典型文献
基于机器学习方法的多采样点储层粒度剖面预测
文献摘要：
地层砂的粒度特征值d50(筛析曲线累计质量分数50％对应的粒径值,μm)是防砂设计中的关键参数,为获得粒度纵向分布剖面,开展了基于机器学习方法的储层粒度与测井曲线响应关系研究.经典机器学习往往缺少模型内部的特征提取过程,而且采用单一采样点作为输入,缺失相邻数据关联关系反映层位信息.考虑到储层的地质连续性,利用测井曲线趋势和背景信息,将深度相邻数据点作为机器学习特征值,提出了一种基于多采样点的粒度剖面预测方法,构造和训练了基于随机森林(Random Forest)、支持向量机(Support Vector Machine)、Xtreme Gradient Boosting Tree(XGBoost)、人工神经网络(Artificial Neural Network)的预测模型.研究结果表明,与单点映射模型相比,考虑储层纵向地质连续性的各模型预测精度均高于单点预测,其中五点映射的ANN模型(ANN-5)预测效果最好,测试集d50预测相关系数最高为0.819,误差MAE最小为9.59,证实了多个采样点作为输入隐含利用了部分地层信息,有效地提高了预测精度.研究了特征点密度对模型准确率的影响,对训练集二维输入空间中样本的特征点高斯核密度分布以及测试集样本点处的训练集特征点密度进行估算,得出在高密度区域中的测试集样本点的RMSE普遍较低.当增加训练样本数量时,模型预测精度将进一步提高.采用层次分析法确定影响模型选择各因素的权重,通过模糊综合评判法优选机器学习模型,根据优选出的模型对临近区块储层粒度剖面进行预测,预测结果很好地捕捉了粒度变化趋势,模拟了其峰值.
文献关键词：
机器学习;粒度剖面预测;测井曲线;地质纵向连续性
中图分类号：
作者姓名：
刘珊珊;汪志明
作者机构：
中国石油大学(北京)石油工程学院,北京 102249
文献出处：
引用格式：
[1]刘珊珊;汪志明-.基于机器学习方法的多采样点储层粒度剖面预测)[J].石油科学通报,2022(01):93-105
A类：
粒度剖面预测,筛析曲线,地质纵向连续性
B类：
基于机器学习,机器学习方法,采样点,储层,粒度特征,d50,防砂,测井曲线,响应关系,数据关联,关联关系,层位,背景信息,据点,机器学习特征,Random,Forest,Support,Vector,Machine,Xtreme,Gradient,Boosting,Tree,XGBoost,人工神经网络,Artificial,Neural,Network,单点,映射模型,点预测,五点,ANN,测试集,MAE,地层信息,特征点,点密度,模型准确率,训练集,输入空间,高斯核密度,密度分布,样本点,RMSE,加训,训练样本,样本数量,影响模型,模型选择,模糊综合评判法,选机,机器学习模型,近区
AB值：
0.373755
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
