15、利用机器学习实现可靠的测井合成与地质力学表征

利用机器学习实现可靠的测井合成与地质力学表征

在石油勘探和地质研究中，准确获取地层的压缩和剪切旅行时间测井（DTC和DTS）数据对于地质力学表征至关重要。然而，由于操作或财务限制，有时无法使用声波测井工具。本文将介绍一种通过结合浅层人工神经网络（ANN）模型和K-means聚类的预测工作流程，以合成DTC和DTS测井并确定测井合成的可靠性。

1. 数据准备

数据采集自两口井：
- 井1 ：在4240英尺深度区间的8481个深度点进行了测井测量。
- 井2 ：在1460英尺深度区间的2920个深度点进行了测井测量。

用于测井合成的13种易于获取的常规测井包括：
|序号|测井类型|缩写|
| ---- | ---- | ---- |
|1|伽马射线测井|GR|
|2|井径测井|DCAL|
|3|密度孔隙度测井|DPHZ|
|4|中子孔隙度测井|NPOR|
|5|光电因子测井|PEFZ|
|6|体积密度测井|RHOZ|
|7 - 12|不同探测深度的侧向电阻率测井|RLA0, RLA1, RLA2, RLA3, RLA4, RLA5|
|13|离散岩性标志| - |

从机器学习的角度来看，这13种“易于获取”的测井被视为特征，而要合成的DTC和DTS测井则被视为目标。

2. 数据预处理

数据预处理的目的是通过适当转换和缩放整个数据集来促进训练/测试过程。具体步骤如下：
1. 去除异常值