基于自动超参数优化框架与梯度提升算法融合的储层粒度二维分布预测研究

作者：蒋熙梅; 闫伟超^*; 邢会林; 孙建孟

来源：地球物理学进展, 2023, 1-20.

• 粒度分布
• 机器学习
• Optuna
• XGBoost
• LightGBM

岩石粒度对水动力条件分析和沉积环境的识别具有指示性作用。传统粒度测量中常用的筛析法和激光法不仅耗时长、成本高，且由于钻井取芯收获率有限，导致粒度分布数据在深度上不连续。尽管采用测井曲线与机器学习结合的方法能够弥补岩石物理实验技术的不足，但现有成果均围绕粒度的一维特征值展开，无法表征二维粒度分布的整体特征。本文针对储层粒度二维分布曲线预测的困难，提出了基于自动超参数优化框架（Optuna）与梯度提升算法（LightGBM和XGBoost）融合的机器学习方法，以埕岛油田某区块测井数据和粒度分布实验数据为基础，通过对比线性回归、支持向量回归（SVR）、k-最近邻（k-NN）、随机森林（Random Forest）、梯度提升决策树（GBDT）、XGBoost、LightGBM、卷积神经网络（CNN）等8种不同的机器学习方法，优化机器学习参数，选出最适合于预测储层粒度分布的方法。研究结果表明：10种机器学习方法预测储层粒度分布的准确性有较大差异，当以自然电位、声波、井径、补偿中子、自然伽马、地层真电阻率、深侧向电阻率、微侧向电阻率和浅侧向电阻率9种测井参数数据作为输入时，本文提出的新方法对储层粒度二维分布预测精度最高，决定系数■均接近0.7，误差较小，而线性回归、SVR、GBDT等储层粒度分布预测精度较低，不适用于储层粒度的预测。

• 单位
  中国海洋大学; 中国石油大学（华东）