò)算法相比，展現(xiàn)出更好的預(yù)測(cè)性能。

關(guān)鍵詞：渤海灣盆地； 低滲透砂巖； 孔隙結(jié)構(gòu)； 支持向量機(jī)

中圖分類(lèi)號(hào)：TE 122.2"" 文獻(xiàn)標(biāo)志碼：A

引用格式：路研，劉宗賓，李超，等.基于F-score協(xié)同支持向量機(jī)算法的孔隙結(jié)構(gòu)類(lèi)別測(cè)井識(shí)別［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，48（6）：37-47.

LU Yan， LIU Zongbin， LI Chao， et al. Pore structure categories logging identification based on F-score assisted with support vector machine algorithm［J］. Journal of China University of Petroleum（Edition of Natural Science），2024，48（6）：37-47.

Pore structure categories logging identification based on

F-score assisted with support vector machine algorithm

LU Yan1， LIU Zongbin1， LI Chao1， WANG Ya1， SONG Hongliang1， YU Yang2

（1.Tianjin Branch of CNOOC China Limited，" Tianjin 300452， China;

2.School of Geosciences in China University of Petroleum （East China）， Qingdao 266580， China）

Abstract： This paper focuses on the low-permeability sandstones of the upper Es4 member in the Boxing Sag， where pore structures in core samples were categorized into four types （Ⅰ， Ⅱ， Ⅲ and Ⅳ） based on poroperm analysis， mercury injection capillary pressure， nuclear magnetic resonance， and petrophysical property analysis. Using this classification， a logging identification model for pore structures was established by calibrating logging samples with core samples and applying the support vector machine （SVM） algorithm with an F-score feature selection. The model s performance was validated using 215 test samples. Based on the logging identification of pore structures from single wells， a three-dimensional geological model of pore structure types for key oil-bearing layers in the G oilfield was developed using sequential Gaussian simulation， enabling the prediction of favorable porosity and permeability zones. The results indicate that there are only 22 misjudgments in 215 test samples， all of which were among adjacent samples， achieving a prediction accuracy of 89.77%. Compared with the early statistical methods and neural network algorithms， the pore structure prediction model established with SVM-assisted F-score algorithm exhibits superior predictive performance.

Keywords： Bohai Bay basin; low-permeability sandstones; pore structure; support vector machine

隨著石油工業(yè)的飛速發(fā)展，油氣勘探開(kāi)發(fā)領(lǐng)域的研究熱點(diǎn)逐漸由中、高滲儲(chǔ)層向低滲—致密儲(chǔ)層或頁(yè)巖儲(chǔ)層轉(zhuǎn)變^［1-2］。由于低滲—致密砂巖的成巖改造作用強(qiáng)，儲(chǔ)層孔隙結(jié)構(gòu)復(fù)雜，并在微觀—巖心—單井—油田的不同尺度上均顯示出不同程度的非均質(zhì)特征，僅依靠微觀、巖心尺度的孔隙結(jié)構(gòu)研究難以反映宏觀的儲(chǔ)層品質(zhì)差異分布特征，亟需建立跨尺度的孔隙結(jié)構(gòu)表征方法^［3-5］。機(jī)器學(xué)習(xí)作為數(shù)據(jù)挖掘中一項(xiàng)必不可少的技術(shù)手段，在解決研究目標(biāo)與多個(gè)因素相關(guān)的線(xiàn)性或非線(xiàn)性問(wèn)題時(shí)，表現(xiàn)出精度高、速度快及通用性強(qiáng)等優(yōu)點(diǎn)^［6-13］。其中支持向量機(jī)（support vector machine， SVM）算法已廣泛應(yīng)用于地學(xué)領(lǐng)域，在諸如巖性識(shí)別、隔夾層分析、剩余油表征、含氣性評(píng)價(jià)及裂縫預(yù)測(cè)等方面應(yīng)用效果顯著^［14-18］。因此選取SVM算法開(kāi)展孔隙結(jié)構(gòu)尺度升級(jí)研究，對(duì)儲(chǔ)集空間組成、孔隙結(jié)構(gòu)、孔隙連通性及其控制下的孔滲關(guān)系等方面的儲(chǔ)集空間定量評(píng)價(jià)意義重大。

1 區(qū)域地質(zhì)背景

渤海灣盆地是中國(guó)最主要的含油氣盆地之一，展現(xiàn)出巨大的含油氣潛力（圖1）^［19］。G油田在區(qū)域上位于渤海灣盆地西南部的一個(gè)次級(jí)構(gòu)造單元，區(qū)內(nèi)發(fā)育豐富的古近系沉積物，自下而上依次發(fā)育孔店組（Ek）、沙河街組（Es）和東營(yíng)組（Ed）地層^［4，19］。始新世沙河街組自下而上由沙四段（Es4）、沙三段（Es3）、沙二段（Es2）、沙一段（Es1）4個(gè)沉積單元組成（圖1）。目的層段沙四上亞段（Ess4）沉積時(shí)期，古地形相對(duì)平緩，物源供給充足，濱淺湖灘壩砂體廣泛發(fā)育。

2 孔隙結(jié)構(gòu)類(lèi)型及特征

毛管壓力曲線(xiàn)和核磁共振T2譜曲線(xiàn)可以為孔隙結(jié)構(gòu)類(lèi)型劃分提供定量化的特征參數(shù)。基于鑄體薄片、毛管壓力曲線(xiàn)和核磁共振T2譜曲線(xiàn)分析，對(duì)沙四上亞段儲(chǔ)層的巖心孔隙結(jié)構(gòu)類(lèi)型進(jìn)行劃分?！坝行Э蓜?dòng)流體孔隙度”為單位體積巖樣內(nèi)大于截止孔徑的那部分有效孔隙所占據(jù)的孔隙空間，其數(shù)值等于有效可動(dòng)流體飽和度與飽和水狀態(tài)下孔隙度的乘積，該參數(shù)能夠很好地反映低滲—致密砂巖內(nèi)被可動(dòng)流體占據(jù)的有效孔隙空間^［20］。此外還綜合儲(chǔ)層品質(zhì)特征參數(shù)（孔隙度、滲透率和儲(chǔ)層品質(zhì)指數(shù)（reservoir quality index， RQI）、孔喉大小分布特征參數(shù)（最大孔喉半徑（rmax）、中值孔喉半徑（r50）和峰點(diǎn)孔喉半徑（rapex）），將沙四上亞段儲(chǔ)層的巖心樣本劃分為4類(lèi)孔隙結(jié)構(gòu)（Ⅰ、Ⅱ、Ⅲ和Ⅳ），見(jiàn)表1。4類(lèi)孔隙結(jié)構(gòu)的統(tǒng)計(jì)分析結(jié)果表明，自Ⅰ類(lèi)向Ⅳ類(lèi)孔隙結(jié)構(gòu)過(guò)渡，孔隙度、滲透率、RQI、孔喉半徑和有效可動(dòng)流體孔隙度的值逐漸減小，而排驅(qū)壓力的值逐漸增大（表1）。不同類(lèi)型孔隙結(jié)構(gòu)的詳細(xì)特征如下。

Ⅰ類(lèi)孔隙結(jié)構(gòu)的退汞效率介于22.53%～58.91%，分選系數(shù)大于0.46。毛管壓力曲線(xiàn)在進(jìn)汞初期表現(xiàn)出一個(gè)很長(zhǎng)的平緩段，曲線(xiàn)平臺(tái)較明顯，表明儲(chǔ)層有效喉道半徑分布范圍大，孔喉配置關(guān)系良好（圖2），且毛管壓力曲線(xiàn)的排驅(qū)壓力值相對(duì)偏低，分布在0.1～0.4 MPa的范圍內(nèi)。核磁共振T2譜曲線(xiàn)中長(zhǎng)的T2組分普遍發(fā)育，弛豫時(shí)間T2多分布在0.1～1000 ms，這意味著大孔隙所占比例較高（圖2）。此外有效可動(dòng)流體孔隙度為2.97%～5.98%，反映核磁離心實(shí)驗(yàn)中易被分離出去的有效可動(dòng)流體體積分?jǐn)?shù)較高，孔喉連通性較好。Ⅰ類(lèi)孔隙結(jié)構(gòu)的孔隙系統(tǒng)是殘余粒間孔隙和次生溶蝕孔隙的組合，且溶蝕作用較強(qiáng)（圖2）。由長(zhǎng)石、巖屑等不穩(wěn)定組分溶蝕形成的次生溶孔對(duì)孔喉連通性和儲(chǔ)層滲流性能起到重要的改善作用。由于Ⅰ類(lèi)孔隙結(jié)構(gòu)具有最大的孔喉半徑和最好的微觀連通性，因此表現(xiàn)出相對(duì)較高的滲透率和RQI（表1）。

Ⅱ類(lèi)孔隙結(jié)構(gòu)具有相對(duì)較低的排驅(qū)壓力值和較高的退汞效率，分別為0.2～2.0 MPa和19.58%～45.34%。毛管壓力曲線(xiàn)在進(jìn)汞初期表現(xiàn)出一個(gè)相對(duì)較長(zhǎng)的平緩段，表明儲(chǔ)層有效喉道半徑的分布范圍較Ⅰ類(lèi)孔隙結(jié)構(gòu)明顯變窄（圖2）。核磁共振T2譜曲線(xiàn)呈現(xiàn)高右峰、低左峰的分布特征，且細(xì)小孔徑所占體積分?jǐn)?shù)逐漸增多（圖2）。有效可動(dòng)流體孔隙度為1.68%～4.32%，表明孔隙空間內(nèi)流體流動(dòng)性相對(duì)較強(qiáng)。其孔隙系統(tǒng)主要由殘余粒間孔隙和次生溶蝕孔隙組成，溶蝕作用相對(duì)較強(qiáng)。以Ⅱ類(lèi)孔隙結(jié)構(gòu)主導(dǎo)的砂巖儲(chǔ)層表現(xiàn)出較好的宏觀儲(chǔ)集性能和微觀連通性，滲透率一般為（0.40～2.90）×10^-3 μm2，RQI為0.19～0.42 μm（表1）。

Ⅲ類(lèi)孔隙結(jié)構(gòu)所對(duì)應(yīng)的毛細(xì)管壓力曲線(xiàn)的平緩段較短，且具有較高的排驅(qū)壓力，反映儲(chǔ)層有效喉道半徑分布范圍窄的特點(diǎn)（圖2）。退汞效率為14.83%～50.25%，孔喉分選系數(shù)小于0.45。核磁共振T2譜為典型的雙峰型，弛豫時(shí)間T2分布范圍廣，但大孔喉所占體積分?jǐn)?shù)較低（圖2）。此外Ⅲ類(lèi)孔隙結(jié)構(gòu)所對(duì)應(yīng)的T2譜的信號(hào)幅度明顯低于Ⅰ類(lèi)和Ⅱ類(lèi)孔隙結(jié)構(gòu)的T2譜信號(hào)幅度，表明孔隙體積明顯降低。整體上Ⅲ類(lèi)型孔隙結(jié)構(gòu)的孔隙類(lèi)型以粒間溶孔和孤立的粒內(nèi)溶孔為主，少見(jiàn)殘余粒間孔（圖2）。該類(lèi)儲(chǔ)層中還廣泛發(fā)育碳酸鹽膠結(jié)物，因此形成以小孔喉為主的孔隙系統(tǒng)。此外以Ⅲ類(lèi)孔隙結(jié)構(gòu)為主的砂巖儲(chǔ)層中多見(jiàn)黏土礦物充填孔喉的現(xiàn)象，導(dǎo)致有效可動(dòng)流體孔隙度的體積分?jǐn)?shù)較低（0.11%～2.35%），孔喉的微觀連通性較差（表1）。

相較于Ⅰ類(lèi)、Ⅱ類(lèi)和Ⅲ類(lèi)孔隙結(jié)構(gòu)，Ⅳ類(lèi)孔隙結(jié)構(gòu)所對(duì)應(yīng)的毛管壓力曲線(xiàn)在進(jìn)汞階段的曲線(xiàn)形態(tài)較陡峭，平緩段不發(fā)育（圖2）。該類(lèi)孔隙結(jié)構(gòu)的排驅(qū)壓力值最高，分布在2.0～20.0 MPa；退汞效率為19.07%～45.73%；孔隙分選較好，分選系數(shù)低于0.05。核磁共振T2譜呈現(xiàn)出高左峰、低右峰的分布特征，且長(zhǎng)的T2組分不發(fā)育，弛豫時(shí)間T2主要在0.1～10 ms，表明小孔隙所占體積分?jǐn)?shù)較高（圖2）。有效可動(dòng)流體孔隙度為0.02%～0.47%的范圍內(nèi)，反映核磁離心實(shí)驗(yàn)中易被分離出去的有效可動(dòng)流體體積分?jǐn)?shù)最低，孔喉連通性很差。以Ⅳ類(lèi)型孔隙結(jié)構(gòu)為主的砂巖儲(chǔ)層受強(qiáng)烈的壓實(shí)作用和碳酸鹽膠結(jié)作用影響，鑄體薄片中無(wú)肉眼可見(jiàn)的孔隙，儲(chǔ)層儲(chǔ)集物性較差。然而當(dāng)砂巖儲(chǔ)層中發(fā)育大量的黏土礦物晶間孔時(shí)，也可能呈現(xiàn)出“高孔低滲”的特征（圖2）。

3 基于SVM算法的孔隙結(jié)構(gòu)類(lèi)型測(cè)井識(shí)別

3.1 支持向量機(jī)算法原理

SVM算法最早由Vapnik于1995年提出^［21］，算法的核心思想是通過(guò)構(gòu)造一個(gè)最優(yōu)決策超平面，使得超平面兩側(cè)的兩類(lèi)樣本的類(lèi)間距離達(dá)到最大化（圖3（a）），從而為監(jiān)督模型下的分類(lèi)問(wèn)題提供最好的泛化性能。SVM算法可以通過(guò)核函數(shù)的引入實(shí)現(xiàn)低維空間到高維空間的映射（圖3（b）），從而將非線(xiàn)性不可分問(wèn)題轉(zhuǎn)換成高維空間的線(xiàn)性可分問(wèn)題^［14-15］。SVM算法在處理小樣本、高維度和非線(xiàn)性的模式識(shí)別問(wèn)題時(shí)具有強(qiáng)大的算法優(yōu)勢(shì)，目前已廣泛應(yīng)用于分類(lèi)和回歸問(wèn)題。因此采用性能優(yōu)越的SVM算法實(shí)現(xiàn)對(duì)G油田沙四上亞段低滲透砂巖儲(chǔ)層的孔隙結(jié)構(gòu)類(lèi)型測(cè)井識(shí)別。

假設(shè)給定一個(gè)包含有n組孔隙結(jié)構(gòu)樣本數(shù)據(jù)的數(shù)據(jù)集，每組樣本中有m+1個(gè)特征參數(shù)（即x1i，x2i，…，xmi，yi，i=1，2，…，n）。其中ngt;gt;m-1。因此包含有前m個(gè)儲(chǔ)層參數(shù)的n個(gè)樣本可以定義為n個(gè)向量，即

xi=x1i，x2i，…，xmi， i=1，2，…，n.（1）

SVM算法通過(guò)構(gòu)建最優(yōu)決策超平面來(lái)實(shí)現(xiàn)樣本分類(lèi)，該超平面滿(mǎn)

足下式：

yi（wTφ（xi）+b）≥1-ξi.（2）

式中，wT為多維向量；φ（xi）為映射集合；b為常數(shù)；ξi≥ 0為一個(gè)松弛變量，控制分類(lèi)誤差。

為了使分類(lèi)間隔最大，可將分類(lèi)問(wèn)題轉(zhuǎn)化為最小化問(wèn)題，因此式（2）可以表示為

min12w2+C∑ni=1ξi.（3）

式中，C為懲罰參數(shù)；12

w2為分類(lèi)間隔。

式（2）和式（3）的組合為不等式約束問(wèn)題，通過(guò)引入拉格朗日函數(shù)，

L（w，b，α）=12w2+C∑ni=1ξi-∑ni=1αi［yi（wTφ（xi）+b）-1+ξi］.（4）

可將不等式約束問(wèn)題轉(zhuǎn)化為對(duì)偶函數(shù)的優(yōu)化問(wèn)題，即

maxQ（α）=

∑ni=1αi-12

∑ni，j=1αiαjyiyjexp

（-gx-xi2），

s.t.∑ni=1yiαi=0， i=1，2，…，n.

（5）

式中，α為拉格朗日乘子向量，α=（α1，α2，α3，…，αn），0≤αi≤C；exp

（-gx-xi2）是實(shí)現(xiàn)非線(xiàn)性映射的高斯核函數(shù)；g為高斯核參數(shù)，g大于0。

SVM模型參數(shù)尋優(yōu)過(guò)程中采用目前比較流行的交叉驗(yàn)證和網(wǎng)格搜索法相結(jié)合的方式（圖4）。首先采用較大的網(wǎng)格范圍和步長(zhǎng)進(jìn)行粗略的模型參數(shù)尋優(yōu)；其次逐漸縮小網(wǎng)格搜索范圍和步長(zhǎng)進(jìn)行模型參數(shù)精細(xì)尋優(yōu)。不斷重復(fù)尋優(yōu)過(guò)程，直至獲得最優(yōu)的模型參數(shù)時(shí)，結(jié)束訓(xùn)練。

最終得到的最優(yōu)分類(lèi)決策函數(shù)為

f（x）=sgn∑ni=1α*iyiexp（-gx-xi2）+b*.（6）

式中，b^*為分類(lèi)閾值，可通過(guò)任意一組支持向量xi求得。

綜上所述，孔隙結(jié)構(gòu)類(lèi)型的測(cè)井預(yù)測(cè)模型構(gòu)建主要包括以下幾個(gè)主要步驟：①樣本數(shù)據(jù)集的構(gòu)建（即式（1）所示的n個(gè)向量）；②基于構(gòu)建的n組學(xué)習(xí)樣本，結(jié)合C-SVM分類(lèi)技術(shù)和模型參數(shù)尋優(yōu)方法對(duì)SVM預(yù)測(cè)模型進(jìn)行訓(xùn)練，以獲取SVM預(yù)測(cè)模型（即式（6）所示的分類(lèi)函數(shù)）；③分別利用n組學(xué)習(xí)樣本和式（7）所示的N組測(cè)試樣本對(duì)SVM預(yù)測(cè)模型的性能進(jìn)行回判檢驗(yàn)和預(yù)測(cè)檢驗(yàn)，以判斷構(gòu)建的預(yù)測(cè)模型的性能是否滿(mǎn)足地質(zhì)要求。若模型性能優(yōu)越，則可將構(gòu)建的SVM預(yù)測(cè)模型推廣到未取芯層段的孔隙結(jié)構(gòu)類(lèi)型的測(cè)井識(shí)別。

xi=x1i，x2i，…，xmi，i=n+1，n+2，…，n+N.（7）

3.2 樣本數(shù)據(jù)集準(zhǔn)備

3.2.1 基于F-score算法的輸入特征優(yōu)選

低滲透砂巖儲(chǔ)層受控于多種復(fù)雜地質(zhì)因素，儲(chǔ)層孔隙結(jié)構(gòu)復(fù)雜、微觀非均質(zhì)性強(qiáng)。不同類(lèi)型孔隙結(jié)構(gòu)的儲(chǔ)層差異性主要體現(xiàn)在巖礦特征、儲(chǔ)層結(jié)構(gòu)及巖石物理性質(zhì)等幾個(gè)方面，而這些特征屬性均能通過(guò)測(cè)井響應(yīng)來(lái)區(qū)分。因此通過(guò)優(yōu)選能夠反映低滲透砂巖儲(chǔ)層巖石物理特征的測(cè)井屬性參數(shù)來(lái)實(shí)現(xiàn)孔隙結(jié)構(gòu)類(lèi)型的測(cè)井識(shí)別。

理論上，輸入的測(cè)井屬性越多所反映的地質(zhì)信息越全面。但實(shí)際過(guò)程中，過(guò)多的輸入特征會(huì)產(chǎn)生噪音，降低機(jī)器學(xué)習(xí)的效率，影響識(shí)別效果。此外輸入特征之間可能存在交叉信息，同時(shí)較多的輸入特征可能會(huì)導(dǎo)致某一信息的重復(fù)反饋。特征篩選的目的在于剔除冗余特征、挖掘?qū)紫督Y(jié)構(gòu)類(lèi)型識(shí)別起關(guān)鍵作用的特征屬性，從而確保模型達(dá)到最優(yōu)的預(yù)測(cè)性能。傳統(tǒng)的F-score特征篩選方法作為一種便捷的數(shù)據(jù)降維方法，在數(shù)據(jù)分析與處理領(lǐng)域應(yīng)用廣泛^［22-23］。該方法適用于兩類(lèi)樣本的分類(lèi)問(wèn)題，通過(guò)評(píng)估每個(gè)特征屬性對(duì)兩類(lèi)數(shù)據(jù)集的分辨能力來(lái)篩選出最佳特征屬性。算法的基本實(shí)現(xiàn)原理如下。

假設(shè)存在一個(gè)訓(xùn)練樣本集Xk∈R^m，k=1，2，…，n，其中正類(lèi)和負(fù)類(lèi)樣本集的個(gè)數(shù)分別為n+和n-，則訓(xùn)練樣本集中第i個(gè)特征的F-score值計(jì)算公式 ^［22-23］ 為

F（i）=（^（+）i-i）2+

（^（-）i-i）2

1n+-1∑n+k=1（x^（+）k，i-^（+）i）2+

1n--1∑n-k=1

（x^（-）k，i-^（-）i）2.（8）

式中，i，^（+）i和^（-）i

分別為第i個(gè)特征在整個(gè)樣本集、正類(lèi)樣本集及負(fù)類(lèi)樣本集上的平均值，無(wú)量綱（圖5（a））；^（+）k，i和^（-）k，i分別為第k個(gè)正類(lèi)樣本和負(fù)類(lèi)樣本在第i個(gè)特征的特征值，無(wú)量綱。

有關(guān)學(xué)者對(duì)F-score特征篩選方法進(jìn)行改進(jìn)，并將其推廣應(yīng)用于多分類(lèi)的情況^［22］。采用改進(jìn)的F-score方法開(kāi)展多分類(lèi)問(wèn)題的特征篩選。假設(shè)存在樣本集Xk∈R^m，k=1，2，…，n；則訓(xùn)練樣本集的第i個(gè)特征的F-score值的計(jì)算公式為

F（i）=∑lj=1

^（j）i-i）2

∑lj=11nj-1∑njk=1

（^（j）k，i-^（j）i）2

.（9）

式中，l為樣本類(lèi)別數(shù)，無(wú)量綱；nj為第j類(lèi)的樣本個(gè)數(shù)，無(wú)量綱；^（j）i為第i個(gè)特征在第j類(lèi)樣本集中的平均值，無(wú)量綱（圖5（b））；

^（j）k，i為第j類(lèi)第k個(gè)樣本點(diǎn)上第i個(gè)特征的特征值，無(wú)量綱。

式（7）中的分子為近似類(lèi)間距離之和，分母為類(lèi)內(nèi)樣本協(xié)方差。因此F-score值能夠很好地量化輸入的測(cè)井屬性在解決孔隙結(jié)構(gòu)類(lèi)型識(shí)別問(wèn)題時(shí)對(duì)各類(lèi)孔隙結(jié)構(gòu)的分辨能力。F-score值越大，反映類(lèi)間距離越大、類(lèi)內(nèi)距離越小，即該測(cè)井屬性的分類(lèi)敏感性越強(qiáng)?；贔-score值計(jì)算結(jié)果可以對(duì)不同測(cè)井屬性的分類(lèi)敏感性強(qiáng)弱進(jìn)行排序。如圖6所示，選取的7種常用測(cè)井屬性的F-score值由大到小排序依次為GR、AC、CNL、SP、DEN、R25、R4，即選取的7種測(cè)井屬性對(duì)各類(lèi)樣本的分類(lèi)敏感性自GR到R4依次減弱。在獲取這一排序后，可以采用遞歸消除的思想并結(jié)合SVM算法開(kāi)展輸入特征優(yōu)選。具體實(shí)現(xiàn)流程為依次從輸入特征集中刪除F-score值最低的一個(gè)測(cè)井屬性，直至特征集中僅剩余一個(gè)測(cè)井屬性；每刪除一個(gè)測(cè)井屬性后均采用SVM算法對(duì)當(dāng)前特征集的分類(lèi)效果進(jìn)行評(píng)估，以獲取最優(yōu)輸入特征集。分析結(jié)果表明，當(dāng)選取前5種F-score值較大的測(cè)井屬性（GR、AC、CNL、SP、DEN）作為模型輸入特征時(shí)，模型預(yù)測(cè)精度達(dá)到最高。因此后續(xù)研究以GR、AC、CNL、SP、DEN在內(nèi)的5種測(cè)井屬性值作為模型輸入。

3.2.2 樣本數(shù)據(jù)集構(gòu)建

以G油田沙四上亞段的715個(gè)巖心樣本數(shù)據(jù)作為預(yù)測(cè)模型建立所需的學(xué)習(xí)樣本和測(cè)試樣本。每個(gè)樣本包括5個(gè)輸入變量（x1， x2， x3， x4， x5）及1個(gè)輸出變量（y）。其中輸入變量分別對(duì)應(yīng)F-score算法優(yōu)選的5個(gè)測(cè)井屬性（GR， AC， CNL， SP， DEN）；輸出變量y為孔隙結(jié)構(gòu)的類(lèi)別標(biāo)簽，以y={Ⅰ， Ⅱ， Ⅲ， Ⅳ， Ⅴ}表示。其中Ⅰ、Ⅱ、Ⅲ和Ⅳ分別對(duì)應(yīng)上文中識(shí)別出的4種孔隙結(jié)構(gòu)類(lèi)型；Ⅴ類(lèi)代表非儲(chǔ)層。

為了同時(shí)兼顧訓(xùn)練模型的準(zhǔn)確性和預(yù)測(cè)結(jié)果的有效性，分別選取樣本數(shù)據(jù)的70%和30%作為學(xué)習(xí)樣本和測(cè)試樣本開(kāi)展模型訓(xùn)練和性能檢驗(yàn)。因此隨機(jī)選取500組學(xué)習(xí)樣本組成訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，并建立孔隙結(jié)構(gòu)類(lèi)型的預(yù)測(cè)模型；選取215組測(cè)試樣本對(duì)預(yù)測(cè)模型進(jìn)行性能檢驗(yàn)。

3.3 算法應(yīng)用

3.3.1 預(yù)測(cè)模型構(gòu)建與分析

基于學(xué)習(xí)樣本集的訓(xùn)練過(guò)程來(lái)獲取孔隙結(jié)構(gòu)類(lèi)型的預(yù)測(cè)模型，即求出孔隙結(jié)構(gòu)類(lèi)別（y）與輸入特征參數(shù)（x1，x2，…，x5）之間的最佳擬合方程。利用上文提到的交叉驗(yàn)證法協(xié)同網(wǎng)格搜索法開(kāi)展模型參數(shù)尋優(yōu)。首先進(jìn)行粗略尋優(yōu)獲取模型參數(shù)C和g的大致范圍（圖7（a））；其次在鎖定的網(wǎng)格搜索范圍進(jìn)行小步長(zhǎng)的精細(xì)尋優(yōu)。當(dāng)C=64，g=32時(shí)，模型達(dá)到最優(yōu)，對(duì)應(yīng)交叉檢驗(yàn)精度為92.29%，擬合度較高（圖7（b））。

利用測(cè)試樣本集對(duì)構(gòu)建的預(yù)測(cè)模型性能進(jìn)行驗(yàn)證。表2顯示預(yù)測(cè)模型的整體正判率達(dá)89.77%，具有較高的預(yù)測(cè)精度，且錯(cuò)判的22個(gè)樣本均為鄰類(lèi)孔隙結(jié)構(gòu)之間的錯(cuò)判。其中9個(gè)Ⅲ類(lèi)孔隙結(jié)構(gòu)錯(cuò)判為Ⅱ類(lèi)，6個(gè)Ⅱ類(lèi)孔隙結(jié)構(gòu)錯(cuò)判為Ⅲ類(lèi)，7個(gè)Ⅳ類(lèi)孔隙結(jié)構(gòu)錯(cuò)判為Ⅲ類(lèi)。由于地質(zhì)資料的有限性，所選取的樣本集合難以完整地體現(xiàn)全部地質(zhì)信息。因此預(yù)測(cè)結(jié)果存在系統(tǒng)誤差，但10.23%的錯(cuò)判率已經(jīng)滿(mǎn)足地質(zhì)上的要求。

3.3.2 與其他模型的對(duì)比

為了驗(yàn)證F-score_SVM模型的優(yōu)越性，采用線(xiàn)性判別分析（linear dscriminant analysis， LDA）和反向傳播（back propagation， BP）神經(jīng)網(wǎng)絡(luò)算法對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)（表3、圖8）。在解決內(nèi)涵和信息豐富的復(fù)雜模式識(shí)別問(wèn)題時(shí)，LDA模型的分類(lèi)效果并不理想，LDA預(yù)測(cè)模型的準(zhǔn)確率僅為66.36%（表3、圖8（a）），但相較于分類(lèi)最為敏感的測(cè)井屬性的原始交會(huì)圖分析，LDA的分類(lèi)效果仍有一定的提高（圖8（b））?；贔-score_BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確率為82.79%，低于F-score_SVM模型的89.77%（表3）。另外BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、穩(wěn)定性差等缺點(diǎn)，在求解復(fù)雜問(wèn)題時(shí)容易陷入局部極小問(wèn)題。然而F-score_SVM模型識(shí)別效果好，收斂速度快，不受局部極小問(wèn)題的影響^［24］。

研究區(qū)低滲透砂巖儲(chǔ)層微觀非均質(zhì)性強(qiáng)，儲(chǔ)層孔隙結(jié)構(gòu)類(lèi)型與地質(zhì)參數(shù)之間的非線(xiàn)性關(guān)系強(qiáng)烈，導(dǎo)致基于LDA算法的識(shí)別精度較低（表3）。然而F-score_SVM和F-score_BP模型仍然取得較好的識(shí)別效果（表3、圖9，F(xiàn)15井）。因此在解決涉及多因素相關(guān)的復(fù)雜模式識(shí)別問(wèn)題時(shí)，應(yīng)采用非線(xiàn)性算法（BP或SVM），LDA可作為輔助應(yīng)用。當(dāng)模式識(shí)別問(wèn)題的非線(xiàn)性關(guān)系非常強(qiáng)烈時(shí)，采用SVM算法是最理想的，具有收斂速度快、訓(xùn)練時(shí)間短的特點(diǎn)。

雖然F-score_SVM模型在解決非線(xiàn)性關(guān)系復(fù)雜的模式識(shí)別問(wèn)題時(shí)具有較好的分類(lèi)效果，但仍存在以下局限性：①預(yù)測(cè)結(jié)果受樣本數(shù)量的限制^［24-25］，只有當(dāng)訓(xùn)練樣本數(shù)充足時(shí)，才能保證預(yù)測(cè)模型的精度，因此當(dāng)采集到更多的巖心樣本數(shù)據(jù)時(shí)，有必要對(duì)模型進(jìn)行及時(shí)修正；②評(píng)價(jià)參數(shù)對(duì)識(shí)別結(jié)果具有較大影響，參數(shù)選擇不當(dāng)會(huì)導(dǎo)致預(yù)測(cè)精度不高，因此應(yīng)在綜合考慮儲(chǔ)層特征的基礎(chǔ)上，合理選擇評(píng)價(jià)參數(shù)。

3.3.3 模型應(yīng)用與實(shí)例分析

基于測(cè)井?dāng)?shù)據(jù)和建立的F-core協(xié)同SVM算法的孔隙結(jié)構(gòu)類(lèi)型預(yù)測(cè)模型進(jìn)行單井的孔隙結(jié)構(gòu)類(lèi)型預(yù)測(cè)，并在全區(qū)范圍內(nèi)進(jìn)行應(yīng)用。由于低滲透砂巖儲(chǔ)層復(fù)雜的孔隙結(jié)構(gòu)特征是其宏觀儲(chǔ)集物性的一種微觀體現(xiàn)，因此不同類(lèi)型孔隙結(jié)構(gòu)微觀孔喉參數(shù)的差異在宏觀上多表現(xiàn)為儲(chǔ)集物性的差異（圖10）?；诓煌?lèi)型孔隙結(jié)構(gòu)的孔滲特征和RQI參數(shù)的分析表明，基于F-core協(xié)同SVM算法的孔隙結(jié)構(gòu)類(lèi)型預(yù)測(cè)結(jié)果既能體現(xiàn)微觀孔隙結(jié)構(gòu)參數(shù)的差異，又能評(píng)價(jià)儲(chǔ)層的宏觀儲(chǔ)集性能（圖10（a）、（b））。因此微觀孔隙結(jié)構(gòu)類(lèi)型的識(shí)別結(jié)果可以作為儲(chǔ)集層分類(lèi)評(píng)價(jià)和有利儲(chǔ)層預(yù)測(cè)的基礎(chǔ)。

在單井識(shí)別基礎(chǔ)上，借助序貫高斯模擬方法建立全區(qū)范圍內(nèi)主要含油層系（4個(gè)主力小層）的孔隙結(jié)構(gòu)類(lèi)型分布的三維地質(zhì)模型（圖11）。Ⅰ類(lèi)和Ⅱ類(lèi)孔隙結(jié)構(gòu)主導(dǎo)的儲(chǔ)層，是有利的孔滲發(fā)育帶，儲(chǔ)層連通性好，油層產(chǎn)能高，宏觀上水驅(qū)波及效率高，開(kāi)發(fā)效果好。Ⅲ類(lèi)孔隙結(jié)構(gòu)主導(dǎo)的儲(chǔ)層為非優(yōu)勢(shì)滲流區(qū)，在宏觀上的水驅(qū)波及效率較低，開(kāi)發(fā)后期整體采收程度較低，剩余油富集，是開(kāi)發(fā)后期剩余油挖潛的

重要目標(biāo)區(qū)。Ⅳ類(lèi)孔隙結(jié)構(gòu)主導(dǎo)的儲(chǔ)層宏觀物性較差，進(jìn)一步開(kāi)發(fā)具有較大難度，開(kāi)發(fā)成本較高，綜合考慮認(rèn)為目前不作為開(kāi)發(fā)后期挖潛的重點(diǎn)。

4 結(jié) 論

（1）在綜合考慮宏觀巖石物理性質(zhì)和微觀孔喉特征的基礎(chǔ)上，建立低滲透砂巖儲(chǔ)層孔隙結(jié)構(gòu)分類(lèi)方案。沙四上亞段儲(chǔ)層可以劃分為4種孔隙結(jié)構(gòu)類(lèi)型（Ⅰ、Ⅱ、Ⅲ和Ⅳ）。其中Ⅰ類(lèi)孔隙結(jié)構(gòu)表現(xiàn)出廣泛的孔徑分布范圍和良好的微觀孔喉連通性；Ⅱ類(lèi)孔隙結(jié)構(gòu)主導(dǎo)的儲(chǔ)層表現(xiàn)出較好的宏觀儲(chǔ)集性能和較強(qiáng)的微觀孔喉連通性；Ⅲ孔隙結(jié)構(gòu)的孔隙系統(tǒng)以小孔喉為主，孔喉的微觀連通性較差；Ⅳ類(lèi)孔隙結(jié)構(gòu)為主的砂巖儲(chǔ)層由于受強(qiáng)烈的壓實(shí)作用和膠結(jié)作用影響，所對(duì)應(yīng)的儲(chǔ)集物性和微觀連通性最差。

（2）在取芯層段孔隙結(jié)構(gòu)類(lèi)型識(shí)別的基礎(chǔ)上，通過(guò)巖心標(biāo)定測(cè)井的方式并結(jié)合監(jiān)督模式下的機(jī)器學(xué)習(xí)算法（SVM）和特征篩選方法（F-score）實(shí)現(xiàn)孔隙結(jié)構(gòu)類(lèi)型的測(cè)井識(shí)別及預(yù)測(cè)，進(jìn)而完成巖心尺度到測(cè)井尺度的跨越。本研究還通過(guò)與線(xiàn)性判別分析（LDA）和BP神經(jīng)網(wǎng)絡(luò)算法的對(duì)比，驗(yàn)證SVM算法在解決復(fù)雜地質(zhì)模式識(shí)別問(wèn)題時(shí)的有效性和魯棒性。

（3）在解決涉及多因素相關(guān)的復(fù)雜模式識(shí)別問(wèn)題時(shí)，LDA算法的識(shí)別精度較低，因此應(yīng)采用非線(xiàn)性算法（BP或SVM），LDA可作為輔助應(yīng)用。當(dāng)模式識(shí)別問(wèn)題的非線(xiàn)性關(guān)系非常強(qiáng)烈時(shí)，采用SVM算法是最理想的，具有收斂速度快、訓(xùn)練時(shí)間短的特點(diǎn)。

（4）借助F-core協(xié)同SVM算法，建立孔隙結(jié)構(gòu)類(lèi)型的測(cè)井預(yù)測(cè)模型，進(jìn)而將巖心尺度的孔隙結(jié)構(gòu)特征和類(lèi)型升級(jí)到測(cè)井尺度，并通過(guò)與三維地質(zhì)建模方法的結(jié)合實(shí)現(xiàn)全區(qū)范圍內(nèi)的孔隙結(jié)構(gòu)類(lèi)型空間展布規(guī)律刻畫(huà)。研究明確Ⅰ類(lèi)和Ⅱ類(lèi)孔隙結(jié)構(gòu)主導(dǎo)的有利孔滲發(fā)育帶空間分布特征，而Ⅲ類(lèi)孔隙結(jié)構(gòu)主導(dǎo)的儲(chǔ)層可作為后續(xù)開(kāi)發(fā)的重點(diǎn)挖潛區(qū)。

參考文獻(xiàn)：

［1］ 賈承造，鄭民，張永峰.中國(guó)非常規(guī)油氣資源與勘探開(kāi)發(fā)前景［J］.石油勘探與開(kāi)發(fā)，2012，39（2）：129-136.

JIA Chengzao， ZHENG Min， ZHANG Yongfeng. Unconventional hydrocarbon resources in China and the prospect of exploration and development［J］. Petroleum Exploration and Development， 2012，39（2）：129-136.

［2］ 吳松濤，朱如凱，李勛，等.致密儲(chǔ)層孔隙結(jié)構(gòu)表征技術(shù)有效性評(píng)價(jià)與應(yīng)用［J］.地學(xué)前緣，2018，25（2）：191-203.

WU Songtao， ZHU Rukai， LI Xun， et al. Evaluation and application of porous structure characterization technologies in unconventional tight reservoirs［J］. Earth Science Frontiers， 2018，25（2）：191-203.

［3］ 馮陣東，周永，吳偉，等.非均質(zhì)砂巖儲(chǔ)層壓汞分形特征與儲(chǔ)層評(píng)價(jià)［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，45（6）：25-34.

FENG Zhendong， ZHOU Yong， WU Wei， et al. Mercury injection fractal characteristics and reservoir evaluation of heterogeneous sandstone reservoirs［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2021，45（6）：25-34.

［4］ YAN J， FAN J， WANG M， et al. Rock fabric and pore structure of the Shahejie sandy conglomerates from the Dongying depression in the Bohai Bay Basin， East China［J］. Marine and Petroleum Geology， 2018，97：624-638.

［5］ WANG Y， YANG S， ZHANG Y， et al. Investigation of pore structure and reservoir quality of Eocene beach-bar sandstones in Dongying Depression， Bohai Bay Basin， East China［J］. Journal of Petroleum Science and Engineering， 2020，189：1-15.

［6］ 劉學(xué)鋒，張曉偉，曾鑫，等.采用機(jī)器學(xué)習(xí)分割算法和掃描電鏡分析頁(yè)巖微觀孔隙結(jié)構(gòu)［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，46（1）：23-33.

LIU Xuefeng， ZHANG Xiaowei， ZENG Xin， et al. Pore structure characterization of shales using SEM and machine learning based segmentation method［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2022，46（1）：23-33.

［7］ 王亞，楊少春，路研，等.基于測(cè)井巖石物理相識(shí)別的低滲透儲(chǔ)層評(píng)價(jià)方法：以東營(yíng)凹陷高青地區(qū)蒙陰組上段為例［J］.中國(guó)礦業(yè)大學(xué)學(xué)報(bào)，2018，47（6）：1388-1399.

WANG Ya， YANG Shaochun， LU Yan， et al. Evaluation method of low permeability reservoirs based on logging petrophysical facies identification： a case study of the upper member of Mengyin formation in Gaoqing area， Dongying depression［J］. Journal of China University of Mining amp; Technology， 2018，47（6）：1388-1399.

［8］ 潘少偉，王朝陽(yáng)，張?jiān)?，?基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)補(bǔ)全測(cè)井曲線(xiàn)和混合優(yōu)化XGBoost的巖性識(shí)別［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，46（3）：62-71.

PAN Shaowei， WANG Zhaoyang， ZHANG Yun， et al. Lithology identification based on LSTM neural networks completing log and hybrid optimized XGBoost［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2022，46（3）：62-71.

［9］ CHANG H C， KOPASKA-MERKEL D C， CHEN H" C. Identification of lithofacies using Kohonen self-organizing maps［J］. Computers and Geosciences， 2002，28（2）：223-229.

［10］ ALI-AHMADI M， CHEN Z. Comparison of machine learning methods for estimating permeability and porosity of oil reservoirs via petrophysical logs［J］. Petroleum， 2019，5（3）：

271-284.

［11］ 盛立，徐西龍，王維波，等.基于時(shí)頻分析和卷積神經(jīng)網(wǎng)絡(luò)的微地震事件檢測(cè)［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，45（5）：54-63.

SHENG Li， XU Xilong， WANG Weibo， et al.Detection of microseismic events based on time-frequency analysis and convolutional neural network［J］.Journal of China University of Petroleum（Edition of Natural Science）， 2021，45（5）：54-63.

［12］ ZENG L， REN W， SHAN L， et al. Well logging prediction and uncertainty analysis based on recurrent neural network with attention mechanism and bayesian theory［J］. Journal of Petroleum Science and Engineering， 2021，208（5）：1-16.

［13］ 程冰潔，徐天吉，羅詩(shī)藝，等.基于機(jī)器學(xué)習(xí)的深層頁(yè)巖有利儲(chǔ)集層預(yù)測(cè)方法及實(shí)踐［J］.石油勘探與開(kāi)發(fā)，2022，49（5）：918-928.

CHENG Bingjie， XU Tianji， LUO Shiyi， et al. Method and practice of deep favorable shale reservoir prediction based on machine learning［J］. Petroleum Exploration and Development， 2022，49（5）：918-928.

［14］ 路研，徐守余，劉可禹，等.陸相滑塌濁積扇儲(chǔ)層流動(dòng)單元定量表征［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，43（6）：1-10.

LU Yan， XU Shouyu， LIU Keyu， et al. Quantitative characterization of reservoir flow units of basin floor-fan turbidite［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2019，43（6）：1-10.

［15］ 朱怡翔，石廣仁.火山巖巖性的支持向量機(jī)識(shí)別［J］.石油學(xué)報(bào)，2013，34（2）：312-322.

ZHU Yixiang， SHI Guangren. Identification of lithologic characteristics of volcanic rocks by support vector machine［J］. Acta Petrolei Sinica， 2013，34（2）：312-322.

［16］ 陳修，徐守余，李順明，等.基于支持向量機(jī)和主成分分析的辮狀河儲(chǔ)層夾層識(shí)別［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，45（4）：22-31.

CHEN Xiu， XU Shouyu， LI Shunming， et al. Identification of interlayers in braided river reservoir based on support vector machine and principal component analysis［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2021，45（4）：22-31.

［17］ 谷建偉，任燕龍，王依科，等.基于機(jī)器學(xué)習(xí)的平面剩余油分布預(yù)測(cè)方法［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，44（4）：39-46.

GU Jianwei， REN Yanlong， WANG Yike， et al. Prediction methods of remaining oil plane distribution based on machine learning［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2020，44（4）：39-46.

［18］ 何輝，劉暢，李順明，等.基于支持向量機(jī)算法的辮狀河儲(chǔ)層砂體連通性定量評(píng)價(jià)［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，45（2）：1-10.

HE Hui， LIU Chang， LI Shunming， et al.Quantitative evaluation of sand body connectivity in braided river reservoirs based on support vector machine algorithm［J］.Journal of China University of Petroleum（Edition of Natural Science）， 2021，45（2）：1-10.

［19］ 操應(yīng)長(zhǎng)，楊田，宋明水，等.陸相斷陷湖盆低滲透碎屑巖儲(chǔ)層特征及相對(duì)優(yōu)質(zhì)儲(chǔ)層成因：以濟(jì)陽(yáng)坳陷東營(yíng)凹陷古近系為例［J］.石油學(xué)報(bào)，2018，39（7）：727-743.

CAO Yingchang， YANG Tian， SONG Mingshui， et al. Characteristics of low-permeability clastic reservoirs and genesis of relatively high-quality reservoirs in the continental rift lake basin： a case study of Paleogene in the Dongying sag， Jiyang depression［J］. Acta Petrolei Sinica， 2018，39（7）：727-743.

［20］ 代全齊，羅群，張晨，等.基于核磁共振新參數(shù)的致密油砂巖儲(chǔ)層孔隙結(jié)構(gòu)特征：以鄂爾多斯盆地延長(zhǎng)組7段為例［J］.石油學(xué)報(bào)，2016，37（7）：887-897.

DAI Quanqi， LUO Qun， ZHANG Chen， et al. Pore structure characteristics of tight-oil sandstone reservoir based on a new parameter measured by NMR experiment： a case study of seventh Member in Yanchang Formation， Ordos Basin［J］. Acta Petrolei Sinica， 2016，37（7）：887-897.

［21］ VAPNIKV N. The nature of statistical learning theory［M］. New York： Springer， 1995：43-47.

［22］ 謝娟英，王春霞，蔣帥，等.基于改進(jìn)的F-score與支持向量機(jī)的特征選擇方法［J］.計(jì)算機(jī)應(yīng)用，2010，30（4）：993-996.

XIE Juanying， WANG Chunxia， JIANG Shuai， et al. Feature selection method combing improved F-score and support vector machine［J］.Journal of Computer Applications， 2010，30（4）：993-996.

［23］ 葉吉祥，王聰慧.改進(jìn)的F-score算法在語(yǔ)音情感識(shí)別中的應(yīng)用［J］.計(jì)算機(jī)工程與應(yīng)用，2013，49（16）：137-141.

YE Jixiang， WANG Conghui. Application of improvement of F-score algorithm in speech emotion recognition［J］. Computer Engineering and Applications， 2013，49（16）：137-141.

［24］ ALI S S， NIZAMUDDIN S， ABDULRAHEEM A， et al. Hydraulic unit prediction using support vector machine［J］. Journal of Petroleum Science and Engineering， 2013，110：243-252.

［25］ DEZFOOLIAN M A. Flow zone indicator estimation based on petrophysical studies using an artificial neural network in a southern Iran reservoir［J］. Petroleum Science Technology， 2013，31（12）：1294-1305.

（編輯 李 娟）