基于机器学习的细层石中石油表面的分类
Gallileu Genesis1, Igor F Gomes1, José Antonio Barbosa2
1Universidade Federal de Pernambuco, Departamento de Engenharia Civil, Laboratório de Métodos Computacionais em Geomecânica, Av. da Arquitetura, s/n, Cidade Universitária, 50740-540 Recife, PE, Brazil.
Anais da Academia Brasileira de Ciencias
|May 22, 2024
概括
机器学习模型进行了测试,用于在薄薄的石灰岩层中对石油层进行分类. 支持向量机 (SVM) 在详细分类方面显示出比高斯素朴贝叶斯 (GNB) 更好的结果.
科学领域:
- 地质科学和石油工程 石油科学和石油工程
- 机器学习在地质学中的应用
背景情况:
- 对碳化合物储库的精确石质学分类对于其表征和开发至关重要.
- 具有有限的垂直数据的薄水库单元对传统的灯火场分类构成挑战.
- 对基因异质性的高频垂直变化使石油表面的识别变得复杂.
研究的目的:
- 评估机器学习模型,用高频变化在细沉积物间隔中对石油表面进行分类.
- 在极端分类场景中评估高斯素朴贝叶斯 (GNB) 和支持向量机 (SVM) 的性能.
- 分析毫米到厘米尺度异质性对自动光学位置识别的影响.
主要方法:
- 利用了从露出测量中生成的伪井数据 (放射测量和未受限制的压力强度日志).
- 应用高斯天真贝叶斯 (GNB) 和支持矢量机器 (SVM) 机器学习技术.
- 分类了八种石油层类型,分为两个主要类别,在薄的石灰岩间隔内.
主要成果:
- 支持矢量机 (SVM) 取得了最佳的整体石油表面分类性能,F1得分为0.47.
- 高斯朴素贝叶斯 (GNB) 在详细分类方面表现较低 (F1分数为0.29),但在区分两个主要的石油物种群体时有所改善.
- 由小规模异质性驱动的高频面变化,对自动光学面的识别构成重大挑战.
结论:
- 机器学习模型,特别是SVM,可以在具有挑战性的薄水库间隔中对石油表面进行分类,尽管有局限性.
- 该研究强调了由于毫米至厘米尺度的复杂沉积和基因学过程,导致自动识别石灰岩的困难.
- 了解这些小规模的异质性对于准确预测碳化合物储库内的多孔介质中的流体流量至关重要.
