由于人工智能算法在处理非线性映射关系上具有先进性、抗干扰性等优点，近年来，其在处理测井资料、预测储层孔渗物性等方面已得到初步应用。Mohaghegh等[1]等人利用人工神经网络算法对油气储层物性及储层非均质性进行了预测和研究。Lim等[2]利用模糊逻辑原理对测井曲线进行优选并应用神经网络算法对储层参数进行了预测。现阶段支持向量机算法(SVM，support vector machine)也成为相关学者的研究热点。Verma等[3]利用SVM算法对压力波的峰值波速进行了预测并将之与常规方法进行了比较研究。Ali等[4]则利用BP(back propagation)神经网络与SVM等算法对伊朗Mansuri油田储层孔渗参数进行了计算。BP神经网络与SVM均为当下机器学习领域较为流行的算法，但与前者相比，SVM算法在中小型样本统计处理问题上具有全局最优性，其在基于结构风险最小化的原则上，具有较强的泛化能力，适应性更强。

而对于沉积微相划分问题而言，究其数学本质可归为中小型样本点的分类问题。新算法的引入一定程度上解决了分类问题，但目前为止沉积微相的自动识别研究方法仍较为单一(以BP神经网络为主)、相种类也较为局限[5]；较少涉及浊积扇沉积微相的自动划分。为此在研究中针对商三区所发育浊积相，优选测井曲线，对其进行预处理并提取特征参数，将之作为输入数据集，利用SVM算法进行处理并将沉积微相类型作为输出，从而达到自动划分和识别的目的。

1 支持向量机方法原理

SVM理论最早于1995年由Vapnik[6]提出。SVM是在统计学理论和VC维(vapnik-chervonenkis dimension)理论基础上，基于结构风险最小化原理，能依据有限的样本信息在模型复杂程度和模型的学习能力之间寻求最佳平衡的一种机器学习算法，具有较强的泛化能力和推广能力。SVM可以将低维空间内复杂的线性不可分问题，通过向高维空间投射，转化为高维空间内的可分问题；此外SVM是凸二次优化问题，其求取的极值解即为全局最优解。这些特点使SVM成为一种较优的机器学习算法。以两分类支持向量机为例，其数学原理如下[7-10]。

基于此，我们认为教育学的教材应有广博坚实的专业知识，能反映科研的最新成果、学科发展前沿和时代精神；应有高深的学问，兼具科学性、价值性、艺术性，对读者和师生有吸引力；能激发教师与学生从事教育与教学活动的积极性，使教师感到有教头，使学生感到有学头。

在根据文本特征对样品点进行分类时，可以使计算机这样看待训练样本：每一个样本由1个向量(即那些文本特征所组成的向量)和1个标记组成。现假设有2类线性可分样本集，记为(xi，yi)，i=1，…，n、yi∈{+1，-1}，其中xi为高维数文本向量；yi为分类标记。在二元线性分类中，分类标记只存在+1、-1这2个值，分别表示属于、不属于该类。将线性判别函数记为g(x)=wx+b(其中w、b为函数的系数)，则其对应的分类面方程为wx+b=0。最优分类面要求不仅能将2类样品数据正确分开，使训练错误率为0，还要使分类间隔达到最大。

此时，可以定义样本点至某一超平面的间隔为：δi=yi(wxi+b)；继续对w、b进行归一化，则间隔变为：式中‖w‖为w的范数。

则此时问题转化为在

其中：C为正常数，称为惩罚因子，代表了离群点给目标函数带来的损失程度。对目标函数求取其最小值，即可得到广义最优分类面。

i=1，2，...n(n为样本数)

(1)

约束下

(2)

将训练好的支持向量机用于未知点的预测，在研究中建立测试样本301组，其中辫状沟道微相数据146组，沟道侧缘微相数据49组，沟道间微相数据44组，外扇泥微相数据62组。利用训练后的支持向量机对测试集进行预测，测试准确率可以达到88.9%，部分预测结果如表2所列。

定义如下拉格朗日函数：

(3)

其中：α为拉格朗日乘子，且αi≥0；w、b求偏微分并令其等于0，可将上述最优分类面问题转化为凸二次规划寻优对偶问题，即在

subject to αi≥0

i=1，2，…，n；j=1，2，…，n

(4)

和

(5)

的约束下，求

投资者投资上市公司股票的目的在于创造财富。上市公司股票的流动性很强，投资者将其闲散资金可随时买入，需要资金时又可随时卖出。投资者的行为差异源于两个因素: 一是各个投资者占有的信息量和信息质量是不同的; 二是投资者处理信息的框架和能力也不相同，即使同样的市场信息反映在不同的投资者那里，也会得出不同的认知，从而作出不同的决策。对于具体投资者来说，他们对企业股价和市场走势的判断建立在他们各自的认知上，根据自己的认知框架对掌握的信息加以分析，并作出投资决定。

(6)

的最大值。

公式(6)中：αi和αj为每个样本对应的拉格朗日乘子；yi与yj为此时的分类标记。此为二次函数寻优问题，存在唯一解，根据Karush-Kuhn-Tucker最优化条件，这个最优解还必须满足约束：

稍梅，就是我们平常说的烧麦，馅大皮薄，荤素馅齐全，咬上一口，汤汁四溢，浓香扑鼻，稍有几分油腻感。羊杂割便是羊汤，各式羊杂和羊头肉混在一起熬成奶白色，配点葱末香菜，可以加肉加汤，味道别具一格。同是羊汤，但山西的羊杂割风味独特，丝毫没有膻味，放点辣子胡椒粉，一碗下肚，大汗淋漓，特别是在冬天食用，驱风祛寒。一顿早餐映衬出山西历史悠久的面食文化，面食故里，名不虚传。

αi[yi(w·xi+b)-1]=0,i=1，2，…，n。

(7)

若最优解为则有

(8)

其中：w*为w对应最优解为不为0的样本，即为支持向量，可由式(7)求得。解上述问题后得到的最优分类面函数为

f(x)= sign{(w·x)+b}=

赵某散步时和刘某家的狗迎面相遇，刘某的狗突然蹿至赵某身后咬了一口，事后，赵某经就医治疗共花费数千元。经过民警调解，双方未达成一致意见，故赵某将刘某诉至法院，要求其赔偿医疗费等各项费用共计3000余元。

(9)

测井曲线的预处理包括测井曲线的标准化及归一化。测井曲线标准化可以减弱或消除测井的系统误差，获得更可靠的评价结果。其方法包括直方图法和趋势面法等[14]。研究中由于研究区域范围较小，岩性空间分布差异不大，故选择直方图法进行曲线标准化。选取井段完整、资料齐全的S13-351井作为标准井进行测井曲线校正(见图2)。

采用径向基核函数，即

yi[(w·xi)+b]≥1-ξi，

(10)

ξi≥0，i=1，2，…，n。

(11)

在最小化目标中加入惩罚项并引入目标函数：

步凡被踹得跌跌撞撞，一头栽进了小黑屋。这是一间狭窄的储物室，堆满了拖把、抹布之类的杂物。还没等他站稳，身后就传来“咚”的一声响，紧接着是“咔嚓”的声音，显然“霸王龙”从外面锁上了门，将他锁在了储物间里。

(12)

subject to yi[(wxi)+b]-1≥0，

对于非线性分类问题，可以通过核函数K(xi，xj)将低维空间内的点向高维空间(记为n维空间)进行映射，在n维空间内可以寻找(n-1)维最优分类面将样本数据区分开。此时分类函数变为

(13)

其中：x为核函数中心点；xi为需要被分类的样本点；gamma为径向基函数中的常参数，可通过不断调试获得一最优常参数。由于径向基核函数其控制参数较多，分类结果的优良很大程度上决定于核函数参数的调整和选取，因此选择正确的方法进行参数寻优计算至关重要。常用的寻优方法主要有交叉验证选择法、网格搜索算法、粒子群优化算法以及遗传算法等。

他说，不是不想完成，是完成不起。因为按照规矩，他父亲的几个去世的兄弟，他都需要独自去“交牲”。而他父亲恰好是5兄弟，他父亲健在，但其他4位伯父都已经去世。

SVM分类函数在结构上类似于神经网络拓扑结构，输出是s个中间节点的线性组合，每个中间节点对应1个支持向量。

2 研究区概况

商河油田商三区构造位置位于渤海湾盆地济阳坳陷惠民凹陷中央隆起带处临商断裂体系之上[11]，其构造格局受渤海湾盆地构造演化所控制。区内取心井内可见发育多套鲍马序列、岩心内可见泥岩撕裂屑及同生小断层等构造，指示出明显的滑塌-浊积特征。区内浊积扇相划分出中扇和外扇亚相，其中以中扇亚相为主体；在此基础上进一步划分出辫状沟道、沟道侧缘、沟道间及外扇泥4类沉积微相。区内各类沉积微相特征及测井相特征如下。

图1 支持向量机拓扑结构示意图 Fig.1 Schematic diagram of SVM topology structure

(1)辫状沟道。区内辫状沟道发育灰褐色油斑、油迹粉砂岩夹暗色薄层泥岩；发育明显平行层理及交错层理，底部可见底冲刷及底模构造；自然电位曲线因厚度变化呈指型、中高幅齿化钟型、齿化漏斗型、箱型及其组合，齿中线由下倾逐渐过渡为水平，齿化程度较强，电阻率曲线幅度高，泥质含量低。

(2)沟道侧缘。区内该微相常见灰色、灰黑色薄层粉砂质泥岩及泥质粉砂岩等；自然电位曲线常呈薄层钟型或泥岩基线背景上的中低幅齿型、指型，电阻率曲线幅度较大但低于辫状沟道，泥质含量较低。

(3)沟道间。区内沟道侧缘微相内发育灰色中薄层粉砂质泥岩、泥质粉砂岩等；发育交错层理及多套鲍马序列，可见泥岩撕裂屑发育；自然电位曲线多呈中低幅齿形、指型及二者组合，其幅度低于辫状沟道微相曲线，电阻率曲线幅值较大，泥质含量较低。

(4)外扇泥。区内该微相发育灰黑色泥岩夹灰质泥岩等；主要发育水平层理；自然电位曲线则以泥岩基线为主，偶见中低幅指型突起，电阻率曲线幅值稍低，泥质含量较高。

综上，在不同沉积微相下所发育的测井相，在其曲线幅度、形态、光滑程度等因素上具有差异性，因此利用测井相特征进行沉积微相的识别具有理论上的可行性[12-13]。

3 测井曲线预处理及特征参数提取

所选测井曲线必须能反映出各微相的核心特点。研究中选择与沉积微相相关性较高的自然电位(SP)、声波时差(AC)、感应测井(COND)、电阻率测井(R25和R4，分别为2.5 m底部梯度电阻率和4 m底部梯度电阻率)5条曲线，分别可以反映各微相的粒度、孔隙度、泥质含量等特征。

3.1曲线预处理

其中：b*为分类阈值。当最优分类面不能将2类点完全分开，即线性不可分时，引入松弛因子ξi，意为允许样本发生类别划分错误的情况，此时分类面满足：

图2 商13-107、商67井局部声波时差曲线校正结果 Fig.2 Time equation curve results of local acoustic time in Shang 13-107# and 67# well

测井曲线的归一化处理可以削弱数量级带来的差异，使测井数据统一到同一计量水平上，增强了不同种类数据间的可对比性，利用归一化方程进行数据的归一化处理：

其中：Y为归一化计算后的数据；X为某点测井曲线值；Xmax为测井曲线最大值；Xmin为曲线最小值。以感应测井曲线曲线为例(见图3)，经过归一化处理后各类数据之间特征明显，更易识别。

图3 感应测井曲线归一化处理前后测井值 Fig.3 The result of COND logging data before and after normalization

3.2 特征参数的提取

特征参数即可以表征测井曲线要素的参数量。测井曲线要素包括：幅度、形态、顶底接触关系、光滑程度、齿中线等[15]。对于特征参数的选取如下:

(1)平均中位数。平均中位数为数据集平均数和中位数的平均值，可以较为稳健的表征出曲线幅值大小，从而反映出平均粒径的大小。

(2)相对重心Gr。相对重心可以反映曲线形态。Gr>0.5时，曲线相对重心位于下方，对应形态为钟形；Gr=0.5时曲线重心居中，对应形态可为箱型；Gr<0.5时，曲线重心靠近上部，对应形态可为漏斗形，公式为

其中：i为数据点的序数；n为目标段内数据点个数；X(i)为第i个数据点处测井值。

(3)变差方差根GS。测井曲线齿化程度较强表明沉积物具间歇性沉积的特征。方差可以反映数据的波动程度，变差函数可以反映曲线锯齿的数量和大小。将二者综合构建出变差方差根，即可综合反映出曲线整体的波动性和局部齿化程度的强弱[16]，其公式为

其中：S2为目标段内数据点的方差；h为步长；γ(h)为步长为h的变差函数；N为目标段内数据点个数；X(i)为第i个数据点处测井值为目标段内N个数据的平均值，即为间隔为h的数据对[X(i)，X(i+h)]的数目，通常取h=1和h=2。

4 实际资料处理与分析

4.1 样本的选取

针对商河油田商三区发育的浊积相，在研究中选取总计1 209组已做出沉积微相解释的数据作为样本，其中辫状沟道微相数据584组，沟道侧缘微相数据197组，沟道间微相数据178组，外扇泥微相数据250组；而组建训练样本约900组，测试样本约300组。

4.2 特征参数的提取

选择与沉积微相相关性较高的自然电位、声波时差、感应测井、电阻率等测井曲线，进行标准化、归一化处理。对预处理后的测井曲线进行特征参数的提取，包括平均中位数、相对重心、变差方差根等。将提取后的参数作为支持向量机的数据输入集，将沉积微相解释结果作为支持向量机的输出。

4.3 核函数参数寻优

②平滑点数设置对平均相关系数 ）的影响。表1的值是在系统默认的平滑点数设置为9时、计算得到的相关系数。在特征谱段不变、数据预处理方法为二阶导数的情况下，变更相关系数模型的平滑点数设置，平滑点数分别设置为“5/9/13/17”，比对结果见表2。

K(xi，x)=exp(-gamma×|x-xi|2)，

常用的核函数有多项式函数、径向基函数和Sigmoid函数等，选用不同的核函数可构造不同的支持向量机，我们采用径向基函数作为核函数。以式(13)为例，支持向量机拓扑结构如图1所示。

选择遗传算法可以达到较好的寻优效果。遗传算法也称为进化算法，其原理是将亟待解决的问题模拟成为生物进化过程，通过复制、交叉、突变等操作产生下一代的结果，逐代淘汰适应度函数值低的解，增加适应度函数值高的解，如此计算n代之后即可进化出适应度函数值较高的解。

经过试验，遗传算法参数寻优结果如图4所示。最终参数寻优结果为惩罚系数C=21.170 7，常参数gamma=1.763 5。

图4 支持向量机参数寻优结果 Fig.4 Parameter optimization results of SVM

4.4 支持向量机的训练结果

组建训练样本908组，其中辫状沟道微相数据438组，沟道侧缘微相数据148组，沟道间微相数据134组，外扇泥微相数据188组。

⑧Tiwana，A．，“Do bridging ties complement strong ties?An empirical examination of alliance ambidexterity”，Strategic Management Journal，2008，29(3)，pp．251 ～272．

以C=21.170 7、gamma=1.763 5作为支持向量机判别函数的参数，对支持向量机进行训练的部分结果如表1所列。结果表明，对支持向量机的训练准确率达到97.7%，支持向量机训练结果较好，准确度达到要求，可用于沉积微相的预测。

4.5 支持向量机的测试结果

的最小值问题。

如图3A所示，5 ℃贮藏商品鳞茎的IAA含量变化先上升后下降然后再上升的规律：120th d时上升到一个较高点，30th d时下降，至60th d时达到最高点。此外，外层鳞叶IAA的含量在贮藏20 d以后的各个时期均比内层鳞叶的含量稍高。而25 ℃贮藏商品鳞茎的IAA含量整个储藏期间持续缓慢上升但60th d时，均低于5 ℃贮藏条件下。如图3B所示，试管鳞茎的IAA含量变化和商品鳞茎类似。

结果表明，经寻优后支持向量机判别函数参数C=21.170 7、gamma=1.763 5时，经过训练后的支持向量机具有较强的泛化能力和抗干扰能力，对其他位置样品点的预测准确率较高，可以较精准地预测区内发育的沉积微相。

如此，就像韦伯所指出的，犹太教的“突破”性质从一开始就表现了出来：“打一开始，耶和华便具有某些超越以色列立场的特色，换言之，在关于耶和华的观念里存在着某些普世性的特质，更贴切地说，这些特质毋宁是存在于——基于纯粹历史缘由——以色列誓约同盟与这个神的独特关系里。”[注][德]韦伯：《古犹太教》，康乐、简美惠译，桂林：广西师范大学出版社，2007年，第180页。 这就是说，犹太教的理性表现出某种超越性；换言之，犹太教一经产生，便与任何古老的宗教传统区别了开来，而且它也成为后续的世界性宗教的基础。而这就是犹太教不同于所有其他古老宗教传统的“崭新”的因素，所谓“突破”也正蕴藏于其中。

5 结论

(1)提出利用支持向量机这一较为前沿的机器学习算法，基于测井曲线要素特征，提取特征参数，对浊积扇沉积微相采用自动识别的方法，以测井曲线特征参数为输入数据集，以沉积微相类别为输出。

(2)对商河油田三区浊积扇沉积微相进行自动识别，训练结果准确率达97.7%，预测结果准确率可达88.9%，表明支持向量机方法对于区内沉积微相的自动识别有较好的应用效果。

(3)利用支持向量机自动识别沉积微相时，误差产生的原因可能为：测井曲线在预处理的过程中产生误差，或是在测井曲线特征参数提取时，没有全面的提取测井曲线的特征信息等。以上原因使支持向量机在训练过程中出现误差，从而导致预测误差。

表1 支持向量机部分训练结果

Table 1 Training results of SVM

井号平均中位数ACCONDR25R4SP相对重心ACCONDR25R4SP变差方差根ACCONDR25R4SP沉积微相SVM训练结果S13-3510．250．300．560．240．180．570．550．550．520．530．260．180．110．310．19辫状沟道辫状沟道S13-3510．400．300．320．190．310．540．490．610．590．500．120．180．140．230．25辫状沟道辫状沟道S670．330．280．410．270．690．600．580．600．600．570．100．100．040．080．08辫状沟道辫状沟道S670．230．050．760．430．780．550．550．610．650．580．150．260．190．810．20辫状沟道辫状沟道S13-1070．170．370．050．280．340．520．520．370．520．520．060．250．100．350．09辫状沟道辫状沟道S13-3510．410．520．220．190．880．520．510．510．520．520．120．140．060．310．04沟道侧缘沟道侧缘S670．450．600．290．280．810．530．530．580．640．530．100．200．120．380．10沟道侧缘沟道侧缘

(续表1)

井号平均中位数ACCONDR25R4SP相对重心ACCONDR25R4SP变差方差根ACCONDR25R4SP沉积微相SVM训练结果S13-1070．160．860．210．720．680．530．530．660．530．550．050．730．160．650．21沟道侧缘沟道侧缘S13-3510．390．230．490．320．180．650．670．680．680．660．230．260．040．290．09沟道间沟道间S670．290．470．610．310．360．560．560．520．550．560．030．170．160．130．15沟道间沟道间S13-1070．560．630．140．850．890．570．560．540．560．560．080．110．040．500．02沟道间沟道间S13-3510．520．670．190．210．950．510．500．500．510．510．200．230．150．570．07外扇泥沟道间S670．530．810．180．200．940．510．500．460．510．510．300．370．150．680．09外扇泥外扇泥S13-1070．730．720．140．900．900．510．530．520．530．530．160．110．060．590．05外扇泥外扇泥

表2 支持向量机部分预测结果

Table 2 Predication results of SVM

井号平均中位数ACCONDR25R4SP相对重心ACCONDR25R4SP变差方差根ACCONDR25R4SP沉积微相SVM预测结果S13-3510．370．090．860．560．230．540．550．530．560．560．100．210．110．590．26辫状沟道辫状沟道S13-3510．360．150．710．540．400．590．600．570．580．590．060．160．050．320．06辫状沟道沟道侧缘S670．250．360．340．240．280．540．540．570．500．550．170．190．100．100．14辫状沟道辫状沟道S13-1070．300．570．210．780．820．530．530．560．540．550．130．260．080．370．05辫状沟道辫状沟道S13-3510．550．490．350．310．540．630．630．620．620．630．070．040．030．140．05沟道侧缘沟道侧缘S670．310．210．420．350．670．550．550．540．570．540．160．140．070．200．08沟道侧缘沟道侧缘S13-1070．170．350．050．290．510．590．580．600．560．570．120．290．230．280．05沟道侧缘沟道侧缘S13-3510．360．150．740．540．390．510．500．500．530．520．140．150．080．270．11沟道间沟道间S670．430．660．360．300．590．530．530．490．540．540．220．230．140．380．13沟道间沟道间S670．360．220．620．730．940．570．580．470．490．550．150．120．310．480．25沟道间外扇泥S13-1070．480．500．120．890．900．540．540．560．540．540．290．180．060．380．02沟道间沟道间S13-1070．170．710．010．220．320．580．570．580．580．570．030．510．130．780．08外扇泥外扇泥S13-3510．480．560．240．220．920．500．500．460．470．510．180．220．090．380．07外扇泥外扇泥S670．530．810．180．200．940．510．500．460．510．510．300．370．150．680．09外扇泥外扇泥S13-1070．730．720．140．900．900．510．530．520．530．530．160．110．060．590．05外扇泥外扇泥

参考文献：

2．1 不同年龄组鼓室导抗图构成比较 声阻抗测试4 028人（8 055只耳，1人单耳外耳道闭锁），不同年龄组鼓室导抗图构成差异有统计学意义（χ2＝92．78，P＜0．005）。正常图形 A 型占80．43%，异常图形B型占4．11%，C型占15．46%。异常图形以C型为主。见表1。

[1]Mohaghenh S，Arefi R，Ameri S，et al.Petroleum Reservoir Characterization with the Aid of Artificial Neural Networks[J].Journal of Petroleum Science and Engineering，1996，16(4)：263-274.

[2]LIM J S.Reservoir Properties Determination Using Fuzzy Logic and Neural Networks from well Data in Offshore Korea[J].Journal of Petroleum Science and Engineering，2005，49(3)：182-192.

[3] Verma A，Singh T N，Maheshwar S.Comparative Study of Intelligent Prediction Models for Pressure Wave Velocity[J].Journal of Geosciences and Geomatics，2014，2(3)：130-138.

[4] Ali Dashti，Ebrahim Sefidari.伊朗扎格罗斯地区Mansuri油田储集层物性模拟[J].石油勘探与开发，2016，43(4)：559-563.

[5] 赵忠军，刘烨，王凤琴，等.基于支持向量机的辫状河测井沉积微相识别[J].测井技术，2016，40(5)：637-642.

（3）急速加热下的CaCO3分解反应速率比TGA快，活化能小于同条件下TGA测得的活化能，且动力学机理符合随机成核及长大模型，与TGA等慢速加热实验中测得的收缩核模型存在较大差异。

[6] Vapnik V.The Nature of Statistical Learning Theory[M].New York：Springer，1995.

[7] 张银德，童凯军，郑军，等.支持向量机方法在低阻油层流体识别中的应用[J].石油物探，2008，47(3)：306-310，314，20.

[8] 乐友喜，袁全社.支持向量机方法在储层预测中的应用[J].石油物探，2005，44(4)：388-392，18.

教学的过程就是解决问题的过程，而解决问题的过程就是学生学习的过程。因此，学习效果评价可以采取过程性评价法——即在学习过程中随时观察并记录每个学生的表现。另外，为确保各组同学间能友好积极地学习、交流，可以将一组同学间的“利益”绑到一起，集体考评，使他们团结合作，共同进步。

[9] 丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报，2011，53(1)：2-10.

[10] 白鹏，张喜斌，张斌，等.支持向量机理论及工程应用实例[M].西安：西安电子科技大学出版社，2008.

[11] 李尊芝，杨志军，王思文，等.商河油田储层特征及同沉积断层对其影响作用[J].高校地质学报，2010，16(4)：539-546.

[12] 王宁，何幼斌，王思文，等.惠民凹陷商河油田商三区沙三上亚段浊积扇沉积特征[J].岩性油气藏，2014，26(3)：38-44.

[13] 卢松，潘和平，彭曙光，等.沉积微相和测井相研究及自动识别系统：以曲流河环境沉积为例[J].工程地球物理学报，2009，6(3)：332-337.

[14] 高树芳，范玲，梁晓宇，等.测井曲线标准化方法及其对测井解释结果的影响[J].国外测井技术，2008，23(2)：17-18，21，3.

[15] 马正.应用自然电位测井曲线解释沉积环境[J].石油与天然气地质，1982，3(1)：25-40.

[16] 王仁铎.利用测井曲线形态特征定量判别沉积相[J].地球科学，1991，16(3)：303-309.