填充井:使用机器学习算法处理不完整的井日志数据以进行石质学分类的有效技术

科学领域:

• 地质科学和石油工程 石油科学和石油工程
• 机器学习在地球科学中的应用
• 数据科学用于资源勘探.

背景情况:

• 石学分类对于可持续的石油和天然气勘探至关重要.
• 井日志数据中缺少的值 (例如GR,NPHI,RHOB,RS,DTCO,DTSM,RD) 显著降低了机器学习分类的准确性.
• 解决缺失的数据对于可靠的地下表征至关重要.

研究的目的:

• 评估机器学习算法来处理漏洞日志数据集中的缺失值.
• 在存在显著数据差距 (高达30%) 的情况下,提高石质学分类准确性.
• 为了比较XGBoost,KNN和ANN在赋值缺失的井日志数据方面的性能.

主要方法:

• 极端梯度增强 (XGBoost) 算法的应用.
• 实现K-最近邻国 (KNN) 算法.
• 利用人工神经网络 (ANN) 算法,包括预处理与隔离森林和偏差校正.

主要成果:

• XGBoost表现出最高的效率和准确性,实现了RHOB,NPHI,DTCO和DTSM的最低平均绝对百分比误差 (MAPE) 和根平均平方误差 (RMSE).
• 在预处理后的GR,RS和RD特征上ANN表现良好,但显示了与较小数据集过拟合的潜力.
• 由于依赖距离指标和k参数,KNN在缺失非随机 (MNAR) 数据方面表现出局限性.

结论:

• XGBoost是处理极端缺失值的最有效的算法,用于石质学分类的井日志数据.
• ANN提供了一个可行的替代方案,特别是对于特定的日志类型,但需要仔细调整和足够的数据.
• 与XGBoost和ANN相比,KNN对MNAR井日志数据的归算不太适合.