一種基于激光誘導擊穿光譜的巖性判別方法及系統的制作方法

一種基于激光誘導擊穿光譜的巖性判別方法及系統的制作方法
【專利摘要】本發明公開了一種基于激光誘導擊穿光譜的巖性判別方法，主要是利用激光誘導擊穿光譜技術，建立基于最小二乘支持向量機的巖石和/或巖屑元素信息預測模型；再根據巖性判別模型，以待測巖石和/或巖屑樣本的元素信息預測數據判別其巖性。本發明方法對巖石/巖屑巖性判別具有直觀、快速、準確高效等特征，特別針對高鉆速條件下的錄井巖屑粉末，巖性判別準確高效，與鉆井取心巖性鑒定結果相一致。本發明還同時提供了一種用于實施上述方法的系統。
【專利說明】
一種基于激光誘導擊穿光譜的巖性判別方法及系統
技術領域
[0001] 本發明涉及地質勘探領域，具體涉及一種基于激光誘導擊穿光譜的巖性判別方法 及系統。
【背景技術】
[0002] 當前新的油氣重大勘探地質理論以及深鉆技術的進步，為我國油氣探明儲量的穩 定增長和未來油氣勘探發展提供了重要條件，油氣勘探領域已逐漸呈現出向深水、深層、非 常規、新探區及新領域轉移的趨勢。伴隨鉆遇地層的愈加復雜，超深層、高成本和高風險的 勘探目標增多，儲層勘探開發日益受到重視。近年來作為提高油氣勘探開發效率與效益的 重要手段，鉆頭技術的創新發展與應用不斷提升油氣勘探鉆井的破巖效率。但鉆頭快速鉆 井條件下，井底反出的巖肩經常十分細碎混雜，甚至呈粉塵狀，常規巖肩錄井巖性識別已難 以適應復雜油氣藏地層的勘探開發和資源快速評價的要求。以巖石組分、礦物含量、以及以 光性礦物學特征為鑒定依據的巖石結構和構造是現有巖石分類命名的依據，是巖性識別的 基礎。巖性分類的側重角度不同以及巖石本身組成元素含量的復雜變化，直接影響到快鉆 條件下的巖性識別效率，對技術工人的經驗要求更高，給儲層評價帶來巨大挑戰。為此，發 展新的巖性識別錄井技術成為當前及未來油氣勘探儲層相關研究工作的基礎與關鍵。 [0003]激光誘導擊穿光譜技術(Laser-induced breakdown Spectroscopy，簡稱LIBS)是 近幾年迅速發展的一項原子發射激光光譜分析技術。該技術主要利用高能量激光脈沖聚焦 作用在樣品表面，完成激光剝蝕采樣的同時產生激光誘導微等離子體。等離子體演化過程 中處于激發態的原子和離子向低能級或基態躍迀產生的發射譜線具有元素特征性，其強度 與對應元素含量呈一定的量化關系。采用分光及檢測系統記錄特征譜線，借助化學計量學 手段可實現樣品中多元素組分的定性以及定量-半定量分析。由于LIBS技術具備多形態（固 體、液體及氣體形態）、多類型樣品分析的能力，且樣品預處理要求簡單，技術環境適用性 廣，目前在地學研究領域已成功應用于巖石、礦物、土壤、沉系物樣品的分析。LIBS分析技術 以原子外層電子激發為技術特性，與其他固體樣品直接分析技術(如XRF)相比，對于元素周 期表中輕元素（如Na以前的元素）的分析尤為靈敏，更是不受空氣環境的影響，因此具備快 速分析的能力(經常幾秒鐘即可完成對樣品的全元素分析），足以滿足當前快速鉆進錄井的 需要。對已有文獻和專利檢索表明，尚沒有利用激光誘導擊穿光譜技術結合巖石地球化學 理論用于地質勘探巖石/巖肩巖性識別的專用方法與系統。
[0004] 然而，由于巖石/巖肩巖性類別多、基質復雜，使用LIBS技術直接固體樣品分析，不 可避免受到基質效應以及光譜自吸收效應的影響，表現為LIBS光譜與樣品組分含量的非線 性關系。因此，為提高巖性識別的準確性，需要建立一種具有較好普適性的巖性判別方法和 系統。

【發明內容】

[0005] 為解決上述問題，本發明提供了一種基于激光誘導擊穿光譜的巖性判別方法，包 括以下步驟：
[0006] (1)取已知元素信息的巖石和/或巖肩樣本，測定其激光誘導擊穿光譜，采集其光 譜數據；
[0007] (2)對光譜數據進行預處理；
[0008] (3)以預處理后的數據，建立基于最小二乘支持向量機的巖石和/或巖肩元素信息 預測模型；
[0009] (4)取待測巖石和/或巖肩樣本，按照步驟（1)和步驟(2)的方法獲取數據，根據步 驟(3)的預測模型，得到待測巖石和/或巖肩樣本的元素信息預測數據；
[0010] (5)根據巖性判別模型，以待測巖石和/或巖肩樣本的元素信息預測數據判別其巖 性。
[0011] 進一步地，所述步驟（1)的測定中，激光誘導擊穿光譜的波長范圍為150-1100nm， 優選的波長范圍為220-800nm〇
[0012] 進一步地，所述步驟（1)的測定中，光譜采集延遲時間為0.5-5ys，優選的為1.5ys; 積分時間為200ys-100ms，優選的為Ims
[0013]進一步地，所述步驟(2)的預處理中，預處理的方法為背景校正法、平均值法或光 譜歸一化法，優選全光譜歸一化方法。
[0014] 進一步地，步驟(3)中，所述最小二乘支持向量機的核函數為高斯核函數。
[0015] 進一步地，所述最小二乘支持向量機的優化參數是通過網格尋優法得到的。
[0016] 進一步地步驟(5)中，所述的巖性判別模型是基于已知巖性的巖石和/或巖肩的元 素信息，或是基于已知巖性的巖石和/或巖肩樣本的元素信息預測數據建立的;所述已知巖 性的巖石和/或巖肩樣本的元素信息預測數據是通過步驟(3)中建立的元素信息預測模型 得到的。
[0017] 進一步地，步驟(5)中，所述巖性判別模型的判別方法為距離判別法。
[0018]進一步地，所述距離判別法為屬性加權歐式距離判別法。
[0019] 進一步地，所述屬性加權歐式距離判別法中，屬性加權的權值是通過變異系數賦 權法得到的。
[0020] 進一步地，所述變異系數賦權法中，變異系數為判別模型中已知巖性的巖石和/或 巖肩的元素信息，或已知巖性的巖石和/或巖肩樣本的元素信息預測數據中同一元素的標 準差系數。
[0021] 進一步地，所述元素信息包括元素的含量和種類。
[0022] 進一步地，所述巖石和/或巖肩樣本為地質錄井巖石和/或巖肩樣本。
[0023] 作為一種更為具體的實施方式，所述方法包括以下步驟：
[0024]建立最小二乘支持向量機結合激光誘導擊穿光譜技術用于地質錄井巖石/巖肩主 量元素的定量分析模型；
[0025] 建立基于巖性識別組合信息參數的巖性特征判別模型；
[0026] 建立以元素組合特征信息為內容的標準巖心比對數據庫；
[0027] 構建適用于錄井巖石/巖肩的巖性判別數據匹配算法；
[0028] 利用所述LIBS主量元素定量分析模型與測試系統，分析待測錄井巖石/巖肩樣品， 提取元素含量組合信息參數；
[0029] 將所述提取的元素含量組合信息參數與所述標準巖心比對數據庫進行判別計算；
[0030] 更為具體地，建立最小二乘支持向量機結合激光誘導擊穿光譜技術用于錄井巖 石/巖肩主量元素的定量分析模型中，包括以下內容:數據采集與預處理單元，訓練建模單 元，參數優化單元，預測驗證單元。
[0031] 所述數據采集與預處理單元，采集錄井巖石/巖肩目標樣品的激光誘導擊穿光譜 數據作為建立激光誘導擊穿光譜定量分析模型的訓練集數據和預測驗證集數據，進行光譜 預處理；
[0032] 所述訓練集樣品和預測驗證集樣品的數據依據樣品數量和類型可在1:1至5:1的 比例范圍內選取；
[0033]對所述訓練集樣品和預測驗證集樣品數據進行光譜預處理，處理方法包括:求平 均值，背景校正以及譜學歸一等；
[0034]所述訓練建模單元，將所述訓練集目標樣品的激光誘導擊穿光譜數據作為輸入層 數據，訓練集目標樣品的元素含量參考值作為輸出層數據，建立最小二乘支持向量機訓練 模型；
[0035]更為具體地，所述最小二乘支持向量機模型為：
[0036
[0037]其中，η為向量的維數，CXi為Lagrange因子，k (X，Xk)為核函數，X為輸入層數據，Xk為 輸入層向量模式，b為支持向量機模型的偏置量，y (X)為輸出數據。
[0038]更為具體地，最小二乘支持向量機使用高斯核函數；
[0039
[0040] 所述參數優化單元，為對訓練集數據采用網格法對高斯核函數中參數〇和支持向 量機模型正則化參數γ進行尋優，其特征在于：
[0041] 利用網格法對高斯核函數中的參數進行尋優，即讓參數〇和丫在一定范圍內取值， 對于范圍內確定的σ和γ，把訓練集作為原始數據集并利用K折交叉驗證得到此組 〇和γ下 訓練集均方根誤差，最終取使得訓練集驗證數據均方根誤差最小的那組σ和γ作為最佳參 數。
[0042] 所述預測驗證單元，將所述預測集目標樣品的激光誘導擊穿光譜數據作為輸入層 數據，利用所述參數優化單元確定的優化參數，進行支持向量機回歸預測，獲取元素含量預 測值；
[0043] 將所述預測集目標樣品的元素含量預測值與其對應元素測定參考值進行比較，采 用均方根誤差(RMSE)對所述支持向量機模型預測的準確性進行評估；
[0044] 均方根誤差(RMSE)由公式
f算得出；其中，yi為預測驗證 集樣品的實際測量參考值;務:為樣品的模型預測值;η為預測驗證集樣品的數量。
[0045] 所述訓練集目標樣品和預測集目標樣品的的元素含量參考值，為采用國家標準方 法(WD-XRF)測定的參考值。
[0046] 更為具體地，所述錄井巖石/巖肩樣品，其巖石類型主要包括沉積巖中的碎肩巖類 (砂巖，泥巖，頁巖等細分巖類)和碳酸鹽巖類(包括灰巖和白云巖等細分巖類），以及火成巖 中的超基性巖、基性巖、中性巖、酸性巖等，但不限于此。
[0047] 更為具體地，建立基于巖性識別組合信息參數的巖性特征判別模型中，參照典型 巖石類型新鮮巖心/巖肩樣品，基于所述LIBS元素定量分析模型，獲取并總結所述LIBS定量 元素特征，提取與所述錄井巖心/巖肩巖性特征相關的巖性識別特征參數，通過元素信息組 合，建立巖性特征判別模型。即通過獲取元素組合信息，并轉化為具有專一巖性指向的巖性 特征判別參數，賦予其相應的巖性名稱，建立巖性特征判別模型。其中，所述元素組合信息 包括元素含量及種類。
[0048] 更為具體地，建立以元素組合特征信息為內容的標準巖心比對數據庫，為根據所 述LIBS元素定量分析模型，以巖石地球化學理論為基礎，利用標準巖心樣品LIBS測試數據， 建立以元素組合特征信息為內容，以巖性特征判別模型為基礎架構的標準巖心比對數據 庫。
[0049] 其中，數據庫信息可以根據典型巖性新鮮巖心樣品獲取的數據，也可以是根據已 有數據參考添加的數據;數據庫內容可根據實際應用需求不斷補充相關巖性數據信息;數 據庫巖性類別可以有識別編號，也可以有漢語及巖性圖例符號標識。
[0050] 更為具體地，所述建立的巖性判別數據匹配算法，是基于所述巖性特征判別模型， 采用將實際提取的巖性識別組合信息與數據庫中巖性對應數據進行逐一比對的方法實現。
[0051] 所述巖性判別數據匹配算法，充分考慮了不同巖性數據間的相似性，以及數據內 部不同元素對巖性相似性的貢獻大小等，采用將變異系數法與歐氏距離算法結合，形成針 對元素含量組合特征的屬性加權歐氏距離算法;將所述待測樣品LIBS測定元素含量組合數 據與數據庫中對應元素含量組合參數轉化為空間向量，通過空間向量距離計算，實現將待 測巖石/巖肩LIBS元素定量組合數據參數轉化為具有定性指向的巖性識別名稱。
[0052]更為具體地，在利用所述LIBS主量元素定量分析模型與測試系統，分析待測錄井 巖石/巖肩樣品，提取元素含量組合信息參數的步驟中，利用激光誘導擊穿光譜測試系統采 集待測目標樣品光譜數據，通過所述LIBS定量分析模型和所述巖性特征判別模型，提取該 待測樣品的巖性識別組合信息。
[0053]更為具體地，構建適用于錄井巖石/巖肩的巖性判別數據匹配算法中，是按照所述 巖性判別數據匹配算法，將所述提取的待測樣品元素含量組合信息參數與所述標準巖心數 據庫中對應數據進行逐一匹配計算，獲取巖性判別計算值。
[0054]根據判別計算結果，將待測目標樣品LIBS測定元素含量組合特征數據與數據庫樣 本的相似度計算值進行排序。屬性加權歐氏距離(Di)值越小，樣本之間的相似性愈大。取屬 性加權歐氏距離(Di)最小值對應的數據庫巖性名稱作為所測錄井巖肩的巖性名稱。
[0055] 本發明還提供了一種基于激光誘導擊穿光譜的巖性判別系統，該系統可用于方法 的實施，所述系統包括：
[0056] 基于激光誘導擊穿光譜的巖石/巖肩的元素信息預測模塊；
[0057]基于元素信息的巖性判別信息提取模塊；
[0058]基于元素信息的標準巖心巖性判別數據庫模塊；
[0059] 巖性判別數據匹配算法模塊；
[0060] 激光誘導擊穿光譜數據采集與測定模塊；
[0061] 巖性判別數據計算執行模塊；
[0062] 巖性判別輸出模塊。
[0063] 進一步地，所述巖石/巖肩的元素信息預測模塊包括以下單元：
[0064] 激光誘導擊穿光譜數據采集及預處理單元，用于采集巖石/巖肩樣本的激光誘導 擊穿光譜數據，對數據進行光譜學預處理，作為建立元素信息預測模型所需的訓練集數據 和預測集數據；
[0065] 最小二乘支持向量機訓練建模單元，用于將所述訓練集數據作為輸入層數據，訓 練集樣本的元素參考值作為輸出層數據，建立最小二乘支持向量機訓練模型；
[0066] 參數優化單元，用于對最小二乘支持向量機的參數進行優化。
[0067]進一步地，所述光譜預處理單元中，光譜預處理的方法為背景校正法、平均值法或 光譜歸一化法，優選全光譜歸一化方法。
[0068] 進一步地，所述最小二乘支持向量機訓練建模單元中，所述最小二乘支持向量機 的核函數為高斯核函數。
[0069] 進一步地，所述參數優化單元中，優化的方法為網格尋優法。
[0070] 進一步地，所述巖性判別信息提取模塊，用于提取與巖性關聯的元素含量特征參 數。
[0071] 進一步地，所述巖性識別數據匹配算法模塊，采用與所述標準巖心巖性判別數據 庫模塊進行逐一匹配的計算模式，建立將所述待測錄井巖肩巖性識別元素組合信息轉換成 為具有單一目標巖性指向的匹配算法;所述匹配算法采用基于變異系數法的屬性加權歐氏 距離計算法。
[0072] 作為一種更為具體的實施方式，所述巖性判別系統，其內容包括：
[0073] LIBS錄井巖石/巖肩元素定量分析建模模塊(包含數據采集與預處理單元，建模單 元，參數優化單元，預測驗證單元）；巖性識別組合信息提取模塊;標準巖心巖性判別數據庫 模塊;巖性判別數據匹配算法模塊;LIBS數據采集與測試模塊;巖性判別數據計算執行模 塊;巖性識別輸出模塊；
[0074]所述LIBS錄井巖石/巖肩元素定量分析建模模塊，采用將LSSVM非線性回歸計算與 LIBS技術相結合，建立巖石/巖肩元素定量分析模型，克服基質效應對定量分析結果的不利 影響，獲取可靠的元素組分含量測定值。
[0075]所述巖性識別組合信息提取模塊，是基于巖石地球化學理論，總結巖石/巖肩巖性 典型特征，從與所述錄井巖石/巖肩巖性密切關聯的LIBS元素定量測定數據中提取元素組 合特征信息，獲得普適性的定性指向巖性判別特征模型；
[0076] 所述標準巖心巖性判別數據庫模塊，是依據所述巖性判別特征模型，利用標準巖 心LIBS元素定量測定數據，建立以不同巖石類型元素含量組合特征參數為核心內容的標準 巖心巖性判別比對數據庫；
[0077] 所述巖性判別數據匹配算法模塊，是通過算法比較，建立敏感的比對策略，在巖性 判別特征模型基礎上，提高待測巖石/巖肩LIBS定量測試數據與標準巖心巖性判別數據庫 的比對效果。
[0078] LIBS數據采集與測試模塊，為利用LIBS分析測試系統采集待測錄井巖石/巖肩激 光誘導擊穿光譜測量數據，并進行光譜學預處理;通過所述LIBS錄井巖石/巖肩元素定量分 析建模模塊，獲取待測樣品元素含量數據；
[0079] 所述巖性判別數據計算執行模塊，是按照所述巖性判別特征模型，從所述獲取的 待測樣品元素含量數據中，提取元素含量組合信息，采用所述巖性判別數據匹配算法模塊 與所述標準巖心巖性判別數據庫進行數據比對；
[0080] 所述巖性識別輸出模塊，為按照數據匹配計算結果，輸出與所述待測巖石/巖肩對 應的巖性名稱。
[0081] 本發明的關鍵在于，由于LIBS受固體樣品直接分析基質效應的影響，待測樣品元 素的含量與其特征譜線強度往往呈非線性關系。在研究的過程中，發明人將支持向量機、最 小二乘支持向量機等非線性回歸模型算法用于沉積巖樣品中元素定量分析，并與線性回歸 算法(如偏最小二乘回歸算法等)的定量分析效果進行比較，最終選取了具有更好非線性預 測性能和運算速度的最小二乘支持向量機回歸算法作為用于巖性識別模型中元素定量分 析的算法基礎。并且，最小二乘支持向量機具備全局最小收斂特征，與常規支持向量機回歸 算法相比較，具有更好地回歸收斂速度和良好的應用性能等。
[0082] 因此，本發明提供的激光誘導擊穿光譜巖性識別的方法及系統，著力解決了現有 地質勘探領域，尤其是快鉆錄井條件下巖性識別困難以及識別不準確的問題。即通過建立 最小二乘支持向量機(LSSVM)結合激光誘導擊穿光譜定量分析模型，將LIBS技術應用與巖 石地球化學理論有機結合，構建了以巖性識別組合信息為基礎的巖性識別特征模型，以此 建立巖性識別比對數據庫，采用有效的巖性識別數據比對算法，使LIBS技術巖性識別高效、 可靠;同時構建了LIBS技術巖性識別系統。
[0083] 應用實踐表明，本發明所述方法和系統充分利用了激光誘導擊穿光譜技術樣品預 處理要求簡單、樣品類型適用性廣，以及分析速度快、直觀、準確等諸多優點，尤其綜合了最 小二乘支持向量機非線性回歸特性，在有效獲取模型參數的基礎上，最大程度克服了固體 樣直接分析基質效應的影響;特別是以巖石地球化學理論為基礎，獲取巖石巖性判別所需 的元素含量組合信息，建立巖性判別特征模型，提高了巖性判別的準確性。通過元素含量信 息組合，建立具有巖性識別相關性和靈敏性的有效匹配算法，減小了巖性判別可能存在的 多解性，有利于錄井巖石/巖肩的巖性細分識別。
[0084] 在本發明方法建立中，發明人還對下述步驟/參數進行了進一步的優化篩選：
[0085] 在光譜預處理方法的篩選中，由于LIBS技術以固體樣品直接分析為特征，受待測 樣品物理化學特征引起基質效應的影響，即使在相同的實驗條件下，采集的不同基質樣品 LIBS光譜差異巨大，待測目標元素的含量與其光譜強度呈現非線性特征。為實現元素定量 分析的目的，光譜的預處理成為一個關鍵的因素。在光譜預處理方面，發明人采用了全譜歸 一方法，譜線峰強度歸一化等方法進行比較。最終選定以全譜歸一化作為光譜預處理方法。 該方法可較好克服激光與物質耦合作用的差異對定量分析的影響，以及激光脈沖能量波動 對分析結果的影響。
[0086] 本發明實施例中的儀器測試參數，包括激光器類型，激光脈沖能量，光譜儀類型， 光路系統，為常規設計;光譜采集延時和積分時間充分考慮了激光誘導等離子體的演化特 性和采集光譜的質量(包括光譜的靈敏性和信噪比）。"屬性加權歐式距離算法"為對本發明 巖性識別特定目的做了適應性改變的，該改變充分考慮了不同巖石類型判別中元素組合對 于巖性識別的相關性，以及不同元素的靈敏性。
[0087] 在建立預測模型的過程中，為避免在模型中出現欠擬合和過擬合情況，模型建立 中采用了 K折交叉驗證的方法(κ-cv)。本發明實施例中所述訓練集和預測集數據的比例一 般按照優選比例3:2進行建模。
[0088]在對最小二乘支持向量機參數的尋優方法中，本發明LIBS定量分析模型實踐證 明，懲罰系數以及核函數的參數（γ，〇)對LSSVM的性能有著很大的影響，快速地選擇合適的 LSSVM參數意義重大。針對SVM參數的優化選取，目前沒有公認統一的最好方法。目前較常用 的SVM參數尋優的方法有：網格搜索法、遺傳算法尋優法、粒子群算法尋優法等。網格搜索法 的基本原理是在一定的空間范圍中劃分成網格，通過遍歷網格中所有的點對待搜索參數γ 和σ進行取值。對于選取的γ和 〇利用K-CV方法得到在此組γ和〇下訓練集驗證回歸的準確 度，最終取使得訓練集驗證回歸準確度最高的那組γ和σ作為最佳的參數。因此網格尋優法 在尋優區間足夠大且步距足夠小的情況下，可以找出全局最優解。由于網格內多數參數組 回歸預測準確率較低，只在一個比較小的區間內的參數組所對應的回歸預測準確率很高， 所以遍歷網格內所有參數組會很浪費時間。因此，本發明一種優選的實施例中，是針對網格 搜索法，選擇較合理的參數區間，進行小步距精確搜索，能夠較好減少參數尋優時間，使基 于LSSVM的定量分析模型更好地滿足回歸計算準確度的要求。GA算法和PSO算法屬于啟發式 算法，它們不必遍歷區間內所有的參數組也能找到全局最優解，但這2種算法操作往往較復 雜，其容易陷入局部最優(如GA算法雖然有時能夠得到最高的回歸準確度;但有時容易過早 收斂，出現局部最優，搜索效果不穩定），這時利用LSSVM非線性定量分析模型的結果變差。 因此，本發明優選網格尋優法進行參數的優選。
【附圖說明】
[0089] 圖1所示為本發明實施例一種激光誘導擊穿光譜巖性識別方法的流程圖。
[0090] 圖2為本發明實施例提供的部分巖石/巖肩樣品的激光誘導擊穿光譜圖。
[0091]圖3為本發明實施例提供的所述支持向量機結合激光誘導擊穿光譜定量分析模型 用于待測錄井巖石/巖肩元素定量分析的預測結果與所述待測樣品經國家標準方法 (WDXRF)測定的對應元素參考值的比較示意圖。
[0092]圖4為本發明實施例典型沉積巖中Si02-3(Al203+TFe 203)-Ca0的含量變化圖；
[0093] 圖5為本發明實施例砂泥(頁)巖巖石/巖肩巖性識別關系圖。
[0094] 圖6為本發明實施例碳酸鹽巖元素關系圖。
[0095] 圖7所示為本發明實施例一種激光誘導擊穿光譜巖性識別系統的整體結構示意 圖。
【具體實施方式】
[0096] 表2-1為6種巖石類型的9種元素平均含量；
[0097] 表2-2為6種待測巖石類型的9種元素平均含量；
[0098]表2-3為巖性匹配屬性加權歐氏距離計算值。
[0099]實施例1本發明的方法
[0100]為使本發明實施例的目的、技術方案和優點更加清楚，以下將結合本發明實施例 提供的一種激光誘導擊穿光譜巖性識別的方法總流程圖給出總體說明。需要指出的是，所 描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。
[0101] 圖1所示為本發明實施例一種激光誘導擊穿光譜巖性識別方法的總流程圖，如圖 所述，包括以下主要流程：
[0102] (1)流程 1001
[0103] 建立基于最小二乘支持向量機的激光誘導擊穿光譜巖石/巖肩元素定量分析模 型，其中包括數據采集與預處理單元，建模單元，參數優化單元，以及預測驗證單元。舉例說 明如下：
[0104] 所述數據采集與預處理單元，是通過LIBS光譜分析系統采集訓練集樣品和預測集 樣品光譜數據，并對采集的光譜數據進行光譜學預處理；
[0105] 所述訓練集樣品和預測驗證集樣品為干燥巖石/巖肩粉末制成的壓片樣品；
[0106] 利用激光誘導擊穿光譜檢測系統在壓片樣品表面的不同測量位點進行測量，采集 訓練集目標樣品和預測驗證集目標樣品的光譜數據；
[0107] 對所述采集的訓練集目標樣品和預測驗證集目標樣品的光譜數據進行光譜學預 處理，處理的方法包括:求平均，背景校正，歸一化等；
[0108] 所述建模單元，是將所述預處理后的訓練集光譜數據作為輸入層數據，所述訓練 集目標樣品的對應元素含量參考值作為輸出層數據，建立最小二乘支持向量機訓練模型；
[0109] 上述建模單元中最小二乘支持向量機訓練模型借助于核函數技術，通過模型變量 輸入，將低維非線性問題轉化為求解高維特征空間的線性問題來解決。舉例說明最小二乘 支持向量機建模過程：
[0110]設訓練集樣品的激光誘導擊穿光譜數據為(Xl，yi)，i = l，2,…，1.1為樣本數。1個 樣本及其輸出值可表不為(Xi，yi)e Rn X R，η表不輸入樣本維數。
[0111] 滿足Mer cer條件的任何對稱的核函數對應于特征空間的點積。本發明中，最小二 乘支持向量機模型的核函數為高斯核函數(RBF)，
[0112]
[0113] 其中，〇是核函數參數，Xj,xk是訓練集樣品的有效特征向量，j，ke [l，n]。
[0114] 把低維的非線性問題轉化為高維的線性問題，即通過一個非線性映射Φ將數據映 射到高維特征空間F，在這個空間進行非線性最小二乘支持向量機回歸：
[0115]
[0116] 式中ω是權重向量，b是閾值或偏置量，資Θ是指輸入空間到特征空間的非線性映 射，f( ·)在特征空間中表示為一個線性函數。
[0117] 其中，高維的線性問題的最優分類問題轉化為求分類間隔函數Φ(ω，〇的最小 值：
[0118]
[0119]
[0120] 式中，ω為權重向量；資(Xf)是特征向量Xk在特征空間的非線性映射；γ >〇是函數 復雜度和損失誤差的一個平衡量(誤差懲罰函數）;η為向量的維數；￡l為損失函數;XdPy 1* 別為訓練集的輸入變量和輸出變量;i = 1，2，…，1.1為訓練集樣本數。
[0121] 宙 1貓計始炊自日口管社鉭$il縣汝的號小二乘估計，即支持向量機模型的預測值：
[0122]
[0123]式中CU為Lagrange因子，k(x，Xi)為高斯核函數，X為輸入層未知向量數據，Xi為輸 入層支持向量模式，b為支持向量機模型的偏置量，y(x)為特征空間中線性函數的輸出數 據；
[0124] 所述參數優化單元，是使用訓練集數據，采用網格全局尋優和交叉驗證法對高斯 核函數相關參數σ和正則化參數γ進行尋優，確定激光誘導擊穿光譜分析目標樣品元素含 量的最小二乘支持向量機模型的優化參數。通常γ取值范圍為1-100;σ取值范圍為1-1000， 其中兩者的取值間隔均為5。
[0125] 米用均方根誤差法（R〇〇t Mean Square Error，簡稱RMSE)
評價訓練模型參數選擇的有效性。當準確度最高時對應的參數 為最優參數，即給出最佳的參數σ，γ和ε，并用訓練集數據獲得最佳的預測模型。其中，71為 預測集樣品的實際測量參考值；.?為樣品的模型預測值;1為預測驗證集樣品的數量。
[0126] 所述預測驗證單元，是確定最優參數〇和γ后，將預測驗證集目標樣品的激光誘導 擊穿光譜數據作為所述支持向量機模型的輸入層數據，利用訓練集數據建立的LSSVM最終 優化模型，對預測驗證集目標樣品中的元素含量進行預測；
[0127] 將所述預測驗證集目標樣品的元素含量預測值與所述預測集樣品的元素含量參 考值，利用回歸相關系數和均方根誤差來評價支持向量機模型的預測性能。
[0128] 所述訓練集和預測驗證集樣品的總數不低于30個，訓練集和預測驗證集樣品數目 的比例范圍可設計為0.5:1~5:1。
[0129] 所述訓練集目標樣品和預測驗證集目標樣品的對應元素含量參考值由國家標準 檢測方法(WDXRF)測定得到。
[0130]本實施例中，模型驗證表明，在獲取支持向量機優化參數的基礎上，所述激光誘導 擊穿光譜定量分析模型對待測巖石/巖肩樣品的元素含量測定結果準確可靠。
[0131] 以下選擇四川盆地典型沉積巖類型樣品LIBS分析為例，結合附圖和實例來進一步 說明本發明流程1001中最小二乘支持向量機結合激光誘導擊穿光譜用于錄井巖石/巖肩元 素定量分析模型操作流程。本發明不限于此例。
[0132] 圖2為本發明實施例提供的部分巖石/巖肩樣品的激光誘導擊穿光譜圖；圖3為本 發明實施例提供的支持向量機結合激光誘導擊穿光譜元素定量分析優化模型用于錄井巖 石/巖肩待測樣品的預測結果與應用國標法獲得的所述待測樣品對應元素參考值的比較示 意圖。
[0133] 具體如下所述：
[0134] 本實施例采用通用型激光誘導擊穿光譜LIBS便攜測試系統（四川大學分析儀器研 究中心研制）獲取光譜數據。激光器采用調Q NchYAG激光器，另外包括光路系統，光柵光譜 儀，轉動樣品臺和計算機等。激光脈沖能量l〇〇mJ，激光基頻波長1064nm，脈寬4-7ns;光譜采 集延遲時間為1.5ys，積分時間為Ims，脈沖重復頻率為5Hz，光譜波長范圍為220-800nm.
[0135] 錄井巖石/巖肩樣品的采集與預處理。本實施例中，所用錄井巖石/巖肩樣品為采 集于四川盆地鉆井地層典型沉積巖樣品，包括砂巖，泥巖，頁巖，鈣質泥巖，含泥灰巖，泥灰 巖，灰巖等。巖石/巖肩樣品經粗磨，紅外燈加熱烘干后，再細磨，過160目篩后存放。巖石/巖 肩樣品57份。
[0136] 激光誘導擊穿光譜的采集。取巖石/巖肩粉末樣品3g，使用紅外壓片機制成Φ 32mm，厚度2mm的圓形薄片。將樣品置于樣品臺上，利用激光誘導擊穿光譜數據采集系統，采 集壓片樣品的LIBS光譜信號（如圖2所示）。為增加采樣的代表性，提高LIBS光譜的信噪比， 以及便于數據統計，在每個樣品表面采用網格形式采集16個測試點的光譜，每個測試點累 積50個激光脈沖獲得一個光譜，每4個光譜再平均一次獲得1個光譜，這樣每個樣品總共獲 取4個光譜。經光譜學預處理后，用于建立最小二乘支持向量機定量分析模型輸入矩陣。本 實施例中所述訓練集與預測驗證集光譜數據比例具體選取為10:9進行建模。
[0137] 參考值的測定。典型錄井巖石/巖肩樣品元素含量（以氧化物計)參考值由國家標 準測試法(WD-XRF)實測給出。分析過程中以國家標準巖石樣品（GSR-6)作為監控樣進行質 量控制，并重復4次。
[0138] 首先，以錄井巖石/巖肩沉積巖樣品為例，建立支持向量機結合激光誘導擊穿光譜 快速測定元素含量的訓練模型。巖石/巖肩壓片樣品總數為57個。建模時預先采用濃度梯度 法劃分訓練集和預測驗證集樣品。訓練集樣品用來建立訓練模型，預測驗證集樣本用來對 模型進行評價。所述訓練集目標樣品和預測集目標樣品數量分別為30個和27個。其中將訓 練集目標樣品的激光誘導擊穿光譜數據作為輸入數據集，訓練集目標樣品的元素含量參考 值作為模型期望輸出值。最小二乘支持向量機模型的參數γ，σ和ε由網格尋優法進行優選。 經過優選，最佳的模型誤差正則化參數γ為20.4518，核函數參數σ為9.3264;從而得到最優 的支持向量機結合激光誘導擊穿光譜快速測定錄井巖石/巖肩樣品的預測模型。
[0139] 進行錄井巖石/巖肩目標未知樣品元素含量的模型預測驗證。按照上述激光誘導 擊穿光譜采集和光譜預處理的方法，將得到的錄井巖石/巖肩目標未知樣品的激光誘導擊 穿光譜數據作為輸入矩陣，輸入到訓練好的所述支持向量機結合激光誘導擊穿光譜快速測 定錄井巖石/巖肩元素含量的定量訓練模型，自動計算未知目標樣品的對應元素含量值。如 圖3所示，為元素氧化物含量模型預測值與標準參考值的比較驗證圖。
[0140] 本實施例中，待測的巖石/巖肩樣品模型預測值與參考值比較接近，即所述建立的 模型預測驗證結果相關系數較高(相關系數R2大于0.97)，說明模型預測的準確度和精確度 均較高。因此最小二乘支持向量機結合激光誘導擊穿光譜能有效實現巖石/巖肩目標樣品 元素含量的可靠測定。
[0141] (2)流程 1002
[0142] 所述巖性識別組合信息提取模塊，為從LIBS元素定量測試數據中提取具有巖性關 聯特性的巖性識別組合信息，建立巖性識別特征模型。具體策略是：
[0143] 選擇鏡下具有識別礦物特征的新鮮巖石/巖肩，參照巖石學分類標準進行巖石/巖 肩分類定名;借助所述激光誘導擊穿光譜巖石/巖肩元素定量分析模型，以巖石地球化學理 論為基礎，依據主量元素含量分析結果，將已經確定巖性的巖心/巖肩與其LIBS元素定量測 定數據建立關聯，提取適用于巖性識別的元素含量組合信息參數，建立巖性識別特征模型；
[0144] 所述依據主量元素含量分析結果進行巖性識別，重要的是選擇巖性相關性顯著、 靈敏度好的元素含量組合信息作為巖性識別特征參數。不同類型的巖石/巖肩分別有各自 的特征參數，選擇恰當的元素含量組合特征參數，會使建立的巖性識別模型更具特征性；
[0145] 所述相關性顯著是指錄井巖石/巖肩元素含量組合特征參數與巖性密切相關，靈 敏度好是指隨著巖性變化特征參數也顯著變化。不同的巖性類型，選取的元素含量組合特 征參數不同，靈敏度會有差異；
[0146] 巖性識別特征模型，可以是通過人工分析后總結認識得出，是建立在已知確定巖 性和LIBS元素定量分析提取結果基礎上;也可以在預先知道巖性的元素含量組合特征參數 的基礎上，如所述巖石地球化學理論等，采用相關性及靈敏度好的特征參數，進行自動提 取。
[0147] 其中，巖性識別元素組合特征，為利用所述建立的激光誘導擊穿光譜定量分析模 型獲取的不同巖石類型的巖石組份特征規律信息，與公知信息相符合。佐證了本發明方法 的正確性;為后續巖性識別方法建立了基礎。
[0148] 例如常規碎肩沉積巖中砂巖對應高的Si〇2含量，低Al2〇3，TFe2〇3含量;泥（頁)巖對 應較高的SiO2，富A1203和TFe2O3等。元素含量的高低在LIBS定量分析中有具體的數值范圍。 [0 149]圖4所不為典型沉積巖(砂巖-泥（頁）巖-碳酸巖）中的Si〇2-(Al2〇3+TFe2〇3)_CaO含 量變化圖。該圖表明，元素含量在不同巖性巖石中的含量變化特征明顯，因此，SiO 2-Ul2O3+ TFe203)-Ca0含量組合特征，可以作為典型沉積巖識別的重要參數使用。
[0150] 圖5所示為砂巖-泥(頁)巖中Si〇2-3X(Al2〇3+TFe 2〇3)-4X(CaO+MgO)中含量變化關 系圖。該圖表明，隨著娃質含量增加，巖性趨向于砂巖;而AUFe元素的含量與泥頁巖關系更 密切。
[0151] 圖6所示為碳酸鹽巖的Si02_3 X (Al203+TFe203)-(Ca0+Mg0)中含量變化圖。隨著巖 性由鈣質泥巖-含泥灰巖-碳酸鹽巖變化，CaO組分逐漸增多，Si02組分逐漸減少。
[0152] 圖4,5,6表明，隨巖性的變化，不同沉積巖中Si02-(Al20 3+TFe203)-(Ca0+Mg0)質量 分數的組合特征發生顯著的變化，具備相關性和敏感性好等特征，可作為巖性識別的關鍵 性實驗依據。
[0153] (3)流程 1003
[0154] 所述建立標準巖心巖性判別比對數據庫，具體為：
[0155] 采集標準鉆井巖芯，利用所述建立的LIBS定量分析模型，根據所述巖性識別特征 模型，提取巖性識別元素含量組合特征信息，將巖心研究已經定名的標準巖心巖性與其所 述元素含量組合特征信息進行關聯，建立以巖性識別元素含量組合特征信息為內容的巖性 判別數據庫。
[0156] 為簡單說明，表2-1中列出了已建立關聯的9種不同巖石類型元素含量的數據庫數 據(限于篇幅示例性選擇了9中巖石類型）。其中，元素含量數據為多個樣品LIBS測定的平均 值。
[0158] 備注:樣品采自四川盆地重慶地區鉆井
[0159] (4)流程 1004
[0160] 所述涉及巖性判別數據匹配算法，是根據所述元素含量組合信息，建立巖性識別 特征模型的匹配算法，舉例說明，表2-2為待解釋的巖石/巖肩LIBS元素含量測定數據。
[0161] 表2-2.待解釋的巖石/巖肩樣品LIBS元素含量測定數據(wt%)
[0163] 所述建立巖性識別特征模型的匹配算法，就是將表2-2中的巖石/巖肩元素含量與 表2-1中9個巖石類型數據進行匹配計算分析，根據匹配計算的結果(如表2-3所示），就可將 表2-2中的巖石/巖肩進行歸類或定名。即，通過選定合適的匹配算法，賦予上述未知樣品具 有定性巖性指向的巖性識別計算量。
[0164] 表2-3.表2-1和表2-2數據計算的匹配結果
L〇166」巖性識別匹配算法中選取的元素含量組合特征參數作為數據庫樣本集，首先要具 備良好的巖性指向靈敏度，即可分性好。例如具有相同或相似巖性類別的元素含量組合特 征參數，樣本數據匹配計算值應更集中，而不同巖石類型的數據樣本，類與類之間的距離應 該越大；
[0167] 在進行巖性識別匹配計算時，樣本間的相似度不僅僅依賴于樣本間的相近程度， 還依賴于數據樣本間元素含量的內在性質，也就是說數據集中每個巖性元素含量在匹配判 別分析過程中對于巖性判別的重要性不同。本實施例充分考慮了元素含量組合特征數據集 中的每個元素含量在相似度評價中對于數據樣本相似度計算的貢獻不同。為正確表達巖 石/巖肩分類數據的離散程度，通過比較，選定屬性加權歐氏距離算法，利用屬性加權歐式 距離算法，作為度量待測樣品巖性特征與數據庫中巖性數據相似度的計算方法；
[0168] 屬性加權權值采用變異系數賦權法計算得出；
[0169] 客觀賦權評價法則根據各項指標的變異系數來確定權數進行綜合評價。
[0170]權重的賦值合理與否，對評價結果的科學合理性起著至關重要的作用;若某一因 素權重發生變化，將會影響整個評判結果。因此，權重的賦值必須做到科學和客觀，這就要 求尋求合適的權重確定方法。
[0171]此處的變異系數是針對數據庫中不同巖石類型元素含量組合數據中同一元素進 行計算得出，具體是該目標元素在數據庫中所屬所有巖性元素含量組合數據中的標準差除 以其均值的絕對值；
[0172] 宙々教抿庫中η個巖件類型的元素含量組合特征數據Cn,P，記為：
[0173]
(!)
[0174] 所述目標元素i的均值g由式(2)計算得出：
[0175]
(?[0176] 斫襪日標元麥彳的標袖荖1由忒GW+管渴m.
[0177]
[0178]
[0179]
[0180] 對于數據庫中元素含量組合特征數據中，每列元素i都有其各自的變異系數。為了 方便，用Vi表示元素i的變異系數，i = 1，2，···η。Vi的值的大小，表示元素i在不同的巖性樣品 中元素含量變化的程度不同J1的值大，區別巖性的能力強，應有較重的加權值。
[0181] 因此，數據庫中元素i相應的權重系數1最終可由下式計算得到：
[0183] wmtfj人7」、個InJ，衣明彳土兀糸·付，元素i對于巖性識別貢獻能力具有差異性。
[0182]
[0184] 所述匹配算法，具體是指將所述待測樣品LIBS元素含量組合特征數據進行空間向 量重構，計算其與數據庫中標準巖心巖性判別數據的對應空間向量距離，即計算LIBS元素 含量組合特征數據與數據庫不同巖性數據空間矢暈的歐氏距離值(D 1),計算公式為：
[0185]
[0186] 上式中的Xiu為待測樣品的元素含量，Ciu為數據庫中元素的含量，P1為巖性判別 相似性指數；
[0187]巖性判別相似性指數P1越小，即空間矢量歐氏距離長度(?)越小，表明巖性匹配越 接近；
[0188] 利用數據庫比對法定性解釋的關鍵是"巖性判別特征數據庫"。數據庫的巖石類型 越多，巖性分類越詳細，則巖性識別解釋就越準確。
[0189] (5)流程 1005
[0190]所述LIBS數據采集與測試模塊，是利用LIBS測試系統對待測巖石/巖肩樣品進行 光譜測試，采集所述待測樣品光譜數據，利用所述LIBS錄井巖石/巖肩元素定量分析模型， 獲取所述待測樣品元素含量；
[0191] (6)流程 1006
[0192] 所述巖性判別數據計算執行模塊，為提取所述待測錄井巖石/巖肩樣品元素含量 組合特征參數，將其與所述標準巖心巖性判別數據庫中對應數據按照巖性識別特征模型進 行匹配計算；
[0193] (7)流程 1007
[0194] 所述巖性識別輸出模塊，為按照匹配計算結果，輸出與所述待測巖石/巖肩樣品最 接近的巖性名稱等信息。
[0195] 實施例2本發明的系統
[0196] 圖7所示為本發明實施例一種激光誘導擊穿光譜巖性識別系統的結構示意圖，其 特征在于：
[0197] LIBS巖石/巖肩元素定量分析建模模塊701;巖性識別組合信息提取模塊702;標準 巖心巖性判別數據庫模塊703,巖性判別數據匹配算法模塊704; LIBS數據采集與測試模塊 705;巖性判別數據計算執行模塊706，巖性識別輸出模塊707;
[0198] 所述LIBS巖石/巖肩元素定量分析建模模塊701，用于將最小二乘支持向量機與 LIBS激光誘導擊穿光譜技術相結合，建立巖石/巖肩LIBS元素定量分析模型;為所述巖性識 別提供待測樣品元素組分含量信息；
[0199] 所述巖性識別組合信息提取模塊702,主要基于巖石地球化學理論，提取與所述巖 石/巖肩巖性相關聯的LIBS定量元素組合特征參數，建立巖性判別特征模型；
[0200] 所述標準巖心巖性特征判別數據庫模塊703,是利用已知巖性標準巖心樣品，采用 所述LIBS巖石/巖肩元素定量分析模型，獲取元素含量組合特征參數，建立基于所述巖性識 別特征模型的標準巖心巖性對比數據庫；
[0201] 所述巖性判別數據匹配算法模塊704,是將獲取的所述巖性識別組合信息與標準 巖心巖性判別數據庫進行比對，主要是通過將巖性判別模型中元素含量組合信息轉化為空 間向量，計算待測樣品與數據庫中不同巖性類別對應數據的相似度，確定適用于巖性識別 的匹配算法；
[0202] 所述LIBS數據采集與測試模塊705,為利用LIBS測試系統采集待測巖石/巖肩樣品 光譜數據，進行光譜學預處理，采用所述LIBS定量分析模型，獲取待測目標巖石/巖肩樣品 的元素含量數據；
[0203] 所述巖性判別數據計算執行模塊706,是依據巖性特征判別模型，提取所述待測巖 石/巖肩巖性含量組合特征數據，與所述標準巖心巖性判別數據庫中對應數據通過所述巖 性判別數據匹配算法進行計算比對；
[0204] 所述巖性識別輸出模塊707,是按照匹配計算結果，輸出與所述待測巖石/巖肩匹 配的巖性名稱等信息。
[0205]作為本發明進一步的實施例，所述LIBS巖石/巖肩元素定量分析建模模塊701還包 括：
[0206] LIBS數據采集與預處理單元7011;訓練建模單元7012;參數優化單元7013;預測驗 證單元7014;
[0207]所述LIBS數據采集與預處理單元7011，為使用LIBS分析系統采集所述建模樣品 LIBS光譜數據，并對數據進行光譜學預處理，包括:背景校正，光譜歸一處理等；
[0208] 所述訓練模型建模單元7012,為利用所述訓練集樣品光譜數據，進行最小二乘支 持向量機回歸建模；
[0209] 所述參數優化單元7013,為利用訓練集數據通過網格法對高斯核函數相關參數〇， 以及正則化參數γ在參數設定范圍內進行尋優，獲取子訓練集并建立模型，然后用計算獲 得的元素含量數據來估計模型的預測準確度，當預測準確度最高時對應的參數為最優參 數；
[0210] 所述預測驗證模塊7014,利用訓練集數據建立的LSSVM最終優化模型，將預測驗證 集目標樣品的激光誘導擊穿光譜數據作為最小二乘支持向量機模型的輸入層參數，對所述 預測集目標樣品的元素含量進行預測;根據所述預測集目標樣品的元素含量參考值，采用 相關系數和均方根誤差來驗證最小二乘支持向量機模型的準確度和精確度；
[0211] 應用上述激光誘導擊穿光譜巖性識別系統對錄井巖石/巖肩巖性識別具有直觀、 快速、準確高效等特征，特別是對細碎粉末巖肩，與鉆井取心、井壁取心巖性鑒定結果對比， 巖性識別能力獲得顯著提高。
[0212] 在快速鉆錄井條件下，應用上述激光誘導擊穿光譜巖性識別系統獲取的錄井深度 巖性的變化特征，還可為相關施工條件下的鉆井操作的參數(如鉆井的可鉆性變化，鉆時變 化），測井的數據變化(如聲波時差、電阻率、井徑變化等)提供對比參考信息，分析鉆錄測井 各種相應資料參數的相關性和相關度等。
[0213] 本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，可以通 過計算機程序來指令相關的硬件來完成，所述的程序可存儲于一般計算機可讀取存儲介質 中，該程序在執行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質可為磁 碟、光盤、只讀存儲記憶體（Read-Only Memory，ROM)或隨機存儲記憶體(Random Access Memory，RAM)等。
[0214] 以上所述的【具體實施方式】，對本發明的目的、技術方案和有益效果作了進一步詳 細說明，需指出的是，以上所述僅為本發明的【具體實施方式】而已。
[0215]綜上所述，本發明所述方法和系統充分利用了激光誘導擊穿光譜技術樣品預處理 要求簡單、樣品類型適用性廣，以及分析速度快、直觀、準確等諸多優點，尤其綜合了最小二 乘支持向量機非線性回歸特性，在有效獲取模型參數的基礎上，最大程度克服了固體樣直 接分析基質效應的影響;特別是以巖石地球化學理論為基礎，獲取巖石巖性判別所需的元 素含量組合信息，建立巖性判別特征模型，提高了巖性判別的準確性。通過元素含量信息組 合，建立具有巖性識別相關性和靈敏性的有效匹配算法，減小了巖性判別可能存在的多解 性，有利于錄井巖石/巖肩的巖性細分識別。
【主權項】
1. 一種基于激光誘導擊穿光譜的巖性判別方法，其特征在于:包括以下步驟： (1) 取已知元素信息的巖石和/或巖肩樣本，測定其激光誘導擊穿光譜，采集其光譜數 據； (2) 對光譜數據進行預處理； (3) 以預處理后的數據，建立基于最小二乘支持向量機的巖石和/或巖肩元素信息預測 豐旲型； (4) 取待測巖石和/或巖肩樣本，按照步驟（1)和步驟(2)的方法獲取數據，根據步驟(3) 的預測模型，得到待測巖石和/或巖肩樣本的元素信息預測數據； (5) 根據巖性判別模型，以待測巖石和/或巖肩樣本的元素信息預測數據判別其巖性。2. 根據權利要求1所述的巖性判別方法，其特征在于:所述步驟（1)的測定中，激光誘導 擊穿光譜的波長范圍為150-1100nm，優選的波長范圍為220-800nm。3. 根據權利要求2所述的巖性判別方法，其特征在于:所述步驟（1)的測定中，光譜采集 延遲時間為0.5-5ys，優選的為1.5ys;積分時間為200ys-100ms，優選的為lms。4. 根據權利要求1所述的巖性判別方法，其特征在于:所述步驟(2)的預處理中，預處理 的方法為背景校正法、平均值法或光譜歸一化法，優選全光譜歸一化方法。5. 根據權利要求1所述的巖性判別方法，其特征在于:步驟(3)中，所述最小二乘支持向 量機的核函數為高斯核函數。6. 根據權利要求5所述的巖性判別方法，其特征在于:所述最小二乘支持向量機的優化 參數是通過網格尋優法得到的。7. 根據權利要求1-6任一項所述的巖性判別方法，其特征在于:步驟(5)中，所述的巖性 判別模型是基于已知巖性的巖石和/或巖肩的元素信息，或是基于已知巖性的巖石和/或巖 肩樣本的元素信息預測數據建立的；所述已知巖性的巖石和/或巖肩樣本的元素信息預測 數據是通過步驟(3)中建立的元素信息預測模型得到的。8. 根據權利要求1-7任一項所述的巖性判別方法，其特征在于:步驟(5)中，所述巖性判 別模型的判別方法為距離判別法。9. 根據權利要求8所述的巖性判別方法，其特征在于:所述距離判別法為屬性加權歐式 距離判別法。10. 根據權利要求9所述的巖性判別方法，其特征在于:所述屬性加權歐式距離判別法 中，屬性加權的權值是通過變異系數賦權法得到的。11. 根據權利要求10所述的巖性判別方法，其特征在于:所述變異系數賦權法中，變異 系數是判別模型中，已知巖性的巖石和/或巖肩的元素信息，或已知巖性的巖石和/或巖肩 樣本的元素信息預測數據中同一元素的標準差系數。12. 根據權利要求1-11任一項所述的巖性判別方法，其特征在于:所述元素信息包括元 素的含量和種類。13. 根據權利要求1-12任一項所述的巖性判別方法，其特征在于:所述巖石和/或巖肩 樣本為地質錄井巖石和/或巖肩樣本。14. 一種基于激光誘導擊穿光譜的巖性判別系統，其特征在于:所述系統包括： 基于激光誘導擊穿光譜的巖石/巖肩的元素信息預測模塊； 基于元素信息的巖性判別信息提取模塊； 基于元素信息的標準巖心巖性判別數據庫模塊； 巖性判別數據匹配算法模塊； 激光誘導擊穿光譜數據采集與測量模塊； 巖性判別數據計算執行模塊； 巖性判別輸出模塊。15. 根據權利要求14所述的巖性判別系統，其特征在于:所述巖石/巖肩的元素信息預 測模塊包括以下單元： 激光誘導擊穿光譜數據采集及預處理單元，用于采集巖石/巖肩樣本的激光誘導擊穿 光譜數據，對數據進行光譜學預處理，作為建立元素信息預測模型所需的訓練集數據和預 測集數據； 最小二乘支持向量機訓練建模單元，用于將所述訓練集數據作為輸入層數據，訓練集 樣本的元素參考值作為輸出層數據，建立最小二乘支持向量機訓練模型； 參數優化單元，用于對最小二乘支持向量機的參數進行優化。16. 根據權利要求15所述的巖性判別系統，其特征在于:所述光譜預處理單元中，光譜 預處理的方法為背景校正法、平均值法或光譜歸一化法，優選全光譜歸一化方法。17. 根據權利要求15所述的巖性判別系統，其特征在于:所述最小二乘支持向量機訓練 建模單元中，所述最小二乘支持向量機的核函數為高斯核函數。18. 根據權利要求17所述的巖性判別系統，其特征在于:所述參數優化單元中，優化的 方法為網格尋優法。19. 根據權利要求14所述的巖性判別系統，其特征在于:所述巖性判別信息提取模塊， 用于提取與巖性關聯的元素含量特征參數。20. 根據權利要求14所述的巖性判別系統，其特征在于:所述巖性識別數據匹配算法模 塊，采用與所述標準巖心巖性判別數據庫模塊進行逐一匹配的計算模式，建立將所述待測 地質錄井巖肩巖性識別元素組合信息轉換成為具有單一目標巖性指向的匹配算法;所述匹 配算法采用基于變異系數法的屬性加權歐氏距離計算法。
【文檔編號】G01N21/71GK105938099SQ201610534211
【公開日】2016年9月14日
【申請日】2016年7月7日
【發明人】段憶翔, 許濤, 林慶宇
【申請人】四川大學