伽马射线测井方法中缺失数据的恢复

伽马射线测井方法是井中地球物理勘探的必备测井方法之一。然而，在进行此类研究时，传感器可能由于某种原因停止记录井中观测值。如果缺失少量数值，可使用标准的时间序列补洞方法恢复这些数值。如果数据缺失大量数值，通常需重新进行观测，这会导致额外的财务成本。本文提出一种替代方案，即借助机器学习方法填补数据中的缺失观测值。该方法的主要思想是构建一个简单的两层神经网络，在井的数据上训练，然后基于训练好的神经网络合成缺失值。本文评估了所提方法的有效性，并给出了依据缺失值数量使用不同补洞方法的合理性依据。