
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于模糊耦合支持向量分类框架与留一井验证的井漏严重程度分类研究
《Geomechanics and Geophysics for Geo-Energy and Geo-Resources》:Lost-circulation severity classification using a fuzzy-coupled SVC hybrid: Leave-One-Well-Out evaluation
【字体: 大 中 小 】 时间:2026年11月23日 来源:Geomechanics and Geophysics for Geo-Energy and Geo-Resources 5.7
编辑推荐:
摘要 当钻井数据集规模较小、不平衡且数据在各井之间聚集时,对井漏严重程度的分类变得极具挑战性。本研究采用模糊耦合支持向量分类框架,分析了伊拉克布祖尔甘油田(Buzurgan Oilfield)36口井的258条记录。通过探索性方法确定了四个井漏严重程度等级,对应的损失率阈值分别
当钻井数据集规模较小、不平衡且数据在各井之间聚集时,对井漏严重程度的分类变得极具挑战性。本研究采用模糊耦合支持向量分类框架,分析了伊拉克布祖尔甘油田(Buzurgan Oilfield)36口井的258条记录。通过探索性方法确定了四个井漏严重程度等级,对应的损失率阈值分别为0、8和16立方米/小时(m3/h)。该框架结合了具有模糊处理能力的RBF-SVC核心算法、保守的模糊投票机制、双重触发投票机制以及无损失保护机制。在训练过程中采用了“留一井法”(Leave-One-Well-Out, LOWO)来保持各井之间的区分度。最终,整个模型的宏观F1分数为0.6441,均值交叉验证分数(MCC)为0.5676,准确率为0.7093。与纯RBF-SVC模型相比,该框架的宏观F1分数提升了0.01418,且在给定预测结果的前提下,95%置信区间为0.00098–0.02962。在核心模型阶段的选择验证中,通过每个外部训练集的内部LOWO证据来决定保留的层位数,此时的宏观F1分数为0.6406。在此过程中,模型的早期结构、特征选择、阈值设定及层设计均保持不变。中等程度和严重程度的井漏仍难以区分,而基于不确定性的分析与替代解释方法为模型提供了辅助诊断信息。不过,探索性的事后校准改进效果在应用于包含校准层的LOWO验证时并未得到保持。总体而言,本研究为井漏决策支持提供了一种科学可靠的框架,它更注重未见井数据的泛化能力、模型的物理合理性、对不确定性的考量以及基于实际井数据的验证效果,而非单纯追求随机分割方法的性能提升。