基于MSCNN⁃GRU 神经网络补全测井曲线和可解释性的智能岩性识别

打开文本图片集

摘要： 针对传统岩性识别方法在处理测井曲线缺失、准确性以及模型可解释性等方面的不足，提出了一种基于MSCNN⁃GRU 神经网络补全测井曲线和Optuna 超参数优化的XGBoost 模型的可解释性的岩性识别方法。首先，针对测井曲线在特定层段丢失或失真的问题，引入了基于多尺度卷积神经网络（MSCNN）与门控循环单元（GRU）神经网络相结合的曲线重构方法，为后续的岩性识别提供了准确的数据基础；其次，利用小波包自适应阈值方法对数据进行去噪和归一化处理，以减少噪声对岩性识别的影响；然后，采用Optuna 框架确定XGBoost算法的超参数，建立了高效的岩性识别模型；最后，利用SHAP 可解释性方法对XGBoost 模型进行归因分析，揭示了不同特征对于岩性识别的贡献度，提升了模型的可解释性。（剩余1735字）