Главная – Журналы – Физико-технические проблемы разработки полезных ископаемых 2024 номер ...

Алгоритм машинного обучения XGBoost используется для оценки природного поля напряжений. С применением метода корреляции Пирсона установлено, что характерными параметрами каротажа, наилучшим образом коррелирующими с минимальным значением горизонтального (тектонического) напряжения, являются данные спектрального гамма-каротажа, глубокого каротажа, индукционного каротажа, акустического каротажа, глубина залегания и содержание в породе кальция, а с максимальным значением горизонтального (тектонического) напряжения - глубина, данные спектрального гамма-каротажа, каротажа самопроизвольной поляризации, кавернометрии и плотностного каротажа. Результаты модели XGBoost сравнивались с моделью линейной регрессии, моделью опорных векторов и моделью случайного леса. Для проверки общей способности модели выполнена k -блочная перекрестная валидация. Показано, что алгоритм XGBoost позволяет прогнозировать природные напряжения в породе на основе малого объема исходных данных с точностью 94 % и высоким уровнем генерализации данных. Модель линейной регрессии обладает наибольшей скоростью расчета и минимальной точностью прогнозирования. Модели опорных векторов и случайного леса показали приемлемую точность. Полученные с помощью алгоритма XGBoost результаты универсальны и могут использоваться при решении проблем, связанных с прогнозированием природного поля напряжений в горных породах.