lithology

使用地球物理日志的机器学习辅助岩性预测：Cambay Basin的案例研究

识别和储层相的表征是划定用于碳氢化合物勘探的储层的碳氢化合物区域的主要因素。地球物理日志是在钻孔附近测量的储层相的物理参数，在储层相的解释中起着至关重要的作用。本研究涉及使用地球物理原木上的机器学习（ML）技术在坎贝盆地中岩石BEL的岩性的识别。机器学习的监督技术，例如支持向量机（SVM），ARTI B CIAL神经网络（ANN）和K-Nearest邻居（KNN），用作非线性地球体物理原木岩性学的识别的非线性分类。使用网格搜索交叉验证（CV）方法优化了ML模型的超参数，如ConfusionMatrix评估，auctreceiver操作特性曲线（AUC），精度，召回和F1分数对促进性的促进症状效果。ML模型使用了两个井的地球物理参数，其中有四个已知的杰出岩性（class-a，class-b，class-c和class-c和class-c和class-c和class-c和class-class-c和class-class-class-c和class-class-class）。分别从混淆矩阵中分别为KNN，SVM和ANN的每个岩性的优化和训练的模型，分别以85.4％，87.0和88.9％的形式显示了对真实值的总体正确预测。因此，每个模型从评估参数中的准确性表明，对不同ML模型的组合分析选择优化的ML模型，以更好地实现和验证，以更好地实现和建模岩性。除此之外，接收器手术特征（ROC）还表明，每种岩性的曲线下的整体面积大于90％，其他评估参数（例如精度，回忆和F1得分）的准确性大于84％，除了SVM和ANN类C类D类和Ans类D类案例外。