پیش‌بینی لیتولوژی از طریق داده‌های لاگ با استفاده از یادگیری ماشین و یادگیری عمیق

تفسیر دستی داده های ژئوفیزیک به دلیل رفتارهای غیرخطی سیگنال های لاگ‌های چاهی زمان بر و خسته کننده است. با این حال، در برخی از اعماق، مقادیر گزارش شده ممکن است به دلیل مشکلات عملیاتی از دست رفته باشد. برای غلبه بر این مشکل، یک رویکرد جدید برای بازسازی گزارش‌های چاه با استفاده از روش‌های یادگیری ماشین استفاده شده است. بر اساس سایر ویژگی‌های گزارش کامل، مقادیر گزارش چاه از دست رفته توسط الگوریتم‌های یادگیری ماشین یعنی xgbregressor و catboostregressor پیش‌بینی می‌شوند. و همچنین گنجاندن ویژگی با انگیزه دخیل کردن فیزیک در بهبود تعیین لیتولوژی می تواند قابلیت یادگیری ماشین را در طبقه بندی رخساره های سنگی بهبود بخشد. هدف این مقاله بررسی موارد ذکر شده و استفاده از تکنیک های یادگیری ماشینی نظارت شده مانند ماشین بردار پشتیبان (svm)، درخت تصمیم (dt)، جنگل تصادفی (rf)، پرسپترون چند لایه (mlp)، شبکه عصبی کانولوشنال (cnn) است. و extreme gradient boosting (xgboost). این مقاله نشان می دهد که این بهبود قوی است و می تواند 3% بهتر از بهترین امتیاز پنالتی موجود فعلی باشد.