用于声波慢度测井重建的机器学习模型的不确定性与可解释性分析
机器学习
2023-08-25 v1
摘要
测井信息是油气田的宝贵资料，有助于确定井周地层的岩性以及地下油气藏的位置和储量。然而，水平井或老井中常缺失重要测井曲线，这给现场应用带来挑战。本文利用 SPWLA 2020 年机器学习竞赛的数据，该竞赛旨在利用同一井眼中的其他测井曲线预测缺失的纵波慢度和横波慢度测井。我们采用 NGBoost 算法构建集成学习模型，该模型可预测结果及其不确定性。此外，我们结合 SHAP 方法研究机器学习模型的可解释性。我们将 NGBoost 模型与随机森林、GBDT、XGBoost、LightGBM 等四种常用集成学习方法进行比较。结果表明，NGBoost 模型在测试集中表现良好，并能为预测结果提供概率分布。此外，预测测井曲线概率分布的方差可用于评判所构建测井曲线的质量。利用 SHAP 可解释机器学习模型，我们计算了各输入测井曲线对预测结果的重要性以及输入测井曲线间的耦合关系。我们的研究发现，当中子孔隙度和自然伽马较大时，NGBoost 模型倾向于给出更大的慢度预测值，这与岩石物理模型的认知一致。此外，机器学习模型能够捕捉井径变化对慢度的影响，其中井径对慢度的影响复杂且不易建立直接关系。这些发现与井眼声学的物理原理相符。
引用
@article{arxiv.2308.12625,
title = {Uncertainty and Explainable Analysis of Machine Learning Model for Reconstruction of Sonic Slowness Logs},
author = {Hua Wang and Yuqiong Wu and Yushun Zhang and Fuqiang Lai and Zhou Feng and Bing Xie and Ailin Zhao},
journal= {arXiv preprint arXiv:2308.12625},
year = {2023}
}