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)巖性分布的基礎資料,本文以砂巖型鈾礦異常和不同巖性類別的地球物理測井響應特征為理論依據(jù),利用集成機器學習方法—隨機森林算法的非線性映射能力、決策分類能力,以已知鈾礦異常信息和巖性錄井定名的特征信息為訓練樣本,針對研究區(qū)構建基于隨機森林算法的鈾礦異常識別和巖性分類模型。對松遼盆地大慶長垣南端某鈾礦礦區(qū)鈾礦鉆孔測井數(shù)據(jù)進行異常層和礦化層的識別提取以及巖性的分類識別,并將隨機森林算法的識別結果與已知礦化層的特征信息進行驗證分析。為了解決超參數(shù)的影響問題,采用遍歷尋優(yōu)的思路對隨機森林算法的超參數(shù)進行篩選,利用最優(yōu)算法參數(shù)組合進行分類識別。結果表明:在巖性識別中,隨機森林決策樹棵數(shù)為563棵,決策樹節(jié)點個數(shù)為3個時,算法結構最優(yōu),識別準確率最高。訓練樣本的訓練數(shù)據(jù)袋外誤差驗證準確率為93.39%,預測樣本的預測準確率為93.31%。通過對比分析,隨機森林算法的預測準確率優(yōu)于支持向量機方法和BP神經(jīng)網(wǎng)絡方法,研究區(qū)內9口鉆孔的預測準確率平均可達92.25%。根據(jù)隨機森林算法的參數(shù)重要性分析:電阻率和自然電位對研究區(qū)巖性分類的貢獻更大,密度和放...

【文章頁數(shù)】：86 頁

【學位級別】：碩士

本文編號：3878831