基于GridSearchCV的页岩油储层丛式井地质力学建模

针对长庆页岩油部分部署区邻近水源、林源等环境保护区,以及传统井工厂模式采油效率低、地质力学认识不清的问题,提出并实施了新型丛式井工厂(扇形布井+常规布井)模式。以目标H区块页岩油储层为例,首先开展基于测井数据的储层物性及岩石力学参数的拟合,然后结合三维网格克里金插值模型并利用Scikit-learn机器学习方法中的网格搜索和K折交叉验证方法(GridSearchCV)优化克里金插值参数。最后建立考虑储层岩相、储层物性参数以及地质力学特性和地应力的三维地质力学模型并预测某丛式井工厂的地质力学参数。通过对比数值模拟结果与测井解释结果,验证了三维地质力学模型的可靠性。该方法是一种快速且高效的地质力学建模方法,可以优化压裂施工现场数据需求。

基于机器学习-网格搜索优化的砂土液化预测

砂土液化是一种破坏力较强的地震次生灾害,传统的砂土液化判别方法存在一定的局限性。提出两种液化判别方法,第一种是基于新西兰岩土数据库(New Zealand Geotechnical Database,NZGD)中519组静力触探试验数据,建立具有砂土液化预测功能的机器学习模型。首先建立支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、XGboost(eXtreme gradient boosting,XGB)三种机器学习分类模型,运用网格搜索(GridSearchCV)法进行超参数优化后,采用整体精度(overall accuracy,OA)、精确率(P)、召回率(R)、F_(1)值对模型进行性能评估,对历史液化数据进行模型验证并与国内外方法进行结果对比。第二种是基于历史震害数据,采用经验判断法确定的静力触探初判条件。结果表明:随机森林可作为一种具有较强的预测能力的液化判别模型,通过与国内《岩土工程勘察规范》以及国际Olsen方法进行对比,选取要素简便且计算迅速的随机森林能够达到与上述两种权威方法接近的准确性,是一种可实行的液化判别模型;此外,基于历史液化数据库归结出不同烈度下,具备液化埋深限制的锥尖阻力阈值,经数据验证在7烈度区、8烈度区、9烈度区的准确率良好,与《岩土工程勘察规范》进行对比发现有可操作性好、可解释性强、可适用性广等优点。所建立的模型对砂土液化预测具有较强的适用性,静力触探初判条件亦可作为快速液化判别的参考值,两种方法结合可对科学研究和工程建设提供较好的参考价值。

基于XGBoost和网格搜索的变压器油中溶解气体含量预测

对变压器的故障检测通常使用油中溶解气分析的方法,目前对变压器油中溶解气体的含量预测逐渐成为了研究热点.将XGBoost算法应用于油中溶解气体含量的预测,并且与支持向量机等5种算法进行比较,验证了XGBoost算法的可行性和精确性;并构建了XGBoost和网格搜索相结合的模型,该模型利用网格搜索法对XGBoost算法进行超参数筛选和优化,显著提升了XGBoost算法的性能.最后,利用内蒙古根河市110kV变压器油中溶解气体数据,经过网格搜索法筛选出5个超参数,并对其优化.油中溶解气体含量预测仿真结果表明,超参数优化后的XGBoost算法的均方根误差和平均绝对百分比误差都有所下降,预测精度明显优于未进行超参数优化的模型.