机器学习方法TOC预测:聚和Longmaxi四川盆地页岩,中国西南地区作为一个例子

文摘

总有机碳(TOC)内容是页岩气储层评价的核心指标。基于机器学习模型可以快速和准确地预测TOC,这是页岩气的生产具有重要意义。基于传统的日志,TOC值衡量,和其他数据9 Jiaoshiba地区典型井的四川盆地,本文进行了贝叶斯线性回归和机器学习应用随机森林模型来预测页岩的TOC值聚形成与下部的Longmaxi形成。结果表明,TOC值预测精度提高50%以上使用训练有素的相比,传统的机器学习模型方法在一个成熟和紧页岩。减半使用随机搜索优化hyperparameters交叉验证方法可以极大地提高建筑的速度模型。此外,排除影响日志值的因素除了TOC和以修正后的数据作为输入数据为训练可以提高随机森林模型的预测精度约5%。与机器学习模型数据可以很容易地更新,这是最重要的为提高页岩气勘探和开发的效率。

1。介绍

页岩气是一个非常重要的非常规能源。在美国页岩气产量构成主要能源结构的一部分,和中国在页岩气领域也取得了突破,近年来(1]。快速识别甜蜜点石油和天然气丰富的页岩地层对指导有重要影响的经济有效的开采页岩油气资源(2- - - - - -4]。总有机质含量(TOC)是一个重要的指标来评价油气资源富集,可有效指示有机质页岩形成浓缩的间隔(5]。TOC值通常是通过实验室检测的核心。然而,页岩地层非均质性强,这是由沉积空间有限,材料供应来源,和其他因素6]。此外,在早期的页岩油气资源勘探,无法保证核心数据的连续性和完整性。因此,使用离散测量岩心测试TOC值可能导致误解的有机matter-rich间隔。相比之下,地球物理日志数据是完整和连续。连续垂直TOC值可以通过使用日志数据,然后,有机浓缩层的分布可以预测7- - - - - -10]。

在1980年代,什莫克首次发现日志数据和有机质丰度之间的关系,和密度测井值被用来计算有机碳含量。随着科技的不断发展,许多方法使用日志信息来预测TOC值已经找到,如对数曲线叠加评价方法(方法及其改性方法)(11- - - - - -13),多元线性回归评价方法(14)、机器学习和其他数学分析评价方法15- - - - - -17]。然而,不同的方法有不同的范围。的方法有一个相对广泛的应用在这些方法,因为它是由物理模型。然而,无论是传统方法和改进的方法可以完全覆盖各种不同地层条件下(如异常流体压力、overmaturity和紧水库)。另外,大多数基于TOC的评估方法需要手动确定孔隙度曲线的基线值和电阻率曲线,这是一个相对复杂的过程。

近年来,机器学习方法已经成为一个有用的工具来构建预测模型,可以发现隐藏的模式和未知的自变量和因变量之间的相关性18,19]。在机器学习模型中,TOC的预测是一个多元回归的问题。机器学习算法可以自动确定全面的TOC值和相应的日志值之间的关系通过样本的学习。机器学习方法是由数据驱动的,因此不受地质条件的变化。大量的地层信息可以更好地用于全面预测TOC值,所以精度不会大大减少由于一定的变形曲线20.,21]。基于机器学习模型的缺点,他们可能有多个解决方案和overfit有限数量的样本。近年来,一些机器学习方法在TOC展示了良好的应用效果和前景预测烃源岩。赵et al。22]运用贝叶斯方法预测TOC值,取得了良好效果。Handhal et al。23]使用集成学习方法不仅保证了模型的精度,而且解决了过度学习的问题,提高了模型的泛化能力。

本文以聚的页岩地层,下部Longmaxi Jiaoshiba地区形成的四川盆地为主要研究对象。基于大量的TOC值测量钻井岩屑和核心区域,贝叶斯线性回归和相对稳定的随机森林算法选择预测TOC值。与传统的比较结果方法,论述了哪种方法更适合TOC预测在这个领域以及如何基于现有的方法提高计算速度和精度。

2。数据和方法

2.1。地质背景和数据来源

上奥陶系的页岩聚形成和较低的志留纪Longmaxi形成的四川盆地东南部陆棚沉积,保持长时间在深水缺氧环境。黑色页岩和粉砂质页岩沉积厚度和宽分布稳定,他们有硅质含量高,富含笔石。有机质含量主要来源于高生产力的海洋生物和热演化程度较高。Ro价值大约是2.0%到3.5% (24]。这个盆地是中国目前最重要的页岩气储层(25,26]。第一个在中国页岩气领域建于Jiaoshiba区域(图1),主要生产层的页岩气领域的黑色页岩部分聚形成与下部的Longmaxi形成。地热田是相对稳定。屋顶和地板板构成良好的密封单元,和错误的损失是有限的。总的来说,它有良好的保存条件,有利于页岩气的富集和存储26- - - - - -28]。然而,聚形成的黑色页岩和Longmaxi的下部形成曾埋深度6000米。页岩成岩作用的比较彻底,导致孔隙度测井值的变化受到很多因素的影响。TOC预测方法的应用效果并不理想(29日]。摘要Jiaoshiba区域研究对象用于调查预测效果的TOC值不同的机器学习方法基于日志数据和测量的TOC值9典型井(JY1、JY2 JY3, JY4, JY5, JY6, JY7, JY8,和JY9)。其中,数据从井JY1 JY3, JY4, JY5 JY8, JY9用于模型建立和验证。数据从井JY2、JY6 JY7用于验证模型的普遍性。

2.2。方法

2.2.1。传统的方法

传统的提出的方法Passey et al。11]。这种方法使用孔隙度曲线、深侧向电阻率曲线,和成熟度参数预测TOC值。通常情况下,孔隙度曲线(通常是声波传播时间对数曲线)和细粒度organic-poor质地层的电阻率曲线重叠但显示一个振幅差异(定义为 )富含有机物的结构层。这种振幅差异与TOC值和线性关系是成熟的函数,可以用来计算TOC值。

声波的振幅计算公式不同运输时间和电阻率如下: 在哪里在对数曲线的振幅差异测量电阻率单位;深侧向电阻率,单位是什么Ω·m;是声渡越时间,单位是什么μs /英尺;和电阻率曲线的基线值和声波传播时间曲线,分别对应的重叠部分两个细粒度organic-poor纹理层;和0.02的校准系数。

TOC值是通过以下实证关系: 在TOC总有机碳含量(%)和LOM成熟度参数,可以取代Ro值。

2.2.2。贝叶斯线性回归方法

贝叶斯线性回归模型是基于贝叶斯推理在统计数据31日,32]。它将线性模型的参数视为随机变量,发现后之前的模型参数(权重系数)。这个模型的基本性质是一个贝叶斯统计模型,可以获得权重系数的概率密度函数。此外,它还可以进行在线学习,模型假设检验基于贝叶斯因素(32,33]。

贝叶斯线性回归的目的不是为了找到一个最佳的模型参数值但确定模型参数的后验分布。响应变量以及模型参数的概率分布。模型参数的后验分布是基于训练数据的输入和输出(34]: 在哪里 的后验概率分布模型参数根据输入和输出, 输出的似然概率, 参数的先验概率吗基于输入 是归一化常数。这个公式是一个简单的贝叶斯定理的表达式,这是贝叶斯推理的基础。

参数后验分布的概率密度函数如下:

的公式,是模型的每个向量的权重系数,噪声方差,是一个个人hyperparameter可以衡量的准确性 , 是真正的目标价值,每个日志的矢量值,是模型的预测价值,是常数(35,36]。

之前TOC预测问题,准确的信息是不可用的每个日志的重量比例向量;因此,noninformation之前必须引入。也就是说,之前的概率分布参数通过使用球形高斯分布。在那之后,具体过程如下。(1)使用训练数据构建模型。在这个过程中,参数和可以通过最大似然估计。另一种方法是人为地指定一个初始值,然后不断更新它们,直到最大日志边缘相似性。此时,模型是最符合实际情况的。(2)使用验证数据来验证模型的准确性。在这个过程中,网格搜索方法用于优化hyperparameters伽马分布的和服从,以获得最优模型。(3)用最优模型预测的测试数据。如果最小精度要求,模型参数返回和整个数据集训练符合最终的模型。(4)使用最后的模型来预测其他部分的TOC值或井。

贝叶斯线性回归可以解决过度拟合问题的最大似然估计,因为参数视为未知固定值的最大似然估计线性回归,当他们被视为随机变量的贝叶斯线性回归,这是广泛应用于机器学习领域。样本数据的利用率是100%的贝叶斯线性回归方法,和复杂的模型可以有效地、准确地由使用训练样本。此法适用于处理小数据集记录值(37]。它已经被应用在岩性识别中,流体分类、等,取得了良好的效果(38,39]。

2.2.3。随机森林方法

随机森林方法是集成学习方法的分类、回归,和其他任务,它使用多个决策树的预测结果来决定最终的分类结果和回归值。它本质上是一个包装方法,使用有限的数据来获得许多新的样品通过重复抽样,构造多个独立的估计,需要整体的平均结果预测。在确定最终的输出,多个决策树相结合。尽管一个决策树有很大的差异,最后综合结果的方差可以很低因为每个决策树是完全训练为一个特定的示例。

相应的算法的基本步骤如下:(1)引导与返回从训练数据进行抽样生成几个数据集。每个数据集生成一个决策树通过培训。(2)决策树分为节点时,有必要从所有日志随机选择几个特征向量,使最优特性的分支发展完全,直到他们无法再生。在这一过程中修剪不执行。(3)使用out-of-bag数据(没有数据)来测试模型的效果和泛化能力,确定最优决策树,并重建模型。(4)使用确定模型来预测新数据(20.,40]。

随机森林算法的主要优势是,每个决策树只使用一部分的样品,只提取的一些属性建模,增强了学习者的多样性,纠正的习惯overadapting其训练集的决策树,并提高了模型的泛化(41]。特别是对于高维回归问题TOC预测,模型的稳定性和泛化比小偏差在某种程度上更重要。它已经成功地应用在许多方面,如岩性识别(42),源岩预测(43),和地震储层预测44),它具有简单性和可解释性。

3所示。结果和分析

3.1。传统的方法

根据以前的研究结果45),预测的TOC值方法有一个可怜的相关性与TOC值来衡量。预测结果不能客观地反映实际的总有机碳含量(图2)。

3.2。机器学习方法

用于TOC的机器学习模型预测包括四个步骤:数据预处理、测井系列选择,hyperparameter选择和模型建立和模型验证和应用程序(46- - - - - -49]。具体工作流程如下:找到足够的数据和数据预处理,包括深导航、数据清洗、数据重采样;将数据分为训练集、验证集和测试集;使用训练集来优化前的hyperparameters学习过程,因为这些参数会影响模型的性能,不能通过机器学习算法学习;使用优化hyperparameters构建模型;使用训练有素的模型来评估测试集;和推断并应用评估模型。

3.2.1之上。数据预处理

之间往往存在偏差的核心和测井深度,因为核心回收率低和不准确的估计的核心深度,导致地质特征之间的矛盾由核心和日志记录,记录影响地质特征识别的日志数据的准确性。根据实际地质条件,日志记录的深度比这更准确的核心。因此,核心的深度需要纠正,这样TOC测试采样点可以校准到日志深度。

目前认为日志数据的最小分辨率是0.1,它是不可能区分两个TOC测试采样点之间的距离小于0.1米。此外,一些数据没有达到统计学意义往往影响模型的建立;因此,有必要屏幕TOC数据。本研究使用DataFrames熊猫三方的函数库在Python中筛选TOC测试点的深度差异小于0.1 m和无效值超出了平均值±3倍方差。

日志数据是均匀采样和人口在整个部分,大概可以视为一个连续变量,而测量TOC值离散数据与一个固定的深度。有一定的不匹配两个采样之间的深度。重采样操作需要两种类型的数据用不同的采样间隔。目前,常用的重采样方法领域的日志技术包括快速傅里叶变换、高斯卷积,窗口数据转变,线性变换、线性反锯齿(50,51]。考虑到日志数据一般现在进行线性变换的部分,本文选择了线性变换后处理方法的实现过程和最大时间间隔设置为0.25(2日志的时间间隔),避免了手动选择的主观性数据。

预处理后,从JY1 386组造型数据,JY3, JY4, JY5, JY8, JY9和242组预测测试数据从JY2 JY6, JY7终于获得。每组数据包括RT、GR、AC,卡尔,补偿中子测井,窝和SP测井值和相应的TOC值来衡量。他们的统计信息如表所示1和表2。统计分析表明,大多数测量TOC值低于6%,通常很低。个人价值超过这个范围被视为离群值和删除。

3.2.2。测井系列选择

机器学习方法用于预测的准确性很大程度上取决于输入数据的TOC值。如果日志和TOC值之间的相关性很弱或太复杂,那么它是容易学习的算法与小数量的样品错误的函数关系,这可能会导致oversimulation。因此,有必要分析日志数据之间的相关性和TOC值之前建造的机器学习模型。一般来说,更多选择特性对应日志系列,可以覆盖更多的信息,更准确的模型。然而,冗余特性也会影响计算的准确性和模型的泛化。

考虑获取日志数据的困难,本文主要使用了常见的常规测井参数(GR、SP、卡尔、窝、补偿中子测井,交流,和RT)预测TOC。造型之前,有必要进行初步相关分析选择测井系列和测量的TOC值。这个过程可以避免过度拟合造成的弱相关或复杂的日志和TOC值之间的关系。在统计分析中,皮尔森积差相关系数(r Pearson)被广泛用于衡量两个变量之间的线性相关程度,并将其值介于1和1。一个正数表示正相关,负数表示负相关。绝对值越接近1,两个变量之间的相关性越高(52]。皮尔森矩阵可用于分析不同测井曲线之间的关系,测量了TOC(图3)。在图3,在每一块是培生的两个变量对应的行和列。皮尔森的值测量的TOC值和GR,窝,交流,和补偿中子测井是0.65,-0.9,0.48,和-0.67,分别有相对较好的相关性。回归预测模型的相关性较低的冗余信息需要被排除在外。根据实际情况在工作区域,TOC的预测是由使用日志系列和相关系数大于或等于0.2作为输入数据,包括GR、SP,窝,AC,补偿中子测井。

3.2.3。Hyperparameter选择和模型建立

提高机器学习模型的泛化能力,需要使用交叉验证方法来优化hyperparameters。然后,选择最优hyperparameters用于克服过度学习和改善预测性能53]。摘要造型数据分为训练数据集,验证数据集,数据集和测试的比6:3:1。不同数据集的TOC分布类似于确保交叉验证的结果是有意义的。训练数据的初始学习数据构建模型。验证数据用于测试模型的准确性与不同hyperparameters hyperparameter和屏幕最好的。测试数据将不参与建立模型或模型的选择,虽然他们将用于测试最终模型的准确性。模型的准确性得到的测试数据集可以反映模型的外推能力在某种程度上,这就增加了模型的可信度。

损失函数常用的交叉验证的均方误差(MSE),平均绝对误差(MAE),解释方差的分数(EVS),和确定系数( )(54]。计算需要多次重复交叉验证。为了节省计算成本和避免失去精度,平均绝对误差(MAE)作为损失函数。公式如下(55]: 在哪里是真正的目标价值,估计目标价值,样品的数量,是真正的目标值 - - - - - -th样本,估计目标的价值吗 - - - - - -样本。

此外,确定系数( )作为评分标准在测试集。一个值接近1对应于一个更好的最终回归预测结果,和一个值接近0对应于一个更糟糕的回归预测结果。公式如下(56]: 在哪里是真正的目标价值,估计目标价值,样品的数量,是真正的目标价值的 - - - - - -th样本,估计目标的价值吗 - - - - - -th样本,是真正的目标价值的平均值。

一般来说,重要的是选择正则化参数的初始值( , )当曲线拟合多项式通过贝叶斯线性回归方法,因为正则化参数是由一个迭代过程,依赖于初始值(57]。正则化参数是否默认值( , )或相对极端值( , ),培训的结果是好的。示例数据可以被认为是相对符合高斯之前;因此,结果不依赖于初始值。此外,对比测试集和训练集(图4)表明,模型的泛化相对较好,与一个得分为0.8997。

随机森林回归模型也使用交叉验证优化hyperparameters。然而,所不同的是,随机森林方法hyperparameters太多了,比如树的最大深度(max_depth),将所需的最小数量的样品内部节点(min_sample_split)的最大数量特性时要考虑寻找最好的分裂(max_features),每个基本和训练样本的数量估计量(max_samples) [33]。传统的搜索方法,如网格搜索算法,可以排气参数组合。然而,效率太低,会导致浪费计算能力。因此,有必要使用优化的随机搜索算法。随机搜索交叉验证样品固定数量的hyperparameters从给定分布。因为不是所有的参数都是采样,它可以提高操作的速度。然而,寻找一个好的组合参数的速度仍不理想,这大约需要20分钟。

为了解决这个问题,以往的研究提出了随机搜索交叉验证(减半58,59),这是一个迭代的选择过程中所有参数组合(取而代之的候选人在以下部分)使用少量的资源评价的第一个迭代,只有一些候选人在下一次迭代选择;因此,将分配更多的资源。换句话说,搜索策略开始使用少量的资源来评估所有候选人,并使用越来越多的资源来迭代选择最佳人选。资源通常指训练样本的数量,也可以是任何数字参数,如基本的数量估计的随机森林算法。

如图5在第一个迭代,少量的资源(样品)的数量被用来评估所有候选人。在第二次迭代中,只有更好的一半之前的候选人进行评估,在资源分配的数量翻了一番。重复此过程,直到最后一个迭代中,只剩下两个候选人。迭代和输入样本的增加,根据分数不同的候选人被淘汰的验证集,然后,hyperparameters优化。不同的颜色在图的线段5代表不同的候选人(参数组合),从而反映出分数在迭代过程中验证集的变化。随着(横坐标)的迭代次数的增加,候选人得分较低(纵坐标)被淘汰,与高分候选人继续参与下一次迭代。只有一个候选人将保持到最后的迭代过程。最好的参数的候选人是最高的得分在最后迭代(黑线),导致最好的hyperparameter组合:{“引导”:假的,“标准”:“美”,“max_depth”:没有,“max_features”: 1、“min_samples_split”: 4}。在这种情况下,0.9464验证集。

减半随机搜索的性能在测试集交叉验证方法是统计分析。如图6,最好的值约为0.9,最低的美大约是0.3。整个搜索完成后只有19.2秒,速度增长了60多倍。

然而,上述随机森林模型的预测效果不理想。特别是当TOC值小于0.6%,预报值之间的相对误差和测量值很大。排除某些因素,如算法和参数,他们被认为是相关的输入数据结构。日志数据采集过程中,噪音将不可避免地生成由于环境和随机因素的干扰,这就是错误的计算地质参数(60]。除了TOC变异,影响测井值的变化的因素包括异常流体压力、碳氢化合物、紧水库、有机质过成熟,和其他地层信息61年]。日志值由这些因素引起的波动可能覆盖日志TOC所造成的变化,特别是当TOC值很小。其他形成信息变化的贡献在日志的值可能会远远大于TOC,导致不准确的预测结果。因此,当使用日志数据来预测TOC值,最好是提前排除无关因素的干扰。指的是先前的研究工作(45),日志基值对应于0%的TOC应该发现基于日志值和测量的TOC值之间的相关性,然后,输入数据应该改变后的绝对值实际日志价值- log以价值。例如,GR值和测量之间的关系的TOC值JY1如图7,可以表示为下面的公式:

因此,基值124 API伽马线暴的TOC值0%。如果这部分的输入值JY1被定义为 ,然后 。如果测量TOC值不可用确认TOC的基值为0%,预测页岩的平均值与一个相对较小的GR间隔,交流,和RT,相对较大的窝和补偿中子测井,没有明显的变化日志值作为基值。根据上述方法,重复建模过程后再处理输入数据。结果如图8。增加了大约5%,大错误当TOC值减少不到0.6%。

3.2.4。模型的外推法和应用

基于模型建立的两种机器学习方法,其他三个井JY2 TOC预测,JY6, JY7面积进行了研究。综合结果如图9。高于0.85,平均绝对误差(MAE)大约是0.3,平均相对误差(绝笔)大约是0.2(表吗3)。大的值相对误差主要发生在一部分TOC值小于0.6%,因为这一部分的日志值比TOC大大被其他因素。然而,从整体来看,该模型具有较强的外推和良好的泛化能力。

此外,比较两种机器学习方法与传统方法通过外推(图10)表明,这两种机器学习方法导致伟大的准确性的改善结果。

4所示。讨论

传统的最大的优势方法是,它可以消除孔隙度测井响应的影响有机碳。但是,不合理的使用一个固定的经验系数预测TOC(有很多局限性62年,63年]。此外,只有两条测井曲线的振幅差异是用来计算有机质含量,和其他重要的日志信息可能被忽略,导致模型的抗干扰能力差。基于机器学习的方法可以合成各种日志信息来预测TOC。结果表明,大量的地球物理信息可以反映材料的成分的变化形成不同的物理量。该方法集成来自各种信息的一个相对更好的抗干扰能力。

在这项研究中,使用各种页岩的数据聚形成与下部Longmaxi形成的四川盆地,TOC由贝叶斯线性回归预测的准确性和随机森林方法比传统的高出50%方法。两个的贝叶斯线性回归模型更准确。该方法包括相关领域知识和模型参数的猜测。它假设并不是所有所需参数信息将提供的可用数据,突破数据本身的局限性。如果没有提前预测,没有信息可用于参数之前,模型的建设起到促进作用。

在机器学习领域,随机森林方法更适合回归问题比其他常见算法,特别是非线性的问题或复杂的元素和标签之间的关系类似于TOC预测问题。它使用一组不相关的决策树的次级样本数据,提高了预测精度,减少了平均方差。训练集的噪音是不敏感,从而更有利于获得一个健壮的模型,以避免过度拟合。然而,由于需要连接大量的决策树在一起,一般参数优化方法需要大量的训练时间。因此,应注意在TOC预测参数优化的方法。摘要减半随机搜索交叉验证方法被用来优化hyperparameters随机森林模型,大大提高了学习效率和提高计算速度超过60次。换句话说,一个训练有素的机器学习模型的使用可以快速而方便地预测页岩有机碳含量。

此外,机器学习模型可以方便地更新。如果有一个新的数据集,可以升级机器学习模型,并提供更广泛的应用。因此,与传统的方法相比,基于机器学习模型是数据驱动的,从而避免大量的理论假设和数学推导。此外,需要注意的是,输入数据结构有很大影响的建筑机器学习模型,所以培训前的数据预处理是非常重要的。针对TOC预测,本文提供了一种新的数据预处理策略。这是消除日志值改变时引起的因素除了TOC之前输入,预测精度提高了约5%。

机器学习模型提出了可以提供更准确的预测结果使用训练数据和测试数据和合理的推断。但是,从应用程序的角度来看,它具有一定的局限性。首先,本文中使用的数据是来自同一研究领域具有相似地质条件。因此,需要进一步验证模型的可靠性在其它领域与地质条件之间存在较大的差异。其次,由于地质历史上频繁变化的沉积水属性,页岩地层的非均质性强,和TOC值有很大区别。有限的TOC值不能完全反映整个的相关特征的形成。为地层模型的适用性是未知的,不受TOC测试。此外,本研究中使用的测量TOC值从0.01%到6.02%不等。模型的适用性更高的TOC值不是讨论。TOC值低于0.6%的地区,有必要进行进一步的研究来提高预测精度。 In this regard, it can be considered to collect the TOC test data and corresponding log data from different basins, sedimentary environments, and structural backgrounds, and a more comprehensive model should be built in a large numerical framework. Therefore, the general relationship between the TOC value and log value can be found by this method.

5。结论

本文使用贝叶斯线性回归和随机森林算法来预测TOC值。相比方法、机器学习方法有更高的TOC的预测精度和更好的泛化的成熟和紧页岩研究区域。当随机森林方法用于造型,减半随机搜索交叉验证可以应用于找到最优hyperparameters,提高训练速度。日志数据删除相应的日志基值可以作为模型的输入数据。因此,影响日志的因素除了TOC值可以避免以保证预测结果的准确性。此外,如果提供了新的数据集,可以更方便地更新,机器学习模型具有重要意义对提高页岩气勘探和开发的效率。

数据可用性

主要数据用于支持本研究的结果都包含在这篇文章中,和其他人可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是战略重点支持的研究项目的中国科学院(XDA14010202)和国家科技重大项目(2017 zx05008 - 004)。

引用

1. c . n .邹问:潘,z h .京et al .,“页岩油气革命”及其影响,学报学报第41卷。。1、1 - 12,2020页。视图:谷歌学术搜索
2. c . n .邹m·g .翟g . y . Zhang et al。”形成、分布、潜力和全球常规和非常规油气资源的预测,”石油勘探和开发,42卷,不。1,这边是,2015页。视图:谷歌学术搜索
3. z z . j .金问:胡,b高,和j·h·赵”控制因素对页岩气的富集和高生产率Wufeng-Longmaxi阵型,四川盆地东南部,”地球科学前沿,23卷,不。1,第010 - 001页,2016。视图:谷歌学术搜索
4. b . Liu h . Wang x傅et al .,“高度前瞻性的岩相及沉积环境湖页岩油连续上白垩纪古龙凹陷青山口组,松辽盆地北部,东北、”中部公告,卷103,不。2、405 - 432年,2019页。视图:出版商的网站|谷歌学术搜索
5. d . m . Jarvie“页岩油气资源系统:2-shale-oil资源系统的一部分,”21世纪,页岩Reservoirs-Giant参考资料埃德·j·a·布雷耶,2012年全球地球化学。视图:谷歌学术搜索
6. b . Liu y歌,朱k, p . Su, x,和w·赵“矿物学和元素地球化学的盐渍湖中间富含有机物页岩:三塘湖盆地二叠纪古环境意义,出处,构造背景和页岩油的潜力,”海洋和石油地质学第104569条,卷。120年,2020年。视图:出版商的网站|谷歌学术搜索
7. r . f .啤酒”,放射性和一些古生代页岩的有机质含量,”中部公告卷,29号1、22页,1945页。视图:出版商的网站|谷歌学术搜索
8. j·w·什莫克,”阿巴拉契亚泥盆纪页岩的有机质含量测定γ射线日志,“中部公告卷,65年,第1298 - 1285页,1981年。视图:出版商的网站|谷歌学术搜索
9. j·w·什莫克和t . c . Heste”美国在巴肯形成有机碳,威利斯顿盆地的一部分,”中部公告卷,67年,第2174 - 2165页,1983年。视图:出版商的网站|谷歌学术搜索
10. b·l·迈耶和m . h . Nederlof”识别烃源岩在有线日志密度/电阻率和声波渡越时间/电阻率交叉阴谋,”中部公告卷,68年,第129 - 121页,1984年。视图:谷歌学术搜索
11. 问:r . Passey s Creaney和j·b·Kulla”有机丰富实用模型,从孔隙度和电阻率日志”中部公告,卷74,不。6,1777 - 1794年,1990页。视图:出版商的网站|谷歌学术搜索
12. l .朱问:c . m . Zhang s张x周,和w·n·刘”,一种改进的方法来评估TOC的内容使用dual-difference页岩地层ΔlogR方法。”海洋和石油地质学卷,1025年,第816 - 800页,2019年。视图:出版商的网站|谷歌学术搜索
13. w·赵c . Liu l .太阳x, y . Zhang和j·李”,一种改进的ΔlogR有机质丰度评价模型”,石油科学与工程》杂志上第109016条,卷。206年,2021年。视图:出版商的网站|谷歌学术搜索
14. j·d·Mendelzon和m . n . Toksoz”源岩特征使用多变量分析日志数据,”SPWLA 26日年度日志研讨会美国德克萨斯州,达拉斯,1985年。视图:谷歌学术搜索
15. 诉Bolandi、a . Kadkhodaie和r . Farzi”分析有机丰富的烃源岩测井数据利用支持向量机和ANN分类器:一个案例研究从Kazhdumi形成,波斯湾盆地,海外伊朗,”石油科学与工程杂志》上卷,151年,第234 - 224页,2017年。视图:出版商的网站|谷歌学术搜索
16. a . a . a·马哈茂德·s . Elkatatny m·马哈茂德·m·Abouelresh a . Abdulraheem和a·阿里”测定总有机碳(TOC)的基于常规测井使用人工神经网络,”国际煤炭地质杂志》上卷,179年,第80 - 72页,2017年。视图:出版商的网站|谷歌学术搜索
17. m . r .青年外交官访华团n . Jumat d·赖和o·马利克,“集成TOC使用机器学习预测和烃源岩特征,测井、地球化学分析:案例研究从侏罗纪烃源岩夏姆斯,西北沙漠,埃及,”石油科学与工程》杂志上卷,176年,第380 - 369页,2019年。视图:出版商的网站|谷歌学术搜索
18. a . Liaw和m·维纳“随机森林分类和回归,”R新闻,卷2,不。3,在18到22岁,2002页。视图:谷歌学术搜索
19. 黄黄g, g . b . s .歌曲,和k .你,”趋势在极端的学习机器:审查。”神经网络卷。61年,32-48,2015页。视图:出版商的网站|谷歌学术搜索
20. w·m·g·冯阎,x m .通用电气和l .朱问:“预测总有机碳含量,随机森林回归算法,”公告的矿物学、岩石学和地球化学,37卷,不。3、475 - 481年,2018页。视图:谷歌学术搜索
21. 黄懿慧太阳,总有机碳的研究预测方法在页岩基于机器学习,硕士论文),中国石油大学,北京,2019。
22. w . j .赵h . y .高g . l .燕和t . c .郭“TOC基于最优估计和贝叶斯统计预测技术,”岩性油藏,32卷,不。1,第93 - 86页,2020。视图:谷歌学术搜索
23. a . m . Handhal a . m . Al-Abadi h·e·Chafeet和m·j·伊斯梅尔”预测的总有机碳在鲁迈拉油田,伊拉克南部利用常规测井和机器学习算法,”海洋和石油地质学卷。116年,从104347年,2020年。视图:出版商的网站|谷歌学术搜索
24. d . y . y . f . Li邵,h . g . Lv y张x l . Zhang和t·w·张”之间的关系元素地球化学特征和海洋页岩的有机质富集聚Formation-Longmaxi形成,四川盆地,”学报学报,36卷,不。12日,第1483 - 1470页,2015年。视图:谷歌学术搜索
25. 张c . m . w . s . Zhang, y . h .郭”对烃源岩的沉积环境及其影响Longmaxi形成东南部四川和贵州北部,“地球科学前沿,19卷,第145 - 136页,2012年。视图:谷歌学术搜索
26. x s .郭浓缩机制和涪陵Jiaoshiba地区页岩气勘探技术领域,科学出版社,北京,2014。
27. w·s·g·Liu x, j .班图语w·m·黄x l .曾和c j .张“页岩气储层岩石特征在志留纪Longmaxi形成、四川盆地东部,中国,“《岩石学报,27卷,不。8,2239 - 2252年,2011页。视图:谷歌学术搜索
28. r·b·刘”,分析影响Wufeng-Longmaxi形成的页岩储层超压的东南部四川盆地的一部分,”Sedimentologica学报,33卷,不。4、817 - 827年,2015页。视图:谷歌学术搜索
29. r . v .泰森”,沉降速度、稀释、保存和总有机碳:造型研究的一些结果,“有机地球化学,32卷,不。2、333 - 339年,2001页。视图:出版商的网站|谷歌学术搜索
30. b . c . Wang问:张陆y . c . et al .,“岩相分布特征和页岩的主要控制因素发展聚Formation-Member 1 Jiaoshiba Longmaxi形成的区域,“学报学报,39卷,不。6,631 - 644年,2018页。视图:谷歌学术搜索
31. c·e·拉斯穆森和c k·威廉姆斯,高斯过程机器学习,麻省理工学院出版社,2006年。
32. j·韦克菲尔德贝叶斯和频率论的回归方法施普林格科学与商业媒体,2013年。
33. d . Polykovskiy和a·诺维科夫先生贝叶斯机器学习的方法、Coursera和国家研究型大学更高的经济学,2017年。
34. k . w . Fornalski”应用程序的健壮的贝叶斯回归分析,“国际社会系统科学杂志》上,7卷,不。4、314 - 333年,2015页。视图:出版商的网站|谷歌学术搜索
35. d·j·麦凯,”贝叶斯插值,“神经计算,4卷,不。3、415 - 447年,1992页。视图:出版商的网站|谷歌学术搜索
36. c . m .主教模式识别和机器学习施普林格,纽约,2006年。
37. r·m·尼尔贝叶斯神经网络学习,卷》118施普林格科学与商业媒体,2012年。
38. k Rimstad和h Omre”,岩石物理深度的影响趋势和马尔可夫随机域层次贝叶斯岩性和流体预测,“地球物理学,卷75,不。4,R93-R108, 2010页。视图:出版商的网站|谷歌学术搜索
39. y谢,c .朱w·周x Liu m .你和m .涂”评价地层岩性识别的机器学习方法:比较优化流程和模型的表演,“石油科学与工程》杂志上卷,160年,第193 - 182页,2018年。视图:出版商的网站|谷歌学术搜索
40. l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索
41. t . k . Ho“随机决策森林”学报》3日国际会议文档分析和识别蒙特利尔,页278 - 282年,QC,加拿大,1995。视图:出版商的网站|谷歌学术搜索
42. j . Cracknell和a . m .阅读,“不确定性的上升:从航空地球物理识别岩性接触区域,使用随机森林和支持向量机,卫星数据”地球物理学,卷78,不。3,WB113-WB126, 2013页。视图:出版商的网站|谷歌学术搜索
43. l .赵j·刘,y姚明et al .,“定量地震特征的烃源岩在湖泊沉积环境使用随机森林方法:一个例子从长江凹陷在东海盆地,”中国地球物理学杂志》(中文),卷64,不。2、700 - 715年,2021页。视图:谷歌学术搜索
44. j·g·歌,问:美国高,z,“应用随机森林回归地震储层预测,“石油地球物理Prospectin,51卷,不。6,1202 - 1211年,2016页。视图:谷歌学术搜索
45. j .荣x r·罗y . p . Li c . Li Wei, g . Yu,“改善TOC聚形成的页岩储层预测方法和下部Jiaoshiba Longmaxi形成的地区,四川盆地,”IOP会议系列:地球和环境科学,卷600,不。1,第023 - 012页,2020。视图:谷歌学术搜索
46. 美国Elkatatny”,自适应人工神经网络技术来预测总有机碳(TOC)基于测井,”阿拉伯科学与工程》杂志上,44卷,不。6,6127 - 6137年,2019页。视图:出版商的网站|谷歌学术搜索
47. l .朱张c, c . Zhang et al .,“一个新的可靠的双模型和数据驱动的TOC预测概念:一个TOC测井评价方法使用多个重叠的方法结合semi-supervised深度学习,”石油科学与工程》杂志上第106944条,卷。188年,2020年。视图:出版商的网站|谷歌学术搜索
48. d . Ahangari r . Daneshfar m . Zakeri s Ashoori和b s Soulgani地球化学参数的预测(TOC, S1和S2)通过考虑测井参数使用简称ANFIS和LSSVM的策略,2021年石油。
49. m·a·孟r中,z,“预测甲烷吸附在页岩:经典模型和基于机器学习的模型,“燃料,卷278,不。15日,第118358条,2020年。视图:出版商的网站|谷歌学术搜索
50. s . r .蔡“Akima钻孔数据重采样插值方法,”测井技术,28卷,不。2、112 - 114年,2004页。视图:谷歌学术搜索
51. 彭a . n和d·p·曹,“研究和应用测井岩性识别基于深度学习,”地球物理学的进展(中文),33卷,不。3、1029 - 1034年,2018页。视图:谷歌学术搜索
52. m·t·Puth m·纽豪斯和gdp Ruxton”有效利用皮尔逊积差相关系数”动物行为卷,93年,第189 - 183页,2014年。视图:出版商的网站|谷歌学术搜索
53. m·w·布朗“交叉验证方法”,数学心理学杂志,44卷,不。1,第132 - 108页,2000。视图:出版商的网站|谷歌学术搜索
54. p . Christoffersen和k·雅各布斯期权估值的损失函数的重要性,”金融经济学杂志,卷72,不。2、291 - 318年,2004页。视图:出版商的网站|谷歌学术搜索
55. c·j·威尔默特和k .松”优势的平均绝对误差(MAE)的均方根误差(RMSE)在评估平均模型的性能,”气候研究,30卷,不。1,第82 - 79页,2005。视图:出版商的网站|谷歌学术搜索
56. n . r . Draper和h·史密斯,应用回归分析、卷》326约翰•威利& Sons 1998。
57. m . e .引爆“稀疏贝叶斯学习和相关向量机”,机器学习研究杂志》上1卷,第244 - 211页,2001年。视图:谷歌学术搜索
58. k . Jamieson和a . Talwalkar“Non-stochastic最好的手臂识别和hyperparameter优化,”19人工智能国际会议的程序和数据,第248 - 240页,2016年。视图:谷歌学术搜索
59. 杰米逊k . l . Li) g .迪沙佛a . Rostamizadeh和a . Talwalkar”Hyperband:小说bandit-based hyperparameter优化方法,”机器学习的研究》杂志上,18卷,不。1,第6816 - 6765页,2017。视图:谷歌学术搜索
60. m . Jamshidian m . Hadian m·m·德z Kazempoor, p . Bazargan h·萨利希,“自由流动的孔隙度和渗透率预测基于常规测井数据由帝国主义竞争使用人工神经网络优化算法——一个案例研究在南帕尔斯气田,”天然气的科学与工程》杂志上,24卷,第98 - 89页,2015年。视图:出版商的网站|谷歌学术搜索
61. 罗l . k . c . Li张x r . et al .,“校准的泥岩压实曲线通过消除在富含有机物页岩有机质的影响:应用程序对鄂尔多斯盆地南部中国,“海洋和石油地质学卷,86年,第635 - 620页,2017年。视图:出版商的网站|谷歌学术搜索
62. c, c . h .阴和s . f . Lu”预测对其关键参数ΔlgR日志在烃源岩评价、技术及其应用”天然气地球科学,26卷,不。10日,1925 - 1931年,2015页。视图:谷歌学术搜索
63. l . d . c . Liu, j·李et al .,“评价烃源岩的TOC使用其湖积盆地ΔLg R技术案例研究松辽盆地围子萧条,”解释,7卷,不。86年,第75 - 67页,2019年。视图:谷歌学术搜索

版权

版权©2021佳荣等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。