基于集成学习的松辽盆地砂岩型铀矿地层岩性自动识别研究

• 作者: 段忠义 肖昆 杨亚新 黄笑 姜山 张华 罗齐彬
• 来源期刊: 原子能科学技术
• 关键词: XGBoost SMOTE 集成学习 砂岩型铀矿 岩性识别
• 年，卷（期）: 2024,（12）
• 所属期刊栏目: 技术及应用
• 页码范围: 209-220
• 页数: 12页
• 语种: 中文

摘要

地层岩性的准确识别与砂岩型铀矿层的圈定密切相关，岩性组合的正确分析对于开展砂岩型铀矿的勘查与异常识别具有重要意义。本文针对传统测井岩性识别方法与机器学习类方法中存在的问题，以北方松辽盆地砂岩型铀矿为研究对象，采用两种典型的集成算法模型(XGBoost和SMOTE随机森林)开展地层岩性自动识别研究，并将识别结果与K最近邻分类算法(KNN)、梯度提升决策树算法(GBDT)等典型机器学习算法进行对比。结果表明，XGBoost和SMOTE随机森林两种集成算法模型对砂岩型铀矿地层岩性识别的准确率都在95%以上，且较KNN模型和GBDT模型的准确率有明显提高。XGBoost模型用于控制过拟合的正则项和节点分裂时支持特征多线程进行增益的计算，显著提高了运算效率，SMOTE合成少数过采样技术解决了样本数据不平衡的问题。基于集成算法的优化过程可为砂岩型铀矿岩性分类问题提供理论依据与技术支撑。