基于Stacking 融合框架的隨鉆方位伽馬預測*

李 娜 沈 楠 段友祥

（中國石油大學（華東）計算機科學與技術學院 青島 266580）

1 引言

人工智能的發展為多個科技領域的進步帶來了諸多契機，對數據預測方法的研究產生了重要影響。近年來機器學習的各種模型呈現爆炸式增長，眾多學者專家發現，單一的機器學習模型往往會產生一些欠/過擬合的問題，在此背景下，多模型融合的方法應運而生。融合模型主要包括Bagging、Boosting、Blending 及Stacking 四種，由于其易于理解、效果較好，在電力［1］、金融［2］、故障預測［3］等多方面有廣泛的應用。

作為地質導向的關鍵技術，隨鉆測井的進步能夠為測井人員在鉆井實施過程中的決策提供輔助，幫助技術人員準確指導鉆頭行進方向，保證鉆頭在目的層穿行，從而提升鉆井的鉆遇率，提高油氣的產量［4］。目前，人工智能與隨鉆測井的結合越來越緊密，許多國內外學者開展了相關研究：Popa A等［5］通過人工智能和經典模型提出了一種地層動態預測優化水平井布置的方案；Mohamed I M 等［6］利用測井數據，通過訓練多種不同的機器學習方法進行地質的分類和預測；Gupta K D 等［7］通過深度神經網絡和井眼圖像標記油井的剩余深度。

在實時的隨鉆測井技術中，由于地下向MWD系統傳輸數據的速率受限，通常僅能接收到上下兩道方位的伽馬，與完井的四/八道伽馬相比，兩道伽馬所提供的信息較少，更加準確的方位伽馬預測能夠對后續伽馬成像精度、地層識別效果及傾角計算結果有重要的影響，因此對方位伽馬的預測是實時隨鉆測井的一項必要工作。……