深部シェール貯留層タイプの特定と解釈可能性分析：LightGBMとSHAPアルゴリズムからの洞察

科学分野:

• 地球科学
• 石油工学
• 機械学習

背景:

• 従来のメソッドは、深部シェール貯留層特性評価における複雑な非線形関係の扱いに苦労しています。
• シェール貯留層タイプの正確な予測は、効果的な資源評価と開発のために不可欠です。

研究 の 目的:

• 深部シェール貯留層タイプの特定のための機械学習モデルの開発と最適化。
• LightGBMを用いた分類ベースと回帰ベースのスキームのパフォーマンス比較。
• 貯留層タイプ特定における異なる検層カーブの重要性の評価。

主な方法:

• 貯留層タイプ特定のためにLight Gradient Boosting Machine（LightGBM）アルゴリズムを利用しました。
• 定量的な特徴量重要度分析のためにSHapley Additive exPlanations（SHAP）を実装しました。
• 分類ベースと回帰ベースのモデリングスキームを比較しました。

主要な成果:

• 分類ベースのLightGBMスキームは、加重精度90.5％、加重リコール90.4％を達成し、回帰ベースのスキーム（85.9％、86.1％）を上回りました。
• 主要な検層カーブには、補償密度（DEN）、ガンマ線（GR）、補償中性子（CNL）、音響伝播時間（AC）が含まれ、貯留層タイプの特定に影響を与えます。
• SHAP分析により、検層応答と貯留層分類結果の間の複雑な非線形関係が明らかになりました。

結論:

• 最適化されたLightGBMモデルは、深部シェール貯留層タイプの特定とグレーディングのための効率的かつ正確な方法を提供します。
• 機械学習、特にLightGBMは、複雑な貯留層特性評価において従来のメソッドよりも大きな利点を提供します。
• このアプローチは、深部シェール貯留層の包括的なグレーディング評価のための新しいフレームワークを提供します。