简介：介绍并比较了两种有监督的机器学习方法：BP神经网络和决策树。用两种方法分别论证了如何利用测井信息非线性地表示孔隙度。与传统的线性回归方法相比,机器学习效果更好,准确性更高。BP神经网络和决策树的应用效果表明,机器学习可以有效预测孔隙度,也可以应用于储层孔隙度预测中。相比之下,神经网络具有更高的准确性和更广阔的前景。
简介：电阻率测井已经成为页岩气测井中不可缺少的一种方法,有机质碳化以及页岩的形成环境均会导致电阻率测井方法在评估总有机碳含量(TOC)上出现偏差。针对页岩成熟度对页岩气测井电阻率的影响,采用X衍射、有机地化测试及岩石学参数测试等手段,建立了页岩成熟度与电性特征关系。研究结果表明,川南龙马溪组海相页岩具有超高的成熟度,当页岩TOC>1.5%时,页岩沉积为强水动力条件,页岩成熟度随TOC含量的升高而升高;页岩的碳化现象导致电阻率降低,TOC与电阻率呈明显的负相关关系。研究结果为川南龙马溪组海相页岩气电阻率测井和电磁法勘探提供了实验数据支持。
基于机器学习的孔隙度预测方法研究
川南海相页岩成熟度与电性特征关系分析
