پیش بینی لیتولوژی از طریق داده های لاگ با استفاده از یادگیری ماشین و یادگیریعمیق

تفسیر دستی داده های ژئوفیزیک به دلیل رفتارهای غیرخطی سیگنا ل های لاگ های چاهی زمان بر و خستهکننده است. با این حال، در برخی از اعماق، مقادیر گزارش شده ممکن است به دلیل مشکلات عملیاتی از دسترفته باشد. برای غلبه بر این مشکل، یک رویکرد جدید برای بازسازی گزارش های چاه با استفاده از روش هاییادگیری ماشین استفاده شده است. بر اساس سایر ویژگی های گزارش کامل، مقادیر گزارش چاه از دست رفتهتوسط الگوریتم های یادگیری ماشین یعنی XGBRegressor و CatBoostRegressor پیش بینی می شوند. وهمچنین گنجاندن ویژگی با انگیزه دخیل کردن فیزیک در بهبود تعیین لیتولوژی می تواند قابلیت یادگیری ماشینرا در طبقه بندی رخساره های سنگی بهبود بخشد. هدف این مقاله بررسی موارد ذکر شده و استفاده از تکنیکهای یادگیری ماشینی نظارت شده مانند ماشین بردار پشتیبان SVM ، درخت تصمیم DT ، جنگل تصادفی( RF )، پرسپترون چند لایه MLP ، شبکه عصبی کانولوشنال CNN است. و Extreme Gradient Boosting (XGBoost) . این مقاله نشان می دهد که این بهبود قوی است و می تواند ۳ % بهتر از بهترین امتیاز پنالتی موجودفعلی باشد.

کلیدواژه ها:

لیتولوژی ، یادگیری ماشین ، یادگیری عمیق ، شبکه عصبی