Введение. Геохимические исследования органического вещества в нефтематеринских породах играют важную роль для оценки нефтегазонакопления на любой территории. Особенно важную роль эти исследования играют при прогнозе нетрадиционных ресурсов и запасов нефти и газа (т.н. сланцевые УВ). Пиролитические исследования по методу Rock-Eval для пород, насыщенных органическим веществом, рекомендовано проводить на образцах до и после экстракции их хлороформом. Однако экстракция — трудоемкий и длительный процесс, а нагрузка на лабораторное оборудование и время, необходимое для анализа, при этом удваивается.

Цель. Получить рабочую модель прогноза пиролитических параметров после экстракции образцов без проведения самой экстракции.

Материалы и методы. В этой работе алгоритмы регрессии машинного обучения применяются для прогнозирования одного из параметров пиролиза экстрагированных образцов на основе результатов пиролитического анализа экстрагированных и неэкстрагированных образцов. Для разработки модели прогнозирования были протестированы и сопоставлены 5 различных алгоритмов регрессии машинного обучения, включая множественную линейную регрессию, полиномиальную регрессию, опорную векторную регрессию, дерево решений и случайный лес.

Результаты. Результат прогнозирования демонстрирует, что взаимосвязь между параметрами до и после экстракции является сложной и нелинейной. Также была оценена производительность этих алгоритмов. Некоторые методы показали свою несовместимость с поставленными задачами, другие показали хорошие и удовлетворительные результаты. Аналогичные алгоритмы возможно применить для прогноза всех геохимических параметров образцов после экстракции.

Заключение. Наилучшим методом машинного обучения для данной задачи оказался метод случайного леса (Random forest).