為了快速有效的獲取砂巖型鈾礦礦區(qū)鈾礦異常的分布信息,礦區(qū)巖性分布的基礎(chǔ)資料,本文以砂巖型鈾礦異常和不同巖性類(lèi)別的地球物理測(cè)井響應(yīng)特征為理論依據(jù),利用集成機(jī)器學(xué)習(xí)方法—隨機(jī)森林算法的非線性映射能力、決策分類(lèi)能力,以已知鈾礦異常信息和巖性錄井定名的特征信息為訓(xùn)練樣本,針對(duì)研究區(qū)構(gòu)建基于隨機(jī)森林算法的鈾礦異常識(shí)別和巖性分類(lèi)模型。對(duì)松遼盆地大慶長(zhǎng)垣南端某鈾礦礦區(qū)鈾礦鉆孔測(cè)井?dāng)?shù)據(jù)進(jìn)行異常層和礦化層的識(shí)別提取以及巖性的分類(lèi)識(shí)別,并將隨機(jī)森林算法的識(shí)別結(jié)果與已知礦化層的特征信息進(jìn)行驗(yàn)證分析。為了解決超參數(shù)的影響問(wèn)題,采用遍歷尋優(yōu)的思路對(duì)隨機(jī)森林算法的超參數(shù)進(jìn)行篩選,利用最優(yōu)算法參數(shù)組合進(jìn)行分類(lèi)識(shí)別。結(jié)果表明:在巖性識(shí)別中,隨機(jī)森林決策樹(shù)棵數(shù)為563棵,決策樹(shù)節(jié)點(diǎn)個(gè)數(shù)為3個(gè)時(shí),算法結(jié)構(gòu)最優(yōu),識(shí)別準(zhǔn)確率最高。訓(xùn)練樣本的訓(xùn)練數(shù)據(jù)袋外誤差驗(yàn)證準(zhǔn)確率為93.39%,預(yù)測(cè)樣本的預(yù)測(cè)準(zhǔn)確率為93.31%。通過(guò)對(duì)比分析,隨機(jī)森林算法的預(yù)測(cè)準(zhǔn)確率優(yōu)于支持向量機(jī)方法和BP神經(jīng)網(wǎng)絡(luò)方法,研究區(qū)內(nèi)9口鉆孔的預(yù)測(cè)準(zhǔn)確率平均可達(dá)92.25%。根據(jù)隨機(jī)森林算法的參數(shù)重要性分析:電阻率和自然電位對(duì)研究區(qū)巖性分類(lèi)的貢獻(xiàn)更大,密度和放...

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)別】：碩士

本文編號(hào)：3878831