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