吉林大学学报(地球科学版) ›› 2024, Vol. 54 ›› Issue (2): 701-708.doi: 10.13278/j.cnki. jjuese.20230193

• 地球探测与信息技术 • 上一篇    下一篇

基于随机树嵌入的随钻测井岩性识别方法

王新领1,祝新益2,张宏兵2,孙博1,许可欣2   

  1. 1.中海油田服务股份有限公司物探事业部物探研究院特普数据中心(湛江),广东湛江524057

    2.河海大学地球科学与工程学院,南京211098

  • 出版日期:2024-03-26 发布日期:2024-04-10
  • 基金资助:

    国家自然科学基金项目(41374116);国家级大学生创新创业训练计划项目(202310294028Z)


Lithology Identification Method for Logging While Drilling Based on Random Tree Embedding

 Wang Xinling1, Zhu Xinyi2, Zhang Hongbing2, Sun Bo1, Xu Kexin2   

  1. 1. Data Processing Center(Zhan Jiang), COSL  Geophysical R&D Institute,  Zhanjiang 524057, Guangdong, China

    2. School of Earth Science and Engineering,Hohai University, Nanjing 211098, China


  • Online:2024-03-26 Published:2024-04-10
  • Supported by:
    Supported by the National Natural Science Foundation of China (41374116) and the National Undergraduate Innovation and Entrepreneurship Training Program of China (202310294028Z)

摘要: 岩性识别是储层评价中的一项重要工作。随着机器学习方法的不断发展,岩性的智能识别也成为热门研究方向。随钻测井技术目前已经得到了广泛的应用,但是受限于高温高压的钻井作业条件,随钻测井仪器只能测得少量测井参数。由于随钻测井参数较少,直接输入机器学习模型无法充分挖掘其中的信息。对此,本文将随机树嵌入引入随钻测井资料的岩性识别。该方法将低维随钻测井数据通过二叉树编码并转化为高维稀疏特征,利用升维后的数据进行训练从而提升机器学习模型的判别能力。对比实验结果表明,使用随机树嵌入的随机森林方法具有最佳的识别效果,准确率和F1值较直接使用随机森林分别提升了3.16%和3.25%,且优于梯度提升树、极随机树和粒子群优化支持向量机算法。

关键词: 机器学习, 随机树嵌入, 随机森林, 岩性识别, 随钻测井

Abstract:

Lithology identification is an important task in reservoir evaluation. With the development of machine learning methods, intelligent lithology identification has become a popular research direction. Logging while drilling (LWD) technology has been widely used. However, in the actual production process, due to the high-temperature and high-pressure operating conditions, only a few logging parameters can be measured by LWD. Due to the small number of logging parameters,  machine learning model is not able to fully tap into the few parameters. To solve this problem, this paper introduced random tree embedding into LWD lithology identification. The low dimensional LWD data was encoded by the binary tree and transformed into high dimentional sparse features, and  the upgraded data was used for training to improve the discriminative ability of the machine learning model. The comparative experiment results in this paper show that the random forest method with random tree embedding has the best recognition effect, the accuracy and F1 value are improved by 3.16% and 3.25% respectively, compared with the direct use of random forest, and outperforms the gradient boosted tree, extremely random tree and particle swarm optimization support vector machine algorithms.

Key words: machine learning, random tree embedding, random forest, lithology identification, logging while drilling

中图分类号: 

  • TE121
[1] 管耀, 王清辉, 冯进, 杨清, 石磊. 基于机器学习的蚀变火成岩测录井综合岩性识别——以南海北部珠江口盆地惠州26-6井区为例#br#[J]. 吉林大学学报(地球科学版), 2024, 54(1): 345-358.
[2] 于子望, 郑天琪, 程钰翔. 基于PSO-XGB混合优化技术的浅层地下温度预测:以长春市为例[J]. 吉林大学学报(地球科学版), 2023, 53(6): 1907-1916.
[3] 王明常, 丁文, 赵竞争, 吴琳琳, 王凤艳, 纪雪. 基于知识图谱与随机森林的落叶松毛虫害遥感识别[J]. 吉林大学学报(地球科学版), 2023, 53(6): 2006-2017.
[4] 王婷婷, 孙振轩, 戴金龙, 姜基露, 赵万春.

松辽盆地中央坳陷区储层岩性智能识别方法 [J]. 吉林大学学报(地球科学版), 2023, 53(5): 1611-1622.

[5] 王雪冬, 张超彪, 王翠, 朱永东, 王海鹏. 基于Logistic回归与随机森林的和龙市地质灾害易发性评价[J]. 吉林大学学报(地球科学版), 2022, 52(6): 1957-1970.
[6] 尹生阳, 曾维, 王胜, 胡粒琪, 余小平, 李亚欣. 基于声波信号的岩性智能分类方法[J]. 吉林大学学报(地球科学版), 2022, 52(6): 2060-2070.
[7] 杨国华, 李婉露, 孟博. 基于机器学习方法的地下水氨氮时空分布规律[J]. 吉林大学学报(地球科学版), 2022, 52(6): 1982-1995.
[8] 杨丽萍, 苏志强, 侯成磊, 白宇兴, 王彤, 孔金玲. 基于随机森林的干旱区全极化SAR土壤含水量反演[J]. 吉林大学学报(地球科学版), 2022, 52(4): 1255-.
[9] 王明常, 刘鹏, 陈学业, 王凤艳, 宋玉莲, 刘瀚元. 基于GEE的东北三省城市建设用地扩张研究[J]. 吉林大学学报(地球科学版), 2022, 52(1): 292-.
[10] 熊越晗, 刘东燕, 刘东升, 王艳磊, 唐小山. 基于岩样细观图像深度学习的岩性自动分类方法[J]. 吉林大学学报(地球科学版), 2021, 51(5): 1597-1604.
[11] 王恒, 姜亚楠, 张欣, 仲鸿儒, 陈庆轩, 高世臣. 基于梯度提升算法的岩性识别方法[J]. 吉林大学学报(地球科学版), 2021, 51(3): 940-950.
[12] 牟丹, 张丽春, 徐长玲. 3种经典机器学习算法在火山岩测井岩性识别中的对比[J]. 吉林大学学报(地球科学版), 2021, 51(3): 951-956.
[13] 王英伟, 张建民, 王满, 潘保芝, 邢艳娟, 石丹红. 基于序贯指示模拟方法的火山岩储层岩性及孔隙度模拟[J]. J4, 2010, 40(2): 455-460.
[14] 张治国,杨毅恒,夏立显. RPROP算法在测井岩性识别中的应用[J]. J4, 2005, 35(03): 389-0393.
[15] 周波,李舟波,潘保芝. 火山岩岩性识别方法研究[J]. J4, 2005, 35(03): 394-0397.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 程立人,张予杰,张以春. 西藏申扎地区奥陶纪鹦鹉螺化石[J]. J4, 2005, 35(03): 273 -0282 .
[2] 李 秉 成. 陕西富平全新世古气候的初步研究[J]. J4, 2005, 35(03): 291 -0295 .
[3] 和钟铧,杨德明,王天武,郑常青. 冈底斯带巴嘎区二云母花岗岩SHRIMP锆石U-Pb定年[J]. J4, 2005, 35(03): 302 -0307 .
[4] 陈 力,佴 磊,王秀范,李 金. 绥中某电力设备站场区地震危险性分析[J]. J4, 2005, 35(05): 641 -645 .
[5] 纪宏金,孙丰月,陈满,胡大千,时艳香,潘向清. 胶东地区裸露含金构造的地球化学评价[J]. J4, 2005, 35(03): 308 -0312 .
[6] 初凤友,孙国胜,李晓敏,马维林,赵宏樵. 中太平洋海山富钴结壳生长习性及控制因素[J]. J4, 2005, 35(03): 320 -0325 .
[7] 李斌,孟自芳,李相博,卢红选,郑民. 泌阳凹陷下第三系构造特征与沉积体系[J]. J4, 2005, 35(03): 332 -0339 .
[8] 李涛, 吴胜军,蔡述明,薛怀平,YASUNORI Nakayama. 涨渡湖通江前后调蓄能力模拟分析[J]. J4, 2005, 35(03): 351 -0355 .
[9] 旷理雄,郭建华,梅廉夫,童小兰,杨丽. 从油气勘探的角度论博格达山的隆升[J]. J4, 2005, 35(03): 346 -0350 .
[10] 章光新,邓伟,何岩,RAMSIS Salama. 水文响应单元法在盐渍化风险评价中的应用[J]. J4, 2005, 35(03): 356 -0360 .