机器学习算法在地球物理测井中的适用性及应用

机器学习，特别是深度神经网络学习算法的发展，正在改变人们发现知识的方式。目前油气工业正在向转向非常规和深海的油气勘探和开发。基于有限岩石物理参数建立的评价解释模型难以满足反映非常规储层复杂的岩性和结构，这使传统测井评价技术受到了很大的挑战。以油气大数据为基础、机器学习算法为核心、油气大数据云计算为动力以及油气应用场景为源泉的油气人工智能（Oil&Gas AI）极大地改变传统的油气工业各个领域。笔者以地球物理测井为研究对象，依据数据驱动的地球物理知识发现原理和机器学习属性，按照“数据–算法–平台–知识–应用场景”研究思路，开展机器学习算法在测井技术中的适用性研究。对机器算法的内在特性、原理、质量控制、硬件要求，学习模型选择、测试以及性能评价实现过程进行分析。笔者梳理和总结了机器学习算法在测井中适用性的树状图，尤其是在油气测井的方法研究、数据处理以及地层评价中的应用潜力与机器学习算法对应关系，其中包括数据校正的模拟方法、数据标定的岩石物理分析、测井数据质量控制、综合评价以及油藏评价监测。研究表明，机器学习算法在岩性识别与储层分类、力学评价、以及油藏评价等方面应用有明显的优势，贯穿于...     

泥蚶(Tegillarca granosa) cDNA 文库的构建及铁结合蛋白基因(Ferritin)序列分析

取正常泥蚶肌肉组织获得总RNA，纯化mRNA后，利用含SfiⅠ酶切位点的CDSⅢ引物逆转录合成cDNA第一链，通过LD—PCR合成cDNA双链，经胶回收除去短片段，与pDNR—LIB载体进行连接，电转化到大肠杆菌DH10B中，构建形成原始文库，进行滴度测试和重组率鉴定。结果表明原始文库的滴度为3．17×10^5cfu／ml，重组率为86．3％，插入片段多在500--2500bp间。随机挑选458个克隆测序，经分析获得94种已知基因及87种未知基因。其中包括铁结合蛋白（Ferritin）的全长cDNA序列。该基因序列全长895bp，5’-端非编码区为163bp，3’-非编码区为213bp，开放阅读框为519bp，编码172个氨基酸。推测其蛋白分子量和等电点分别为20kDa和4．89。氨基酸序列与皱纹盘鲍、太平洋牡蛎、血红扇头蜱、文昌鱼、中华蟾蜍、非洲爪蟾、小家鼠以及人等的同源性有62％-82％。比对结果表明，铁结合蛋白基因在动物进化中高度保守。