پيش‌بيني ليتولوژي از طريق داده‌هاي لاگ با استفاده از يادگيري ماشين و يادگيري عميق

Lithology prediction from log data using machine learning

تفسير دستي داده هاي ژئوفيزيك به دليل رفتارهاي غيرخطي سيگنال هاي لاگ‌هاي چاهي زمان بر و خسته كننده است. با اين حال، در برخي از اعماق، مقادير گزارش شده ممكن است به دليل مشكلات عملياتي از دست رفته باشد. براي غلبه بر اين مشكل، يك رويكرد جديد براي بازسازي گزارش‌هاي چاه با استفاده از روش‌هاي يادگيري ماشين استفاده شده است. بر اساس ساير ويژگي‌هاي گزارش كامل، مقادير گزارش چاه از دست رفته توسط الگوريتم‌هاي يادگيري ماشين يعني XGBRegressor و CatBoostRegressor پيش‌بيني مي‌شوند. و همچنين گنجاندن ويژگي با انگيزه دخيل كردن فيزيك در بهبود تعيين ليتولوژي مي تواند قابليت يادگيري ماشين را در طبقه بندي رخساره هاي سنگي بهبود بخشد. هدف اين مقاله بررسي موارد ذكر شده و استفاده از تكنيك هاي يادگيري ماشيني نظارت شده مانند ماشين بردار پشتيبان (SVM)، درخت تصميم (DT)، جنگل تصادفي (RF)، پرسپترون چند لايه (MLP)، شبكه عصبي كانولوشنال (CNN) است. و Extreme Gradient Boosting (XGBoost). اين مقاله نشان مي دهد كه اين بهبود قوي است و مي تواند 3% بهتر از بهترين امتياز پنالتي موجود فعلي باشد.