E-mail Alert Rss
 

物探与化探, 2025, 49(6): 1402-1410 doi: 10.11720/wtyht.2025.1492

方法研究信息处理仪器研制

基于SMOTE-LSTM算法的测井岩性识别研究

黄亮,1, 陈炫沂2, 姜振蛟,1, 王金鑫1, 张晨雨1, 宋根发1

1.吉林大学 新能源与环境学院, 吉林 长春 130021

2.中国长江电力股份有限公司, 湖北 武汉 100032

Log-based lithology identification using the SMOTE-LSTM hybrid model

HUANG Liang,1, CHEN Xuan-Yi2, JIANG Zhen-Jiao,1, WANG Jin-Xin1, ZHANG Chen-Yu1, SONG Gen-Fa1

1. College of New Energy and Environment, Jilin University, Changchun 130021, China

2. China Yangtze Power Co., Ltd., Wuhan 100032, China

通讯作者: 姜振蛟(1986-),男,博士,教授,主要从事地热成因机理和地热储层结构研究工作。Email:zjjiang@jlu.edu.cn

第一作者: 黄亮(2001-),男,硕士研究生,研究方向为岩性/非均质结构识别技术。Email:h_liangn@163.com

收稿日期: 2024-12-26   修回日期: 2025-03-28  

基金资助: 测井数据、岩心数据的融合处理软件开发项目(HYY-DJ-KY-J-2023-115)

Received: 2024-12-26   Revised: 2025-03-28  

摘要

发展人工智能算法,从多元测井数据中自动识别地层岩性空间结构,是节约岩性编录成本、降低岩性识别主观性的趋势性途径。针对岩性样本数据分布不均匀、测井属性与岩性之间关系的时空多变性问题,本文构建了SMOTE(过采样算法)-LSTM(长短期记忆网络)混合模型,通过SMOTE算法有效平衡不同岩性类别的样本分布,并融合LSTM算法的深度学习架构,实现测井序列数据中岩性特征的提取,在砂岩型铀矿区进行应用,模型以钻孔测井数据和岩性记录为训练数据,训练后岩性分类预测准确率超过85%,与多种机器学习方法对比,岩性识别准确性和可靠性显著提升。

关键词： 岩性识别; 长短期记忆(LSTM)神经网络; 测井

Abstract

Artificial intelligence algorithms have been developed to automatically identify the spatial structures of formation lithologies from multivariate log data. They represent a promising approach to reducing lithology logging costs and mitigating the subjectivity inherent in lithology identification. Considering the imbalanced distribution of lithology sample data and the spatialtemporal variability in the relationships between log attributes and lithologies, this study constructed a synthetic minority oversampling technique (SMOTE)-long short-term memory (LSTM) hybrid model. The SMOTE algorithm effectively balances the sample distributions of different lithologies, while the LSTM algorithm, using its deep learning architecture, extracts lithological characteristics from the log sequence data. With the borehole log data and lithology records from a sandstone uranium deposit as training data, the SMOTE-LSTM hybrid model achieved a prediction accuracy exceeding 85% in lithology classification. Compared to several other machine learning methods, the SMOTE-LSTM hybrid model demonstrated significantly improved accuracy and reliability in lithology identification.

Keywords： lithology identification; long short-term memory (LSTM) neural network; log

PDF (3253KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

黄亮, 陈炫沂, 姜振蛟, 王金鑫, 张晨雨, 宋根发. 基于SMOTE-LSTM算法的测井岩性识别研究[J]. 物探与化探, 2025, 49(6): 1402-1410 doi:10.11720/wtyht.2025.1492

HUANG Liang, CHEN Xuan-Yi, JIANG Zhen-Jiao, WANG Jin-Xin, ZHANG Chen-Yu, SONG Gen-Fa. Log-based lithology identification using the SMOTE-LSTM hybrid model[J]. Geophysical and Geochemical Exploration, 2025, 49(6): 1402-1410 doi:10.11720/wtyht.2025.1492

0 引言

岩性识别是认识地下空间、开发地质资源的一项基础性工作[1],以往岩性识别主要依赖于钻孔取样、岩矿测试和人为鉴定,虽然识别结果可靠,但成本高、效率低、主观性强[2]。利用测井技术可高效获取与岩性相关的电阻率、声波、自然伽马等地球物理数据,并建立多源地球物理测井数据的高效解译技术,是实现岩性低成本识别的重要途径。目前常用的基于地球物理数据的岩性识别方法包括:岩石物理方程法[3]、交会图技术[4]、克里格空间插值法[5]、数据反演法[6]。但由于地球物理属性与岩性之间关系复杂,例如电阻率受岩性影响的同时,也受含水率、黏土含量等因素的干扰,上述方法在岩性解译过程中往往存在多解性问题[7-8]。

上述方法在数据丰富条件下可以达到理想的岩性预测效果,但在实际矿层条件下往往存在一定的问题:①尽管测井数据较为丰富,但对应的岩性解译数据往往有限;②地层岩性分布概率具有严重不均匀性。上述问题会导致机器学习模型训练和预测能力受到限制。针对数据不完备的情况,选择LSTM模型为基础模型,发挥模型权重数量少、不易过度拟合的优势,表达输入测井数据和输出岩性数据之间的关系;另外引入SMOTE算法,对少数类别样本进行分析和增补,不同类别数据的数量尽量保持平衡,形成SMOTE-LSTM混合模型,用于实际测井数据支撑下的岩性解译,并与主流机器学习方法,在准确度、精确率方面进行对比,体现新方法的优越性和工程实用性。

1 研究区概况

图1研究区位于二连盆地中北部次级构造单元马尼特坳陷内,坳陷内为沉积陆相碎屑沉积构造,在沉积盖层中发育的地层主要包括白垩系,古、新近系和第四系[20]。研究区岩性组合主要由泥岩、粉砂质泥岩、含砾细砂岩、含砾中砂岩、砂砾岩组成,含矿含水层厚度在20~60 m之间,矿砂厚度比例特征为1∶10。为优化模型训练效果,依据研究区钻孔岩性记录设计三级岩性分类方案:1类:泥岩和粉砂质泥岩;2类:含砾细砂岩;3类:砂砾岩和含砾中砂岩。对于同一深度区间同时出现多种岩性的情况,采用优势原则进行分类,即根据各类岩性所占比例的大小,将区间划分为占比最高的岩性类别。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区域测井位置分布示意(a)、测井数据频率分布(b)与测井间相关系数分布(c)

Fig.1   Distribution of logging positions in the study area (a), distribution of logging data frequency (b) and correlation coefficient between logging (c)


本次选择9口具有相对完备的测井数据和岩性编录的勘探井进行模型训练,测井曲线包括自然伽马、电导率、自然电位和井径。选取BC-10号测井作为模型测试集进行测试。各钻孔均包含岩性编录和测井数据(图1b),测井数据的深度间隔为0.1 m,深度均分布在0~120 m,岩性编录按照0.1 m间隔进行统计,在模型训练过程中训练集与验证集数据量的采样比设置为7∶2。同时,模型采用Pearson相关系数量化两个连续变量之间的线性关系强度和方向[21],图1中自然电位与井径的相关性最好,相关系数为0.39;电导率和自然电位的相关系数为-0.22,表明测井数据之间具有一定的相关性,同时,离散数据与复杂环境下岩层实际环境的关系将更密切。

2 理论和方法

2.1 SMOTE-LSTM模型

针对地层的岩性数据有限与不均匀性,导致少数类岩性和薄层砂岩预测准确率低或难以预测的问题,以及传统方法在测井数据解释时忽略测井数据空间的关联性和时序性的问题,运用SMOTE算法对岩性数据进行平衡处理使不同岩性数量和占比基本达到一致。在此基础上搭建SMOTE-LSTM模型,调整模型结构和优化超参数进行训练和验证,实现一维钻孔岩性的精细刻画。

模型输入数据内容为深度、不同深度测井数据,由SMOTE-LSTM模型对输入多维度序列数据进行分析处理,得到测井岩性编录预测结果,并基于评估指标通过混淆矩阵量化模型的准确度,借助常规机器学习算法对比模型先进性和更精细的准确性,流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   SMOTE-LSTM算法流程示意与主要机器学习算法对比

Fig.2   Comparison between SMOTE-LSTM algorithm flow chart and main machine learning algorithms


2.1.1 SMOTE算法

在处理分类问题中数据不平衡现象时,SMOTE算法存在独特优势。算法通过生成合成样本来扩充少数类别的数据量,从而有效改善训练数据中类别分布失衡问题,显著提升模型对少数类别的识别准确率[22]。算法采用K值邻近原理,运行机制如图2所示:①数据选取:从测井参数的少数类样本集合中随机抽取一个目标样本;②邻域确定:以目标样本为中心,搜索并确定K个最近邻样本;③样本配对:从已确定的K个邻近样本中随机选择一个配对样本;④数据合成:在目标样本与配对样本间连线上,随机选取一点作为新生成的合成数据点。

2.1.2 LSTM算法

LSTM算法创新性引入单元状态机制实现信息的选择性保留和遗忘,从而有效捕捉数据中的长期依赖关系[23]。LSTM算法的结构由遗忘门、输入门、记忆细胞和输出门4个关键组件构成[24]。在每个时间步,LSTM接收当前的测井参数数据输入以及上一时间步的隐藏状态。首先,通过遗忘门对当前时间步的输入和上一时间步的隐藏状态进行处理,决定哪些旧的测井参数信息应该被遗忘;接着输入门利用sigmoid层决定哪些新的测井参数信息值得被接纳,同时tanh层生成新的候选记忆细胞状态,两者结合后更新到记忆细胞中;最后,输出门基于当前时间步的输入、上一时间步的隐藏状态以及更新后的记忆细胞,通过sigmoid层决定哪些信息应被输出为当前时间步的岩性预测隐藏状态[25]。这一过程在整个测井参数序列数据中迭代进行,从而有效地捕捉测井参数与岩性之间的长期依赖关系,实现精准的岩性预测。2.1.3 SMOTE-LSTM模型结构及超参数优化

模型以自然伽马、井径、自然电位和电导率4种测井数据为模型输入,岩性数据为模型输出,首先对测井数据进行数据清洗,同时排除未定义数据与离群数据,为确保不同测井数据间,尽管存在量纲不同和数值差异的问题,仍能进行有效的比较和加权处理[26]。研究采用的标准化方法为最大最小归一化方法,将数据映射到[0,1]区间。具体公式为:

${X}_{norm}=\frac{X-{X}_{min}}{{X}_{max}-{X}_{min}}$

在归一化的基础上,搭建SMOTE-LSTM岩性智能识别模型,模型主要利用LSTM层捕捉数据中的长期依赖关系,并通过独特的门控机制有选择地记忆和遗忘信息,从而在处理SMOTE生成的合成少数类样本时能够更好地分辨有意义的模式与噪声。

在SMOTE-LSTM模型中,增加LSTM层数可以提高模型的复杂度和捕捉深层时序特征的能力,并使网络能够构建更抽象的数据表示,模型中LSTM层为3、4层时模型训练、验证集的准确率均高于87%(图3),但层数的增加也会导致过拟合和梯度传播困难问题,当LSTM层分别设置为5、6、7层时,模型预测准确率不断下降,表明层数为4时达到最佳收敛能力。隐藏层神经单元数则直接决定网络的参数复杂度和特征表征能力,当隐藏层单元数目较小时,模型参数量少,特征提取能力受限,模型中隐藏层尺寸为2,训练集和验证集的准确率均较低,分别为88.2%和85%(图3c),当尺寸大于4后,模型具备更强大的表征空间和非线性映射能力,训练集和验证集准确率均上升到90%以上,但不再随着尺寸增大而增大,是由于隐藏层数量越大,容易过拟合且导致计算速度变慢,因此本次研究采用隐藏层神经单元数为4。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   SMOTE-LSTM模型训练集、验证集准确率随(a)LSTM网络层层数、(b)优化器种类、(c)隐藏层神经单元数、(d)Batch size参数变化趋势

Fig.3   The accuracy of SMOTE-LSTM model training set and verification set varies with (a) the number of LSTM network layers, (b) the type of optimizer, (c) the number of neural units in hidden layer, and (d) Batch size parameters


此外,适当的优化器不仅能提高模型对少数类样本的敏感度,还能更好地区分SMOTE生成样本中的有用信息与噪声,平衡准确率与泛化能力。研究中模型综合对比Adam优化器、SGD(随机梯度下降)、Adagrad(自适应梯度优化器)3类优化器,结果显示Adam优化器取得最优的预测性能,模型的训练、验证过程准确率分别达到94.5%、91.6%(图3b),原因是Adam优化器结合动量和自适应学习率的优点,在快速收敛的同时对SMOTE生成的合成样本噪声有较强的鲁棒性。因而研究优化算法采用Adam优化器和Dropout正则化方法,通过自适应调整学习率防止过拟合现象发生,模型得到更快的收敛速度和稳定性。

Batch size是指训练模型时一次性处理的样本数量,大小将影响模型训练效率和稳定性。较大的批量大小使梯度更新稳定且噪声更小,收敛路径更为平滑,较小的批量大小带来更频繁的参数更新和更高的随机性,使模型更敏感地响应每个样本,特别是少数类样本的梯度信息,有利于跳出局部最优。模型中Batch size大于12小于36时(图3d),模型预测准确率均不稳定,综合准确率和稳定性研究选取Batch size数值为28。

综上,在上述模型参数设置的基础上,当模型学习率、迭代次数分别设置为0.001、100时,为模型相对最优的超参数,模型LSTM层激活函数设置为relu函数,全连接层激活函数设置为Softmax函数。

本次研究属于多分类算法模型,采用交叉熵损失函数表示算法误差:

$L=-\sum _{m=1}^{M}p({y}_{m}\left)lg\right[p\left({o}_{m}\right)]$

式中:p(ym)表示真实标签数据的概率值;p(om)表示预测标签数据的概率值。

2.2 评估指标

$AC=\frac{TP+TN}{TP+TN+FP+FN}$。

精确率是模型预测为正类的样本中,实际为正类的样本比例,用于衡量模型在正类预测上的准确性,计算公式为:

$PR=\frac{TP}{TP+FP}$

式(3)、(4)中:TP为正类样本被正确预测为正类的数量;FN为正类样本被错误预测为负类的数量;TN为负类样本被正确预测为负类的数量;FP为负类样本被错误预测为正类的数量。

3 结果与讨论

3.1 岩性预测

在模型训练过程中,随着迭代次数的增加模型性能显著提升。具体而言,训练、验证阶段的准确率分别可达到94%、92%(图4),且曲线趋势基本一致,模型不存在过拟合现象,模型损失函数值最终稳定在0.5以下,数据指标充分展示模型的卓越鲁棒性,预测结果与实际岩性数据高度吻合。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   模型训练集与验证集的准确率趋势(a)和模型混淆矩阵分类结果(b)

Fig.4   The trend chart of accuracy of model training set and verification set (a) and classification result of model confusion matrix (b)


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   测试井经SMOTE算法处理前后准确率对比

Fig.5   Comparison of accuracy of test wells before and after SMOTE algorithm processing


3.2 方法对比

结果显示(图6)SMOTE-LSTM模型预测准确率显著优于KNN和RF模型,分别存在25.6%、17.4%的差异,主要在于KNN和RF模型在区分泥岩和含砾细砂岩方面存在较多误判,基于薄层岩性识别,RF和KNN模型同样出现较多误差;相较于XGBoost和BP模型,SMOTE-LSTM模型虽然准确率优势不太明显,但在预测精确度方面表现出显著优势,分别提升了4.6%、3.4%,原因在于XGBOOST和BP模型在某些薄层岩性的识别上存在预测盲区,而SMOTE-LSTM模型通过时序门控机制实现对测井垂向数据前后关联性的控制。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   岩性识别算法模型准确率、精确率对比(a)和对比模型十折交叉验证结果(b)

Fig.6   Comparison of accuracy and accuracy of lithologic identification algorithm model (a) and ten-fold cross-validation results of comparison model (b)


此外,为量化模型可靠性,研究采用十折交叉验证方式,通过多次训练、测试来降低评估结果的偶然性。研究随机抽取7口井数据构建训练集用于模型参数学习,选取2口井数据作为验证集进行超参数优化,1口井数据作为独立测试集评估最终性能,重复执行十次以确保评估的统计有效性。通过多次交叉验证,模型学习不同地质环境下的通用特征,减少单井特性对模型的误导。结果表明,SMOTE-LSTM联合模型预测准确率在中位数附近聚集,预测性能指标高度一致,准确率均处于84.5%~86.0% (图6b),模型具有稳定性。而XGBOOST算法和KNN算法同样具有稳定的预测能力,但预测性能远低于SMOTE-LSTM联合模型。

具体而言,测试井对比模型预测结果显示(图7),SMOTE-LSTM联合模型对比薄层地层识别表现出显著优越性,特别是在复杂地层序列中的高分辨率预测能力尤为突出。在关键深度区间39.2~39.8 m、61.4~6.3 m、86.9~88.3 m处,对比其他主流模型,SMOTE-LSTM联合模型薄层识别精度明显高于传统算法,对3类岩性薄层均实现了稳定且高置信度的预测。同时,从SMOTE-LSTM联合模型预测结果参数特征分析,砂砾岩、含砾中砂岩预测精度最高,精确率和准确率分别达到96%、88%,泥岩、粉砂质泥岩的预测同样表现出色,精确率和准确率分别为88%、87%(表1)。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   BC-10号测试井预测岩性与真实岩性对比

Fig.7   Comparison between predicted lithology and real lithology of BC-10 test well


表1   SMOTE-LSTM联合模型预测结果参数特征

Table 1  Parameter characteristics of prediction results of Smote-LSTM joint model

岩性精确率/%准确率/%数目
泥岩粉砂质泥岩8887267
含砾细砂岩6277167
砂砾岩含砾中砂岩9688425
权重平均8785859

新窗口打开| 下载CSV


然而,模型仍存在一些识别误差,其中含砾细砂岩的精确率、准确率分别为62%、77%,主要表现在两个方面:部分含砾细砂岩被错误识别为砂砾岩或含砾中砂岩、某些泥岩和粉砂质泥岩被误判为含砾细砂岩,这些误差主要来源于模型在预测时倾向于选择样本量较大的岩性类别,以及选择与预测点特征相似度较高的数据类别。但是SMOTE-LSTM联合模型总体预测精确率为87%,准确率为85%,预测性能最为稳定,综合表现远超其他4种模型。

4 结论

1)经代表性测井数据与岩性编录数据的检验,模型在训练区域岩性准确率超过94%,在验证区域岩性准确率超过92%;测试集成功率为85.1%,其中岩层砂砾岩、含砾中砂岩预测准确率达88%,泥岩、粉砂质泥岩预测准确率达87%,改善了少数类岩性的预测效果,验证了模型对于复杂储层高精度识别相似岩石相能力,同时,数据表明SMOTE算法有效提高了LSTM模型预测能力。

2)模型通过数据平衡和对于测井垂向数据前后关联性的控制,提高了薄层岩性预测准确率,预测性能高于RF、BP、XGBoost、KNN等机器学习算法,表现出一定的优越性。

参考文献

许振浩, 马文, 李术才, 等.

岩性识别:方法、现状及智能化发展趋势

[J]. 地质论评, 2022, 68(6):2290-2304.

[本文引用: 1]

Xu Z H, Ma W, Li S C, et al.

Lithology identification: Method,research status and intelligent development trend

[J]. Geological Review, 2022, 68(6):2290-2304.

[本文引用: 1]

安鹏, 曹丹平.

基于深度学习的测井岩性识别方法研究与应用

[J]. 地球物理学进展, 2018, 33(3):1029-1034.

[本文引用: 1]

An P, Cao D P.

Research and application of logging lithology identification based on deep learning

[J]. Progress in Geophysics, 2018, 33(3):1029-1034.

[本文引用: 1]

Antariksa G, Muammar R, Lee J.

Performance evaluation of machine learning-based classification with rock-physics analysis of geological lithofacies in Tarakan Basin,Indonesia

[J]. Journal of Petroleum Science and Engineering, 2022, 208: 109250.

[本文引用: 1]

范宜仁, 黄隆基, 代诗华.

交会图技术在火山岩岩性与裂缝识别中的应用

[J]. 测井技术, 1999(1):53-56,64.

[本文引用: 1]

Fan Y R, Huang L J, Dai S H.

Application of crossplot technique to the determination of lithology composition and fracture identification of igneous rock

[J]. Well Logging Technology, 1999(1):53-56,64.

[本文引用: 1]

Moscatelli M, Piscitelli S, Piro S, et al.

Integrated geological and geophysical investigations to characterize the anthropic layer of the Palatine hill and Roman Forum

[J]. Bulletin of Earthquake Engineering, 2014, 12(3):1319-1338.

[本文引用: 1]

Sun J J, Li Y G.

Multidomain petrophysically constrained inversion and geology differentiation using guided fuzzy c-means clustering

[J]. Geophysics, 2015, 80(4):ID1-ID18.

[本文引用: 1]

张永刚.

地震波阻抗反演技术的现状和发展

[J]. 石油物探, 2002, 41(4):385-390.

[本文引用: 1]

Zhang Y G.

The present and future of wave impedance inversion technique

[J]. Geophysical Prospecting for Petroleum, 2002, 41(4):385-390.

[本文引用: 1]

Liu W, Du W F, Guo Y L, et al.

Lithology prediction method of coal-bearing reservoir based on stochastic seismic inversion and Bayesian classification:A case study on Ordos Basin

[J]. Journal Geophysics Engineering, 2022, 19(3):494-510.

[本文引用: 1]

匡立春, 刘合, 任义丽, 等.

人工智能在石油勘探开发领域的应用现状与发展趋势

[J]. 石油勘探与开发, 2021, 48(1):1-11.

[本文引用: 1]

Kuang L C, Liu H, Ren Y L, et al.

Application and development trend of artificial intelligence in petroleum exploration and development

[J]. Petroleum Exploration and Development, 2021, 48(1):1-11.

[本文引用: 1]

毋雪雁, 王水花, 张煜东.

K最近邻算法理论与应用综述

[J]. 计算机工程与应用, 2017, 53(21):1-7.

[本文引用: 1]

Wu X Y, Wang S H, Zhang Y D.

Survey on theory and application of K-Nearest-neighbors algorithm

[J]. Computer Engineering and Applications, 2017, 53(21):1-7.

[本文引用: 1]

Wang X D, Yang S C, Zhao Y F, et al.

Lithology identification using an optimized KNN clustering method based on entropy-weighed cosine distance in Mesozoic strata of Gaoqing field,Jiyang depression

[J]. Journal of Petroleum Science and Engineering, 2018, 166:157-174.

[本文引用: 1]

吕红燕, 冯倩.

随机森林算法研究综述

[J]. 河北省科学院学报, 2019, 36(3):37-41.

[本文引用: 1]

Lyu H Y, Feng Q.

A review of random forests algorithm

[J]. Journal of the Hebei Academy of Science, 2019, 36(3):37-41.

[本文引用: 1]

Xi Y T, Mohamed Taha A M, Hu A Q, et al.

Accuracy comparison of various remote sensing data in lithological classification based on random forest algorithm

[J]. Geocarto International, 2022, 37(26):14451-14479.

[本文引用: 1]

丁世飞, 齐丙娟, 谭红艳.

支持向量机理论与算法研究综述

[J]. 电子科技大学学报, 2011, 40(1):2-10.

[本文引用: 1]

Ding S F, Qi B J, Tan H Y.

An overview on theory and algorithm of support vector machines

[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(1):2-10.

[本文引用: 1]

朱怡翔, 石广仁.

火山岩岩性的支持向量机识别

[J]. 石油学报, 2013, 34 (2):312-322.

[本文引用: 1]

Zhu Y X, Shi G R.

identification of lithologic characteristics of volcanic rocks by support vector machine

[J]. Acta PetroleiI Sinica, 2013, 34 (2):312-322.

[本文引用: 1]

李占山, 刘兆赓.

基于XGBoost的特征选择算法

[J]. 通信学报, 2019, 40(10):101-108.

[本文引用: 1]

Li Z S, Liu Z G.

Feature selection algorithm based on XGBoost

[J]. Journal on Communications, 2019, 40(10):101-108.

[本文引用: 1]

闫星宇, 顾汉明, 肖逸飞, 等.

XGBoost算法在致密砂岩气储层测井解释中的应用

[J]. 石油地球物理勘探, 2019, 54(2):447-455,241.

[本文引用: 1]

Yan X Y, Gu H M, Xiao Y F, et al.

XGBoost algorithm applied in the interpretation of tight-sand gas reservoir on well logging data

[J]. Oil Geophysical Prospecting, 2019, 54(2):447-455,241.

[本文引用: 1]

苏高利, 邓芳萍.

论基于MATLAB语言的BP神经网络的改进算法

[J]. 科技通报, 2003, 19(2):130-135.

[本文引用: 1]

Su G L, Deng F P.

On the improving backpropagation algorithms of the neural networks based on MATLAB language:A review

[J]. Bulletin of Science and Technology, 2003, 19(2):130-135.

[本文引用: 1]

Luo H, Lai F Q, Dong Z, et al.

A lithology identification method for continental shale oil reservoir based on BP neural network

[J]. Journal of Geophysics and Engineering, 2018, 15(3):895-908.

[本文引用: 1]

刘武生, 康世虎, 贾立城, 等.

二连盆地中部古河道砂岩型铀矿成矿特征

[J]. 铀矿地质, 2013, 29(6):328-335.

[本文引用: 1]

Liu W S, Kang S H, Jia L C, et al.

Characteristics of paleo-valley sandstone-type uranium mineralization in the middle of erlian basin

[J]. Uranium Geology, 2013, 29(6):328-335.

[本文引用: 1]

樊嵘, 孟大志, 徐大舜.

统计相关性分析方法研究进展

[J]. 数学建模及其应用, 2014, 3(1):1-12.

[本文引用: 1]

Fan R, Meng D Z, Xu D S.

Survey of research process on statistical correlation analysis

[J]. Mathematical Modeling and Its Applications, 2014, 3(1):1-12.

[本文引用: 1]

Fernandez A, Garcia S, Herrera F, et al.

SMOTE for learning from imbalanced data:Progress and challenges,marking the 15-year anniversary

[J]. Journal of Artificial Intelligence Research, 2018, 61:863-905.

[本文引用: 1]

Gers F A, Schmidhuber J, Cummins F.

Learning to forget:Continual prediction with LSTM

[J]. Neural Computation, 2000, 12(10):2451-2471.

[本文引用: 1]

Yu Y, Si X S, Hu C H, et al.

A review of recurrent neural networks:LSTM cells and network architectures

[J]. Neural Computation, 2019, 31(7):1235-1270.

[本文引用: 1]

刘建伟, 宋志妍.

循环神经网络研究综述

[J]. 控制与决策, 2022, 37(11):2753-2768.

[本文引用: 1]

Liu J W, Song Z Y.

Overview of recurrent neural networks

[J]. Control and Decision, 2022, 37(11):2753-2768.

[本文引用: 1]

Milligan G W, Cooper M C.

A study of standardization of variables in cluster analysis

[J]. Journal of Classification, 1988, 5(2):181-204.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-3
版权所有 © 2021《物探与化探》编辑部
通讯地址：北京市学院路29号航遥中心 邮编：100083
电话：010-62060192；62060193 E-mail：whtbjb@sina.com , whtbjb@163.com