基于机器学习的致密气储层流体识别方法对比研究

为了提升致密气储层流体识别的可靠性,解决地质因素导致测井参数贡献降低的问题,为油气勘探开发提供支撑,以四川盆地某区块致密储层为研究对象,采用皮尔逊相关系数与SHAP价值图(Shapley Additive exPlanations Plot)结合的方法优选测井参数。建立误差反向传播(Back Propagation,BP)神经网络、支持向量机、贝叶斯优化、优化的分布式梯度提升库(eXtreme Gradient Boosting,XGBoost)这4种机器学习预测模型,通过受试者工作特征曲线(ROC)的平均值IAUC及实际样本来检验对比模型性能。研究结果表明:①综合两种方法优选出弹性模量差比/纵横波速度比(DR/Z)、体积压缩系数-泊松比(C-P)、三孔隙度差值(A1)、拉梅常数/泊松比(La/PL)、峰基比(QFGB)、斯通利波时差(IDTST)共6个对流体识别贡献显著的敏感测井参数;②4种机器学习预测模型验证ROC曲线的平均值IAUC依次为0.955、0.994、0.954、0.995;③18个检验样本中,XGBoost模型符合率达88.9%,支持向量机、BP神经网络、贝叶斯优化模型符合率分别为83.3%、72.2%、66.6%;④D4井盲井段应用显示XGBoost模型预测结果与试气结论吻合度最高,研究区各井总体预测符合率达84.52%。结论认为,XGBoost模型在致密气储层流体识别中性能最优,结合皮尔逊相关系数与SHAP价值图的参数优选方法及多模型对比策略,有效规避了传统方法的主观性,提升了流体识别的客观性与可靠性,为致密气储层流体识别提供了有效思路。

资料为PDF文档格式.

本文档关键词:致密,流体,识别,对比,机器