基于不同机器学习模型的石油测井数据岩性分类对比研究

江丽, 张智谟, 王琦玮, 封志兵, 张博程, 任腾飞

Comparative study on lithology classification of oil logging data based on different machine learning models

JIANG Li, ZHANG Zhi-Mo, WANG Qi-Wei, FENG Zhi-Bing, ZHANG Bo-Cheng, REN Teng-Fei

表3 MLP和XGBoost模型分类报告

Table 3 MLP and XGBoost model classification report

岩性 编号 MLP模型 XGBoost 精确度/% 召回率/% F1值/% 支持度 精确度/% 召回率/% F1值/% 支持度 凝灰岩 0 0.76 0.61 0.68 222 0.91 0.73 0.81 206 砂岩 1 0.85 0.90 0.87 1771 0.92 0.92 0.92 1775 泥质砂岩 2 0.77 0.76 0.76 1014 0.84 0.81 0.82 993 页岩 3 0.96 0.97 0.96 9764 0.97 0.99 0.98 9670 泥岩 4 0.80 0.73 0.81 464 0.92 0.91 0.91 476 白云岩 5 0.71 0.68 0.69 25 0.78 0.70 0.74 20 石灰岩 6 0.90 0.82 0.86 1807 0.93 0.90 0.91 1856 白垩岩 7 0.86 0.89 0.88 564 0.95 0.89 0.92 638 岩盐 8 0.67 0.50 0.57 8 1.00 0.60 0.75 10 煤炭 9 0.86 0.79 0.83 24 0.93 0.74 0.82 19 准确率 0.92 15563 0.95 15663 宏平均 0.81 0.78 0.79 15663 0.91 0.82 0.86 15663 加权平均 0.92 0.92 0.92 15663 0.95 0.95 0.95 15663