基于機器學(xué)習(xí)的頁巖氣總有機碳含量預(yù)測模型

魏明強,周金鑫,段永剛,董全

(1.西南石油大學(xué)石油與天然氣工程學(xué)院,成都 610500; 2.中國石油西南油氣田分公司勘探事業(yè)部,成都 610000)

頁巖氣是游離和吸附在頁巖孔隙中,需要人工改造后才能得到工業(yè)氣流的天然氣[1]。總有機碳含量(total organic carbon,TOC)是評價頁巖氣藏生烴能力的重要參數(shù),其值越高越有利于頁巖氣的富集,一般認(rèn)為TOC含量大于2%時,頁巖氣藏才具有商業(yè)開采的價值[2-3]。相對于復(fù)雜、昂貴的鉆井取心和實驗室?guī)r心分析而言,將測井技術(shù)應(yīng)用在頁巖氣儲層評價上具有更快速、更高效的優(yōu)勢[4]。20世紀(jì)80年代,人們發(fā)現(xiàn)測井曲線和總有機碳含量之間的相關(guān)關(guān)系,測井?dāng)?shù)據(jù)就被廣泛運用到總有機碳含量的計算中?？傆袡C碳含量主要測定方法有巖心實驗室測定方法、ΔlgR法、自然伽馬能譜法、巖性掃描測井法、多元線性回歸擬合法等[5-7]。Passey等[8]用聲波曲線和電阻率曲線計算得到總有機碳含量,即ΔlgR法;Schmoker[9]用密度測井、自然伽馬測井資料回歸分析計算得到總有機碳含量;Lewis等[10]提出了用元素俘獲能譜測井等參數(shù)計算干酪根和總有機碳含量。

頁巖氣藏與常規(guī)油氣藏存在很大差異,這使得頁巖氣的測井評價方法與常規(guī)測井評價方法不同[11],而且TOC含量與多個參數(shù)之間有著較為復(fù)雜的非線性關(guān)系,常規(guī)測井解釋方法存在著精度不高、泛化能力不強等缺點,不能滿足頁巖氣勘探開發(fā)的需求。

隨著人工智能的發(fā)展,大量學(xué)者將一些機器學(xué)習(xí)的方法運用到頁巖氣藏總有機碳含量的預(yù)測中。Khoshnoodkia等[12]用神經(jīng)網(wǎng)絡(luò)方法有效預(yù)測了TOC含量;Tan等[13]將支持向量回歸技術(shù)運用在總有機碳含量的預(yù)測上,體現(xiàn)了支持向量回歸技術(shù)在總有機碳含量預(yù)測上的適用性;陳娟等[14]采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測頁巖氣水平井壓后產(chǎn)能,得到TOC含量等地質(zhì)參數(shù)是影響累產(chǎn)氣量的主控因素。畢臣臣[15]建立深度前饋神經(jīng)網(wǎng)絡(luò)模型,利用共軛梯度法對網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化,預(yù)測得到TOC含量。王惠君等[16]以上古生界泥質(zhì)烴源巖為研究對象,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的TOC預(yù)測模型,通過對比試驗驗證了該方法的有效性。楊占偉等[17]利用主成分分析法對測井資料進(jìn)行預(yù)處理,建立BP神經(jīng)網(wǎng)絡(luò)和梯度提升決策樹TOC預(yù)測模型,提高區(qū)塊TOC曲線的預(yù)測精度。調(diào)研發(fā)現(xiàn)目前基于機器學(xué)習(xí)的預(yù)測模型對模型影響因素的探究還不夠深入。

川南海相頁巖氣藏成功商業(yè)化開發(fā)為中國頁巖氣開采提供寶貴經(jīng)驗,基于大數(shù)據(jù)分析的機器學(xué)習(xí)能夠快速、有效地處理大量數(shù)據(jù)信息,將其引用到頁巖氣藏的評價處理中,有明顯的優(yōu)勢?，F(xiàn)對威遠(yuǎn)-長寧區(qū)塊多口測井?dāng)?shù)據(jù)進(jìn)行分析、整理,針對巖心樣本少,取芯層段較為集中,以往基于測井?dāng)?shù)據(jù)和巖心數(shù)據(jù)建立的機器學(xué)習(xí)儲層參數(shù)預(yù)測模型僅能對特定層段進(jìn)行預(yù)測和面對較長井段時,預(yù)測精度不夠高等缺點,以得到的測井?dāng)?shù)據(jù)作為輸入值,測井解釋結(jié)果作為輸出值,建立多個不同參數(shù)的總有機碳含量預(yù)測模型,對預(yù)測模型的特征組合、網(wǎng)絡(luò)結(jié)構(gòu)、優(yōu)化器、訓(xùn)練批次等參數(shù)的設(shè)置進(jìn)行探討,以確定最優(yōu)的預(yù)測模型,與實驗室得到的巖心數(shù)據(jù)和其他特殊測井方法得到的結(jié)果進(jìn)行預(yù)測效果對比,驗證模型的可行性。

1 區(qū)塊總有機碳含量測井敏感性分析

總有機碳含量與測井?dāng)?shù)據(jù)之間有較為明顯的規(guī)律,根據(jù)X13井巖心得到的分析數(shù)據(jù),建立了研究區(qū)塊的總有機碳含量的測井敏感性分析。氣層中烴源巖越成熟,有機質(zhì)越多,總有機碳含越量高,聲波時差出現(xiàn)“周波跳躍”現(xiàn)象,補償聲波增大,因為有機質(zhì)密度低,補償密度值隨之減小,有機質(zhì)還會吸附鈾這一放射元素,自然伽馬值也會越高[18],同時鈾富集在還原環(huán)境而釷富集在氧化環(huán)境,因此總有機碳含量越高,呈現(xiàn)出高鈾、低釷的特征[19]。補償中子值會因含氫指數(shù)顯高值,但束縛水和有機質(zhì)都含氫,造成補償中子特征不太明顯[20]。圖1得到,總有機碳含量與補償聲波、自然伽馬、鈾曲線呈現(xiàn)正相關(guān),與無鈾伽馬、補償密度、補償中子和釷曲線呈現(xiàn)負(fù)相關(guān),基本符合頁巖氣常規(guī)測井曲線特征。

圖1 總有機碳含量與各種測井?dāng)?shù)據(jù)交會圖

在實際測井過程中,由于人為因素或者儀器故障等因素,數(shù)據(jù)集中可能出現(xiàn)大段缺失、重復(fù)、偏離正常趨勢及不符合生產(chǎn)實際的異常點,在構(gòu)建模型前,需對測井?dāng)?shù)據(jù)進(jìn)行處理以符合生產(chǎn)實際。數(shù)據(jù)預(yù)處理主要包含異常點檢測、缺失值處理和歸一化三部分。本文研究分別選取有自然伽馬能譜測井資料的5口井和不包含自然伽馬能譜測井資料的17口井資料,對測井?dāng)?shù)據(jù)預(yù)處理后,開展巖心實驗分析得到TOC,使用皮爾遜(Pearson)相關(guān)性系數(shù)算法對其相關(guān)性進(jìn)行檢驗,得到測井?dāng)?shù)據(jù)相關(guān)性(表1和表2)。

表1 含能譜測井?dāng)?shù)據(jù)相關(guān)性

表2 不含能譜測井?dāng)?shù)據(jù)相關(guān)性

從表1可以得到在自然伽馬能譜測井資料中,總有機碳含量與補償聲波、自然伽馬和鈾的相關(guān)性較好,與鉀和無鈾伽馬的相關(guān)性很差,甚至還低于補償中子的相關(guān)性,與前文單因素分析的結(jié)果相矛盾。出現(xiàn)這種現(xiàn)象是因為總有機碳含量值是實驗室?guī)r心分析得到,不同解釋方法直接影響了總有機碳含量與測井資料的相關(guān)性。另外實驗室獲得巖心數(shù)據(jù)時,選用的儲層約80 m,巖心只有75塊,相對于由五口測井資料所得到5 000 m儲層段、50 000個數(shù)據(jù)點,出現(xiàn)相關(guān)性不一致的現(xiàn)象并非不符常理。

對比表1和表2,基于常規(guī)測井項目解釋和自然伽馬能譜測井解釋得到的總有機碳含量與各種測井資料的相關(guān)性不一致。常規(guī)測井項目解釋的總有機碳含量與密度出現(xiàn)極強相關(guān),自然伽馬能譜測井解釋得到的總有機碳含量與鈾出現(xiàn)極強相關(guān),總有機碳含量的計算就可以有多種不同方法,在這里基于常規(guī)測井項目總有機碳含量的計算可以采用密度法,含有自然伽馬能譜測井項目總有機碳含量的計算可以用鈾曲線來回歸。

2 BP神經(jīng)網(wǎng)絡(luò)總有機碳含量預(yù)測模型

2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

BP算法利用前向傳播輸出的最后結(jié)果來計算誤差的偏導(dǎo)數(shù),再用這個偏導(dǎo)數(shù)與前面的隱藏層進(jìn)行加權(quán)求和,如此一層一層地向后傳下去,直到輸入層,最后利用每個節(jié)點求出的偏導(dǎo)數(shù)來更新權(quán)重,通過不斷調(diào)節(jié)網(wǎng)絡(luò)權(quán)重值,使網(wǎng)絡(luò)的最終輸出與期望輸出盡可能接近,以達(dá)到訓(xùn)練的目的。

假定有m個訓(xùn)練樣本{(x1,y1),(x2,y2),…,(xm,ym)},其中d(i)為對應(yīng)輸入x(i)的期望,定義誤差函數(shù)E為

(1)

式(1)中:E(i)為單個樣本的訓(xùn)練誤差。

(2)

式(2)中:dk(i)為期望輸出值;yk(i)為實際輸出值。

將式(2)代入式(1),可以得到新的誤差函數(shù)E為

(3)

BP算法每次迭代按以下方式對權(quán)重和偏置進(jìn)行更新,即

(4)

(5)

通過Python中的tensorflow深度學(xué)習(xí)庫編程建立基于BP算法的神經(jīng)網(wǎng)絡(luò)模型,模型建立和訓(xùn)練的步驟如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)模型建立框圖

對所有網(wǎng)絡(luò)模型采用隨機初始化,選取含能譜伽馬測井和不含能譜伽馬測井的數(shù)據(jù),基于表1和表2測井?dāng)?shù)據(jù)相關(guān)性表,隨機組合與總有機碳含量有極強相關(guān)性的特征和其他特征,建立了不同特征組合、不同結(jié)構(gòu)和不同訓(xùn)練參數(shù)的神經(jīng)網(wǎng)絡(luò)模型如表3所示,使用平均絕對誤差(mean absolute error,MAE)作為訓(xùn)練過程中的評估指標(biāo)(metrics),模型訓(xùn)練時每進(jìn)行一輪迭代輸出一次loss和MAE作為模型精度是否符合要求的參考,并對比每個模型之間的差異并對各影響因素進(jìn)行了分析研究,最后確定了最優(yōu)的預(yù)測模型。

表3 不同條件下的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果對比

2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型影響因素分析

2.2.1 特征組合

相同神經(jīng)網(wǎng)絡(luò)模型下的測試集決定系數(shù)R2隨特征數(shù)量的增多而增大。這一規(guī)律并非是絕對的,因為以上模型都建立在總有機碳含量與各特征值存在相關(guān)性的情況下,相關(guān)性只是特征選取的參考之一,即便加入相關(guān)性偏低的特征,也有可能提高模型訓(xùn)練的準(zhǔn)確率。對比表3中的模型1和5,在不考慮與總有機碳含量相關(guān)性極低的鉀和無鈾伽馬之后,測試集R2降低,說明在模型5中鉀和無鈾伽馬對訓(xùn)練模型的準(zhǔn)確度是有貢獻(xiàn)的。

同時因為訓(xùn)練數(shù)據(jù)的維度不高,在多層神經(jīng)網(wǎng)絡(luò)中模型能將訓(xùn)練數(shù)據(jù)的關(guān)系表達(dá)得很好,造成了一些弱相關(guān)的特征也會提升模型的準(zhǔn)確率。對于幾十、幾百個特征的高維數(shù)據(jù),在數(shù)據(jù)處理時需要對數(shù)據(jù)進(jìn)行降維處理,因為過高的維度會對模型結(jié)果造成不良影響。對比表3中模型11、12、13,MAE隨特征增加而降低,測試集R2隨特征增多而升高,但在用未參與訓(xùn)練的井作為模型驗證井評價模型的泛化能力時,模型11、12、13驗證井R2分別是0.936、0.941、0.923,對比得到模型12的泛化能力最強,模型13訓(xùn)練時,將訓(xùn)練集中的噪音和不具代表性的特征擬合了,存在過擬合。

特征之間存在多重共線性可能影響模型的泛化能力。在回歸問題中,特征之間的多重共線性會使得相關(guān)性不會隨著模型的調(diào)整或數(shù)據(jù)的改變而規(guī)律的變化。因為線性回歸模型與神經(jīng)網(wǎng)絡(luò)模型有相似的地方,這就可能使得特征間的共線性會使得模型的泛化性變差。因此,為提高模型的預(yù)測精度,模型在訓(xùn)練時選取的參數(shù)應(yīng)該優(yōu)選與目標(biāo)值相關(guān)性較好的特征,而且特征間的相關(guān)性應(yīng)該盡量低才好。

2.2.2 網(wǎng)絡(luò)結(jié)構(gòu)

對比表3中的模型3、4、5,相同特征組合下,隨神經(jīng)網(wǎng)絡(luò)層數(shù)的加深,MAE降低,R2升高,說明增加網(wǎng)絡(luò)層數(shù)可以提高訓(xùn)練準(zhǔn)確度。對比表3中的模型2和模型3,減少其中一層隱層上的神經(jīng)元個數(shù),模型MAE升高,R2降低,可以得出:適當(dāng)增大隱層中的神經(jīng)元個數(shù)也可以提高訓(xùn)練模型的精度。不論是增加神經(jīng)網(wǎng)絡(luò)層數(shù)還是增加某一層神經(jīng)元的個數(shù)都增加了模型整體的復(fù)雜度,在不出現(xiàn)過擬合的前提上,合適的模型復(fù)雜度可以提升模型的精度。本文對每個神經(jīng)網(wǎng)絡(luò)模型采用兩種方法防止過擬合。

(1)交叉驗證。數(shù)據(jù)導(dǎo)入模型前,將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集,表3中模型7訓(xùn)練過程如圖3(a)和圖3(b)所示。模型將每輪對32 256個樣本訓(xùn)練后的模型在8 064個點上進(jìn)行驗證,得到驗證集的損失Val loss和平均誤差 Val MAE。當(dāng)訓(xùn)練損失下降,驗證集損失也下降時,說明模型還未達(dá)到最優(yōu),仍在訓(xùn)練過程中;當(dāng)訓(xùn)練損失下降,驗證集損失趨于不變時,說明模型開始過擬合。圖3(a)可以看出模型在大約第60輪左右,驗證集損失Val loss不再下降而是趨于附近波動,說明模型7在第60輪左右處泛化能力最強,之后已出現(xiàn)過擬合。

Train Loss為訓(xùn)練集損失;Val loss為驗證集損失

(2)早停法。在模型7訓(xùn)練時,用早停法監(jiān)控驗證集損失值Val loss,設(shè)定EarlyStopping的忍受值(Patience)為30,即容忍檢測到的驗證集損失在30輪內(nèi)都沒有改進(jìn)(變小)時提前終止訓(xùn)練。圖3(b)就是使用EarlyStopping后的模型訓(xùn)練圖,可以看出模型7在第60輪左右達(dá)到最佳,繼續(xù)訓(xùn)練30輪后沒有改進(jìn),停止了訓(xùn)練。訓(xùn)練停止后得到的模型是第90輪左右的模型,與最佳狀態(tài)模型可能有略微差異,所以對Patience值的選取也應(yīng)該適中。Patience過大,導(dǎo)致訓(xùn)練停止時模型過擬合程度加大,過小又可能會因為前期訓(xùn)練中較大、較多的波動在還未達(dá)到最佳效果時提前停止。

2.2.3 優(yōu)化器

神經(jīng)網(wǎng)絡(luò)訓(xùn)練就是使損失函數(shù)值盡可能小的過程,實現(xiàn)這一目的就需要優(yōu)化器。不同優(yōu)化器的原理不同,最優(yōu)化的過程也不同,最終對模型訓(xùn)練結(jié)果也會產(chǎn)生差異。根據(jù)表3的模型7、8、9、10可以得到,Adadelta對所建模型的結(jié)果影響最佳,SGD(stochastic gradient descent)最差。

如圖3所示,模型7、9訓(xùn)練損失下降,驗證集損失在迭代60輪左右后,驗證集損失基本趨于不變,模型8、10訓(xùn)練損失下降,驗證集損失也一直在下降,可以得到Adadelta和Adam使模型收斂更快,大約迭代60輪即可得出最佳模型;SGD訓(xùn)練時誤差波動較大,導(dǎo)致收斂也最慢;Adagrad訓(xùn)練時誤差波動最小,但收斂速度一般。

2.2.4 訓(xùn)練批次(batch_size)

由表4可以得到,模型8-2的batch_size減小后其訓(xùn)練時長明顯變長,且單次輪回時間約5 s,而模型1的單次迭代時間約2 s。模型8-2的MAE相對于模型1而言升高了0.01,但無法判斷是否因為batch_size的不同而造成的,因為模型都是隨機初始化,起始條件不同,完全一致的神經(jīng)網(wǎng)絡(luò)也會有細(xì)小差異。合理的batch_size能夠提高內(nèi)存的利用率,并且在訓(xùn)練中每次更新的并非全部數(shù)據(jù),只是用一個批量的數(shù)據(jù),這會給訓(xùn)練帶來人為誤差,但這些誤差被證明能使算法走出“鞍點”(局部最小值),不使用batch_size的機器學(xué)習(xí)易陷入“鞍點”。隨著計算機計算能力的提升,batch_size推薦設(shè)置在32以內(nèi),在處理測井?dāng)?shù)據(jù)這一類特征少、數(shù)據(jù)量夠龐大的數(shù)據(jù)集時,不用像圖像識別等深度學(xué)習(xí)領(lǐng)域那樣去犧牲部分準(zhǔn)確率來換取較短的訓(xùn)練時間。

3 支持向量機總有機碳含量預(yù)測模型

3.1 支持向量機預(yù)測模型

支持向量機(support vector machine,SVM)是對數(shù)據(jù)進(jìn)行二分類的監(jiān)督學(xué)習(xí),通過尋找超平面以間隔最大化的學(xué)習(xí)策略對樣本進(jìn)行分割,最終轉(zhuǎn)化為求解凸二次規(guī)劃問題。本文研究主要使用支持向量回歸機對數(shù)據(jù)進(jìn)行回歸分析?；谙嚓P(guān)性檢測,通過Python編程建立支持向量機模型,支持向量機模型建立和訓(xùn)練的步驟如圖4所示。

圖4 支持向量機模型建立框圖

支持向量機模型采用含自然伽馬能譜測井的數(shù)據(jù)進(jìn)行訓(xùn)練,對不同特征組合和不同核函數(shù)選擇對模型的影響進(jìn)行分析。訓(xùn)練結(jié)果如表5所示。

表5 不同輸入變量的支持向量機訓(xùn)練結(jié)果對比

3.2 支持向量機預(yù)測模型影響因素分析

3.2.1 特征組合

根據(jù)建立的15個模型得到與BP神經(jīng)網(wǎng)絡(luò)相似的結(jié)論:總有機碳含量與各特征都有相關(guān)性時,相同神經(jīng)網(wǎng)絡(luò)模型下的測試集R2隨特征數(shù)量的增多而增大。同樣的為提高模型的預(yù)測精度,模型在訓(xùn)練時選取的參數(shù)應(yīng)該優(yōu)選與目標(biāo)值相關(guān)性較好的特征,而且特征間的相關(guān)性應(yīng)該盡量低才好。

3.2.2 核函數(shù)

對5種特征組合建立了支持向量機模型,并使用不同的核函數(shù)對每種組合進(jìn)行訓(xùn)練。從訓(xùn)練結(jié)果可以看出多項式核函數(shù)對模型的訓(xùn)練效果最差,幾乎不擬合,徑向基核函數(shù)的效果在相同特征組合上均好于線性核函數(shù)?？赡艿脑蚴嵌囗検胶撕瘮?shù)的參數(shù)使用的是默認(rèn)參數(shù),不適合當(dāng)前數(shù)據(jù)集的訓(xùn)練。在實際使用中,對于特征較多,訓(xùn)練集不大的情況使用線性核效果較好,較多的在特征較少,訓(xùn)練集數(shù)量十分可觀的情況下使用非線性核,使大量的訓(xùn)練集能在訓(xùn)練中提供更多的變化幅度,這也是上述支持向量機模型使用rbf核函數(shù)能取得較好效果的原因;當(dāng)特征較少,而訓(xùn)練集非常龐大的情況,可以選用線性核來降低運算時間,因為非線性核所需的計算量相當(dāng)大,在能保證模型精度差異不大時,使用線性核更優(yōu)。

4 實例驗證

W區(qū)塊位于四川盆地,區(qū)塊內(nèi)主要有五峰組-龍馬溪組、筇竹寺組處于有利相帶,富含有機質(zhì)頁巖。為進(jìn)一步驗證模型的實用性,選擇區(qū)塊中未參與訓(xùn)練的H24井作為含能譜測井資料模型的案例井,使用表3中模型6對其總有機碳含量進(jìn)行預(yù)測;選擇區(qū)塊中未參與訓(xùn)練的X23、X24井作為不含能譜測井資料的案例井,使用表3中泛化能力最強的模型12對總有機碳含量進(jìn)行預(yù)測,并將預(yù)測結(jié)果與實驗室得到的巖心數(shù)據(jù)進(jìn)行對比,得到預(yù)測結(jié)果如表6所示,和測井得到的真實值TOC_TRUE、模型預(yù)測得到的預(yù)測值TOC_PRE、巖心實驗室測定值TOC_OB隨儲層深度DEPTH變化圖,如圖5和圖6所示。

TOC_TRUE為測井總有機碳含量值; TOC_PRE為模型預(yù)測總有機碳含量值;TOC_OB為實驗測定總有機碳含量值;DEPTH為儲層深度

TOC_TRUE為測井總有機碳含量值; TOC_PRE為模型預(yù)測總有機碳含量值;TOC_OB為實驗測定總有機碳含量值;DEPTH為儲層深度

表6 預(yù)測結(jié)果

根據(jù)結(jié)果可以得到模型6預(yù)測結(jié)果能反映實驗室測井解釋的大致趨勢,但誤差相對較大;模型12能夠有很好的預(yù)測效果,對比兩個模型,分析其誤差可能原因如下。

(1)相對于17口井的數(shù)據(jù)而言,含能譜測井的5口井?dāng)?shù)據(jù)較少,而且主要使用的是評價井?dāng)?shù)據(jù),使用能譜測井的儲層段較短。這使得模型6比模型12的預(yù)測效果要差。

(2)數(shù)據(jù)過于集中,5口井的總有機碳含量的值主要集中在1.3左右,低值在訓(xùn)練中對模型權(quán)重有較大的影響,導(dǎo)致模型6對高值的預(yù)測誤差較大。

(3)對于模型12,由于模型使用的是水平井的測井?dāng)?shù)據(jù),總體數(shù)據(jù)分布比較均勻,但低值較少,這使得其總體預(yù)測結(jié)果比原始的測井解釋稍大,其誤差主要集中在低值和0點出,在主力產(chǎn)層龍馬溪組下部的預(yù)測結(jié)果與原始的測井解釋結(jié)果幾乎一致。

5 結(jié)論

以川南海相頁巖氣為研究對象,開展了總有機碳含量的BP神經(jīng)網(wǎng)絡(luò)和支持向量機預(yù)測模型的研究,得到以下結(jié)論。

(1)根據(jù)實驗室?guī)r心獲得的數(shù)據(jù)建立了研究區(qū)塊總有機碳含量的測井響應(yīng)特征,得到該區(qū)塊富氣頁巖層段的測井響應(yīng)具有高自然伽馬、高補償聲波、高鈾、低無鈾伽馬、低密度、低釷的特征。

(2)通過實例證明,基于不含自然伽馬能譜測井資料的BP神經(jīng)網(wǎng)絡(luò)模型12能夠相當(dāng)好地反映出地層的實際情況,MAE為0.13,R2為0.989,相對誤差為4.26%。

(3)采用RBF核函數(shù)的支持向量機模型預(yù)測效果明顯好于采用線性核函數(shù)和多項式核函數(shù)的模型,使用多項式核函數(shù)的支持向量機模型預(yù)測效果最差。與多層神經(jīng)網(wǎng)絡(luò)模型相比,支持向量機模型訓(xùn)練時間極短,但預(yù)測精度不高。

(4)多層神經(jīng)網(wǎng)絡(luò)可以對測井?dāng)?shù)據(jù)進(jìn)行較深入的訓(xùn)練,但只采用實驗室?guī)r心獲得的數(shù)據(jù)進(jìn)行訓(xùn)練并不能很好地反映出整個產(chǎn)層物性的變化趨勢,基于處理后的測井資料所訓(xùn)練出的模型能夠很好地預(yù)測整個產(chǎn)層總有機碳含量的變化趨勢。如果測井資料的數(shù)量足夠大,其訓(xùn)練出的模型的預(yù)測結(jié)果和真實值幾乎一致。