推进矿产勘探：利用高光谱机器学习技术实现钻芯中碳酸盐成分的准确且可解释的定量分析 作者：Vinicius Sales、Graciela Racolte、Lais Souza、Alysson Aires、Julia Lorenz、Reginaldo Silva、Luiza da Silva、Rafael Dias、Diego Mariani 和 Mauricio Veronez （另有4位作者参与研究）

《Minerals》：Advancing Mineral Exploration: Robust and Interpretable Carbonate Quantification in Drill Cores via Hyperspectral Machine Learning Vinicius Sales, Graciela Racolte, Lais Souza, Alysson Aires, Julia Lorenz, Reginaldo Silva, Luiza da Silva, Rafael Dias, Diego Mariani and Mauricio Veronez + 4 authors

　　

摘要

在石油工业中，准确量化碳酸盐岩的矿物组成对于储层特征描述至关重要，这直接影响到岩石的物理性质，如孔隙度和渗透率。然而，传统的分析方法（如X射线衍射（XRD）具有破坏性，并且空间采样能力有限。本研究的目的是通过整合短波红外（SWIR）高光谱成像（HSI）和机器学习算法，开发并验证一种用于连续量化巴西盐下油田钻芯中方解石和白云石含量的工作流程。共有80米的钻芯样本被评估，使用了170个经过XRD验证的样本来校准线性模型、非线性模型和集成模型。结果表明，将乘法散射校正（MSC）预处理技术与多层感知器（MLP）和支持向量回归（SVR）相结合，获得了最佳性能，准确率达到0.84。可解释人工智能（SHAP）技术证实了2330至2360纳米波段在预测中的重要性，提高了地质解释的准确性。所提出的方法提供了一种非破坏性的、高分辨率的矿物成分分析手段，有助于评估复杂的储层并为石油和天然气行业的决策提供支持。尽管该工作流程是针对特定的盐下油田数据集进行验证的，但未来的研究应评估其在其他碳酸盐储层和更广泛地质环境中的适用性。