排序方式： 共有2条查询结果，搜索用时 46 毫秒
1
1.
岩性是储层评价和地层开发潜力评测的关键因素,是油藏描述、实时钻井监控及求取储层参数的基础.测井资料中包含丰富的地层岩性信息,是岩性分析的基础资料.然而,数据信息的精度往往会严重的影响到识别的准确率,同时复杂的岩性状况也加大了测井解释的难度,如何快速、精确、低耗地利用测井资料获取地层岩性信息越来越受到研究人员的重视.针对传统深度神经网络复杂的网络模型和学习性能严重依赖对超参数调节的问题,本文在机器学习的基础上引入余弦相似度对多粒度级联森林方法进行改进,提出改进多粒度级联森林模型(Improve Multi-Grained Cascade Forest,IgcForest),有效地提高了岩性识别的效率和精度.在大庆油田实际测井数据上使用IgcForest方法,综合自然伽马(GR)、声波时差(AC)、密度(DEN)、微梯度电阻率(RMN)、深侧向电阻率(PHIND)和浅侧向电阻率(RLLS)六种测井参数,对页岩、粉砂岩和砂岩进行识别,取得了较好的识别效果.通过实验数据对比,使用IgcForest模型的岩性识别准确率高于支持向量机、深度神经网络、决策树和多粒度级联森林(Multi-Grained Cascade Forest,gcForest)等其他模型10％左右,算法整体准确率高达87％,表明其在岩性识别算法中更具有发展前景. 相似文献
2.
岩性识别是认识地层及求解储层参数的基础,受地质环境复杂性和非均质性影响,测井曲线间存在着大量的信息冗余,数据集类间分布不平衡,常用的分类算法无法满足实际需求.针对常用分类算法容错性差,识别岩性单一和无法有效解决类间不平衡的问题,本文改进合成少数过采样技术(Synthetic Minority Over Sampling Technique,SMOTE)来处理数据集,可得到类间平衡的新数据集,并提出一种新的模糊隶属度函数改进模糊孪生支持向量机,在北美Hugoton油气田实际测井数据的基础上,用改进多分类孪生支持向量(Improve Multi Class Twin Support Vector Machine,IMCTSVM)综合自然伽马(GR)、电阻率(RL)、光电效应(PE)、中子密度孔隙度差异(DPHI)和平均中子密度孔隙度(PHIND)五种测井参数,以及相对位置(RELPOS)和非海洋/海洋指标(NM_M)两种地质约束变量,识别出9种岩性.将识别结果与传统支持向量机、深度神经网络等方法进行对比与分析,发现IMCTSVM算法优于上述两种分类算法,取得了较好的识别效果. 相似文献
1