Прогноз литологии и пористости по ГИС на месторождении с блоковым строением: сравнение алгоритмов случайного леса и нейронной сети
М.Э. Мартыненков* (1) (1 - ООО «ИРМ»)
Аннотация: Представлено сравнение двух алгоритмов машинного обучения – случайного леса и полносвязной нейронной сети – для прогноза литологии (три фации: песчаник, глина, конгломерат) и пористости по данным ГИС на месторождении с блоковым строением (терригенный коллектор, 95 скважин). Для оценки обобщающей способности применена кросс-валидация по тектоническим блокам (leave-one-block-out) и случайное разбиение 70/30. Нейросеть с оптимизатором Adagrad показала R²=0,788 для пористости при времени обучения 54 с на 200 точек. Для литологии лучший R²=0,696 (Adagrad), случайный лес дал 0,693, при этом нейросеть в 1,7 раза быстрее. Показано, что учёт блочности занижает R² на 0,01–0,02 по сравнению со случайным разбиением. Оптимизатор LBFGS не рекомендуется из-за несходимости. Сделан вывод о предпочтительности нейросетей с Adagrad для пористости и равноценности методов для литологии при ограниченной выборке. Методология может быть полезна для аналогичных объектов.
Доступно только для зарегистрированных пользователей
Доступно только для зарегистрированных пользователей


