基于机器学习的石油和天然气勘探智能决策支持系统的研究

科学领域:

• 地质科学和石油工程 石油科学和石油工程
• 人工智能和机器学习

背景情况:

• 井日志分析对于石油和天然气开采的经济可行性至关重要,它依赖于准确的地下地质理解.
• 不完整的井口日志数据构成了重大挑战,阻碍了下游分析和资源估计的成功.

研究的目的:

• 通过开发一种新的深度学习模型来准确地预测和重建数据,以应对不完整的井日志数据的挑战.
• 填补长期短期存储器 (LSTM) 网络用于井日志数据归算的应用中的证据空白.

主要方法:

• 开发了一种新的超参数调整算法,即精英保护战略黑猩猩优化算法 (EPSCHOA).
• 深度长期短期记忆 (LSTM) 模型的专业化,使用拟议的EPSCHOA算法进行增强的井日志预测.
• 对LSTM-EPSCHOA模型与各种LSTM扩展和传统预测模型 (ANN,ANFIS,GB,ARIMA) 的比较分析.

主要成果:

• 在所有测试方面,LSTM-EPSCHOA模型表现出卓越的性能,实现了高R2值 (0.98培训,0.96测试) 和低误差指标 (RMSE,MAPE).
• 与标准LSTM建模相比,取得了明显更好的结果,该建模表现出较低的R2值和更高的错误率.
• 该模型显示了更快的收率和更低的误差测量,突出了其在处理不充分的井日志数据方面的效率.

结论:

• 开发的LSTM-EPSCHOA模型有效地解决了不完整井日志数据的问题,为数据重建提供了强大的解决方案.
• 这种新的方法显示了改善井日志解释和加强石油和天然气行业碳化合物资源评估的巨大潜力.
• EPSCHOA算法提供了一个优越的方法来调整LSTM超参数,从而产生更准确,更可靠的预测模型.