面向油气勘探的机器学习

钻探井眼以开采油气是一个昂贵的过程，其盈利能力强烈依赖于地下特征。由于盈利能力是关键成功因素，行业内公司利用测井曲线事先勘探地下。这些测井曲线包含井眼周围岩石的各种特征，使岩石物理学家能够确定预期的烃类含量。然而，这些测井曲线常常不完整，因此后续分析无法充分利用测井曲线的全部潜力。在本文中，我们展示了机器学习可用于填补空缺并估计缺失值。我们研究了训练数据量如何影响预测精度，以及如何最佳设计回归模型（梯度提升与神经网络）以获得最优结果。随后我们从定量（追踪预测误差）和定性（捕捉给定属性随深度的测量值与预测值演化）两方面探究模型预测。综合这些发现使我们开发出一种补全测井曲线的预测模型，提升了其质量与潜在商业价值。