基于激光誘導(dǎo)擊穿光譜技術(shù)的巖屑識(shí)別方法研究.pdf

1、石油鉆井過(guò)程中的巖屑錄井無(wú)論對(duì)油氣勘探開(kāi)發(fā)還是鉆井工程都是極為關(guān)鍵的技術(shù)，而巖屑的識(shí)別分類工作是巖屑錄井的一個(gè)重要環(huán)節(jié)。前期實(shí)驗(yàn)室已做了大量的相關(guān)工作，建立了一套基于數(shù)字圖像處理技術(shù)的巖屑識(shí)別方法，以取代傳統(tǒng)的肉眼觀察方法。LIBS技術(shù)由于其快速、便捷、獲取信息量大、無(wú)需樣品預(yù)處理、可以實(shí)施現(xiàn)場(chǎng)測(cè)試的特點(diǎn)，在錄井現(xiàn)場(chǎng)的巖屑識(shí)別方面具有很大的應(yīng)用潛力。然而，高分辨率、寬波段范圍的LIBS光譜包含樣品的原子線、離子線、分子光譜和譜線背景等信

2、息，數(shù)據(jù)量極大。而且受樣品不均勻、燒蝕條件不穩(wěn)定、譜線自吸收和基體效應(yīng)等因素的影響，又導(dǎo)致LIBS光譜具有很大的不穩(wěn)定性。因此，如何進(jìn)行快速、有效的數(shù)據(jù)處理是LIBS技術(shù)用于識(shí)別分類時(shí)的一大難題。本論文擬將LIBS技術(shù)結(jié)合一定的化學(xué)計(jì)量學(xué)方法用于錄井現(xiàn)場(chǎng)的巖屑識(shí)別工作，旨在發(fā)展一套快速、有效的基于LIBS技術(shù)的巖屑識(shí)別方法。
　　論文首先介紹了選題的背景和意義，然后從激光誘導(dǎo)等離子體的物理基礎(chǔ)和基于LIBS的模式識(shí)別方法兩方面綜述

3、了LIBS技術(shù)在識(shí)別分類方面的研究進(jìn)展，并對(duì)本論文的實(shí)驗(yàn)和數(shù)據(jù)處理方法作了簡(jiǎn)要介紹。作者的工作主要包括：巖屑LIBS光譜采集及PLS-DA分析方案設(shè)計(jì)；全譜模型和特征模型的預(yù)測(cè)性能研究；SVM方法用于巖屑識(shí)別分類的初步探索。
　　為得到本文所用的LIBS數(shù)據(jù)，首先進(jìn)行了巖屑LIBS光譜的采集工作。以錄井現(xiàn)場(chǎng)的褐色泥巖、石英砂巖、青綠色泥巖、黑色泥巖、紫紅色泥巖和淺灰色泥巖6種巖屑為實(shí)驗(yàn)樣品，根據(jù)LIBS需求結(jié)合實(shí)驗(yàn)室現(xiàn)有條件對(duì)主要

4、光學(xué)儀器進(jìn)行選型，搭建LIBS實(shí)驗(yàn)平臺(tái)。經(jīng)波長(zhǎng)校準(zhǔn)和強(qiáng)度校準(zhǔn)后對(duì)巖屑的LIBS信號(hào)進(jìn)行時(shí)間分辨測(cè)量，激光能量設(shè)置為15mJ，探測(cè)延時(shí)800ns，門(mén)寬8μs，每種巖屑采集100個(gè)單脈沖光譜，得到了6種巖屑的LIBS原始光譜數(shù)據(jù)。
　　針對(duì)巖屑LIBS光譜的數(shù)據(jù)處理問(wèn)題，采用了PLS-DA建模方法，并對(duì)PLS-DA模型的具體分析方案進(jìn)行了優(yōu)化設(shè)計(jì)。首先進(jìn)行了光譜預(yù)處理，確定了強(qiáng)度歸一為最佳歸一方式。其次重點(diǎn)研究了本文所用PLS-DA模

5、型的分析方案：將全部樣本分為模型校正集和檢驗(yàn)集，并通過(guò)留一交叉驗(yàn)證法確定最佳主成分個(gè)數(shù)；在判別分析時(shí)分別采用最大概率法和CMU兩種方法，并確定了預(yù)測(cè)均方根誤差RMSEP、識(shí)別正確率、識(shí)別錯(cuò)誤率、未識(shí)別率、有效未識(shí)別率、程序運(yùn)算時(shí)間t等模型評(píng)價(jià)指標(biāo)。
　　在確定PLS-DA模型分析方案的基礎(chǔ)上，為了更好的剔除全譜數(shù)據(jù)中噪聲和背景等不相關(guān)變量的干擾，進(jìn)行了巖屑LIBS光譜特征提取的研究。從全譜數(shù)據(jù)24041個(gè)變量中提取了27個(gè)特征量，

6、建立特征模型，并從靈敏度、穩(wěn)健性和效率三個(gè)方面與全譜模型相比較。在靈敏度方面：特征模型的RMSEP低于全譜模型，為0.2681對(duì)0.3250；特征模型在最大概率法和CMU方法下均比全譜模型有更高的識(shí)別正確率，分別為88.33％對(duì)86.67%，81.67%對(duì)68.33%。在穩(wěn)健性方面，特征模型的有效未識(shí)別率同樣高于全譜模型，為50%對(duì)33%。在效率方面，特征模型的預(yù)測(cè)時(shí)間約為0.1秒，遠(yuǎn)遠(yuǎn)小于全譜模型的7.5秒。該部分工作表明本文所提取的

7、27個(gè)特征量有效的剔除了全譜中噪聲和背景等不相關(guān)變量的干擾，經(jīng)過(guò)特征提取后PLS-DA模型的靈敏度、穩(wěn)健性和效率均有了較為明顯的提高。
　　PLS-DA模型本質(zhì)上是一種線性方法，為更好的解決LIBS數(shù)據(jù)中的非線性問(wèn)題，本文還進(jìn)行了SVM方法用于巖屑識(shí)別分類的初步探索工作。與PLS-DA模型相比，SVM模型全譜輸入的識(shí)別正確率為93.33%對(duì)86.67%，特征輸入為86.67%對(duì)88.33%。之后在檢驗(yàn)集樣本的預(yù)測(cè)時(shí)設(shè)計(jì)了一種SVM