| 选择性集成学习模型在岩性-孔隙度预测中的应用 |
| |
| 引用本文： | 段友祥,王言飞,孙歧峰.选择性集成学习模型在岩性-孔隙度预测中的应用[J].科学技术与工程,2020,20(3):1001-1008. |
| |
| 作者姓名： | 段友祥 王言飞 孙歧峰 |
| |
| 作者单位： | 中国石油大学(华东)计算机与通信工程学院,青岛266580;中国石油大学(华东)计算机与通信工程学院,青岛266580;中国石油大学(华东)计算机与通信工程学院,青岛266580 |
| |
| 基金项目： | “十三五”国家科技重大专项 |
| |
| 摘 要： | 储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由"主成分权重平均"法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。
|
| 关 键 词： | 孔隙度预测 岩性分类 选择性集成学习 机器学习 主成分方法分析法 主成分权重平均法 |
| 收稿时间： | 2019/5/7 0:00:00 |
| 修稿时间： | 2019/10/22 0:00:00 |
Research on Lithology-porosity Prediction Method Based on Ensemble Selection Learning Model |
| |
| Duan Youxiang,Wang Yanfei,Sun Qifeng.Research on Lithology-porosity Prediction Method Based on Ensemble Selection Learning Model[J].Science Technology and Engineering,2020,20(3):1001-1008. |
| |
| Authors: | Duan Youxiang Wang Yanfei Sun Qifeng |
| |
| Institution: | College of Computer and Communication Engineering,China University of Petroleum East China,College of Computer and Communication Engineering,China University of Petroleum East China,College of Computer and Communication Engineering,China University of Petroleum East China |
| |
| Abstract: | |
| |
| Keywords: | porosity prediction lithology classification ensemble selection learning machine learning principal component method analysis principal component weighted average |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《科学技术与工程》浏览原始摘要信息 |
| 点击此处可从《科学技术与工程》下载免费的PDF全文 |
|
