TY -的A2 Ostadhassan Mehdi盟——刘Xingzhou盟——田,智盟——陈、张PY - 2021 DA - 2021/10/07 TI -总有机碳含量预测在湖页岩使用极端的梯度提高机器学习基于贝叶斯优化SP - 6155663六世- 2021 AB -总有机碳(TOC)含量是一个重要的参数估算页岩油资源。然而,常见的TOC预测方法依赖于经验公式,及其适用性不同地区。在这项研究中,一种新的数据驱动的贝叶斯优化极端梯度增加(XGBoost)模型提出了预测使用有线TOC内容日志数据。古宇湖页岩,渤海湾盆地,中国,作为一个案例研究。首先,相关分析是用来分析之间的关系以及日志和core-measured TOC数据。基于相关性的程度,六个测井曲线反映了TOC含量被选为机器学习构造训练数据集。然后,XGBoost模型的性能进行了测试 K 倍交叉验证,模型的hyperparameters测定使用贝叶斯优化方法来提高搜索效率,减少不确定性由经验引起的。其次,通过分析预测错误,确定系数( R 2 )的TOC XGBoost模型和预测的内容core-measured TOC含量达到0.9135。均方根误差(RMSE),平均绝对误差(MAE)和平均绝对百分比误差(日军)分别为0.63、0.77和12.55%,分别。此外,五个常用的方法,即 Δ 日志 R 方法,随机森林,支持向量机, K 最近的邻居,和多元线性回归,是用来预测TOC内容确认XGBoost模型具有更高的预测精度和更好的鲁棒性。最后,该方法应用于预测20勘探的TOC曲线井古宇。我们获得定量的等高线地图TOC首次这一块的内容。这项研究的结果提供便利的快速检测湖页岩油的“风水宝地”。SN - 1468 - 8115 UR - https://doi.org/10.1155/2021/6155663 - 10.1155 / 2021/6155663摩根富林明Geofluids PB - Hindawi KW - ER