本技术公开了一种基于工程优化级联森林的火成岩岩性识别方法,涉及岩性识别领域,该基于工程优化级联森林的火成岩岩性识别方法包括以下步骤:步骤1,从待识别区域随机选取不同火成岩的测井曲线,对测井曲线进行预处理后;本发明提出的CXDF方法仅依靠常规测井数据,可以不依赖地层元素测井等造价昂贵的数据,成本低、准确性高,普适性更强;CXDF方法结合了深度森林和极端梯度提升方法,不仅避免了过拟合问题,而且当面对回欠采样数据集时,也能保证优秀的分类效率;CXDF方法还对结合后的深度森林和极端梯度提升方法进行了工程优化,让极端梯度提升采用列块并行学习,不仅显著减少计算量,而且还大幅降低计算成本。
背景技术
火成岩作为油气的主要储集岩类之一,同沉积岩油气藏一样,火成岩油气藏也广泛分布于地球上的主要含油气盆地中,已成为油气勘探与开发不可忽视的领域。岩性的准确识别是有效评价火成岩的前提。
传统的岩性识别手段,如交汇图法和地层元素测井技术,各有其局限性。交汇图法在面对火成岩时,由于各类火成岩成分相近,导致它们在物理属性参数上差异细微,难以有效区分岩性。而地层元素测井法尽管能提供详尽的岩石化学成分信息,但其高昂的成本和冗长的分析时间极大地阻碍了该方法的广泛应用。为寻求更为经济高效的解决方案,研究人员开始探索人工智能技术的应用,以自动化和智能化的方式识别火成岩的岩性。然而,尽管这些新兴方法展现出一定潜力,但在实际应用中,其准确性、回判率等关键性能指标尚难以达到令人满意的水平,仍需进一步优化和完善。
综上,现有的火成岩识别手段,不存在成本低、准确性高的方法,需要改进。
实现思路