无监督学习下剪切波速度数值预测的实现及精度验证咨询

一、无监督场景下的剪切波速度预测方法 #

• 聚类映射法：先对纵波速度、密度、伽马、电阻率等已有测井曲线做聚类，将地质特征相似的井段归为同一簇。若有少量井段存在剪切波速度数据，可建立簇中心属性与剪切波速度的映射关系，以此预测同簇其他井段的数值；若完全无剪切波数据，可结合Gardner公式、Castagna经验公式等岩石物理模型，为每个簇匹配适配的经验参数，推导剪切波速度。
• 自编码器特征驱动预测：采用无监督自编码器学习多测井曲线的深层内在关联，将输入的多维度测井数据压缩为低维特征后，通过调整解码器分支输出剪切波速度。训练过程无需目标变量，模型依靠学习测井数据的物理相关性完成预测。
• 相似性加权推导法：计算待预测井段与已知地质属性井段的测井曲线相似度（如余弦相似度、欧氏距离），选取相似度最高的若干井段，利用其岩石物理参数推导剪切波速度后加权平均，得到目标井段的预测值。

二、无监督预测的精度验证方案 #

• 岩石物理基准对比法：将预测值与Castagna泥岩线、Gardner公式等成熟岩石物理模型计算的理论值对比，计算MAE、RMSE等误差指标，判断偏差是否在地质允许的合理范围内。同时可采用交叉验证，划分数据集训练模型后验证预测稳定性。
• 聚类一致性检验：验证同一聚类簇内的剪切波速度是否保持地质规律上的一致性，不同簇间的数值差异是否符合岩性、孔隙度等地质属性的变化逻辑（如砂岩簇的剪切波速度应高于泥岩簇）。
• 井间横向趋势验证：选取相邻井的同一地质层位，对比预测的剪切波速度是否符合横向地质连续性，同一砂体或地层的数值应无无理由突变，若存在突变需结合地质资料验证是否为断层等异常构造导致。
• 敏感性分析：调整输入测井曲线的组合或单条曲线的数值，观察预测结果的变化幅度。若关键参数（如纵波速度）的微小变动带来的预测值变化符合岩石物理规律，说明模型稳定性良好，预测精度可信。

内容的提问来源于stack exchange，提问作者Olutoki John