测井资料PSO-XGBoost渗透率预测

作者：谷宇峰^*; 张道勇; 鲍志东

来源：石油地球物理勘探, 2021, 56(01): 26-5.

DOI：10.13810/j.cnki.issn.1000-7210.2021.01.003

• 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

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。

• 单位
  中国石油大学（北京）