基于改进集成学习的测井岩性识别方法研究

作者：罗仁泽; 庹娟娟; 倪华玲; 李兴宇; 雷璨如; 郭亮

来源：石油物探, 2023, 62(02): 212-224.

• 岩性识别
• 非平衡数据
• 过采样
• KSMOSEL
• 测井数据

测井数据中存在大量与岩性无关的冗余信息，且各类岩性标签数据分布不均匀，严重影响岩性识别准确率，现有测井岩性识别算法无法有效解决岩性类间不平衡问题。为此提出了一种针对不平衡样本集的集成学习岩性预测方法KSMOSEL:首先以录井岩性数据为岩性样本标签，将测井曲线作为模型输入；然后将K-means算法与合成少数类过采样技术(SMOTE)相结合形成K-means-合成过采样算法，即KS采样算法，对岩性样本集进行平衡化处理；最后将采样后的数据集用于构建集成学习模型并训练，采用多个分类器模型融合构成强学习器，通过“软投票”方式预测岩性类型。以Hugoton油气田测井岩性数据为基础，采用改进不平衡样本集的集成学习岩性预测方法对岩性进行分类，并将识别效果与传统的分类模型：支持向量机、K最近邻分类、决策树、XGBoost和随机森林等模型进行对比。试验结果表明：KSMOSEL方法具有更高的精度，岩性识别准确率达到94.28%;KS采样之后，支持向量机、K最近邻分类、决策树、XGBoost、随机森林、GBDT和集成学习等模型岩性识别准确率分别提高了18.68%,12.03%,3.77%,10.23%,24.77%,16.69%,19.37%,在测井岩性数据分布比例不平衡时极大地提升了岩性识别的准确率。

• 单位
  西南石油大学; 油气藏地质及开发工程国家重点实验室