基于长短期记忆神经网络补全测井曲线和混合优化XGBoost的岩性识别

• Published in: 中国石油大学学报（自然科学版） Vol. 46; no. 3; pp. 62 - 71
• Main Authors: 潘少伟, 王朝阳, 张允, 蔡文斌
• Format: Journal Article
• Language: Chinese
• Published: 西安石油大学计算机学院,陕西西安710065%中国石化石油勘探开发研究院,北京100083%西安石油大学石油工程学院,陕西西安710065 01.06.2022
• Subjects: 长短期记忆神经网络; 粒子群; 岩性识别; 网格搜索法; XGBoost
• ISSN: 1673-5005
• DOI: 10.3969/j.issn.1673-5005.2022.03.007

TE19; 为克服已有岩性识别方法中存在的不足,提出一种粒子群优化算法和网格搜索法对XGBoost算法混合寻优的岩性识别方法.由于某些测井曲线中存在缺失值,首先通过长短期记忆(LSTM)神经网络建立时间序列预测模型重新生成缺失的测井曲线值,为后续的岩性识别奠定基础;其次引入XGBoost算法构建岩性识别模型,利用粒子群优化算法确定XGBoost算法中浮点型超参数的最优值和整型超参数的寻优范围,在此基础上通过网格搜索法确定整型超参数的最优值,获得岩性识别模型;最后利用测试数据集对该岩性识别模型进行测试.结果表明:与随机森林、未经优化的XGBoost算法、决策树、支持向量机和朴素贝叶斯相比,在不同岩性识别中粒子群优化算法和网格搜索法对XGBoost算法混合寻优的岩性识别方法的表现最为优异;粒子群优化算法和网格搜索法混合寻优的XGBoost算法应用到油田不同岩性识别中可在一定程度上克服已有岩性识别方法的不足,提高岩性识别的效率与准确率.