光电子因子（PEF）是区分不同类型的储层岩石的重要良好记录工具，因为PEF测量对高原子数的元素敏感。此外，可以通过将PEF日志与其他井对数结合来确定岩石矿物的比率。但是，在某些情况下，PEF日志可能会缺少，例如在旧的井木和井中钻孔的井。因此，在这种情况下，开发用于估计缺失PEF日志的模型至关重要。在这项工作中，我们开发了各种机器学习模型，以使用以下井日志作为输入来预测PEF值：散装密度（RHOB），中子孔隙率（NPHI），伽马射线（GR），压缩和剪切速度。使用自适应网络模糊推理系统（ANFI）和人工神经网络（ANN）模型的PEF值的预测分别在测试数据集中的误差分别为16％和14％的平均绝对百分比误差（AAPE）。因此，提出了一种基于自动化机器学习概念的不同方法。它通过自动搜索最佳模型类型并优化了正在研究的数据集的超参数来工作。该方法选择了高斯过程回归（GPR）模型以准确估计PEF值。开发的GPR模型将测试数据集中预测的PEF值的AAPE降低到约10％AAPE。通过使用GPR模型对测量中的潜在噪声进行建模，可以进一步降低到约2％。
translated by 谷歌翻译