基于无监督机器学习的离岸 Keta Basin 油前岩相分类与孔隙表征
人工智能
2026-05-01 v1 计算工程、金融与科学
机器学习
地球物理
摘要
本研究提出一种针对离岸 Keta Basin（加纳）的无监督机器学习工作流程进行电岩相分析，此处核心数据稀缺。对Well~C的六个标准测井日志进行分析，涵盖约11,195个样本的深度区间。应用K-means聚类对多变量测井空间进行聚类，评估聚类结构使用惯性和轮廓诊断。识别出四个聚类，平均轮廓系数约为0.50，表明具有中等但有意义的分离。得到的电岩相在深度上呈连续且系统性的模式，与黏土含量、孔隙度和岩石框架性质的变化相关联，形成从以黏土为主至更干净砂石为主的地质连续体。结果表明，仅使用测井日志进行无监督聚类并以定量指标为依据，提供了对地下介质表征的稳健且可重复的框架。该提出的工作流程为前沿离岸盆地的早期阶段地层评价提供了实用工具，为未来的综合研究奠定了基础。
引用
@article{arxiv.2604.27126,
title = {Unsupervised Electrofacies Classification and Porosity Characterization in the Offshore Keta Basin Using Wireline Logs},
author = {Hamdiya Adams and Theophilus Ansah-Narh and Daniel Kwadwo Asiedu and Bruce Kofi Banoeng-Yakubo and Marcellin Atemkeng and Thomas Armah and Richmond Opoku-Sarkodie and Rebecca Davis and Ezekiel Nii Noye Nortey},
journal= {arXiv preprint arXiv:2604.27126},
year = {2026}
}
备注
7 pages, 7 figures. Accepted to ICECET 2026