一种基于激光诱导击穿光谱的岩性判别方法及系统的制作方法

一种基于激光诱导击穿光谱的岩性判别方法及系统的制作方法
【专利摘要】本发明公开了一种基于激光诱导击穿光谱的岩性判别方法，主要是利用激光诱导击穿光谱技术，建立基于最小二乘支持向量机的岩石和/或岩屑元素信息预测模型；再根据岩性判别模型，以待测岩石和/或岩屑样本的元素信息预测数据判别其岩性。本发明方法对岩石/岩屑岩性判别具有直观、快速、准确高效等特征，特别针对高钻速条件下的录井岩屑粉末，岩性判别准确高效，与钻井取心岩性鉴定结果相一致。本发明还同时提供了一种用于实施上述方法的系统。
【专利说明】
一种基于激光诱导击穿光谱的岩性判别方法及系统
技术领域
[0001] 本发明涉及地质勘探领域，具体涉及一种基于激光诱导击穿光谱的岩性判别方法 及系统。
【背景技术】
[0002] 当前新的油气重大勘探地质理论以及深钻技术的进步，为我国油气探明储量的稳 定增长和未来油气勘探发展提供了重要条件，油气勘探领域已逐渐呈现出向深水、深层、非 常规、新探区及新领域转移的趋势。伴随钻遇地层的愈加复杂，超深层、高成本和高风险的 勘探目标增多，储层勘探开发日益受到重视。近年来作为提高油气勘探开发效率与效益的 重要手段，钻头技术的创新发展与应用不断提升油气勘探钻井的破岩效率。但钻头快速钻 井条件下，井底反出的岩肩经常十分细碎混杂，甚至呈粉尘状，常规岩肩录井岩性识别已难 以适应复杂油气藏地层的勘探开发和资源快速评价的要求。以岩石组分、矿物含量、以及以 光性矿物学特征为鉴定依据的岩石结构和构造是现有岩石分类命名的依据，是岩性识别的 基础。岩性分类的侧重角度不同以及岩石本身组成元素含量的复杂变化，直接影响到快钻 条件下的岩性识别效率，对技术工人的经验要求更高，给储层评价带来巨大挑战。为此，发 展新的岩性识别录井技术成为当前及未来油气勘探储层相关研究工作的基础与关键。 [0003]激光诱导击穿光谱技术(Laser-induced breakdown Spectroscopy，简称LIBS)是 近几年迅速发展的一项原子发射激光光谱分析技术。该技术主要利用高能量激光脉冲聚焦 作用在样品表面，完成激光剥蚀采样的同时产生激光诱导微等离子体。等离子体演化过程 中处于激发态的原子和离子向低能级或基态跃迀产生的发射谱线具有元素特征性，其强度 与对应元素含量呈一定的量化关系。采用分光及检测系统记录特征谱线，借助化学计量学 手段可实现样品中多元素组分的定性以及定量-半定量分析。由于LIBS技术具备多形态（固 体、液体及气体形态）、多类型样品分析的能力，且样品预处理要求简单，技术环境适用性 广，目前在地学研究领域已成功应用于岩石、矿物、土壤、沉系物样品的分析。LIBS分析技术 以原子外层电子激发为技术特性，与其他固体样品直接分析技术(如XRF)相比，对于元素周 期表中轻元素（如Na以前的元素）的分析尤为灵敏，更是不受空气环境的影响，因此具备快 速分析的能力(经常几秒钟即可完成对样品的全元素分析），足以满足当前快速钻进录井的 需要。对已有文献和专利检索表明，尚没有利用激光诱导击穿光谱技术结合岩石地球化学 理论用于地质勘探岩石/岩肩岩性识别的专用方法与系统。
[0004] 然而，由于岩石/岩肩岩性类别多、基质复杂，使用LIBS技术直接固体样品分析，不 可避免受到基质效应以及光谱自吸收效应的影响，表现为LIBS光谱与样品组分含量的非线 性关系。因此，为提高岩性识别的准确性，需要建立一种具有较好普适性的岩性判别方法和 系统。

【发明内容】

[0005] 为解决上述问题，本发明提供了一种基于激光诱导击穿光谱的岩性判别方法，包 括以下步骤：
[0006] (1)取已知元素信息的岩石和/或岩肩样本，测定其激光诱导击穿光谱，采集其光 谱数据；
[0007] (2)对光谱数据进行预处理；
[0008] (3)以预处理后的数据，建立基于最小二乘支持向量机的岩石和/或岩肩元素信息 预测模型；
[0009] (4)取待测岩石和/或岩肩样本，按照步骤（1)和步骤(2)的方法获取数据，根据步 骤(3)的预测模型，得到待测岩石和/或岩肩样本的元素信息预测数据；
[0010] (5)根据岩性判别模型，以待测岩石和/或岩肩样本的元素信息预测数据判别其岩 性。
[0011] 进一步地，所述步骤（1)的测定中，激光诱导击穿光谱的波长范围为150-1100nm， 优选的波长范围为220-800nm〇
[0012] 进一步地，所述步骤（1)的测定中，光谱采集延迟时间为0.5-5ys，优选的为1.5ys; 积分时间为200ys-100ms，优选的为Ims
[0013]进一步地，所述步骤(2)的预处理中，预处理的方法为背景校正法、平均值法或光 谱归一化法，优选全光谱归一化方法。
[0014] 进一步地，步骤(3)中，所述最小二乘支持向量机的核函数为高斯核函数。
[0015] 进一步地，所述最小二乘支持向量机的优化参数是通过网格寻优法得到的。
[0016] 进一步地步骤(5)中，所述的岩性判别模型是基于已知岩性的岩石和/或岩肩的元 素信息，或是基于已知岩性的岩石和/或岩肩样本的元素信息预测数据建立的;所述已知岩 性的岩石和/或岩肩样本的元素信息预测数据是通过步骤(3)中建立的元素信息预测模型 得到的。
[0017] 进一步地，步骤(5)中，所述岩性判别模型的判别方法为距离判别法。
[0018]进一步地，所述距离判别法为属性加权欧式距离判别法。
[0019] 进一步地，所述属性加权欧式距离判别法中，属性加权的权值是通过变异系数赋 权法得到的。
[0020] 进一步地，所述变异系数赋权法中，变异系数为判别模型中已知岩性的岩石和/或 岩肩的元素信息，或已知岩性的岩石和/或岩肩样本的元素信息预测数据中同一元素的标 准差系数。
[0021] 进一步地，所述元素信息包括元素的含量和种类。
[0022] 进一步地，所述岩石和/或岩肩样本为地质录井岩石和/或岩肩样本。
[0023] 作为一种更为具体的实施方式，所述方法包括以下步骤：
[0024]建立最小二乘支持向量机结合激光诱导击穿光谱技术用于地质录井岩石/岩肩主 量元素的定量分析模型；
[0025] 建立基于岩性识别组合信息参数的岩性特征判别模型；
[0026] 建立以元素组合特征信息为内容的标准岩心比对数据库；
[0027] 构建适用于录井岩石/岩肩的岩性判别数据匹配算法；
[0028] 利用所述LIBS主量元素定量分析模型与测试系统，分析待测录井岩石/岩肩样品， 提取元素含量组合信息参数；
[0029] 将所述提取的元素含量组合信息参数与所述标准岩心比对数据库进行判别计算；
[0030] 更为具体地，建立最小二乘支持向量机结合激光诱导击穿光谱技术用于录井岩 石/岩肩主量元素的定量分析模型中，包括以下内容:数据采集与预处理单元，训练建模单 元，参数优化单元，预测验证单元。
[0031] 所述数据采集与预处理单元，采集录井岩石/岩肩目标样品的激光诱导击穿光谱 数据作为建立激光诱导击穿光谱定量分析模型的训练集数据和预测验证集数据，进行光谱 预处理；
[0032] 所述训练集样品和预测验证集样品的数据依据样品数量和类型可在1:1至5:1的 比例范围内选取；
[0033]对所述训练集样品和预测验证集样品数据进行光谱预处理，处理方法包括:求平 均值，背景校正以及谱学归一等；
[0034]所述训练建模单元，将所述训练集目标样品的激光诱导击穿光谱数据作为输入层 数据，训练集目标样品的元素含量参考值作为输出层数据，建立最小二乘支持向量机训练 模型；
[0035]更为具体地，所述最小二乘支持向量机模型为：
[0036
[0037]其中，η为向量的维数，CXi为Lagrange因子，k (X，Xk)为核函数，X为输入层数据，Xk为 输入层向量模式，b为支持向量机模型的偏置量，y (X)为输出数据。
[0038]更为具体地，最小二乘支持向量机使用高斯核函数；
[0039
[0040] 所述参数优化单元，为对训练集数据采用网格法对高斯核函数中参数〇和支持向 量机模型正则化参数γ进行寻优，其特征在于：
[0041] 利用网格法对高斯核函数中的参数进行寻优，即让参数〇和丫在一定范围内取值， 对于范围内确定的σ和γ，把训练集作为原始数据集并利用K折交叉验证得到此组 〇和γ下 训练集均方根误差，最终取使得训练集验证数据均方根误差最小的那组σ和γ作为最佳参 数。
[0042] 所述预测验证单元，将所述预测集目标样品的激光诱导击穿光谱数据作为输入层 数据，利用所述参数优化单元确定的优化参数，进行支持向量机回归预测，获取元素含量预 测值；
[0043] 将所述预测集目标样品的元素含量预测值与其对应元素测定参考值进行比较，采 用均方根误差(RMSE)对所述支持向量机模型预测的准确性进行评估；
[0044] 均方根误差(RMSE)由公式
f算得出；其中，yi为预测验证 集样品的实际测量参考值;务:为样品的模型预测值;η为预测验证集样品的数量。
[0045] 所述训练集目标样品和预测集目标样品的的元素含量参考值，为采用国家标准方 法(WD-XRF)测定的参考值。
[0046] 更为具体地，所述录井岩石/岩肩样品，其岩石类型主要包括沉积岩中的碎肩岩类 (砂岩，泥岩，页岩等细分岩类)和碳酸盐岩类(包括灰岩和白云岩等细分岩类），以及火成岩 中的超基性岩、基性岩、中性岩、酸性岩等，但不限于此。
[0047] 更为具体地，建立基于岩性识别组合信息参数的岩性特征判别模型中，参照典型 岩石类型新鲜岩心/岩肩样品，基于所述LIBS元素定量分析模型，获取并总结所述LIBS定量 元素特征，提取与所述录井岩心/岩肩岩性特征相关的岩性识别特征参数，通过元素信息组 合，建立岩性特征判别模型。即通过获取元素组合信息，并转化为具有专一岩性指向的岩性 特征判别参数，赋予其相应的岩性名称，建立岩性特征判别模型。其中，所述元素组合信息 包括元素含量及种类。
[0048] 更为具体地，建立以元素组合特征信息为内容的标准岩心比对数据库，为根据所 述LIBS元素定量分析模型，以岩石地球化学理论为基础，利用标准岩心样品LIBS测试数据， 建立以元素组合特征信息为内容，以岩性特征判别模型为基础架构的标准岩心比对数据 库。
[0049] 其中，数据库信息可以根据典型岩性新鲜岩心样品获取的数据，也可以是根据已 有数据参考添加的数据;数据库内容可根据实际应用需求不断补充相关岩性数据信息;数 据库岩性类别可以有识别编号，也可以有汉语及岩性图例符号标识。
[0050] 更为具体地，所述建立的岩性判别数据匹配算法，是基于所述岩性特征判别模型， 采用将实际提取的岩性识别组合信息与数据库中岩性对应数据进行逐一比对的方法实现。
[0051] 所述岩性判别数据匹配算法，充分考虑了不同岩性数据间的相似性，以及数据内 部不同元素对岩性相似性的贡献大小等，采用将变异系数法与欧氏距离算法结合，形成针 对元素含量组合特征的属性加权欧氏距离算法;将所述待测样品LIBS测定元素含量组合数 据与数据库中对应元素含量组合参数转化为空间向量，通过空间向量距离计算，实现将待 测岩石/岩肩LIBS元素定量组合数据参数转化为具有定性指向的岩性识别名称。
[0052]更为具体地，在利用所述LIBS主量元素定量分析模型与测试系统，分析待测录井 岩石/岩肩样品，提取元素含量组合信息参数的步骤中，利用激光诱导击穿光谱测试系统采 集待测目标样品光谱数据，通过所述LIBS定量分析模型和所述岩性特征判别模型，提取该 待测样品的岩性识别组合信息。
[0053]更为具体地，构建适用于录井岩石/岩肩的岩性判别数据匹配算法中，是按照所述 岩性判别数据匹配算法，将所述提取的待测样品元素含量组合信息参数与所述标准岩心数 据库中对应数据进行逐一匹配计算，获取岩性判别计算值。
[0054]根据判别计算结果，将待测目标样品LIBS测定元素含量组合特征数据与数据库样 本的相似度计算值进行排序。属性加权欧氏距离(Di)值越小，样本之间的相似性愈大。取属 性加权欧氏距离(Di)最小值对应的数据库岩性名称作为所测录井岩肩的岩性名称。
[0055] 本发明还提供了一种基于激光诱导击穿光谱的岩性判别系统，该系统可用于方法 的实施，所述系统包括：
[0056] 基于激光诱导击穿光谱的岩石/岩肩的元素信息预测模块；
[0057]基于元素信息的岩性判别信息提取模块；
[0058]基于元素信息的标准岩心岩性判别数据库模块；
[0059] 岩性判别数据匹配算法模块；
[0060] 激光诱导击穿光谱数据采集与测定模块；
[0061] 岩性判别数据计算执行模块；
[0062] 岩性判别输出模块。
[0063] 进一步地，所述岩石/岩肩的元素信息预测模块包括以下单元：
[0064] 激光诱导击穿光谱数据采集及预处理单元，用于采集岩石/岩肩样本的激光诱导 击穿光谱数据，对数据进行光谱学预处理，作为建立元素信息预测模型所需的训练集数据 和预测集数据；
[0065] 最小二乘支持向量机训练建模单元，用于将所述训练集数据作为输入层数据，训 练集样本的元素参考值作为输出层数据，建立最小二乘支持向量机训练模型；
[0066] 参数优化单元，用于对最小二乘支持向量机的参数进行优化。
[0067]进一步地，所述光谱预处理单元中，光谱预处理的方法为背景校正法、平均值法或 光谱归一化法，优选全光谱归一化方法。
[0068] 进一步地，所述最小二乘支持向量机训练建模单元中，所述最小二乘支持向量机 的核函数为高斯核函数。
[0069] 进一步地，所述参数优化单元中，优化的方法为网格寻优法。
[0070] 进一步地，所述岩性判别信息提取模块，用于提取与岩性关联的元素含量特征参 数。
[0071] 进一步地，所述岩性识别数据匹配算法模块，采用与所述标准岩心岩性判别数据 库模块进行逐一匹配的计算模式，建立将所述待测录井岩肩岩性识别元素组合信息转换成 为具有单一目标岩性指向的匹配算法;所述匹配算法采用基于变异系数法的属性加权欧氏 距离计算法。
[0072] 作为一种更为具体的实施方式，所述岩性判别系统，其内容包括：
[0073] LIBS录井岩石/岩肩元素定量分析建模模块(包含数据采集与预处理单元，建模单 元，参数优化单元，预测验证单元）；岩性识别组合信息提取模块;标准岩心岩性判别数据库 模块;岩性判别数据匹配算法模块;LIBS数据采集与测试模块;岩性判别数据计算执行模 块;岩性识别输出模块；
[0074]所述LIBS录井岩石/岩肩元素定量分析建模模块，采用将LSSVM非线性回归计算与 LIBS技术相结合，建立岩石/岩肩元素定量分析模型，克服基质效应对定量分析结果的不利 影响，获取可靠的元素组分含量测定值。
[0075]所述岩性识别组合信息提取模块，是基于岩石地球化学理论，总结岩石/岩肩岩性 典型特征，从与所述录井岩石/岩肩岩性密切关联的LIBS元素定量测定数据中提取元素组 合特征信息，获得普适性的定性指向岩性判别特征模型；
[0076] 所述标准岩心岩性判别数据库模块，是依据所述岩性判别特征模型，利用标准岩 心LIBS元素定量测定数据，建立以不同岩石类型元素含量组合特征参数为核心内容的标准 岩心岩性判别比对数据库；
[0077] 所述岩性判别数据匹配算法模块，是通过算法比较，建立敏感的比对策略，在岩性 判别特征模型基础上，提高待测岩石/岩肩LIBS定量测试数据与标准岩心岩性判别数据库 的比对效果。
[0078] LIBS数据采集与测试模块，为利用LIBS分析测试系统采集待测录井岩石/岩肩激 光诱导击穿光谱测量数据，并进行光谱学预处理;通过所述LIBS录井岩石/岩肩元素定量分 析建模模块，获取待测样品元素含量数据；
[0079] 所述岩性判别数据计算执行模块，是按照所述岩性判别特征模型，从所述获取的 待测样品元素含量数据中，提取元素含量组合信息，采用所述岩性判别数据匹配算法模块 与所述标准岩心岩性判别数据库进行数据比对；
[0080] 所述岩性识别输出模块，为按照数据匹配计算结果，输出与所述待测岩石/岩肩对 应的岩性名称。
[0081] 本发明的关键在于，由于LIBS受固体样品直接分析基质效应的影响，待测样品元 素的含量与其特征谱线强度往往呈非线性关系。在研究的过程中，发明人将支持向量机、最 小二乘支持向量机等非线性回归模型算法用于沉积岩样品中元素定量分析，并与线性回归 算法(如偏最小二乘回归算法等)的定量分析效果进行比较，最终选取了具有更好非线性预 测性能和运算速度的最小二乘支持向量机回归算法作为用于岩性识别模型中元素定量分 析的算法基础。并且，最小二乘支持向量机具备全局最小收敛特征，与常规支持向量机回归 算法相比较，具有更好地回归收敛速度和良好的应用性能等。
[0082] 因此，本发明提供的激光诱导击穿光谱岩性识别的方法及系统，着力解决了现有 地质勘探领域，尤其是快钻录井条件下岩性识别困难以及识别不准确的问题。即通过建立 最小二乘支持向量机(LSSVM)结合激光诱导击穿光谱定量分析模型，将LIBS技术应用与岩 石地球化学理论有机结合，构建了以岩性识别组合信息为基础的岩性识别特征模型，以此 建立岩性识别比对数据库，采用有效的岩性识别数据比对算法，使LIBS技术岩性识别高效、 可靠;同时构建了LIBS技术岩性识别系统。
[0083] 应用实践表明，本发明所述方法和系统充分利用了激光诱导击穿光谱技术样品预 处理要求简单、样品类型适用性广，以及分析速度快、直观、准确等诸多优点，尤其综合了最 小二乘支持向量机非线性回归特性，在有效获取模型参数的基础上，最大程度克服了固体 样直接分析基质效应的影响;特别是以岩石地球化学理论为基础，获取岩石岩性判别所需 的元素含量组合信息，建立岩性判别特征模型，提高了岩性判别的准确性。通过元素含量信 息组合，建立具有岩性识别相关性和灵敏性的有效匹配算法，减小了岩性判别可能存在的 多解性，有利于录井岩石/岩肩的岩性细分识别。
[0084] 在本发明方法建立中，发明人还对下述步骤/参数进行了进一步的优化筛选：
[0085] 在光谱预处理方法的筛选中，由于LIBS技术以固体样品直接分析为特征，受待测 样品物理化学特征引起基质效应的影响，即使在相同的实验条件下，采集的不同基质样品 LIBS光谱差异巨大，待测目标元素的含量与其光谱强度呈现非线性特征。为实现元素定量 分析的目的，光谱的预处理成为一个关键的因素。在光谱预处理方面，发明人采用了全谱归 一方法，谱线峰强度归一化等方法进行比较。最终选定以全谱归一化作为光谱预处理方法。 该方法可较好克服激光与物质耦合作用的差异对定量分析的影响，以及激光脉冲能量波动 对分析结果的影响。
[0086] 本发明实施例中的仪器测试参数，包括激光器类型，激光脉冲能量，光谱仪类型， 光路系统，为常规设计;光谱采集延时和积分时间充分考虑了激光诱导等离子体的演化特 性和采集光谱的质量(包括光谱的灵敏性和信噪比）。"属性加权欧式距离算法"为对本发明 岩性识别特定目的做了适应性改变的，该改变充分考虑了不同岩石类型判别中元素组合对 于岩性识别的相关性，以及不同元素的灵敏性。
[0087] 在建立预测模型的过程中，为避免在模型中出现欠拟合和过拟合情况，模型建立 中采用了 K折交叉验证的方法(κ-cv)。本发明实施例中所述训练集和预测集数据的比例一 般按照优选比例3:2进行建模。
[0088]在对最小二乘支持向量机参数的寻优方法中，本发明LIBS定量分析模型实践证 明，惩罚系数以及核函数的参数（γ，〇)对LSSVM的性能有着很大的影响，快速地选择合适的 LSSVM参数意义重大。针对SVM参数的优化选取，目前没有公认统一的最好方法。目前较常用 的SVM参数寻优的方法有：网格搜索法、遗传算法寻优法、粒子群算法寻优法等。网格搜索法 的基本原理是在一定的空间范围中划分成网格，通过遍历网格中所有的点对待搜索参数γ 和σ进行取值。对于选取的γ和 〇利用K-CV方法得到在此组γ和〇下训练集验证回归的准确 度，最终取使得训练集验证回归准确度最高的那组γ和σ作为最佳的参数。因此网格寻优法 在寻优区间足够大且步距足够小的情况下，可以找出全局最优解。由于网格内多数参数组 回归预测准确率较低，只在一个比较小的区间内的参数组所对应的回归预测准确率很高， 所以遍历网格内所有参数组会很浪费时间。因此，本发明一种优选的实施例中，是针对网格 搜索法，选择较合理的参数区间，进行小步距精确搜索，能够较好减少参数寻优时间，使基 于LSSVM的定量分析模型更好地满足回归计算准确度的要求。GA算法和PSO算法属于启发式 算法，它们不必遍历区间内所有的参数组也能找到全局最优解，但这2种算法操作往往较复 杂，其容易陷入局部最优(如GA算法虽然有时能够得到最高的回归准确度;但有时容易过早 收敛，出现局部最优，搜索效果不稳定），这时利用LSSVM非线性定量分析模型的结果变差。 因此，本发明优选网格寻优法进行参数的优选。
【附图说明】
[0089] 图1所示为本发明实施例一种激光诱导击穿光谱岩性识别方法的流程图。
[0090] 图2为本发明实施例提供的部分岩石/岩肩样品的激光诱导击穿光谱图。
[0091]图3为本发明实施例提供的所述支持向量机结合激光诱导击穿光谱定量分析模型 用于待测录井岩石/岩肩元素定量分析的预测结果与所述待测样品经国家标准方法 (WDXRF)测定的对应元素参考值的比较示意图。
[0092]图4为本发明实施例典型沉积岩中Si02-3(Al203+TFe 203)-Ca0的含量变化图；
[0093] 图5为本发明实施例砂泥(页)岩岩石/岩肩岩性识别关系图。
[0094] 图6为本发明实施例碳酸盐岩元素关系图。
[0095] 图7所示为本发明实施例一种激光诱导击穿光谱岩性识别系统的整体结构示意 图。
【具体实施方式】
[0096] 表2-1为6种岩石类型的9种元素平均含量；
[0097] 表2-2为6种待测岩石类型的9种元素平均含量；
[0098]表2-3为岩性匹配属性加权欧氏距离计算值。
[0099]实施例1本发明的方法
[0100]为使本发明实施例的目的、技术方案和优点更加清楚，以下将结合本发明实施例 提供的一种激光诱导击穿光谱岩性识别的方法总流程图给出总体说明。需要指出的是，所 描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0101] 图1所示为本发明实施例一种激光诱导击穿光谱岩性识别方法的总流程图，如图 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机的激光诱导击穿光谱岩石/岩肩元素定量分析模 型，其中包括数据采集与预处理单元，建模单元，参数优化单元，以及预测验证单元。举例说 明如下：
[0104] 所述数据采集与预处理单元，是通过LIBS光谱分析系统采集训练集样品和预测集 样品光谱数据，并对采集的光谱数据进行光谱学预处理；
[0105] 所述训练集样品和预测验证集样品为干燥岩石/岩肩粉末制成的压片样品；
[0106] 利用激光诱导击穿光谱检测系统在压片样品表面的不同测量位点进行测量，采集 训练集目标样品和预测验证集目标样品的光谱数据；
[0107] 对所述采集的训练集目标样品和预测验证集目标样品的光谱数据进行光谱学预 处理，处理的方法包括:求平均，背景校正，归一化等；
[0108] 所述建模单元，是将所述预处理后的训练集光谱数据作为输入层数据，所述训练 集目标样品的对应元素含量参考值作为输出层数据，建立最小二乘支持向量机训练模型；
[0109] 上述建模单元中最小二乘支持向量机训练模型借助于核函数技术，通过模型变量 输入，将低维非线性问题转化为求解高维特征空间的线性问题来解决。举例说明最小二乘 支持向量机建模过程：
[0110]设训练集样品的激光诱导击穿光谱数据为(Xl，yi)，i = l，2,…，1.1为样本数。1个 样本及其输出值可表不为(Xi，yi)e Rn X R，η表不输入样本维数。
[0111] 满足Mer cer条件的任何对称的核函数对应于特征空间的点积。本发明中，最小二 乘支持向量机模型的核函数为高斯核函数(RBF)，
[0112]
[0113] 其中，〇是核函数参数，Xj,xk是训练集样品的有效特征向量，j，ke [l，n]。
[0114] 把低维的非线性问题转化为高维的线性问题，即通过一个非线性映射Φ将数据映 射到高维特征空间F，在这个空间进行非线性最小二乘支持向量机回归：
[0115]
[0116] 式中ω是权重向量，b是阈值或偏置量，資Θ是指输入空间到特征空间的非线性映 射，f( ·)在特征空间中表示为一个线性函数。
[0117] 其中，高维的线性问题的最优分类问题转化为求分类间隔函数Φ(ω，〇的最小 值：
[0118]
[0119]
[0120] 式中，ω为权重向量；资(Xf)是特征向量Xk在特征空间的非线性映射；γ >〇是函数 复杂度和损失误差的一个平衡量(误差惩罚函数）;η为向量的维数；￡l为损失函数;XdPy 1* 别为训练集的输入变量和输出变量;i = 1，2，…，1.1为训练集样本数。
[0121] 宙 1猫计始炊自日口管社钽$il县汝的号小二乘估计，即支持向量机模型的预测值：
[0122]
[0123]式中CU为Lagrange因子，k(x，Xi)为高斯核函数，X为输入层未知向量数据，Xi为输 入层支持向量模式，b为支持向量机模型的偏置量，y(x)为特征空间中线性函数的输出数 据；
[0124] 所述参数优化单元，是使用训练集数据，采用网格全局寻优和交叉验证法对高斯 核函数相关参数σ和正则化参数γ进行寻优，确定激光诱导击穿光谱分析目标样品元素含 量的最小二乘支持向量机模型的优化参数。通常γ取值范围为1-100;σ取值范围为1-1000， 其中两者的取值间隔均为5。
[0125] 米用均方根误差法（R〇〇t Mean Square Error，简称RMSE)
评价训练模型参数选择的有效性。当准确度最高时对应的参数 为最优参数，即给出最佳的参数σ，γ和ε，并用训练集数据获得最佳的预测模型。其中，71为 预测集样品的实际测量参考值；.?为样品的模型预测值;1为预测验证集样品的数量。
[0126] 所述预测验证单元，是确定最优参数〇和γ后，将预测验证集目标样品的激光诱导 击穿光谱数据作为所述支持向量机模型的输入层数据，利用训练集数据建立的LSSVM最终 优化模型，对预测验证集目标样品中的元素含量进行预测；
[0127] 将所述预测验证集目标样品的元素含量预测值与所述预测集样品的元素含量参 考值，利用回归相关系数和均方根误差来评价支持向量机模型的预测性能。
[0128] 所述训练集和预测验证集样品的总数不低于30个，训练集和预测验证集样品数目 的比例范围可设计为0.5:1~5:1。
[0129] 所述训练集目标样品和预测验证集目标样品的对应元素含量参考值由国家标准 检测方法(WDXRF)测定得到。
[0130]本实施例中，模型验证表明，在获取支持向量机优化参数的基础上，所述激光诱导 击穿光谱定量分析模型对待测岩石/岩肩样品的元素含量测定结果准确可靠。
[0131] 以下选择四川盆地典型沉积岩类型样品LIBS分析为例，结合附图和实例来进一步 说明本发明流程1001中最小二乘支持向量机结合激光诱导击穿光谱用于录井岩石/岩肩元 素定量分析模型操作流程。本发明不限于此例。
[0132] 图2为本发明实施例提供的部分岩石/岩肩样品的激光诱导击穿光谱图；图3为本 发明实施例提供的支持向量机结合激光诱导击穿光谱元素定量分析优化模型用于录井岩 石/岩肩待测样品的预测结果与应用国标法获得的所述待测样品对应元素参考值的比较示 意图。
[0133] 具体如下所述：
[0134] 本实施例采用通用型激光诱导击穿光谱LIBS便携测试系统（四川大学分析仪器研 究中心研制）获取光谱数据。激光器采用调Q NchYAG激光器，另外包括光路系统，光栅光谱 仪，转动样品台和计算机等。激光脉冲能量l〇〇mJ，激光基频波长1064nm，脉宽4-7ns;光谱采 集延迟时间为1.5ys，积分时间为Ims，脉冲重复频率为5Hz，光谱波长范围为220-800nm.
[0135] 录井岩石/岩肩样品的采集与预处理。本实施例中，所用录井岩石/岩肩样品为采 集于四川盆地钻井地层典型沉积岩样品，包括砂岩，泥岩，页岩，钙质泥岩，含泥灰岩，泥灰 岩，灰岩等。岩石/岩肩样品经粗磨，红外灯加热烘干后，再细磨，过160目筛后存放。岩石/岩 肩样品57份。
[0136] 激光诱导击穿光谱的采集。取岩石/岩肩粉末样品3g，使用红外压片机制成Φ 32mm，厚度2mm的圆形薄片。将样品置于样品台上，利用激光诱导击穿光谱数据采集系统，采 集压片样品的LIBS光谱信号（如图2所示）。为增加采样的代表性，提高LIBS光谱的信噪比， 以及便于数据统计，在每个样品表面采用网格形式采集16个测试点的光谱，每个测试点累 积50个激光脉冲获得一个光谱，每4个光谱再平均一次获得1个光谱，这样每个样品总共获 取4个光谱。经光谱学预处理后，用于建立最小二乘支持向量机定量分析模型输入矩阵。本 实施例中所述训练集与预测验证集光谱数据比例具体选取为10:9进行建模。
[0137] 参考值的测定。典型录井岩石/岩肩样品元素含量（以氧化物计)参考值由国家标 准测试法(WD-XRF)实测给出。分析过程中以国家标准岩石样品（GSR-6)作为监控样进行质 量控制，并重复4次。
[0138] 首先，以录井岩石/岩肩沉积岩样品为例，建立支持向量机结合激光诱导击穿光谱 快速测定元素含量的训练模型。岩石/岩肩压片样品总数为57个。建模时预先采用浓度梯度 法划分训练集和预测验证集样品。训练集样品用来建立训练模型，预测验证集样本用来对 模型进行评价。所述训练集目标样品和预测集目标样品数量分别为30个和27个。其中将训 练集目标样品的激光诱导击穿光谱数据作为输入数据集，训练集目标样品的元素含量参考 值作为模型期望输出值。最小二乘支持向量机模型的参数γ，σ和ε由网格寻优法进行优选。 经过优选，最佳的模型误差正则化参数γ为20.4518，核函数参数σ为9.3264;从而得到最优 的支持向量机结合激光诱导击穿光谱快速测定录井岩石/岩肩样品的预测模型。
[0139] 进行录井岩石/岩肩目标未知样品元素含量的模型预测验证。按照上述激光诱导 击穿光谱采集和光谱预处理的方法，将得到的录井岩石/岩肩目标未知样品的激光诱导击 穿光谱数据作为输入矩阵，输入到训练好的所述支持向量机结合激光诱导击穿光谱快速测 定录井岩石/岩肩元素含量的定量训练模型，自动计算未知目标样品的对应元素含量值。如 图3所示，为元素氧化物含量模型预测值与标准参考值的比较验证图。
[0140] 本实施例中，待测的岩石/岩肩样品模型预测值与参考值比较接近，即所述建立的 模型预测验证结果相关系数较高(相关系数R2大于0.97)，说明模型预测的准确度和精确度 均较高。因此最小二乘支持向量机结合激光诱导击穿光谱能有效实现岩石/岩肩目标样品 元素含量的可靠测定。
[0141] (2)流程 1002
[0142] 所述岩性识别组合信息提取模块，为从LIBS元素定量测试数据中提取具有岩性关 联特性的岩性识别组合信息，建立岩性识别特征模型。具体策略是：
[0143] 选择镜下具有识别矿物特征的新鲜岩石/岩肩，参照岩石学分类标准进行岩石/岩 肩分类定名;借助所述激光诱导击穿光谱岩石/岩肩元素定量分析模型，以岩石地球化学理 论为基础，依据主量元素含量分析结果，将已经确定岩性的岩心/岩肩与其LIBS元素定量测 定数据建立关联，提取适用于岩性识别的元素含量组合信息参数，建立岩性识别特征模型；
[0144] 所述依据主量元素含量分析结果进行岩性识别，重要的是选择岩性相关性显著、 灵敏度好的元素含量组合信息作为岩性识别特征参数。不同类型的岩石/岩肩分别有各自 的特征参数，选择恰当的元素含量组合特征参数，会使建立的岩性识别模型更具特征性；
[0145] 所述相关性显著是指录井岩石/岩肩元素含量组合特征参数与岩性密切相关，灵 敏度好是指随着岩性变化特征参数也显著变化。不同的岩性类型，选取的元素含量组合特 征参数不同，灵敏度会有差异；
[0146] 岩性识别特征模型，可以是通过人工分析后总结认识得出，是建立在已知确定岩 性和LIBS元素定量分析提取结果基础上;也可以在预先知道岩性的元素含量组合特征参数 的基础上，如所述岩石地球化学理论等，采用相关性及灵敏度好的特征参数，进行自动提 取。
[0147] 其中，岩性识别元素组合特征，为利用所述建立的激光诱导击穿光谱定量分析模 型获取的不同岩石类型的岩石组份特征规律信息，与公知信息相符合。佐证了本发明方法 的正确性;为后续岩性识别方法建立了基础。
[0148] 例如常规碎肩沉积岩中砂岩对应高的Si〇2含量，低Al2〇3，TFe2〇3含量;泥（页)岩对 应较高的SiO2，富A1203和TFe2O3等。元素含量的高低在LIBS定量分析中有具体的数值范围。 [0 149]图4所不为典型沉积岩(砂岩-泥（页）岩-碳酸岩）中的Si〇2-(Al2〇3+TFe2〇3)_CaO含 量变化图。该图表明，元素含量在不同岩性岩石中的含量变化特征明显，因此，SiO 2-Ul2O3+ TFe203)-Ca0含量组合特征，可以作为典型沉积岩识别的重要参数使用。
[0150] 图5所示为砂岩-泥(页)岩中Si〇2-3X(Al2〇3+TFe 2〇3)-4X(CaO+MgO)中含量变化关 系图。该图表明，随着娃质含量增加，岩性趋向于砂岩;而AUFe元素的含量与泥页岩关系更 密切。
[0151] 图6所示为碳酸盐岩的Si02_3 X (Al203+TFe203)-(Ca0+Mg0)中含量变化图。随着岩 性由钙质泥岩-含泥灰岩-碳酸盐岩变化，CaO组分逐渐增多，Si02组分逐渐减少。
[0152] 图4,5,6表明，随岩性的变化，不同沉积岩中Si02-(Al20 3+TFe203)-(Ca0+Mg0)质量 分数的组合特征发生显著的变化，具备相关性和敏感性好等特征，可作为岩性识别的关键 性实验依据。
[0153] (3)流程 1003
[0154] 所述建立标准岩心岩性判别比对数据库，具体为：
[0155] 采集标准钻井岩芯，利用所述建立的LIBS定量分析模型，根据所述岩性识别特征 模型，提取岩性识别元素含量组合特征信息，将岩心研究已经定名的标准岩心岩性与其所 述元素含量组合特征信息进行关联，建立以岩性识别元素含量组合特征信息为内容的岩性 判别数据库。
[0156] 为简单说明，表2-1中列出了已建立关联的9种不同岩石类型元素含量的数据库数 据(限于篇幅示例性选择了9中岩石类型）。其中，元素含量数据为多个样品LIBS测定的平均 值。
[0158] 备注:样品采自四川盆地重庆地区钻井
[0159] (4)流程 1004
[0160] 所述涉及岩性判别数据匹配算法，是根据所述元素含量组合信息，建立岩性识别 特征模型的匹配算法，举例说明，表2-2为待解释的岩石/岩肩LIBS元素含量测定数据。
[0161] 表2-2.待解释的岩石/岩肩样品LIBS元素含量测定数据(wt%)
[0163] 所述建立岩性识别特征模型的匹配算法，就是将表2-2中的岩石/岩肩元素含量与 表2-1中9个岩石类型数据进行匹配计算分析，根据匹配计算的结果(如表2-3所示），就可将 表2-2中的岩石/岩肩进行归类或定名。即，通过选定合适的匹配算法，赋予上述未知样品具 有定性岩性指向的岩性识别计算量。
[0164] 表2-3.表2-1和表2-2数据计算的匹配结果
L〇166」岩性识别匹配算法中选取的元素含量组合特征参数作为数据库样本集，首先要具 备良好的岩性指向灵敏度，即可分性好。例如具有相同或相似岩性类别的元素含量组合特 征参数，样本数据匹配计算值应更集中，而不同岩石类型的数据样本，类与类之间的距离应 该越大；
[0167] 在进行岩性识别匹配计算时，样本间的相似度不仅仅依赖于样本间的相近程度， 还依赖于数据样本间元素含量的内在性质，也就是说数据集中每个岩性元素含量在匹配判 别分析过程中对于岩性判别的重要性不同。本实施例充分考虑了元素含量组合特征数据集 中的每个元素含量在相似度评价中对于数据样本相似度计算的贡献不同。为正确表达岩 石/岩肩分类数据的离散程度，通过比较，选定属性加权欧氏距离算法，利用属性加权欧式 距离算法，作为度量待测样品岩性特征与数据库中岩性数据相似度的计算方法；
[0168] 属性加权权值采用变异系数赋权法计算得出；
[0169] 客观赋权评价法则根据各项指标的变异系数来确定权数进行综合评价。
[0170]权重的赋值合理与否，对评价结果的科学合理性起着至关重要的作用;若某一因 素权重发生变化，将会影响整个评判结果。因此，权重的赋值必须做到科学和客观，这就要 求寻求合适的权重确定方法。
[0171]此处的变异系数是针对数据库中不同岩石类型元素含量组合数据中同一元素进 行计算得出，具体是该目标元素在数据库中所属所有岩性元素含量组合数据中的标准差除 以其均值的绝对值；
[0172] 宙々教抿库中η个岩件类型的元素含量组合特征数据Cn,P，记为：
[0173]
(!)
[0174] 所述目标元素i的均值g由式(2)计算得出：
[0175]
(?[0176] 斫袜日标元麦彳的标袖荖1由忒GW+管渴m.
[0177]
[0178]
[0179]
[0180] 对于数据库中元素含量组合特征数据中，每列元素i都有其各自的变异系数。为了 方便，用Vi表示元素i的变异系数，i = 1，2，···η。Vi的值的大小，表示元素i在不同的岩性样品 中元素含量变化的程度不同J1的值大，区别岩性的能力强，应有较重的加权值。
[0181] 因此，数据库中元素i相应的权重系数1最终可由下式计算得到：
[0183] wmtfj人7」、个InJ，衣明彳土兀糸·付，元素i对于岩性识别贡献能力具有差异性。
[0182]
[0184] 所述匹配算法，具体是指将所述待测样品LIBS元素含量组合特征数据进行空间向 量重构，计算其与数据库中标准岩心岩性判别数据的对应空间向量距离，即计算LIBS元素 含量组合特征数据与数据库不同岩性数据空间矢暈的欧氏距离值(D 1),计算公式为：
[0185]
[0186] 上式中的Xiu为待测样品的元素含量，Ciu为数据库中元素的含量，P1为岩性判别 相似性指数；
[0187]岩性判别相似性指数P1越小，即空间矢量欧氏距离长度(?)越小，表明岩性匹配越 接近；
[0188] 利用数据库比对法定性解释的关键是"岩性判别特征数据库"。数据库的岩石类型 越多，岩性分类越详细，则岩性识别解释就越准确。
[0189] (5)流程 1005
[0190]所述LIBS数据采集与测试模块，是利用LIBS测试系统对待测岩石/岩肩样品进行 光谱测试，采集所述待测样品光谱数据，利用所述LIBS录井岩石/岩肩元素定量分析模型， 获取所述待测样品元素含量；
[0191] (6)流程 1006
[0192] 所述岩性判别数据计算执行模块，为提取所述待测录井岩石/岩肩样品元素含量 组合特征参数，将其与所述标准岩心岩性判别数据库中对应数据按照岩性识别特征模型进 行匹配计算；
[0193] (7)流程 1007
[0194] 所述岩性识别输出模块，为按照匹配计算结果，输出与所述待测岩石/岩肩样品最 接近的岩性名称等信息。
[0195] 实施例2本发明的系统
[0196] 图7所示为本发明实施例一种激光诱导击穿光谱岩性识别系统的结构示意图，其 特征在于：
[0197] LIBS岩石/岩肩元素定量分析建模模块701;岩性识别组合信息提取模块702;标准 岩心岩性判别数据库模块703,岩性判别数据匹配算法模块704; LIBS数据采集与测试模块 705;岩性判别数据计算执行模块706，岩性识别输出模块707;
[0198] 所述LIBS岩石/岩肩元素定量分析建模模块701，用于将最小二乘支持向量机与 LIBS激光诱导击穿光谱技术相结合，建立岩石/岩肩LIBS元素定量分析模型;为所述岩性识 别提供待测样品元素组分含量信息；
[0199] 所述岩性识别组合信息提取模块702,主要基于岩石地球化学理论，提取与所述岩 石/岩肩岩性相关联的LIBS定量元素组合特征参数，建立岩性判别特征模型；
[0200] 所述标准岩心岩性特征判别数据库模块703,是利用已知岩性标准岩心样品，采用 所述LIBS岩石/岩肩元素定量分析模型，获取元素含量组合特征参数，建立基于所述岩性识 别特征模型的标准岩心岩性对比数据库；
[0201] 所述岩性判别数据匹配算法模块704,是将获取的所述岩性识别组合信息与标准 岩心岩性判别数据库进行比对，主要是通过将岩性判别模型中元素含量组合信息转化为空 间向量，计算待测样品与数据库中不同岩性类别对应数据的相似度，确定适用于岩性识别 的匹配算法；
[0202] 所述LIBS数据采集与测试模块705,为利用LIBS测试系统采集待测岩石/岩肩样品 光谱数据，进行光谱学预处理，采用所述LIBS定量分析模型，获取待测目标岩石/岩肩样品 的元素含量数据；
[0203] 所述岩性判别数据计算执行模块706,是依据岩性特征判别模型，提取所述待测岩 石/岩肩岩性含量组合特征数据，与所述标准岩心岩性判别数据库中对应数据通过所述岩 性判别数据匹配算法进行计算比对；
[0204] 所述岩性识别输出模块707,是按照匹配计算结果，输出与所述待测岩石/岩肩匹 配的岩性名称等信息。
[0205]作为本发明进一步的实施例，所述LIBS岩石/岩肩元素定量分析建模模块701还包 括：
[0206] LIBS数据采集与预处理单元7011;训练建模单元7012;参数优化单元7013;预测验 证单元7014;
[0207]所述LIBS数据采集与预处理单元7011，为使用LIBS分析系统采集所述建模样品 LIBS光谱数据，并对数据进行光谱学预处理，包括:背景校正，光谱归一处理等；
[0208] 所述训练模型建模单元7012,为利用所述训练集样品光谱数据，进行最小二乘支 持向量机回归建模；
[0209] 所述参数优化单元7013,为利用训练集数据通过网格法对高斯核函数相关参数〇， 以及正则化参数γ在参数设定范围内进行寻优，获取子训练集并建立模型，然后用计算获 得的元素含量数据来估计模型的预测准确度，当预测准确度最高时对应的参数为最优参 数；
[0210] 所述预测验证模块7014,利用训练集数据建立的LSSVM最终优化模型，将预测验证 集目标样品的激光诱导击穿光谱数据作为最小二乘支持向量机模型的输入层参数，对所述 预测集目标样品的元素含量进行预测;根据所述预测集目标样品的元素含量参考值，采用 相关系数和均方根误差来验证最小二乘支持向量机模型的准确度和精确度；
[0211] 应用上述激光诱导击穿光谱岩性识别系统对录井岩石/岩肩岩性识别具有直观、 快速、准确高效等特征，特别是对细碎粉末岩肩，与钻井取心、井壁取心岩性鉴定结果对比， 岩性识别能力获得显著提高。
[0212] 在快速钻录井条件下，应用上述激光诱导击穿光谱岩性识别系统获取的录井深度 岩性的变化特征，还可为相关施工条件下的钻井操作的参数(如钻井的可钻性变化，钻时变 化），测井的数据变化(如声波时差、电阻率、井径变化等)提供对比参考信息，分析钻录测井 各种相应资料参数的相关性和相关度等。
[0213] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通 过计算机程序来指令相关的硬件来完成，所述的程序可存储于一般计算机可读取存储介质 中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁 碟、光盘、只读存储记忆体（Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
[0214] 以上所述的【具体实施方式】，对本发明的目的、技术方案和有益效果作了进一步详 细说明，需指出的是，以上所述仅为本发明的【具体实施方式】而已。
[0215]综上所述，本发明所述方法和系统充分利用了激光诱导击穿光谱技术样品预处理 要求简单、样品类型适用性广，以及分析速度快、直观、准确等诸多优点，尤其综合了最小二 乘支持向量机非线性回归特性，在有效获取模型参数的基础上，最大程度克服了固体样直 接分析基质效应的影响;特别是以岩石地球化学理论为基础，获取岩石岩性判别所需的元 素含量组合信息，建立岩性判别特征模型，提高了岩性判别的准确性。通过元素含量信息组 合，建立具有岩性识别相关性和灵敏性的有效匹配算法，减小了岩性判别可能存在的多解 性，有利于录井岩石/岩肩的岩性细分识别。
【主权项】
1. 一种基于激光诱导击穿光谱的岩性判别方法，其特征在于:包括以下步骤： (1) 取已知元素信息的岩石和/或岩肩样本，测定其激光诱导击穿光谱，采集其光谱数 据； (2) 对光谱数据进行预处理； (3) 以预处理后的数据，建立基于最小二乘支持向量机的岩石和/或岩肩元素信息预测 丰旲型； (4) 取待测岩石和/或岩肩样本，按照步骤（1)和步骤(2)的方法获取数据，根据步骤(3) 的预测模型，得到待测岩石和/或岩肩样本的元素信息预测数据； (5) 根据岩性判别模型，以待测岩石和/或岩肩样本的元素信息预测数据判别其岩性。2. 根据权利要求1所述的岩性判别方法，其特征在于:所述步骤（1)的测定中，激光诱导 击穿光谱的波长范围为150-1100nm，优选的波长范围为220-800nm。3. 根据权利要求2所述的岩性判别方法，其特征在于:所述步骤（1)的测定中，光谱采集 延迟时间为0.5-5ys，优选的为1.5ys;积分时间为200ys-100ms，优选的为lms。4. 根据权利要求1所述的岩性判别方法，其特征在于:所述步骤(2)的预处理中，预处理 的方法为背景校正法、平均值法或光谱归一化法，优选全光谱归一化方法。5. 根据权利要求1所述的岩性判别方法，其特征在于:步骤(3)中，所述最小二乘支持向 量机的核函数为高斯核函数。6. 根据权利要求5所述的岩性判别方法，其特征在于:所述最小二乘支持向量机的优化 参数是通过网格寻优法得到的。7. 根据权利要求1-6任一项所述的岩性判别方法，其特征在于:步骤(5)中，所述的岩性 判别模型是基于已知岩性的岩石和/或岩肩的元素信息，或是基于已知岩性的岩石和/或岩 肩样本的元素信息预测数据建立的；所述已知岩性的岩石和/或岩肩样本的元素信息预测 数据是通过步骤(3)中建立的元素信息预测模型得到的。8. 根据权利要求1-7任一项所述的岩性判别方法，其特征在于:步骤(5)中，所述岩性判 别模型的判别方法为距离判别法。9. 根据权利要求8所述的岩性判别方法，其特征在于:所述距离判别法为属性加权欧式 距离判别法。10. 根据权利要求9所述的岩性判别方法，其特征在于:所述属性加权欧式距离判别法 中，属性加权的权值是通过变异系数赋权法得到的。11. 根据权利要求10所述的岩性判别方法，其特征在于:所述变异系数赋权法中，变异 系数是判别模型中，已知岩性的岩石和/或岩肩的元素信息，或已知岩性的岩石和/或岩肩 样本的元素信息预测数据中同一元素的标准差系数。12. 根据权利要求1-11任一项所述的岩性判别方法，其特征在于:所述元素信息包括元 素的含量和种类。13. 根据权利要求1-12任一项所述的岩性判别方法，其特征在于:所述岩石和/或岩肩 样本为地质录井岩石和/或岩肩样本。14. 一种基于激光诱导击穿光谱的岩性判别系统，其特征在于:所述系统包括： 基于激光诱导击穿光谱的岩石/岩肩的元素信息预测模块； 基于元素信息的岩性判别信息提取模块； 基于元素信息的标准岩心岩性判别数据库模块； 岩性判别数据匹配算法模块； 激光诱导击穿光谱数据采集与测量模块； 岩性判别数据计算执行模块； 岩性判别输出模块。15. 根据权利要求14所述的岩性判别系统，其特征在于:所述岩石/岩肩的元素信息预 测模块包括以下单元： 激光诱导击穿光谱数据采集及预处理单元，用于采集岩石/岩肩样本的激光诱导击穿 光谱数据，对数据进行光谱学预处理，作为建立元素信息预测模型所需的训练集数据和预 测集数据； 最小二乘支持向量机训练建模单元，用于将所述训练集数据作为输入层数据，训练集 样本的元素参考值作为输出层数据，建立最小二乘支持向量机训练模型； 参数优化单元，用于对最小二乘支持向量机的参数进行优化。16. 根据权利要求15所述的岩性判别系统，其特征在于:所述光谱预处理单元中，光谱 预处理的方法为背景校正法、平均值法或光谱归一化法，优选全光谱归一化方法。17. 根据权利要求15所述的岩性判别系统，其特征在于:所述最小二乘支持向量机训练 建模单元中，所述最小二乘支持向量机的核函数为高斯核函数。18. 根据权利要求17所述的岩性判别系统，其特征在于:所述参数优化单元中，优化的 方法为网格寻优法。19. 根据权利要求14所述的岩性判别系统，其特征在于:所述岩性判别信息提取模块， 用于提取与岩性关联的元素含量特征参数。20. 根据权利要求14所述的岩性判别系统，其特征在于:所述岩性识别数据匹配算法模 块，采用与所述标准岩心岩性判别数据库模块进行逐一匹配的计算模式，建立将所述待测 地质录井岩肩岩性识别元素组合信息转换成为具有单一目标岩性指向的匹配算法;所述匹 配算法采用基于变异系数法的属性加权欧氏距离计算法。
【文档编号】G01N21/71GK105938099SQ201610534211
【公开日】2016年9月14日
【申请日】2016年7月7日
【发明人】段忆翔, 许涛, 林庆宇
【申请人】四川大学