Resumen

El contenido total de carbono orgánico (COT) es un indicador fundamental para la evaluación de los yacimientos de gas de esquisto. Los modelos basados en el aprendizaje automático pueden predecir con rapidez y precisión el COT, que es de gran importancia para la producción de gas de esquisto. Basándose en los registros convencionales, los valores de COT medidos y otros datos de 9 pozos típicos de la zona de Jiaoshiba, en la cuenca de Sichuan, este trabajo realizó una regresión lineal bayesiana y aplicó un modelo de aprendizaje automático de bosque aleatorio para predecir los valores de COT de la pizarra de la formación Wufeng y la parte inferior de la formación Longmaxi. Los resultados mostraron que la precisión de la predicción del valor del COT mejoró en más de un 50 por ciento utilizando los modelos de aprendizaje automático bien entrenados en comparación con el método tradicional ΔLogR en una pizarra sobremadurada y apretada. El uso del método de validación cruzada de búsqueda aleatoria por mitades para optimizar los hiperparámetros puede mejorar en gran medida la velocidad de construcción del modelo. Además, excluir los factores que afectan al valor logarítmico distintos del COT y tomar los datos corregidos como datos de entrada para el entrenamiento podría mejorar la precisión de la predicción del modelo de bosque aleatorio en aproximadamente un 5%. Los datos pueden actualizarse fácilmente con los modelos de aprendizaje automático, lo que es de importancia primordial para mejorar la eficiencia de la exploración y el desarrollo del gas de esquisto.

• Materias:Dióxido de carbono Perforación de pozos de minas Yacimientos minerales Minería Minas y minería Geofluidos
• Subjects:Carbon dioxide Shaft sinking Mineral deposits Mining Mines and mining Geofluids
• Palabras claves:modelo de aprendizaje automático, predicción del valor del toc, cruz de búsqueda aleatoria, exploración de gas de esquisto, regresión lineal bayesiana, eficiencia del esquisto, máquina de bosque aleatorio, evaluación de yacimientos de gas, contenido de carbono orgánico, precisión de la predicción del valor
• Keywords:machine learning model, toc value prediction, random search cross, shale gas exploration, bayesian linear regression, efficiency of shale, random forest machine, gas reservoir evaluation, organic carbon content, value prediction accuracy