利用自动化学习与不确定性量化进行光电因子预测
机器学习
2023-08-25 v1 地球物理
应用统计
摘要
光电因子（PEF）是一种重要的测井工具，可用于区分不同类型的储层岩石，因为 PEF 测量对高原子序数的元素很敏感。此外，通过将 PEF 测井与其他测井数据结合，可以确定岩石矿物比例。然而，在某些情况下 PEF 测井数据可能会缺失，例如在旧测井数据和使用钡基泥浆钻探的井中。因此，在这些情况下开发用于估算缺失 PEF 测井数据的模型至关重要。在本工作中，我们开发了多种机器学习模型，使用以下测井数据作为输入来预测 PEF 值：体积密度（RHOB）、中子孔隙度（NPHI）、伽马射线（GR）以及压缩波和剪切波速度。使用自适应网络模糊推理系统（ANFIS）和人工神经网络（ANN）模型对 PEF 值的预测，在测试集中分别产生了约 16% 和 14% 的平均绝对百分比误差（AAPE）。因此，提出了一种基于自动化机器学习概念的不同方法。该方法通过自动搜索最优模型类型并针对所研究的数据集优化其超参数来工作。该方法选择了高斯过程回归（GPR）模型以准确估算 PEF 值。所开发的 GPR 模型将测试集中预测 PEF 值的 AAPE 降至约 10%。通过使用 GPR 模型对测量中潜在的噪声进行建模，该误差可进一步降至约 2%。
引用
@article{arxiv.2206.08950,
title = {Photoelectric Factor Prediction Using Automated Learning and Uncertainty Quantification},
author = {Khalid L. Alsamadony and Ahmed Farid Ibrahim and Salaheldin Elkatatny and Abdulazeez Abdulraheem},
journal= {arXiv preprint arXiv:2206.08950},
year = {2023}
}