多种机器学习算法用于预测Goru下层形成的三角洲沉积系统中的石灰岩,印度河下游盆地,巴基斯坦

科学领域:

• 地质科学是地球科学.
• 石油工程是石油工程中的一个.
• 机器学习 机器学习

背景情况:

• 传统的石质学预测方法 (核心采样,手动日志解释) 昂贵且耗时.
• 机器学习为石油储的表征提供了一个更有效的替代方案.
• 准确的石灰岩位置预测对于理解地下地质和优化勘探至关重要.

研究的目的:

• 用线路日志评估和比较各种机器学习算法的性能,用于使用线路日志预测石灰岩现象.
• 为了确定最有效的机器学习模型来描述下戈鲁形成的基底沙.
• 将机器学习与传统的地质方法相结合,以增强水库特征.

主要方法:

• 来自六个井的电线日志 (马射线,密度,声波,中子孔隙,电阻) 的分析.
• 支持矢量机 (SVM),决策树 (DT),随机森林 (RF),人工神经网络 (ANN),K-近邻 (KNN) 和物流回归 (LR) 算法的应用和比较.
• 使用核心样本报告和传统解释方法 (马射线日志解释,岩石物理建模) 验证机器学习模型.

主要成果:

• 随机森林和决策树模型表现出卓越的性能,达到96-98%的准确性,精度,回忆和F1分数.
• 射频和DT模型显示出对噪声的强度和适合复杂,非线性地下数据的适用性.
• 其他算法 (SVM,ANN,KNN,LR) 需要更多的调整,容易过度调整.

结论:

• 随机森林和决策树是高度有效和可靠的机器学习算法,用于使用有线线日志预测石灰岩状况.
• 将领域专业知识与计算模型相结合,可以在复杂的地质环境中提高石油勘探的准确性.
• 机器学习与传统方法的整合为水库表征提供了全面的方法.