《表4 因子分析旋转成分矩阵》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《利用卷积神经网络模型预测致密储层微观孔隙结构》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

主成分分析主要用于数据压缩，消除共线性，但难以解释每个主成分的实际意义，基于参数矩阵的因子分析可以对提取的因子做因子旋转，使得因子与组分之间的关系得到重新分布，从而使孔隙结构类型更易于解释[18]。图2为提取的主因子与孔隙结构参数的三维交汇图，表4是因子旋转之后的结果。由表可知，Skp、Kp和α的因子1的得分分别为0.962、-0.783和0.612，说明因子1主要反映的而是孔喉分选及分布的信息。We和K的因子2的得分分别为0.880和-0.979，说明因子2主要反映孔喉渗流及连通性的信息。而Ra和Dm因子3的因子得分分别为0.983和0.910，说明因子3主要反映孔喉大小信息。由此推断出孔隙结构可以从孔喉分选及分布、孔喉渗流及连通、孔喉大小三方面来描述。