利用机器学习提高 IODP 390/393 井位石油物理测井的岩相解释
地球物理
2025-12-16 v1 机器学习
摘要
从井位测井中增强岩相解释在地质资源勘探和区域映射以及地球环境建模研究中起关键作用。然而，由于成本高昂，核样和切削物信息在每个深度处很少获取。此外，传统方法受限于井眼条件差，难以区分岩相和岩屑组。传统统计方法主要是线性的，往往难以区分由岩石类型结构和成分变化导致的重叠测井信号。在本研究中，我们开发了多种监督和无监督机器学习算法，用于联合分析来自集成海洔钻探计划（IODP）390 和 393 号作业的数据，以实现更好的岩相解释。在这些算法中，Logistic 回归、决策树、梯度提升、支持向量机（SVM）、k 近邻（KNN）和多层感知机（MLP）神经网络模型中，决策树和梯度提升模型表现最佳，准确率分别为 0.9950 和 0.9951 的 F1 分数。虽然无监督机器学习（ML）为聚类信息提供了基础，这些信息本质上支持分类算法，但监督式 ML 被用于构建面向 IODP 数据集的数据驱动岩相聚类机制。本文中开发的联合 ML 方法有望进一步用于分析来自全球海洋的其他井位测井数据集。
引用
@article{arxiv.2512.13529,
title = {Enhancing lithological interpretation from petrophysical well log of IODP expedition 390/393 using machine learning},
author = {Raj Sahu and Saumen Maiti},
journal= {arXiv preprint arXiv:2512.13529},
year = {2025}
}
备注
Accepted for presentation at the International Meeting for Applied Geoscience & Energy (IMAGE) 2025