通过集成机器学习方法的协助,通过日志记录数据驱动的石质学识别集团水库

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:

• 对于准确的水库表征和评估,水库石质学识别至关重要.
• 混合泥石的复杂水库对使用单个日志曲线或交叉图形的传统石学识别方法构成重大挑战.
• 在集群水库中准确地预测石质结构仍然是水库表征中的一个备受关注的问题.

研究的目的:

• 开发和比较机器学习模型,以准确地预测集团水库中的石质.
• 使用井记录数据评估不同机器学习模型的性能.
• 为了确定在复杂的水库中对石质学预测最有影响力的记录参数.

主要方法:

• 详细的核心观测和深度校正后的手动石质学识别.
• 使用五个井记录曲线:GR (自然马射线),DT (Delta-T压缩),RHOB (密度),TNPH (热中子孔径) 和M2R1 (浅阵列电阻).
• 构建和比较三种机器学习模型 (包括XGBoost) 的准确性分析和ROC曲线,然后进行SHAP解释以解释模型.

主要成果:

• 机器学习模型在预测集群水库石质学方面表现出色.
• 该XGBoost模型实现了0.902.90的最高预测准确度.
• 热中子孔隙度 (TNPH) 记录被确定为石质学预测中最重要的参数.

结论:

• 机器学习,特别是XGBoost模型,为复杂的集群水库中准确的石质学预测提供了强大的解决方案.
• TNPH日志是这些环境中石质识别的关键指标.
• 这项研究提供了有价值的见解和改善在具有挑战性的地质环境中改善水库特征的实用方法.