10.13810/j.cnki.issn.1000-7210.2021.01.003
测井资料PSO-XGBoost渗透率预测
渗透率预测模型主要分为物理模型和拟合模型.物理模型基于测井理论,能得到可靠的渗透率预测值,但推广性较差;逐步迭代为经典的拟合算法,能快速预测渗透率,但难以确定各类测井曲线与渗透率之间的复杂关系,因此无法用解析式表示目的层渗透率最优拟合模型.为此,从优化参数角度出发,利用粒子群优化(PSO)算法改进XGBoost,进而提出渗透率预测模型PSO-XGBoost.以姬塬油田西部长4+5段致密砂岩储层为研究对象,通过三个实验考查PSO-XGBoost预测渗透率的能力.结果表明:①与物理模型相比,拟合模型涉及的储层特征参数较少,因此在建模资料不充足的情况下,适用性更好.但由于预测性能受建模数据品质影响很大,导致计算稳定性不佳,难以推广使用.②使用PSO技术可优化SVR、GBDT、XGBoost参数,形成的PSO-SVR、PSO-GBDT、PSO-XGBoost能快速给出可靠的预测结果,其中PSO-SVR的预测性能随训练样本品质变化而有较大的波动,PSO-GBDT的预测性能随训练样本品质变化没有较大的波动,PSO-XGBoost的预测效率和精度最高,稳定性最好.因此PSO-SVR难以推广使用,PSO-XGBoost最具推广应用价值.③逐步迭代、PSO-SVR、PSO-GBDT、PSO-XGBoost的预测能力都可在训练更多学习样本后得到明显提升.
渗透率预测、致密砂岩储层、机器学习、逐步迭代、SVR、GBDT、XGBoost、PSO技术
56
P631
2021-04-07（万方平台首次上网日期，不代表论文的发表时间）
共12页
26-37
