论文部分内容阅读
基于常规测井资料的岩性识别理论研究与技术开发对油气藏勘探开发具有重要的地质特征描述和储层质量评估意义。然而传统的岩性识别方法存在一定的局限性：(1)忽略了数据不平衡问题对少数类岩性识别的影响；(2)常规机器学习算法岩性识别模型中超参数寻优效率低下。为解决上述不足，本文以中国海域某油田为研究对象，从数据处理角度出发，利用机器学习技术，分别从测井数据预处理、测井数据平衡、测井数据分类三方面，系统地开展岩性识别研究，重点解决测井数据不平衡与模型超参数寻优效率低下问题，极大地改善了岩性识别效果，为提高地质特征描述和储层质量评估水平提供借鉴。
首先，为降低测量过程误差，本文依次对原始测井数据使用相关函数法、非线性小波变换阈值法、最小最大值标准化法进行深度校正、噪声滤除、归一化处理，为后续数据平衡工作提供真实数据支撑。进一步，为解决测井数据不平衡问题，本文开展基于合成少数类过采样技术(Synthetic minority over-sampling technique, SMOTE)的测井数据平衡化处理研究，通过分析少数类岩性样本的内在特征，合成新样本添加至少数类中，有效克服了现有数据平衡算法合成样本过程中泛化性缺失与数据利用率低的缺陷，为岩性识别模型精确区分少数类岩性提供依据。在此基础上，本文研究并提出了一种融合粒子群优化(Particle swarm optimization, PSO)与梯度提升决策树(Gradient boosting decision tree, GBDT)算法的岩性识别模型，以解决现有岩性识别模型中超参数寻优效率低下的问题。该方法通过利用优化问题本身具有的启发信息来引导最优超参数搜索过程，缩小了搜索范围，并极大地提高了搜索效率。
本文通过实验分析进行所提出方法的有效性验证。结果表明，将相关函数法、非线性小波变换阈值法、最小最大值标准化法依次用于测井数据预处理研究，分类模型对整体岩性的识别准确率从84.06%提升到95.32%，有效降低了测井数据的测量误差。将SMOTE算法用于测井数据平衡处理，分类模型对凝灰岩的识别准确率从84.68%提升到96.77%，有效改善了对少数类岩性的识别效果。在此基础上，将PSO与GBDT算法结合，能极大提高模型中超参数寻优效率，进而提高对整体岩性的识别效果，最终可达95.94%的识别准确率。
首先，为降低测量过程误差，本文依次对原始测井数据使用相关函数法、非线性小波变换阈值法、最小最大值标准化法进行深度校正、噪声滤除、归一化处理，为后续数据平衡工作提供真实数据支撑。进一步，为解决测井数据不平衡问题，本文开展基于合成少数类过采样技术(Synthetic minority over-sampling technique, SMOTE)的测井数据平衡化处理研究，通过分析少数类岩性样本的内在特征，合成新样本添加至少数类中，有效克服了现有数据平衡算法合成样本过程中泛化性缺失与数据利用率低的缺陷，为岩性识别模型精确区分少数类岩性提供依据。在此基础上，本文研究并提出了一种融合粒子群优化(Particle swarm optimization, PSO)与梯度提升决策树(Gradient boosting decision tree, GBDT)算法的岩性识别模型，以解决现有岩性识别模型中超参数寻优效率低下的问题。该方法通过利用优化问题本身具有的启发信息来引导最优超参数搜索过程，缩小了搜索范围，并极大地提高了搜索效率。
本文通过实验分析进行所提出方法的有效性验证。结果表明，将相关函数法、非线性小波变换阈值法、最小最大值标准化法依次用于测井数据预处理研究，分类模型对整体岩性的识别准确率从84.06%提升到95.32%，有效降低了测井数据的测量误差。将SMOTE算法用于测井数据平衡处理，分类模型对凝灰岩的识别准确率从84.68%提升到96.77%，有效改善了对少数类岩性的识别效果。在此基础上，将PSO与GBDT算法结合，能极大提高模型中超参数寻优效率，进而提高对整体岩性的识别效果，最终可达95.94%的识别准确率。