科研之友
微信
新浪微博
Facebook
分享链接
摘要
CO2地质封存技术被认为是降低大气CO2浓度的有效措施，是我国实现“双碳”目标的关键技术之一。孔隙度是评价储层储集性能的关键参数，对其高精度预测是CO2封存潜力评估的一项重要内容。对于CO2封存致密砂岩储层而言，由于孔隙类型多样，非均质性较强，在以往储层物性评价工作中，利用已有模型和测井解释方法，预测结果与实际测试结果往往偏差很大，实际应用效果不佳。如何利用前沿的数学算法充分挖掘常规由于孔隙类型多样，非均质性较强，测井数据中隐含的物性信息，建立预测精度较高泛化性能较强的孔隙度模型是致密砂岩储层精细勘探高效开发的关键，更是二氧化碳地质封存潜力评估的关键。本文基于机器学习主成分回归(MLR)、高斯过程回归法(GPR)、随机森林(RF)、支持向量机(SVM)、BP神经网络(BP-ANN)以及极致提升算法(XGBoost)构建致密砂岩储层孔隙度预测模型，经综合对比发现，基于XGBoost的孔隙度预测模型预测精度最高、泛化性能最强，该方法为致密砂岩储层孔隙度预测模型的构建提供新的思路。
- 单位
