基于多层集成学习的岩性识别方法

发布时间：2021-01-07 20:12

　　岩性识别是油藏地质解释中的关键问题和难点问题,人工智能特别是机器学习技术的发展和应用为岩性识别问题解决提供了新的技术途径。本文利用支持向量机（Support vector machine,SVM）、多粒度级联森林（Multi-grained cascade forest,GCForest）、随机森林（Random forest,RF）以及XGBoost（eXtreme gradient boosting）等机器学习模型建立一个异构多层集成学习模型,该集成学习模型克服了单一模型对数据集要求高、泛化能力差以及识别精度低等缺点。本文分别利用集成模型和单一模型进行了岩性识别实验。实验结果表明,本文集成模型在岩性分类测试集上平均精度达到96.66%,高于SVM的平均精度75.53%、GCForest的平均精度96.21%、随机森林的平均精度95.06%和XGBoost的平均精度95.77%。该集成模型能有效地用于油藏地质分析中的岩性识别和分类任务,适应性强,识别精度高。 

【文章来源】：数据采集与处理. 2020,35(03)北大核心

【文章页数】：10 页

【部分图文】：

多层集成学习模型结构

本文的岩性样本包括4类，分别是砂岩、泥岩、断层核部和诱导裂缝带，样本数共计4 181个（由于篇幅限制，这里只显示部分岩性类别数据），如图2所示，将其划分为训练集和测试集，其中训练集样本3 135个，测试集样本1 046个，具体分布见表1—2所示。对单一学习模型和本文提出的多层集成学习模型分别使用训练样本集进行训练，得到岩性识别模型，然后用训练得到的模型在测试样本集上进行岩性识别实验，验证模型进行岩性识别的准确性。

图3—6是在识别不同的岩性时各模型的表现，图中SVM代表支持向量机模型、Xgb代表XGBoost模型、GCF代表GCForest模型、RF代表随机森林模型、MIEL代表本文提出的多层集成学习模型。其中，图3是5个模型在砂岩上的识别准确率对比；图4是5个模型在泥岩上的识别准确率对比；图5是5个模型在断层核部上的识别准确率对比；图6是5个模型在诱导裂缝带上的识别准确率对比。图4 泥岩准确率对比图

【参考文献】：
期刊论文
[1]基于参数优化AdaBoost算法的酸性火山岩岩性分类[J]. 杨笑,王志章,周子勇,魏周城,曲康,王翔宇,王如意.  石油学报. 2019(04)
[2]基于决策树特征提取的支持向量机在岩性分类中的应用[J]. 韩启迪,张小桐,申维.  吉林大学学报(地球科学版). 2019(02)
[3]基于Boosting Tree算法的测井岩性识别模型[J]. 江凯,王守东,胡永静,浦世照,段航,王政文.  测井技术. 2018(04)
[4]主成分分析与模糊识别在岩性识别中的应用[J]. 马峥,张春雷,高世臣.  岩性油气藏. 2017(05)
[5]面向复杂储层的非均衡测井数据的岩性识别[J]. 瞿晓婷,张蕾,冯宏伟,王惠亚,张涛,冯筠.  地球物理学进展. 2016(05)
[6]地球物理测井岩性解释方法综述[J]. 赵显令,王贵文,周正龙,王迪,冉冶,孙艳慧,张晓涛,李梅.  地球物理学进展. 2015(03)
[7]基于SVM测井数据的火山岩岩性识别——以辽河盆地东部坳陷为例[J]. 牟丹,王祝文,黄玉龙,许石,周大鹏.  地球物理学报. 2015(05)
[8]基于测井多参数的复杂储层岩性综合识别[J]. 何羽飞,万金彬,刘淼,程道解,邢军,黄娅.  测井技术. 2015(01)
[9]火山岩岩性的支持向量机识别[J]. 朱怡翔,石广仁.  石油学报. 2013(02)
[10]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳.  自动化学报. 2013(06)

硕士论文
[1]基于随机森林和支持向量机的癌症基因数据分析[D]. 梁炉方.山东大学 2017
[2]半监督随机森林分类算法及其并行化研究[D]. 马超.重庆大学 2017



本文编号：2963170