一種基于激光誘導(dǎo)擊穿光譜的巖性判別方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種基于激光誘導(dǎo)擊穿光譜的巖性判別方法，主要是利用激光誘導(dǎo)擊穿光譜技術(shù)，建立基于最小二乘支持向量機(jī)的巖石和/或巖屑元素信息預(yù)測模型；再根據(jù)巖性判別模型，以待測巖石和/或巖屑樣本的元素信息預(yù)測數(shù)據(jù)判別其巖性。本發(fā)明方法對巖石/巖屑巖性判別具有直觀、快速、準(zhǔn)確高效等特征，特別針對高鉆速條件下的錄井巖屑粉末，巖性判別準(zhǔn)確高效，與鉆井取心巖性鑒定結(jié)果相一致。本發(fā)明還同時提供了一種用于實施上述方法的系統(tǒng)。
【專利說明】
一種基于激光誘導(dǎo)擊穿光譜的巖性判別方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及地質(zhì)勘探領(lǐng)域，具體涉及一種基于激光誘導(dǎo)擊穿光譜的巖性判別方法 及系統(tǒng)。
【背景技術(shù)】
[0002] 當(dāng)前新的油氣重大勘探地質(zhì)理論以及深鉆技術(shù)的進(jìn)步，為我國油氣探明儲量的穩(wěn) 定增長和未來油氣勘探發(fā)展提供了重要條件，油氣勘探領(lǐng)域已逐漸呈現(xiàn)出向深水、深層、非 常規(guī)、新探區(qū)及新領(lǐng)域轉(zhuǎn)移的趨勢。伴隨鉆遇地層的愈加復(fù)雜，超深層、高成本和高風(fēng)險的 勘探目標(biāo)增多，儲層勘探開發(fā)日益受到重視。近年來作為提高油氣勘探開發(fā)效率與效益的 重要手段，鉆頭技術(shù)的創(chuàng)新發(fā)展與應(yīng)用不斷提升油氣勘探鉆井的破巖效率。但鉆頭快速鉆 井條件下，井底反出的巖肩經(jīng)常十分細(xì)碎混雜，甚至呈粉塵狀，常規(guī)巖肩錄井巖性識別已難 以適應(yīng)復(fù)雜油氣藏地層的勘探開發(fā)和資源快速評價的要求。以巖石組分、礦物含量、以及以 光性礦物學(xué)特征為鑒定依據(jù)的巖石結(jié)構(gòu)和構(gòu)造是現(xiàn)有巖石分類命名的依據(jù)，是巖性識別的 基礎(chǔ)。巖性分類的側(cè)重角度不同以及巖石本身組成元素含量的復(fù)雜變化，直接影響到快鉆 條件下的巖性識別效率，對技術(shù)工人的經(jīng)驗要求更高，給儲層評價帶來巨大挑戰(zhàn)。為此，發(fā) 展新的巖性識別錄井技術(shù)成為當(dāng)前及未來油氣勘探儲層相關(guān)研究工作的基礎(chǔ)與關(guān)鍵。 [0003]激光誘導(dǎo)擊穿光譜技術(shù)(Laser-induced breakdown Spectroscopy，簡稱LIBS)是 近幾年迅速發(fā)展的一項原子發(fā)射激光光譜分析技術(shù)。該技術(shù)主要利用高能量激光脈沖聚焦 作用在樣品表面，完成激光剝蝕采樣的同時產(chǎn)生激光誘導(dǎo)微等離子體。等離子體演化過程 中處于激發(fā)態(tài)的原子和離子向低能級或基態(tài)躍迀產(chǎn)生的發(fā)射譜線具有元素特征性，其強(qiáng)度 與對應(yīng)元素含量呈一定的量化關(guān)系。采用分光及檢測系統(tǒng)記錄特征譜線，借助化學(xué)計量學(xué) 手段可實現(xiàn)樣品中多元素組分的定性以及定量-半定量分析。由于LIBS技術(shù)具備多形態(tài)（固 體、液體及氣體形態(tài)）、多類型樣品分析的能力，且樣品預(yù)處理要求簡單，技術(shù)環(huán)境適用性 廣，目前在地學(xué)研究領(lǐng)域已成功應(yīng)用于巖石、礦物、土壤、沉系物樣品的分析。LIBS分析技術(shù) 以原子外層電子激發(fā)為技術(shù)特性，與其他固體樣品直接分析技術(shù)(如XRF)相比，對于元素周 期表中輕元素（如Na以前的元素）的分析尤為靈敏，更是不受空氣環(huán)境的影響，因此具備快 速分析的能力(經(jīng)常幾秒鐘即可完成對樣品的全元素分析），足以滿足當(dāng)前快速鉆進(jìn)錄井的 需要。對已有文獻(xiàn)和專利檢索表明，尚沒有利用激光誘導(dǎo)擊穿光譜技術(shù)結(jié)合巖石地球化學(xué) 理論用于地質(zhì)勘探巖石/巖肩巖性識別的專用方法與系統(tǒng)。
[0004] 然而，由于巖石/巖肩巖性類別多、基質(zhì)復(fù)雜，使用LIBS技術(shù)直接固體樣品分析，不 可避免受到基質(zhì)效應(yīng)以及光譜自吸收效應(yīng)的影響，表現(xiàn)為LIBS光譜與樣品組分含量的非線 性關(guān)系。因此，為提高巖性識別的準(zhǔn)確性，需要建立一種具有較好普適性的巖性判別方法和 系統(tǒng)。

【發(fā)明內(nèi)容】

[0005] 為解決上述問題，本發(fā)明提供了一種基于激光誘導(dǎo)擊穿光譜的巖性判別方法，包 括以下步驟：
[0006] (1)取已知元素信息的巖石和/或巖肩樣本，測定其激光誘導(dǎo)擊穿光譜，采集其光 譜數(shù)據(jù)；
[0007] (2)對光譜數(shù)據(jù)進(jìn)行預(yù)處理；
[0008] (3)以預(yù)處理后的數(shù)據(jù)，建立基于最小二乘支持向量機(jī)的巖石和/或巖肩元素信息 預(yù)測模型；
[0009] (4)取待測巖石和/或巖肩樣本，按照步驟（1)和步驟(2)的方法獲取數(shù)據(jù)，根據(jù)步 驟(3)的預(yù)測模型，得到待測巖石和/或巖肩樣本的元素信息預(yù)測數(shù)據(jù)；
[0010] (5)根據(jù)巖性判別模型，以待測巖石和/或巖肩樣本的元素信息預(yù)測數(shù)據(jù)判別其巖 性。
[0011] 進(jìn)一步地，所述步驟（1)的測定中，激光誘導(dǎo)擊穿光譜的波長范圍為150-1100nm， 優(yōu)選的波長范圍為220-800nm〇
[0012] 進(jìn)一步地，所述步驟（1)的測定中，光譜采集延遲時間為0.5-5ys，優(yōu)選的為1.5ys; 積分時間為200ys-100ms，優(yōu)選的為Ims
[0013]進(jìn)一步地，所述步驟(2)的預(yù)處理中，預(yù)處理的方法為背景校正法、平均值法或光 譜歸一化法，優(yōu)選全光譜歸一化方法。
[0014] 進(jìn)一步地，步驟(3)中，所述最小二乘支持向量機(jī)的核函數(shù)為高斯核函數(shù)。
[0015] 進(jìn)一步地，所述最小二乘支持向量機(jī)的優(yōu)化參數(shù)是通過網(wǎng)格尋優(yōu)法得到的。
[0016] 進(jìn)一步地步驟(5)中，所述的巖性判別模型是基于已知巖性的巖石和/或巖肩的元 素信息，或是基于已知巖性的巖石和/或巖肩樣本的元素信息預(yù)測數(shù)據(jù)建立的;所述已知巖 性的巖石和/或巖肩樣本的元素信息預(yù)測數(shù)據(jù)是通過步驟(3)中建立的元素信息預(yù)測模型 得到的。
[0017] 進(jìn)一步地，步驟(5)中，所述巖性判別模型的判別方法為距離判別法。
[0018]進(jìn)一步地，所述距離判別法為屬性加權(quán)歐式距離判別法。
[0019] 進(jìn)一步地，所述屬性加權(quán)歐式距離判別法中，屬性加權(quán)的權(quán)值是通過變異系數(shù)賦 權(quán)法得到的。
[0020] 進(jìn)一步地，所述變異系數(shù)賦權(quán)法中，變異系數(shù)為判別模型中已知巖性的巖石和/或 巖肩的元素信息，或已知巖性的巖石和/或巖肩樣本的元素信息預(yù)測數(shù)據(jù)中同一元素的標(biāo) 準(zhǔn)差系數(shù)。
[0021] 進(jìn)一步地，所述元素信息包括元素的含量和種類。
[0022] 進(jìn)一步地，所述巖石和/或巖肩樣本為地質(zhì)錄井巖石和/或巖肩樣本。
[0023] 作為一種更為具體的實施方式，所述方法包括以下步驟：
[0024]建立最小二乘支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜技術(shù)用于地質(zhì)錄井巖石/巖肩主 量元素的定量分析模型；
[0025] 建立基于巖性識別組合信息參數(shù)的巖性特征判別模型；
[0026] 建立以元素組合特征信息為內(nèi)容的標(biāo)準(zhǔn)巖心比對數(shù)據(jù)庫；
[0027] 構(gòu)建適用于錄井巖石/巖肩的巖性判別數(shù)據(jù)匹配算法；
[0028] 利用所述LIBS主量元素定量分析模型與測試系統(tǒng)，分析待測錄井巖石/巖肩樣品， 提取元素含量組合信息參數(shù)；
[0029] 將所述提取的元素含量組合信息參數(shù)與所述標(biāo)準(zhǔn)巖心比對數(shù)據(jù)庫進(jìn)行判別計算；
[0030] 更為具體地，建立最小二乘支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜技術(shù)用于錄井巖 石/巖肩主量元素的定量分析模型中，包括以下內(nèi)容:數(shù)據(jù)采集與預(yù)處理單元，訓(xùn)練建模單 元，參數(shù)優(yōu)化單元，預(yù)測驗證單元。
[0031] 所述數(shù)據(jù)采集與預(yù)處理單元，采集錄井巖石/巖肩目標(biāo)樣品的激光誘導(dǎo)擊穿光譜 數(shù)據(jù)作為建立激光誘導(dǎo)擊穿光譜定量分析模型的訓(xùn)練集數(shù)據(jù)和預(yù)測驗證集數(shù)據(jù)，進(jìn)行光譜 預(yù)處理；
[0032] 所述訓(xùn)練集樣品和預(yù)測驗證集樣品的數(shù)據(jù)依據(jù)樣品數(shù)量和類型可在1:1至5:1的 比例范圍內(nèi)選?。?br>[0033]對所述訓(xùn)練集樣品和預(yù)測驗證集樣品數(shù)據(jù)進(jìn)行光譜預(yù)處理，處理方法包括:求平 均值，背景校正以及譜學(xué)歸一等；
[0034]所述訓(xùn)練建模單元，將所述訓(xùn)練集目標(biāo)樣品的激光誘導(dǎo)擊穿光譜數(shù)據(jù)作為輸入層 數(shù)據(jù)，訓(xùn)練集目標(biāo)樣品的元素含量參考值作為輸出層數(shù)據(jù)，建立最小二乘支持向量機(jī)訓(xùn)練 模型；
[0035]更為具體地，所述最小二乘支持向量機(jī)模型為：
[0036
[0037]其中，η為向量的維數(shù)，CXi為Lagrange因子，k (X，Xk)為核函數(shù)，X為輸入層數(shù)據(jù)，Xk為 輸入層向量模式，b為支持向量機(jī)模型的偏置量，y (X)為輸出數(shù)據(jù)。
[0038]更為具體地，最小二乘支持向量機(jī)使用高斯核函數(shù)；
[0039
[0040] 所述參數(shù)優(yōu)化單元，為對訓(xùn)練集數(shù)據(jù)采用網(wǎng)格法對高斯核函數(shù)中參數(shù)〇和支持向 量機(jī)模型正則化參數(shù)γ進(jìn)行尋優(yōu)，其特征在于：
[0041] 利用網(wǎng)格法對高斯核函數(shù)中的參數(shù)進(jìn)行尋優(yōu)，即讓參數(shù)〇和丫在一定范圍內(nèi)取值， 對于范圍內(nèi)確定的σ和γ，把訓(xùn)練集作為原始數(shù)據(jù)集并利用K折交叉驗證得到此組 〇和γ下 訓(xùn)練集均方根誤差，最終取使得訓(xùn)練集驗證數(shù)據(jù)均方根誤差最小的那組σ和γ作為最佳參 數(shù)。
[0042] 所述預(yù)測驗證單元，將所述預(yù)測集目標(biāo)樣品的激光誘導(dǎo)擊穿光譜數(shù)據(jù)作為輸入層 數(shù)據(jù)，利用所述參數(shù)優(yōu)化單元確定的優(yōu)化參數(shù)，進(jìn)行支持向量機(jī)回歸預(yù)測，獲取元素含量預(yù) 測值；
[0043] 將所述預(yù)測集目標(biāo)樣品的元素含量預(yù)測值與其對應(yīng)元素測定參考值進(jìn)行比較，采 用均方根誤差(RMSE)對所述支持向量機(jī)模型預(yù)測的準(zhǔn)確性進(jìn)行評估；
[0044] 均方根誤差(RMSE)由公式
f算得出；其中，yi為預(yù)測驗證 集樣品的實際測量參考值;務(wù):為樣品的模型預(yù)測值;η為預(yù)測驗證集樣品的數(shù)量。
[0045] 所述訓(xùn)練集目標(biāo)樣品和預(yù)測集目標(biāo)樣品的的元素含量參考值，為采用國家標(biāo)準(zhǔn)方 法(WD-XRF)測定的參考值。
[0046] 更為具體地，所述錄井巖石/巖肩樣品，其巖石類型主要包括沉積巖中的碎肩巖類 (砂巖，泥巖，頁巖等細(xì)分巖類)和碳酸鹽巖類(包括灰?guī)r和白云巖等細(xì)分巖類），以及火成巖 中的超基性巖、基性巖、中性巖、酸性巖等，但不限于此。
[0047] 更為具體地，建立基于巖性識別組合信息參數(shù)的巖性特征判別模型中，參照典型 巖石類型新鮮巖心/巖肩樣品，基于所述LIBS元素定量分析模型，獲取并總結(jié)所述LIBS定量 元素特征，提取與所述錄井巖心/巖肩巖性特征相關(guān)的巖性識別特征參數(shù)，通過元素信息組 合，建立巖性特征判別模型。即通過獲取元素組合信息，并轉(zhuǎn)化為具有專一巖性指向的巖性 特征判別參數(shù)，賦予其相應(yīng)的巖性名稱，建立巖性特征判別模型。其中，所述元素組合信息 包括元素含量及種類。
[0048] 更為具體地，建立以元素組合特征信息為內(nèi)容的標(biāo)準(zhǔn)巖心比對數(shù)據(jù)庫，為根據(jù)所 述LIBS元素定量分析模型，以巖石地球化學(xué)理論為基礎(chǔ)，利用標(biāo)準(zhǔn)巖心樣品LIBS測試數(shù)據(jù)， 建立以元素組合特征信息為內(nèi)容，以巖性特征判別模型為基礎(chǔ)架構(gòu)的標(biāo)準(zhǔn)巖心比對數(shù)據(jù) 庫。
[0049] 其中，數(shù)據(jù)庫信息可以根據(jù)典型巖性新鮮巖心樣品獲取的數(shù)據(jù)，也可以是根據(jù)已 有數(shù)據(jù)參考添加的數(shù)據(jù);數(shù)據(jù)庫內(nèi)容可根據(jù)實際應(yīng)用需求不斷補(bǔ)充相關(guān)巖性數(shù)據(jù)信息;數(shù) 據(jù)庫巖性類別可以有識別編號，也可以有漢語及巖性圖例符號標(biāo)識。
[0050] 更為具體地，所述建立的巖性判別數(shù)據(jù)匹配算法，是基于所述巖性特征判別模型， 采用將實際提取的巖性識別組合信息與數(shù)據(jù)庫中巖性對應(yīng)數(shù)據(jù)進(jìn)行逐一比對的方法實現(xiàn)。
[0051] 所述巖性判別數(shù)據(jù)匹配算法，充分考慮了不同巖性數(shù)據(jù)間的相似性，以及數(shù)據(jù)內(nèi) 部不同元素對巖性相似性的貢獻(xiàn)大小等，采用將變異系數(shù)法與歐氏距離算法結(jié)合，形成針 對元素含量組合特征的屬性加權(quán)歐氏距離算法;將所述待測樣品LIBS測定元素含量組合數(shù) 據(jù)與數(shù)據(jù)庫中對應(yīng)元素含量組合參數(shù)轉(zhuǎn)化為空間向量，通過空間向量距離計算，實現(xiàn)將待 測巖石/巖肩LIBS元素定量組合數(shù)據(jù)參數(shù)轉(zhuǎn)化為具有定性指向的巖性識別名稱。
[0052]更為具體地，在利用所述LIBS主量元素定量分析模型與測試系統(tǒng)，分析待測錄井 巖石/巖肩樣品，提取元素含量組合信息參數(shù)的步驟中，利用激光誘導(dǎo)擊穿光譜測試系統(tǒng)采 集待測目標(biāo)樣品光譜數(shù)據(jù)，通過所述LIBS定量分析模型和所述巖性特征判別模型，提取該 待測樣品的巖性識別組合信息。
[0053]更為具體地，構(gòu)建適用于錄井巖石/巖肩的巖性判別數(shù)據(jù)匹配算法中，是按照所述 巖性判別數(shù)據(jù)匹配算法，將所述提取的待測樣品元素含量組合信息參數(shù)與所述標(biāo)準(zhǔn)巖心數(shù) 據(jù)庫中對應(yīng)數(shù)據(jù)進(jìn)行逐一匹配計算，獲取巖性判別計算值。
[0054]根據(jù)判別計算結(jié)果，將待測目標(biāo)樣品LIBS測定元素含量組合特征數(shù)據(jù)與數(shù)據(jù)庫樣 本的相似度計算值進(jìn)行排序。屬性加權(quán)歐氏距離(Di)值越小，樣本之間的相似性愈大。取屬 性加權(quán)歐氏距離(Di)最小值對應(yīng)的數(shù)據(jù)庫巖性名稱作為所測錄井巖肩的巖性名稱。
[0055] 本發(fā)明還提供了一種基于激光誘導(dǎo)擊穿光譜的巖性判別系統(tǒng)，該系統(tǒng)可用于方法 的實施，所述系統(tǒng)包括：
[0056] 基于激光誘導(dǎo)擊穿光譜的巖石/巖肩的元素信息預(yù)測模塊；
[0057]基于元素信息的巖性判別信息提取模塊；
[0058]基于元素信息的標(biāo)準(zhǔn)巖心巖性判別數(shù)據(jù)庫模塊；
[0059] 巖性判別數(shù)據(jù)匹配算法模塊；
[0060] 激光誘導(dǎo)擊穿光譜數(shù)據(jù)采集與測定模塊；
[0061] 巖性判別數(shù)據(jù)計算執(zhí)行模塊；
[0062] 巖性判別輸出模塊。
[0063] 進(jìn)一步地，所述巖石/巖肩的元素信息預(yù)測模塊包括以下單元：
[0064] 激光誘導(dǎo)擊穿光譜數(shù)據(jù)采集及預(yù)處理單元，用于采集巖石/巖肩樣本的激光誘導(dǎo) 擊穿光譜數(shù)據(jù)，對數(shù)據(jù)進(jìn)行光譜學(xué)預(yù)處理，作為建立元素信息預(yù)測模型所需的訓(xùn)練集數(shù)據(jù) 和預(yù)測集數(shù)據(jù)；
[0065] 最小二乘支持向量機(jī)訓(xùn)練建模單元，用于將所述訓(xùn)練集數(shù)據(jù)作為輸入層數(shù)據(jù)，訓(xùn) 練集樣本的元素參考值作為輸出層數(shù)據(jù)，建立最小二乘支持向量機(jī)訓(xùn)練模型；
[0066] 參數(shù)優(yōu)化單元，用于對最小二乘支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化。
[0067]進(jìn)一步地，所述光譜預(yù)處理單元中，光譜預(yù)處理的方法為背景校正法、平均值法或 光譜歸一化法，優(yōu)選全光譜歸一化方法。
[0068] 進(jìn)一步地，所述最小二乘支持向量機(jī)訓(xùn)練建模單元中，所述最小二乘支持向量機(jī) 的核函數(shù)為高斯核函數(shù)。
[0069] 進(jìn)一步地，所述參數(shù)優(yōu)化單元中，優(yōu)化的方法為網(wǎng)格尋優(yōu)法。
[0070] 進(jìn)一步地，所述巖性判別信息提取模塊，用于提取與巖性關(guān)聯(lián)的元素含量特征參 數(shù)。
[0071] 進(jìn)一步地，所述巖性識別數(shù)據(jù)匹配算法模塊，采用與所述標(biāo)準(zhǔn)巖心巖性判別數(shù)據(jù) 庫模塊進(jìn)行逐一匹配的計算模式，建立將所述待測錄井巖肩巖性識別元素組合信息轉(zhuǎn)換成 為具有單一目標(biāo)巖性指向的匹配算法;所述匹配算法采用基于變異系數(shù)法的屬性加權(quán)歐氏 距離計算法。
[0072] 作為一種更為具體的實施方式，所述巖性判別系統(tǒng)，其內(nèi)容包括：
[0073] LIBS錄井巖石/巖肩元素定量分析建模模塊(包含數(shù)據(jù)采集與預(yù)處理單元，建模單 元，參數(shù)優(yōu)化單元，預(yù)測驗證單元）；巖性識別組合信息提取模塊;標(biāo)準(zhǔn)巖心巖性判別數(shù)據(jù)庫 模塊;巖性判別數(shù)據(jù)匹配算法模塊;LIBS數(shù)據(jù)采集與測試模塊;巖性判別數(shù)據(jù)計算執(zhí)行模 塊;巖性識別輸出模塊；
[0074]所述LIBS錄井巖石/巖肩元素定量分析建模模塊，采用將LSSVM非線性回歸計算與 LIBS技術(shù)相結(jié)合，建立巖石/巖肩元素定量分析模型，克服基質(zhì)效應(yīng)對定量分析結(jié)果的不利 影響，獲取可靠的元素組分含量測定值。
[0075]所述巖性識別組合信息提取模塊，是基于巖石地球化學(xué)理論，總結(jié)巖石/巖肩巖性 典型特征，從與所述錄井巖石/巖肩巖性密切關(guān)聯(lián)的LIBS元素定量測定數(shù)據(jù)中提取元素組 合特征信息，獲得普適性的定性指向巖性判別特征模型；
[0076] 所述標(biāo)準(zhǔn)巖心巖性判別數(shù)據(jù)庫模塊，是依據(jù)所述巖性判別特征模型，利用標(biāo)準(zhǔn)巖 心LIBS元素定量測定數(shù)據(jù)，建立以不同巖石類型元素含量組合特征參數(shù)為核心內(nèi)容的標(biāo)準(zhǔn) 巖心巖性判別比對數(shù)據(jù)庫；
[0077] 所述巖性判別數(shù)據(jù)匹配算法模塊，是通過算法比較，建立敏感的比對策略，在巖性 判別特征模型基礎(chǔ)上，提高待測巖石/巖肩LIBS定量測試數(shù)據(jù)與標(biāo)準(zhǔn)巖心巖性判別數(shù)據(jù)庫 的比對效果。
[0078] LIBS數(shù)據(jù)采集與測試模塊，為利用LIBS分析測試系統(tǒng)采集待測錄井巖石/巖肩激 光誘導(dǎo)擊穿光譜測量數(shù)據(jù)，并進(jìn)行光譜學(xué)預(yù)處理;通過所述LIBS錄井巖石/巖肩元素定量分 析建模模塊，獲取待測樣品元素含量數(shù)據(jù)；
[0079] 所述巖性判別數(shù)據(jù)計算執(zhí)行模塊，是按照所述巖性判別特征模型，從所述獲取的 待測樣品元素含量數(shù)據(jù)中，提取元素含量組合信息，采用所述巖性判別數(shù)據(jù)匹配算法模塊 與所述標(biāo)準(zhǔn)巖心巖性判別數(shù)據(jù)庫進(jìn)行數(shù)據(jù)比對；
[0080] 所述巖性識別輸出模塊，為按照數(shù)據(jù)匹配計算結(jié)果，輸出與所述待測巖石/巖肩對 應(yīng)的巖性名稱。
[0081] 本發(fā)明的關(guān)鍵在于，由于LIBS受固體樣品直接分析基質(zhì)效應(yīng)的影響，待測樣品元 素的含量與其特征譜線強(qiáng)度往往呈非線性關(guān)系。在研究的過程中，發(fā)明人將支持向量機(jī)、最 小二乘支持向量機(jī)等非線性回歸模型算法用于沉積巖樣品中元素定量分析，并與線性回歸 算法(如偏最小二乘回歸算法等)的定量分析效果進(jìn)行比較，最終選取了具有更好非線性預(yù) 測性能和運算速度的最小二乘支持向量機(jī)回歸算法作為用于巖性識別模型中元素定量分 析的算法基礎(chǔ)。并且，最小二乘支持向量機(jī)具備全局最小收斂特征，與常規(guī)支持向量機(jī)回歸 算法相比較，具有更好地回歸收斂速度和良好的應(yīng)用性能等。
[0082] 因此，本發(fā)明提供的激光誘導(dǎo)擊穿光譜巖性識別的方法及系統(tǒng)，著力解決了現(xiàn)有 地質(zhì)勘探領(lǐng)域，尤其是快鉆錄井條件下巖性識別困難以及識別不準(zhǔn)確的問題。即通過建立 最小二乘支持向量機(jī)(LSSVM)結(jié)合激光誘導(dǎo)擊穿光譜定量分析模型，將LIBS技術(shù)應(yīng)用與巖 石地球化學(xué)理論有機(jī)結(jié)合，構(gòu)建了以巖性識別組合信息為基礎(chǔ)的巖性識別特征模型，以此 建立巖性識別比對數(shù)據(jù)庫，采用有效的巖性識別數(shù)據(jù)比對算法，使LIBS技術(shù)巖性識別高效、 可靠;同時構(gòu)建了LIBS技術(shù)巖性識別系統(tǒng)。
[0083] 應(yīng)用實踐表明，本發(fā)明所述方法和系統(tǒng)充分利用了激光誘導(dǎo)擊穿光譜技術(shù)樣品預(yù) 處理要求簡單、樣品類型適用性廣，以及分析速度快、直觀、準(zhǔn)確等諸多優(yōu)點，尤其綜合了最 小二乘支持向量機(jī)非線性回歸特性，在有效獲取模型參數(shù)的基礎(chǔ)上，最大程度克服了固體 樣直接分析基質(zhì)效應(yīng)的影響;特別是以巖石地球化學(xué)理論為基礎(chǔ)，獲取巖石巖性判別所需 的元素含量組合信息，建立巖性判別特征模型，提高了巖性判別的準(zhǔn)確性。通過元素含量信 息組合，建立具有巖性識別相關(guān)性和靈敏性的有效匹配算法，減小了巖性判別可能存在的 多解性，有利于錄井巖石/巖肩的巖性細(xì)分識別。
[0084] 在本發(fā)明方法建立中，發(fā)明人還對下述步驟/參數(shù)進(jìn)行了進(jìn)一步的優(yōu)化篩選：
[0085] 在光譜預(yù)處理方法的篩選中，由于LIBS技術(shù)以固體樣品直接分析為特征，受待測 樣品物理化學(xué)特征引起基質(zhì)效應(yīng)的影響，即使在相同的實驗條件下，采集的不同基質(zhì)樣品 LIBS光譜差異巨大，待測目標(biāo)元素的含量與其光譜強(qiáng)度呈現(xiàn)非線性特征。為實現(xiàn)元素定量 分析的目的，光譜的預(yù)處理成為一個關(guān)鍵的因素。在光譜預(yù)處理方面，發(fā)明人采用了全譜歸 一方法，譜線峰強(qiáng)度歸一化等方法進(jìn)行比較。最終選定以全譜歸一化作為光譜預(yù)處理方法。 該方法可較好克服激光與物質(zhì)耦合作用的差異對定量分析的影響，以及激光脈沖能量波動 對分析結(jié)果的影響。
[0086] 本發(fā)明實施例中的儀器測試參數(shù)，包括激光器類型，激光脈沖能量，光譜儀類型， 光路系統(tǒng)，為常規(guī)設(shè)計;光譜采集延時和積分時間充分考慮了激光誘導(dǎo)等離子體的演化特 性和采集光譜的質(zhì)量(包括光譜的靈敏性和信噪比）。"屬性加權(quán)歐式距離算法"為對本發(fā)明 巖性識別特定目的做了適應(yīng)性改變的，該改變充分考慮了不同巖石類型判別中元素組合對 于巖性識別的相關(guān)性，以及不同元素的靈敏性。
[0087] 在建立預(yù)測模型的過程中，為避免在模型中出現(xiàn)欠擬合和過擬合情況，模型建立 中采用了 K折交叉驗證的方法(κ-cv)。本發(fā)明實施例中所述訓(xùn)練集和預(yù)測集數(shù)據(jù)的比例一 般按照優(yōu)選比例3:2進(jìn)行建模。
[0088]在對最小二乘支持向量機(jī)參數(shù)的尋優(yōu)方法中，本發(fā)明LIBS定量分析模型實踐證 明，懲罰系數(shù)以及核函數(shù)的參數(shù)（γ，〇)對LSSVM的性能有著很大的影響，快速地選擇合適的 LSSVM參數(shù)意義重大。針對SVM參數(shù)的優(yōu)化選取，目前沒有公認(rèn)統(tǒng)一的最好方法。目前較常用 的SVM參數(shù)尋優(yōu)的方法有：網(wǎng)格搜索法、遺傳算法尋優(yōu)法、粒子群算法尋優(yōu)法等。網(wǎng)格搜索法 的基本原理是在一定的空間范圍中劃分成網(wǎng)格，通過遍歷網(wǎng)格中所有的點對待搜索參數(shù)γ 和σ進(jìn)行取值。對于選取的γ和 〇利用K-CV方法得到在此組γ和〇下訓(xùn)練集驗證回歸的準(zhǔn)確 度，最終取使得訓(xùn)練集驗證回歸準(zhǔn)確度最高的那組γ和σ作為最佳的參數(shù)。因此網(wǎng)格尋優(yōu)法 在尋優(yōu)區(qū)間足夠大且步距足夠小的情況下，可以找出全局最優(yōu)解。由于網(wǎng)格內(nèi)多數(shù)參數(shù)組 回歸預(yù)測準(zhǔn)確率較低，只在一個比較小的區(qū)間內(nèi)的參數(shù)組所對應(yīng)的回歸預(yù)測準(zhǔn)確率很高， 所以遍歷網(wǎng)格內(nèi)所有參數(shù)組會很浪費時間。因此，本發(fā)明一種優(yōu)選的實施例中，是針對網(wǎng)格 搜索法，選擇較合理的參數(shù)區(qū)間，進(jìn)行小步距精確搜索，能夠較好減少參數(shù)尋優(yōu)時間，使基 于LSSVM的定量分析模型更好地滿足回歸計算準(zhǔn)確度的要求。GA算法和PSO算法屬于啟發(fā)式 算法，它們不必遍歷區(qū)間內(nèi)所有的參數(shù)組也能找到全局最優(yōu)解，但這2種算法操作往往較復(fù) 雜，其容易陷入局部最優(yōu)(如GA算法雖然有時能夠得到最高的回歸準(zhǔn)確度;但有時容易過早 收斂，出現(xiàn)局部最優(yōu)，搜索效果不穩(wěn)定），這時利用LSSVM非線性定量分析模型的結(jié)果變差。 因此，本發(fā)明優(yōu)選網(wǎng)格尋優(yōu)法進(jìn)行參數(shù)的優(yōu)選。
【附圖說明】
[0089] 圖1所示為本發(fā)明實施例一種激光誘導(dǎo)擊穿光譜巖性識別方法的流程圖。
[0090] 圖2為本發(fā)明實施例提供的部分巖石/巖肩樣品的激光誘導(dǎo)擊穿光譜圖。
[0091]圖3為本發(fā)明實施例提供的所述支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜定量分析模型 用于待測錄井巖石/巖肩元素定量分析的預(yù)測結(jié)果與所述待測樣品經(jīng)國家標(biāo)準(zhǔn)方法 (WDXRF)測定的對應(yīng)元素參考值的比較示意圖。
[0092]圖4為本發(fā)明實施例典型沉積巖中Si02-3(Al203+TFe 203)-Ca0的含量變化圖；
[0093] 圖5為本發(fā)明實施例砂泥(頁)巖巖石/巖肩巖性識別關(guān)系圖。
[0094] 圖6為本發(fā)明實施例碳酸鹽巖元素關(guān)系圖。
[0095] 圖7所示為本發(fā)明實施例一種激光誘導(dǎo)擊穿光譜巖性識別系統(tǒng)的整體結(jié)構(gòu)示意 圖。
【具體實施方式】
[0096] 表2-1為6種巖石類型的9種元素平均含量；
[0097] 表2-2為6種待測巖石類型的9種元素平均含量；
[0098]表2-3為巖性匹配屬性加權(quán)歐氏距離計算值。
[0099]實施例1本發(fā)明的方法
[0100]為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，以下將結(jié)合本發(fā)明實施例 提供的一種激光誘導(dǎo)擊穿光譜巖性識別的方法總流程圖給出總體說明。需要指出的是，所 描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。
[0101] 圖1所示為本發(fā)明實施例一種激光誘導(dǎo)擊穿光譜巖性識別方法的總流程圖，如圖 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機(jī)的激光誘導(dǎo)擊穿光譜巖石/巖肩元素定量分析模 型，其中包括數(shù)據(jù)采集與預(yù)處理單元，建模單元，參數(shù)優(yōu)化單元，以及預(yù)測驗證單元。舉例說 明如下：
[0104] 所述數(shù)據(jù)采集與預(yù)處理單元，是通過LIBS光譜分析系統(tǒng)采集訓(xùn)練集樣品和預(yù)測集 樣品光譜數(shù)據(jù)，并對采集的光譜數(shù)據(jù)進(jìn)行光譜學(xué)預(yù)處理；
[0105] 所述訓(xùn)練集樣品和預(yù)測驗證集樣品為干燥巖石/巖肩粉末制成的壓片樣品；
[0106] 利用激光誘導(dǎo)擊穿光譜檢測系統(tǒng)在壓片樣品表面的不同測量位點進(jìn)行測量，采集 訓(xùn)練集目標(biāo)樣品和預(yù)測驗證集目標(biāo)樣品的光譜數(shù)據(jù)；
[0107] 對所述采集的訓(xùn)練集目標(biāo)樣品和預(yù)測驗證集目標(biāo)樣品的光譜數(shù)據(jù)進(jìn)行光譜學(xué)預(yù) 處理，處理的方法包括:求平均，背景校正，歸一化等；
[0108] 所述建模單元，是將所述預(yù)處理后的訓(xùn)練集光譜數(shù)據(jù)作為輸入層數(shù)據(jù)，所述訓(xùn)練 集目標(biāo)樣品的對應(yīng)元素含量參考值作為輸出層數(shù)據(jù)，建立最小二乘支持向量機(jī)訓(xùn)練模型；
[0109] 上述建模單元中最小二乘支持向量機(jī)訓(xùn)練模型借助于核函數(shù)技術(shù)，通過模型變量 輸入，將低維非線性問題轉(zhuǎn)化為求解高維特征空間的線性問題來解決。舉例說明最小二乘 支持向量機(jī)建模過程：
[0110]設(shè)訓(xùn)練集樣品的激光誘導(dǎo)擊穿光譜數(shù)據(jù)為(Xl，yi)，i = l，2,…，1.1為樣本數(shù)。1個 樣本及其輸出值可表不為(Xi，yi)e Rn X R，η表不輸入樣本維數(shù)。
[0111] 滿足Mer cer條件的任何對稱的核函數(shù)對應(yīng)于特征空間的點積。本發(fā)明中，最小二 乘支持向量機(jī)模型的核函數(shù)為高斯核函數(shù)(RBF)，
[0112]
[0113] 其中，〇是核函數(shù)參數(shù)，Xj,xk是訓(xùn)練集樣品的有效特征向量，j，ke [l，n]。
[0114] 把低維的非線性問題轉(zhuǎn)化為高維的線性問題，即通過一個非線性映射Φ將數(shù)據(jù)映 射到高維特征空間F，在這個空間進(jìn)行非線性最小二乘支持向量機(jī)回歸：
[0115]
[0116] 式中ω是權(quán)重向量，b是閾值或偏置量，資Θ是指輸入空間到特征空間的非線性映 射，f( ·)在特征空間中表示為一個線性函數(shù)。
[0117] 其中，高維的線性問題的最優(yōu)分類問題轉(zhuǎn)化為求分類間隔函數(shù)Φ(ω，〇的最小 值：
[0118]
[0119]
[0120] 式中，ω為權(quán)重向量；資(Xf)是特征向量Xk在特征空間的非線性映射；γ >〇是函數(shù) 復(fù)雜度和損失誤差的一個平衡量(誤差懲罰函數(shù)）;η為向量的維數(shù)；￡l為損失函數(shù);XdPy 1* 別為訓(xùn)練集的輸入變量和輸出變量;i = 1，2，…，1.1為訓(xùn)練集樣本數(shù)。
[0121] 宙 1貓計始炊自日口管社鉭$il縣汝的號小二乘估計，即支持向量機(jī)模型的預(yù)測值：
[0122]
[0123]式中CU為Lagrange因子，k(x，Xi)為高斯核函數(shù)，X為輸入層未知向量數(shù)據(jù)，Xi為輸 入層支持向量模式，b為支持向量機(jī)模型的偏置量，y(x)為特征空間中線性函數(shù)的輸出數(shù) 據(jù)；
[0124] 所述參數(shù)優(yōu)化單元，是使用訓(xùn)練集數(shù)據(jù)，采用網(wǎng)格全局尋優(yōu)和交叉驗證法對高斯 核函數(shù)相關(guān)參數(shù)σ和正則化參數(shù)γ進(jìn)行尋優(yōu)，確定激光誘導(dǎo)擊穿光譜分析目標(biāo)樣品元素含 量的最小二乘支持向量機(jī)模型的優(yōu)化參數(shù)。通常γ取值范圍為1-100;σ取值范圍為1-1000， 其中兩者的取值間隔均為5。
[0125] 米用均方根誤差法（R〇〇t Mean Square Error，簡稱RMSE)
評價訓(xùn)練模型參數(shù)選擇的有效性。當(dāng)準(zhǔn)確度最高時對應(yīng)的參數(shù) 為最優(yōu)參數(shù)，即給出最佳的參數(shù)σ，γ和ε，并用訓(xùn)練集數(shù)據(jù)獲得最佳的預(yù)測模型。其中，71為 預(yù)測集樣品的實際測量參考值；.?為樣品的模型預(yù)測值;1為預(yù)測驗證集樣品的數(shù)量。
[0126] 所述預(yù)測驗證單元，是確定最優(yōu)參數(shù)〇和γ后，將預(yù)測驗證集目標(biāo)樣品的激光誘導(dǎo) 擊穿光譜數(shù)據(jù)作為所述支持向量機(jī)模型的輸入層數(shù)據(jù)，利用訓(xùn)練集數(shù)據(jù)建立的LSSVM最終 優(yōu)化模型，對預(yù)測驗證集目標(biāo)樣品中的元素含量進(jìn)行預(yù)測；
[0127] 將所述預(yù)測驗證集目標(biāo)樣品的元素含量預(yù)測值與所述預(yù)測集樣品的元素含量參 考值，利用回歸相關(guān)系數(shù)和均方根誤差來評價支持向量機(jī)模型的預(yù)測性能。
[0128] 所述訓(xùn)練集和預(yù)測驗證集樣品的總數(shù)不低于30個，訓(xùn)練集和預(yù)測驗證集樣品數(shù)目 的比例范圍可設(shè)計為0.5:1~5:1。
[0129] 所述訓(xùn)練集目標(biāo)樣品和預(yù)測驗證集目標(biāo)樣品的對應(yīng)元素含量參考值由國家標(biāo)準(zhǔn) 檢測方法(WDXRF)測定得到。
[0130]本實施例中，模型驗證表明，在獲取支持向量機(jī)優(yōu)化參數(shù)的基礎(chǔ)上，所述激光誘導(dǎo) 擊穿光譜定量分析模型對待測巖石/巖肩樣品的元素含量測定結(jié)果準(zhǔn)確可靠。
[0131] 以下選擇四川盆地典型沉積巖類型樣品LIBS分析為例，結(jié)合附圖和實例來進(jìn)一步 說明本發(fā)明流程1001中最小二乘支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜用于錄井巖石/巖肩元 素定量分析模型操作流程。本發(fā)明不限于此例。
[0132] 圖2為本發(fā)明實施例提供的部分巖石/巖肩樣品的激光誘導(dǎo)擊穿光譜圖；圖3為本 發(fā)明實施例提供的支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜元素定量分析優(yōu)化模型用于錄井巖 石/巖肩待測樣品的預(yù)測結(jié)果與應(yīng)用國標(biāo)法獲得的所述待測樣品對應(yīng)元素參考值的比較示 意圖。
[0133] 具體如下所述：
[0134] 本實施例采用通用型激光誘導(dǎo)擊穿光譜LIBS便攜測試系統(tǒng)（四川大學(xué)分析儀器研 究中心研制）獲取光譜數(shù)據(jù)。激光器采用調(diào)Q NchYAG激光器，另外包括光路系統(tǒng)，光柵光譜 儀，轉(zhuǎn)動樣品臺和計算機(jī)等。激光脈沖能量l〇〇mJ，激光基頻波長1064nm，脈寬4-7ns;光譜采 集延遲時間為1.5ys，積分時間為Ims，脈沖重復(fù)頻率為5Hz，光譜波長范圍為220-800nm.
[0135] 錄井巖石/巖肩樣品的采集與預(yù)處理。本實施例中，所用錄井巖石/巖肩樣品為采 集于四川盆地鉆井地層典型沉積巖樣品，包括砂巖，泥巖，頁巖，鈣質(zhì)泥巖，含泥灰?guī)r，泥灰 巖，灰?guī)r等。巖石/巖肩樣品經(jīng)粗磨，紅外燈加熱烘干后，再細(xì)磨，過160目篩后存放。巖石/巖 肩樣品57份。
[0136] 激光誘導(dǎo)擊穿光譜的采集。取巖石/巖肩粉末樣品3g，使用紅外壓片機(jī)制成Φ 32mm，厚度2mm的圓形薄片。將樣品置于樣品臺上，利用激光誘導(dǎo)擊穿光譜數(shù)據(jù)采集系統(tǒng)，采 集壓片樣品的LIBS光譜信號（如圖2所示）。為增加采樣的代表性，提高LIBS光譜的信噪比， 以及便于數(shù)據(jù)統(tǒng)計，在每個樣品表面采用網(wǎng)格形式采集16個測試點的光譜，每個測試點累 積50個激光脈沖獲得一個光譜，每4個光譜再平均一次獲得1個光譜，這樣每個樣品總共獲 取4個光譜。經(jīng)光譜學(xué)預(yù)處理后，用于建立最小二乘支持向量機(jī)定量分析模型輸入矩陣。本 實施例中所述訓(xùn)練集與預(yù)測驗證集光譜數(shù)據(jù)比例具體選取為10:9進(jìn)行建模。
[0137] 參考值的測定。典型錄井巖石/巖肩樣品元素含量（以氧化物計)參考值由國家標(biāo) 準(zhǔn)測試法(WD-XRF)實測給出。分析過程中以國家標(biāo)準(zhǔn)巖石樣品（GSR-6)作為監(jiān)控樣進(jìn)行質(zhì) 量控制，并重復(fù)4次。
[0138] 首先，以錄井巖石/巖肩沉積巖樣品為例，建立支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜 快速測定元素含量的訓(xùn)練模型。巖石/巖肩壓片樣品總數(shù)為57個。建模時預(yù)先采用濃度梯度 法劃分訓(xùn)練集和預(yù)測驗證集樣品。訓(xùn)練集樣品用來建立訓(xùn)練模型，預(yù)測驗證集樣本用來對 模型進(jìn)行評價。所述訓(xùn)練集目標(biāo)樣品和預(yù)測集目標(biāo)樣品數(shù)量分別為30個和27個。其中將訓(xùn) 練集目標(biāo)樣品的激光誘導(dǎo)擊穿光譜數(shù)據(jù)作為輸入數(shù)據(jù)集，訓(xùn)練集目標(biāo)樣品的元素含量參考 值作為模型期望輸出值。最小二乘支持向量機(jī)模型的參數(shù)γ，σ和ε由網(wǎng)格尋優(yōu)法進(jìn)行優(yōu)選。 經(jīng)過優(yōu)選，最佳的模型誤差正則化參數(shù)γ為20.4518，核函數(shù)參數(shù)σ為9.3264;從而得到最優(yōu) 的支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜快速測定錄井巖石/巖肩樣品的預(yù)測模型。
[0139] 進(jìn)行錄井巖石/巖肩目標(biāo)未知樣品元素含量的模型預(yù)測驗證。按照上述激光誘導(dǎo) 擊穿光譜采集和光譜預(yù)處理的方法，將得到的錄井巖石/巖肩目標(biāo)未知樣品的激光誘導(dǎo)擊 穿光譜數(shù)據(jù)作為輸入矩陣，輸入到訓(xùn)練好的所述支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜快速測 定錄井巖石/巖肩元素含量的定量訓(xùn)練模型，自動計算未知目標(biāo)樣品的對應(yīng)元素含量值。如 圖3所示，為元素氧化物含量模型預(yù)測值與標(biāo)準(zhǔn)參考值的比較驗證圖。
[0140] 本實施例中，待測的巖石/巖肩樣品模型預(yù)測值與參考值比較接近，即所述建立的 模型預(yù)測驗證結(jié)果相關(guān)系數(shù)較高(相關(guān)系數(shù)R2大于0.97)，說明模型預(yù)測的準(zhǔn)確度和精確度 均較高。因此最小二乘支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜能有效實現(xiàn)巖石/巖肩目標(biāo)樣品 元素含量的可靠測定。
[0141] (2)流程 1002
[0142] 所述巖性識別組合信息提取模塊，為從LIBS元素定量測試數(shù)據(jù)中提取具有巖性關(guān) 聯(lián)特性的巖性識別組合信息，建立巖性識別特征模型。具體策略是：
[0143] 選擇鏡下具有識別礦物特征的新鮮巖石/巖肩，參照巖石學(xué)分類標(biāo)準(zhǔn)進(jìn)行巖石/巖 肩分類定名;借助所述激光誘導(dǎo)擊穿光譜巖石/巖肩元素定量分析模型，以巖石地球化學(xué)理 論為基礎(chǔ)，依據(jù)主量元素含量分析結(jié)果，將已經(jīng)確定巖性的巖心/巖肩與其LIBS元素定量測 定數(shù)據(jù)建立關(guān)聯(lián)，提取適用于巖性識別的元素含量組合信息參數(shù)，建立巖性識別特征模型；
[0144] 所述依據(jù)主量元素含量分析結(jié)果進(jìn)行巖性識別，重要的是選擇巖性相關(guān)性顯著、 靈敏度好的元素含量組合信息作為巖性識別特征參數(shù)。不同類型的巖石/巖肩分別有各自 的特征參數(shù)，選擇恰當(dāng)?shù)脑睾拷M合特征參數(shù)，會使建立的巖性識別模型更具特征性；
[0145] 所述相關(guān)性顯著是指錄井巖石/巖肩元素含量組合特征參數(shù)與巖性密切相關(guān)，靈 敏度好是指隨著巖性變化特征參數(shù)也顯著變化。不同的巖性類型，選取的元素含量組合特 征參數(shù)不同，靈敏度會有差異；
[0146] 巖性識別特征模型，可以是通過人工分析后總結(jié)認(rèn)識得出，是建立在已知確定巖 性和LIBS元素定量分析提取結(jié)果基礎(chǔ)上;也可以在預(yù)先知道巖性的元素含量組合特征參數(shù) 的基礎(chǔ)上，如所述巖石地球化學(xué)理論等，采用相關(guān)性及靈敏度好的特征參數(shù)，進(jìn)行自動提 取。
[0147] 其中，巖性識別元素組合特征，為利用所述建立的激光誘導(dǎo)擊穿光譜定量分析模 型獲取的不同巖石類型的巖石組份特征規(guī)律信息，與公知信息相符合。佐證了本發(fā)明方法 的正確性;為后續(xù)巖性識別方法建立了基礎(chǔ)。
[0148] 例如常規(guī)碎肩沉積巖中砂巖對應(yīng)高的Si〇2含量，低Al2〇3，TFe2〇3含量;泥（頁)巖對 應(yīng)較高的SiO2，富A1203和TFe2O3等。元素含量的高低在LIBS定量分析中有具體的數(shù)值范圍。 [0 149]圖4所不為典型沉積巖(砂巖-泥（頁）巖-碳酸巖）中的Si〇2-(Al2〇3+TFe2〇3)_CaO含 量變化圖。該圖表明，元素含量在不同巖性巖石中的含量變化特征明顯，因此，SiO 2-Ul2O3+ TFe203)-Ca0含量組合特征，可以作為典型沉積巖識別的重要參數(shù)使用。
[0150] 圖5所示為砂巖-泥(頁)巖中Si〇2-3X(Al2〇3+TFe 2〇3)-4X(CaO+MgO)中含量變化關(guān) 系圖。該圖表明，隨著娃質(zhì)含量增加，巖性趨向于砂巖;而AUFe元素的含量與泥頁巖關(guān)系更 密切。
[0151] 圖6所示為碳酸鹽巖的Si02_3 X (Al203+TFe203)-(Ca0+Mg0)中含量變化圖。隨著巖 性由鈣質(zhì)泥巖-含泥灰?guī)r-碳酸鹽巖變化，CaO組分逐漸增多，Si02組分逐漸減少。
[0152] 圖4,5,6表明，隨巖性的變化，不同沉積巖中Si02-(Al20 3+TFe203)-(Ca0+Mg0)質(zhì)量 分?jǐn)?shù)的組合特征發(fā)生顯著的變化，具備相關(guān)性和敏感性好等特征，可作為巖性識別的關(guān)鍵 性實驗依據(jù)。
[0153] (3)流程 1003
[0154] 所述建立標(biāo)準(zhǔn)巖心巖性判別比對數(shù)據(jù)庫，具體為：
[0155] 采集標(biāo)準(zhǔn)鉆井巖芯，利用所述建立的LIBS定量分析模型，根據(jù)所述巖性識別特征 模型，提取巖性識別元素含量組合特征信息，將巖心研究已經(jīng)定名的標(biāo)準(zhǔn)巖心巖性與其所 述元素含量組合特征信息進(jìn)行關(guān)聯(lián)，建立以巖性識別元素含量組合特征信息為內(nèi)容的巖性 判別數(shù)據(jù)庫。
[0156] 為簡單說明，表2-1中列出了已建立關(guān)聯(lián)的9種不同巖石類型元素含量的數(shù)據(jù)庫數(shù) 據(jù)(限于篇幅示例性選擇了9中巖石類型）。其中，元素含量數(shù)據(jù)為多個樣品LIBS測定的平均 值。
[0158] 備注:樣品采自四川盆地重慶地區(qū)鉆井
[0159] (4)流程 1004
[0160] 所述涉及巖性判別數(shù)據(jù)匹配算法，是根據(jù)所述元素含量組合信息，建立巖性識別 特征模型的匹配算法，舉例說明，表2-2為待解釋的巖石/巖肩LIBS元素含量測定數(shù)據(jù)。
[0161] 表2-2.待解釋的巖石/巖肩樣品LIBS元素含量測定數(shù)據(jù)(wt%)
[0163] 所述建立巖性識別特征模型的匹配算法，就是將表2-2中的巖石/巖肩元素含量與 表2-1中9個巖石類型數(shù)據(jù)進(jìn)行匹配計算分析，根據(jù)匹配計算的結(jié)果(如表2-3所示），就可將 表2-2中的巖石/巖肩進(jìn)行歸類或定名。即，通過選定合適的匹配算法，賦予上述未知樣品具 有定性巖性指向的巖性識別計算量。
[0164] 表2-3.表2-1和表2-2數(shù)據(jù)計算的匹配結(jié)果
L〇166」巖性識別匹配算法中選取的元素含量組合特征參數(shù)作為數(shù)據(jù)庫樣本集，首先要具 備良好的巖性指向靈敏度，即可分性好。例如具有相同或相似巖性類別的元素含量組合特 征參數(shù)，樣本數(shù)據(jù)匹配計算值應(yīng)更集中，而不同巖石類型的數(shù)據(jù)樣本，類與類之間的距離應(yīng) 該越大；
[0167] 在進(jìn)行巖性識別匹配計算時，樣本間的相似度不僅僅依賴于樣本間的相近程度， 還依賴于數(shù)據(jù)樣本間元素含量的內(nèi)在性質(zhì)，也就是說數(shù)據(jù)集中每個巖性元素含量在匹配判 別分析過程中對于巖性判別的重要性不同。本實施例充分考慮了元素含量組合特征數(shù)據(jù)集 中的每個元素含量在相似度評價中對于數(shù)據(jù)樣本相似度計算的貢獻(xiàn)不同。為正確表達(dá)巖 石/巖肩分類數(shù)據(jù)的離散程度，通過比較，選定屬性加權(quán)歐氏距離算法，利用屬性加權(quán)歐式 距離算法，作為度量待測樣品巖性特征與數(shù)據(jù)庫中巖性數(shù)據(jù)相似度的計算方法；
[0168] 屬性加權(quán)權(quán)值采用變異系數(shù)賦權(quán)法計算得出；
[0169] 客觀賦權(quán)評價法則根據(jù)各項指標(biāo)的變異系數(shù)來確定權(quán)數(shù)進(jìn)行綜合評價。
[0170]權(quán)重的賦值合理與否，對評價結(jié)果的科學(xué)合理性起著至關(guān)重要的作用;若某一因 素權(quán)重發(fā)生變化，將會影響整個評判結(jié)果。因此，權(quán)重的賦值必須做到科學(xué)和客觀，這就要 求尋求合適的權(quán)重確定方法。
[0171]此處的變異系數(shù)是針對數(shù)據(jù)庫中不同巖石類型元素含量組合數(shù)據(jù)中同一元素進(jìn) 行計算得出，具體是該目標(biāo)元素在數(shù)據(jù)庫中所屬所有巖性元素含量組合數(shù)據(jù)中的標(biāo)準(zhǔn)差除 以其均值的絕對值；
[0172] 宙々教抿庫中η個巖件類型的元素含量組合特征數(shù)據(jù)Cn,P，記為：
[0173]
(!)
[0174] 所述目標(biāo)元素i的均值g由式(2)計算得出：
[0175]
(?[0176] 斫襪日標(biāo)元麥彳的標(biāo)袖荖1由忒GW+管渴m.
[0177]
[0178]
[0179]
[0180] 對于數(shù)據(jù)庫中元素含量組合特征數(shù)據(jù)中，每列元素i都有其各自的變異系數(shù)。為了 方便，用Vi表示元素i的變異系數(shù)，i = 1，2，···η。Vi的值的大小，表示元素i在不同的巖性樣品 中元素含量變化的程度不同J1的值大，區(qū)別巖性的能力強(qiáng)，應(yīng)有較重的加權(quán)值。
[0181] 因此，數(shù)據(jù)庫中元素i相應(yīng)的權(quán)重系數(shù)1最終可由下式計算得到：
[0183] wmtfj人7」、個InJ，衣明彳土兀糸·付，元素i對于巖性識別貢獻(xiàn)能力具有差異性。
[0182]
[0184] 所述匹配算法，具體是指將所述待測樣品LIBS元素含量組合特征數(shù)據(jù)進(jìn)行空間向 量重構(gòu)，計算其與數(shù)據(jù)庫中標(biāo)準(zhǔn)巖心巖性判別數(shù)據(jù)的對應(yīng)空間向量距離，即計算LIBS元素 含量組合特征數(shù)據(jù)與數(shù)據(jù)庫不同巖性數(shù)據(jù)空間矢暈的歐氏距離值(D 1),計算公式為：
[0185]
[0186] 上式中的Xiu為待測樣品的元素含量，Ciu為數(shù)據(jù)庫中元素的含量，P1為巖性判別 相似性指數(shù)；
[0187]巖性判別相似性指數(shù)P1越小，即空間矢量歐氏距離長度(?)越小，表明巖性匹配越 接近；
[0188] 利用數(shù)據(jù)庫比對法定性解釋的關(guān)鍵是"巖性判別特征數(shù)據(jù)庫"。數(shù)據(jù)庫的巖石類型 越多，巖性分類越詳細(xì)，則巖性識別解釋就越準(zhǔn)確。
[0189] (5)流程 1005
[0190]所述LIBS數(shù)據(jù)采集與測試模塊，是利用LIBS測試系統(tǒng)對待測巖石/巖肩樣品進(jìn)行 光譜測試，采集所述待測樣品光譜數(shù)據(jù)，利用所述LIBS錄井巖石/巖肩元素定量分析模型， 獲取所述待測樣品元素含量；
[0191] (6)流程 1006
[0192] 所述巖性判別數(shù)據(jù)計算執(zhí)行模塊，為提取所述待測錄井巖石/巖肩樣品元素含量 組合特征參數(shù)，將其與所述標(biāo)準(zhǔn)巖心巖性判別數(shù)據(jù)庫中對應(yīng)數(shù)據(jù)按照巖性識別特征模型進(jìn) 行匹配計算；
[0193] (7)流程 1007
[0194] 所述巖性識別輸出模塊，為按照匹配計算結(jié)果，輸出與所述待測巖石/巖肩樣品最 接近的巖性名稱等信息。
[0195] 實施例2本發(fā)明的系統(tǒng)
[0196] 圖7所示為本發(fā)明實施例一種激光誘導(dǎo)擊穿光譜巖性識別系統(tǒng)的結(jié)構(gòu)示意圖，其 特征在于：
[0197] LIBS巖石/巖肩元素定量分析建模模塊701;巖性識別組合信息提取模塊702;標(biāo)準(zhǔn) 巖心巖性判別數(shù)據(jù)庫模塊703,巖性判別數(shù)據(jù)匹配算法模塊704; LIBS數(shù)據(jù)采集與測試模塊 705;巖性判別數(shù)據(jù)計算執(zhí)行模塊706，巖性識別輸出模塊707;
[0198] 所述LIBS巖石/巖肩元素定量分析建模模塊701，用于將最小二乘支持向量機(jī)與 LIBS激光誘導(dǎo)擊穿光譜技術(shù)相結(jié)合，建立巖石/巖肩LIBS元素定量分析模型;為所述巖性識 別提供待測樣品元素組分含量信息；
[0199] 所述巖性識別組合信息提取模塊702,主要基于巖石地球化學(xué)理論，提取與所述巖 石/巖肩巖性相關(guān)聯(lián)的LIBS定量元素組合特征參數(shù)，建立巖性判別特征模型；
[0200] 所述標(biāo)準(zhǔn)巖心巖性特征判別數(shù)據(jù)庫模塊703,是利用已知巖性標(biāo)準(zhǔn)巖心樣品，采用 所述LIBS巖石/巖肩元素定量分析模型，獲取元素含量組合特征參數(shù)，建立基于所述巖性識 別特征模型的標(biāo)準(zhǔn)巖心巖性對比數(shù)據(jù)庫；
[0201] 所述巖性判別數(shù)據(jù)匹配算法模塊704,是將獲取的所述巖性識別組合信息與標(biāo)準(zhǔn) 巖心巖性判別數(shù)據(jù)庫進(jìn)行比對，主要是通過將巖性判別模型中元素含量組合信息轉(zhuǎn)化為空 間向量，計算待測樣品與數(shù)據(jù)庫中不同巖性類別對應(yīng)數(shù)據(jù)的相似度，確定適用于巖性識別 的匹配算法；
[0202] 所述LIBS數(shù)據(jù)采集與測試模塊705,為利用LIBS測試系統(tǒng)采集待測巖石/巖肩樣品 光譜數(shù)據(jù)，進(jìn)行光譜學(xué)預(yù)處理，采用所述LIBS定量分析模型，獲取待測目標(biāo)巖石/巖肩樣品 的元素含量數(shù)據(jù)；
[0203] 所述巖性判別數(shù)據(jù)計算執(zhí)行模塊706,是依據(jù)巖性特征判別模型，提取所述待測巖 石/巖肩巖性含量組合特征數(shù)據(jù)，與所述標(biāo)準(zhǔn)巖心巖性判別數(shù)據(jù)庫中對應(yīng)數(shù)據(jù)通過所述巖 性判別數(shù)據(jù)匹配算法進(jìn)行計算比對；
[0204] 所述巖性識別輸出模塊707,是按照匹配計算結(jié)果，輸出與所述待測巖石/巖肩匹 配的巖性名稱等信息。
[0205]作為本發(fā)明進(jìn)一步的實施例，所述LIBS巖石/巖肩元素定量分析建模模塊701還包 括：
[0206] LIBS數(shù)據(jù)采集與預(yù)處理單元7011;訓(xùn)練建模單元7012;參數(shù)優(yōu)化單元7013;預(yù)測驗 證單元7014;
[0207]所述LIBS數(shù)據(jù)采集與預(yù)處理單元7011，為使用LIBS分析系統(tǒng)采集所述建模樣品 LIBS光譜數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行光譜學(xué)預(yù)處理，包括:背景校正，光譜歸一處理等；
[0208] 所述訓(xùn)練模型建模單元7012,為利用所述訓(xùn)練集樣品光譜數(shù)據(jù)，進(jìn)行最小二乘支 持向量機(jī)回歸建模；
[0209] 所述參數(shù)優(yōu)化單元7013,為利用訓(xùn)練集數(shù)據(jù)通過網(wǎng)格法對高斯核函數(shù)相關(guān)參數(shù)〇， 以及正則化參數(shù)γ在參數(shù)設(shè)定范圍內(nèi)進(jìn)行尋優(yōu)，獲取子訓(xùn)練集并建立模型，然后用計算獲 得的元素含量數(shù)據(jù)來估計模型的預(yù)測準(zhǔn)確度，當(dāng)預(yù)測準(zhǔn)確度最高時對應(yīng)的參數(shù)為最優(yōu)參 數(shù)；
[0210] 所述預(yù)測驗證模塊7014,利用訓(xùn)練集數(shù)據(jù)建立的LSSVM最終優(yōu)化模型，將預(yù)測驗證 集目標(biāo)樣品的激光誘導(dǎo)擊穿光譜數(shù)據(jù)作為最小二乘支持向量機(jī)模型的輸入層參數(shù)，對所述 預(yù)測集目標(biāo)樣品的元素含量進(jìn)行預(yù)測;根據(jù)所述預(yù)測集目標(biāo)樣品的元素含量參考值，采用 相關(guān)系數(shù)和均方根誤差來驗證最小二乘支持向量機(jī)模型的準(zhǔn)確度和精確度；
[0211] 應(yīng)用上述激光誘導(dǎo)擊穿光譜巖性識別系統(tǒng)對錄井巖石/巖肩巖性識別具有直觀、 快速、準(zhǔn)確高效等特征，特別是對細(xì)碎粉末巖肩，與鉆井取心、井壁取心巖性鑒定結(jié)果對比， 巖性識別能力獲得顯著提高。
[0212] 在快速鉆錄井條件下，應(yīng)用上述激光誘導(dǎo)擊穿光譜巖性識別系統(tǒng)獲取的錄井深度 巖性的變化特征，還可為相關(guān)施工條件下的鉆井操作的參數(shù)(如鉆井的可鉆性變化，鉆時變 化），測井的數(shù)據(jù)變化(如聲波時差、電阻率、井徑變化等)提供對比參考信息，分析鉆錄測井 各種相應(yīng)資料參數(shù)的相關(guān)性和相關(guān)度等。
[0213] 本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，可以通 過計算機(jī)程序來指令相關(guān)的硬件來完成，所述的程序可存儲于一般計算機(jī)可讀取存儲介質(zhì) 中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質(zhì)可為磁 碟、光盤、只讀存儲記憶體（Read-Only Memory，ROM)或隨機(jī)存儲記憶體(Random Access Memory，RAM)等。
[0214] 以上所述的【具體實施方式】，對本發(fā)明的目的、技術(shù)方案和有益效果作了進(jìn)一步詳 細(xì)說明，需指出的是，以上所述僅為本發(fā)明的【具體實施方式】而已。
[0215]綜上所述，本發(fā)明所述方法和系統(tǒng)充分利用了激光誘導(dǎo)擊穿光譜技術(shù)樣品預(yù)處理 要求簡單、樣品類型適用性廣，以及分析速度快、直觀、準(zhǔn)確等諸多優(yōu)點，尤其綜合了最小二 乘支持向量機(jī)非線性回歸特性，在有效獲取模型參數(shù)的基礎(chǔ)上，最大程度克服了固體樣直 接分析基質(zhì)效應(yīng)的影響;特別是以巖石地球化學(xué)理論為基礎(chǔ)，獲取巖石巖性判別所需的元 素含量組合信息，建立巖性判別特征模型，提高了巖性判別的準(zhǔn)確性。通過元素含量信息組 合，建立具有巖性識別相關(guān)性和靈敏性的有效匹配算法，減小了巖性判別可能存在的多解 性，有利于錄井巖石/巖肩的巖性細(xì)分識別。
【主權(quán)項】
1. 一種基于激光誘導(dǎo)擊穿光譜的巖性判別方法，其特征在于:包括以下步驟： (1) 取已知元素信息的巖石和/或巖肩樣本，測定其激光誘導(dǎo)擊穿光譜，采集其光譜數(shù) 據(jù)； (2) 對光譜數(shù)據(jù)進(jìn)行預(yù)處理； (3) 以預(yù)處理后的數(shù)據(jù)，建立基于最小二乘支持向量機(jī)的巖石和/或巖肩元素信息預(yù)測 豐旲型； (4) 取待測巖石和/或巖肩樣本，按照步驟（1)和步驟(2)的方法獲取數(shù)據(jù)，根據(jù)步驟(3) 的預(yù)測模型，得到待測巖石和/或巖肩樣本的元素信息預(yù)測數(shù)據(jù)； (5) 根據(jù)巖性判別模型，以待測巖石和/或巖肩樣本的元素信息預(yù)測數(shù)據(jù)判別其巖性。2. 根據(jù)權(quán)利要求1所述的巖性判別方法，其特征在于:所述步驟（1)的測定中，激光誘導(dǎo) 擊穿光譜的波長范圍為150-1100nm，優(yōu)選的波長范圍為220-800nm。3. 根據(jù)權(quán)利要求2所述的巖性判別方法，其特征在于:所述步驟（1)的測定中，光譜采集 延遲時間為0.5-5ys，優(yōu)選的為1.5ys;積分時間為200ys-100ms，優(yōu)選的為lms。4. 根據(jù)權(quán)利要求1所述的巖性判別方法，其特征在于:所述步驟(2)的預(yù)處理中，預(yù)處理 的方法為背景校正法、平均值法或光譜歸一化法，優(yōu)選全光譜歸一化方法。5. 根據(jù)權(quán)利要求1所述的巖性判別方法，其特征在于:步驟(3)中，所述最小二乘支持向 量機(jī)的核函數(shù)為高斯核函數(shù)。6. 根據(jù)權(quán)利要求5所述的巖性判別方法，其特征在于:所述最小二乘支持向量機(jī)的優(yōu)化 參數(shù)是通過網(wǎng)格尋優(yōu)法得到的。7. 根據(jù)權(quán)利要求1-6任一項所述的巖性判別方法，其特征在于:步驟(5)中，所述的巖性 判別模型是基于已知巖性的巖石和/或巖肩的元素信息，或是基于已知巖性的巖石和/或巖 肩樣本的元素信息預(yù)測數(shù)據(jù)建立的；所述已知巖性的巖石和/或巖肩樣本的元素信息預(yù)測 數(shù)據(jù)是通過步驟(3)中建立的元素信息預(yù)測模型得到的。8. 根據(jù)權(quán)利要求1-7任一項所述的巖性判別方法，其特征在于:步驟(5)中，所述巖性判 別模型的判別方法為距離判別法。9. 根據(jù)權(quán)利要求8所述的巖性判別方法，其特征在于:所述距離判別法為屬性加權(quán)歐式 距離判別法。10. 根據(jù)權(quán)利要求9所述的巖性判別方法，其特征在于:所述屬性加權(quán)歐式距離判別法 中，屬性加權(quán)的權(quán)值是通過變異系數(shù)賦權(quán)法得到的。11. 根據(jù)權(quán)利要求10所述的巖性判別方法，其特征在于:所述變異系數(shù)賦權(quán)法中，變異 系數(shù)是判別模型中，已知巖性的巖石和/或巖肩的元素信息，或已知巖性的巖石和/或巖肩 樣本的元素信息預(yù)測數(shù)據(jù)中同一元素的標(biāo)準(zhǔn)差系數(shù)。12. 根據(jù)權(quán)利要求1-11任一項所述的巖性判別方法，其特征在于:所述元素信息包括元 素的含量和種類。13. 根據(jù)權(quán)利要求1-12任一項所述的巖性判別方法，其特征在于:所述巖石和/或巖肩 樣本為地質(zhì)錄井巖石和/或巖肩樣本。14. 一種基于激光誘導(dǎo)擊穿光譜的巖性判別系統(tǒng)，其特征在于:所述系統(tǒng)包括： 基于激光誘導(dǎo)擊穿光譜的巖石/巖肩的元素信息預(yù)測模塊； 基于元素信息的巖性判別信息提取模塊； 基于元素信息的標(biāo)準(zhǔn)巖心巖性判別數(shù)據(jù)庫模塊； 巖性判別數(shù)據(jù)匹配算法模塊； 激光誘導(dǎo)擊穿光譜數(shù)據(jù)采集與測量模塊； 巖性判別數(shù)據(jù)計算執(zhí)行模塊； 巖性判別輸出模塊。15. 根據(jù)權(quán)利要求14所述的巖性判別系統(tǒng)，其特征在于:所述巖石/巖肩的元素信息預(yù) 測模塊包括以下單元： 激光誘導(dǎo)擊穿光譜數(shù)據(jù)采集及預(yù)處理單元，用于采集巖石/巖肩樣本的激光誘導(dǎo)擊穿 光譜數(shù)據(jù)，對數(shù)據(jù)進(jìn)行光譜學(xué)預(yù)處理，作為建立元素信息預(yù)測模型所需的訓(xùn)練集數(shù)據(jù)和預(yù) 測集數(shù)據(jù)； 最小二乘支持向量機(jī)訓(xùn)練建模單元，用于將所述訓(xùn)練集數(shù)據(jù)作為輸入層數(shù)據(jù)，訓(xùn)練集 樣本的元素參考值作為輸出層數(shù)據(jù)，建立最小二乘支持向量機(jī)訓(xùn)練模型； 參數(shù)優(yōu)化單元，用于對最小二乘支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化。16. 根據(jù)權(quán)利要求15所述的巖性判別系統(tǒng)，其特征在于:所述光譜預(yù)處理單元中，光譜 預(yù)處理的方法為背景校正法、平均值法或光譜歸一化法，優(yōu)選全光譜歸一化方法。17. 根據(jù)權(quán)利要求15所述的巖性判別系統(tǒng)，其特征在于:所述最小二乘支持向量機(jī)訓(xùn)練 建模單元中，所述最小二乘支持向量機(jī)的核函數(shù)為高斯核函數(shù)。18. 根據(jù)權(quán)利要求17所述的巖性判別系統(tǒng)，其特征在于:所述參數(shù)優(yōu)化單元中，優(yōu)化的 方法為網(wǎng)格尋優(yōu)法。19. 根據(jù)權(quán)利要求14所述的巖性判別系統(tǒng)，其特征在于:所述巖性判別信息提取模塊， 用于提取與巖性關(guān)聯(lián)的元素含量特征參數(shù)。20. 根據(jù)權(quán)利要求14所述的巖性判別系統(tǒng)，其特征在于:所述巖性識別數(shù)據(jù)匹配算法模 塊，采用與所述標(biāo)準(zhǔn)巖心巖性判別數(shù)據(jù)庫模塊進(jìn)行逐一匹配的計算模式，建立將所述待測 地質(zhì)錄井巖肩巖性識別元素組合信息轉(zhuǎn)換成為具有單一目標(biāo)巖性指向的匹配算法;所述匹 配算法采用基于變異系數(shù)法的屬性加權(quán)歐氏距離計算法。
【文檔編號】G01N21/71GK105938099SQ201610534211
【公開日】2016年9月14日
【申請日】2016年7月7日
【發(fā)明人】段憶翔, 許濤, 林慶宇
【申請人】四川大學(xué)