尊敬的各位读者:
根据当前疫情防控要求,我馆部分原文传递服务可能会有延期,无法在24小时内提供,给您带来的不便敬请谅解!
国家工程技术图书馆
2022年11月29日
摘要: 岩性识别是石油工业的基础性研究工作之一,准确识别岩性对油田后续勘探开发工作的开展具有重要意义。随着机器学习的不断发展,利用机器学习方法进行岩性识别成为了一个研究热点。针对已有机器学习方法岩性识别时,存在数据特征缺失遭忽视、参数优化... 展开 岩性识别是石油工业的基础性研究工作之一,准确识别岩性对油田后续勘探开发工作的开展具有重要意义。随着机器学习的不断发展,利用机器学习方法进行岩性识别成为了一个研究热点。针对已有机器学习方法岩性识别时,存在数据特征缺失遭忽视、参数优化困难和识别准确率低等问题,提出基于混合优化XGBoost的岩性识别算法,主要工作如下: (1)研究一种基于长短期记忆神经网络的缺失特征补全算法,考虑到部分井中的数据存在特征缺失,且数据具有时间序列特征,采用基于注意力机制的长短期神经网络对缺失数据进行补全,降低数据缺失对岩性识别的影响。 (2)构建单一优化XGBoost的岩性识别算法,针对XGBoost参数较多,寻优困难的问题,分别使用单一的网格搜索、遗传算法、差分进化算法和粒子群算法对XGBoost参数寻优。研究发现网格搜索对XGBoost参数寻优的岩性识别准确率较高但寻优速度较慢,而遗传算法、差分进化算法和粒子群算法这些智能优化算法对XGBoost参数寻优的准确率稍低于网格搜索,但寻优速度较快。 (3)构建混合优化XGBoost的岩性识别算法,由于采用网格搜索优化的XGBoost参数寻优耗时较长,准确率略高,而采用遗传算法、差分进化算法和粒子群算法优化的XGBoost寻优耗时较短,准确率稍低。因此将两类算法相结合,使用网格搜索对XGBoost的整型参数寻优,分别利用遗传算法、差分进化算法和粒子群算法对XGBoost的非整型参数寻优,从而结合这两类算法的优势,获取较高的准确率且保证耗时较短。 综合实验结果表明,基于混合优化XGBoost的岩性识别算法相比于其他方法准确率较高,且以先使用网格搜索对整型参数寻优,后使用粒子群对非整型参数进行寻优的混合优化算法准确率最高为96.71%,且耗时较短为2959秒。 收起
系统维护,暂停服务。
根据《著作权法》“合理使用”原则,您当前的文献传递请求已超限。
如您有科学或教学任务亟需,需我馆提供文献传递服务,可由单位单位签署《图书馆馆际互借协议》说明情况,我馆将根据馆际互借的原则,为您提供更优质的服务。
《图书馆馆际互借协议》扫描件请发送至service@istic.ac.cn邮箱,《图书馆馆际互借协议》模板详见附件。
根据《著作权法》规定, NETL仅提供少量文献资源原文复制件,用户在使用过程中须遵循“合理使用”原则。
您当日的文献传递请求已超限。