科研之友
微信
新浪微博
Facebook
分享链接
摘要
准噶尔盆地玛湖凹陷北部斜坡区风城组陆相页岩油储层为多物源混合沉积，多种岩性频繁互层，岩石力学层厚度小，导致其裂缝尺度小，裂缝常规测井响应弱，识别难度大.针对页岩裂缝测井识别的难题，应用集成学习中的极端梯度提升树方法，通过深度挖掘裂缝信息与测井数据之间的非线性关系，将多个弱分类器集成强分类器，降低裂缝识别的不确定性，以提高裂缝的识别能力.该方法将岩心裂缝描述和井壁成像测井裂缝解释结果作为标签，常规测井信息作为模型训练的输入数据，在异常点筛查、SMOTE过采样处理和特征优选的基础上，通过网格搜索方法获得裂缝智能识别模型的最优超参数.通过与目前常用的支持向量机和逻辑回归等机器学习方法对比，极端梯度提升树具有比其他两种非线性机器学习方法更好的裂缝识别效果，测试集识别准确率可达90%.A1井风3段识别结果反映了该段裂缝较为发育，且模型对于裂缝段与非裂缝段都具有较好的识别效果，与岩心观察结果符合率较高.表明极端梯度提升树具有较好的裂缝识别能力，能够为玛湖凹陷陆相页岩油储层的裂缝智能识别提供有效手段.
-
单位油气资源与探测国家重点实验室; 北京大学; 中国石油大学（北京）
