激光诱导击穿光谱技术在录井岩性识别中的应用

余嵘华，贾军伟，付洪波，王华东

(1.合肥工业大学 电子科学与应用物理学院，安徽 合肥 230009；2．中国科学院 安徽光学精密机械研究所，安徽 合肥 230031)

岩性识别是地质录井的重要组成部分，准确快速的岩屑岩性识别对油气资源的勘探具有重要意义.随着聚晶金刚石复合片(polycrystalline diamond compact,简称PDC)钻头的广泛使用，岩屑变得更加细碎，甚至变为粉末，导致依靠观察岩屑的颜色、纹理、颗粒度及荧光分析进行岩性识别的传统方法失效，岩屑岩性判别面临挑战.X射线荧光光谱分析[1-2]在地质录井中得到了应用，但由于样品预处理复杂、分析时间长、维护成本高、轻元素分析能力不足等缺点，不能适应环境复杂的地质录井现场.激光诱导击穿光谱(laser induced breakdown spectroscopy,简称LIBS)[3-4]是一种原子发射光谱，此技术具有原位在线检测、环境适应能力强、无须样品预处理和多元素同时快速无损分析等优点，已在地质、空间探测、环境保护等领域得到了应用[5-9].陈兴龙等[10]采用LIBS技术结合神经网络、田野等[11]采用LIBS技术结合偏最小二乘判别分析、韩学辉等[12]采用LIBS技术结合支持向量机，均实现了岩性有效识别，因此LIBS技术具有适应地质录井现场岩性识别的能力.笔者采用LIBS技术，结合主成分分析和对向传播人工神经网络(counter propagation artificial neural networks,简称CP-ANNs)非线性模型，对地质录井现场常见的泥岩、砂岩、灰岩3种沉积岩及玄武岩、安山岩2种岩浆岩进行岩性识别.

1 实 验

1.1 实验装置

激光诱导击穿光谱样品分析系统如图1所示，所用激光器为Nd:YAG脉冲激光器，波长为1 064 nm，重复频率为1 Hz，能量为35 mJ.样品放置在3维移动平台上，可在多个位置对样品采集光谱数据.激光脉冲经焦距为100 mm透镜聚焦后，对样品进行剥蚀，产生等离子体并发光，然后经会聚透镜和光纤耦合到光谱仪，最终通过计算机实现样品光谱数据的采集和存储.

图1 激光诱导击穿光谱样品分析系统

1.2 样 品

对取自录井现场的5种岩屑(玄武岩、安山岩、泥岩、砂岩及灰岩)样品进行压样处理，岩屑粉末及压样样品如图2所示.将每种岩屑样品制成4块直径为30 mm、厚度为2 mm的圆片，其中3块用于模型的建立，1块用于模型识别能力的校验，20个样品的编号为1-1至5-4.由于岩屑样品存在一定的不均匀性，每个样品采集5个位置，每个位置采集2组光谱数据，每组光谱为20个脉冲的累积平均，最终共得到200组光谱数据.

图2 岩屑粉末及压样样品

1.3 光谱数据处理

5种岩屑(玄武岩、安山岩、泥岩、砂岩和灰岩)样品的LIBS光谱如图3所示.每种岩屑均具有丰富的光谱谱线.如果使用全谱作为模型的输入变量，则需要较长的数据处理时间和复杂的计算过程.Ca，Si，Mg，Al，Fe，Na，K是主要的造岩元素，利用这些元素的特征谱线作为模型的输入变量，可以降低模型的输入个数，提高模型的识别效率.根据谱线选取的原则及美国国家标准与技术研究院(national institude of standards technology,简称NIST)原子光谱数据库，每种元素选取3条特征谱线，它们为：CaII 315.89 nm，CaII 317.93 nm，CaI 422.67 nm，SiI 250.69 nm，SiI 251.92 nm，SiI 288.16 nm，MgII 279.55 nm，MgI 280.27 nm，MgI 383.23 nm，AlI 308.21 nm，AlI 309.27 nm，AlII 430.72 nm，FeII 239.49 nm，FeII 259.94 nm，FeI 371.99 nm，NaII 328.56 nm，NaI 588.99 nm，NaI 589.59 nm，KI 404.72 nm，KI 766.49 nm，KI 769.89 nm(其中I代表原子线、II代表离子线).对谱线进行拟合得到拟合光谱强度，每组LIBS光谱数据用21个特征谱线的拟合光谱强度替代.

图3 5种岩屑样品的LIBS光谱

2 结果与讨论

2.1 主成分分析

主成分分析法(principal component analysis，简称PCA)[13-14]是一种用途广泛的统计分析方法，可以对数据进行压缩以及特征提取，用几个不相关的综合变量代替原始的多个具有相关性的变量.根据数据变量方差及方差累计，选择合适的综合变量数目(即最优主成分的数目)，使几个主成分含有大部分原始变量包含的信息.使用累计方差贡献率大于85%的最优主成分作为神经网络模型的输入变量，对数据量进行压缩的同时，仍能保留绝大部分原始光谱信息.

使用7种元素的21条LIBS特征谱线的拟合光谱强度作为输入变量，对5种岩屑样品的光谱数据进行主成分分析.前5个主成分的特征值及方差贡献率、累计方差贡献率如表1所示.

表1 前5个主成分的特征值及方差贡献率、累计方差贡献率

表1中，PC1，PC2和PC3累计方差贡献率均达到了94.54%，远超过85%的最优主成分选取要求.根据方差累计贡献率大于85%的最优主成分数目选取原则，前3个主成分已经包含了样品的绝大部分LIBS光谱信息，它们可作为模型的输入变量.图4 为前3个主成分得分图.从图4中可以看出，不同类型的岩屑样品均表现出了一定程度的聚类，但仍存在一定的重叠区域，灰岩、砂岩、玄武岩及安山岩均现出了较好的聚类，泥岩由于自身成分复杂且均匀性较差，表现出了一定的分散性.由于不同的岩屑之间存在一定的重叠区域，仅仅使用主成分分析不能对岩屑岩性进行准确判别.

图4 前3个主成分得分图

2.2 偏最小二乘判别分析

偏最小二乘判别分析(partial least squares discriminant analysis,简称PLS-DA)将偏最小二乘的因变量变为样本的类别变量，通过因变量和类别变量间的线性回归分析，建立光谱数据特征和类别的对应关系，用于样本的分类识别[15].使用主成分作为模型的输入数据，建立PLS-DA模型，通过验证集验证，结果如图5和表2所示.

图5 使用PLS-DA模型的判别结果

样品类型玄武岩安山岩泥岩砂岩灰岩识别总数目1010101010识别正确数目955810识别错误数目15520识别正确率/% 90505080100平均识别正确率/%74

由于泥岩和砂岩成分相似，使用PLS-DA模型识别泥岩和砂岩的效果较差，识别率均只有50%，且两者有很大的重叠区域.玄武岩、安山岩和灰岩的识别率均在80%以上，由于泥岩和安山岩成分复杂及不均匀，二者样本分布离散.

PLS-DA线性模型对5种类型岩屑的平均识别正确率虽达到了74%，但泥岩和砂岩的识别正确率均为50%，不能满足岩性有效识别要求.因此，将采用CP-ANNs非线性模型，对5种岩屑岩性进行识别.

2.3 对向传播人工神经网络

CP-ANNs[16]是一种改进的自组织映射神经网络，图6为对向传播人工神经网络结构图.对向传播人工神经网络包括输入层、竞争层和输出层，输入层和竞争层构成Kohonen层，神经元常以N×N正方形的形式进行排列，具有自适应、自学习以及非线性映射等优点.

图6 对向传播人工神经网络结构

使用对向传播人工神经网络非线性模型，需要选择合适的神经元数目以及训练次数，根据基因遗传算法，选取的神经元数目为10×10，训练次数为300.

由于 CP-ANNs是有监督的神经网络，因此需对岩屑岩性类别进行编码.50个样本共有5种岩性类别，用 1，2，3，4，5表示5种岩屑的训练集样本，P1，P2，P3，P4，P5表示5种岩屑的检验集样本.

图7为所有样本在Kohonen层100个神经元上的分布情况.Kohonen层的100个神经元的5种颜色表示5种不同岩屑.神经元中的数字代表岩性类别，训练集和检验集位于同样颜色区域时，对应的样本被正确识别，反之则被错误识别.

图7 样本在Kohonen 层100个神经元上的分布情况

表3为使用CP-ANNs模型的判别结果.由于泥岩的成分相对较为复杂，且均匀性较差，识别结果出现了一定的误差，玄武岩、安山岩、砂岩和灰岩的识别效果较好，5种不同岩性的岩屑平均识别正确率达88%.可见， CP-ANNs非线性模型可以处理由于基体效应及自吸收效应引起的LIBS光谱的非线性问题，能实现岩性的有效识别.

表3 使用CP-ANNs模型的判别结果

3 结束语

笔者使用激光诱导击穿光谱技术获取录井现场不同岩性岩屑的光谱信息，提取岩屑中主量元素的特征谱线，结合主成分分析、偏最小二乘判别和对向传播人工神经网络非线性模型，建立了PLS-DA和CP-ANNs两种岩性识别模型.使用CP-ANNs非线性模型对玄武岩、安山岩、泥岩、砂岩、灰岩的识别正确率均在70%以上，平均正确识别率达88%，实现了5种岩屑岩性的有效识别.