堆叠的机器学习模型用于在DSI日志中准确估计剪切和Stoneley波传输时间
Donya Amerian1, Mohammadkazem Amiri2, Ali Safaei3
1Department of Petroleum Engineering, School of Chemical and Petroleum Engineering, Shiraz University, Shiraz, Iran.
Scientific reports
|March 15, 2025
概括
机器学习准确地估计了从二极轴切割声波成像仪 (DSI) 记录中切割和斯通利波传输时间. 随机森林的表现优于其他模型,改善了地震分析和水库特征.
科学领域:
- 地质物理学 地质物理学
- 机器学习 机器学习
- 石油工程是石油工程中的一个.
背景情况:
- 精确的剪切和斯通利波传输时间对于地震分析,岩石力学和水库表征至关重要.
- 双极剪切声波成像仪 (DSI) 的日志提供了这些参数,但往往存在数据不一致和缺失值.
- 诸如盐层和尖峰现象等因素使DSI日志数据的解释变得复杂.
研究的目的:
- 用机器学习来估计DSI日志中的剪切和Stoneley波传输时间.
- 为应对DSI日志中不一致和缺失数据所带来的挑战.
- 提高地下解释和水库管理的准确性.
主要方法:
- 使用机器学习模型 (随机森林,梯度提升,SVR,MLR,MPR,CatBoost,LightGBM,ANN) 来预测DSI日志参数.
- 采用了常见的日志,如计算的玛射线 (CGR),散密度 (RHOB) 和压缩波传输时间 (DTC),以及基于深度的石质学.
- 实施数据清理 (异常值和消除噪声) 和规范化技术,然后纠正无效的DTC值.
主要成果:
- 与其他评估模型相比,随机森林在预测DSI日志参数方面表现出最高的准确性.
- 机器学习方法成功估计了剪切和斯通利波传输时间,即使有噪音或不完整的数据.
- 数据预处理步骤,包括异常值删除和DTC校正,对于模型性能至关重要.
结论:
- 机器学习,特别是随机森林,为估计关键的DSI日志参数提供了强大的解决方案.
- 这种方法提高了地下解释和水库表征的可靠性.
- 这些发现为改善水库管理和明智决策提供了坚实的基础.
