基于MSCNN?GRU 神經(jīng)網(wǎng)絡(luò)補全測井曲線和可解釋性的智能巖性識別

打開文本圖片集

摘要： 針對傳統(tǒng)巖性識別方法在處理測井曲線缺失、準確性以及模型可解釋性等方面的不足，提出了一種基于MSCNN?GRU 神經(jīng)網(wǎng)絡(luò)補全測井曲線和Optuna 超參數(shù)優(yōu)化的XGBoost 模型的可解釋性的巖性識別方法。首先，針對測井曲線在特定層段丟失或失真的問題，引入了基于多尺度卷積神經(jīng)網(wǎng)絡(luò)（MSCNN）與門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)相結(jié)合的曲線重構(gòu)方法，為后續(xù)的巖性識別提供了準確的數(shù)據(jù)基礎(chǔ)；其次，利用小波包自適應(yīng)閾值方法對數(shù)據(jù)進行去噪和歸一化處理，以減少噪聲對巖性識別的影響；然后，采用Optuna 框架確定XGBoost算法的超參數(shù)，建立了高效的巖性識別模型；最后，利用SHAP 可解釋性方法對XGBoost 模型進行歸因分析，揭示了不同特征對于巖性識別的貢獻度，提升了模型的可解釋性。（剩余1735字）