TY -的A2信号Gaurav AU - Siddig,奥萨马AU -易卜拉欣,Ahmed Farid盟——Elkatatny Salaheldin PY - 2021 DA - 2021/08/31 TI -应用各种机器学习技术在预测总有机碳从测井SP - 7390055六世- 2021 AB -非常规资源最近获得了大量的关注,因此,研究兴趣的增加预测总有机碳(TOC)作为一个重要的质量指标。TOC通常测量实验;然而,由于采样限制,获得连续TOC数据是很困难的。因此,TOC已经提出了不同的经验公式。然而,人们担心这些相关性的泛化和准确性。摘要不同的机器学习(ML)技术是利用开发模型,预测从测井TOC,包括地层电阻率(FR),自然电位(SP)、声波传播时间(Δ t),体积密度(RHOB)、中子孔隙度(CNP),伽马射线(GR)和光谱日志的钍(Th)铀(Ur),钾(K)。超过1250数据点从泥盆纪Duvernay页岩被用来创建和验证模型。这些数据集是来自三个井;首先是用于训练模型,而其他两个井的数据集被用来测试和验证。支持向量机(SVM),随机森林(RF)和决策树(DT)毫升方法测试,和他们的预测与三个经验相关性。各种人工智能方法的参数测试,以保证最好的准确性的相关系数( R)和平均绝对百分误差(AAPE)之间的实际和预测TOC。三个毫升方法取得了良好的匹配;然而,RF-based模型具有最好的性能。RF模型能够预测TOC为不同的数据集 R值介于0.93和0.99之间,AAPE值小于14%。平均误差,ML-based模型优于其他三个经验相关性。这项研究显示了ML的能力和鲁棒性模型预测的总有机碳从现成的日志数据而不需要核心分析或额外的干预措施。SN - 1687 - 5265 UR - https://doi.org/10.1155/2021/7390055 - 10.1155 / 2021/7390055摩根富林明计算智力和神经科学PB - Hindawi KW - ER