使用混合破坏性和非破坏性输入来预测有机丰富的粘土页岩的不受限制的压力强度

科学领域:

• 地质工程
• 石油工程
• 数据科学

背景情况:

• 不受限制的压力强度对于地质技术和能源应用至关重要.
• 精确的估计对于钻井效率,井口稳定性和挖掘设计至关重要.
• 传统的检测方法可能耗时且具有破坏性.

研究的目的:

• 开发和验证机器学习模型,用于预测有机丰富的粘土页岩的非限制性压力强度.
• 整合非破坏性和破坏性参数以提高预测准确度.
• 确定影响页岩强度的关键预测因素.

主要方法:

• 收集了1217个页岩样本的数据集,其中包括超声波脉冲速度,页岩织物指标,湿度和场衍生参数.
• 采用支持向量机,决策树,K-近邻和极端梯度提升 (XGBoost) 算法的双模型框架.
• 在训练和独立验证集中使用R2,根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 来评估模型性能.

主要成果:

• 在训练组中,XGBoost复合模型获得了最高的精度 (R2=0.981,RMSE=0.02,MAE=0.02).
• 在独立验证集 (R2 = 0.91) 上,XGBoost模型表现出强大的概括能力.
• 超声波速度,空隙比率,覆盖角度和温度被确定为关键预测因素.

结论:

• 机器学习模型,特别是XGBoost,提供了可扩展和数据驱动的方法来估计不受限制的压力强度.
• 这种方法提供了一种可靠和快速的替代方法,用于对页岩形成的地质机械特征进行常规测试.
• 这些发现使得地质技术和能源领域的工程设计更加高效和精确.