机器学习模型的比较,用于岩石UCS预测,使用测量而钻井数据
Yachen Xie1, Xianrui Li2, Zhao Min3
1School of Civil Engineering and Transportation, South China University of Technology, Guangzhou, 510641, China. xyc61246@163.com.
Scientific reports
|March 12, 2025
概括
机器学习模型现在可以使用测量-在-钻探数据来预测岩石单轴压力强度 (UCS). 随机树 (RT) 和支向量回归 (SVR) 模型显示了岩石工程中高效的UCS估计的最有希望的结果.
科学领域:
- 地质技术工程 地质技术工程
- 机器学习应用 机器学习应用
- 岩石机械学 岩石机械学
背景情况:
- 在岩石工程项目中,准确确定单轴压力强度 (UCS) 是至关重要的.
- 传统的UCS测试方法耗时,劳动密集型,不适合破碎岩石.
- 测量在钻井 (MWD) 数据为快速UCS估计提供了一个有希望的替代方案.
研究的目的:
- 开发一种快速,高效和经济的方法,用钻探测试来估计UCS.
- 评估各种机器学习模型的性能,以基于MWD数据进行UCS预测.
- 确定最适合的机器学习模型,用于在不同的岩石类型和条件下进行UCS估计.
主要方法:
- 从现有文献中编制了一个全面的钻探参数和UCS值数据集.
- 训练和评估了五种机器学习模型:多层感知器 (MLP),支持向量回归 (SVR),卷积神经网络 (CNN),随机树 (RT) 和长期短期记忆网络 (LSTM).
- 在一个独立的,看不见的数据集上验证模型性能.
主要成果:
- 随机树 (RT) 显示出优越的预测性能,R2为0.959和最低的RMSE (15.851).
- 支持向量回归 (SVR) 也表现出强的表现,R2为0.922.
- 在独立数据集上,RT和SVR表现出最好的概括能力和准确性.
结论:
- 机器学习模型,特别是RT和SVR,可以有效地预测单轴压力强度 (UCS),使用测量钻井数据.
- 这种方法为传统的UCS测试方法提供了更快,更经济的替代方案.
- 这些发现支持在岩石工程应用中使用RT和SVR进行实时UCS估计.
