基于混合机器学习模型的地层电阻率反演及不确定性分析

在大位移井及水平井钻探过程中,建立有效的反演模型从随钻测井资料中快速准确地获取地层信息,对地质导向工作意义重大.随着机器学习技术的发展,利用机器学习方法进行地球物理反演已得到广泛应用.但主要集中在确定性方法上,难以评估反演结果的可靠性.评估反演结果的可靠性至关重要,这种评估可以通过不确定性估计来实现.本文利用NG‐Boost算法构建概率反演模型用以量化反演结果的不确定性.选择合适的机器学习模型作为NGBoost算法的基学习器,构建混合机器学习模型可提升反演结果的准确度.根据随钻方位电磁感应测井仪器在层状各向同性地层中的测井资料,本文对比六种不同的机器学习模型在地层电阻率反演中的表现,实验表明XGBoost算法在反演精度和速度等方面具有明显优势.将XGBoost算法作为基学习器与NGBoost算法框架相结合构建N-XGBoost概率反演模型.并通过仿真实验对该概率反演模型的准确性、可靠性、鲁棒性进行验证,结果表明该模型能够有效评估反演结果的不确定性并获得可靠的反演结果,该方法将为地质导向工作提供可靠的测井解释.

周期混合材料等效电参数无频散特性研究

频散性质是混合材料电学参数的重要特征,一直以来都受到众多学者关注,而关于周期混合材料的无频散性质却较少被研究.本文基于描述周期混合材料等效电参数的经验公式,推导得到周期混合材料等效电参数无频散时各组分应满足的条件,并采用有限元方法提取周期混合材料的等效介电常数和电导率.经对比,我们发现数值仿真结果与推导结果高度吻合,这表明本文提出的周期混合材料无频散理论是有效的.在等效电参数满足无频散条件的前提下,我们分析了混合材料等效电参数随各组分体积比和电参数比的变化规律,以及内含物形状和空间分布对混合材料等效电参数无频散特征的影响.本文基于晶胞结构提出了微观尺度上的周期混合材料无频散理论,可为无频散元器件的设计、各频段下等效电参数测量设备的样本制备以及测量结果校准提供理论依据.

层状材料迭代Debye无色散模型研究

色散性质是电介质材料的重要电学性质,其对光子晶体薄板、新型集成导光板等无色散元器件的设计带来严重困扰。基于描述均匀损耗介质电色散特性的经典Debye模型,提出了层状结构材料无色散条件的理论公式,该方法将对层状无色散元器件的设计及横向均匀各向异性测量样本的设计提供理论意义。以层状结构材料在垂直方向的等效电路参数为基础,建立其垂直方向等效电参数计算的迭代Debye模型。另一方面,水平方向等效电路参数理论结果表明层状模型在水平方向的等效电参数与频率无关。由此可见,层状模型可以等效为横向均匀各向异性材料,而其呈现等效电参数无色散的关键在于需要满足垂直方向等效电参数的无色散条件。根据迭代Debye模型理论推导得出无色散条件下各层材料的几何参数和电参数之间的关系,设计满足该关系的层状结构材料并采用有限元方法仿真提取模型的等效电参数。仿真结果与理论结果高度吻合,表明了层状结构无色散理论的有效性。相比于数值仿真,本文方法基于理论推导,具有物理概念清晰,计算结果准确,计算效率高的优势。