基于机器学习方法的数字岩芯电导率预测

作者：郭晨; 陈龙

来源：计算机技术与发展, 2020, 30(07): 100-103.

• 机器学习
• 岩石物理
• 神经网络
• 集成学习
• 电导率

岩芯电导率是地下油气判断及岩石物理分析的重要参数。传统的岩石物理特性分析一般通过对岩芯样本的实验测量分析或对数字岩芯图像数据的有限元数值计算等方法,来获得岩石样本的电导率等宏观物理特性。但这两类分析方法均需耗费较高的人工、时间成本或大量计算资源。随着人工智能等一代数字化分析方法的发展,文中拟开发一种采用机器学习对岩石电特性进行预测的新方法。在研究中,将针对岩芯的三维图像数据使用集成学习(ensemble learning)和人工神经网络(ANN)来预测电导率。其中传统机器学习与多层神经网络的输入特征是几何参数,而三维卷积神经网络输入特征是三维二元分割图像。在研究中比较各种机器学习方法的优劣。实验表明,以三维二元分割图像作输入特征的三维卷积神经网络(3DCNN)比采用Minkowski泛函作输入特征的学习模型在预测岩芯电导率上性能更优。