В сегодняшней статье мы покажем, как можно использовать машинное обучение для прогнозирования отсутствующей кривой в скважине. Модель называется XGBoost (eXtreme Gradient Boosting). Это чрезвычайно быстрый ансамблевый метод, в котором общая производительность базовой модели улучшается за счет усиления (Boosting).

В этом случае используемой базовой моделью является модель Random Forest (RF). Random Forest — это совокупность деревьев решений, которые в конце усредняются. При повышении более сильный предиктор (ансамбль моделей RF) создается путем последовательного объединения более слабых предикторов (моделей RF) с присвоением весов выходным данным моделей RF.
Более высокие веса присваиваются неправильным классификациям из первой модели RF, после чего взвешенный ввод передается в следующую модель RF. После многочисленных циклов метод бустинга объединяет эти слабые правила в одно мощное правило прогнозирования.
В нашем примере модель XGBoost научилась предсказывать каротаж нейтронной пористости по акустическим данным, плотности, гамма-излучению и измеренной глубине. Каждый RF состоит из 100 оценщиков с максимальной глубиной 50 последовательных расщеплений.

Набор обучающих данных является подмножеством согласованной базы данных скважин, которую мы создали из скважин в голландском секторе Северного моря. Мы выбрали 255 скважин с охватом кривых DT, RhoB, GR, MD и NHPI. Последний каротаж является целевым каротажем, а первые четыре кривые служат входными данными для модели. Модель XGBoost была обучена на 219 скважинах и проверена на 36, причем оба набора правильно представляют характеристики полного набора данных. Данные были извлечены в скользящем окне из 21 отсчета для каждой из входных кривых и интервалом отсчета в 0,1524 м с ориентиром на отсчеты NHPI в центре скользящего окна. Коэффициент корреляции R предсказанных нейтронных каротажей пористости с измеренными каротажами в проверочном наборе составляет 0,93, что указывает на очень хорошее соответствие. На видео показаны результаты обученной модели на скважине G13-01 из проверочного набора.

Эта обученная модель добавляется в библиотеку обученных моделей, доступную всем пользователям модуля OpendTect Machine Learning.
Мы ожидаем, что модель будет применима ко всей южной части Северного моря. Мы призываем наших пользователей проверить применимость этой модели в других частях Северного моря и даже в других бассейнах.

Мы будем очень признательны за отзывы о результатах тестирования!

Пожалуйста, делитесь с нами полученными результатми: info@dgbes.com

Автор: Dr. Paul de Groot из dGB Earth Sciences

#OpendTect #MachineLearning #geoscience #geophysics #geology #seismic #interpretation