页岩气储层预测的多标签主动学习算法

针对页岩气储层数据获取困难、标签稀缺、标注成本高昂的问题,提出一种多标准主动查询的多标签学习(MAML)算法.首先,考虑样本的信息性和代表性来对样本进行初步处理;其次,加入包括属性差异性和标签丰富性的样本丰富性约束,在此基础上选择有价值的样本进行标签查询;最后,利用多标签学习算法来预测剩余样本的标签.通过11个Yahoo数据集上的实验,将MAML算法与流行的多标签学习算法和主动学习算法进行比较,验证了MAML算法的优越性.然后将实验扩展到4个真实的页岩气测井数据集.在该实验中,与多标签学习算法:基于K最近邻的多标签(ML-KNN)学习方法、多标签学习的反向传播(BP-MLL)算法、具有全局和局部标签相关性的多标签学习方法(GLOCAL)和通过查询信息性和代表性样本的主动学习(QUIRE)方法相比,MAML算法在页岩气储层综合品质预测精度均值上分别提升了45个百分点、68个百分点、68个百分点和51个百分点.实验结果充分验证了MAML算法在页岩气储层甜点预测领域的实用性和优越性.