使用自动机器学习框架中纳入的特征选择方法进行数据驱动的总有机碳预测
Bruno da Silva Macêdo1, Dennis Delali Kwesi Wayo2,3, Deivid Campos4
1Department of Computer Science, Federal University of Lavras, Lavras, MG, 37200-000, Brazil.
Scientific reports
|March 28, 2025
概括
自动机器学习 (AutoML) 准确地使用井日志数据预测页岩气储库中的有机碳总量 (TOC). 这种方法简化了分析,节省了与传统实验室方法相关的时间和成本.
科学领域:
- 地质科学 地质科学
- 石油工程是石油工程中的一个.
- 数据科学数据科学数据科学
背景情况:
- 准确的总有机碳 (TOC) 评估对于可持续的页岩气资源开发至关重要.
- 传统的实验室TOC分析是耗时且昂贵的.
- 数据驱动的模型存在,但在不同的沉积物环境中需要广泛的参数调整.
研究的目的:
- 开发一种自动机器学习 (AutoML) 策略,使用井日志数据预测TOC.
- 为了减少模型开发和参数微调所需的时间和精力.
- 提供一种高效和准确的方法,用于页岩水库中TOC估计.
主要方法:
- 使用井日志数据作为预测模型的输入.
- 实施了AutoML策略,以自动化参数搜索和模型选择.
- 评估了各种机器学习算法,包括极端随机树 (XT).
主要成果:
- 自动ML策略成功地从井日志数据中预测了TOC内容.
- 极端随机树 (XT) 在测试组上表现最好,R=0.8632和MSE=0.1806.
- 与传统方法相比,开发的方法显著减少了执行时间.
结论:
- 在页岩气勘探中,AutoML提供了一种强大而高效的数据驱动方法,用于TOC估计.
- 拟议的战略促进了井数据分析和决策的现实应用.
- 这种方法增强了对碳化合物来源岩石潜力的评估和页岩气资源评估的评估.